从上图中，我们可以把eCognition中用来影像分类的特征看得一清二楚，主要有这么几类：
对象特征：
各层的值
形状
纹理
层次
与类相关的特征：
与相邻对象的关系
与小对象的关系（子？）
与大对象的关系（父？）
全局特征
关于整景影像的
关于不同类别的
类间相似性特征：
类别1
类别2
……
逻辑项
与
或
……
在上面这些特征中，有些在我学过的例子中已接触过多次，这样就比较能够理解，比如“Layer values”实际就是光谱信息，每个波段的灰度值及其均值，标准方差、极值等统计特征。还有许多特征，我对它们还是知之甚少，我觉得学好eCognition的关键，就是对这些特征能了如指掌，运用自如，只有这样，构建起知识库来才能得心应手，获得自己满意的分类结果。看来将这些特征摸熟研透是我以后学习的主要任务。（东阳何生荣誉出品）
另外，有两点心得，记录如下：（东阳何生荣誉出品）
1、如果在类别定义的过程中选用了“与类相关的特征（Class-related Features）”，那么在分类的时候就必须选用“with class-related”选项，只有这样你在类别定义的时候用到的“与类相关的特征”才能在分类中发生作用，不然就是白定义了，如下图：
2、菜单Tool下面的选项大部分都是与特征有关的，如下图：
从上图中可以看到Tool菜单条下面的“特征查看器”、“二维特征空间分布图”、“特征空间优化”、“自定义特征”……都是与特征有关的选项，所以，以后如果要做什么跟特征有关的操作，可以先到Tool菜单下面找一找。（东阳何生荣誉出品）
【预备知识】：模式识别中把每个对象都量化为一组特征来描述，构建特征空间是所有模式识别问题的第一步。那么什么是特征空间？数学上的定义是：“一个特征空间就是由所有有相同的给定特征值的特征向量组成的向量空间，还包括零向量，虽然它不是一个特征向量”。统计模式识别方法是受数学中的决策理论的启发而产生的一种识别方法，它一般假定被识别的对象或经过特征提取向量是符合一定分布规律的随机变量。其基本思想是将特征提取阶段得到的特征向量定义在一个特征空间中，这个空间包含了所有的特征向量，不同的特征向量，或者说不同类别的对象都对应于空间中的一点。在分类阶段，则利用统计决策的原理对特征空间进行划分，从而达到识别不同特征的对象的目的。统计模式识别中应用的统计决策分类理论相对比较成熟，研究的重点是特征提取。（东阳何生荣誉出品）
北京大学智能科学系模式识别课件中关于“特征空间”的部分，看完之后对自己有启发，特此存档：（东阳何生荣誉出品）
http://www.divshare.com/download/1414549-a1f
★★★★★★★★★★★★★★★★★★★★★
东阳何生®原创出品，转载请注明出处:-)
★★★★★★★★★★★★★★★★★★★★★
