就我理解，基于类别的分割（Classification-based Segmentation）固然是一种分类的中间处理过程，同时，它也是重要的分类后处理（Post Classification）工具。
eCognition为基于类别的分割提供了3种不同的方法，所有3种方法都通过“先定义结构群（structure group），后进行对象综合”的步骤进行。
1、影像对象的简单合并。其特点是只在一个层次（level）上进行，用户需要合并哪一层的对象，就对哪一层发生作用，跟其它层则不搭界。它有两个选项，如上图，可以合并生成新的level，也可以直接覆盖掉原来的level而不生成新的level。操作的时候，程序会去自动合并属于同一个在structure group的相邻对象。（东阳何生的学习札记）
2、对选定层进行的边界优化。其特点是关系到两个相邻的层（本层以及比本层小的下一层），利用下一层影像对象（子对象）的分类结果的边界来修正、优化本层对象（父对象）分类结果的边界。简而言之，利用子对象边界优化修正父对象边界。因为它要用到两个层，所以只有1个level的时候，它是灰的，不可选的。操作的时候，选定层是父对象的level，程序会根据structure group里面定义的群（组合了子对象和父对象类别的group）去优化父对象的边界。（285页）（东阳何生的学习札记）
3、对影像对象边界进行制图综合。此法类似于2，也涉及到相邻的两个level，但它的特点是可以在父对象中保留子对象的边界，这就为在同一个level上组合不同分辨率的影像对象提供了手段。我们知道分割的时候，在同一个level上面，图斑大小总是差不多的。但实际情况可能是郊区的图斑大一些，城区的图斑要破碎一些，小一些。如何让不同层次的对象组合在同一个level上，该粗的地方粗，该细的地方细？这就可以通过该方法解决。
（东阳何生的学习札记）
以上3种方法无论选择那一种，关键是要注意其structure group如何组织，这是Classification-based Segmentation的核心所在。另外还有一个跟structure group密切相关的地方就是：Classification-based multi-resolution segmentation （如下图）
如果structure group没有定义的话，上图红框里面的内容是灰色不可用的。基于类别的多重分割（Classification-based multi-resolution segmentation）可看成是一种有选择性的或者是局部的分割，当用户在这种模式下作分割时，只对属于structure group里面定义群的影像对象所在区域，会根据用户定义的参数作常规分割，对其他区域则不作处理。这就导致了一个新的层次（level）的产生，由不同参数分割而成的影像对象可以并存在这个level中。图中“Refer to”的作用是指明你参考的是哪一个层上的分类结果（每个level都可以用同一个class hierarchy进行分类，所以你得指明以哪个level上的分类结果为准，这点想了半天才想明白），如果Refer to的这一层未作分类，那么所作的操作仅仅是将其对象拷贝到这个新生成的level中。
本文最前面第一张图中还有一个细节需要注意，Thematic layers 用括号括起来了[shanghai.shp]，表明该专题图层不可用（比如由于坐标不匹配的原因），可用的时候是没有括号的。eCognition的界面设计有很多细腻的地方，不注意的话还真不容易觉察到。（东阳何生的学习札记）
★★★★★★★★★★★★★★★★★★★★★
东阳何生®原创出品，转载请注明出处:-)
★★★★★★★★★★★★★★★★★★★★★
