一、分类步骤
在eCognition中，基于上下文信息的分类是通过类相关特征（class-related features）实现的。用class-related features进行分类的步骤总是一成不变的：首先用without class-related features得到一个初始的分类，然后用with class-related features参考初始分类结果，进行基于上下文信息的分类。因此，在没有初始分类结果的时候，将总是自动地先进行一次非类相关特征的分类。注意：Class Hierarchy中的类别有效的前提条件是：①它没有子类在起作用，即使有子类，子类也不可用。②它的类描述中的所有特征都是可用的（例如，进行without class-related features分类时，所有class-related features就是不可用的，因此任何包含class-related features的类别都不可用）
一种有效的分类策略是：先是仅仅通过object features（类间无关的）定义类别，然后通过它将这些特征遗传给子类，再在它的子类里定义类相关特征（class-related features）。这样做的好处是：图斑的光谱信息和它所在的上下文信息是分开来考虑的，这样当分析的影像数据发生变化时（比如换了一景数据），我们只需要调整光谱值，而先前建立的基于上下文信息的规则则无需更改。例如：先定义草地和不渗透表面两大类别，它们的类别描述中引用的特征全是灰度值、色调等类间无关特征，然后在草地下面分设两个子类城市草地和农村草地，这两个子类的类别描述中引用了类相关特征，用图斑周围的不可渗透表面类别的相对面积来区分城市草地和农村草地，同时，这两个子类又继承了父类草地的特征，分类过程一开始是进行一次without class-related features分类，区分了草地和不渗透表面，此时两个子类不起作用，接下来再进行一次with class-related features分类，这时候，子类起作用了，父类自动就无效了，恰到好处，其中的奥妙，需要自己慢慢体会。
二、存在的隐患
1、类相关特征在利用上下文信息进行分类上是强有力的工具，但是如果用的不好，存在隐患。因为“类相关特征”正如名字所暗示的，是建立在其他图斑的分类结果的基础之上的，这是一个相对的参考系，而非绝对参考系。如果类相关特征所参考的类别，其本身的类描述里面也用到了类相关特征，亦即：这些类别其本身也是建立在其他类别的分类结果之上的，这样就缺乏一个绝对的参考标准，可能导致分类结果的不稳定。更有甚者还会出现A参考B，B又参考A的循环依赖（cyclic dependency）的情况。为了避免循环依赖影响到分类精度，eCognition采取了两个办法进行补救，但用户手册建议最好还是能在定义类别的时候事先对循环依赖的情况加以考虑。循环依赖的两个补救方法是：（东阳何生的学习笔记）
①让用户定义“number of classification cycles”如下图：（东阳何生的学习笔记）
基于类相关特征的分类是一个相当复杂的过程。当一个影像对象在整个对象网络结构中改变它原有的类别时，问题就产生了，因为这个对象本身相对于其它对象来说，可能就是上下文信息，是别的对象分类的依据。网络结构间对象的联系就是如此盘根错节，千丝万缕，牵一发而动全身，有好处也有坏处，好处是可以进行基于上下文的分类，坏处是循环依赖容易造成崩盘的后果。因此，分类就必须是一个循环重复的过程，需要一遍一遍地考虑在这个对象网络结构中对象类别的变化。“number of cycles”就是为这个目的设计的，我翻译成“循环次数”，一开始看见这个词想到的是“圆圈的数量”，难道说的是“圆的半径”，怎么也觉得不通，现在看来翻译成“循环次数”还是比较恰当的。在进行基于类相关特征的上下文信息分类以前，必须进行分类循环，以保证类相关特征所依赖的分类结果是稳定的。cycle在前，classification with class-related features 在后。
另外，当不用类相关特征分类时（without class-related features），所有在类别描述中引用了类相关特征的类别将被忽略，不发生效用，也称“非活动类别（inactive classes）”（看它在Class Hierarchy中的图例，圆圈的轮廓线是灰色的）。用户手册建议：一般情况下，第一次分类用without class-related features进行，为下一步进行基于类相关特征的分类生成一个绝对的参考系，一旦类相关特征被加入到某个原先没有类相关特征的类描述中，那么尽量避免这个类别作为其他类别的参考，以此来保证分类的稳定性。（东阳何生的学习笔记）
②模拟退火的方法（Simulated Annealing）
网上摘录的模拟退火方法的大致原理：模拟退火算法来源于固体退火原理，将固体加温至充分高，再让其徐徐冷却，加温时，固体内部粒子随温升变为无序状，内能增大，而徐徐冷却时粒子渐趋有序，在每个温度都达到平衡态，最后在常温时达到基态，内能减为最小。根据Metropolis准则，粒子在温度T时趋于平衡的概率为e-ΔE/(kT)，其中E为温度T时的内能，ΔE为其改变量，k为Boltzmann常数。用固体退火模拟组合优化问题，将内能E模拟为目标函数值f，温度T演化成控制参数t，即得到解组合优化问题的模拟退火算法：由初始解i和控制参数初值t开始，对当前解重复“产生新解→计算目标函数差→接受或舍弃”的迭代，并逐步衰减t值，算法终止时的当前解即为所得近似最优解，这是基于蒙特卡罗迭代求解法的一种启发式随机搜索过程。退火过程由冷却进度表(Cooling Schedule)控制，包括控制参数的初值t及其衰减因子Δt、每个t值时的迭代次数L和停止条件S。
★★★★★★★★★★★★★★★★★★★★★
东阳何生®原创出品，转载请注明出处:-)
★★★★★★★★★★★★★★★★★★★★★
