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 Hi

Definiens Developer 7 学习交流QQ群 群号：63511298 　　

叶面积指数（Leaf Area Index, LAI）是单位土地面积上植物的总叶面积，叶面积指数越大，叶片交错重叠程度越大。它是极其重要的植被特征，因为生态系统的能量流动中，光能主要是靠植物叶片吸收转化，而在较大尺度上表征对光能吸收的一个重要的生物学指标就是LAI，它直接与光能捕获效率有关。叶面积指数能直接反映出在多样化尺度的植物冠层中的能量、CO2及物质循环。它也与许多生态过程有直接相关，例如蒸散量，土壤水分平衡，树冠层光量的截取，地上部净初生产力，总净初生产力等等。故了解林分叶面积指数将为我们所需面临

前面的日志中已经对特征空间已经有了初步的认识（0010：关于特征Features），现再补充要点总结如下： 1、最主要的两类特征： ①object features：单个图斑本身所具有形状、色调等特征，相对独立的特征，不依赖于已经得到的分类结果 　　 注意上图中的“Thematic attributes”，表明专题图层可作为特征参予到分类过程中。但我感觉，要使用“Thematic attributes”有一个先决条件，就是Thematic Layer在分割的时候是起作用的，如果分割的

加拿大目前正计划于2007年12月在位于哈萨克斯坦的俄罗斯拜科努尔航天中心用Soyuz火箭发射 RADARSAT–2 号卫星。这个项目代表了政府和业界之间一种全新的合作关系。MacDonald, Dettwiler and Associates Ltd. (MDA) 公司将拥有和经营卫星及其地面部分，而加拿大航天局负责资助该卫星的建造和发射，并通过在卫星正常运转期内向加拿大政府部门供应RADARSAT–2号卫星数据以收回这项投资。(东阳何生的学习笔记) RADARSAT–2 卫星是在其前身RADARSA

Tour 3 也将影像对象分割成3个层次：Level 1 、Level 2 、Level 3，其实真正执行分类的核心层是Level 2， 其他两层都是分类结果出来之后优化边界用的。Tour 3 最大的特点是输入了地籍图层作为Thematic Layer辅助分类，还用到DEM（不是作为专题图层而是作为一个波段输入），现将Level 2 的分类步骤总结如下： 1、分割： Level 2：真正用于分类的核心层(SP＝35；Shape Factor＝0.3；Compactness＝0.3 ) Level

  　　　　　　　 在上面这个“Class Hierarchy”对话框中，可以看出当前状态下某个类别可用不可用，即：什么类别有效（active），什么类别无效（inactive）。这是通过每个类别前面的圆圈的轮廓线的颜色看出来的：如果是黑色的，该类别当前状态下可用；如果是灰色的，该类别不可用。我们可以切换with/without class-related features 按钮试一下，如果许多类别描述中引入了类相关特征的话，这种变化可以看得特别明显。感觉eCognition这些细微

看到网上这篇帖子，感觉很有意思，转载一下，主要有两点感想：一是简单如下面的这些图片（所有图片只有红、蓝、黑、白这四种纯色），竟能清晰形象准确生动滴表达这么丰富的含义，咱们的遥感影像包含的信息量则要庞大得多，正因为信息太多了，好多有用的信息反而被掩盖了，不能象下面这些图片一样让人一目了然，在让人眼花缭乱的遥感影像中提取出其中的有用信息，化繁为简，正是我们要干的工作，遥感影像的解译分类不正是对影像所作的一种总结与归纳吗？二是希望通过看这些妙趣横生的图片能对理解eCognition这个由德国

1、虽然Membership Function 可以用户自己编辑节点，想拉到哪儿就拉到哪儿（如下图），但是用户手册不建议这么干，理由是：规则越普遍，值域范围越大，则规则的健壮性和普适性就越好。 2、成员函数可以自动生成，不需要用户定义也可以，在Sample Editor对话框中，对着某一特征点击右键，如下图，呵呵，好玩，但用户手册里还是建议不要这么干，理由是：效果不好，自动生成的基本上都是拱桥型那种成员函数，没有针对性。(东阳何生的读书笔记) 3、模糊逻辑运算符 o

1、Object Table：所有影像对象（图斑）的随便哪个Feature都能输出成表，输出什么类别的图斑，输出图斑的哪些属性（Features），全部可以由用户自行定义，特别方便。表中一条记录对应图中一个图斑，简直跟在arcview里面操作shapefile一样简单，真TMD牛！想起很早以前读过的龚老师的博士论文，这还真有点矢量栅格一体化的感觉了。而且感觉eCognition窗口的连动机制做得特别好，图像窗口、Sample Editor、Object Table、Image Object Informa