一、分类策略
最邻近分类器在eCognition中指需要用户指定训练样本的分类法，与成员函数分类器相区别。eCognition用“Click and Classify”来形容其操作简便。用户手册中推荐的针对这种指定训练样本的分类方法的分类策略是：
1、先选定少量图斑（对象）作为样本，一开始选定的每一类的样本数为1－3个，选完少量样本后就可以进行第一次分类；
2、然后不断重复以下步骤，直到得出满意结果：
①、纠正那些被错分的或未被分类的（unclassified）图斑，指定正确类别后，作为样本对象添加到训练样本集中（要小心操作，确保无误）；
②进行分类。
【注意】：
1、有些时候，新的样本对象的加入会显著影响到分类结果，有可能原来正确的分类结果，在调整、纠正加入新的样本对象后，许多图斑反而从正确的分类划归为错误的类别了，这时候也不要担心，还是继续重复上面的步骤，重复操作……这样进行下去以后，就能逐步在特征空间中建立起区分各类别的边界，即使这些类别在特征空间中的分布是不规则的且不连续的（离散的），最邻近函数也能对付。
2、利用Click and Classify的方法，用户可能很快就得到了满意的分类结果，也有可能你达到了所选择的特征空间（注意：特征空间也是用户自己可以定义的）所能区分的极限，再添加新的训练样本也无济于事了，分类结果也不会有显著改善了，这也没有关系，咱们可以利用这个得到的分类结果作为下一步“基于上下文信息的分类”的基础数据，在类别层次结构（Class Hierarchy）里面添加子类，以作进一步的细分。Tour 1 就是这样的一个例子。
二、关于最邻近函数
1、标准最邻近（SNN）与普通最邻近（NN）的差别：两者的区别在于它们的作用域不同。Nearest Neighbor的特征空间可以为每个类别单独定义，即“class-specific”，而Standard Nearest Neighbor则不然，整个Project，SNN的特征空间的定义是唯一的，所有用到SNN的类别，它们的SNN的特征空间全是一样的，而且对每一个类别不可能定义一个以上的标准最邻近函数。SNN和NN的特征空间中一般都不涉及“Class-related features”，因为它们需要的是一个绝对的参考系，而不是相对的，避免“循环依赖”现象的出现。即使用到类相关特征，也会受到如下限制：（东阳何生的学习笔记）
①、如果一个类别的定义中用到了最邻近函数，而这个最邻近函数的特征空间中利用了“Class-related features”，那么这个类别不能用“Similarity of ”特征；
②、如果一个类别的定义中用到了最邻近函数，而这个最邻近函数的特征空间中利用了“Class-related features”，那么这个类别不能有子类。即不能生育或是丁克一族
，相当于二叉树中的“叶子节点”，所以这些类别也叫“叶子类别”；
③、如果一个类别的定义中用到了最邻近函数，而这个最邻近函数的特征空间中利用了“Class-related features”，那么“Class-related features”中所参考的类别不能是它自己或其父类。
2、如果在一个Class Hierarchy中用到了SNN或NN，那么，当保存 Class Hierarchy 文件的时候，它们所定义的特征空间也同时被保存在这个类层次结构文件中，但是，用户选择的训练样本并没有被保存，也就是说，如果调入一个dkb文件，以前选的训练样本是不包括在这个文件中的。
3、如果事先定义好了一个Class Hierarchy（父类子类统统定义完毕），然后去选择训练样本，那么，用户选择的子类的训练样本自动也算是其父类的训练样本，当然，用户也可以单独为父类指定其训练样本。
4、用户手册一再建议，分类时先为每一类仅仅选择少量的样本，1－3个足矣，然后分类，出来结果后，再添加错分或漏分的新样本，再分类，再调整……逐步调整，直至得到最佳分类结果。
5、在以前的学习笔记中我曾经认为 TTA Mask 和 Samples 是一回事，因为两者之间可以互相转换（0008：城市草地 versus 乡村草地），现在看来，这点认识还得作一点修正，它们之间还是有一点细微的差别的，因为 TTA Mask 有可能是从其他来源输入到eCognition中来的，比如ArcGIS或ERDAS中转进来的数据，这时候，它的边界就不会跟eCognition分割生成的图斑的边界完全吻合，因此，当“create samples from TTA Mask”的时候，就会弹出一个对话框让用户设置一个参数，默认值是0.75，表示如果一个图斑75％的面积被 TTA Mask 所定义的某一个类别的图斑所覆盖，那么它就属于这个类别的训练样本。
6、NN Function Slope（东阳何生的学习笔记）
感觉跟ENVI的光谱角制图（Spectral Angle Mapper）里面光谱角的概念差不多。Slope是一个阈值，它越大就越能和稀泥，有容乃大，把性质差别很大的图斑划分到一个类别里面；反之，Slope越小，则分得越精细，但是导致的问题就是会出现很多未被分类的图斑（unclassified image objects），即通常所说的“漏分现象”，但是分类结果的稳定性会很好。Slope的默认值是0.2，用户可以自行定义。
7、特征空间优化（Feature Space Optimization）
先为每个类别选择训练样本，选好之后，根据训练样本来计算这个类间可分性矩阵（Class Separation Distance Matrix For Selected Features）。特征空间优化给用户提供了一个挑选、组合用来区分类别的最佳特征的有效工具，能根据选定的样本，和用户自己挑选的特征，自动计算出类别间的可分性（Separability）。这个对称矩阵上元素的值越大，代表某两类间的可分性越好，以此来让用户选择组合最佳特征。需要注意的是：距离的计算仅仅依赖于选择的训练样本，因此，训练样本的变化直接影响到计算结果。
三、跟训练样本相关的几个工具
1、Sample Editor 对话框
2、Sample Navigation 工具栏
和Sample Editor配合使用，激活之后，在Sample Editor中选中某一类，然后鼠标点击直方图中的某一方块（slot），在图像窗口中，特征值等于直方图中那方块值的训练样本则被选中，并高亮显示。如果这一特征值的训练样本有好多个，用户则可通过下拉框自行选择。
3、Sample Selection Information 对话框
显示了用户当前选中的图斑与各个类别的已有训练样本之间的距离，以及归属于各类别的成员函数值。Critical Samples： shows the number of samples that are in a critical distance to the selected class in the feature space. （366页）
★★★★★★★★★★★★★★★★★★★★★
东阳何生®原创出品，转载请注明出处:-)
★★★★★★★★★★★★★★★★★★★★★
