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 1：分类完成后，用于优化边界(SP＝15；Shape Factor＝0.2；Compactness＝0.3)
Level 3 ：完全根据地籍图分割的层(SP＝1000；Shape Factor＝0.2；Compactness＝0.3 )
由于在任何时候，都可以在图像对象结构体系的任何等级生成新的层，所以用户手册中推荐先创建用于分类的核心层 Level 2，然后再生成其它辅助分类的层。这样，最重要的层在分割时候就不会受到低层或高层对象的影响了。
2、定义Class Hierarchy，同 Tour 2 一样，这里也创建了3个抽象类：Level 1 、Level 2 、Level 3。然后在 Level 2 里分成4大类：(东阳何生的学习笔记)
绿：植被
红：屋顶及部分院子
灰：屋顶、院子、道路
黑：阴影
且看它们在Class Hierarchy中是如何定义的：
这类似于其他遥感软件中的决策树分类，是个单支二叉树（如下图）(东阳何生的
学习笔记)
许多情况下，在一个分类方案中，某些类别的定义可以相当简单，很容易就能与其他类别区分出来，而另外有些类别则相反，需要在类别描述中引入好多特征进行复杂的组合。这时候，我们就可以采取“先易后难”的分类策略。先识别出容易区分的类别进行掩膜，然后利用“inverted similarity features”特征，产生所有未被掩膜的部分作为下一步细分的基础。这个过程可以象上面的单支二叉树那样不断重复。除了应用similarity特征的invert之外，我们还可以应用“classified as”特征的invert，它们两者的区别在于：similarity是软的，模糊的，而classified as是硬的，非0即1。
3、区分树跟草地，利用绿波段的标准方差这一特征。
4、区分屋顶跟院子和道路，利用高程信息。(东阳何生的学习笔记)
5、在shadow类别细分树上的阴影、屋顶上的阴影、路和院子上的阴影（注意：落在什么类别上的阴影在现实中还是应该属于这个类别，比如，屋顶上的阴影实际上的类别应该是屋顶，见下图），利用 Rel. border to neighbor-objects 特征，可想而知的原因，落在什么类别上面的阴影它边上的这一类别肯定就多（落在屋顶上的阴影肯定就被屋顶这一类别所包围）。
（摘自用户手册453页，注意优化前后，红色边界的变化，路上的房顶上的阴影都已被划归为正确的相应类别）
6、利用基于类别的分割，给分类结果作边界优化，关键点已经总结在前面的日志中：0023：基于类别的分割：Classification-based Segmentation/Refinement
今天有另外一个感想，人们许多观念是先入为主的，凭什么波段组合一定要说成是“Band Combinations”，eCognition说的“Layer Mixing”又有什么不可以？德国人有个性，好！我喜欢！
★★★★★★★★★★★★★★★★★★★★★
东阳何生®原创出品，转载请注明出处:-)
★★★★★★★★★★★★★★★★★★★★★
