企业官网建设流程全解析

做遥感分类这些年，我手里迭代最频繁的工具就是易康eCognition 9.0，尤其是它的面向对象多尺度分割分类流程。以前我也迷信像素级算法，后来被高分辨率影像上的“椒盐噪声”折腾够了，才彻底转向基于对象的思路。这套流程里，规则集和机器学习是两条核心分类路线，但两条路线都建立在一个共同的地基上——多尺度分割。这篇文章我就把实际项目里摸出来的经验完整讲一遍，从分割参数到底层原理，从规则集调试到机器学习特征工程，最后再说说两条路线怎么结合，尽量让刚开始接触eCognition的人少走弯路。

如果你正准备做土地利用分类、地表覆盖制图、水体/建筑/植被提取，或者手里拿到了亚米级或米级的高分辨率影像，这篇文章会比较对胃口。我不会把界面按钮一个个列出来，那是软件手册的事；我更想讲清楚每个参数背后的逻辑，以及遇到问题时的排查思路。这些内容往往是我在项目上反复撞墙之后才总结出来的。

1. 先搞清楚：为什么是“对象”，而不是“像素”

1.1 像素分类的痛点：椒盐噪声与语义缺失

刚入行时我用ENVI做最大似然分类，后来又试过基于像素的随机森林。看混淆矩阵，总体精度能做到85%甚至90%，感觉很成功。但图一放大就露馅了——明明是连成片的水泥路面，结果中间突然冒出一堆绿色、蓝色的小点，整个图全是“麻子”。这就是大家常说的椒盐噪声。为什么会出现这种现象？因为像素分类器只关心单个像元的光谱值，完全不管这个像元和周围像元是什么关系。哪怕相邻两个像素光谱差异非常小，分类器也可能因为概率曲线的细微波动，把它们分到不同类别里。

另一个更深层的问题是“语义缺失”。一条宽度3米的道路，在0.5米分辨率的影像上大约占6个像素宽，你凭肉眼很容易认出来它是一条道路，因为你能看到它是连续的长条状结构、宽度基本一致、两侧大概率是植被或者建筑。但对像素分类器来说，它只看到零零散散的一堆点，根本没有“形状”“上下文”这些概念，自然很难把这条路完整地提出来。

1.2 影像对象到底是什么：一个可以“讲道理”的单位

eCognition的解法是把相邻且相似的像素合并成一个个“影像对象”（Image Object）。你可以把它理解成把乐高小颗粒拼成了大积木块，后续所有分析都基于这些积木块展开。一个影像对象有自己的平均光谱、面积、长宽比、纹理特征，还能知道自己的邻居是谁、自己是不是被水包围的岛等等。这样一来，分类器面对的不再是几十万个孤立的像素，而是几千个有完整语义的对象，信息密度一下子高了很多。

有一点我看到不少新人会绕晕——面向对象里的“对象”，指的不是Java、C++里那个“对象”，而是“影像对象”。当然你可以用面向对象的编程思想来理解它：每个影像对象都是一组属性和方法的封装体。但在eCognition里，你不写代码也能直接操作这些对象，所以重点还是放在“对象承载了光谱、形状、纹理、上下文关系”这件事上。

1.3 面向对象分析（OBIA）真正擅长的场景

面向对象分析最适合高分辨率影像，因为地物细节丰富，单个像元难以承载语义。比如GF-2、WorldView、无人机正射影像这类数据，分辨率通常在2米以内，每个地物都由大量像元构成，对象化之后优势非常明显。对于30米分辨率的Landsat这种中等分辨率数据，如果只是做大尺度的植被指数分析，像素分类和对象分类的差距就没那么大；但如果你想区分不同森林类型、或者做复杂破碎地表的分类，对象化依然能带来收益。

我在项目里见过一个很典型的例子：两块相邻农田，一块种的是玉米，一块种的是大豆。像素级分类器经常把两种作物的光谱混在一团，而对象化之后，每块农田变成一个或几个完整对象，纹理特征、光谱均值和邻域关系一起参与判断，区分度明显提升。这就是面向对象的核心价值——它让分类器有更多维度的依据可以用。

2. 多尺度分割：所有分类的地基

2.1 多尺度分割在做什么

面向对象分析的第一步，通常就是多尺度分割（Multiresolution Segmentation）。这个算法的核心思想是自下而上的区域生长：从一个像元开始，不断把光谱相似、空间相邻的像元合并进同一个对象，直到合并后对象的异质性超过设定阈值才停下来。阈值对应一个核心参数——尺度（Scale Parameter）。

这个尺度参数非常直观：尺度越大，对象允许的异质性越大，生成的图斑就越大；尺度越小，图斑越碎。很多刚上手的人容易把“尺度”当成一个分辨率的概念，其实它更准确的理解是“允许对象内部差异的上限”。就好比筛子，孔径越大，漏过去的颗粒越粗，筛出来的块越大。

2.2 分割参数拆解：尺度、形状、紧致度

分割过程中，到底什么能合并、什么不能合并，核心由两股力量博弈：光谱异质性和形状异质性。eCognition里对应了三个主要参数：

Shape权重特别值得说。如果你把Shape设成0，分割时完全只看光谱差异，对象边界会很贴合光谱变化，但形状可能又碎又杂；把Shape调高，分割会优先考虑让对象形状规整，但代价是可能把光谱差异比较大的区域也硬揉进来。我的经验是，对于房屋、道路这类人工地物占主导的场景，Shape可以稍微调到0.3左右，能减少碎斑；对于森林、农田这类自然边界不规则的场景，Shape保持0.1就够了，优先让光谱说话。

紧致度则更多是“审美调节”。Compactness接近1，对象会更紧凑，接近圆形；接近0，对象边界会拉得比较开。如果你想提取建筑物，可以把紧致度适当调低一点，让对象更好地贴合建筑物直角轮廓；如果提取的是湖泊或圆形林地，紧致度可以适当调高。当然，它和Shape一样，不是越大越好，我一般不会让Shape和Compactness的总权重占据明显优势，否则会牺牲光谱纯度。

2.3 尺度参数怎么试：一组实测对比

分割参数没有绝对标准答案，必须针对影像实际情况来调。但新手最容易犯的错，是拿一幅全图直接跑一次分割，看一眼结果就开始做分类。我的建议是：先裁剪出一块包含典型地物的小范围测试区，用不同尺度分别跑分割，逐个对比。

以我做过的一个0.5米分辨率无人机影像项目为例，我分别在Scale=15、30、60、100下测试。Scale=15时，对象非常细碎，一栋建筑的屋顶被拆成了二三十个对象，边缘出现了大量细小图斑，这属于明显的过分割；Scale=30时，建筑、道路、树冠基本能完整落在同一个对象里，边界也能贴合地物轮廓，效果最好；Scale=60时，相邻的建筑和阴影开始被合并进同一个对象里，对象内部已经有明显的光谱混杂；Scale=100时，整片城区和不透水面都快糊成一块了，完全没法用来做精细分类。

如果你不想靠肉眼反复试，可以用ESP（Estimation of Scale Parameter）工具辅助。这个工具的核心思路是：分割尺度的局部方差（LV）在尺度变化时会有一个拐点，拐点对应的尺度往往就是对象从“内部同质”切换到“开始混杂”的临界值。把LV曲线拉出来看，曲线突然转折的那个位置附近，通常就是适合当前影像的初始尺度。不过我实际操作中还是会更依赖目视检查，因为ESP只能提供候选，最终还得结合地物类型来定。

2.4 分割结果质量怎么看

分割完不要急着欣喜，先做三件事。第一，把分割图层叠加到原始影像上，透明度调到50%左右，看对象边界是否贴合真实地物轮廓；第二，放大到几栋建筑、一块林地、几条道路的区域，检查这些典型地物是否各自落在独立对象里；第三，点击几个对象检查它们的内部光谱方差，如果对象内部同时包含深色阴影和亮色屋顶，说明这个尺度下对象已经过度合并了。

分割完成后，对象边界一旦确定，后面分类的准确率上限就已经被锁定了。分割做得烂，后面规则集写得再漂亮、机器学习模型调得再好，都是空中楼阁。这是我认为整个面向对象流程里最重要的一步。

3. 规则集分类：把专业知识翻译成判断条件

3.1 规则集的本质是一棵决策树

规则集（Ruleset）是eCognition里最经典的分类方式。它的本质是把你对地物的理解，逐步编码成“如果……那么……”的判断规则。比如你要提取水体，你心里知道水体在近红外波段反射率很低、NDWI值偏高、形状往往比较光滑、面积通常不会太小。规则集就是把这些知识一条条列出来，让软件按顺序执行。

规则集在eCognition里表现为一个过程树。你可以在根节点下创建子规则，让不同的判断分支并行或串行执行。有一点需要特别注意：规则是有逻辑顺序的，先执行的规则会改变后执行时的上下文。比如你先用NDWI>0.1提取出水体，那么当后续规则再去判断“与水体相邻的对象”时，它看到的就是已经分类好的对象集合。合理利用这个顺序，能写出非常强大的规则，但也容易因为顺序搞错导致结果失控。

3.2 特征库怎么选：光谱、形状、纹理、上下文

规则集的原材料是特征（Features）。eCognition的特征库非常庞大，常被我用到的可以归成四类：

• 光谱特征：波段均值、标准差、亮度、各波段的比值关系，还有归一化指数如NDVI、NDWI。这是最基础也是最稳定的特征。
• 形状特征：面积、周长、长宽比、形状指数（Shape Index，越接近1越接近正方形）、边界指数（Border Index）、密度。这类特征对区分建筑物、道路、水域很有用。
• 纹理特征：GLCM同质性、GLCM对比度、GLCM熵等。主要用来区分光谱相似但纹理不同的对象，比如林地与草地、农田与裸土。
• 上下文与类关系特征：与相邻对象的关系、与父对象或子对象的关系、到指定类别的距离等。这类特征经常能解决“光谱长得差不多但位置关系完全不同”的问题。

特征不是越多越好。规则集越简洁，越好调试、越好迁移到新影像。我见过有人一个规则集里堆了四五十个条件，结果只要换一景影像，整棵规则树就崩溃。合理的做法是每个类别的判断条件控制在3到6个特征以内，而且尽量选有物理意义、不容易受光照波动影响的特征。

3.3 一个水体提取规则集的完整拆解

拿一个我实际写过的水体提取规则集来举例。我当时的流程分了三步。

第一步，分割。用多尺度分割得到对象层，然后用光谱差异分割（Spectral Difference Segmentation）把过碎的对象合并掉。为什么加这一步？因为水体在清澈水库里光谱非常均一，但分割时水面波纹可能导致一个小对象被切成很多片，光谱差异分割可以把它们重新拼起来。

第二步，在规则集里写一个assign class节点，把满足条件的对象先粗分为水体候选：

if NDWI > 0.15 and Mean Layer 4 < 200 then 水体候选

这个判断里NDWI负责把水体信号顶起来，近红外均值做二次确认，降低山体阴影被误判成水的概率。

第三步，对水体候选做细分和修正。用面积和形状规则把误判的细小阴影剔除：

if 面积 < 500 m2 and 长宽比 < 3 then 非水体

当时实际跑下来，这个规则集在山体阴影严重的区域还是有接近一成的误判。后来我加了上下文规则：只有与已确认水体相邻、且光谱差异小于指定阈值的水体候选才保留为水体。这个小小的改动，一下子把精度拉到了95%以上。这就是规则集比纯机器学习的优势——你可以把“水体是连通的”这种常识直接写成规则。

3.4 规则集调试技巧：特征空间优化与分离度

写规则集最痛苦的事情，就是某个类别的特征阈值定不准。比如NDVI到底取0.2还是0.3，你肉眼在图上看到两类地物分得很开，但阈值就是怎么试都不对。

我比较推荐先利用样本算分离度。方法是先对每个类别采集一些代表性对象样本，然后用特征空间优化工具或分离度矩阵，让软件自动计算哪些特征组合能把样本分得最开。它本质上是穷举特征组合，计算不同组合下的分离度指标，最后输出一张排序表。你会惊喜地发现，原本你以为最好用的NDVI可能不是第一位的，反而是某个纹理特征或者形状特征贡献更大。

另外一个调试技巧是灵活使用对象查看器（Object Viewer）。分类完成后再点开某个误分对象，直接查看它的所有特征值，把它和正确类别对象的特征值做对比，很快就能找出差异最大的特征。这个操作在电子表格里做也行，但eCognition里直接看更直观。

4. 机器学习分类：让模型自己学规律

4.1 为什么面向对象框架下还要机器学习

规则集虽然可解释性强，但有两个致命伤。第一，阈值是人工拍脑袋定的，很难在复杂场景里把所有组合照顾周全；第二，场景一换，规则集往往需要重新调参，维护成本高。所以我在很多项目里会换一条路线——基于分割后的对象，用机器学习分类器来做分类。

机器学习的思路是：分割完成后，把每个对象的特征（光谱均值、纹理、形状、指数等）提取出来，构成一个特征向量。然后你给一部分对象打上类别标签，比如“建筑”“水体”“植被”“道路”，让分类器从这些带标签样本里学习特征和类别之间的映射关系。这就像一个从没见过猫的小孩，你反复指着图片告诉他“这是猫”，他慢慢就学会了认猫。

4.2 特征工程：把分割结果变成模型吃得懂的数字

很多人在eCognition里跑机器学习，最容易犯的错是不做特征筛选，一股脑把所有特征全扔给分类器。特征数量越多，模型需要拟合的维度就越高，训练样本没跟上就很容易过拟合。我自己的经验是，同一类特征只要选一两个代表就行。

以GLCM纹理特征为例，eCognition里能算出一大串：同质性、对比度、相异性、熵、角二阶矩、相关性……这些特征很多彼此高度相关。我会优先保留同质性和对比度，这两个对区分植被、建筑、道路比较有效。形状特征方面，常用的就是面积、长宽比、形状指数、边界指数。光谱特征方面，各波段的均值、标准差和两个关键指数就够了。

我做过一个实验：同样用随机森林分类，特征从60个精简到25个之后，总体精度反而从88.4%升到了90.1%，训练时间也缩短了接近一半。这就是特征冗余直接拖后腿的例子。精简特征之后还有个附带好处——模型更稳，换到相邻区域的影像上，精度掉得没那么狠。

4.3 样本标注与分类器选择：随机森林实测

样本质量直接决定模型上限。在eCognition里，你需要先在分割结果上手动选择代表性对象作为训练样本。三个要求：每个类别样本量至少够用（我一般每类不少于100到150个）；样本分布要覆盖影像不同区域，不能只从一小块地方采；同类别内要包含边界场景的样本，比如水体要涵盖清澈与浑浊两种状态。

分类器方面，我实测下来最稳的是随机森林（在eCognition里对应Random Trees）。随机森林鲁棒、对特征缩放不敏感、不容易过拟合，而且它能输出特征重要性，用来辅助特征删减非常方便。SVM理论上精度也可以，但它对参数和核函数更敏感，调起来费时，样本量大了之后训练速度也明显慢。KNN最直观，但对高维特征和样本分布很敏感，结果稳定性略差。

我在某个0.8米分辨率影像上做过对比，用的样本每类200个左右，特征25个。随机森林总体精度90.2%，Kappa系数0.87；SVM总体精度88.5%，Kappa 0.85；KNN总体精度85.9%，Kappa 0.82。所以只要不是特殊需求，我默认先跑随机森林。

4.4 精度评价：别只看训练集，要看泛化能力

机器学习分类跑完，不能只看训练集里的混淆矩阵就收工。训练集精度高不代表模型真学会了，它可能只是把样本背下来了。真正的检验是用一个独立验证集——也就是模型训练时从没见过的样本，来评估精度。这就是机器学期课里常说的“泛化能力”，放在你的数据上就是一个朴素的道理：训练精度高、验证精度低，说明过拟合了，需要减少特征、增加样本或者简化模型。

eCognition里可以直接生成分类结果的混淆矩阵、总体精度、Kappa系数和各类别的制图精度与用户精度。验证样本一定要单独采集，不能和训练样本混在一起。我经常看到有人随手用刚才训练用的样本再验证一遍，然后报出99%的精度，这种数字没有任何参考价值。正确做法是训练区选一块，验证区选完全独立的另一块，或者把样本按7比3拆开，用30%没参加训练的对象做验证。

另外，样本不均衡问题也要重视。比如整体影像里水体只占不到5%，但训练样本里水体占了40%，模型会拼命去拟合水体特征，结果把大量植被误分成水体。解决办法是控制每类样本数量基本均衡，或者在分类后处理阶段再加约束。

5. 规则集和机器学习怎么选、怎么混

5.1 三条路线对比：精度、效率、可迁移性

规则集、机器学习、以及规则集加机器学习的混合方案，我都有实际应用。整理成表格给你参考：

一句话总结：如果项目周期短、地物类别少、场景简单，直接用规则集；如果地物复杂、类别多、样本容易获取，用机器学习；如果追求高精度且有你愿意投入时间调优，混合方案是终极答案。

5.2 混合方案：先用机器学习粗分，再用规则集精修

我现在最常见的做法，是先跑随机森林做一次初分类，把复杂的地物大类先分开，然后针对容易混的类别写规则集做精细化处理。

举个例子，一个城区土地利用项目里，阴影和不透水面在全色波段上光谱很接近，随机森林把近三成阴影错分成了不透水面。我没有去反复调整样本和模型，而是直接写了一条规则：所有被分为不透水面的对象，如果亮度均值低于整幅影像不透水面亮度均值的0.8倍，而且相邻对象中有大量高植被覆盖对象，就重新划入阴影类。这个规则加入之后，不透水面的用户精度从78%直接跳到了90%。这个过程就体现了“机器学习负责大面上的区分，规则集负责解决领域知识中的特例”。

混合方案对样本量和调试时间的压力也比纯机器学习小。因为粗分类阶段的机器学习模型不需要把每个细节都学对，更细的纠错可以通过规则来处理；同时规则也不需要写得面面俱到，因为大问题已经被机器学习解决了。

5.3 批量处理与工程化：项目落地时还要想的事

到了项目真正落地，还有两个问题要提前考虑。第一是批量处理多期影像。如果你要处理同一地区不同月份的十几景影像，手动一个一个跑就不现实了。eCognition支持把规则集或分类流程保存成模板，再通过批处理模式统一执行；也可以用Python按面向对象的方式封装一个处理流程，把分割、分类、导出全部串起来，一行命令跑完一整批。

第二是成果导出。分类完成后，我一般会先把结果导出成Shapefile或GeoPackage，再到GIS软件里做后处理——比如把面积小于某个阈值的碎斑合并掉，或者用ArcGIS的消除工具把孤立小图斑合并到相邻大类里。eCognition里的分类结果也可以直接输出为栅格，但矢量形态保留的对象边界信息更完整，后续编辑也更灵活。

6. 常见问题与避坑实录

6.1 过分割与欠分割：现象、原因、处置

过分割最典型的现象：一栋建筑被拆成几十块，一条路断成一节一节。原因基本就是尺度设得太小，或者Shape权重太低导致对象边界过于细碎。处理办法是先增大Scale，再把Shape权重适当调高，最后可以用光谱差异分割把碎斑合并。

欠分割的现象反过来：一栋建筑和它的阴影变成一个对象，或者一块林地和旁边的草地糊在一起。处理办法是降低Scale，或降低Shape权重让光谱差异起更大作用。我在实际项目里，通常不会只调一个参数，而是用“Scale + Shape + Compactness”三个参数联动调整，每次只改一个变量、对比结果，逐步逼近最佳配置。

6.2 规则集换一幅影像就崩溃

这是规则集最让人头疼的问题。原因往往是阈值定得太绝对，没有考虑不同时期影像的光照、大气条件、物候差异。解决思路有三个。第一，尽量使用比值型特征，比如NDVI、NDWI，它们能抵消一部分绝对辐射差异；第二，把所有阈值写成变量参数，放到规则集最前面统一管理，换影像时只需要调几个全局变量；第三，把规则集设计成分层结构，先做大数据范围的粗分类，再逐层细化，避免一上来就卡死在非常具体的阈值上。

6.3 机器学习结果出现大量碎斑

这种碎片化问题和分割参数有关，也可能和分类器本身有关。一种常见做法是在分类完成后做一个“分类后合并”步骤，把相邻且类别相同的对象合并起来；再用“移除对象”工具，把面积小于指定阈值的对象重新划归到它最大邻居的类别里。这相当于在结果层面做了空间平滑，视觉上会干净很多，但要注意，如果阈值设得太大，可能把一些真实的小地物，例如小水塘、小建筑，也一并抹掉了，所以阈值宁可设得保守一些。

6.4 数据格式、投影与内存问题

eCognition对数据格式比较挑，不认乱七八糟的投影。我踩过的坑是：影像坐标系和后续要叠加的矢量边界坐标系不一致，导致分割和分类结果在导出后对不上位置。这个很好解决，所有数据在进eCognition之前先统一投影。内存不足是大影像作业的常见问题，尤其是大范围无人机正射影像，动辄几十GB。我的经验是先用切块工具把影像按图幅切成分块，每块单独跑完流程之后再拼接成果；如果有条件，准备一台内存充足的工作站会省很多心。

6.5 一个容易被忽略的点：预处理

最后我还想提醒一下影像预处理。分割对图像质量很敏感，云雾遮挡、传感器坏线、拼接接缝处颜色跳变，都会直接影响分割边界。所以进eCognition前，先做好辐射定标、大气校正和匀色镶嵌，能让后面的分割轻松很多。不要指望eCognition能替你完美处理输入数据，前面省事，后面全是坑。

我个人现在接手一个新项目，第一步永远是先花时间把分割参数调到位。分割不好，后面规则集和机器学习都是空中楼阁。如果你也是从像素分类转过来，建议先别急着跑分类器，用一块小测试区把多尺度分割玩明白了再动手，后面会顺很多。