凯发·k8

Object Features/Relations to objects/Sub-objects/Majority vote area;

Object Features/Relations to objects/Sub-objects/Majority vote count;

关键点：

1. 这些特征中主对象分类的结果是基于子层级的大多数对象分类上的；

2. 最终类别返回值是基于子对象中的数目或者面积的，然后重新划分到目标类

3. 通过重复运用多数投票特征，不断的缩小棋盘格范围，达到提高数据准确度的效果。

基本分类思想图

重点回顾

1. 原始数据展示。

2. 创建一个用于存放多数投票特征结果的父层级（Super-Level）,并进行棋盘分割（对象大小为150），父层级的结果如下

3. 在Super-Level父层级上进行：对类容器中已经存在的5大类地物分别进行类条件描述

4. 多数投票特征一，按子层级中5大地物类型在每个棋盘格中所占的面积。

新建assign class算法，条件如下所示，其它类别均是如此

最后5类的投票结果如下：

5. 同时打开影像对象信息窗口，观察多数投票特征值中土壤、森林、草地、城镇、水体5大因子的变化。以草地因子为例：多数投票的父层级显示类别为草地类型，子层级显示为混合类，通过对象信息框可以看到草地因子的子对象面积为5类因子中占比最大，故投票区为草地类型

6. 多数投票特征二，按子层级中5大类型在每个棋盘格中所占的数目。

首先创建多数投票数目特征，新建assign class算法，条件如图中高亮部分所示，执行结果如下

7. 运用classification依据类条件描述进行分类，该规则集的位置和结果如下（该规则集执行完毕后删掉）

8. 为了将要投票的单个区域继续缩小，故修改规则集中棋盘分割算法对象大小，改为50，然后基于父层级（Level Majority Vote）执行下图中红框内所有规则集，结果如下

9. 按照规则集顺序执行多数投票特征一，即按地物类型面积进行投票部分，执行结果如下

10. 先激活但不执行图中based on districts标签部分的规则集 (里面的规则集主要是创建修改工程，加入districts.shp/基于行政区矢量分割)：在该标签上右击/Actived。接着整体执行一遍图中所示的所有规则集:在Prepare Super level标签上右击/execute。结果如下

11. 按照规则集顺序整体执行多数投票特征一，按地物类型面积进行投票部分，执行结果如下，我们通过影像对象信息框就可以看出该地区不同的行政区内5类地物因子所占的比重分别是多少。

Grassland类型占比图

forest类型占比图

规则集大盘点

多数投票特征的运用，让我们可以对一个地区的地物类型进行一个初步的估计，能从整体上把握该地区的土地利用类型情况。这对于农作物类型的分布与估产将会提供很大的帮助，关于更详情的数据操作流程欢迎咨询小编哦。

扫描二维码观看原版视频

凯发·k8作为天宝公司Inpho中国区授权代理商、eCognition软件中国区授权代理商和政府解决方案及规则集开发商、美国Maxar卫星数据代理商，能够为广大用户提供从数据获取、处理与解译分析到最终成果的“一站式”应用解决方案。

更多资讯，可关注微信公众号，或登录凯发·k8公司官网：http://www.mapcore.com.cn/

联系电话：010-62908360