一、數據
數據來源：教程中的實驗數據，共包含RGB三個波段，還有數字地表模型（以下簡稱DSM）文件。
圖一 RGB影像
數據特徵：數據範圍較小，要素種類少，僅包含較多的建築和大片的綠地。由於建築的房頂使用的材料和材料顏色不同，所以建築的光譜特徵沒有規律，是不連續的特徵。而綠地的光譜特徵則十分容易分辨。
但是建築通常具有規則的形狀，而且建築相比於周圍其他要素通常有較高的高程，因此也會在其周圍產生陰影，結合以上兩點，我們可以對建築物進行初步提取。
- 建築物提取
- 分割
首先對影像進行分割，採用多尺度分割，分割參數設置爲尺度爲25，形狀爲0.1緊湊度爲0.5，結果如下：
圖二 多尺度分割結果
- 分類
根據上文數據特徵的描述，我們這裏通過高程特徵來提取建築。打開Feature View窗口，選擇Object feature下的Layer Values的Mean，雙擊 DSM波段，右鍵選擇Update Range，此時Feature View視窗底部會更新出影像的高程範圍。
圖三 Feature View
勾選前面的單選框eCognition的數據視窗會顯示影像分割對象的高程均值信息。
圖四 分割對象的高程均值
通過調整Feature View窗口底部的高程均值範圍可以在數據視窗預覽特定高程範圍內的分割對象。通過與原始影像的對比，可以篩選出建築的分割對象。這裏將範圍設置爲大於等於765，這樣高程均值大於等於765的對象會被顯示爲藍色和綠色，而不在此範圍的對象顯示爲灰色。結果如下：
圖五 高程均值大於等於765的對象
通過與原始影像的對比發現，在該範圍內的對象與實際情況有很好的吻合效果。但是也存在一些其他不規則形狀的非建築對象，從原始影像可以發現這些對象是樹木，因爲樹木也具有很大的高程，此爲噪聲信息，需要在後續步驟去除。
下面通過算法對建築對象進行分類，在Process Tree中插入分類進程，選擇assign class分類算法，在Threshold condition設置閾值條件爲Mean DSM>=765，並在類別中設置爲建築類別，參數設置入下：
圖六 assign class分類
在菜單欄將試圖切換到View Classification可以查看分類結果，淺藍色部分是建築分類，結果如下：
圖七 建築分類結果
可以看出建築分類結果與底圖基本吻合，除了有樹木的部分。因此下面需要把樹木從建築分類中分離。
樹木具有大的高程數據是由於樹木的枝葉反射光譜信息到傳感器造成的，但是樹木枝葉之間的空隙會有透過的電磁波到達地面，再反射到傳感器，因此樹木的高程數據會呈現出這樣的特徵：樹木對象的高程數據是不均勻的，在較大的高程數據中有較小的高程數據。從DSM影像上看就表現爲波浪狀的紋理，如下圖：
圖八 DSM
而建築的高程數據是十分均勻的，也就是說樹木的高程信息和建築相比具有較大的方差，通過這個特徵可以將建築與樹木分離。
與分類建築類似，從Feature View中選擇Standard deviation下的DSM，更新範圍後調整到大於等於6，在數據視窗顯示DSM方差大於等於6的對象如下：
圖九 DSM方差大於等於6的對象
從上圖可以看出，建築對象都呈現灰色，而樹木均顯示爲藍綠色，至此再使用assign class分類算法將DSM方差大於等於6的對象從建築分類中分離。在分類時，將參數Class filter設置爲“建築”，這是因爲樹木對象在上一步被分到建築類別中，其所屬類別爲建築。最終結果如下：
圖十 初步分離樹木結果
通過與圖七對比可以看出大部分樹木已經從建築中分類，但仍然有少量樹木未被處理，這些樹木枝葉間的間隙較少，所以透過的電磁輻射較少，導致其高程信息較爲均一，方差較小。換言之，這類樹木枝葉較爲茂盛，在綠色波段會有較高的反射值，但是由於數據沒有近紅外波段，所以我們通過綠色波段的比率來分離樹木。
在Feature View窗口Object features選擇Customized自定義特徵，輸入表達式如下：
圖十一 自定義特徵
然後通過調整green ratio的取值範圍來確定植被對象，這裏調整到大於等於0.36，結果如下：
圖十二 green ratio大於等於0.36的對象
可以看出絕大多數植被對象都被選中，包括建築周圍的植被對象，再通過assign class分類將植被從建築類別中分離，注意此處的參數Class filter依然要選擇建築，因爲我們要分離的是還在建築分類裏的植被對象，閾值條件設置爲green ratio大於等於0.36，結果如下：
圖十三 green ratio分離結果
與圖十對比可以看出大部分錯分的樹木對象已經被分離，但仍有小部分樹木未被分離，而且有的建築邊緣分類效果不理想，所以我們要根據建築鄰域環境進行精細化分類。
那些建築邊緣未被分類的對象與建築有很長的公共邊界，如果有未分類的對象滿足上述條件，那麼這些對象應該被劃分爲建築，這裏提到的公共邊界在eCongtion中對應到class-related feature下的Relations to neighbor objects，在Rel. border to中創建相對於建築物的對象邊界信息，該值的取值範圍爲0到1
圖十四 創建建築物邊界信息
然後在Feature View中進行閾值調整以查找應該被分類爲建築的對象，這裏調整到0.5至1，可以從下圖看出很多未被分類的建築對象符合條件：
所以我們使用此閾值範圍在進行一次assign class分類，注意參數設置Class filter設置爲未分類的對象，閾值條件設置爲0.5~1，Use class設置爲建築，因爲我們這裏是要將沒有分類的建築對象分類爲建築類別。結果如下：
圖十五 上下文分類結果
與上圖相比，可以看出有一些建築邊緣對象重新分類爲建築，仍然有一些對象未被分類，同時還有少量植被對象被錯分。前文提及，建築一般具有規則的形狀，所以下面用過形狀信息再次精細化分類。
由於我們進行了多尺度分割，所以所有的建築對象仍然是以單獨的不規則個體單獨存在的，因此首先我們需要將已經分類的建築對象合併。在Process Tree中插入新的進程，算法選擇merge region，Class filter選擇建築，執行後得到合併後的結果與圖十五無異，但是原本相互連接、獨立的建築對象被合併成一個大的對象。然後我們可以根據shape信息查找被錯分爲建築的對象，這類對象一般是獨立分佈的單個面積較小的對象。
在Feature View窗口Object features中找到Geometry，在Extent中雙擊Area，通過調整底部的取值範圍來過濾掉面積較小的對象。這裏設置的範圍是大於等於7000（pixels），結果如下：
圖十六 大於等於7000pixels的對象
然後通過assign class算法，將小於7000pixels的對象從建築類別中分離，注意Class filter設置爲建築，閾值條件設置爲Area<7000，結果如下：
圖十七 shape精細化分類結果
通過與圖十五對比，可以看出較小的錯分爲建築的對象已經被分離，最後的分類結果仍然有小瑕疵，還需要通過其他手段進行處理，但是整體效果已經很符合實際情況。至此，建築物的簡單提取完成。
注:本文是依據eCongnition官方操作文檔進行一步步操作的，所用的數據也是官方提供的示例數據，如有侵權，請聯繫作者刪除。