1. 项目概述
本项目是林地利用保护规划中林业小班地块自动提取项目。该项目的目的在于自动提取近似于林业小班的地块，并导出为矢量格式，林业工作者可以利用该结果，根据实际情况进行简单的合并操作，就可以完成以前繁重的林业调查勾绘小班作业，减轻相关林业工作者的工作量，提高工作效率。影像数据使用SPOT5的融合影像，空间分辨率为2.5米。利用eCognition软件中特有的多尺度分割技术，针对不同影像的特点，调节合适的多尺度分割参数，对影像进行分割，最后得到近似小班的地块矢量结果。
2. 实施概述
2.1 技术路线
本项目的技术路线如下图所示，其关键步骤就是找出多尺度分割的最优参数，使得可以用最少的分割对象表示小班地块，且分割对象的轮廓线与小班地块的边缘一致。而在找出最优的分割参数并进行了多尺度分割之后，可以直接导出矢量结果，也可以选择性的分类植被类，使得任务目标明确。
2. 2分类成果
本项目使用的多尺度分割尺度为70，210和250，并把它们与实际的小班矢量图进行了叠加比较。各个分割尺度的分割结果如下图3所示，其中黄色的区域要放大显示的窗口。
图3各个尺度分割结果
a）尺度为70的分割结果（图3 b）中黄框部分）
b）尺度为210的分割结果（图3 c）中黄框部分）
c）尺度为250的分割结果（图3 d）中黄框部分）
图4 各个尺度分割的区域放大图
从图4中，可以看到70尺度的分割对象较“精细”，而210与250尺度分割的较“粗糙”，尤其是250尺度的分割结果忽略了很多影像的细节，因此，可以从最优的分割参数中排除。而70与210尺度就要根据人工勾绘的小班边界结果来进行选择。
图5是尺度70的分割结果与人工实际勾绘的小班进行的叠加比较图，其中红色的线就是人工勾绘的小班边界，而白色的线就是各个对象的轮廓线。
图5 尺度为70的分割结果与人工勾绘小班边界叠加图（区域放大）
从图5中可以看出，虽然70尺度分割出来的对象较碎，但是可以通过简单的对象的合并操作把较碎的对象合并出与小班边界一致的情况，而210尺度分割出来的对象虽然数量少了，但是有些对象没有按照小班边界进行分割，而进行对象的裁剪操作要比合并操作要复杂得多，所以优先考虑使用较小的分割尺度作为最优的分割参数，这样才能有利于提高效率。因此，本项目选择70尺度作为该影像的最优分割参数，再进行矢量的导出操作。
3. 解决的关键问题
本项目的关键问题就是最优分割参数的选择，这就要深入的了解eCognition软件中的多尺度分割技术，掌握每个分割参数的意义，才能有针对性的设置合适的参数。
4. 总结
本项目证明了使用eCognition中特有的多尺度分割算法进行小班区划的可行性。我们可以把影像分割得小一些，然后通过实地验证与软件合并操作相结合方式，有效减少林业工作者的工作量。可以想象一下，林业工作者有分割出来的矢量图，在实地只要进行合并或少量的剪切操作，使用很少的时间就能完成区域的小班区划，而不用在进行大量外业工作之后还要进行繁重的内业绘制矢量的工作。
本项目是林地利用保护规划中林业小班地块自动提取项目。该项目的目的在于自动提取近似于林业小班的地块，并导出为矢量格式，林业工作者可以利用该结果，根据实际情况进行简单的合并操作，就可以完成以前繁重的林业调查勾绘小班作业，减轻相关林业工作者的工作量，提高工作效率。影像数据使用SPOT5的融合影像，空间分辨率为2.5米。利用eCognition软件中特有的多尺度分割技术，针对不同影像的特点，调节合适的多尺度分割参数，对影像进行分割，最后得到近似小班的地块矢量结果。
2. 实施概述
2.1 技术路线
本项目的技术路线如下图所示，其关键步骤就是找出多尺度分割的最优参数，使得可以用最少的分割对象表示小班地块，且分割对象的轮廓线与小班地块的边缘一致。而在找出最优的分割参数并进行了多尺度分割之后，可以直接导出矢量结果，也可以选择性的分类植被类，使得任务目标明确。
2. 2分类成果
本项目使用的多尺度分割尺度为70，210和250，并把它们与实际的小班矢量图进行了叠加比较。各个分割尺度的分割结果如下图3所示，其中黄色的区域要放大显示的窗口。
图3各个尺度分割结果
a）尺度为70的分割结果（图3 b）中黄框部分）
b）尺度为210的分割结果（图3 c）中黄框部分）
c）尺度为250的分割结果（图3 d）中黄框部分）
图4 各个尺度分割的区域放大图
从图4中，可以看到70尺度的分割对象较“精细”，而210与250尺度分割的较“粗糙”，尤其是250尺度的分割结果忽略了很多影像的细节，因此，可以从最优的分割参数中排除。而70与210尺度就要根据人工勾绘的小班边界结果来进行选择。
图5是尺度70的分割结果与人工实际勾绘的小班进行的叠加比较图，其中红色的线就是人工勾绘的小班边界，而白色的线就是各个对象的轮廓线。
图5 尺度为70的分割结果与人工勾绘小班边界叠加图（区域放大）
从图5中可以看出，虽然70尺度分割出来的对象较碎，但是可以通过简单的对象的合并操作把较碎的对象合并出与小班边界一致的情况，而210尺度分割出来的对象虽然数量少了，但是有些对象没有按照小班边界进行分割，而进行对象的裁剪操作要比合并操作要复杂得多，所以优先考虑使用较小的分割尺度作为最优的分割参数，这样才能有利于提高效率。因此，本项目选择70尺度作为该影像的最优分割参数，再进行矢量的导出操作。
3. 解决的关键问题
本项目的关键问题就是最优分割参数的选择，这就要深入的了解eCognition软件中的多尺度分割技术，掌握每个分割参数的意义，才能有针对性的设置合适的参数。
4. 总结
本项目证明了使用eCognition中特有的多尺度分割算法进行小班区划的可行性。我们可以把影像分割得小一些，然后通过实地验证与软件合并操作相结合方式，有效减少林业工作者的工作量。可以想象一下，林业工作者有分割出来的矢量图，在实地只要进行合并或少量的剪切操作，使用很少的时间就能完成区域的小班区划，而不用在进行大量外业工作之后还要进行繁重的内业绘制矢量的工作。
