目錄
一、分割方法
二、圖像分類
2.1 最近鄰分類
2.1.1樣本點選擇
2.1.2建構最近鄰特征與分類
2.2 分類器分類
2.2.1樣本選擇
2.2.2分類算法
一、分割方法
易康對于圖像的分割有棋盤分割（chessboard segmentation）;四叉樹分割（Quadtree-based segment）；多尺度分割（multiresolution segmentation）;其中多尺度分割最為常用，其中多尺度分割有幾個關鍵的設定參數：
| scale parameter | 确定生成的影像對象所允許的最大異質度，值越大則生成的影像對象的尺寸越大，反之則越小。 |
| Image Layer weights | 用來設定參與分割的波段的權重,預設是相同的權重。也可以根據自身的分割目的，給主要的波段指派較大的權重 |
| Composition of homogeneity criterion | 顔色（光譜）和形狀，兩者權重之和為1.0 |
如下圖是對一農村地區的遙感影像的多尺度分割的結果，可以看出分割效果較好，區分除了城鎮與農田植被。
二、圖像分類
2.1 最近鄰分類
最近鄰分類是采用的最近鄰算法， 所謂最近鄰，就是首先選取一個門檻值為K，對在門檻值範圍内離測試樣本最近的點進行投票，票數多的類别就是這個測試樣本的類别，這是分類問題。那麼回歸問題也同理，對在門檻值範圍内離測試樣本最近的點取均值，那麼這個值就是這個樣本點的預測值。
該算法的缺點效率較慢，需要計算每個待分類點與樣本點的距離，通過選擇的門檻值來判斷歸屬與哪一類。如果影像圖是高分辨率且圖幅面積較大，則最近鄰的分類方法并不适用，大機率需要運作幾十個小時才能出結果。
2.1.1樣本點選擇
當然在選擇樣本點之前需要建構我們的分類體系，在Class Hierarchy中右鍵選擇Insert Class，依次添加各種類别并賦予不同的顔色。（最好英文）；最近鄰的分類是有單獨選擇樣本的工具，此時需要點選菜單Classification-Samples-Select Samples；或者在工具欄空白處右擊，選擇Toolbars——samples,就會出現Samples Navigation(如右圖)，Samples Navigation前兩個分别是單選樣本和多選樣本，然後在main種選擇要選擇樣本的類别，并滑鼠輕按兩下分割的樣本，就會被選中。Samples Navigation第三第四個後期可以輔助修正樣本的選擇；
2.1.2建構最近鄰特征與分類
選擇完樣本後，需要建構特征空間。所謂建構特征空間，是選擇參與分類的特征，但是并不是參與分類的特征越多越好，過多的分類特征會造成計算量的極大增加，分類效率極低。建構特征空間需要點選菜單Classification-Nearest Neighbor-Edit Standard NN Feature Space，彈出特征選擇的對話框。選擇需要參與分類的特征。
使用nearest neighbour configuration 算法配置最近鄰特征，或者直接在class hierarchy 中配置。Active classes 參數選擇分類的類别。features選擇參與分類的特征。
再使用classification 算法進行分類。隻需要設定Active classes 參數選擇分類的類别，然後執行。
2.2 分類器分類
2.2.1樣本選擇
分類器的樣本選擇與最近鄰不同，而且樣本不能互相通用。需要點選綠色三角尺圖示，出現下方的區域，通過滑鼠點選選擇樣本。
2.2.2分類算法
易康的classifier分類器種有多種分類算法可以選擇，例如決策樹、SVM,Random trees等。
Domain選擇image ovject level。class filter選擇要訓練的類别。
operation 首先選擇Train。configuration 這裡要給訓練集起一個名字cart,然後會彈出下面的界面，将value的類型改為string;
，用于後面的分類；之後的Features選擇分類的特征；Type選擇要訓練的方法，這裡選擇的是決策樹；訓練結束後會出現下圖的标志，
學習訓練之後就可以進行分類，這裡隻需要将operation 選擇Apply,configuration選擇之前給訓練集起的名字cart,就可以執行分類
分類結果如下：