eCognition中ESP2插件详解：分割尺度评价从入门到实战

1. 为什么每个做面向对象影像分析的人，迟早都要面对“分割尺度”这道坎

先聊点实际的。很多人第一次用易康（eCognition）做面向对象分类，最容易踩的坑不是分类器选得不对，也不是样本标得不好，而是最前面的分割这一步就没做好。分割尺度选小了，图斑碎得像芝麻，一片完整的屋顶被切得七零八落；分割尺度选大了，树木和建筑混成一个对象，后面分类再怎么调参都救不回来。

这个问题的根源在于：分割尺度（Scale Parameter）直接决定了影像对象的平均大小和形状，而对象又是后续所有特征计算、规则集构建、样本分类的基本单元。换句话说，分割这一步做不好，后面全是白做。

但问题来了——怎么知道当前这景影像、这个地物类型、这个空间分辨率下，到底选多大的尺度参数才是“最佳”？靠肉眼一个个试？可以，但效率太低，而且主观性太强。靠经验拍脑袋？在大范围、多地类项目里，不同区域的最优尺度可能差得很远，经验往往靠不住。

ESP2（Estimation of Scale Parameter 2）插件就是专门解决这个问题的工具。它通过计算分割结果中对象的局部方差（LV）及其变化率（ROC），自动评估一系列尺度参数下分割质量的变化趋势，帮助你在客观指标的基础上找到“局部最优”的分割尺度区间，而不是靠肉眼和感觉。

这篇文章我把自己实际使用ESP2的完整流程、参数设置逻辑、结果判读方法以及踩过的坑全部整理出来，给那些正准备用易康做分割尺度评价的同学一个可以直接照抄的参考。

2. ESP2插件的工作原理：局部方差、变化率与“尺度拐点”到底是啥

2.1 一个关键认知：ESP2不是“自动帮你选尺度”，而是“帮你找到候选尺度”

先说清楚一个容易误解的地方。ESP2并不会直接告诉你“你就用15这个尺度”，它输出的是一张图表和一组候选值，真正的判断和选择还得你来完成。

它做的事情，本质上是对“尺度参数从最小值逐步增加到最大值”这个过程中，每一个分割结果计算两个核心统计量：

• 局部方差（LV，Local Variance）：衡量分割后对象内部像素灰度值的异质性。对象内部越“纯”，LV越小，说明分割越贴合地物边界。
• 变化率（ROC，Rate of Change）：相邻两个尺度下LV的变化幅度。ROC出现峰值的尺度，通常意味着分割结果发生了显著的结构性突变。

这个思路的逻辑其实很朴素：当分割尺度从2逐步增加到100的过程中，某个尺度下对象内部的异质性突然显著增加，说明这个尺度下对象开始“跨过”了某些地物边界，把不同类型的地物合并到了一起。这个“突变点”对应的尺度，就是值得你重点关注的候选分割尺度。

2.2 为什么局部方差“越小越好”但“不是唯一标准”

很多第一次接触ESP2的同学会陷入一个误区：既然LV越小说明对象越纯，那就选LV最小的尺度呗？

不是这样的。你想想，如果把分割尺度设为1，每个对象可能只有几个像素，对象内部当然非常纯净，LV自然很小，但这样的分割结果毫无意义——对象太碎，无法表达完整的语义信息（比如一整栋房子被切成几十块）。所以，ESP2强调的不是“LV最小”，而是“LV随尺度增大而显著跃升的那个拐点”。

用生活化的例子类比：你把一幅拼图按照轮廓线切分，当切得足够细时，每一片都非常“纯”，但拼图的意义在于每一片都是一个完整的语义单元。ESP2要帮你找到的，就是“既不会太碎、又不会把不同地物糊在一起”的那个平衡区间。

2.3 ROC峰值的含义与解读

ROC（Rate of Change）的计算公式很简单：某尺度S下的ROC =（LV(S+1) - LV(S)）/ LV(S)。这个值越大，说明从尺度S到S+1，分割对象的异质性增长越剧烈。

ESP2的图表中会有两条曲线：一条是LV随尺度变化的曲线，另一条是ROC的变化曲线。你需要重点看ROC曲线上的峰值点——每个峰值对应的尺度，都代表一次“分割结构突变”。

这里要特别强调一个实操经验：ROC峰值一般不止一个，不同的峰值代表不同层级的地物特征。比如低尺度峰值可能对应建筑物、道路等小地物，高尺度峰值可能对应农田地块、林地斑块等大地物。所以，在多级分割或者多尺度对象分析中，你甚至可以利用ESP2输出多个候选尺度，分别用于不同层级的分割，而不是强行找一个“万能尺度”。

3. 安装与配置：ESP2插件的获取、放置和加载全流程

3.1 插件文件获取与版本匹配

ESP2插件在eCognition官方的插件社区可以下载，文件名通常是ESP2.dll或ESP2.zip解压后的文件夹。下载时务必注意版本兼容性：

提示：插件版本和软件版本不匹配，是加载失败最常见的原因。如果插件加载时报错，先检查位数（32位/64位）是否一致，再看开发者版本号是否在插件支持范围内。

3.2 插件放置位置与加载步骤

ESP2本质上是一个eCognition的插件（Plugin），需要放置在eCognition安装目录下的相应文件夹中，然后在软件里激活。具体操作分步说明：

1. 将下载好的ESP2.dll文件复制到eCognition安装目录下的Plugins文件夹中（具体路径取决于安装位置，一般在C:\Program Files\Trimble eCognition Developer 10.x\Plugins）。
2. 如果插件是压缩包形式，先解压确认是否包含.dll文件及其他依赖文件，建议将整个解压后的文件按说明放入对应目录。
3. 打开eCognition Developer，进入菜单栏的Tools（工具）或Plugin Manager（插件管理器），查看插件列表中出现ESP2即表示加载成功。
4. 若插件没有出现在列表中，可以尝试重启软件，或在插件管理器中手动添加插件路径。

3.3 加载失败时的排查思路

我自己在实际配置中遇到过几次加载失败的情况，这里提供常见的排查顺序：

• 确认插件文件没有损坏：很多下载文件在传输过程中会损坏，右键查看文件属性里的文件大小是否与原版一致。
• 确认文件和软件位数一致：32位插件放进64位软件里是绝对加载不出来的。
• 确认软件版本不是太旧或太新：有些插件只支持特定大版本，跨度太大容易失效。
• 尝试以管理员身份运行eCognition：某些安装目录需要更高权限才能读取外部插件。

配置正确的标志是：在易康的Tools菜单下或规则集编辑器（Rule Set）的可用算法列表中，能直接找到名为ESP2或ESP-2的算法进程。

4. 核心参数逐项详解：照着填就能跑通

4.1 参数面板长什么样

加载成功后，在规则集编辑器中添加算法（Append New），在算法列表中找到ESP2 (Estimation of Scale Parameter 2)。双击添加后，会弹出参数设置面板。ESP2插件的参数面板整体比较简洁，主要参数如下：

• Input Image Layer（输入影像层）
• Scale Start（起始尺度）
• Scale End（结束尺度）
• Scale Step（尺度步长）
• Pixel Size（像素大小）
• Shape Weight（形状权重）
• Compactness Weight（紧致度权重）
• Output File（输出结果文件路径）

4.2 各个参数怎么填

Scale Start / Scale End（起始尺度 / 结束尺度）

这两个参数决定了你评估的尺度参数范围。常见的设置为：

• 如果影像分辨率较高（如0.5米以下），地物较小，可以从Scale 1或Scale 2开始，到Scale 30~50结束。
• 如果是中低分辨率影像（如10米 Sentinel-2），地物较大，可以从Scale 5开始，到Scale 150左右结束。

我的建议是：第一遍先把范围设大一点、步长设大一点（比如Step=2或3），整体扫一遍看趋势；找到大概的峰值区间后，再进一步缩小范围、加密步长（Step=1）做精细评估。

Scale Step（尺度步长）

步长决定了从起始尺度到结束尺度一共要计算多少个分割结果。步长越小，精度越高，但计算时间成倍增加。例如Scale 1~50、Step=1，就要做50次分割和计算；Step=2则只需做25次。

实测经验：如果影像范围比较大（几十万像素以上），整景跑Step=1会非常慢。建议先用Step=3或5快速筛选，锁定候选区间后用Step=1精细验证。

Pixel Size（像素大小）

这里指的是影像的空间分辨率，即一个像素代表地面实际多大。比如高分二号影像全色波段是1米分辨率，就填1；Sentinel-2的10米波段就填10。这个参数对于结果的可解释性很重要，因为同样的尺度参数在不同分辨率影像上对应的实际地物大小是不同的。

Shape Weight（形状权重）和 Compactness Weight（紧致度权重）

这两个参数和易康标准分割算法中的参数含义一致。在ESP2中，它们决定了分割过程中“光谱异质性”与“形状异质性”的平衡关系。如果某景影像光谱信息丰富（如多光谱遥感影像），形状权重建议设置为0.1~0.3；如果影像光谱信息单一（如全色影像、SAR影像），形状权重可以适当提高。

需要注意：ESP2不会自动帮你优化这两个权重，它是在你给定的权重组合下，评估不同尺度参数的分割质量。换句话说，不同权重组合会导致ESP2输出的“最佳尺度”可能不同。如果你不确定怎么选，先用默认值（Shape=0.1，Compactness=0.5）跑一遍，后续再对比其他权重组合的结果。

Output File（输出文件路径）

ESP2运行结束后会生成一个文本文件（.txt格式），记录每个尺度参数对应的LV值、ROC值等关键数据。这个文件非常重要，你一定要指定一个方便查找的路径，因为后续结果判读和图表制作都需要用到它。

4.3 一个可以直接照抄的基础参数组合

为了让第一次接触的同学能顺利跑通，我这里给出一套经过多景影像测试的基础参数组合：

Input Image Layer：选择参与分割的影像层（一般选择包含信息量最大的波段，或多光谱合成层） Scale Start：1 Scale End：50 Scale Step：1 Pixel Size：根据实际影像分辨率填写 Shape Weight：0.1 Compactness Weight：0.5 Output File：D:\ESP2_Result\result_scale.txt

这套参数对于1米左右分辨率的城市影像来说，基本能覆盖建筑、道路、植被等常见地物的最佳分割尺度区间。跑通之后，再根据实际结果调整。

5. 运行与结果判读：从数据表到分割尺度决策

5.1 运行ESP2的完整过程

参数设置完成后，点击运行（Execute或Run），ESP2会开始依次执行：

1. 对当前影像执行多尺度的分割操作（每一次分割都使用当前候选尺度参数）。
2. 对每个分割结果计算各波段的对象内方差，汇总得到该尺度下的LV值。
3. 计算相邻尺度的ROC变化率。
4. 将结果写入输出文本文件中。

这个过程的耗时取决于影像大小、范围跨度、步长和计算机性能。一景标准的城市高分影像（5000×5000像素左右），Scale 1~80、Step=1的情况下，我一般在几分钟到十几分钟内能跑完。如果数据量非常大，建议先裁剪一个代表性区域测试，不用整景跑。

5.2 输出文件怎么读

运行结束后，打开输出文本文件，你会看到类似这样的内容：

Scale LV ROC 1 125.36 0 2 132.51 0.057 3 145.28 0.096 4 149.65 0.030 5 172.34 0.151 6 178.42 0.035 7 196.87 0.103 ...

每一行对应一个尺度参数下的分割结果。LV值越低，表示该尺度下对象内部越均质；ROC值越高，表示该尺度相较于前一个尺度的分割结果发生了越剧烈的变化。

判断候选尺度的核心逻辑：

• 找出ROC值明显高于相邻值的那些点，记为候选尺度。
• 结合你的目标地物类型，判断这些尺度对应的对象大小是否符合预期。
• 如果你做的是多尺度分割，可以选出2~3个不同层级的候选尺度，分别对应不同尺度的地物。

5.3 用图表把趋势可视化

虽然文本文件里的数据已经足够判断，但如果你要写论文或者做项目汇报，最好还是把LV和ROC曲线画出来。用Excel或Python（matplotlib）都可以，x轴是Scale，y轴是LV和ROC（可以双Y轴）。图表的可读性会远高于看数字。

我习惯用Python脚本快速绘制：

import matplotlib.pyplot as plt import pandas as pd df = pd.read_csv("result_scale.txt", sep="\t") fig, ax1 = plt.subplots(figsize=(10, 5)) ax1.plot(df["Scale"], df["LV"], "b-o", label="LV") ax1.set_xlabel("Scale Parameter") ax1.set_ylabel("Local Variance", color="b") ax1.tick_params(axis="y", labelcolor="b") ax2 = ax1.twinx() ax2.plot(df["Scale"], df["ROC"], "r--s", label="ROC") ax2.set_ylabel("Rate of Change", color="r") ax2.tick_params(axis="y", labelcolor="r") plt.title("ESP2 - LV and ROC Curves") plt.grid(True, linestyle="--", alpha=0.5) plt.show()

从图上你会很直观地看到：LV整体上随尺度增大而上升，但中间会出现明显的台阶式跃升；ROC曲线上则会出现若干个尖峰。这些尖峰对应的尺度就是你要重点关注的候选分割尺度。

5.4 从候选尺度到最终决策：一个真实案例

举一个我做过的城市建筑物提取案例。影像为1米分辨率的高分影像，目标地物是建筑物。ESP2运行结果中，ROC峰值出现在Scale=14和Scale=32两个位置。

此时怎么选？我分别用14和32做了两次分割，对比结果：

• Scale=14：建筑物轮廓比较完整，但少数大型建筑物被拆分成了2~3个对象；道路与人行道的边界清晰。
• Scale=32：大型建筑物完整，但小型建筑物和道路发生了明显合并，道路的连续性被破坏，树冠和建筑阴影也容易混淆。

最终我选择Scale=18作为一个折中方案——虽然不是ROC峰值点，但在我的数据上分割结果最符合建筑物提取需求。这说明什么？说明ESP2给出的是“候选区间”而绝不是“唯一答案”，最终选择一定要结合你的应用场景和地物特征来定。

6. ESP2使用中常见的坑与排除心得

6.1 全色影像和多光谱影像的结果差异

这是我遇到最早的一个坑。第一次用ESP2，我用的是多光谱影像的全波段组合，结果LV值很大，ROC曲线峰值也不明显。后来换成只选信息量最丰富的近红外波段参与ESP2分割评估，结果立刻清晰了很多。

原因是：多光谱波段之间的方差差异会拉高整体LV值，导致ROC变化率被“稀释”。ESP2建议输入的信息层越“干净”越好，不是波段越多越好。如果你用的是多光谱影像，可以在ESP2参数里只选择2~3个信息量最大的波段，甚至是单波段参与运算。

6.2 大范围影像不要一次跑完全图

ESP2的计算量不小，大影像全图跑非常慢，而且有些版本的插件在数据量过大时容易出现内存报错。我吃过这个亏：一景1.2亿像素的影像，直接整景跑ESP2，跑了快四十分钟还没完，最后软件直接崩了。

正确做法是：先切一个包含目标地物类型的代表性子区域（比如2万×2万像素），在这个子区上运行ESP2确定候选尺度，然后再用候选尺度去整景分割。子区的选择要有代表性——既包含你要提取的主要地物，也包含一些背景地物，这样评估结果才相对可靠。

6.3 ROC“假峰值”问题

又是一个实战中很容易误导新手的点。ROC曲线在某些尺度下会出现尖峰，但对应的分割结果其实并没有真正改变地物边界，只是由于影像噪声、阴影或传感器伪影导致的局部方差突变。

判读技巧：不要只盯单个峰值，看“峰值附近是否有连续多个尺度的高ROC值”，或者“峰值对应的LV曲线是否发生了台阶式跳变”。如果只是一个孤立的单点尖峰，而LV曲线没有明显台阶，那么这个峰值大概率是噪声引入的假峰值，可以直接忽略。

6.4 ESP2跑完没有任何输出文件

遇到过一种情况：ESP2显示运行完成，但输出文件路径下什么都没有。后来发现是输出文件夹不存在导致写入失败。解决办法很简单：提前手动创建输出文件夹，或者直接指定到一个已经存在的目录下。

还有一个原因是文件权限：如果eCognition没有写入指定目录的权限（比如尝试写入系统盘根目录），也会静默失败。建议输出路径设置到用户文档目录或者D盘某个已创建的专属文件夹。

6.5 结果不合理时，先检查影像预处理

如果ESP2输出的ROC曲线几乎是一条直线，没有任何明显峰值，或者峰值极其密集且无规律，大概率不是插件问题，而是影像预处理的问题。

• 检查是否做过大气校正和辐射定标：不同波段、不同时相的辐射差异会直接影响对象内部方差。
• 检查是否有多传感器数据混合：如果影像是由多景不同传感器影像镶嵌而成，每个区域的光谱特征不一致，ESP2的计算结果会变得混乱。
• 检查是否做过必要的图像增强（如直方图匹配、匀色）：这些操作会影响影像的统计特征，导致ESP2结果与实际分割效果偏差较大。

7. 进阶实践：像元级预分割、多尺度层级与规则集联动

7.1 把ESP2的结果直接接进规则集

ESP2更适合作为“前期侦查工具”。在实际项目中，我是这样串联工作流的：

1. 先运行ESP2，确定候选尺度。
2. 根据候选尺度，在规则集中通过循环或分步分割算法，逐个尝试候选尺度。
3. 对比每个候选尺度下对象边界与实际地物边界的匹配程度，选出最终尺度。
4. 将这个最终尺度写进规则集，作为后续分类的基础。

有些同学问：能不能让ESP2集成到自动化流程里，自动选尺度并完成分割？理论上可以，但由于ESP2的判读本身就带有主观性和项目依赖性，我建议还是先人工判读确定尺度，再自动化后续流程更稳妥。

7.2 多尺度分割中的ESP2应用

在做多尺度分割（或多分辨率分割）项目时，ESP2的价值会更加凸显。你可以在不同目标层级上分别运行ESP2，为每一层级选择合适的分割尺度。

举个例子，一个城市土地利用分类项目：

• 第一层：提取大尺度地类（水体、农田、建成区、林地），ESP2给出的高ROC峰值尺度可能落在Scale=80~100附近。
• 第二层：在建成区内部细分（建筑、道路、绿地），聚焦到小范围后重新运行ESP2，候选尺度可能落在Scale=15~30附近。
• 第三层：在特定区域提取更精细的地物（如单栋建筑轮廓、树木单体），候选尺度可能进一步缩小到Scale=5~10。

每一层用不同的分割尺度，形成层级化对象网络，后续分类规则就可以在不同层级上分别提取特征，大幅提升分类精度。

7.3 结合影像分割质量评价指标验证ESP2结果

如果你觉得ESP2的结果还不够“放心”，可以把ESP2选出的尺度作为初始值，再用定量指标（如Roughness Index、SEaTH等）验证分割结果与真实地物边界的一致性。这样你就有一个客观的、可量化的评价依据，而不是单纯依赖图表峰值。

实操中，我最常用的验证方法：在影像上选取若干代表性样区，手动数字化这些样区内的真实地物边界，然后用分割结果与该边界做叠置分析，通过面积交并比（IoU）或边界匹配度来评价分割质量。这样能把ESP2的“主观候选”变成“数据验证后的确定性结论”，在写论文或者做技术报告时也更有说服力。

8. 写在最后：几个多年使用后的真心话

ESP2用了这么多年，我觉得最值得说的体会是：它不是一个“一键寻优”的黑盒子，而是一个“把分割尺度评价从拍脑袋变成结构化分析”的辅助工具。

它的价值不在于替你做决定，而在于帮你缩小搜索空间，让你在几十上百个可能的尺度中，快速锁定几个值得尝试的候选值，然后用更少的时间做更有价值的验证。

如果你正在做遥感影像面向对象分析，苦于分割尺度无从下手，我建议你从今天开始，就把ESP2跑起来。先从一个小范围的代表性子区开始，把参数面板里的各个选项理解透，把输出的文本文件和图表看明白，再逐步应用到你的全流程中。

踩过几次坑之后你会慢慢形成自己的直觉：看到ROC曲线上的峰值，大概能判断出这个尺度对应的是什么地物级别；遇到假峰值，也不慌不忙地结合LV曲线做进一步验证。到那时候，分割尺度就不再是玄学，而是你手中一个实实在在的、可控的参数。

最后分享一个我自己的小习惯：每次做完一个项目的ESP2评估，我都会把输出文件、最终选定的尺度参数以及对应的分割效果截图保存到同一个项目文件夹里。下次做类似影像项目时，先直接参考上一次的结果范围再微调，效率会高很多。技术文档再详细，也不如你自己积累的项目经验来得顺手。