Bildklassifizierungsassistent

Mit der Image Analyst-Lizenz verfügbar.

Mit der Spatial Analyst-Lizenz verfügbar.

Bei der Bildklassifizierung handelt es sich um das Extrahieren von Informationsklassen, z. B. Bodenbedeckungskategorien, aus Multiband-Fernerkundungsbildern. Der Workflow umfasst mehrere Schritte, die in folgender Reihenfolge ausgeführt werden: Vorverarbeitung, Segmentierung, Auswahl des Trainingsgebiets, Training, Klassifizierung und Genauigkeitsbewertung. Jeder Schritt kann iterativ sein, und der Prozess erfordert fundierte Kenntnisse über Eingabebilddaten, Klassifizierungsschemas, Klassifizierungsmethoden, erwartete Ergebnisse und akzeptable Genauigkeit.

Klassifizierungsassistent

Der Klassifizierungsassistent leitet die Benutzer durch den gesamten Klassifizierungs-Workflow. Der Klassifizierungsassistent bietet einen geführten Workflow, der Empfehlungen und eine vereinfachte Benutzeroberfläche umfasst, sodass Sie die Bildklassifizierung durchführen können, ohne einen Schritt auszulassen. Erfahrene Benutzer können einzelne Werkzeuge verwenden, die in der Dropdown-Liste Klassifizierungswerkzeuge in der Gruppe Bildklassifizierung enthalten sind. Dies sind die gleichen Werkzeuge wie die Werkzeuge im Klassifizierungsassistenten.

Der Klassifizierungsassistent befindet sich in der Gruppe Klassifizierung auf der Registerkarte Bilddaten. Wählen Sie im Bereich Inhalt das zu klassifizierende Raster-Dataset aus, um die Registerkarte Bilddaten anzuzeigen, und vergewissern Sie sich, dass Sie in einer 2D-Karte arbeiten. Der Klassifizierungsassistent ist deaktiviert, wenn die aktive Karte eine 3D-Szene ist oder wenn das hervorgehobene Bild kein Multiband-Bild ist.

Konfigurieren

Klicken Sie auf der Registerkarte Bilddaten auf die Schaltfläche Klassifizierungsassistent , um den Assistenten zu öffnen und zu verankern. Der Name der ersten Seite lautet Konfigurieren. Hier richten Sie das Klassifizierungsprojekt ein. Die hier festgelegten Parameter bestimmen die Schritte und Funktionen, die auf den nachfolgenden Seiten des Assistenten verfügbar sind.

Klassifizierungsmethode

Es gibt zwei Optionen für die Methode, mit der Sie die Bilddaten klassifizieren.

Optionsname	Beschreibung
Unüberwacht	Das Ergebnis der Klassifizierung wird ohne Trainingsgebiete bestimmt. Pixel oder Segmente werden auf Grundlage des ISO-Cluster-Klassifikators statistisch einer Klasse zugewiesen. Pixel werden auf Grundlage von Spektraleigenschaften und räumlichen Eigenschaften in Klassen unterteilt. Sie geben die Anzahl der zu berechnenden Klassen an, und die Klassen werden identifiziert und nach Abschluss der Klassifizierung zusammengeführt.
Überwacht	Das Ergebnis der Klassifizierung hängt von den bereitgestellten Trainingsgebieten ab. Trainingsgebiete sind repräsentative Sites für alle Klassen, die im Bild klassifiziert werden sollen. Diese Sites werden als Point- oder Polygon-Feature-Class mit entsprechenden Klassennamen für jedes Feature gespeichert. Sie werden auf Grundlage der Kenntnisse des Benutzers zu den Quelldaten und erwarteten Ergebnissen erstellt oder ausgewählt. Alle anderen Pixel im Bild werden anhand der Eigenschaften der Trainingsgebiete klassifiziert. Dies ist die Standardoption.

Klassifizierungstyp

Für den Klassifizierungstyp der überwachten und unüberwachten Klassifizierung gibt es zwei Optionen.

Optionsname	Beschreibung
Pixel-basiert	Die Klassifizierung erfolgt per Pixel. Dabei bestimmen die Spektraleigenschaften des einzelnen Pixels die Klasse, der es zugewiesen wird. Bei der pixelbasierten Klassifizierung werden Eigenschaften der Nachbarpixel nicht berücksichtigt. Diese Methode gilt als die herkömmlichere Klassifizierungsmethode, und sie kann zu einem Speckling-Effekt im klassifizierten Bild führen.
Objektbasiert	Die Klassifizierung erfolgt für verortete Pixelnachbarschaften, die durch einen als Segmentierung bezeichneten Prozess in Gruppen zusammengefasst werden. Bei der Segmentierung werden Farb- und Formeigenschaften berücksichtigt, wenn Pixel in Objekten gruppiert werden. Die aus der Segmentierung resultierenden Objekte weisen eine größere Ähnlichkeit mit realen Features auf und erzeugen reinere Klassifizierungsergebnisse. Dies ist die Standardoption.

Klassifizierungsschema

Ein Klassifizierungsschema bestimmt die Anzahl und Typen der für die überwachte Klassifizierung zu verwendenden Klassen. Schemas können hierarchisch sein, sodass Klassen mit Unterklassen vorhanden sein können. Sie können z. B. die Klasse "Wald" mit Unterklassen für Nadelwald und Laubwald angeben. Ein Schema wird in einer Klassifizierungsschemadatei von Esri (.ecs) gespeichert, das JSON-Syntax verwendet. Zum Angeben des Klassifizierungsschemas stehen die folgenden Optionen zur Auswahl:

• Zu einem vorhandenen Schema navigieren.
• Generieren Sie ein Schema aus einer vorhandenen Feature-Class, die Trainingsgebiete darstellt. Wählen Sie diese Option aus, wenn Sie ein vorhandenes Trainingsgebiete-Dataset referenzieren möchten.
• Generieren Sie ein Schema aus einer vorhandenen Karte mit Raster-Klassen.
• Verwenden Sie ein Standardschema aus dem National Land Cover Dataset für Nordamerika. Wenn Sie ein benutzerdefiniertes Schema verwenden möchten, wählen Sie diese Option aus, und ändern Sie sie auf der Seite Trainingsgebiet-Manager.

Ausgabeverzeichnis

Dies ist der Workspace oder das Verzeichnis, in dem alle im Klassifizierungsassistenten erstellten Ausgaben gespeichert werden, darunter Trainingsdaten, segmentierte Bilder, benutzerdefinierte Schemas, Informationen zur Genauigkeitsbewertung und Klassifizierungsergebnisse.

Hinweis:

Alle mit dem Klassifizierungsassistenten erstellte Zwischendateien werden im temporären Benutzerverzeichnis gespeichert. Dieses lautet in der Regel C:\Windows\Temp, kann jedoch abhängig vom Betriebssystem und den Zugriffsberechtigungen ein anderes Verzeichnis sein.

Segmentiertes Bild

Diese Option ist nur verfügbar, wenn Sie Objektbasiert als Klassifizierungstyp ausgewählt haben. Falls Sie bereits ein segmentiertes Bild erstellt haben, können Sie das vorhandene Dataset referenzieren. Andernfalls erstellen Sie in einem Schritt auf der nächsten Seite ein segmentiertes Bild.

Hinweis:

Wenn das segmentierte Raster noch nicht erstellt wurde, wird es vor dem Trainieren des Klassifikators erstellt. Dies ist ein rechenintensiver Vorgang, und das Erstellen des segmentierten Raster-Datasets kann eine erhebliche Menge Zeit beanspruchen. Für große Datasets wird dringend empfohlen, das segmentierte Raster-Dataset im Voraus zu erstellen und es beim Konfigurieren des Klassifizierungsprojekts als Eingabe anzugeben.

Trainingsgebiete

Diese Option ist nur verfügbar, wenn Sie Überwacht als Klassifizierungsmethode ausgewählt haben. Sie können ein Trainingsgebiet mit dem Bereich Trainingsgebiet-Manager in der Dropdown-Liste Klassifizierungswerkzeuge erstellen oder eine vorhandene Datei mit Trainingsgebieten auswählen. Dabei kann es sich um ein Shapefile oder eine Feature-Class handeln, das bzw. die die Trainingsgebiete enthält. Das Shapefile bzw. die Feature-Class muss dem Klassifizierungsschema entsprechen. In der Trainingsgebiet-Datei werden die folgenden Feldnamen benötigt:

• classname: Ein Textfeld, das den Namen der Klassenkategorie angibt.
• classvalue: Ein "Long Integer"-Feld, das den ganzzahligen Wert für die einzelnen Klassenkategorien enthält.

Hinweis:

Trainingsgebiete, die in ArcGIS Desktop mit der Werkzeugleiste Bildklassifizierung erstellt wurden, werden unterstützt.

Referenz-Dataset

Wenn Sie die Genauigkeit der klassifizierten Ergebnisse bewerten möchten, müssen Sie ein Referenz-Dataset angeben. Referenzdaten bestehen aus Features mit einem bekannten Positions- und Klassenwert. Sie können mit einer Feldvermessung, einer vorhandenen Klassenkarte oder einem vorhandenen Raster-Flurstück oder anhand von Bilddaten mit höherer Auflösung erfasst werden. Die Ergebnisse der Bildklassifizierung werden mit den Referenzdaten verglichen, um die Genauigkeit zu bewerten. Die Klassen im Referenz-Dataset müssen mit dem Klassifizierungsschema übereinstimmen.

Referenzdaten können eines der folgenden Formate aufweisen:

• Ein Raster-Dataset, das ein klassifiziertes Bild ist.
• Eine Polygon-Feature-Class oder ein Shapefile. Das Format der Feature-Class-Attributtabelle muss mit den Trainingsgebieten übereinstimmen. Um dies sicherzustellen, können Sie das Referenz-Dataset mit dem Werkzeug Trainingsgebiet-Manager erstellen.
• Eine Punkt-Feature-Class oder ein Shapefile Das Format muss mit der Ausgabe des Werkzeugs Genauigkeitsbewertung erstellen übereinstimmen. Wenn Sie eine vorhandene Datei verwenden und in das entsprechende Format konvertieren möchten, verwenden Sie das Geoverarbeitungswerkzeug Punkte für Genauigkeitsbewertung erstellen.

Segmentierung

Diese Seite ist nur verfügbar, wenn Sie Objektbasiert als Klassifizierungstyp ausgewählt und auf der Seite Konfigurieren kein vorhandenes Segmentierungs-Raster-Dataset angegeben haben. Segmentierung ist eine wichtige Komponente des objektbasierten Klassifizierungs-Workflows. Bei diesem Vorgang werden benachbarte Pixel gruppiert, die eine ähnliche Farbe und bestimmte Shape-Eigenschaften aufweisen.

Es sind drei Parameter vorhanden, die steuern, wie die Bilddaten in Objekte segmentiert werden:

• Spektraldetail: Legt die Gewichtung der spektralen Unterschiede von Features in Ihren Bilddaten fest.

  Zulässig sind Werte im Bereich von 1.0 bis 20.0. Ein höherer Wert empfiehlt sich, wenn die Klassifizierung detaillierter sein soll, wobei Features mit ungefähr ähnlichen Spektraleigenschaften in unterschiedliche Klassen unterteilt werden sollen. Detailliertere spektrale Werte für eine Waldszene ermöglichen beispielsweise eine bessere Unterscheidung zwischen den verschiedenen Baumarten.

  Kleinere Werte resultieren in einer stärkeren Glättung der Bilddetails. Verwenden Sie z. B. einen geringeren Wert für Spektraldetail, wenn Sie Gebäudedächer klassifizieren möchten, ohne Details der Ausrüstung auf dem Dach zu berücksichtigen.

• Räumliches Detail: Legt die Gewichtung der Nähe zwischen Features in Ihren Bilddaten fest. Zulässig sind Werte im Bereich von 1 bis 20. Ein höherer Wert ist für eine Szene geeignet, in der die Features Ihres Interesses klein und zusammengefasst sind. Kleinere Werte erstellen räumlich glattere Ausgaben. In einer städtischen Szene können Sie beispielsweise versiegelte Oberflächen mit einem kleineren räumlichen Detailwert klassifizieren, oder Sie können Gebäude und Straßen als getrennte Klassen mit einem höheren Wert für Räumliches Detail klassifizieren.
• Minimale Segmentgröße in Pixel: Führt Segmente, die kleiner sind als diese Größe, mit dem am besten passenden Nachbarschaftssegment zusammen. Dieser Wert bezieht sich auf diese minimale Kartenerstellungseinheit Ihres Projekts.

Sie können die Option Nur Segmentgrenzen anzeigen verwenden, wenn Sie die Segmente als Polygone über den Bilddaten anzeigen möchten.

Verwenden Sie das Werkzeug Vergleichen in der Gruppe Effekte auf der Registerkarte Raster-Layer oder Mosaik-Layer, um das segmentierte Bild mit dem Quellbild zu vergleichen. Führen Sie die Segmentierung dynamisch erneut aus, indem Sie die Parameter ändern, und untersuchen Sie die Ergebnisse, indem Sie die Karte schwenken und zoomen. Wenn Sie mit dem segmentierten Bild zufrieden sind, klicken Sie auf Weiter.

Hinweis:

Die Vorschau basiert auf Rasterfunktionen, die derzeit angezeigte und einem Resampling für die Bildschirmauflösung unterzogene Pixel verarbeiten. Dies kann zu geringfügigen Unterschieden zwischen der Vorschau und dem tatsächlichen bestehenden Ergebnis für regionale Vorgänge führen.

Werkzeug "Trainingsgebiet-Manager"

Diese Seite ist nur verfügbar, wenn Sie Überwacht als Klassifizierungsmethode ausgewählt haben.

Auf der geöffneten Seite wird oben der Abschnitt für das Schemamanagement angezeigt, in dem das Schema, das Sie auf der Seite Konfigurieren ausgewählt haben, automatisch geladen ist. Hier können Sie neue Klassen erstellen oder vorhandene Klassen entfernen, um Ihr Schema anzupassen. Um eine neue übergeordnete Klasse auf höchster Ebene zu erstellen, wählen Sie das Schema aus, und klicken Sie auf die Schaltfläche Neue Klasse hinzufügen. Um eine Unterklasse zu erstellen, wählen Sie die übergeordnete Klasse aus, und klicken Sie auf Neue Klasse hinzufügen. Die Unterklasse wird in der übergeordneten Klasse organisiert. Klicken Sie mit der rechten Maustaste auf eine Klasse, um die Klasseneigenschaften zu bearbeiten.

Im unteren Abschnitt der Seite werden all Ihre Trainingsgebiete für jede Klasse angezeigt. Sie können repräsentative Sites oder Trainingsgebiete für jede Landbedeckungsklasse im Bild auswählen. Ein Trainingsgebiet verfügt über Positionsinformationen (Polygon) und die zugehörige Landnutzungsklasse. Der Bildklassifizierungsalgorithmus verwendet die als Feature-Class gespeicherten Trainingsgebiete, um die Landbedeckungsklasse im gesamten Bild zu identifizieren. Wenn Sie auf der Seite Konfigurieren ein Trainingsgebiete-Dataset angegeben haben, werden die Trainingsgebiete hier aufgelistet.

Sie können Trainingsgebiete anzeigen und verwalten, indem Sie diese hinzufügen, gruppieren oder entfernen. Sie können Trainingsgebiete einzeln entfernen oder sie gruppieren, indem Sie sie auswählen und auf die Schaltfläche Löschen klicken. Wenn Sie ein Trainingsgebiet auswählen, wird es auf der Karte markiert. Doppelklicken Sie auf ein Trainingsgebiet in der Tabelle, um in der Karte darauf zu zoomen.

Führen Sie zum Erstellen von Trainingsgebieten die folgenden Schritte aus:

1. Wählen Sie im Schema-Manager die Klasse aus, für die Sie Trainingsgebiete erfassen möchten.
2. Wählen Sie das Skizzenwerkzeug aus, oder verwenden Sie die Segmentauswahl, um mit der Erfassung Ihrer Trainingsgebiete zu beginnen.
   1. Um das Werkzeug Segmentauswahl verwenden zu können, muss sich das segmentierte Bild im Bereich Inhalt befinden. Wenn der Bereich Inhalt mehrere segmentierte Layer enthält, verwenden Sie das Dropdown-Liste, um den segmentierten Layer auszuwählen, dessen Trainingsgebiete Sie erfassen möchten.
   2. Klicken Sie auf die Karte, um das Segment als Trainingsgebiet hinzuzufügen.

   Im Trainingsgebiet-Manager werden die einzelnen Trainingsgebiete aufgelistet, die eine Klasse repräsentieren.

3. Sie können sie organisieren, indem Sie mehrere Trainingsgebiete auswählen und durch Klicken auf die Schaltfläche Ausblenden unter einer Klassenüberschrift zusammenfassen.

Hinweis:

In der Liste der Trainingsgebiete ist die Anzahl der Stichproben aufgeführt, die die jeweilige Klasse definieren. Wenn Sie die Trainingsgebiete mithilfe des Werkzeugs "Segmentauswahl" erfasst haben, ist die Anzahl der Stichproben die Anzahl der Segmente, die Sie zum Definieren der Klasse ausgewählt haben. Dies muss beachtet werden, wenn Sie einen statistischen Klassifikator, z. B. Maximum Likelihood, verwenden, da die Anzahl der Segmente die Gesamtzahl der Stichproben darstellt. Wenn z. B. acht Segmente als Trainingsgebiete für eine Klasse erfasst wurden, ist dies möglicherweise keine statistisch signifikante Anzahl von Stichproben für eine zuverlässige Klassifizierung. Wenn Sie jedoch dieselben Trainingsgebiete als Pixel erfasst haben, wird das Trainingsgebiet möglicherweise durch Hunderte oder Tausende von Pixeln dargestellt, und dies ist eine statistisch signifikante Anzahl von Stichproben.

In der Tabelle der Trainingsgebiete ist der Prozentsatz der Pixel aufgeführt, die eine Klasse darstellen, im Vergleich zur Gesamtzahl der Pixel, die alle Klassen darstellen. Diese Prozentzahl ist wichtig, wenn ein statistischer Klassifikator wie Maximum Likelihood verwendet wird. Die Anzahl und der Prozentsatz der Trainingsgebiete ist weniger wichtig, wenn die nichtparametrischen Machine-Learning-Klassifikatoren, z. B. Random Trees und Support Vector Machine, verwendet werden.

Trainieren

Verwenden Sie eine der in der folgenden Tabelle beschriebenen Klassifizierungsmethoden:

Klassifikator	Beschreibung
ISO-Cluster	Der ISO-Cluster-Klassifikator führt eine unüberwachte Klassifizierung mit der k-Means-Methode durch. Dieser Klassifikator kann große segmentierte Bilder verarbeiten, deren Attributtabelle sehr umfangreich werden kann. Außerdem akzeptiert das Werkzeug von Drittanwendungen segmentierte RGB-Raster. Das Werkzeug verarbeitet standardmäßige von Esri unterstützte Rasterdateien sowie segmentierte Raster-Datasets. Wenn Sie auf der Seite Konfigurieren die Eigenschaft Unüberwacht als Klassifizierungsmethode ausgewählt haben, ist dies der einzige verfügbare Klassifikator.
Nächster Nachbar (K)	Der Klassifikator "Nächste Nachbarn (K)" führt eine Klassifizierung der nächsten Nachbarn (K) durch, bei der ein Pixel nach der relativen Mehrheit der umliegenden Nachbarn klassifiziert wird. Beim Trainingsprozess werden den jeweiligen Klassen die Trainingsgebiete zugewiesen. K ist die definierte Anzahl der Nachbarn bei der Abstimmung.
Maximum Likelihood	Der Maximum-Likelihood-Klassifikator ist eine herkömmliche parametrische Methode zur Bildklassifizierung. Für zuverlässige Ergebnisse sollte jede Klasse durch eine statistisch signifikante Anzahl von Trainingsgebieten mit einer Normalverteilung repräsentiert werden, und die relative Anzahl der Trainingsgebiete, die die einzelnen Klassen darstellen, sollte ähnlich sein.
Random Trees	Der Random Trees-Klassifikator ist ein hochentwickeltes Machine-Learning-Verfahren, das gegen Überanpassung beständig ist und für segmentierte Bilder sowie andere Zusatz-Raster-Datasets und multispektrale Bilddaten eingesetzt werden kann. Für die Eingabe von Standardbildern akzeptiert das Werkzeug Multiband-Bilddaten mit beliebiger Bittiefe. Dabei erfolgt die Random Trees-Klassifizierung (manchmal als "Random Forest"-Klassifizierung bezeichnet) auf Grundlage der Eingabe-Trainingsgebietdatei. Wenn Sie objektbasierte Klassifizierung auswählen, können Sie eine beliebige Anzahl von Segmentattributen zum Trainieren des Klassifikators auswählen.
Support Vector Machine	Der Support Vector Machine-Klassifikator ist eine hochentwickelte Machine-Learning-Klassifizierungsmethode, mit der sich eine segmentierte Raster-Eingabe oder ein Standardbild verarbeiten lässt. Er ist weniger anfällig für Rauschen, korrelierte Bänder oder eine unausgewogene Anzahl oder Größe von Training-Sites in der jeweiligen Klasse. Als Kernel werden nicht lineare radiale Basisfunktionen (RBF) unter Verwendung eines 2D-Gitternetzes mit optimalen Parameterpaaren (C, Gamma) verwendet. Wenn Sie objektbasierte Klassifizierung auswählen, können Sie eine beliebige Anzahl von Segmentattributen zum Trainieren des Klassifikators auswählen.

Wenn Sie auf Ausführen klicken, wird der Klassifikator trainiert.

Wenn die Ausführung abgeschlossen ist, können Sie mit dem Werkzeug Vergleichen auf der Registerkarte Raster-Layer oder Mosaik-Layer die Ergebnisse visuell anhand des Quellbildes überprüfen. Sie können die Ergebnisse durch Verwendung unterschiedlicher Einstellungen oder unterschiedlicher Klassifikatoren vergleichen, indem Sie auf Zurück klicken und die Einstellungen anpassen oder einen anderen auszuführenden Klassifikator auswählen. Sie können die unterschiedlichen Klassifizierungsergebnisse vergleichen, indem Sie das Werkzeug Vergleichen verwenden oder im Bereich Inhalt Layer durch Klicken aktivieren und deaktivieren. Wenn Sie mit den Klassifizierungsergebnissen zufrieden sind, klicken Sie auf Weiter.

Klassifizieren

Klicken Sie auf Ausführen, um die Ergebnisse der Klassifizierung im angegebenen Ausgabeverzeichnis oder in der angegebenen Projektdatenbank zu speichern. Optional können Sie die Definitionsdatei für Ausgabe-Klasse (.ecd) speichern.

Zuweisen von Klassen

Diese Seite wird nur angezeigt, wenn Sie Unüberwacht als Klassifizierungsmethode ausgewählt haben. Abhängig von der Anzahl der Klassen, die Sie angegeben haben, wird eine Reihe von Klassen unter Verwendung der Pixel- oder Segmenteigenschaften der Quellbilddaten erstellt. Jetzt müssen Sie jede Klasse auf Grundlage des verwendeten Klassifizierungsschemas mit Bedeutung versehen. Im oberen Bereich der Seite Klassen zuweisen wird die Liste der Klassen in Ihrem Schema angezeigt, und im unteren Bereich wird eine Tabelle der generierten Klassen angezeigt.

1. Wählen Sie aus der Schemaliste im oberen Bereich der Seite eine Klasse aus.
2. Verwenden Sie das Werkzeug Zuweisen, und wählen Sie in der Klassifikationskarte die Klassen aus, die der Schemaklasse zugewiesen werden sollen. Wenn Sie Klassen zuweisen, prüfen Sie anhand der zugrunde liegenden Bilddaten, ob die neue Klasse sinnvoll ist. Drücken Sie die Taste L, um die Transparenz des klassifizierten Bildes zu ändern. Überprüfen Sie die Tabelle, und bestätigen Sie, dass der Wert Alte Klasse mit der Klasse aktualisiert wurde, die Sie zugewiesen haben. Die Klassenfarbe wird dem Schema entsprechend aktualisiert.

   Wenn Sie die Klassifikationskarte im Bereich Inhalt deaktivieren, sodass das Quellbild angezeigt wird, können Sie auf Features, z. B. graue Dächer oder Rasenflächen, in den Bilddaten klicken. Hierdurch werden die entsprechenden Klassen in der Klassifikationskarte erneut zugewiesen.

Zusammenführen von Klassen

Nachdem Sie eine überwachte Klassifizierung durchgeführt haben, können Sie mehrere Klassen zu allgemeineren Klassen zusammenführen. Die Namen der ursprünglichen Klassen werden in der Spalte Alte Klasse der Seite Klassen zusammenführen aufgeführt. Wenn Sie eine vollständige Klasse ändern möchten, kann dies hier erfolgen, Sie sind jedoch auf die übergeordneten Klassen Ihres Schemas beschränkt. Auf dieser Seite können Sie beispielsweise "Laubbäume" in "Wald", jedoch nicht "Laubbäume" in "Wasser" ändern. Um diese Art von Änderungen durchzuführen oder einzelne Features zu ändern, verwenden Sie die Seite Reklassifikator.

Genauigkeitsbewertung

Zum Bewerten der Genauigkeit werden die Ergebnisse der Bildklassifizierung mit den Referenzdaten verglichen, die Sie auf der Seite Konfigurieren angegeben haben. Das Klassifizierungsschema des Referenz-Datasets muss mit dem Klassifizierungsschema des klassifizierten Bildes übereinstimmen.

Anzahl der zufälligen Punkte

Die Gesamtzahl der zufälligen Punkte, die generiert werden.

Die tatsächliche Anzahl kann je nach Referenzdatenstrategie und Anzahl der Klassen höher, jedoch niemals niedriger sein als diese Zahl. Die Standardanzahl der zu erstellenden zufälligen Punkte ist 500.

Referenzdatenstrategie

Geben Sie an, welches Referenzpunktschema verwendet werden soll.

• Stratifizierte Zufallsstichprobe: Erstellen Sie Punkte, die in jeder Klasse zufällig verteilt sind, wobei jede Klasse über eine Anzahl von Punkten proportional zum relativen Bereich verfügt. Dies ist die Standardeinstellung.
• Abgeglichene stratifizierte Zufallsstichprobe: Erstellen Sie die zufällig verteilten Punkte in jeder Klasse, wobei jede Klasse über dieselbe Anzahl von Punkten verfügt.
• Zufallsprinzip: Erstellen Sie Punkte, die im gesamten Bild zufällig verteilt sind.

Analysieren der Diagonale

Die Genauigkeit wird von 0 bis 1 dargestellt, wobei 1 einer Genauigkeit von 100 Prozent entspricht. Die Farbpalette reicht von Hell- bis Dunkelblau, wobei ein dunkleres Blau eine höhere Genauigkeit darstellt. Die Werte auf der Diagonalen stellen die Gesamtgenauigkeit der Klassenzuweisung dar.

Analysieren jenseits der Diagonale

Im Gegensatz zur Diagonalen zeigen die Zellen jenseits der Diagonalen Fehler basierend auf Commissions und Omissions an. Omission-Fehler bezeichnen Pixel oder Segmente, die in der korrekten Klasse im klassifizierten Bild fehlen, sodass in der Klassifizierung die richtige Klasse ausgelassen oder verringert wurde. Commission-Fehler bezeichnen die falsche Zuweisung von Pixeln zu einer Klasse, sodass die Größe der Klasse fälschlicherweise erhöht wird. Ein Omission-Fehler in einer Klasse zählt als Commission-Fehler in einer anderen Klasse.

Wenn Sie die Werte der Fehlermatrix überprüfen möchten, laden und öffnen Sie die im Projekt- oder Ausgabeordner gespeicherte Ausgabe-Konfusionsmatrix. In diesem Fehlerbericht im .dbf-Format werden die Nutzerfehler und Produzentenfehler für jede Klasse aufgeführt. Er enthält zudem die statistische Kappa-Übereinstimmung für die Gesamtgenauigkeit.

Nachdem Sie bestimmt haben, dass die Genauigkeit der Bildklassifizierung für Ihre Zwecke ausreicht, können Sie zur letzten Seite des Klassifizierungsassistenten wechseln. Wenn die Genauigkeit nicht ausreicht, können Sie die Trainingsgebiete neu erstellen, die Parameter anpassen, eine andere Klassifizierung verwenden oder zum Testen andere Referenzdaten verwenden.

Reklassifikator

Nachdem Sie ein Bild klassifiziert haben, treten möglicherweise kleine Fehler im Klassifizierungsergebnis auf. Um diese Fehler zu beheben, ist es häufig einfacher, das endgültige klassifizierte Bild zu bearbeiten, anstatt Training-Sites neu zu erstellen und jeden Schritt der Klassifizierung erneut auszuführen. Auf der Seite Reklassifikator können Sie Änderungen an einzelnen Features oder Objekten im klassifizierten Bild vornehmen. Dies ist ein Nachbearbeitungsschritt zur Berücksichtigung von Fehlern im Klassifizierungsprozess. Alle von Ihnen vorgenommenen Änderungen werden in der Änderungsprotokoll-Datei angezeigt, und Sie können jede von Ihnen durchgeführte Änderung aktivieren oder deaktivieren. Wenn Sie das Bild zur Korrektur von Fehlern reklassifizieren, überprüfen Sie anhand der zugrunde liegenden Bilddaten, ob die Objekte sinnvoll sind. Drücken Sie die Taste L, um die Transparenz des klassifizierten Bildes zu ändern.

1. Wählen Sie für Aktuelle Klasse und Neue Klasse Klassen für die Reklassifizierung aus.
2. Reklassifizieren Sie ein Objekt oder eine Klasse in einer Region.
   • Verwenden Sie das Werkzeug Objekt reklassifizieren , um einen Kreis um das klassifizierte Bild aufzuziehen. Das Segment, aus dem der Kreis stammt, wird in die neue Klasse geändert.
   • Verwenden Sie das Werkzeug In einer Region reklassifizieren , um ein Polygon auf dem klassifizierten Bild darzustellen. Die aktuelle Klasse in diesem Polygon wird in die neue Klasse geändert.
3. Überprüfen Sie im Änderungsprotokoll die Änderungen, die Sie beibehalten oder verwerfen möchten, und benennen Sie das Endgültige klassifizierte Dataset, das im auf der Seite Konfigurieren festgelegten Ausgabeverzeichnis gespeichert wird.