Skip To Content

Classify

Mit der Image Analyst-Lizenz verfügbar.

Mit der Spatial Analyst-Lizenz verfügbar.

Classify an image

The Classify tool allows you to choose from either unsupervised or supervised classification techniques to classify pixels or objects in a raster dataset. To display the Classify tool, select the raster that is to be classified in the Contents pane, then on the Imagery tab, click the Classification Tools drop-down arrow.

For supervised classification, you need to provide a training samples file. You can create training samples using the Training Samples Manager in the Classification Tools drop-down list, or you can provide an existing training samples file. This can be either a shapefile or feature class that contains your training samples. The following field names are required in the training sample file:

  • classname— A text field indicating the name of the class category
  • classvalue— A long integer field containing the integer value for each class category

For object-based image analysis, you need to provide a segmented image. You can create a segmented image using the Segmentation tool in the Classification Tools drop-down list.

There are five Classifiers available to classify your data:

  • ISO Cluster—The ISO Cluster classifier performs an unsupervised classification. This classifier can process very large segmented images, whose attribute table can be large. Also, the tool can accept a segmented RGB raster from a third-party application. The tool works on standard Esri-supported raster files, as well as segmented raster datasets.
  • Maximum Likelihood—The maximum likelihood classifier is a traditional technique for image classification. It is based on two principles: the pixels in each class sample in the multidimensional space are normally distributed, and Bayes' theorem of decision making.
  • Random Trees—The random trees classifier is a powerful technique for image classification that is resistant to overfitting, and can work with segmented images and other ancillary raster datasets. For standard image inputs, the tool accepts multiband imagery with any bit depth, and it will perform the random trees classification on a pixel basis, based on the input training feature file.
  • Support Vector Machine (SVM)—The SVM classifier provides a powerful, supervised classification method that is able to process a segmented raster input or a standard image. It is less susceptible to noise, correlated bands, and an unbalanced number or size of training sites within each class. This is a classification method that is widely used among researchers.

ISO Cluster

Perform an unsupervised classification using ISO Cluster algorithm, which determines the characteristics of the natural groupings of cells in multidimensional attribute space.

Parameter nameDescription

Maximum Number of Classes

Maximum number of desired classes to group pixels or segments. This should be set based on the number of classes in your legend.

It is possible that you will get fewer classes than what you specified for this parameter. If you need more, increase this value and aggregate classes after the training process is complete.

Maximum Number of Iterations

The maximum number of iterations for the clustering process to run.

The recommended range is between 10 and 20 iterations. Increasing this value will linearly increase the processing time.

Maximum Number of Cluster Merges per Iteration

The maximum number of times that a cluster can be merged. Increasing the number of merges will reduce the number of classes that are created. A lower value will result in more classes.

Maximum Merge Distance

Increasing the distance will allow more clusters to merge, resulting in fewer classes. A lower value will result in more classes.

The distance is spectral in nature and is based on RGB color. For example, the distance between a pixel with an RGB value of 100, 100, 100 has a distance of 50 from a pixel with an RGB value of 100, 130, 120. Although you can set this to any value you wish, values from 0 to 5 tend to give the best results.

Minimum Samples Per Cluster

The minimum number of pixels or segments in a valid cluster or class.

The default value of 20 has shown to be effective in creating statistically significant classes. You can increase this number to have more robust classes; however, it may limit the overall number of classes that are created.

Skip Factor

Number of pixels to skip for a pixel image input. If a segmented image is an input, specify the number of segments to skip.

Segmentiertes Bild

Integrieren Sie optional ein segmentiertes Bild, um eine objektbasierte Klassifizierung durchzuführen.

Segmentattribute

Wenn Sie ein segmentiertes Bild verwenden, können Sie festlegen, welche Attribute aus dem segmentierten Bild verwendet werden sollen:

  • Durchschnittliche Chromatizität: Die durchschnittliche Chromatizität, segmentbezogen.
  • Digitaler Mittelwert: Der durchschnittliche Digitalnummernwert (DN), abgeleitet aus dem optionalen Pixelbild, segmentbezogen.
  • Standardabweichung: Die Standardabweichung, abgeleitet aus dem optionalen Pixelbild, segmentbezogen.
  • Pixelanzahl: Die Anzahl der im Segment enthaltenen Pixel, segmentbezogen.
  • Kompaktheit: Der Grad der Kompaktheit oder Kreisförmigkeit eines Segments, segmentbezogen. Die Werte liegen zwischen 0 und 1, wobei 1 einem Kreis entspricht.
  • Rechtwinkligkeit: Der Grad der Rechteckigkeit des Segments, segmentbezogen. Die Werte liegen zwischen 0 und 1, wobei 1 einem Rechteck entspricht.

Ausgabe-Klassifikations-Dataset

Wählen Sie den Namen und das Ausgabeverzeichnis für die klassifizierte Ausgabe aus.

Klassifizierte Ausgabe-Definitionsdatei

Dies ist eine JSON-Datei, die Attributinformationen, Statistiken, Hyperebenenvektoren und weitere für den Klassifikator erforderliche Daten enthält. Es wird eine Datei mit der Erweiterung .ecd erstellt.

Maximum Likelihood

Perform a maximum likelihood classification which is based on two principles: the pixels in each class sample in the multidimensional space are normally distributed, and Bayes' theorem of decision making.

Parameter nameDescription

Trainingsgebiete

Wählen Sie die Trainingsgebietdatei bzw. den Trainingsgebiet-Layer aus, der Ihre Training-Sites abgrenzt. Ihre Trainingsgebiete können entweder in Shapefiles oder in Feature-Classes enthalten sein.

Segmentiertes Bild

Integrieren Sie optional ein segmentiertes Bild, um eine objektbasierte Klassifizierung durchzuführen.

Segmentattribute

Wenn Sie ein segmentiertes Bild verwenden, können Sie festlegen, welche Attribute aus dem segmentierten Bild verwendet werden sollen:

  • Durchschnittliche Chromatizität: Die durchschnittliche Chromatizität, segmentbezogen.
  • Digitaler Mittelwert: Der durchschnittliche Digitalnummernwert (DN), abgeleitet aus dem optionalen Pixelbild, segmentbezogen.
  • Standardabweichung: Die Standardabweichung, abgeleitet aus dem optionalen Pixelbild, segmentbezogen.
  • Pixelanzahl: Die Anzahl der im Segment enthaltenen Pixel, segmentbezogen.
  • Kompaktheit: Der Grad der Kompaktheit oder Kreisförmigkeit eines Segments, segmentbezogen. Die Werte liegen zwischen 0 und 1, wobei 1 einem Kreis entspricht.
  • Rechtwinkligkeit: Der Grad der Rechteckigkeit des Segments, segmentbezogen. Die Werte liegen zwischen 0 und 1, wobei 1 einem Rechteck entspricht.

Ausgabe-Klassifikations-Dataset

Wählen Sie den Namen und das Ausgabeverzeichnis für die klassifizierte Ausgabe aus.

Klassifizierte Ausgabe-Definitionsdatei

Dies ist eine JSON-Datei, die Attributinformationen, Statistiken, Hyperebenenvektoren und weitere für den Klassifikator erforderliche Daten enthält. Es wird eine Datei mit der Erweiterung .ecd erstellt.

Random Trees

Perform a random trees classification which uses multiple decision trees that are trained using small variations of the same training data. When classifying a sample, the majority vote of these trained trees decides on the output class. This set of trees is less vulnerable to overfitting than a single tree.

Parameter nameDescription

Trainingsgebiete

Wählen Sie die Trainingsgebietdatei bzw. den Trainingsgebiet-Layer aus, der Ihre Training-Sites abgrenzt. Ihre Trainingsgebiete können entweder in Shapefiles oder in Feature-Classes enthalten sein.

Maximum Number of Trees

The maximum number of trees in the forest. Increasing the number of trees will lead to higher accuracy rates, although this improvement will level off eventually. The number of trees increases the processing time linearly.

Maximum Tree Depth

The maximum depth of each tree in the forest. Depth is another way of saying the number of rules each tree is allowed to create to come to a decision. Trees will not grow any deeper than this setting.

Maximale Anzahl der Beispiele pro Klasse

Die maximale Anzahl von Beispielen, die zum Definieren der jeweiligen Klasse verwendet wird.

The default value of 1000 is recommended when the inputs are nonsegmented rasters.

Ein Wert kleiner oder gleich 0 bedeutet, dass zum Trainieren des Klassifikators alle in den Training-Sites enthaltenen Beispiele verwendet werden.

Segmentiertes Bild

Integrieren Sie optional ein segmentiertes Bild, um eine objektbasierte Klassifizierung durchzuführen.

Segmentattribute

Wenn Sie ein segmentiertes Bild verwenden, können Sie festlegen, welche Attribute aus dem segmentierten Bild verwendet werden sollen:

  • Durchschnittliche Chromatizität: Die durchschnittliche Chromatizität, segmentbezogen.
  • Digitaler Mittelwert: Der durchschnittliche Digitalnummernwert (DN), abgeleitet aus dem optionalen Pixelbild, segmentbezogen.
  • Standardabweichung: Die Standardabweichung, abgeleitet aus dem optionalen Pixelbild, segmentbezogen.
  • Pixelanzahl: Die Anzahl der im Segment enthaltenen Pixel, segmentbezogen.
  • Kompaktheit: Der Grad der Kompaktheit oder Kreisförmigkeit eines Segments, segmentbezogen. Die Werte liegen zwischen 0 und 1, wobei 1 einem Kreis entspricht.
  • Rechtwinkligkeit: Der Grad der Rechteckigkeit des Segments, segmentbezogen. Die Werte liegen zwischen 0 und 1, wobei 1 einem Rechteck entspricht.

Ausgabe-Klassifikations-Dataset

Wählen Sie den Namen und das Ausgabeverzeichnis für die klassifizierte Ausgabe aus.

Klassifizierte Ausgabe-Definitionsdatei

Dies ist eine JSON-Datei, die Attributinformationen, Statistiken, Hyperebenenvektoren und weitere für den Klassifikator erforderliche Daten enthält. Es wird eine Datei mit der Erweiterung .ecd erstellt.

Support Vector Machine

Perform a support vector machine classification which maps your input data vectors into a higher dimensional feature space to optimally separate the data into the different classes. Support vector machines can process very large images, and is less susceptible to noise, correlated bands, or an unbalanced number or size of training sites within each class.

Parameter nameDescription

Trainingsgebiete

Wählen Sie die Trainingsgebietdatei bzw. den Trainingsgebiet-Layer aus, der Ihre Training-Sites abgrenzt. Ihre Trainingsgebiete können entweder in Shapefiles oder in Feature-Classes enthalten sein.

Maximale Anzahl der Beispiele pro Klasse

Die maximale Anzahl von Beispielen, die zum Definieren der jeweiligen Klasse verwendet wird.

The default value of 500 is recommended when the inputs are nonsegmented rasters.

Ein Wert kleiner oder gleich 0 bedeutet, dass zum Trainieren des Klassifikators alle in den Training-Sites enthaltenen Beispiele verwendet werden.

Segmentiertes Bild

Integrieren Sie optional ein segmentiertes Bild, um eine objektbasierte Klassifizierung durchzuführen.

Segmentattribute

Wenn Sie ein segmentiertes Bild verwenden, können Sie festlegen, welche Attribute aus dem segmentierten Bild verwendet werden sollen:

  • Durchschnittliche Chromatizität: Die durchschnittliche Chromatizität, segmentbezogen.
  • Digitaler Mittelwert: Der durchschnittliche Digitalnummernwert (DN), abgeleitet aus dem optionalen Pixelbild, segmentbezogen.
  • Standardabweichung: Die Standardabweichung, abgeleitet aus dem optionalen Pixelbild, segmentbezogen.
  • Pixelanzahl: Die Anzahl der im Segment enthaltenen Pixel, segmentbezogen.
  • Kompaktheit: Der Grad der Kompaktheit oder Kreisförmigkeit eines Segments, segmentbezogen. Die Werte liegen zwischen 0 und 1, wobei 1 einem Kreis entspricht.
  • Rechtwinkligkeit: Der Grad der Rechteckigkeit des Segments, segmentbezogen. Die Werte liegen zwischen 0 und 1, wobei 1 einem Rechteck entspricht.

Ausgabe-Klassifikations-Dataset

Wählen Sie den Namen und das Ausgabeverzeichnis für die klassifizierte Ausgabe aus.

Klassifizierte Ausgabe-Definitionsdatei

Dies ist eine JSON-Datei, die Attributinformationen, Statistiken, Hyperebenenvektoren und weitere für den Klassifikator erforderliche Daten enthält. Es wird eine Datei mit der Erweiterung .ecd erstellt.

Verwandte Themen