Classify

Disponible con licencia de Image Analyst.

Disponible con una licencia de Spatial Analyst.

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 four 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 can 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 the ISO Cluster algorithm, which determines the characteristics of the natural groupings of cells in a multidimensional attribute space.

Parameter name	Description
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, 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.
Imagen segmentada	Si lo desea, incorpore una imagen segmentada para realizar la clasificación basada en objetos.
Atributos de segmento	Cuando use una imagen segmentada, podrá elegir los atributos de la imagen segmentada que se deben utilizar: Color de cromaticidad promedio: el color de cromaticidad medio por segmento. Número de dígito medio: el número digital (DN) medio, derivado de la imagen de píxeles opcional, por segmento. Desviación estándar: la desviación estándar, derivada de la imagen de píxeles opcional, por segmento. Recuento de píxeles: el número de píxeles que forman el segmento por segmento. Compactación: el grado de compactación o circularidad de un segmento por segmento. Los valores van de 0 a 1, donde 1 corresponde a un círculo. Rectangularidad: el grado de rectangularidad del segmento por segmento. Los valores van de 0 a 1, donde 1 corresponde a un rectángulo.
Dataset clasificado de salida	Elija el nombre y la ubicación de salida para la salida clasificada.
Archivo de definición clasificado de salida	Se trata de un archivo JSON que contiene información de atributos, estadísticas, vectores de hiperplano y otra información necesaria para el clasificador. Se crea un archivo con la extensión .ecd.

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 name	Description
Muestras de formación	Seleccione el archivo de muestra de formación o la capa que delinea los sitios de formación. Estos pueden ser shapefiles o clases de entidad que contengan las muestras de formación.
Imagen segmentada	Si lo desea, incorpore una imagen segmentada para realizar la clasificación basada en objetos.
Atributos de segmento	Cuando use una imagen segmentada, podrá elegir los atributos de la imagen segmentada que se deben utilizar: Color de cromaticidad promedio: el color de cromaticidad medio por segmento. Número de dígito medio: el número digital (DN) medio, derivado de la imagen de píxeles opcional, por segmento. Desviación estándar: la desviación estándar, derivada de la imagen de píxeles opcional, por segmento. Recuento de píxeles: el número de píxeles que forman el segmento por segmento. Compactación: el grado de compactación o circularidad de un segmento por segmento. Los valores van de 0 a 1, donde 1 corresponde a un círculo. Rectangularidad: el grado de rectangularidad del segmento por segmento. Los valores van de 0 a 1, donde 1 corresponde a un rectángulo.
Dataset clasificado de salida	Elija el nombre y la ubicación de salida para la salida clasificada.
Archivo de definición clasificado de salida	Se trata de un archivo JSON que contiene información de atributos, estadísticas, vectores de hiperplano y otra información necesaria para el clasificador. Se crea un archivo con la extensión .ecd.

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 name	Description
Muestras de formación	Seleccione el archivo de muestra de formación o la capa que delinea los sitios de formación. Estos pueden ser shapefiles o clases de entidad que contengan las muestras de formación.
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.
Número máximo de muestras por clase	El número máximo de muestras que se van a utilizar para definir cada clase. The default value of 1000 is recommended when the inputs are nonsegmented rasters. Un valor igual o menor que 0 significa que el sistema siempre utilizará todas las muestras de los sitios de formación para preparar el clasificador.
Imagen segmentada	Si lo desea, incorpore una imagen segmentada para realizar la clasificación basada en objetos.
Atributos de segmento	Cuando use una imagen segmentada, podrá elegir los atributos de la imagen segmentada que se deben utilizar: Color de cromaticidad promedio: el color de cromaticidad medio por segmento. Número de dígito medio: el número digital (DN) medio, derivado de la imagen de píxeles opcional, por segmento. Desviación estándar: la desviación estándar, derivada de la imagen de píxeles opcional, por segmento. Recuento de píxeles: el número de píxeles que forman el segmento por segmento. Compactación: el grado de compactación o circularidad de un segmento por segmento. Los valores van de 0 a 1, donde 1 corresponde a un círculo. Rectangularidad: el grado de rectangularidad del segmento por segmento. Los valores van de 0 a 1, donde 1 corresponde a un rectángulo.
Dataset clasificado de salida	Elija el nombre y la ubicación de salida para la salida clasificada.
Archivo de definición clasificado de salida	Se trata de un archivo JSON que contiene información de atributos, estadísticas, vectores de hiperplano y otra información necesaria para el clasificador. Se crea un archivo con la extensión .ecd.

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 this classification is less susceptible to noise, correlated bands, or an unbalanced number or size of training sites within each class.

Parameter name	Description
Muestras de formación	Seleccione el archivo de muestra de formación o la capa que delinea los sitios de formación. Estos pueden ser shapefiles o clases de entidad que contengan las muestras de formación.
Número máximo de muestras por clase	El número máximo de muestras que se van a utilizar para definir cada clase. The default value of 500 is recommended when the inputs are nonsegmented rasters. Un valor igual o menor que 0 significa que el sistema siempre utilizará todas las muestras de los sitios de formación para preparar el clasificador.
Imagen segmentada	Si lo desea, incorpore una imagen segmentada para realizar la clasificación basada en objetos.
Atributos de segmento	Cuando use una imagen segmentada, podrá elegir los atributos de la imagen segmentada que se deben utilizar: Color de cromaticidad promedio: el color de cromaticidad medio por segmento. Número de dígito medio: el número digital (DN) medio, derivado de la imagen de píxeles opcional, por segmento. Desviación estándar: la desviación estándar, derivada de la imagen de píxeles opcional, por segmento. Recuento de píxeles: el número de píxeles que forman el segmento por segmento. Compactación: el grado de compactación o circularidad de un segmento por segmento. Los valores van de 0 a 1, donde 1 corresponde a un círculo. Rectangularidad: el grado de rectangularidad del segmento por segmento. Los valores van de 0 a 1, donde 1 corresponde a un rectángulo.
Dataset clasificado de salida	Elija el nombre y la ubicación de salida para la salida clasificada.
Archivo de definición clasificado de salida	Se trata de un archivo JSON que contiene información de atributos, estadísticas, vectores de hiperplano y otra información necesaria para el clasificador. Se crea un archivo con la extensión .ecd.