Disponible avec une licence Image Analyst.
Disponible avec une licence 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. |
Image segmentée | Vous pouvez également incorporer une image segmentée pour effectuer une classification basée sur des objets. |
Attributs de segments | Lorsque vous utilisez une image segmentée, vous pouvez choisir les attributs de l'image segmentée à utiliser :
|
Jeu de données classé en sortie | Choisissez le nom et l'emplacement en sortie de votre sortie classée. |
Fichier de définition de classificateur en sortie | Fichier JSON qui contient des informations sur des attributs, des statistiques, des vecteurs d'hyperplan et d'autres informations nécessaires pour le classificateur. Un fichier portant l'extension .ecd est créé. |
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 |
|---|---|
Echantillons d'apprentissage | Sélectionnez le fichier d'échantillon d'apprentissage ou la couche qui délimite vos sites d'apprentissage. Il peut s'agir de fichiers de formes ou de classes d'entités contenant vos échantillons d'apprentissage. |
Image segmentée | Vous pouvez également incorporer une image segmentée pour effectuer une classification basée sur des objets. |
Attributs de segments | Lorsque vous utilisez une image segmentée, vous pouvez choisir les attributs de l'image segmentée à utiliser :
|
Jeu de données classé en sortie | Choisissez le nom et l'emplacement en sortie de votre sortie classée. |
Fichier de définition de classificateur en sortie | Fichier JSON qui contient des informations sur des attributs, des statistiques, des vecteurs d'hyperplan et d'autres informations nécessaires pour le classificateur. Un fichier portant l'extension .ecd est créé. |
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 |
|---|---|
Echantillons d'apprentissage | Sélectionnez le fichier d'échantillon d'apprentissage ou la couche qui délimite vos sites d'apprentissage. Il peut s'agir de fichiers de formes ou de classes d'entités contenant vos échantillons d'apprentissage. |
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. |
Nombre maximum d'échantillons par classe | Nombre maximal d'échantillons à utiliser pour définir chaque classe. The default value of 1000 is recommended when the inputs are nonsegmented rasters. Lorsque la valeur est inférieure ou égale à 0, le système utilise tous les échantillons des sites d'apprentissage pour préparer le classificateur. |
Image segmentée | Vous pouvez également incorporer une image segmentée pour effectuer une classification basée sur des objets. |
Attributs de segments | Lorsque vous utilisez une image segmentée, vous pouvez choisir les attributs de l'image segmentée à utiliser :
|
Jeu de données classé en sortie | Choisissez le nom et l'emplacement en sortie de votre sortie classée. |
Fichier de définition de classificateur en sortie | Fichier JSON qui contient des informations sur des attributs, des statistiques, des vecteurs d'hyperplan et d'autres informations nécessaires pour le classificateur. Un fichier portant l'extension .ecd est créé. |
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 |
|---|---|
Echantillons d'apprentissage | Sélectionnez le fichier d'échantillon d'apprentissage ou la couche qui délimite vos sites d'apprentissage. Il peut s'agir de fichiers de formes ou de classes d'entités contenant vos échantillons d'apprentissage. |
Nombre maximum d'échantillons par classe | Nombre maximal d'échantillons à utiliser pour définir chaque classe. The default value of 500 is recommended when the inputs are nonsegmented rasters. Lorsque la valeur est inférieure ou égale à 0, le système utilise tous les échantillons des sites d'apprentissage pour préparer le classificateur. |
Image segmentée | Vous pouvez également incorporer une image segmentée pour effectuer une classification basée sur des objets. |
Attributs de segments | Lorsque vous utilisez une image segmentée, vous pouvez choisir les attributs de l'image segmentée à utiliser :
|
Jeu de données classé en sortie | Choisissez le nom et l'emplacement en sortie de votre sortie classée. |
Fichier de définition de classificateur en sortie | Fichier JSON qui contient des informations sur des attributs, des statistiques, des vecteurs d'hyperplan et d'autres informations nécessaires pour le classificateur. Un fichier portant l'extension .ecd est créé. |
Rubriques connexes
- Fonction Classifier
- Classer le raster
- Préparer le classificateur d’agrégats ISO
- Préparer le classificateur de vraisemblance maximale
- Préparer le classificateur d'arbres aléatoires
- Préparer le classificateur de machines à vecteurs de support
- Générer des échantillons d'apprentissage à partir de points d'origine
- Inspecter les échantillons d'apprentissage
- Fonction Segment Mean Shift (Décalage moyen de segment)
- Fonction de classification ML
- Présentation de la segmentation et de la classification
- Train Random Trees Regression Model
- Predict Using Regression Model
Vous avez un commentaire à formuler concernant cette rubrique ?