Disponible avec une licence Image Analyst.
Disponible avec une licence Spatial Analyst.
Classer une image
L’outil Classer permet de choisir entre des techniques de classification non supervisées et supervisées (non assistées et assistées), pour classer des pixels ou des objets dans un jeu de données raster. Pour afficher l’outil Classer, sélectionnez le raster à classer dans la fenêtre Contents (Contenu) puis, dans l’onglet Imagery (Imagerie), cliquez sur la flèche déroulante Classification Tools (Outils de classification).
Pour effectuer une classification assistée, vous devez fournir un fichier d’échantillons d’entraînement. Vous pouvez créer des échantillons d’entraînement à l’aide du Gestionnaire d’échantillons d’entraînement à sélectionner dans la liste déroulante Classification Tools (Outils de classification) ou fournir un fichier d’échantillons d’entraînement existant. Il peut s’agir d’un shapefile ou d’une classe d’entités contenant vos échantillons d’entraînement. Les noms de champ suivants sont requis dans le fichier d’échantillons d'apprentissage :
- classname- zone de texte indiquant le nom de la catégorie de classe
- classvalue- champ d’entier long contenant la valeur entière de chaque catégorie de classe
Pour effectuer une analyse d’images basée sur des objets, vous devez fournir une image segmentée. Vous pouvez créer une image segmentée à l’aide de l’outil Segmentation à sélectionner dans la liste déroulante Classification Tools (Outils de classification).
Cinq Classifiers (Classificateurs) sont disponibles pour classer vos données :
- Grappe ISO : le classificateur de grappes ISO effectue une classification non assistée. Ce classificateur peut traiter des images segmentées très grandes, dont la table attributaire peut être volumineuse. L'outil peut également accepter un raster RVB segmenté d'une application tierce. Il fonctionne avec des fichiers raster standard pris en charge par Esri, ainsi qu’avec des jeux de données raster segmentés.
- Vraisemblance maximale : le classificateur de vraisemblance maximale est une technique traditionnelle de classification d'images. Cette classification repose sur deux principes : la répartition normale des pixels de chaque échantillon de classe dans l’espace multidimensionnel et le théorème de Bayes de prise de décision.
- Arbres aléatoires : le classificateur d’arbres aléatoires est une technique puissante de classification des images qui résiste au sur-ajustement et peut fonctionner avec des images segmentées et d’autres jeux de données raster auxiliaires. Pour les entrées d'image standard, l'outil accepte les images multicanaux d'une profondeur des couleurs quelconque et réalise la classification d'arbres aléatoires par pixel, en fonction du fichier d'entités d'apprentissage en entrée.
- Machine à vecteurs de support (SVM) : le classificateur de machines à vecteurs de support fournit une méthode de classification assistée performante, capable de traiter une entrée de raster segmenté ou une image standard. Il est moins sensible au bruit, aux canaux corrélés et au nombre ou à la taille non équilibrés de sites d'apprentissage au sein de chaque classe. Cette méthode de classification est couramment utilisée par les chercheurs.
- Entraîner K voisins les plus proches : le classificateur K voisins les plus proches est une méthode de classification non paramétrique qui classe un pixel ou un segment selon un vote à la majorité relative de ses voisins. K est le nombre défini de voisins utilisés pour le vote.
Les types de classificateurs disponibles dans l’outil Image Classification (Classification d’images) sont décrits ci-dessous.
Grappe ISO
Effectuez une classification non assistée à l’aide de l’algorithme Grappe ISO qui détermine les caractéristiques des regroupements naturels de cellules dans un espace d’attributs multidimensionnel.
| Nom de paramètre | Description |
|---|---|
Nombre maximum de classes | Nombre maximal de classes souhaitées pour regrouper les pixels ou segments. Il doit être défini en fonction du nombre de classes dans votre légende. Il est possible que vous obteniez moins de classes que le nombre spécifié pour ce paramètre. Si vous souhaitez en obtenir davantage, augmentez cette valeur et agrégez les classes une fois le processus d'apprentissage terminé. |
Nombre maximum d'itérations | Nombre maximal d'itérations pour le processus d'agrégation à exécuter. La plage recommandée est comprise entre 10 et 20 itérations. En augmentant cette valeur, vous allongez le temps de traitement de façon linéaire. |
Maximum Number of Cluster Merges per Iteration (Nombre maximum de fusions de grappe par itération) | Le nombre maximal de fois qu'une grappe peut être combinée. L'augmentation du nombre de fusions réduit le nombre de classes créées. Une valeur plus faible génère un plus grand nombre de classes. |
Distance de fusion maximum | L'augmentation de la distance permet de fusionner davantage de grappes, ce qui se traduit par une diminution du nombre de classes. Une valeur plus faible génère un plus grand nombre de classes. La distance est de nature spectrale et basée sur la couleur RVB. Par exemple, la distance entre un pixel avec une valeur RVB de 100, 100, 100 correspond à une distance de 50 à partir d'un pixel avec une valeur RVB de 100, 130, 120. Même si vous pouvez lui appliquer une valeur quelconque, celles qui sont comprises entre 0 et 5 produisent les meilleurs résultats. |
Nombre minimum d’échantillons par grappe | Nombre minimal de pixels ou segments dans une classe ou un agrégat valide. La valeur 20 par défaut est efficace pour créer des classes statistiquement significatives. Vous pouvez l'augmenter pour renforcer les classes, mais vous risquez ainsi de limiter le nombre global de classes créées. |
Pas d'échantillonnage | Nombre de pixels à ignorer pour une image de pixels en entrée. Si l'entrée est une image segmentée, spécifiez le nombre de segments à ignorer. |
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. |
Vraisemblance maximale
Effectuez une classification de vraisemblance maximale, qui repose sur deux principes : la répartition normale des pixels de chaque échantillon de classe dans l’espace multidimensionnel et le théorème de Bayes de prise de décision.
| Nom de paramètre | 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. |
Arbres aléatoires
Effectuez une classification d’arbres aléatoires, qui utilise des arbres multidécisionnels entraînés à l’aide de petites variations des mêmes données d’entraînement. Lorsque vous classez un échantillon, le vote majoritaire de ces arbres préparés détermine la classe en sortie. Cet ensemble d'arbres s'expose moins au sur-ajustement qu'un seul arbre.
| Nom de paramètre | 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'arbres | Nombre maximal d'arbres dans la forêt. L'augmentation du nombre d'arbres entraîne des taux de précision accrus, même si cette amélioration peut finalement se stabiliser. Le nombre d'arbres augmente de manière linéaire le temps de traitement. |
Profondeur d'arbre maximum | Profondeur maximale de chaque arbre dans la forêt. La profondeur permet également d'indiquer le nombre de règles que chaque arbre est autorisé à créer pour parvenir à une décision. Les arbres ne peuvent pas dépasser la profondeur définie par ce paramètre. |
Nombre maximum d'échantillons par classe | Nombre maximal d'échantillons à utiliser pour définir chaque classe. Il est conseillé d'utiliser la valeur par défaut 1000 lorsque les entrées sont des rasters non segmentés. 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. |
Machine à vecteurs de support
Effectuez une classification de machines à vecteurs de support, qui cartographie les vecteurs de données en entrée dans un espace d’entités dimensionnel plus étendu pour répartir au mieux les données dans différentes classes. La machine à vecteurs de support peut traiter des images très volumineuses, et cette classification est moins sensible au bruit, aux canaux corrélés et au nombre ou à la taille non équilibrés de sites d’entraînement au sein de chaque classe.
| Nom de paramètre | 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. Il est conseillé d'utiliser la valeur par défaut 500 lorsque les entrées sont des rasters non segmentés. 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. |
K voisins les plus proches
Applique une méthode de classification non paramétrique qui classe un pixel ou un segment selon un vote à la majorité relative de ses voisins. K est le nombre défini de voisins utilisés pour le vote.
| Nom de paramètre | 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. |
Champ de valeur de dimension | Contient les valeurs de dimension dans la classe d’entités des échantillons d’apprentissage en entrée. Ce paramètre est requis pour classer une série chronologique de données raster à l’aide de la sortie du raster d’analyse des changements produite par l’outil Analyser les modifications avec l’algorithme CCDC. |
K voisins les plus proches | Nombre de voisins utilisés pour rechercher chaque pixel ou segment en entrée. Le fait d’augmenter le nombre de voisins a pour effet de réduire l’influence des voisins individuels sur le résultat de la classification. La valeur par défaut est 1. |
Nombre maximum d'échantillons par classe | Nombre maximal d’échantillons d’entraînement qui seront utilisés pour chaque classe. Il est conseillé d’utiliser la valeur par défaut 1000 lorsque les entrées sont des rasters non segmentés. Une valeur inférieure ou égale à zéro signifie que le système utilisera tous les échantillons des sites d’apprentissage pour former 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. |
Autres méthodes pour la classification et la reconnaissance des modèles
D’autres méthodes pour la classification et la reconnaissance des modèles sont incluses dans la boîte à outils Image Analyst et sont décrites ci-dessous.
- Classer un raster à l’aide de spectres : classe un jeu de données raster multibande à l’aide de techniques d’appariement spectral, basées sur l’angle du vecteur ou la divergence des informations spectrales entre l’image en entrée et le profil spectral de référence. Les sorties incluent le raster classé en sortie, le fichier de définition de classificateur en sortie (.ecd) et le raster de score en sortie. Le Output Score Raster (Raster de score en sortie) est un raster multibande qui stocke les résultats correspondants de chaque membre final.
- Entraîner le modèle de régression Arbres aléatoires : modélise la relation entre des variables explicatives (variables indépendantes) et un jeu de données cible (variable dépendante). L’outil permet d’entraîner divers types de données. Les rasters en entrée (variables explicatives) peuvent être un raster ou une liste de rasters, à une bande ou multibande dans lequel chaque bande est une variable explicative, un raster multidimensionnel dans lequel les variables du raster sont des variables explicatives ou une combinaison de types de données.
Les sorties comprennent les éléments suivants :
- une table contenant des informations décrivant l’importance de chaque variable explicative utilisées dans le modèle
- des nuages de points de données d’entraînement, des données de test et des données de test de localisation
- la définition de régression (.ecd) qui contient des informations attributaires, des statistiques ou d’autres informations nécessaires pour le classificateur.
- Prévoir à l’aide d’un modèle de régression : prévoit les valeurs des données en utilisant la sortie de l’outil Entraîner le modèle de régression Arbres aléatoires. La sortie est un raster des valeurs prévues.
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
- Entraîner le modèle de régression Arbres aléatoires
- Prévoir à l’aide d’un modèle de régression
Vous avez un commentaire à formuler concernant cette rubrique ?