Spatial Analyst のライセンスで利用可能。
Image Analyst ライセンスで利用できます。
セグメンテーションと分類ツールは、オブジェクトに基づき画像から地物を抽出するアプローチを提供します。 これらのオブジェクトは、近隣にあり、類似のスペクトル特性を持つピクセルを 1 つのセグメントにグループ化する画像セグメンテーション プロセスを使用して作成されます。 さらに特定の形状、スペクトル、空間特性を示すセグメントをオブジェクトにグループ化することができます。 オブジェクトは、次に、地上の現実世界の地物を表現するクラスにグループ化できます。 ピクセル画像、たとえばセグメント化されていない一般的な画像に対する画像分類を実行することもできます。
オブジェクト指向の地物抽出プロセスは、画像セグメンテーション、セグメントの分析情報の取得、分類の 3 つの主要な機能分野を取り扱うツールによってサポートされているワークフローです。 1 つのツールからのデータ出力は、後続のツールに対する入力になります。この場合の目的は、有意なオブジェクト指向の地物クラス マップを生成することです。 オブジェクト指向のプロセスは、一般的な画像、ピクセルベースの分類プロセス、教師付き分類手法および教師なし分類手法を利用することに類似しています。 プロセスは、ピクセルを分類するのではなく、スーパー ピクセルと見なすことができるセグメントを分類します。 各セグメント、つまりスーパー ピクセルは、分類された画像を生成する分類器ツールが使用する一連の属性によって表現されます。
次の図は、オブジェクト指向の地物抽出ワークフローを示したジオプロセシング モデルです。
画像セグメンテーション
画像セグメンテーションは、平均シフト アプローチに基づいています。 この手法では、移動ウィンドウを使用して、どのピクセルを各セグメントに含めるかを決定する平均ピクセル値を計算します。 ウィンドウが画像の上を移動するときに、値を繰り返し再計算して、各セグメントが適切であることを確認します。 結果は、平均色によって特徴付けられた 1 つのセグメントにグループ化された画像ピクセルです。
[セグメント平均シフト (Segment Mean Shift)] ツールは、Esri がサポートしているラスターを使用して、[セグメント化] に設定されたキー プロパティを含む 3 バンドおよび 8 ビット カラーのセグメント化画像を出力します。 画像セグメントの特性は、スペクトル詳細、空間的詳細度、および最小セグメント サイズによって異なります。 対象の地物を特徴付ける詳細の量は変更することができます。 たとえば、個々の建物よりも不透水性の地物により興味がある場合、空間的詳細度パラメーターを小さい値に変更します。値が小さいほど、結果は滑らかで詳細でなくなります。
次の画像は、カラー赤外の、セグメントされた DigitalGlobe 提供の WorldView-2 シーンです。 セグメント化された画像は、オブジェクトにグループ化された類似エリアを示し、スペックルを多く含みません。 すべての地物を大きい連続エリアとして保持するように、エリアを単純化します。
参考文献:
- D. Comanicu, P. Meer: Mean shift: A robust approach toward feature space analysis. IEEE Transactions on Pattern Analysis and Machine Intelligence, vol. 24, no. 5, May 2002.
- P. Meer, B. Georgescu: Edge detection with embedded confidence. IEEE Transactions on Pattern Analysis and Machine Intelligence, vol. 23, no. 12, December 2001.
- C. Christoudias, B. Georgescu, P. Meer: Synergism in low level vision. 16th International Conference of Pattern Recognition, Track 1 - Computer Vision and Robotics, Quebec City, Canada, August 2001.
トレーニング サンプル データ
トレーニング サンプル データの収集は、画像から定義される特定のフィーチャを表すピクセルのグループを定義することを意味します。 次に画像内のすべてのピクセルが、指定したクラス定義と統計的に比較され、特定のクラスに割り当てられます。 トレーニング サンプルには、対象クラスに属さない不要なピクセルを含めないでください。 各クラスに正しいピクセルを選択した場合にのみ、結果はベルの形をした正規分布の特徴を持つことが多くなります。 最尤法による分類器を使用する場合は特に、トレーニング サンプル ポリゴンに、有意な数のピクセルが含まれていることを確認してください。 たとえば、10 x 10 のピクセル (100 ピクセル) は、トレーニング ポリゴンのサイズとして適切であり、統計的に有意です。
セグメント化されたラスター データセットは、各セグメント (スーパー ピクセルとも呼ばれる) が単一セットの値によって表現されるという点で、ピクセル画像とは異なります。 画像から 100 ピクセルを含むトレーニング サンプル ポリゴンを取得することは簡単ですが、セグメント化されたラスター データセットから 100 個のセグメントを取得するには、より手間がかかります。
最尤法による分類器などのパラメーター分類器では、有為な確率密度関数を得るために、統計的に有為な数のサンプルが必要です。 統計的に有意なサンプルを得るには、1 クラスあたり 20 以上のサンプルが必要です。 つまり、地表面、落葉樹、またはアスファルトなどの各クラスでは、各フィーチャクラスを定義するために、最低 20 セグメントを収集する必要があります。
スムージング処理は、セグメントのサイズと均質性に影響を与えます。 高い値のスムージング ファクターを使用した、セグメントラスターには、大きなセグメントが含まれ、ソース画像に表示されている複数のタイプの地物が含まれている可能性が高くなります。 スムージング効果があるため、トレーニング サンプルは、セグメント化されたラスター データセット上で収集することを推奨します。 これにより、トレーニング サンプルが、個々の不連続なセグメントから収集されるようになります。
分析情報
セグメント レイヤーに関連付けられた分析情報は、分類器トレーニング ツールによって計算され、指定した分類器のタイプによって異なります。 適切なトレーニング ツールを使用してデータを分類します。
| 分類器 | 説明 |
|---|---|
| ISO クラスターによる分類器定義ファイルの作成 (Train ISO Cluster Classifier) | ISO クラスター分類定義を使用して、Esri 分類器定義ファイル (.ecd) を作成します。 |
| K 最近隣内挿法による分類器定義ファイルの作成 (Train K-Nearest Neighbor Classifier) | 分類方法として K 最近隣内挿法を使用して、Esri 分類器定義ファイル (.ecd) を生成します。 |
| 最尤法による分類器定義ファイルの作成 (Train Maximum Likelihood Classifier) | 最尤法分類器 (MLC) 分類定義を使用して、Esri 分類器定義ファイル (.ecd) を作成します。 最尤法による分類器は、ベイズ理論に基づきます。 各クラスのサンプルが正規分布に従うと仮定しており、各サンプルのすべてのクラスの確率を計算します。その後、最大確率を持つクラスをそのサンプルに割り当てます。 |
| ランダム ツリーによる分類器定義ファイルの作成 (Train Random Trees Classifier) | ランダム ツリー分類方法を使用して、Esri 分類器定義ファイル (.ecd) を作成します。 ランダム ツリーによる分類器は、決定木による分類器の集合であり、単一の決定木の過学習に対するぜい弱性を克服しています。 SVM と同様に、ランダム ツリーによる分類器は多数のトレーニング サンプルを必要とせず、また正規分布を仮定しません。 これは、比較的新しい分類手法であり、研究者の間で広く使用されています。 |
ランダム ツリーによる回帰モデル定義ファイルの作成 (Train Random Trees Regression Model) | ランダム ツリー解析を使用して、説明変数とターゲット データセットの関係をモデル化します。 |
| SVM による分類器定義ファイルの作成 (Train Support Vector Machine Classifier) | SVM 分類定義を使用して、Esri 分類器定義ファイル (.ecd) を作成します。 SVM による分類器は、クラス間のマージンが最大になるように、クラスの各ペアについてサポート ベクトルと分離超平面を求めようとします。 これは強力で最新の教師付き分類手法であり、最尤法による分類器よりも必要なサンプル数がはるかに少なく、サンプルが正規分布に従うと仮定しません。 これは通常、セグメントベースの分類ラスター入力、または標準画像の場合に当てはまります。 SVM は研究者の間で広く使用されています。 |
トレーニング ツールは、分類する画像、オプションによりセグメント レイヤー、および適切な分類器定義ファイルを作成するためのトレーニング サイト ポリゴン データを取得します。 標準的なトレーニング サンプル ファイルは、教師付き分類器で使用されます。
分類器定義 .ecd ファイルは、指定された分類器と対象の属性に基づいており、そのため分類器定義ファイルは、各分類器、ラスター入力、および属性において一意のファイルです。 このファイルは、分類器署名ファイルに似ていますが、すべての分類器をサポートする点でより一般性があります。生成される分類器定義ファイルは、ソース データおよび分類器の特定の組み合わせにカスタマイズして生成されます。
分類器定義ファイルは、セグメント ラスターだけでなく、すべてのラスターに基づくことができます。 たとえば、セグメント ラスターは、IKONOS マルチスペクトル データから取得され、統計情報および分析属性データは、6 バンド、パンシャープン WorldView-2 画像、QuickBird、GeoEye、Pleiades、RapidEye、または Landsat 8 画像から生成することができます。 この柔軟性により、セグメント ラスターを取得した後、アプリケーションに応じた多数のイメージ ソースを使用して、分類器定義ファイルとそれによって分類された地物 マップを生成することができます。
セグメント属性の計算 (Compute Segment Attributes)
上記ツールは、オブジェクト指向のワークフローで利用される最も一般的なツールです。 その他のツール、[セグメント属性の計算 (Compute Segment Attributes)] を使用すると、セグメント ラスターを、サード パーティ製のアプリケーションから取得したり、サード パーティ製のアプリケーションにエクスポートすることができます。 このツールは、セグメント化された画像、および追加のラスターを取得して、各セグメントの属性を計算し、関連する属性テーブルを含むインデックス ラスター ファイルとしてこの情報を出力します。
このツールの目的は、これ以降にセグメントラスターを解析することです。 属性は、サード パーティの統計情報またはグラフィックス アプリケーションで分析するか、または Esri がサポートしていないその他の分類器への入力として使用できます。 また、このツールは、サード パーティ パッケージからセグメント ラスターを取得し、Esri の機能を拡張します。これにより、サード パーティ データやアプリケーション パッケージを利用する際の柔軟性が高まります。
分類
[ラスターの分類 (Classify Raster)] ツールは、Esri 分類定義ファイルによって指定された画像分類器を実行します。 ツールへの入力には、分類対象の画像、オプションの 2 番目のラスター (セグメント化されたラスター、または DEM などの別のラスター レイヤー)、および分類したラスター データセットを生成するための分類器定義ファイルなどがあります。 [ラスターの分類 (Classify Raster)] ツールには、トレーニング ツールと同じ入力が必要です。 [ラスターの分類 (Classify Raster)] ツールには、サポートされている分類器すべてが含まれていることに注意してください。 分類器定義ファイルに含まれているプロパティおよび情報に従って、適切な分類器が利用されます。 そのため、[ラスターの分類 (Classify Raster)] を実行すると、[ISO クラスターによる分類器定義ファイルの作成 (Train ISO Cluster Classifier)]、[最尤法による分類器定義ファイルの作成 (Train Maximum Likelihood Classifier)]、または [SVM による分類器定義ファイルの作成 (Train Support Vector Machine Classifier)]、または [ランダム ツリーによる分類器定義ファイルの作成 (Train Random Trees Classifier)] ツールで生成された分類器定義ファイルによって、該当する分類器が有効になります。
出力は、主題的に分類されたラスター データセットです。このデータセットには、関連付けられた属性テーブル内で識別され、トレーニング プロセスで作成されたスキームに従って色付けされたクラスが含まれます。
精度評価
精度評価は、すべての分類プロジェクトで重要な部分です。これは、分類された画像を正確だと見なされる別のデータ ソースまたは参照データと比較します。 参照データは現場で収集できます (グランドトゥルース データと呼ばれる)。ただし、これには時間とコストがかかります。 参照データは、高解像度画像、既存の分類済み画像、または GIS データ レイヤーを解析して取得することもできます。
分類済みマップの精度を評価する最も一般的な方法は、参照データからランダム ポイントの集合を作成し、それを混同行列の計算で分類済みデータと比較することです。 これは 2 つのステップからなるプロセスですが、異なる分類方法やトレーニング サイトの結果を比較する必要がある場合や、参照データがないために、分類の作成に使用したものと同じ画像を使用する場合があります。 その他のワークフローに対応するために、精度評価の 2 つのステップからなるプロセスでは次のツールを適用します: [精度評価ポイントの作成 (Create Accuracy Assessment Points)]、[精度評価ポイントの更新 (Update Accuracy Assessment Points)]、および [混同行列の計算 (Compute Confusion Matrix)]
分類ウィザード
分類プロセスでは、通常、いくつかのステップを経る必要があります。まず、画像を適切に前処理し、クラス カテゴリを割り当てて、関連するトレーニング データを作成し、分類を実行してから、結果の精度を評価して改良します。 ArcGIS Pro に用意されている [分類ウィザード] を使用すると、アナリストは分類ワークフローを手順を追って進め、許容できる結果を得ることができます。 