Мастер классификации изображений

Доступно с лицензией Image Analyst.

Доступно с лицензией Spatial Analyst.

Классификация изображения - это процесс извлечения информационных классов, например, категорий почвенно-растительного покрова, из многоканальных снимков дистанционного зондирования. Рабочий процесс включает в себя несколько этапов от предварительной обработки до сегментации, подбора обучающей выборки, обучения, классификации и оценки точности. Каждый этап может быть итеративным, а сам процесс требует глубокого знания входных снимков, схемы и методов классификации, ожидаемых результатов и приемлемой точности.

Мастер классификации

Мастер классификации помогает пользователю пройти через весь процесс классификации от начала до конца. Мастер классификации обеспечивает управляемый рабочий процесс, представляющий собой рекомендации и упрощенный пользовательский интерфейс, таким образом классификация изображений выполняется без пропуска необходимых шагов. Опытные пользователи могут воспользоваться отдельными инструментами, доступными в ниспадающем меню Инструменты классификации в группе Классификация изображений. Это те же инструменты, которые входят в Мастер классификации.

Мастер классификации находится в группе Классификация изображений на вкладке Изображения. Выберите набор растровых данных для классификации на панели Содержание, чтобы показать вкладку Изображения, проверьте, что работаете на 2D-карте. Мастер классификации неактивен, если активная карта является 3D-сценой или если выделенное изображение не является многоканальным.

Настройка

Нажмите кнопку Мастер классификации на вкладке Изображения, чтобы открыть и закрепить мастер. Первая страница - это Настройки, где вы задаете проект классификации. Параметры, заданные здесь, определяют шаги и функциональность, доступную на последующих страницах мастера.

Метод классификации

Для метода, который вы будете использовать при классификации изображения, имеется две опции.

Имя опции	Описание
Без обучения	Результат классификации определяется без обучающих выборок. Пикселы или сегменты статистически присваиваются классу на основании классификатора изокластера. Пикселы группируются в классы на основании спектральных и пространственных характеристик. Вы предоставляете число классов для вычисления, а классы определяются и объединяются после завершения классификации.
С обучением	Результат классификации зависит от предоставленных обучающих выборок. Обучающие выборки - это репрезентативные участки для всех классов, которые вы хотите выделить на изображении. Эти участки хранятся как классы точечных или полигональных объектов с соответствующими именами классов для каждого объекта. Они создаются или выбираются, исходя из знаний пользователя об исходных данных и ожидаемых результатах. Все остальные пикселы в изображении классифицируются с использованием характеристик обучающих выборок. Это является опцией по умолчанию.

Тип классификации

Для типа классификации имеется две опции, используемые для классификации с обучением и без обучения.

Имя опции	Описание
На основе пиксела	Классификация выполняется на основе пикселов, где спектральные характеристики отдельных пикселов определяют класс, к которому их относят. При таком подходе характеристики соседних пикселов не учитываются. Она считается более традиционным методом классификации и может привести к эффекту пятнистости в классифицированном изображении.
На основе объекта	Классификация выполняется на локализованной окрестности пикселов, сгруппированных вместе во время процесса, называемого сегментацией. При группировании пикселов в объекты сегментация учитывает и цвет, и спектральные характеристики. Объекты, полученные в результате сегментации, более близко напоминают объекты реального мира и дают более четкие результаты классификации. Это является опцией по умолчанию.

Схема классификации

Схема классификации определяет количество и типы классов, используемые для классификации с обучением. Схемы могут быть иерархическими, т.е. в них могут быть классы с подклассами. Например, можно указать класс Лес с подклассами Вечнозеленых и Лиственных лесов. Схема сохраняется в файле схемы классификации Esri (.ecs), использующем синтаксис JSON. Для указания схемы классификации можно выбрать одну из следующих опций:

• Перейдите к существующей схеме.
• Создать схему из существующего класса объектов, представляющего обучающие выборки. Выбирайте эту опцию, если планируете ссылаться на существующий набор данных обучающих выборок.
• Создать схему из существующей карты растровых классов.
• Использовать схему по умолчанию из National Land Cover Dataset для Северной Америки. Если вы хотите создать пользовательскую схему, выберите эту опцию и измените ее на странице Менеджера обучающей выборки.

Выходное местоположение

Это рабочая область или директория, в которой хранятся все выходные данные, созданные Мастером классификации, включая обучающие данные, сегментированные изображения, пользовательские схемы, сведения об оценки точности и результаты классификации.

Примечание:

Все промежуточные файлы, созданные при использовании Мастера классификации, хранятся в директории temp пользователя. Обычно это C:\Windows\Temp, но может быть и другое место, в зависимости от операционной системы и прав доступа.

Сегментированное изображение

Данная опция доступна, если выбрана классификация На основе объекта для Типа классификации. Если вы уже создали сегментированное изображение, вы можете указать на существующий набор данных. В противном случае вы создадите сегментированное изображение во время действий на следующей странице.

Примечание:

Если сегментированный растр не создан заранее, он будет создан перед обучением классификатора. Это операция, требующая интенсивной работы процессора, и для создания сегментированного набора растровых данных может потребоваться значительное количество времени. Для больших наборов данных настоятельно рекомендуется заранее создать сегментированный растр и указать его в качестве входных данных при настройке проекта классификации.

Обучающие выборки

Если вы выбрали С обучением в Методе классификации, то это единственная опция. Вы можете создать обучающие выборки с помощью панели Менеджер обучающих выборок в ниспадающем списке Инструменты классификации или выбрать существующий файл обучающих выборок. Это может быть либо шейп-файл, либо класс объектов, который содержит ваши обучающие выборки. Он должен соответствовать схеме классификации. В файле обучающей выборки должны быть поля со следующими именами:

• classname – текстовое поле с указанием имени категории класса.
• classvalue – поле типа long integer, содержащее целочисленное значение для каждой категории класса.

Примечание:

Поддерживаются обучающие выборки, созданные в ArcGIS Desktop при помощи панели инструментов Классификация изображений.

Базовый набор данных

Если вы хотите оценить точность результатов классификации, необходимо предоставить базовый набор данных. Базовые данные состоят из объектов с известными местоположением и значением класса, они могут быть получены в результате полевой съемки, из существующей карты классов или растровой базы землепользования, или при помощи снимка более высокого разрешения. Результаты классификации вашего изображения будут сравниваться с базовыми данными для оценки точности. Классы в базовом наборе данных необходимо сопоставить с вашей схемой классификации.

Базовые данные должны быть в одном из следующих форматов:

• Набор растровых данных, являющийся классифицированным изображением.
• Класс полигональных объектов или шейп-файл. Формат атрибутивной таблицы класса объектов должен соответствовать формату обучающей выборки. Чтобы гарантировать это, можно создать базовый набор данных с помощью инструментов Менеджера обучающей выборки.
• Класс точечных объектов или шейп-файл. Формат должен соответствовать выходным данным инструмента Создать оценку точности. Если вы используете существующий файл и собираетесь конвертировать его в подходящий формат, воспользуйтесь инструментом геообработки Создать точки оценки точности.

Сегментация

Эта страница доступна, только если вы выбрали На основе объекта в качестве Типа классификации и не указали существующий набор растровых данных на странице Настроить. Сегментация является ключевым компонентом рабочего процесса классификации на основе объекта. Этот процесс группирует вместе соседние пикселы со сходным цветом и геометрическими характеристиками.

Существует три параметра, которые управляют тем, как ваши изображения сегментируются в объекты:

• Спектральное разрешение - устанавливает уровень важности спектральных различий между объектами на снимке.

  Действительные значения находятся в диапазоне от 1.0 до 20.0. Более высокое значение подходит, если вам нужна более детальная классификация, где объекты, имеющие отчасти сходные спектральные характеристики попадают в разные классы при классификации. Например, при более высоких значениях спектрального разрешения для снимка, покрытого лесом, вы можете лучше различать различные породы деревьев.

  Меньшие значения приводят к более сглаженной детализации изображения. Например, если вам необходимо классифицировать крыши зданий без подробностей оборудования крыши, используйте более низкое значение Спектрального разрешения.

• Пространственное разрешение - устанавливает уровень важности близости объектов на снимке. Действительные значения находятся в диапазоне от 1 до 20. Более высокие значения можно использовать для изображений, где интересующие вас объекты имеют малый размер и находятся близко друг к другу. При использовании малых значений создаются растры с более плавными пространственными характеристиками. Например, на снимке города можно использовать меньшее значение пространственного разрешения для классификации водонепроницаемых поверхностей, а для разделения в отдельные классы зданий и дорог использовать более высокое значение пространственного разрешения.
• Минимальный размер сегмента в пикселах - объединяет сегменты, которые будут меньше этого размера, с наиболее подходящим соседним сегментом. Это значение связано с минимальной единицей картографирования вашего проекта.

Вы можете использовать опцию Показать только сегментированные границы, если хотите показать сегменты как полигоны, расположенные поверх снимка.

Используйте инструмент Сравнить в группе Эффекты на вкладке Растровый слой или Слой мозаики, чтобы сравнить сегментированное и исходное изображения. Динамически перезапускайте сегментацию, изменяя параметры, и изучайте результаты, перемещаясь по карте и изменяя масштаб. Если вы удовлетворены сегментированным изображением, щелкните Далее.

Примечание:

Предварительный просмотр основан на растровых функциях, которые обрабатывают отображаемые в данный момент пикселы и приводят изображение к разрешению экрана. Это может привести к появлению небольших различий между изображением предварительного просмотра и реальным результатом в региональных операциях.

Инструменты Менеджера обучающих выборок

Эта страница доступна, только если вы выбрали С обучением в Методе классификации.

Когда страница откроется, вы увидите вверху раздел управления схемой, куда автоматически загружена схема, выбранная на странице Настройки. Здесь вы можете создать новые классы или удалить имеющиеся, чтобы настроить свою схему. Для создания нового родительского класса на верхнем уровне, выберите имя вашей схемы и нажмите кнопку Добавить новый класс. Для создания подкласса, выберите родительский класс и щелкните Добавить новый класс. Подкласс будет размещен в родительском классе. Щелкните правой кнопкой на любом классе, чтобы редактировать свойства класса.

В нижнем разделе страницы показаны все обучающие выборки для каждого класса. Можно выбрать репрезентативные местоположения, или обучающие выборки, для каждого класса почвенно-растительного покрова на изображении. Обучающие выборки содержат информацию о местоположении (полигон) и связанный класс растительного покрова. Алгоритм классификации изображений использует обучающие выборки, сохраненные как класс пространственных объектов, для определения классов почвенно-растительного покрова на всем изображении. Если вы предоставили набор данных обучающих выборок на странице Настройки, вы увидите их, перечисленными здесь.

Вы можете просматривать обучающие выборки и управлять ими, добавляя, группируя или удаляя выборки. Обучающие выборки можно удалять по отдельности или сгруппировать, выделив их, и затем щелкнуть кнопку Delete. Когда вы выделяете обучающую выборку, она также выделяется на карте. Дважды щелкните на обучающей выборке в таблице, чтобы приблизиться к ней на карте.

Для создания обучающих выборок выполните следующие шаги:

1. Выберите класс, в который вы хотите собрать обучающие выборки, в менеджере схемы.
2. Выберите один из инструментов скетча или используйте выбор сегмента, чтобы начать сбор обучающих выборок.
   1. Чтобы использовать инструмент Выбор сегмента, сегментированное изображение должно быть на панели Содержание. Если на панели Содержание имеется более одного сегментированного слоя, используйте ниспадающий список для выбора нужного слоя, по которому вы будете создавать обучающие выборки.
   2. Щелкните карту, чтобы добавить сегмент как обучающую выборку.

   Отдельные обучающие выборки, представляющие класс, перечислены в Менеджере обучающих выборок.

3. Вы можете организовать их, выбрав несколько обучающих выборок и объединив их под одним заголовком класса, нажав кнопку Свернуть .

Примечание:

В таблице обучающих выборок перечислено количество выборок, определяющих каждый класс. Если вы использовали инструмент выбора сегмента для сбора обучающих выборок, число образцов будет числом сегментов, которые вы выбрали для определения класса. Это важно помнить, если вы используете статистический классификатор, например метод максимального правдоподобия, потому что число сегментов представляет общее число выборок. Например, если восемь сегментов было собрано как обучающие выборки для класса, это может не быть статистически значимым числом выборок для корректной классификации. Однако если вы собрали те же обучающие выборки как пикселы, ваша обучающая выборка может быть представлена сотнями или тысячами пикселов, что является статистически значимым числом образцов.

В таблице обучающих выборок указаны проценты пикселов, представляющих класс, по сравнению с общим числом пикселов, представляющих все классы. Этот процент важен при использовании классификатора, например, Максимального подобия. Число и процент обучающих выборок менее важны при использовании непараметрического классификатора машинного обучения, например, метода случайных деревьев и метода опорных векторов.

Тренировать

Выберите один из методов классификации, описанных в следующей таблице:

Классификатор	Описание
Изокластер	Классификатор Изокластер выполняет классификацию без обучения, используя метод K-средние. Этот классификатор может обрабатывать очень большие сегментированные изображения, атрибутивная таблица которых может стать большой. Кроме того, этот инструмент может принимать сегментированный растр RGB из стороннего приложения. Инструмент работает со стандартными, поддерживаемыми Esri растровыми файлами, а также с сегментированными наборами растровых данных. Если вы выбрали Без обучения для Метода классификации на странице Настройки, он будет единственным доступным классификатором.
К ближайших соседей	Классификатор К ближайших соседей выполняет классификацию K-ближайших соседей, которая классифицирует пиксел по множеству голосов его соседей. Процесс обучения назначает обучающие выборки соответствующим классам. K - определенное количество соседей, используемых при голосовании.
Максимальное подобие	Классификатор Максимальное подобие является традиционным параметрическим методом классификации изображений. Для получения надежных результатов каждый класс должен быть представлен статистически значимым числом обучающих выборок с нормальным распределением, а относительное количество обучающих выборок, представляющих каждый класс, должно быть одинаковым.
Классификатор произвольного дерева	Классификатор произвольных деревьев – продвинутый метод машинного обучения, устойчивый к чрезмерной подгонке и способный работать с сегментированными изображениями и другими дополнительными наборами растровых данных, а также с мультиспектральным изображением. Для стандартных входных изображений, инструмент принимает многоканальные изображения любой битовой глубины и выполняет классификацию методом произвольных деревьев (иногда называемым классификацией произвольного леса) на основе входного файла обучающей выборки. Если вы выбираете классификацию На основе объекта, можно выбрать любой или все атрибуты сегмента для использования при обучении классификатора.
Метод опорных векторов	Классификатор Метод опорных векторов – продвинутый метод машинного обучения, который способен обрабатывать входной сегментированный растр или стандартное изображение. Данный метод менее восприимчив к шуму, коррелированным каналам и несбалансированному количеству и размеру обучающих местоположений в пределах каждого класса. Ядра используют нелинейную радиальную базисную функцию (RBF), применяющую 2D-сетку с оптимальными парами параметров (C, гамма). Если вы выбираете классификацию На основе объекта, можно выбрать любой или все атрибуты сегмента для использования при обучении классификатора.

Когда вы нажмете кнопку Запустить, классификатор будет обучен.

После завершения можно визуально проверить результаты относительно исходного изображения при помощи инструмента Спрятать на вкладке Растровый слой или Слой мозаики. Можно сравнить результаты, используя другие настройки или другие классификаторы, нажав Предыдущий и изменив настройки или выбрав другой классификатор для запуска. Затем результаты другой классификации можно сравнить при помощи инструмента Спрятать или включать и выключать слои на панели Содержание. Если результаты классификации вас устраивают, щелкните Далее.

Классификация

Нажмите Запустить, чтобы сохранить классификацию в указанной выходной директории или базе данных проекта. Дополнительно можно сохранить файл определения выходного класса (.ecd).

Назначить классы

Эта страница появится, если вы выбрали Без обучения для Метода классификации. Было создано несколько классов, в зависимости от того, сколько классов вы указали, и с использованием характеристик пикселов или сегментов вашего исходного изображения. Теперь необходимо присвоить значения каждому классу на основании используемой схемы классификации. Вверху страницы Назначить классы показан список классов вашей схемы, а внизу таблица отображает созданные классы.

1. Выберете класс из списка схемы вверху страницы.
2. Щелкните инструмент Назначить и выберите классы из карты классов, которые вы хотите присвоить классу схемы. По мере назначения классов, просматривайте базовое изображение, чтобы убедиться, что значения Нового класса имеют смысл. Нажмите клавишу L, чтобы изменить прозрачность классифицированного изображения. Изучите таблицу и проверьте, что значение Старый класс обновлено на тот, который вы выбрали. Цвет класса обновится в соответствии со схемой.

   Если снять отметку с карты классов на панели Содержание, чтобы отобразился исходное изображение, можно щелкать на объектах в изображении, например, серых крышах или газонах, что продолжит переназначать соответствующие классы на карте классов.

Слияние классов

После выполнения классификации с обучением можно выполнить слияние нескольких классов в более широкие классы. Имена исходных классов перечислены в столбце Старые классы на странице Слияние классов. Если вы хотите изменить весь класс, это можно сделать здесь, но вы ограничены родительскими классами вашей схемы. Например, вы можете изменить лиственный лес на просто лес, но не сможете изменить лес на воду. Для выполнения изменений такого типа или изменения отдельных объектов, используйте страницу Переклассификатор.

Оценка точности

Результаты классификации вашего изображения будут сравниваться с Базовыми данными, предоставленными вами на странице Настройки для оценки точности. Схема классификации базового набора данных должна совпадать с классифицированным изображением.

Количество случайных точек

Общее число произвольных точек, которые будут сгенерированы.

Фактическое число может превышать, но никогда не опускаться ниже этого числа, в зависимости от стратегии выборки и количества классов. Число произвольно расположенных точек по умолчанию равно 500.

Стратегия выборки

Укажите используемый метод выборки:

• Стратифицированная случайная – создание точек, которые будут произвольно распределены в каждом классе. Количество точек в каждом классе пропорционально его площади. Этот метод производит выборку изображения так, чтобы количество точек выборки на класс пропорционально площади каждого класса на изображении. Окончательный результат оценки точности репрезентативен для изображения. Используется по умолчанию.
• Выровненная стратифицированная случайная – создание точек, которые будут произвольно распределены в каждом классе. Каждый класс содержит равное количество точек. Этот метод назначает одинаковое количество точек выборки каждому классу, независимо от того, какую площадь каждый класс занимает на изображении. Итоговый результат оценки точности не является репрезентативным для изображения, а измеряет точность, присваивая одинаковый вес всем классам. Это альтернативный метод стратифицированной случайной выборки для оценки точности.
• Произвольно - создание точек, которые произвольно распределены по всему изображению. Этот метод случайным образом выбирает точки на изображении. Никакой стратификации не требуется, поэтому окончательный результат оценки точности будет репрезентативным для изображения. Но при использовании небольшого числа точек выборки некоторые классы, отображающие небольшие территории, могут быть пропущены или недостаточно представлены.

Анализ диагонали

Точность представлена значениями от 0 до 1, при этом 1 означает 100-процентную точность. Цвета варьируют от светло- до темно-синего, более темный цвет означает более высокую точность. Значения вдоль диагонали представляют общую точность присвоения класса.

Анализ вне диагонали

В отличие от диагонали, ячейки расположенные вне ее, демонстрируют ошибку, основанную на пропусках и присвоениях. Ошибки пропусков относятся к пикселам или сегментам, которые были исключены из правильного класса в классифицированном изображении, поэтому истинный класс был пропущен или понижен в классификации. Ошибки присвоения относятся к неправильной классификации пикселов в класс, ложно увеличивая размер класса. Ошибки пропуска в одном классе приводят к ошибкам присвоения в другом классе.

Если вы хотите изучить значения матрицы ошибок, скачайте и откройте выходную матрицу несоответствий, сохраненную в вашем проекте или выходной папке. В этом отчете об ошибках в формате .dbf перечисляются ошибки пользователя и производителя для каждого класса и включают статистику соответствия Kappa для общей точности.

Как только вы решите, что точность классификации изображения приемлема для ваших целей, можно переходить к итоговой странице Мастера классификации. В противном случае можно рассмотреть повторное создание обучающих выборок, настройку параметров или использование другой классификации, а также тестирование с другими базовыми данными.

Переклассификатор

После классификации изображения, вы, возможно, найдете небольшие ошибки в результатах. Для исправления этих ошибок зачастую проще изменить итоговое классифицированное изображение, чем создавать заново обучающие местоположения и снова выполнять каждый шаг классификации. На странице Переклассификатор вы можете выполнить редактирование отдельных объектов или пространственных объектов в классифицированном изображении. Это шаг постобработки, созданный для исправления ошибок, возникших в процессе классификации. Все выполняемые вами изменения отображаются в файле Журнал редактирования, и у вас есть опция, чтобы сохранить или отменить любые внесенные вами исправления. При переклассификации изображения для исправления ошибок просмотрите базовые изображения, чтобы убедиться, что объекты имеют смысл. Нажмите клавишу L, чтобы изменить прозрачность классифицированного изображения.

1. Выберите классы для Текущий класс и Новый класс для переклассификации.
2. Переклассификация объекта или класса внутри региона.
   • Используйте инструмент Переклассифицировать объект , чтобы нарисовать на классифицированном изображении окружность. Сегмент, из которого начинается круг, будет изменен на новый класс.
   • Используйте инструмент Переклассификация внутри региона , чтобы нарисовать на классифицированном изображении полигон. Текущий класс, находящийся внутри полигона, будет изменен на новый.
3. Проверьте изменения, которые вы сохраните или отклоните, используя журнал редактирования, назовите классифицированный набор данных, который будет сохранен в выходном местоположении, заданном вами на странице Настройки.