Доступно с лицензией Spatial Analyst.
Цель классификации состоит в том, чтобы отнести каждую ячейку в изучаемой области к известному классу (классификация с обучением) или к кластеру (классификация без обучения). В обоих случаях входными данными для классификации является файл сигнатур, содержащий многомерную статистику каждого класса или кластера. Результатом каждой классификации является карта, которая разбивает изучаемую область на известные классы, соответствующие обучающим выборкам, или естественные классы, соответствующие кластерам, определенным кластеризацией. Классификация местоположений по естественным классам, соответствующим кластерам, также называется стратификацией.
Максимальное подобие
Ячейки в классе редко бывают однородными. Это особенно верно для обучающих выборок, взятых для классификации с обучением. Например, если лиственные породы в тени имеют характеристику отражения, напоминающую хвойные породы на полном солнце, оба типа деревьев в конечном итоге будут отнесены к одному классу. Любое местоположение в обучающей выборке, взятой из среды обитания, где вы ожидаете найти медведей, может содержать подзоны, которых медведи избегают.
На приведенной ниже диаграмме класс А представляет лиственные породы, а класс В - хвойные породы. Как вы классифицируете ячейку, которая попадает в область перекрытия двух классов? Должна ли она быть отнесена к классу А или В?
Классификатор по методу максимального подобия вычисляет для каждого класса вероятность принадлежности ячейки к этому классу с учетом значений ее атрибутов. Ячейка присваивается классу с наибольшей вероятностью, в результате чего появляется термин "максимальное подобие".
Для точной работы классификатора максимального подобия необходимы несколько допущений:
- Данные для каждого канала должны быть нормально распределены.
- Каждый класс должен иметь нормальное распределение в многомерном пространстве атрибутов.
- Априорные вероятности классов должны быть равны, т.е в отсутствие взвешивания значений атрибутов все классы равновероятны.
Если априорная вероятность не одинакова для каждого класса в изучаемой области, вы можете взвесить классы. Например, при классификации спутникового снимка Аляски лес и другие типы растительности могут получить более высокую априорную вероятность, чем жилье человека. Т.е вероятность того, что ячейка содержит дом, намного меньше, чем вероятность того, что ячейка содержит какой-либо тип растительности. Когда значение ячейки попадает в перекрывающуюся часть классов жилья и типа растительности, существует более высокая вероятность того, что местоположение содержит растительность, а не дом, и местоположение следует классифицировать соответствующим образом.
Эта логика вероятности и взвешивания основана на Байесовских правилах принятия решений. Фактические значения вероятности для каждой ячейки и класса определяются из средних и матрицы ковариаций для каждого класса (хранящихся в файле сигнатур).
Чтобы выполнить классификацию, используйте инструмент Классификация по методу максимального подобия. Для этого инструмента требуются входные каналы из многоканальных растров и отдельных одноканальных растров, а также соответствующий файл сигнатур. Необходимо определить способ взвешивания классов или кластеров. Существует три способа взвешивания классов или кластеров: равные, ячейки в примерах или файл. При выборе способа равные, все классы будут взвешиваться с одинаковой априорной вероятностью. При выборе способа ячейки в примерах, априорные вероятности будут пропорциональны количеству ячеек в каждом классе или кластере в файле сигнатур. При выборе способа файл, становится активным элемент управления вводом априорного файла, и априорные вероятности будут считываться из указанного файла. Исключенная область должна быть определена. Исключенная область определяет часть ячеек, которые останутся неклассифицированными из-за наименьшей вероятности правильного назначения. Значение по умолчанию равно 0.0, следовательно, классифицированы будут все ячейки. Может быть создана дополнительная достоверность. Наконец, необходимо указать имя выходного растра.
Вероятность классов
Вместо назначения ячейки классу на основе наибольшей вероятности выходного растра, инструмент Вероятность классов выводит слои вероятности, по одному каналу для каждого входного класса или кластера. Значения в каждом местоположении для каждого канала хранят вероятность того, что эта ячейка принадлежит классу или кластеру на основе атрибутов из исходных входных каналов.
Эта возможность может быть полезна в следующей ситуации. Представьте, что вы классифицируете изображение, и один класс — это лес, а другой — заболоченные земли. После запуска инструмента вы обнаружите, что в выходном растре класса леса есть ячейка, которая получает 60-процентную вероятность принадлежности к классу леса, а в выходном растре заболоченных земель - 30-процентную вероятность принадлежности к классу заболоченных земель. Вместо того, чтобы классифицировать местоположение ячейки как лес, вы можете классифицировать ее как влажный лес.
Обзор многомерной классификации
Классификация с обучением
Ниже приведены шаги для выполнения классификации с обучением:
- Идентифицируйте входные каналы.
- Создайте обучающие выборки из известных местоположений желаемых классов.
- Разработайте файл сигнатур.
- Просмотрите и при необходимости отредактируйте файл сигнатур.
- Запустите классификацию.
Классификация без обучения
Ниже приведены шаги для выполнения классификации без обучения:
- Идентифицируйте входные каналы.
- Задайте количество создаваемых кластеров.
- Разработайте файл сигнатур.
- Просмотрите и при необходимости отредактируйте файл сигнатур.
- Запустите классификацию.