获得 Image Analyst 许可后可用。
需要 Spatial Analyst 许可。
对影像分类
您可以通过分类工具从非监督分类技术或监督分类技术中进行选择,以对栅格数据集中的像素或对象进行分类。要显示分类工具,在内容窗格中选择要进行分类的栅格,然后在影像选项卡中,单击分类工具下拉箭头。
对于监督分类,您需要提供训练样本文件。您可以使用分类工具下拉列表中的训练样本管理器来创建训练样本,或者您也可以提供现有的训练样本文件。可以是包含训练样本的 shapefile 或要素类。训练样本文件中需要以下字段名称:
- classname - 指示类类别名称的文本字段。
- classvalue - 包含每个类类别的整数值的长整型字段。
对于基于对象的影像分析,您需要提供分割影像。您可以使用分类工具下拉列表中的分割工具创建分割影像。
可使用五种分类器对数据进行分类:
- ISO 聚类 - ISO 聚类分类器将执行非监督分类。此分类器可处理非常大的分割影像,这些影像的属性表可能会变得很大。另外,此工具还可接受来自第三方应用程序的分割 RGB 栅格。此工具适用于 Esri 支持的标准栅格文件以及分割栅格数据集。
- 最大似然法 - 最大似然法分类器是一种传统的影像分类技术。该分类基于两条原则:多维空间中每个类样本中的像素呈正态分布和贝叶斯决策理论。
- 随机树 - 随机树分类器是一种强大的影像分类技术,它可防止过度拟合,并可处理分割影像及其他辅助栅格数据集。对于标准影像输入,该工具接受具有任意位深度的多波段影像,它还会基于输入训练要素文件对各像素执行随机树分类。
- 支持向量机 (SVM) - SVM 分类器提供了一种强大的监督分类方法,可用于处理分割栅格输入或标准影像。它不那么容易被噪音、关联波段以及每个类中不平衡的训练场数量或大小所影响。这是一种被研究人员广泛采用的分类方法。
ISO 聚类
使用 ISO 聚类算法执行非监督分类,以确定多维属性空间中像元自然分组的特征。
参数名称 | 说明 |
---|---|
类别的最大数量: | 分组像素或分割影像时所需的最大类数。此参数应根据图例中类的数量进行设置。 您获取的要素类可能会少于此参数中指定的数量。如果需要更多要素类,可在训练过程结束后增加此值并聚集类。 |
最大迭代次数 | 要运行的聚类过程的最大迭代次数。 推荐迭代次数范围为 10 到 20 之间。增加此值将会使处理时间呈线性增加。 |
每个迭代的最大聚类合并数 | 聚类可被合并的最大次数。增加合并的数量将减少所创建的类。较小值将生成较多的类。 |
最大合并距离 | 增加距离将允许更多的聚类合并,从而生成较少的类。较小值将生成较多的类。 此距离实质是基于 RGB 颜色的光谱差异。例如,RGB 值为 100、100、100 的像素与 RGB 值为 100、130、120 的像素之间的距离为 50。尽管您可将其设置为所需的任何值,但是 0 至 5 之间的值可提供最佳结果。 |
每个聚类的最小样本数 | 一个有效聚类或类中的最小像素数或分割数。 已表明默认值 20 对于创建具有统计显著性的类有效。可增加这一数值以获得更可靠的类;但是,这样可能会限制所创建类的总数。 |
跳跃因子 | 像素影像输入所需跳过的像素数。如果输入是分割影像,则请指定要跳过的分割影像数。 |
分割影像 | 也可以整合分割影像,以执行基于对象的分类。 |
分割影像属性 | 使用分割影像时,可以从分割影像中选择要使用的属性:
|
输出分类数据集 | 选择分类输出的名称和输出位置。 |
输出分类定义文件 | 这是包含属性信息、统计数据、超平面矢量和分类器所需的其他信息的 JSON 文件。将创建扩展名为 .ecd 的文件。 |
最大似然法
执行最大似然分类,该分类基于两条原则:多维空间中每个类样本中的像素呈正态分布和贝叶斯决策理论。
参数名称 | 说明 |
---|---|
训练样本 | 选择用于描绘训练场的训练样本文件或图层。它们可以是包含训练样本的 shapefile 或要素类。 |
分割影像 | 也可以整合分割影像,以执行基于对象的分类。 |
分割影像属性 | 使用分割影像时,可以从分割影像中选择要使用的属性:
|
输出分类数据集 | 选择分类输出的名称和输出位置。 |
输出分类定义文件 | 这是包含属性信息、统计数据、超平面矢量和分类器所需的其他信息的 JSON 文件。将创建扩展名为 .ecd 的文件。 |
随机树
执行随机树分类,该分类使用通过相同训练数据的微小差异进行训练的多个决策树。对样本进行分类时,由这些经过训练的决策树的大多数投票决定输出类。与单个树相比,这样一组树不易受到过度拟合的影响。
参数名称 | 说明 |
---|---|
训练样本 | 选择用于描绘训练场的训练样本文件或图层。它们可以是包含训练样本的 shapefile 或要素类。 |
最大树数 | 森林中的最多树数。增加树的数量将提高精确度,尽管此改进最终会逐渐减缓。树的数量将线性增加处理时间。 |
最大树深 | 森林中的每个树的最大深度。深度是指每个树为制定决策而允许创建的规则数。树的深度不会超过此设置。 |
每个类的最大样本数 | 用于定义每个类的样本的最大数量。 如果输入为非分割栅格,建议使用默认值 1000。 值小于或等于 0 表示系统将使用训练场中的所有样本来训练分类器。 |
分割影像 | 也可以整合分割影像,以执行基于对象的分类。 |
分割影像属性 | 使用分割影像时,可以从分割影像中选择要使用的属性:
|
输出分类数据集 | 选择分类输出的名称和输出位置。 |
输出分类定义文件 | 这是包含属性信息、统计数据、超平面矢量和分类器所需的其他信息的 JSON 文件。将创建扩展名为 .ecd 的文件。 |
支持向量机
执行支持向量机分类,该分类将您的输入数据向量映射到更高维度的要素空间中,从而以最佳方式将数据分隔到不同的类中。支持向量机可以处理非常大的影像,且更不容易被噪音、关联波段以及每个类中不平衡的训练场数量或大小所影响。
参数名称 | 说明 |
---|---|
训练样本 | 选择用于描绘训练场的训练样本文件或图层。它们可以是包含训练样本的 shapefile 或要素类。 |
每个类的最大样本数 | 用于定义每个类的样本的最大数量。 如果输入为非分割栅格,建议使用默认值 500。 值小于或等于 0 表示系统将使用训练场中的所有样本来训练分类器。 |
分割影像 | 也可以整合分割影像,以执行基于对象的分类。 |
分割影像属性 | 使用分割影像时,可以从分割影像中选择要使用的属性:
|
输出分类数据集 | 选择分类输出的名称和输出位置。 |
输出分类定义文件 | 这是包含属性信息、统计数据、超平面矢量和分类器所需的其他信息的 JSON 文件。将创建扩展名为 .ecd 的文件。 |