“分类和模式识别”地理处理函数

获得 Image Analyst 许可后可用。

需要 Spatial Analyst 许可。

“分类和模式识别”类别中的地理处理函数可用于执行分类和回归分析工作流，其中包括精度评估。 功能包括多光谱影像分割、训练样本生成和评估、像素和面向对象的机器学习分类以及结果的定量精度评估。

一个重要的输入是使用从种子点生成训练样本函数或者使用训练样本管理器窗格中的工具生成的分类训练样本文件。

“分类和模式识别”类别中的地理处理函数

地理处理函数	描述
分类栅格	根据 Esri 分类器定义文件 (.ecd) 和栅格数据集输入对栅格数据集进行分类。 .ecd 文件包含执行 Esri 支持的特定类型分类所需的所有信息。 对此工具的输入必须与用于生成所需 .ecd 文件的输入相匹配。
计算混淆矩阵	使用漏分误差和错分误差计算混淆矩阵，然后派生出分类地图与参考数据之间的一致性 kappa 指数和整体精度。
计算分割影像属性	计算一组与分割影像相关的属性。 输入栅格可以是单波段或 3 波段的8 位分割影像。
创建精度评估点	创建用于分类后精度评估的随机采样点。
从种子点生成训练样本	从种子点（如精度评估点或训练样本点）生成训练样本。 典型用例是从现有源（如专题栅格或要素类）生成训练样本。
检查训练样本	估计个人训练样本的精度。 交叉验证精度是使用 .ecd 文件中先前生成的分类训练结果及训练样本进行计算的。 输出包括以下内容：包含误分类类值的栅格数据集，包含每个训练样本精度得分的训练样本数据集。
线性光谱解混	用于执行亚像素分类和计算单个像素的不同土地覆被类型的分数丰度。
使用回归模型预测	使用训练随机树回归模型工具的输出来预测数据值。
移除栅格影像分割块伪影	校正作为栅格函数执行的分割过程中被切片边界切割的线段或对象。 该工具对于在影像切片边界附近会有不一致现象的某些区域过程（例如影像分割）有所帮助。 该加工过程包括在 Mean Shift 影像分割工具中，只应在非该工具制作的分割影像上使用。
Mean Shift 影像分割	将相邻并具有相似光谱特征的像素组合到一个分割块中。
训练 Iso 聚类分类器	使用 Iso 聚类分类定义生成 Esri 分类器定义文件 (.ecd)。
训练 K - 最近邻分类器	使用 K - 最近邻域分类方法生成 Esri 分类器定义文件 (.ecd)。
训练最大似然法分类器	使用最大似然法分类器 (MLC) 分类定义生成 Esri 分类器定义文件 (.ecd)。
训练随机树分类器	使用随机树分类方法生成 Esri 分类器定义文件 (.ecd)。
训练随机树回归模型	使用随机树分析为解释变量与目标数据集之间的关系建模。
训练支持向量机分类器	使用支持向量机 (SVM) 分类定义生成 Esri 分类器定义文件 (.ecd)。
更新精度评估点	更新属性表中的 Target 字段，将参考点与分类的影像进行比较。