| 标注 | 说明 | 数据类型 |
输入栅格波段 | 输入栅格波段。 可为整型或浮点型。 | Raster Layer; Mosaic Layer |
类数 | 要将像元划分成的类数目。 | Long |
最小类大小 (可选) | 一个有效类中的最小像元数。 默认值为 20。 | Long |
采样间隔 (可选) | 采样所使用的间隔。 默认值为 10。 | Long |
输出特征文件 (可选) | 输出特征文件。 必须指定 .gsg 扩展名。 | File |
返回值
| 标注 | 说明 | 数据类型 | 输出分类的栅格数据 | 输出分类的栅格。 | Raster |
需要 Spatial Analyst 许可。
摘要
使用 Iso 聚类工具和最大似然法分类工具对一系列输入栅格波段执行非监督分类。
使用情况
将多波段栅格指定为输入栅格波段（Python 中的 in_raster_bands）之一时，将使用所有波段。
要处理一系列来自多波段栅格的波段，可先用波段合成工具创建由这些特定波段组成的新栅格数据集，并在输入栅格波段（Python 中的 in_raster_bands）列表中使用该结果。
此工具生成的特征文件可用作其他分类工具（例如最大似然法分类）的输入，从而更好地控制分类参数。
类数的最小有效值为二。不存在最大聚类数。通常情况下，聚类越多，所需的迭代就越多。
要提供充足的必要统计数据，生成特征文件以供将来分类使用，每个聚类都应当含有足够的像元来准确地表示聚类。为最小类大小输入的值应大约比输入栅格波段中的图层数大 10 倍。
为采样间隔输入的值表示，在聚类计算中每 n 乘 n 块像元中使用一个像元。
不应合并或移除类，也不应更改 ASCII 特征文件的任何统计数据。
通常情况下，输入波段交集范围内所含的像元越多，为最小类大小和采样间隔所指定的值就应当越大。为采样间隔输入的值应当足够小，以便对存在于输入数据中的最小理想类别进行合理采样。
输出特征文件中的类 ID 值以一开始，然后按顺序增加至输入类的数量。可分配任意数量的类数。
输出特征文件的名称必须具有 .gsg 扩展名。
如果所有输入波段的数据范围均相同，则将得到更加理想的结果。如果波段的数据范围差异很大，则可使用“地图代数”执行以下等式，从而将各种数据范围转换为相同的范围。
where: Z is the output raster with new data ranges. X is the input raster. oldmin is the minimum value of the input raster. oldmax is the maximum value of the input raster. newmin is the desired minimum value for the output raster. newmax is the desired maximum value for the output raster.
有关适用于此工具的地理处理环境的详细信息，请参阅分析环境和 Spatial Analyst。
参数
IsoClusterUnsupervisedClassification(Input_raster_bands, Number_of_classes, {Minimum_class_size}, {Sample_interval}, {Output_signature_file})| 名称 | 说明 | 数据类型 |
Input_raster_bands [in_raster_band,...] | 输入栅格波段。 可为整型或浮点型。 | Raster Layer; Mosaic Layer |
Number_of_classes number_of_classes | 要将像元划分成的类数目。 | Long |
Minimum_class_size minimum_class_size (可选) | 一个有效类中的最小像元数。 默认值为 20。 | Long |
Sample_interval sample_interval (可选) | 采样所使用的间隔。 默认值为 10。 | Long |
Output_signature_file out_signature_file (可选) | 输出特征文件。 必须指定 .gsg 扩展名。 | File |
返回值
| 名称 | 说明 | 数据类型 | Output_classified_raster | 输出分类的栅格。 | Raster |
代码示例
此示例将执行将输入波段分为 5 类的非监督分类并输出分类的栅格。
import arcpy
from arcpy import env
from arcpy.sa import *
env.workspace = "C:/sapyexamples/data"
outUnsupervised = IsoClusterUnsupervisedClassification("redlands", 5, 20, 50)
outUnsupervised.save("c:/temp/unsup01")此示例将执行将输入波段分为 5 类的非监督分类并输出分类的栅格。
# Name: IsoClusterUnsupervisedClassification_Ex_02.py
# Description: Uses an isodata clustering algorithm to determine the
# characteristics of the natural groupings of cells in multidimensional
# attribute space and stores the results in an output ASCII signature file.
# Requirements: Spatial Analyst Extension
# Import system modules
import arcpy
from arcpy import env
from arcpy.sa import *
# Set environment settings
env.workspace = "C:/sapyexamples/data"
# Set local variables
inRaster = "redlands"
classes = 5
minMembers = 50
sampInterval = 15
# Execute IsoCluster
outUnsupervised = IsoClusterUnsupervisedClassification(inRaster, classes, minMembers, sampInterval)
outUnsupervised.save("c:/temp/outunsup01.tif")许可信息
- Basic: 需要 Spatial Analyst
- Standard: 需要 Spatial Analyst
- Advanced: 需要 Spatial Analyst