训练支持向量机分类器 (Spatial Analyst)

需要 Spatial Analyst 许可。

获得 Image Analyst 许可后可用。

摘要

使用支持向量机 (SVM) 分类定义生成 Esri 分类器定义文件 (.ecd)。

使用情况

  • SVM 分类器是一种监督分类方法。非常适合用于处理分割栅格输入,还可以处理标准影像。是研究团体常用的一种分类方法。

  • 对于标准影像输入,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基于像素执行 SVM 分类。

  • 对于关键属性设置为分割的分割栅格,此工具将计算 RGB 分割栅格中的索引影像及相关的分割影像属性。计算的属性将用于生成要在独立分类工具中使用的分类器定义文件。可根据任意 Esri 支持的影像计算每个分割影像的属性。

  • 使用 SVM 分类器而不是最大似然分类方法有几个优点:

    • SVM 分类器需要的样本较少,且不需要样本呈正态分布。
    • 它更不容易被噪音、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。

  • 任何 Esri 支持的栅格都可用作输入,包括栅格产品、分割栅格、镶嵌、影像服务或通用栅格数据集。分割栅格必须为 8 位 3 波段栅格。

  • 要创建训练样本文件,请使用分类工具下拉菜单中的训练样本管理器窗格。

  • 仅在其中一个栅格图层输入为分割影像的情况下激活分割属性参数。

  • 使用连续变化检测和分类 (CCDC) 算法对时间序列栅格数据进行分类需要两步过程。 首先,运行使用 CCDC 分析变化工具,该工具具有 Image Analyst 扩展许可。 接下来,将这些结果用作此培训工具的输入。

    训练样本数据必须已使用 训练样本管理器进行多次采集。 每个样本的尺寸值将在训练样本要素类的一个字段中列出,而该值是在维度值字段参数中指定。

参数

标注说明数据类型
输入栅格

待分类的栅格数据集。

首选输入项为 8 位 3 波段分割栅格数据集,其中所有位于同一分割的像素具有相同的颜色。输入也可以是 8 位单波段灰度分割栅格。如果没有可用的分割栅格,可使用任何 Esri 支持的栅格数据集

Raster Layer; Mosaic Layer; Image Service; String
输入训练样本文件

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。 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

Feature Layer
输出分类器定义文件

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输出 JSON 格式文件。 将创建 .ecd 文件。

File
附加输入栅格
(可选)

将对其他栅格数据集(如多光谱影像或 DEM)进行整合,从而为分类生成属性和其他所需信息。 设置此参数属于可选操作。

Raster Layer; Mosaic Layer; Image Service; String
每个类的最大样本数
(可选)

用于定义每个类的最大样本数。

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。

Long
所用的分割影像属性
(可选)

指定要包括在与输出栅格相关联的属性表中的属性。

仅当在输入栅格上将分割关键属性设置为 true 时,此参数才会激活。 如果该工具中的唯一输入是分割影像,则默认属性为聚合颜色像素计数紧密度垂直度。 如果将附加输入栅格值作为输入与分割影像一起添加进来,则还可以使用平均数字值标准差属性。

  • 聚合颜色RGB 颜色值将基于每个分割从输入栅格获取。 这也称为平均色度。
  • 平均数字值基于每个分割,将从可选像素图像中获取的平均数字值 (DN)。
  • 标准差基于每个分割,将从可选像素影像中获取的标准差。
  • 像素计数基于每个分割,构成分割的像素数。
  • 紧密度基于每个分割,决定分割为紧凑型还是圆形的度数。 值的范围从 0 到 1,1 表示圆形。
  • 垂直度基于每个分割,决定分割为矩形的度数。 值的范围从 0 到 1,1 表示矩形。
String
维度值字段
(可选)

在输入训练样本要素类中包含尺寸值。

使用 Image Analyst 工具箱中使用 CCDC 分析变化工具的变化分析栅格输出来分类栅格数据的时间序列时,需要使用此参数。

Field

TrainSupportVectorMachineClassifier(in_raster, in_training_features, out_classifier_definition, {in_additional_raster}, {max_samples_per_class}, {used_attributes}, {dimension_value_field})
名称说明数据类型
in_raster

待分类的栅格数据集。

首选输入项为 8 位 3 波段分割栅格数据集,其中所有位于同一分割的像素具有相同的颜色。输入也可以是 8 位单波段灰度分割栅格。如果没有可用的分割栅格,可使用任何 Esri 支持的栅格数据集

Raster Layer; Mosaic Layer; Image Service; String
in_training_features

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。 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

Feature Layer
out_classifier_definition

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输出 JSON 格式文件。 将创建 .ecd 文件。

File
in_additional_raster
(可选)

将对其他栅格数据集(如多光谱影像或 DEM)进行整合,从而为分类生成属性和其他所需信息。 设置此参数属于可选操作。

Raster Layer; Mosaic Layer; Image Service; String
max_samples_per_class
(可选)

用于定义每个类的最大样本数。

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。

Long
used_attributes
[used_attributes;used_attributes,...]
(可选)

指定要包括在与输出栅格相关联的属性表中的属性。

  • COLORRGB 颜色值将基于每个分割从输入栅格获取。 这也称为平均色度。
  • MEAN基于每个分割,将从可选像素图像中获取的平均数字值 (DN)。
  • STD基于每个分割,将从可选像素影像中获取的标准差。
  • COUNT基于每个分割,构成分割的像素数。
  • COMPACTNESS基于每个分割,决定分割为紧凑型还是圆形的度数。 值的范围从 0 到 1,1 表示圆形。
  • RECTANGULARITY基于每个分割,决定分割为矩形的度数。 值的范围从 0 到 1,1 表示矩形。

仅当在输入栅格上将分割关键属性设置为 true 时,此参数才可用。 如果仅对此工具输入分割影像,则默认属性为 COLORCOUNTCOMPACTNESSRECTANGULARITY。 如果将 in_additional_raster 值作为输入与分割影像一起添加进来,则还可以使用 MEANSTD 属性。

String
dimension_value_field
(可选)

在输入训练样本要素类中包含尺寸值。

使用 Image Analyst 工具箱中使用 CCDC 分析变化工具的变化分析栅格输出来分类栅格数据的时间序列时,需要使用此参数。

Field

代码示例

TrainSupportVectorMachineClassifier 示例 1(Python 窗口)

此 Python 示例使用 SVM 分类器对分割栅格进行分类。

import arcpy
from arcpy.sa import *

arcpy.gp.TrainSupportVectorMachineClassifier(
    "c:/test/moncton_seg.tif", "c:/test/train.gdb/train_features",
    "c:/output/moncton_sig_SVM.ecd", "c:/test/moncton.tif", "10",
    "COLOR;MEAN;STD;COUNT;COMPACTNESS;RECTANGULARITY")
TrainSupportVectorMachineClassifier 示例 2(独立脚本)

此 Python 脚本使用 SVM 分类器对分割栅格进行分类。

# Import system modules
import arcpy
from arcpy.sa import *


# Set local variables
inSegRaster = "c:/test/moncton_seg.tif"
train_features = "c:/test/train.gdb/train_features"
out_definition = "c:/output/moncton_sig.ecd"
in_additional_raster = "c:/moncton.tif"
maxNumSamples = "10"
attributes = "COLOR;MEAN;STD;COUNT;COMPACTNESS;RECTANGULARITY"

#Execute
arcpy.gp.TrainSupportVectorMachineClassifier(
    inSegRaster, train_features, out_definition, 
    in_additional_raster, maxNumSamples, attributes)
TrainSupportVectorMachineClassifier 示例 3(独立脚本)

该 Python 脚本使用 SVM 分类器,通过来自使用 CCDC 分析变化工具的输出对时间序列多维栅格进行分类。

# Import system modules
import arcpy
from arcpy.sa import *

# Check out the ArcGIS Spatial Analyst extension license
arcpy.CheckOutExtension("Spatial")


# Set local variables
in_changeAnalysisRaster = "c:/test/LandsatCCDC.crf"
train_features = "c:/test/train.gdb/train_features"
out_definition = "c:/output/change_detection.ecd"
additional_raster = ''
attributes = None
dimension_field = "DateTime"

# Execute
arcpy.sa.TrainSupportVectorMachineClassifier(
    in_changeAnalysisRaster, train_features, out_definition, 
	additional_raster, attributes, dimension_field)

许可信息

  • Basic: 需要 Spatial Analyst 或 Image Analyst
  • Standard: 需要 Spatial Analyst 或 Image Analyst
  • Advanced: 需要 Spatial Analyst 或 Image Analyst

相关主题