了解图像分割和分类

需要 Spatial Analyst 许可。

获得 Image Analyst 许可后可用。

图像分割和分类工具提供了一种基于对象从影像中提取要素的方法。 这些对象通过影像分割过程创建,其中将紧密邻近且具有相似光谱特性的像素分组到同一分割中。 可将具有某些形状、光谱特性和空间特征的分割进一步分组到对象中。 然后可将对象分组到表示地面上真实世界要素的类中。 还可以在像素影像(例如传统未分割影像)上执行影像分类。

面向对象的要素提取过程是由涵盖三个主要功能(图像分割、得出关于分割的分析信息、分类)的工具所支持的工作流。 一个工具的数据输出是后续工具的输入,其目的是为了生成有意义的面向对象的要素类地图。 面向对象的过程类似于传统影像,是一个基于像素的分类过程,使用了监督和非监督分类技术。 该过程不是对像素进行分类,而是对分割进行分类,分割可被视为超级像素。 每个分割或超级像素可由生成分类影像的分类工具所使用的一组属性来表示。

下面是说明面向对象要素提取工作流的地理处理模型。

面向对象的要素提取工作流

影像分割

影像分割基于Mean Shift 方法。 该技术使用移动窗口来计算平均像素值以确定每个分割中应该包括的像素。 当窗口在影像上方移动时,迭代式地重新计算值以确保每个分割都是合适的。 结果是将影像像素分组到以中间色为特征的分割中。

Mean Shift 影像分割工具可接受任何 Esri 支持的栅格并可输出关键属性设置为已分割的 3 波段 8 位彩色分割影像。 影像分割的特征取决于三个参数:光谱详细级别、空间详细级别和最小分割大小。 您可以改变感兴趣要素特征的详细信息。 例如,如果对隔绝要素比对单个建筑物更感兴趣,则可将空间细节参数调整为较小的数字,这样会使结果更平滑且更概括。

下图是已分割的彩色红外 WorldView-2 场景,由 DigitalGlobe 赞助提供。 分割影像显示了一起分组到对象中的相似区域,该区域内没有过多斑点。 它对区域进行了概化以使所有要素可作为较大的连续区域。

彩色红外 WorldView-2 场景
彩色红外 WorldView-2 场景,由 DigitalGlobe 提供。
分割影像
基于 WorldView-2 场景的分割影像。

参考文献:

  • D. Comanicu, P. Meer: Mean shift: A robust approach toward feature space analysis. IEEE Transactions on Pattern Analysis and Machine Intelligence, vol. 24, no. 5, May 2002.
  • P. Meer, B. Georgescu: Edge detection with embedded confidence. IEEE Transactions on Pattern Analysis and Machine Intelligence, vol. 23, no. 12, May 2001.
  • C. Christoudias, B. Georgescu, P. Meer: Synergism in low level vision. 16th International Conference of Pattern Recognition, Track 1 - Computer Vision and Robotics, Quebec City, Canada, August 2001.

训练样本数据

收集训练样本数据意味着描绘一组表示特定要素的像素,这些像素可根据影像描绘。 然后将影像中的所有像素与指定的并分配给特定类的类定义进行统计性比较。 训练样本不应包含任何不属于感兴趣类的不需要的像素。 只选择每个类中正确的像素时,结果通常以钟形正态分布为特征。 确保训练样本面包含大量的像素,尤其是在使用最大似然法分类器时。 例如,10 乘 10 的像素块等于 100 个像素,该数据量适用于训练面,并且具有统计显著性。

分割栅格数据集与像素影像不同,每个分割(有时被称为超级像素)由一组值来表示。 虽然从影像获取包含 100 像素的训练样本面很容易,但从分割栅格数据集获取 100 个分割却需要更多工作。

参数分类器(例如最大似然法分类器)需要统计意义上的大量样本才能生成有意义的概率密度函数。 要获得具有统计显著性的样本,每个类应该有 20 个以上样本。 这意味着应该针对每个类(例如裸土、落叶树或柏油路面)采集至少 20 个分割才能定义每个要素类。

平滑度将会影响每个分割的大小和类似程度。 使用高平滑系数的分割栅格将可能包含大型分割和源影像中显示的多种类型的要素。 由于平滑效果,建议在分割栅格数据集上采集训练样本。 这将有助于确保训练样本采集自单独的离散分割。

分析信息

与分割图层相关联的分析信息由分类器训练工具进行计算,并取决于指定的分类器类型。 使用合适的训练工具分类数据:

分类器描述
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 (KNN) 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)。

最大似然法分类器基于贝叶斯理论。 该理论假设每个类中的样本都遵循正态分布并为每个样本计算所有类的概率,然后将具有最高概率的类分配给该样本。

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)。

随机树分类器是决策树分类器的集成,克服了单一决策树过度拟合的脆弱性。 与 SVM 一样,随机树分类器无需大量的训练样本或假设正态分布。 它是一种被研究人员广泛采用的相对较新的分类方法。

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)。

SVM 分类器将尝试查找每对类的支持向量和分离超平面以使各类之间的间隔最大化。 该分类器提供了一种强大的现代化监督分类方法,所需的样本远远少于最大似然法分类器,且无需假设样本遵循正态分布。 这通常适用于基于分类的分割栅格输入或标准影像。 SVM 被研究人员广泛采用。

训练工具获取要分类的影像、可选分隔图层,和训练场面数据以生成相应的分类器定义文件。 标准训练样本文件用于监督分类器中。

分类器定义 .ecd 文件基于指定的分类器和感兴趣属性,因此分类器定义文件对于每个分类器、栅格输入和属性都是唯一的。 它类似于分类特征文件但更常用,因为它支持任何分类器,而且生成的分类器定义文件专用于源数据和分类器的特定组合。

分类器定义文件可基于任何栅格,不仅仅基于分割栅格。 例如,可以从 IKONOS 多光谱数据中获取分割栅格,从 6 波段全色锐化 WorldView-2 影像、QuickBird、GeoEye、Pleiades、RapidEye 或 Landsat 8 影像生成统计和分析属性数据。 这种灵活性允许您一次获取分割栅格,并根据应用程序使用大量影像源来生成分类器定义文件和分类的要素地图。

计算分割影像属性

上述工具是面向对象工作流中最常用的工具。 附加工具计算分割影像属性支持从第三方应用程序(或向第三方应用程序)添加并导出分割栅格。 该工具可添加分割影像和额外的栅格以计算每个分割影像的属性,并将此信息通过相关属性表输出为索引栅格文件。

该工具的目的是允许进一步对分割栅格进行分析。 可以在第三方统计应用程序或图形应用程序中对属性进行分析,也可以将属性用作 Esri 不支持的其他分类器的输入。 该工具还支持从第三方包中获取分割栅格,从而扩展 Esri 功能,进而提供灵活性以利用第三方数据和应用程序包。

分类

分类栅格工具可执行由 Esri 分类器定义文件指定的影像分类。 工具输入包括要分类的影像、可选的第二个栅格(分割栅格或其他栅格图层,如 DEM)和分类器定义文件以生成分类的栅格数据集。 分类栅格工具将与训练工具得到相同的输入。 请注意,分类栅格工具包含所有支持的分类器。 根据分类器定义文件中包含的属性和信息使用正确的分类器。 因此,由训练 ISO 聚类分类器训练最大似然法分类器训练支持向量机分类器训练随机树分类器工具生成的分类器定义文件可在运行分类栅格时激活相应的分类器。

输出是专题分类栅格数据集,各类分别在相关属性表中标识,并根据训练过程中开发的方案进行配色。

精度评估

精度评估是任何分类工程的重要组成部分;它将分类影像与被认为是精确的另一数据源或参考数据相比较。 参考数据可在户外采集(称为实际地表数据),但是,这样做不仅耗时而且成本较高。 还可以通过解译高分辨率影像、现有分类影像、或 GIS 数据图层获取参考数据。

分类地图精度的最常见评估方法是,根据参考数据创建一组随机点并将其与混淆矩阵中的分类数据进行比较。 尽管此过程需两步,但您可能需要 对不同的分类方法或训练场的结果进行比较,否则您可能不会得到参考数据,而只能依赖您创建分类时使用的影像。 要适应这些工作流,精度评估的两步过程需使用以下工具:创建精度评估点更新精度评估点以及计算混淆矩阵

分类向导

分类流程通常需要进行几个步骤,包括对影像进行适当预处理、分配类类别和创建相关训练数据、执行分类以及评估并优化结果精度。 ArcGIS Pro 中提供的分类向导可指导分析师完成分类工作流并帮助他们获得可接受的结果。

分类向导

相关主题