影像分类向导

获得 Image Analyst 许可后可用。

需要 Spatial Analyst 许可。

影像分类是从多波段遥感影像中提取信息类别(例如土地覆被类别)的过程。 工作流涉及从预处理到分割、训练样本选择、训练、分类和评估精度的多个步骤。 每个步骤可以是迭代的,并且该过程需要深入了解输入影像、分类方案、分类方法、预期结果和可接受的精度。

分类向导

分类向导可指导用户完成从始至终的整个分类工作流。 分类向导提供由最佳实践和简化的用户体验组成的指导工作流,以便您在不错过任何步骤的情况下执行影像分类。 有经验的用户可以使用影像分类组的分类工具下拉菜单中可用的单个工具。 这些工具与分类向导包含的工具相同。

可在影像选项卡的影像分类组中找到分类向导。 在内容窗格中选择要分类的栅格数据集以显示影像选项卡,同时确保您正在使用 2D 地图。 如果活动地图是 3D 场景,或者突出显示的影像不是多波段影像,则分类向导将被禁用。

配置

单击影像选项卡上的分类向导按钮 分类向导 以打开和停靠向导。 第一页是配置页面,可在其中设置分类工程。 此处设置的参数将确定后续向导页面中可用的步骤和功能。

“影像分类向导配置”页面

分类方法

您将使用两种方法对影像进行分类。

选项名称描述

非监督

分类的结果是在没有训练样本的情况下确定的。 基于 ISO 聚类分类器将像素或分割影像统计分配到类。 基于光谱和空间特性将像素分组成类。 您需要提供要计算的类的数量,并在分类完成后识别和合并类。

监督

分类的结果取决于提供的训练样本。 训练样本是您要在影像中分类的所有类的代表站点。 这些站点将被存储为点或面要素类,每个要素都具有相应的类名称,并根据用户对源数据和预期结果的了解对站点进行创建或选择。 使用训练样本的特性对影像中的所有其他像素进行分类。 这是默认选项。

分类类型

对于监督和非监督分类,分类类型有两种选择。

选项名称描述

基于像素

基于每个像素执行分类,其中单个像素的光谱特性确定其将分配到的类。 在基于像素的方法中不考虑相邻像素的特性。 这被认为是更传统的分类方法,并且可以在分类影像中产生斑点效果。

基于对象

对像素的局部邻域执行分类,将其与分割影像的过程组合在一起。 在将像素分类为对象时,分割影像会考虑颜色和形状特性。 由分割产生的对象更接近真实世界要素,并可产生更清晰的分类结果。 这是默认选项。

分类方案

分类方案确定了用于监督分类的类的数量和类型。 方案可以是分级的,这意味着可以有包含子类的类。 例如,您可以为一个森林类指定常绿林和落叶树森林的子类。 方案将保存在 Esri 分类方案文件 (.ecs) 中,该文件使用 JSON 语法。 您可以选择下列选项以指定分类方案:

  • 浏览至现有方案。
  • 从表示训练样本的现有要素类生成方案。 如果您计划引用现有的训练样本数据集,请选择此选项。
  • 根据现有栅格类地图生成方案。
  • 使用北美洲的美国国家土地覆被数据集的默认方案。 如果要创建自定义方案,请选择此选项并在训练样本管理器页面进行修改。

输出位置

这是一个工作空间或目录,用来存储分类向导中创建的所有输出,包括训练数据、分割影像、自定义方案、精度评估信息以及分类结果。

注:

使用存储在用户临时目录中的分类向导创建所有中间文件。 这通常为 C:\Windows\Temp,但可能会因操作系统和访问权限而有所不同。

分割影像

如果您选择将基于对象分类作为分类类型,则这仅是一个选项。 如果您已创建分割影像,可参考现有数据集。 否则,作为下一页上的步骤,您将需要创建分割影像。

注:

如果之前尚未创建分割栅格,请在训练分类器之前创建它。 这是一项计算密集型操作,创建分割栅格数据集可能需要很长时间。 对于大型数据集,强烈建议您事先创建分割栅格,并在配置分类工程时将其指定为输入。

训练样本

如果您选择将监督作为分类方法,则这仅是一个选项。 您可以使用分类工具下拉列表中的训练样本管理器窗格来创建训练样本,或者您也可以提供现有的训练样本文件。 这可以是包含训练样本的 shapefile 或要素类,并且必须与分类模式相对应。 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
注:

支持在 ArcGIS Desktop 中使用影像分类工具条创建的训练样本。

参考数据集

如果要评估分类结果的精度,则需要提供参考数据集。 参考数据由具有已知位置和类值的要素组成,可以使用外业调查、现有类地图、栅格陆基或更高分辨率的影像来采集。 您的影像分类结果将与您的参考数据进行比较,以进行精度评估。 参考数据集的类需要与分类方案相匹配。

参考数据可以为以下格式之一:

  • 栅格数据集,即分类影像。
  • 面要素类或 shapefile。 要素类属性表的格式需要与训练样本相匹配。 为了确保这一点,您可以使用训练样本管理器工具创建参考数据集。
  • 点要素类或 shapefile。 格式需要与创建精度评估工具的输出相匹配。 如果您正在使用一个现有文件并且想要将其转换为适当的格式,请使用创建精度评估点地理处理工具。

影像分割

此页面仅在您选择将基于对象作为分类类型时可用,并且您未在配置页面指定现有的分割栅格数据集。 分割是基于对象分类工作流的重要组成部分。 此过程可将颜色相似并具有特定形状特征的相邻像素分成一组。

可通过三种参数控制影像分割为对象的方式。

  • 光谱详细级别 - 将给定的重要性级别设置为影像中的要素光谱差异。

    值的有效范围从 1.0 到 20.0。 当您需要更详细的分类时,较高的值是比较合适的,其中具有某些类似光谱特性的要素将被分类到不同的类中。 例如,森林场景的光谱细节值越高,不同树种之间的差异则越大。

    较小的值会提高影像细节的平滑度。 例如,如果您对建筑屋顶的分类感兴趣但没有关于屋顶设备的任何细节,请使用较低的光谱细节值。

  • 空间详细级别 - 将给定的重要性级别设置为影像中要素之间的邻近性。 值的有效范围从 1 到 20。 如果感兴趣要素小且聚集在一起,则适合使用较高的值。 值越小,创建的空间性输出越为平滑。 例如在市区场景中,您可以使用较小的空间细节值对不可渗透表面进行分类,也可以使用较高的空间细节值将建筑物和道路归为不同的类。
  • 最小分割大小(以像素为单位)- 将小于此大小的分割影像与其最适合的相邻分割影像合并。 此值与工程的最小制图单位相关。

如果想要将分割影像在影像中显示为叠加面,可使用仅显示分割影像边界选项。

可以使用栅格图层镶嵌图层选项卡的效果组中的卷帘工具对分割影像与源影像进行比较。 通过更改参数重新动态运行分割,并通过平移和缩放地图来检查结果。 如果分割影像符合您的要求,单击下一步

注:

预览基于处理当前显示器像素的栅格函数,并以显示器分辨率进行重采样。 这可能会导致预览与区域操作的实际保存结果之间出现细微差异。

训练样本管理器工具

仅在您选择监督作为分类方法时,此页面才可用。

页面打开后,您可以在顶部看到方案管理部分,可在此处自动加载配置页面上的所选方案。 可在此创建新类或移除现有类,以自定义方案。 要创建最高级别的新父类,请选择方案名称,然后单击添加新类按钮。 要创建子类,请选择父类,然后单击添加新类。 系统会将子类组织到父类中。 右键单击任意类以编辑类属性。

训练样本管理器方案管理

页面底部会显示所有类的训练样本。 可为影像中的每个土地覆被类选择代表站点或训练样本。 训练样本中具有位置信息(面)和关联的土地覆被类。 影像分类算法使用训练样本(另存为要素类)来识别整个影像中的土地覆被类。 如果提供了配置页面上的训练样本数据集,则将看到此处列出的训练样本。

您可以通过添加、分组或移除训练样本来对其进行查看和管理。 您可以单个移除训练样本,也可选中这些样本以将其分组在一起,然后单击删除按钮。 当您选中训练样本后,该样本将在地图上处于选中状态。 双击表中的训练样本以在地图中缩放。

训练样本管理器训练样本列表

要创建训练样本,请完成以下步骤:

  1. 在方案管理器中选择要收集训练样本的类。
  2. 选择一个草图工具或使用分割选取器,开始采集训练样本。
    1. 要使用分割选取器工具,必须将分割影像放到内容窗格中。 如果内容窗格中具有多个分割图层,请使用下拉列表选择要从中采集训练样本的分割图层。
    2. 单击地图以将分割添加为训练样本。

    代表类的各个训练样本列在训练样本管理器中。

  3. 您可以通过选择多个训练样本进行组织,并单击折叠按钮 合并分支 将它们组合成一个类标题。

注:

训练样本表列出了定义每个类的样本数。 如果您使用了分割选取器来采集训练样本,则样本数是您选择用于定义类的分割数量。 当您使用统计分类器(例如最大似然法)时,这一点尤为重要,因为分割数量代表了样本的总数量。 例如,如果收集八个分割影像作为一个类的训练样本,则可能不是一个用于生成可靠分类的具有统计显著性的样本数量。 但是,如果您收集相同训练样本作为像素,则您的训练样本可能由数百或数千个像素表示,那么这就是具有统计显著性的样本数量。

训练样本表列出了表示一个类的像素与表示所有类的像素总数相比较的百分比。 当使用诸如最大似然法的统计分类器时,该百分比很重要。 当使用非参数机器学习分类器时(例如随机树和支持矢量机),训练样本的数量和百分比则不太重要。

火车

请选择下表中描述的分类方法之一:

分类器描述

ISO 聚类

ISO 聚类分类器使用 K 均值方法执行无监督分类。 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。 如果您在配置页面上选择了非监督作为分类方法,则只有分类器可用。

K - 最近邻

K - 最近邻分类器执行 K - 最近邻分类,通过其邻的多数投票对像素进行分类。 训练过程将训练样本分配给其各自的类别。 K 是用于投票的定义的邻数量。

最大似然法

最大似然法分类器是一种传统参数的影像分类技术。 为了获得可靠的结果,每个类别应由具有正态分布的统计显著性数量的训练样本表示,并且代表每个类的训练样本的相对数量应该相似。

随机树

随机树分类器是一种先进的机器学习技术,可防止过度拟合,可处理分割影像和其他辅助栅格数据集以及多光谱影像。 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执行随机树分类(有时称为随机森林分类)。

如果您选择了基于对象分类,则可以选择任意或所有用于训练分类器的分割影像属性。

支持向量机

支持向量机分类器是一种先进的机器学习分类方法,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。 内核将使用非线性径向基函数 (RBF),该函数使用具有最佳参数对 (C, gamma) 的 2D 格网。

如果您选择了基于对象分类,则可以选择任意或所有用于训练分类器的分割影像属性。

单击运行后,将训练分类器。

运行完毕后,可以使用栅格图层镶嵌图层选项卡上的卷帘工具直观地验证源影像结果。 您可以使用不同的设置或使用不同的分类器比较结果,方法是:单击上一个并调整设置,或选择要运行的其他分类器。 然后,您可以使用以下方法比较不同的分类结果:使用卷帘工具或在内容窗格单击打开和关闭图层。 对分类结果感到满意后,单击下一个

分类

单击运行将分类结果保存到指定的输出目录或工程数据库。 或者,您可以选择保存输出类定义文件 (.ecd)。

分配类

仅当您选择非监督作为分类方法时,才会显示此页面。 根据您指定的类的数目,使用源影像的像素或细分特性,已创建了许多类。 现在,您需要根据使用中的分类方案为每个类分配含义。 分配类页面的顶部显示了方案中的类列表,底部则显示了生成的类列表。

  1. 从页面顶部的方案列表中选择一个类。
  2. 单击分配工具,然后在您希望分配到方案类的类地图上选择类。 在分配类的过程中,可以查看基础影像,以验证新类值是否合理。 按 L 键可更改已分类影像的透明度。 检查该表,并确认系统已使用被分配旧类值的类对旧类进行了更新。 将更新类颜色以反映该方案。

    如果要取消选中内容窗格的类地图以便显示源影像,则可以单击影像中的要素(例如,灰色屋顶或草坪),这一操作将继续重新分配类地图中的相应类。

合并类

执行监督分类后,您可以将多个类合并为更广泛的类。 原始类名称将列在合并类页面的旧类列中。 在此您可以根据需要对整个类进行更改,但仅限于对方案中的父类进行更改。 例如,在此页面上,您可将落叶林更改为森林,但无法将落叶林更改为水。 如需进行此类编辑或更改单个要素,请使用重分类器页面。

监督合并类

精度评估

您的影像分类结果将与精确度评估配置页面提供的参考数据相比较。 参考数据集的分类方案必须与已分类影像的分类方案相匹配。

随机点的数量

将生成的随机点总数。

根据采样策略和类数,实际数量可能会超出此数量但绝不会低于此数量。 默认随机生成的点数为 500。

采样策略

指定要使用的采样方法:

  • 分层随机 - 创建每个类中随机分布的点,每个类的点数与其相对区域是成比例的。 此方法会对影像进行采样,以便每个类的样本点数与影像中每个类的面积成比例。 最终精度评估结果可代表影像。 这是默认设置。
  • 均衡化分层随机 - 创建每个类中随机分布的点,每个类具有相同的点数。 此方法会将相同的样本点数分配给每个类,无论每个类在影像中的面积为何。 最终精度评估结果无法代表影像,但是可通过向每个类分配相同的权重衡量精度。 这是用于精度评估的分层随机采样的替代方法。
  • 随机 - 创建整个影像中随机分布的点。 此方法可在影像上对点进行随机采样。 由于不涉及分层,因此最终精度评估结果可代表影像;但是,当使用的样本点数量较少时,代表小区域的一些类可能缺失或不具有充分的代表性。

分析对角线

用 0 - 1 表示精度,其中 1 表示精度为 100%。 颜色从浅蓝色过渡到深蓝色,颜色越深表示精度越高。 沿对角线的值表示类别分配的总体精度。

精度评估

分析偏离对角线

与对角线不同,偏离对角线的像元显示基于遗漏和错分的误差。 漏分误差是指遗漏了分类影像中的正确像素或分割影像,导致正确类别在分类过程中被遗漏或减少。 错分误差是指将像素分类错误,导致类别错误增大。 一个类中的漏分误差被视为另一个类中的错分误差。

如果要检查错误矩阵值,请加载并打开保存在工程或输出文件夹中的输出混淆矩阵。 此错误报告(.dbf 格式)列出了每个类的用户和生产者错误,并包含总体精度的 kappa 统计协议。

确定影像分类的精度在您的预期内是可接受的后,您可以转到分类向导的最终页面。 如果不在您的预期内,则可以考虑重新创建训练样本、调整参数或使用不同的分类,或者使用不同的参考数据进行测试。

重分类器

对影像进行分类后,在分类结果中可能遇到较小误差。 要解决这些错误,较为容易的方法是编辑最终分类影像,而不是重新创建训练场和重新进行分类步骤。 该重新分类页面允许您对分类影像中的各个要素或对象进行编辑。 这是一个后处理步骤,用于应付分类过程中出现的错误。 您所做的所有更改都会显示在编辑日志文件中,您可以选择打开或关闭您所做的任何编辑。 在对影像进行重分类以纠正错误时,请查看基础影像以验证对象是否合理。 按 L 键可更改已分类影像的透明度。

  1. 对于当前类新类,选择用于重新分类的类。
  2. 对区域内对象或类进行重新分类。
    • 使用重分类对象工具 重分类对象,在分类影像上绘制一个圆。 作为圆起源的分割影像将被更改为新类。
    • 使用在区域内重分类工具 在区域内重分类,在分类影像上绘制一个面。 此面内的当前类将更改为新类。
  3. 使用编辑日志验证要保留或放弃的编辑内容,并为存储在配置页面输出位置中的最终分类数据集命名。

相关主题