获得 Image Analyst 许可后可用。
需要 Spatial Analyst 许可。
对影像分类
您可以通过分类工具从非监督分类技术或监督分类技术中进行选择，以对栅格数据集中的像素或对象进行分类。 要显示分类工具，在内容窗格中选择要进行分类的栅格，然后在影像选项卡中，单击分类工具下拉箭头。
对于监督分类，您需要提供训练样本文件。 您可以使用分类工具下拉列表中的训练样本管理器来创建训练样本，或者您也可以提供现有的训练样本文件。 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
对于基于对象的影像分析，您需要提供分割影像。 您可以使用分类工具下拉列表中的分割工具创建分割影像。
可使用五种分类器对数据进行分类：
- ISO 聚类 - ISO 聚类分类器将执行非监督分类。 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。
- 最大似然法 - 最大似然法分类器是一种传统的影像分类技术。 该分类基于两条原则：多维空间中每个类样本中的像素呈正态分布和贝叶斯决策理论。
- 随机树 - 随机树分类器是一种强大的影像分类技术，它可防止过度拟合，并可处理分割影像及其他辅助栅格数据集。 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对各像素执行随机树分类。
- 支持向量机 (SVM) - SVM 分类器提供了一种强大的监督分类方法，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。 这是一种被研究人员广泛采用的分类方法。
- 训练 K - 最近邻 - K 最近邻分类器是一种非参数化分类方法，用于按像素或分割的邻域的多数投票对其进行分类。 K 是用于投票的定义的邻数量。
影像分类工具中可用的分类器类型如下所述。
ISO 聚类
使用 ISO 聚类算法执行非监督分类，以确定多维属性空间中像元自然分组的特征。
| 参数名称 | 描述 |
|---|---|
类别的最大数量: | 分组像素或段所需的最大类数。 此参数应根据图例中类的数量进行设置。 您获取的要素类可能会少于此参数中指定的数量。 如果需要更多要素类，可在训练过程结束后增加此值并聚集类。 |
最大迭代次数 | 要运行的聚类过程的最大迭代次数。 推荐范围为 10 到 20 次迭代之间。 增加此值将会使处理时间呈线性增加。 |
每个迭代的最大聚类合并数 | 聚类可被合并的最大次数。 增加合并的数量将减少所创建的类。 较小值将生成较多的类。 |
最大合并距离 | 增加距离将允许更多的聚类合并，从而生成较少的类。 较小值将生成较多的类。 此距离的属性为光谱且基于 RGB 颜色。 例如，RGB 值为 100、100、100 的像素与 RGB 值为 100、130、120 的像素之间的距离为 50。 尽管您可将其设置为任何值，但是 0 至 5 之间的值可提供最佳结果。 |
每个聚类的最小样本数 | 一个有效聚类或类中的最小像素数或分割数。 已表明默认值 20 对于创建具有统计显著性的类有效。 可增加这一数量来获得更强大的要素类；但是，这样可能会限制所创建要素类的总数。 |
跳过因子 | 要为像素影像输入跳过的像素数。 如果输入是分段影像，则请指定要跳过的段数。 |
分割影像 | 或者，可以整合分割影像，以执行基于对象的分类。 |
分割影像属性 | 使用分割影像时，可以从分割影像中选择要使用的属性：
|
输出分类数据集 | 选择分类输出的名称和输出位置。 |
输出分类定义文件 | 这是包含属性信息、统计数据、超平面矢量和分类器所需的其他信息的 JSON 文件。 将创建扩展名为 .ecd 的文件。 |
最大似然法
执行最大似然分类，该分类基于两条原则：多维空间中每个类样本中的像素呈正态分布和贝叶斯决策理论。
| 参数名称 | 描述 |
|---|---|
训练样本 | 选择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。 |
分割影像 | 或者，可以整合分割影像，以执行基于对象的分类。 |
分割影像属性 | 使用分割影像时，可以从分割影像中选择要使用的属性：
|
输出分类数据集 | 选择分类输出的名称和输出位置。 |
输出分类定义文件 | 这是包含属性信息、统计数据、超平面矢量和分类器所需的其他信息的 JSON 文件。 将创建扩展名为 .ecd 的文件。 |
随机树
执行随机树分类，该分类使用通过相同训练数据的微小差异进行训练的多个决策树。 对样本进行分类时，由这些经过训练的决策树的大多数投票决定输出类。 与单个树相比，这样一组树不易受到过度拟合的影响。
| 参数名称 | 描述 |
|---|---|
训练样本 | 选择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。 |
最大树数 | 森林中的最多树数。 增加树的数量将提高精确度，尽管此改进最终会逐渐减缓。 树的数量将线性增加处理时间。 |
最大树深 | 森林中的每个树的最大深度。 深度是指每个树为制定决策而允许创建的规则数。 树的深度不会超过此设置。 |
每个类的最大样本数 | 用于定义每个类的样本的最大数量。 如果输入为非分割栅格，建议使用默认值 1000。 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。 |
分割影像 | 或者，可以整合分割影像，以执行基于对象的分类。 |
分割影像属性 | 使用分割影像时，可以从分割影像中选择要使用的属性：
|
输出分类数据集 | 选择分类输出的名称和输出位置。 |
输出分类定义文件 | 这是包含属性信息、统计数据、超平面矢量和分类器所需的其他信息的 JSON 文件。 将创建扩展名为 .ecd 的文件。 |
支持向量机
执行支持向量机分类，该分类将您的输入数据向量映射到更高维度的要素空间中，从而以最佳方式将数据分隔到不同的类中。 支持向量机可以处理非常大的影像，并且此分类更不容易被噪音、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。
| 参数名称 | 描述 |
|---|---|
训练样本 | 选择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。 |
每个类的最大样本数 | 用于定义每个类的样本的最大数量。 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。 |
分割影像 | 或者，可以整合分割影像，以执行基于对象的分类。 |
分割影像属性 | 使用分割影像时，可以从分割影像中选择要使用的属性：
|
输出分类数据集 | 选择分类输出的名称和输出位置。 |
输出分类定义文件 | 这是包含属性信息、统计数据、超平面矢量和分类器所需的其他信息的 JSON 文件。 将创建扩展名为 .ecd 的文件。 |
K - 最近邻
执行非参数化分类方法，按像素或分割的邻域的多数投票对其进行分类。 K 是用于投票的定义的邻数量。
| 参数名称 | 描述 |
|---|---|
训练样本 | 选择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。 |
维度值字段 | 在输入训练样本要素类中包含尺寸值。 使用使用 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。 |
k 最近邻 | 将用于搜索每个输入像素或线段的相邻要素数。 增加相邻要素数量将减少单个相邻要素对分类结果的影响。 默认值为 1。 |
每个类的最大样本数 | 将用于每个类的最大训练样本数。 如果输入为非分割栅格，建议使用默认值 1000。 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。 |
分割影像 | 或者，可以整合分割影像，以执行基于对象的分类。 |
分割影像属性 | 使用分割影像时，可以从分割影像中选择要使用的属性：
|
输出分类数据集 | 选择分类输出的名称和输出位置。 |
输出分类定义文件 | 这是包含属性信息、统计数据、超平面矢量和分类器所需的其他信息的 JSON 文件。 将创建扩展名为 .ecd 的文件。 |
用于分类和模式识别的其他方法
Image Analyst 工具箱中包含用于分类和模式识别的其他方法，如下所述。
- 使用光谱对栅格进行分类 - 根据输入影像和参考光谱剖面之间的矢量角或光谱信息散度，使用光谱匹配技术对多波段栅格数据集进行分类。 输出包括输出分类栅格、输出分类器定义文件 (.ecd) 和输出得分栅格。 输出得分栅格为多波段栅格，用于存储每个末端成员的匹配结果。
- 训练随机树回归模型 - 对解释变量（自变量）和目标数据集（因变量）之间的关系进行建模。 该工具可用于训练各种数据类型。 输入栅格（解释变量）可以为一个栅格或栅格列表、单个波段或多波段（其中每个波段为一个解释变量）、多维栅格（其中栅格中的变量为解释变量）或数据类型组合。
输出包括以下内容：
- 包含用于描述在模型中使用的每个解释变量的重要性的信息的表
- 训练数据、测试数据和位置测试数据的散点图
- 包含属性信息、统计数据和分类器信息的回归定义 (.ecd)
- 使用回归模型预测 - 使用训练随机树回归模型工具的输出预测数据值。 输出为预测值的栅格。