执行分类

需要 Spatial Analyst 许可。

分类的目标是将研究区域中的每个像元分配给一个已知类(监督分类)或一个聚类(非监督分类)。 在这两种情况下,分类的输入均为特征文件,其中包含每个类或聚类的多元统计信息。 每个分类的结果为地图,它将研究区域划分为已知类(这些类对应于训练样本),或自然发生的类(对应于聚类定义的聚类)。 将位置分类为与聚类对应的自然发生的类也称为分层。

最大似然法

一个类中的像元很少为同质像元。 对于用于监督分类的训练样本尤其如此。 例如,如果阴影处的硬木具有类似于阳光下针叶树的反射率特征,则这两种树最终将属于同一类。 从您希望找到熊的栖息地获取的训练样本中的任何位置都可能包含熊会避开的子位置。

在下图中,A 类代表硬木,B 类代表软木。 如何对落在两个类重叠中的像元进行分类? 应将其分类为 A 类还是 B 类?

类的重叠
类的重叠

最大似然分类器为每个类计算像元属于该类的概率(给定其属性值)。 像元将被分配到具有最高概率的类,从而生成术语“最大似然”。

最大似然分类器准确工作需要几个假设:

  • 每个波段的数据应呈正态分布。
  • 每个类都应该在多元属性空间中具有正态分布。
  • 类别的先验概率必须相等 - 也就是说,在没有对属性值进行任何加权的情况下,所有类的可能性都相同。

如果研究区域中每个类别的先验概率不相等,则可以对类别加权。 例如,如果对阿拉斯加的卫星影像进行分类,森林和其他植被类型可以获得比人类住房更高的先验概率。 也就是说,包含房屋的像元位置的几率远小于包含某种植被类型的像元位置的几率。 当像元值落在房屋和植被类型类的重叠部分时,该位置包含植被而不是房屋的可能性更高,因此应相应地对该位置进行分类。

这种概率和加权逻辑基于贝叶斯决策规则。 每个像元和类的实际概率值由每个类的平均值和协方差矩阵确定(存储在特征文件中)。

要执行分类,请使用最大似然分类工具。 此工具需要来自多波段栅格和单个单波段栅格的输入波段以及相应的特征文件。 必须确定对类别或聚类进行加权的方式。 可以通过三种方式对类或聚类进行加权:相等、样本中的像元或文件。 选择相等时,所有类都将以相同的先验概率加权。 选择样本中的像元时,先验概率将与特征文件中每个类或聚类中的像元数成正比。 选择文件后,先验文件输入控件变为活动状态,将从指定文件中读取先验概率。 必须确定剔除分数。 剔除分数用于识别因最低正确分配概率而导致仍未分类的像元部分。 默认值为 0.0;因此,将对每个像元进行分类。 可以创建一个可选的置信度。 最后,必须指定输出栅格的名称。

类别概率

类别概率工具输出概率图层(每个输入类或聚类一个波段),而不是根据输出栅格上的最高概率将像元分配给类别。 每个波段的每个位置的值用于存储该像元属于基于原始输入波段的属性的类或聚类的概率。

此功能在以下情况下非常有用。 假设您正在对图像进行分类,一类是森林,另一类是湿地。 运行该工具后,您会发现森林类输出栅格上有一个像元有 60% 的概率属于森林类,而在湿地输出栅格上有 30% 的概率属于湿地类。 您可能不希望将像元位置分类为森林,而是将其分类为潮湿森林。

多元分类检查

监督分类

以下是执行监督分类的步骤:

  1. 识别输入波段。
  2. 从所需类别的已知位置生成训练样本。
  3. 编制特征文件。
  4. 如有必要,可查看和编辑特征文件。
  5. 运行分类。

非监督分类

以下是执行非监督分类的步骤:

  1. 识别输入波段。
  2. 定义要创建的聚类数。
  3. 编制特征文件。
  4. 如有必要,可查看和编辑特征文件。
  5. 运行分类。

相关主题