遥感图像分类是图像信息提取的一种方法。在特征空间中,依据像元相似度的大小,归类相似的像元,并给每一个像元赋类别值的过程。分类的目标将是将图像中的所有像元自动进行地物类别的分类。
ArcGIS Pro对于影像分类目前提供四种分类方法,包括ISO聚类非监督分类(ISO cluster)、最大释然分类(Maximum likelihood)、随机森林分类(Random tree)、支持向量机监督分类(Support Vector Machine)。以上都是遥感影像分类常用的分类方法这里就不过于赘述,以下操作例子采用的是SVM支持向量机分类的方法。
一、在Pro中使用分类工具对影像进行分类
1. 原始影像及分类后分类图
1.1 创建分类样本
通过下图中的Trainning Samples Manager可以在影像中通过选取兴趣区的形式,选取不同类别地物对应的训练样本。
创建好的分类样本可以保存为sample文件,同时也可以保存为要素文件存放在指定数据库中。
1.2 利用选取好的样本进行影像分类
利用之前选取好的Training Sample文件,通过选择SVM分类方法,对遥感影像进行分类。
1.3 分类之后的精度检验
对于分类后的结果,通常还需要进行分类精度校验,查看分类的精度。可以利用Pro里面的生成校验点工具,例如基于分类后影像生成一定数量的校验点,如下图:
利用分类后的图像创建随机精度检验点(这里生成30个随机样本点),然后通过对比原始影像修改填写真实的ground trouth值。
填写完对应的精度校验点的groud truth值之后,可以计算精度检验的混淆矩阵,然后就可以查看到每个类别的分类精度。
最后通过创建混淆矩阵查看各种地物类别的分类精度。
2.在Pro中使用Classification wizard流程化分类工具进行影像分类
2.1 原始影像及分类后分类图
2.2 流程化分类步骤
2.2.1 对原始影像数据进行预处理
通过Pro中提供的波段组合的方法,对原始影像的波段重新进行组合,通过假彩色合成来增强植被与其他地类的对比。
下图为假彩色合成效果:
2.2.2 创建Trainning Sample的schema文件
如下图,通过Training samples manager创建schema并且保存为shema以及samples:
2.2.3 开启流程化向导分类
使用向导分类工具,以下的示例采用面向对象分割合并的形式来进行信息提取。比如,也可以不分类所有地物,可以只把房屋对象信息提取出来。以下还是对全部信息进行了提取。
对对象进行了分割之后可获取到对象轮廓分割线,并且可以通过调整光谱以及空间的阈值,从而调整分割的效果:
然后从分割完的影像上可以多选择一些样本(相当于之前创建schema的时候可以不选择,只创建类别,然后在这个步骤当中来选取要提取的类别样本):
在样本选取完成之后,就需要选择分类方法来对影像进行分类,这里还是使用SVM分类方法:
由于使用的是流程化工具,可以通过选择上一步,来修改分类样本的选择来反复调整分类结果,最后达到一个比较好的分类效果。
2.2.4 分类后改进
在分类效果图出来之后,可能会存在一些错分,以及漏分的地物。在流程化工具中包括了对分类结果的进一步改进,如下图,中间较平滑地块为创建的漏分房屋:
最后点击finish按钮,完成整个流程化分类过程,获取到分类的最终结果,见下图:
二、小结
优点:
- 提供流程化的分类工具,没有专业的遥感软件也可以做影像分类。
- 提供了面向对象的分类方法,对于紧凑的地物提取更加简单便捷。
- 因为是流程化工具,可以反复调整参数从而获取较理想的分类结果。
缺点:
- ArcGIS目前提供的分类方法还比较少。
- 面向对象提取需选取不需要提取的地物样本,就是要分多个类别。