目录
一、分割方法
易康对于图像的分割有棋盘分割(chessboard segmentation);四叉树分割(Quadtree-based segment);多尺度分割(multiresolution segmentation);其中多尺度分割最为常用,其中多尺度分割有几个关键的设置参数:
scale parameter | 确定生成的影像对象所允许的最大异质度,值越大则生成的影像对象的尺寸越大,反之则越小。 |
Image Layer weights | 用来设置参与分割的波段的权重,默认是相同的权重。也可以根据自身的分割目的,给主要的波段赋值较大的权重 |
Composition of homogeneity criterion | 颜色(光谱)和形状,两者权重之和为1.0 |
如下图是对一农村地区的遥感影像的多尺度分割的结果,可以看出分割效果较好,区分除了城镇与农田植被。
二、图像分类
2.1 最近邻分类
最近邻分类是采用的最近邻算法, 所谓最近邻,就是首先选取一个阈值为K,对在阈值范围内离测试样本最近的点进行投票,票数多的类别就是这个测试样本的类别,这是分类问题。那么回归问题也同理,对在阈值范围内离测试样本最近的点取均值,那么这个值就是这个样本点的预测值。
该算法的缺点效率较慢,需要计算每个待分类点与样本点的距离,通过选择的阈值来判断归属与哪一类。如果影像图是高分辨率且图幅面积较大,则最近邻的分类方法并不适用,大概率需要运行几十个小时才能出结果。
2.1.1样本点选择
当然在选择样本点之前需要构建我们的分类体系,在Class Hierarchy中右键选择Insert Class,依次添加各种类别并赋予不同的颜色。(最好英文);最近邻的分类是有单独选择样本的工具,此时需要点击菜单Classification-Samples-Select Samples;或者在工具栏空白处右击,选择Toolbars——samples,就会出现Samples Navigation(如右图),Samples Navigation前两个分别是单选样本和多选样本,然后在main种选择要选择样本的类别,并鼠标双击分割的样本,就会被选中。Samples Navigation第三第四个后期可以辅助修正样本的选择;
2.1.2构建最近邻特征与分类
选择完样本后,需要构建特征空间。所谓构建特征空间,是选择参与分类的特征,但是并不是参与分类的特征越多越好,过多的分类特征会造成计算量的极大增加,分类效率极低。构建特征空间需要点击菜单Classification-Nearest Neighbor-Edit Standard NN Feature Space,弹出特征选择的对话框。选择需要参与分类的特征。
使用nearest neighbour configuration 算法配置最近邻特征,或者直接在class hierarchy 中配置。Active classes 参数选择分类的类别。features选择参与分类的特征。
再使用classification 算法进行分类。只需要设置Active classes 参数选择分类的类别,然后执行。
2.2 分类器分类
2.2.1样本选择
分类器的样本选择与最近邻不同,而且样本不能相互通用。需要点击绿色三角尺图标,出现下方的区域,通过鼠标点击选择样本。
2.2.2分类算法
易康的classifier分类器种有多种分类算法可以选择,例如决策树、SVM,Random trees等。
Domain选择image ovject level。class filter选择要训练的类别。
operation 首先选择Train。configuration 这里要给训练集起一个名字cart,然后会弹出下面的界面,将value的类型改为string;
,用于后面的分类;之后的Features选择分类的特征;Type选择要训练的方法,这里选择的是决策树;训练结束后会出现下图的标志,
学习训练之后就可以进行分类,这里只需要将operation 选择Apply,configuration选择之前给训练集起的名字cart,就可以执行分类
分类结果如下: