易康——图像分类

目录

一、分割方法

二、图像分类

2.1 最近邻分类

2.1.1样本点选择

2.1.2构建最近邻特征与分类 

2.2 分类器分类

2.2.1样本选择

 2.2.2分类算法

---

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：