Доступно с лицензией Spatial Analyst.
Инструменты сегментации и классификации предоставляют объектно-ориентированный подход к извлечению объектов из изображений. Эти объекты создаются с помощью процесса сегментации изображения, где пикселы, находящиеся в непосредственной близости и имеющие аналогичные спектральные характеристики, группируются в сегмент. Сегменты, обладающие определенными формами, спектральными и пространственными характеристики, могут быть дополнительно сгруппированы в объекты. Объекты могут быть сгруппированы в классы, которые представляют реальные объекты на поверхности Земли. Классификация изображения также может быть выполнена для пиксельных изображений, например, традиционных несегментированных изображений.
Объектно-ориентированный процесс извлечения объектов является рабочим процессом, поддерживаемым инструментами, охватывающими три основные функциональные области: сегментация изображения, получение аналитической информации о сегментах и классификация. Выходные данные одного инструмента являются входными данными для последующих инструментов, где цель заключается в создании значимой объектно-ориентированной карты классов объектов. Объектно-ориентированный процесс похож на традиционный процесс классификации пиксельного изображения, использующий методы контролируемой и неконтролируемой классификации. Вместо того, чтобы классифицировать пикселы, процесс классифицирует сегменты, которые можно рассматривать как супер-пикселы. Каждый сегмент или супер пиксел, представлен набором атрибутов, которые используются инструментами классификатора для получения классифицированного изображения.
Ниже приведена модель геообработки, которая показывает объектно-ориентированный рабочий процесс извлечения объектов. 
Сегментация изображения
Сегментация изображения базируется на подходе Среднего сдвига. Данная методика использует скользящее окно, в котором вычисляется среднее значение пиксела для определения того, какие из пикселов должны быть включены в каждый сегмент. По мере того как окно перемещается по изображению, значение в нём итеративно пересчитывается для подтверждения пригодности сегмента. Результатом является группировка пикселов изображения в характеризующийся средним цветом сегмент.
Инструмент Средний сдвиг сегмента принимает любой поддерживаемый Esri растр и выводит 3-канальное, 8-битного цвета сегментированное изображение с ключевым свойством, установленным в значение Сегментированный. Характеристики сегментов изображения зависит от трех параметров: спектрального разрешения, пространственного разрешения и минимального размера сегмента. Вы можете варьировать уровень детализации, который характеризует интересующий объект. Например, если вы больше заинтересованы в непроницаемых объектах, чем в индивидуальных зданиях, настройте параметр пространственного разрешения (детализации) на малое число; меньшее число приводит к большему сглаживанию и уменьшению количества деталей.
На рисунке ниже представлена сегментированная сцена WorldView-2 в инфракрасном цвете, предоставленная DigitalGlobe. Сегментированное изображение показывает подобные области, сгруппированные вместе без значительной зернистости. Сегментация обобщает область, чтобы сохранить все её особенности как большой, непрерывной области, вместо более традиционной классификации, которая может привести к большому числу случайных пикселов, разбросанных по всему изображению.
Литература:
- D. Comanicu, P. Meer: Mean shift: A robust approach toward feature space analysis. (Средний сдвиг: Надежный подход к анализу пространства признаков.) IEEE Trans. Pattern Anal. Machine Intell., May 2002.
- P. Meer, B. Georgescu: Edge detection with embedded confidence (Выделение границ (рёбер) со встроенным доверием). IEEE Trans. Pattern Anal. Machine Intell., 28, 2001.
- C. Christoudias, B. Georgescu, P. Meer: Synergism in low level vision (Синергизм в низкоуровневом видении). 16th International Conference of Pattern Recognition, Track 1 – Computer Vision and Robotics, Quebec City, Canada, August 2001.
Данные обучающей выборки
Сбор данных обучающей выборки означает установление очертаний группы пикселов, представляющих конкретные объекты, которые очерчены на изображении. Затем все пикселы изображении статистически сравниваются с определением класса, который вы задали, и приписываются к конкретному классу объектов. Пикселы, не приписанные к какому-либо определенному классу, остаются неопределенными. Обучающие выборки не должны содержать нежелательных пикселов, которые не принадлежат к интересующему классу. Когда вы выбираете только правильные пикселы для каждого класса, результаты часто характеризуются нормальным распределением в форме колокола. Убедитесь в том, что ваш полигон обучающей выборки обычно содержит значительное количество пикселов. Например, блок 10 на 10 пикселов содержит 100 пикселов, что является разумным размером для полигона обучающей выборки и статистически значимой выборкой.
Сегментированный набор растровых данных отличается от пиксельного изображения тем, что каждый сегмент (иногда его называют супер-пиксел) представлен одним средним значением цвета. Достаточно легко получить содержащий 100 пикселов полигон обучающей выборки из изображения, но намного больше работы потребуется, чтобы получить 100 супер-пикселов из набора сегментированных растровых данных.
Параметрические классификаторы, такие как классификатор максимального правдоподобия, требуют наличия статистически значимого числа выборок, чтобы обеспечить значимую функцию плотности вероятности. Для достижения числа выборок, которые будут статистически значимыми, вы должны иметь 20 и более выборок на класс. Это означает, что каждый класс, такой как открытые участки почвы, лиственные деревья или асфальт, должны иметь не менее 20 сегментов, собранных для определения каждого класса объектов.
Сглаживание будет влиять на размер и однородность сегмента. Сегментированный растр, который использует высокий коэффициент сглаживания, скорее всего, будет содержать большие сегменты, включающие несколько типов объектов, различимых на исходном изображении. Из-за сглаживающего эффекта, рекомендуется, чтобы обучающие выборки собирались на наборе сегментированных растровых данных. Это поможет гарантировать то, что обучающие выборки собраны из отдельных дискретных сегментов.
Аналитическая информация
Аналитическая информация, связанная с сегментированным слоем, вычисляется инструментом обучения классификатора и зависит от типа указанного классификатора. Используйте подходящий инструмент обучения для классификации ваших данных:
| Классификатор | Описание |
|---|---|
| Классификатор изокластера с обучением | Создает файл определения классификатора Esri (.ecd) с использованием определения классификации Изокластер. |
| Обучающий классификатор по методу максимального правдоподобия классификатора | Создает файл определения классификатора Esri (.ecd) с использованием определения классификации Метода максимального правдоподобия (MLC). |
| Классификатор опорных векторов с обучением | Создает файл определения классификатора Esri (.ecd) с использованием определения классификации Метода опорных векторов (SVM). Классификатор SVM обеспечивает мощный, современный метод контролируемой классификации, который способен обрабатывать сегментированные растровые входные данные или стандартное изображение. Это сравнительно новый метод классификации, который широко используется исследователями. |
Инструменты обучения поглощают предназначенное для классификации изображение, дополнительный сегментированный слой и полигональные данные обучающих местоположений для создания соответствующего файла определения классификатора. Файл обучающих местоположений создан с помощью Менеджера обучающей выборки на панели инструментов Классификация. Стандартный файл обучающей выборки используется в контролируемых классификаторах.
Файл определения классификатора .ecd основан на указанном классификаторе и интересующих атрибутах и, таким образом, файл определения классификатора является уникальным для каждого классификатора, входных растровых данных и атрибутов. Он похож на файл сигнатур классификации, но является более общим в том смысле, что он будет поддерживать любой классификатор и созданный файл определения классификатора приспособлен для конкретного сочетания исходных данных и классификатора.
Файл определения классификатора может быть основан на любом растре, а не только на сегментированных растрах. Например, сегментированный растр полученный из мультиспектральных данных IKONOS, статистических и аналитических атрибутивных данных, может быть сгенерирован из 6-канальных, панхроматических изображений WorldView-2, изображений QuickBird, GeoEye, Pleiades, RapidEye и Landsat 8. Эта гибкость позволяет вам получить сегментированный растр один раз и создавать файлы определения классификатора и результирующие карты классифицированных объектов, используя множество источников изображений в зависимости от вашего приложения.
Вычислить атрибуты сегмента
Описанные выше инструменты являются наиболее распространенными инструментами, используемыми в объектно-ориентированном рабочем процессе. Дополнительный инструмент Вычислить атрибуты сегмента поддерживает импорт и экспорт сегментированных растров как из сторонних приложений, так и в сторонние приложения. Этот инструмент принимает сегментированное изображение, файл обучающих местоположений и дополнительный второй растр для вычисления атрибутов каждого сегмента и вывода этой информации в качестве индексного растрового файла со связанной таблицей атрибутов.
Целью этого инструмента является обеспечение возможности дальнейшего анализа сегментированного растра. Атрибуты могут быть проанализированы в сторонних статистических или графических приложениях, или использованы в качестве входных данных для дополнительных, не поддерживаемых Esri классификаторов. Этот инструмент также поддерживает импорт сегментированных растров из сторонних пакетов и, таким образом, расширяет возможности Esri, обеспечивая гибкость в использовании сторонних данных и пакетов приложений.
Классификация
Инструмент Классифицировать растр выполняет классификацию изображения так, как задано в файле определения классификатора Esri. Входные данные для данного инструмента включают предназначенное для классификации изображение, дополнительный сегментированный растр (как то другой набор растровых данных или слой, например, ЦМР) и файл определения классификатора для создания набора классифицированных растровых данных. Заметьте, что инструмент Классифицировать растр содержит все поддерживаемые классификаторы. Правильный классификатор используется в зависимости от свойств и информации, содержащихся в файле определения классификатора. Таким образом файл определения классификатора, созданный посредством Обучить классификацию Изокластер, Обучить классификатор по методу максимального правдоподобия или Обучить классификатор метода опорных векторов будет активировать соответствующий классификатор при запуске инструмента Классифицировать растр.