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 в объекты без значительной зернистости. Оно генерализирует эту область, сохраняя все объекты как более крупную непрерывную область.
Литература:
- D. Comanicu, P. Meer: Mean shift: A robust approach toward feature space analysis. (Средний сдвиг: Надежный подход к анализу пространства признаков.). IEEE Transactions on Pattern Analysis and Machine Intelligence, vol. 24, no. 5, May 2002.
- P. Meer, B. Georgescu: Edge detection with embedded confidence (Выделение границ (рёбер) со встроенным доверием).. IEEE Transactions on Pattern Analysis and Machine Intelligence, vol. 23, no. 12, December 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. 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 учебный образец полигона содержит значительное количество пикселов, особенно если используется алгоритм классификации по методу максимального подобия. 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 установленным значением. Достаточно легко получить содержащий 100 пикселов полигон обучающей выборки из изображения, но намного больше работы потребуется, чтобы получить 100 сегментов 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 | Создает файл определения классификатора Esri (.ecd) с использованием определения классификации Метода максимального правдоподобия (MLC). В основе классификатора по методу максимального правдоподобия лежит теория Байе. Она предполагает, что образцы в каждом классе следуют принципу нормального распределения, и вычисляет вероятности по всем классам и для каждого образца; этому образцу назначается класс с наивысшей вероятностью. |
| Классификатор опорных векторов с обучением | Создает файл определения классификатора Esri (.ecd) с использованием определения классификации Метода опорных векторов (SVM). Для каждой пары классов классификатор опорных векторов пытается найти векторы поддержки и гиперплоскость разделения, чтобы маржа между классами была максимальной.. Этот классификатор обеспечивает мощный, современный метод контролируемой классификации, что требует гораздо меньшего количества образцов, чем классификатор по методу максимального правдоподобия, и не предполагает следование принципу нормального распределения. Обычно именно так происходит с входными данными сегментированного растра классификации, или стандартного изображения. Классификатор опорных векторов широко используется в исследовательских кругах. |
| Классификатор произвольных деревьев с обучением | Создает файл определения классификатора Esri (.ecd) с использованием метода классификации Произвольных деревьев. Классификатор произвольных деревьев – это совокупность классификаторов дерева решений, в которой преодолена уязвимость деревьев одного решения, обусловленная необходимостью чрезмерной подгонки. Как и Классификатору опорных векторов, Классификатору произвольных деревьев не требуется множества обучающих образцов, и он не предполагает нормального распределения. 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 получен из мультиспектральных данных IKONOS, а статистические и аналитические атрибутивные данные могут быть сгенерированы из 6-канального, слитого с панхроматическим, снимка WorldView-2, снимков 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 поглощает сегментированное изображение и дополнительный растр для вычисления атрибутов каждого сегмента, и выводит эту информацию 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 второй растр (сегментированный растр или другой растровый слой, например, ЦМР) и файл определения классификатора для создания набора классифицированных растровых данных. Инструменту Классифицировать растр нужны такие же входные данные, что и инструменту обучения. 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 Классификатор изокластера с обучением, Классификатора по методу максимального правдоподобия с обучением, Классификатора опорных векторов с обучением или Классификатор произвольных деревьев с обучением будет активировать соответствующий классификатор при запуске инструмента Классифицировать растр
Оценка точности
Оценка точности – важная часть любого проекта по классификации; при этом сравнивается классифицированное изображение с другим источником данных, который считается точным и принимается за основу. Базовые данные (их еще называют данными наземного контроля) могут собираться на местности; но этот вариант требует временных и материальных затрат. Для нахождения базовых данных также можно использовать снимки с высоким разрешением, существующие классифицированные изображения, полученные из надежных источников, или слои ГИС-данных.
Самый распространенный способ оценить точность классифицированных данных – создать набор случайно расположенных точек на основе базовых данных и сравнить их значения с классифицированными данными, используя матрицу несоответствий. Хотя это двухступенчатый процесс, вам может потребоваться сравнить результаты различных методов классификации или других обучающих выборок, или ,возможно у вас нет базовых данных, или они созданы на основе того же изображения, которое использовано для классификации. Чтобы совместить эти несколько задач, двухступенчатый процесс оценки точности использует следующие инструменты: Создать точки оценки точности, Обновить точки оценки точности и Вычислить матрицу несоответствий.
Мастер классификации
Процесс классификации обычно требует выполнения нескольких обязательных шагов для тщательной предварительной обработки изображения, назначения классов категорий и создания корректных обучающих данных, выполнения классификации, оценки и повышения точности результатов. Мастер классификации, доступный в ArcGIS Pro, проведен специалиста через этапы рабочего процесса классификации и поможет получить результаты надлежащего качества. 