Доступно с лицензией Spatial Analyst.
- 1. Изучение и предварительная обработка данных
- 2. Составление обучающих выборок
- 3. Оценка обучающих выборок
- 4. Редактирование классов
- 5. Создание файла сигнатур
- 6. Кластеризация (классификация без обучения)
- 7. Проверка файла сигнатур
- 8. Редактирование файла сигнатур
- 9. Применение классификации
- 10. Постклассификационная обработка
В дополнительном модуле ArcGIS Spatial Analyst, в группе инструментов Многомерность содержатся инструменты как для классификации с обучением, так и для классификации без обучения. Панель инструментов Классификация изображений предоставляет пользователю удобную среду для создания обучающих выборок и файлов сигнатур, используемых в классификации с обучением. Инструмент Классификация по методу максимального подобия является основным методом классификации. На вход этого инструмента подается файл сигнатур, содержащий классы и их статистику. Для классификации с обучением файл сигнатур создается на основе обучающих выборок с помощью панели инструментов Классификация изображений. Для классификации без обучения файл сигнатур создаётся запуском инструмента кластеризации. Дополнительный модуль Spatial Analyst также предоставляет инструменты последующей обработки, например фильтрацию и удаление границ. Шаги рабочего процесса классификации изображений подробно показаны на диаграмме ниже.
1. Изучение и предварительная обработка данных
Изучение данных
В основе классификационного анализа лежит предположение, что данные каналов и данные обучающих выборок подчиняются нормальному закону распределения. Для проверки распределения значений в канале используйте интерактивный инструмент Гистограмма, расположенный 
на панели Spatial Analyst. Чтобы проверить распределение отдельных обучающих выборок используйте инструмент Гистограммы, расположенный 
в Менеджере обучающей выборки.
Растяжение данных канала
Процесс классификации зависит от диапазона значений каждого канала. Чтобы атрибуты каждого канала учитывались равным образом, все каналы должны иметь одинаковый диапазон значений. Если диапазон значений одного канала слишком узок (или слишком широк) по сравнению с другими каналами, его можно растянуть с помощью математических инструментов из набора инструментов Spatial Analyst. Например, с помощью математического инструмента Умножить канал можно умножить на постоянную величину, растянув тем самым его диапазон значений.
Анализ по методу главных компонент
Анализ по методу главных компонент позволяет преобразовать многоканальное изображение для устранения корреляции между каналами. Информация в выходном изображении сосредоточена главным образом в первых нескольких каналах. Улучшив первые несколько каналов, вы увидите в ArcMap больше деталей изображения. Это может пригодиться при составлении обучающих выборок. Инструмент Метод главных компонент из группы инструментов Многомерность позволяет выполнять анализ по методу главных компонент.
Создание многоканального изображения
Панель инструментов Классификация изображений работает со слоем многоканального изображения. Для загрузки отдельных каналов в новое многоканальное изображение используют инструмент Объединить каналы.
Создание поднабора каналов для классификации
Чтобы использовать для классификации все каналы в наборе данных изображения, добавьте набор данных изображения в ArcMap и выберите слой изображения на панели инструментов Классификация изображений.
Чтобы использовать для классификации лишь некоторые каналы из имеющегося набора данных, создайте для них новый растровый слой с помощью инструмента Создать растровый слой Новый растровый слой будет содержать лишь определенный поднабор каналов и может использоваться на панели инструментов Классификация изображений.
2. Составление обучающих выборок
В классификации с обучением обучающие выборки используются для определения классов и вычисления их сигнатур. Обучающие выборки могут быть созданы интерактивно с помощью инструментов создания обучающих выборок на панели инструментов Классификация изображений. Обучающая выборка создается таким же образом, как и графика в ArcMap за исключением того, что управление геометрическими формами обучающих выборок осуществляется в Менеджере обучающих выборок, а не в графическом слое ArcMap.
Чтобы создать обучающую выборку, выберите один из инструментов создания обучающих выборок (например, инструмент рисования полигонов) на панели инструментов Классификация изображений и очертите выборку в слое входного изображения. Число пикселов в каждой обучающей выборке не должно быть слишком мало или велико. Если обучающая выборка слишком мала, она может не дать достаточной информации для создания корректной сигнатуры класса. Если обучающая выборка слишком велика, она может содержать пикселы, не относящиеся к данному классу. Если в изображении n каналов, то в каждой обучающей выборке должно быть от 10n до 100n пикселов.
3. Оценка обучающих выборок
При очерчивании обучающих выборок на отображении в Менеджере обучающих выборок автоматически создаются новые классы. Менеджер содержит три инструмента для оценки обучающих выборок – инструмент Гистограммы , инструмент Диаграммы рассеивания 
и инструмент Статистика 
. Вы можете использовать эти инструменты для исследования спектральных характеристик различных областей. Вы можете также использовать эти инструменты, чтобы оценить, достаточно ли разделены классы в наборе обучающих выборок.
4. Редактирование классов
В зависимости от результата оценки обучающих выборок может понадобиться объединить перекрывающиеся классы в один класс. Это можно сделать с помощью инструмента Слияние 
в окне менеджера. Кроме того, вы можете изменить имя или номер класса, цвет отображения, разбить класс, удалить классы, сохранить и загрузить обучающие выборки и т.д. На изображении ниже показано, как объединить два класса:
5. Создание файла сигнатур
Если вы находите, что обучающие выборки репрезентативны и различимы, можно перейти к созданию файла сигнатур с помощью инструмента Создать файл сигнатур 
в окне менеджера.
6. Кластеризация (классификация без обучения)
В классификации с обучением файл сигнатур создавался из известных, определенных классов (например, типов землепользования), идентифицированных пикселами, заключенными в полигоны. В классификации без обучения создаются не классы, а кластеры, основанные на статистических свойствах пикселов Пикселы со схожими статистическими свойствами в многомерном пространстве группируются в кластеры. В отличие от классов в классификации с обучением, кластеры не имеют категорийного значения (например, типа землепользования).
Для классификации без обучения с использованием панели инструментов Классификация изображений файл сигнатур создается с помощью инструмента Неконтролируемая классификация изокластеров. Вы можете также использовать инструмент Изокластер из группы инструментов Многомерный анализ.
Инструмент Изокластер создает только файл сигнатур, который затем можно использовать в классификации (шаг 9 в приведенной выше схеме рабочего процесса). Новый инструмент Неконтролируемая классификация изокластеров, имеющийся и на панели инструментов Классификация изображений, и в группе инструментов Многомерный анализ, позволяет создавать файл сигнатур и выходное классифицированное изображение с помощью одного и того же инструмента (шаги 6 и 9).
7. Проверка файла сигнатур
Инструмент Древовидная схема позволяет проверить атрибутивные расстояния между последовательно объединенными классами в файле сигнатур. Инструмент выдает на выходе ASCII-файл с древовидной схемой, показывающей разделение классов. Дендрограмма позволяет определить, достаточно ли различимы классы или кластеры; если нет, их можно объединить на следующем шаге.
Инструмент Древовидная схема находится в группе инструментов Многомерный анализ Spatial Analyst.
8. Редактирование файла сигнатур
Файл сигнатур не следует редактировать напрямую в текстовом редакторе. Используйте для этого инструмент Редактировать сигнатуры в группе инструментов Многомерный анализ. Этот инструмент позволяет объединять, перенумеровывать и удалять сигнатуры классов.
9. Применение классификации
Для классификации изображения следует использовать инструмент Классификация по методу максимального подобия. Этот инструмент основан на теории вероятности максимального правдоподобия. Он относит каждый пиксел к одному из классов на основе средних величин и показателей дисперсий сигнатур классов (хранимых в файле сигнатур). Этот инструмент имеется также на панели инструментов Классификация изображений
Классифицировать изображение можно также с помощью инструмента Интерактивная классификация с обучением. Этот инструмент ускоряет процесс классификации по методу максимального правдоподобия. Он позволяет предварительно просмотреть результаты классификации, не запуская инструмент Классификация по методу максимального подобия.
10. Постклассификационная обработка
Классифицированное изображение, созданное инструментом Классификация по методу максимального подобия, может содержать неправильно классифицированные ячейки (случайный шум) и небольшие неверно классифицированные регионы. Чтобы улучшить результат, вы можете переклассифицировать неправильно классифицированные ячейки, отнеся их к окружающему их классу или кластеру. Наиболее широко используемыми методами очистки классифицированного изображения являются фильтрация, сглаживание границ класса и удаление небольших изолированных регионов. Инструменты очистки данных позволяют улучшить вид карты.
Фильтрация классифицированных выходных данных
Этот процесс удаляет одиночные обособленные пикселы из классифицированного изображения. Фильтрацию можно выполнить с помощью инструмента Фильтр большинства или инструмента Фокальная статистика с типом статистики Большинство. Разница между двумя инструментами заключается в том, что инструмент Фильтр большинства при обработке использует в качестве окрестности квадрат 3 x 3, а инструмент Фокальная статистика поддерживает и другие типы окрестности (кольцевую или круговую, например).
Сглаживание границ классов
Инструмент Удаление границ собирает классы в одно целое и сглаживает шероховатости их краев. Инструмент растягивает и затем сжимает классы. Он позволяет повысить пространственную когерентность классифицированного изображения. Смежные регионы могут быть соединены.
Генерализация выходных данных путем удаления небольших изолированных регионов
После выполнения фильтрации и сглаживания классифицированное изображение должно стать значительно чище. Однако в классифицированном изображении могут оставаться небольшие изолированные регионы. Процесс генерализации обеспечивает дополнительную очистку изображения за счет удаления из него этих небольших регионов. Это многошаговый процесс, в котором используется несколько инструментов Spatial Analyst.
- Запустите инструмент Группировка для классифицированного изображения, чтобы присвоить уникальные значения каждому региону в изображении.
- Откройте таблицу атрибутов нового растрового слоя, созданного инструментом Группировка. Используйте счетчики пикселов, чтобы определить пороговое значение для удаления небольших регионов.
- Создайте растр-маску для регионов, которые вы хотите удалить. Это можно сделать, запустив инструмент Установить ноль, чтобы установить нулевое значение для регионов с малым числом пикселов.
- Запустите инструмент Отсечение для классифицированного изображения. Используйте растровую маску, созданную инструментом Установить ноль на предыдущем шаге в качестве Входного растра маски. Небольшие регионы в выходном изображении исчезнут.