识别中的最近邻分类指南

Nearest Neighbor Classification Technique in Object-Based Image Analysis

基于对象的图像分析中的最近邻分类技术

识别定义开发者中的最近邻分类

想象一下……在这篇文章的结尾,你将成为一个更好的遥感分析员……所有这些都是因为你学习了基于对象的最近邻图像分类的高效技术。

或者你可能只是学到一些我们将来会看到更多的东西。

我们已经比较过了 unsupervised, supervised and object-based classification

最近邻分类是 隐藏的宝石 在基于对象的分类中。几乎在雷达下,没有什么能接近它对高空间分辨率遥感数据进行分类的能力。

听起来很酷?是的。

最近邻分类是什么?

基于对象的最近邻分类(NN分类)是一种 super-powered supervised classification technique .

原因是,您有使用智能图像对象与多分辨率分割结合监督分类的优势。

什么是多分辨率分割?

  • MRS为道路生产细长物体。

  • MRS为建筑物创造方形物体。

  • MRS为树木和草地生成不同比例的对象。

有点像这样…

Multiresolution segmentation objects

多分辨率分割对象

你不能用 pixel-by-pixel approach…

最近邻分类允许您为每个土地覆盖类别选择样本。您定义分类标准(统计),软件对图像的其余部分进行分类。

最近邻分类=多分辨率分割+监督分类

现在,我们有一个概述。让我们来详细了解最近邻分类示例:

最近邻分类示例

此示例使用以下波段:红色、绿色、蓝色、激光雷达树冠高度模型(CHM)和激光雷达光强度(int)。

Object Based Image Classification Layers

基于对象的图像分类层

1执行多分辨率分割

Pixel-based land cover classification

基于像素的土地覆盖分类

人类自然地将空间信息聚集成群体。当你看到土地覆盖中的盐和胡椒效应时,可能是因为使用了基于像素的分类。

多分辨率分割是为什么 object-based image analysis 出现了分类高空间分辨率数据集。MRS将对象创建为均匀、智能的向量。

经过多分辨率分割后,我们可以看到道路、建筑物、草地和树木作为智能对象。这就是为什么多分辨率分割比逐像素分类更有价值。

操作: 在流程树中,添加多分辨率分割算法。 (Right-click process tree window > Append new > Select multiresolution segmentation algorithm)

此示例使用以下条件:

  • 规模: 100

  • 形状: 0.1

  • 密实度: 0.5

操作: 执行分段。 (In the Process Tree window > Right-click multiresolution segmentation algorithm > Click execute)

SCALE :设置多分辨率分段的空间分辨率。值越大,对象越大。

SHAPE :更高的形状标准值意味着在分割过程中颜色上的值将更少。

COMPACTNESS :紧凑性标准值越高,分割后绑定对象越多。

最好的建议是 试错法 . 用比例、形状和紧凑度进行实验,得到理想的图像对象。根据经验法则,您希望以尽可能大的比例生成图像对象,但仍然能够识别对象之间的差异。

2选择培训区域

现在,让我们通过为对象分配类来“训练”软件。 其动机是这些样本将用于对整个图像进行分类。 .

但是我们要分类什么呢?什么是土地覆盖类别?

操作: 在“类层次”窗口中,为建筑物(红色)、草地(绿色)、铺面(粉色)和树(棕色)创建类。 (Right-click class hierarchy window > Insert class > Change class name > Click OK)

操作: 让我们在分割的图像中选择样本。添加“示例”工具栏(视图>工具栏)选择类并双击对象以将示例添加到培训集中。

Define land cover samples

确定土地覆盖样本

一旦你觉得你有 well-represented number of samples 对于每个类,我们现在可以定义统计信息。

注意,我们总是可以返回到这个步骤,然后添加更多的示例。

3定义统计

我们现在已经为每个土地覆盖类别选择了样本。我们将使用什么统计数据来分类图像中的所有对象?

定义统计信息意味着将统计信息添加到标准的NN特征空间中。

操作: 打开“编辑标准nn”窗口。 (Classification > Nearest Neighbor > Edit Standard NN).

本例使用红色、绿色、蓝色、激光雷达树冠高度模型(CHM)和激光雷达光强度(int)波段。这需要一点 尝试找到正确的统计数据来使用 . 此示例使用以下统计信息:

标准NN功能空间:

  • 平均CHM(目标激光雷达平均高度)

  • 平均Int(物体中激光雷达的平均强度)

  • 平均红(对象中的平均红值)

  • 标准偏差(物体高度变化)

4分类

  • 操作: 在类层次结构中,将“标准最近邻”添加到每个类中。 [(Right-click class> Edit > Right-click [and min] > Insert new expression > Standard nearest neighbor)]

  • 操作: 在流程树中,添加“分类”算法。 (Right-click process tree > Append New > Select classification algorithm)

  • 操作: 选择每个类作为活动类,然后按Execute。 (In parameter window > checkmark all classes > Right click classification algorithm in process tree > execute)

分类过程将根据所选样本和定义的统计信息对整个图像中的所有对象进行分类。它将根据每个对象的 贴近度 去训练场。

如果您对最近邻分类最终产品不满意,仍然有几个选项可以提高精度。

以下是改进分类的选项列表:

  • 向培训集中添加更多示例。

  • 定义不同的统计。

  • 在MRS中实验不同的尺度和标准。

  • 如果可能,添加更多的波段(NIR等)。

您希望尽可能多地使用步骤1-4实现自动化,并且具有最高的准确性。但如果你没有把事情做好,还是有希望的。

5基于对象的图像编辑

你的目标是100%准确,但你只达到了80%的准确率。那真的不错。你应该被拍一下后背。

如果你追求完美,你永远不会幸福。 . 这就是为什么 手动编辑工具栏 存在于认知中。(视图>工具栏>手动编辑)

选择类。选择对象。 您刚刚进行了手动编辑。

最近邻分类的5个简单步骤:

  • 执行多分辨率分割

  • 选择培训区域

  • 定义统计信息

  • 分类

  • 手工编辑

试驾OBIA

最近邻分类是一种创建土地覆盖分类的强大(鲜为人知)方法。

它的独特之处在于,您可以使用多分辨率分割生成智能对象,并使用示例编辑器监控分类。

但这确实需要一些练习。 艺术与科学创造一幅土地覆盖的杰作 .

掌握这本最近邻分类指南,您将更接近成为一个基于对象的图像分析专家。

面向对象的图像分析软件: