Основы многомерной классификации

Цель классификации - присвоить все ячейки исследуемой области классу или категории. Примеры класса или категории включают тип землепользования, предпочитаемые медведями местоположения и возможность возникновения лавин.

Существует два типа классификации: с обучением и без него. В классификации с обучением у вас есть выборка пространственных объектов. Например, вы знаете, что в северо-западном регионе исследуемой области есть хвойный лес, и вы можете идентифицировать его на карте, прорисовав вокруг него полигон (или несколько полигонов). Другой создаваемый полигон охватывает пшеничное поле, следующий - городские постройки и ещё один - водные объекты. Вы выполняете этот процесс до тех пор, пока у вас не будет достаточно пространственных объектов для представления класса, и пока не будут идентифицированы все классы в данных. Все группы пространственных объектов считаются классами, а полигон, обрисовывающий класс - обучающим образцом. После того, как вы идентифицируете обучающие образцы, на них будет вычислена многомерная статистика для установления отношений в классах и между ними. Статистика хранится в файле сигнатур.

При классификации без обучения вам не известно, какие пространственные объекты находятся в каком местоположении, но вы хотите агрегировать все местоположения в одно из заданного числа групп или кластеров. Определение того, какому классу или кластеру будет присвоено каждое местоположение, зависит от многомерной статистики, которая вычисляется на входных каналах. Каждый кластер статистически отделён от других кластеров на основе значений для каждого канала каждой ячейки кластеров. Статистика, устанавливающая определение кластеров, хранится в файле сигнатур.

Выполнение классификации состоит из четырёх шагов:

  1. Создайте и проанализируйте входные данные.
  2. Создайте сигнатуры для анализа классов и кластеров.
  3. Оцените и, при необходимости, отредактируйте классы и кластеры.
  4. Выполнить классификацию.

Существует два входных типа данных для классификации: каналы входного растра для анализа и классы или кластеры, которые будут назначены местоположениям. Каналы входного растра, используемые в многомерном анализе, должны влиять на определение категории при классификации или являться основным критерием такого определения. Таким образом, уклон, глубина снега и солнечное излучение могут влиять на вероятность схождения лавин, а тип почвы может не влиять на нее.

Класс соответствует значимой группировке местоположений. Примеры классов, включая леса, водные массивы и жилые районы. Полученные из кластеров классы включают предпочтение оленей или возможность возникновения эрозии.

Каждое местоположение характеризуется набором или вектором значений, одним значение для каждой переменной или каналом, введённым в анализ. Каждое местоположение можно визуализировать как точку в многомерном пространстве атрибутов, оси которого соответствуют переменным, представленным каждым входным каналом. Класс или кластер - это группа точек в этом многомерном пространстве атрибутов. Два местоположения принадлежат одному классу или кластеру, если их атрибуты (вектор и значения каналов) одинаковы. Многомерный растр и отдельные одноканальные растры могут использоваться в качестве входных данных для анализа многомерной статистики.

Местоположения, соответствующие известным классам, могут формировать кластеры в атрибутивном пространстве, если классы можно разделить по значениям атрибутов. Местоположения, соответствующие естественным кластерам в атрибутивном пространстве, можно интерполировать как естественно возникшие классы слоев.

Панель инструментов классификации изображений Spatial Analyst может помочь вам в пошаговом рабочем потоке, требуемом для выполнения классификации. С помощью этой панели инструментов вы можете создавать и анализировать классы и кластеры, создавать и проверять сигнатуры, а также выполнять классификацию в интегрированной среде.

Подробнее о классификации изображений

Базовые данные анализа многомерной классификации

Джеймс Б. Кэмпбелл (Campbell, James B.), 1987 г. Введение в дистанционное зондирование. The Guilford Press.

Джон Р. Дженсен (Jensen, John R.) 1986. Введение в обработку цифровых изображений: перспектива использования дистанционного зондирования. Prentice–Hall.

Ричард А. Джонсон (Johnson, Richard A.), и Дин У. Уичерн (Dean W. Wichern). 1988. Прикладной многовариантный статистический анализ. Prentice–Hall.

Фредерик Мостеллер (Mosteller, Frederick) и Джон У. Тьюки (John W. Tukey). 1977. Анализ данных и регрессия: второй курс в статистике. Addison–Wesley.

Джон А. Ричардс (Richards, John A.) 1986. Анализ цифровых изображений в дистанционном зондировании: введение. Спрингер-Верлаг (Springer-Verlag).

Связанные темы

9/11/2013