識別中的最近鄰分類指南?
基于對象的圖像分析中的最近鄰分類技術
識別定義開發者中的最近鄰分類?
想象一下……在這篇文章的結尾，你將成為一個更好的遙感分析員……所有這些都是因為你學習了基于對象的最近鄰圖像分類的高效技術。
或者你可能只是學到一些我們將來會看到更多的東西。
我們已經比較過了 unsupervised, supervised and object-based classification。
添加微信好友, 獲取更多信息
復制微信號
最近鄰分類是 隱藏的寶石 在基于對象的分類中。幾乎在雷達下，沒有什么能接近它對高空間分辨率遙感數據進行分類的能力。
聽起來很酷？是的。
最近鄰分類是什么？?
基于對象的最近鄰分類（NN分類）是一種 super-powered supervised classification technique .
原因是，您有使用智能圖像對象與多分辨率分割結合監督分類的優勢。
什么是多分辨率分割？
MRS為道路生產細長物體。
MRS為建筑物創造方形物體。
MRS為樹木和草地生成不同比例的對象。
有點像這樣…
多分辨率分割對象
你不能用 pixel-by-pixel approach…
最近鄰分類允許您為每個土地覆蓋類別選擇樣本。您定義分類標準（統計），軟件對圖像的其余部分進行分類。
最近鄰分類=多分辨率分割+監督分類
現在，我們有一個概述。讓我們來詳細了解最近鄰分類示例：
最近鄰分類示例?
此示例使用以下波段：紅色、綠色、藍色、激光雷達樹冠高度模型（CHM）和激光雷達光強度（int）。
基于對象的圖像分類層
1執行多分辨率分割?
基于像素的土地覆蓋分類
人類自然地將空間信息聚集成群體。當你看到土地覆蓋中的鹽和胡椒效應時，可能是因為使用了基于像素的分類。
多分辨率分割是為什么 object-based image *** ysis 出現了分類高空間分辨率數據集。MRS將對象創建為均勻、智能的向量。
經過多分辨率分割后，我們可以看到道路、建筑物、草地和樹木作為智能對象。這就是為什么多分辨率分割比逐像素分類更有價值。
操作： 在流程樹中，添加多分辨率分割算法。 (Right-click process tree window > Append new > Select multiresolution segmentation algorithm)
此示例使用以下條件：
規模： 100
形狀： 0.1
密實度： 0.5
操作： 執行分段。 (In the Process Tree window > Right-click multiresolution segmentation algorithm > Click execute)
SCALE ：設置多分辨率分段的空間分辨率。值越大，對象越大。
SHAPE ：更高的形狀標準值意味著在分割過程中顏色上的值將更少。
COMPACTNESS ：緊湊性標準值越高，分割后綁定對象越多。
更好的建議是 試錯法 . 用比例、形狀和緊湊度進行實驗，得到理想的圖像對象。根據經驗法則，您希望以盡可能大的比例生成圖像對象，但仍然能夠識別對象之間的差異。
2選擇培訓區域?
現在，讓我們通過為對象分配類來“訓練”軟件。 其動機是這些樣本將用于對整個圖像進行分類。 .
但是我們要分類什么呢？什么是土地覆蓋類別？
操作： 在“類層次”窗口中，為建筑物（紅色）、草地（綠色）、鋪面（粉色）和樹（棕色）創建類。 (Right-click class hierarchy window > Insert class > Change class name > Click OK)
操作： 讓我們在分割的圖像中選擇樣本。添加“示例”工具欄（視圖>工具欄）選擇類并雙擊對象以將示例添加到培訓集中。
確定土地覆蓋樣本
一旦你覺得你有 well-represented number of samples 對于每個類，我們現在可以定義統計信息。
注意，我們總是可以返回到這個步驟，然后添加更多的示例。
3定義統計?
我們現在已經為每個土地覆蓋類別選擇了樣本。我們將使用什么統計數據來分類圖像中的所有對象？
定義統計信息意味著將統計信息添加到標準的NN特征空間中。
操作： 打開“編輯標準nn”窗口。 (Classification > Nearest Neighbor > Edit Standard NN).
本例使用紅色、綠色、藍色、激光雷達樹冠高度模型（CHM）和激光雷達光強度（int）波段。這需要一點 嘗試找到正確的統計數據來使用 . 此示例使用以下統計信息：
標準NN功能空間：
平均CHM（目標激光雷達平均高度）
平均Int（物體中激光雷達的平均強度）
平均紅（對象中的平均紅值）
標準偏差（物體高度變化）
4分類?
操作： 在類層次結構中，將“標準最近鄰”添加到每個類中。 [(Right-click class> Edit > Right-click [and min] > Insert new expression > Standard nearest neighbor)]
操作： 在流程樹中，添加“分類”算法。 (Right-click process tree > Append New > Select classification algorithm)
操作： 選擇每個類作為活動類，然后按Execute。 (In parameter window > checkmark all classes > Right click classification algorithm in process tree > execute)
分類過程將根據所選樣本和定義的統計信息對整個圖像中的所有對象進行分類。它將根據每個對象的 貼近度 去訓練場。
如果您對最近鄰分類最終產品不滿意，仍然有幾個選項可以提高精度。
以下是改進分類的選項列表：
向培訓集中添加更多示例。
定義不同的統計。
在MRS中實驗不同的尺度和標準。
如果可能，添加更多的波段（NIR等）。
您希望盡可能多地使用步驟1-4實現自動化，并且具有更高的準確性。但如果你沒有把事情做好，還是有希望的。
5基于對象的圖像編輯?
你的目標是100%準確，但你只達到了80%的準確率。那真的不錯。你應該被拍一下后背。
如果你追求完美，你永遠不會幸福。 . 這就是為什么 手動編輯工具欄 存在于認知中。（視圖>工具欄>手動編輯）
選擇類。選擇對象。 您剛剛進行了手動編輯。
最近鄰分類的5個簡單步驟：
執行多分辨率分割
選擇培訓區域
定義統計信息
分類
手工編輯
試駕OBIA?
最近鄰分類是一種創建土地覆蓋分類的強大（鮮為人知） *** 。
它的獨特之處在于，您可以使用多分辨率分割生成智能對象，并使用示例編輯器監控分類。
但這確實需要一些練習。 藝術與科學創造一幅土地覆蓋的杰作 .
掌握這本最近鄰分類指南，您將更接近成為一個基于對象的圖像分析專家。
面向對象的圖像分析軟件：
來源：開源地理空間基金會中文分會
來源鏈接：https://www.osgeo.cn/post/1e052
本站聲明:網站內容來源于 *** ,如有侵權,請聯系我們,我們將及時處理。
