Тема6_sem2

Тема 6. Подготовительные этапы классификации с обучением (контролируемой)

Подготовительные этапы классификации с обучением включают:

- выбор оптимального алгоритма классификации,

- предварительную классификацию по эталонным участкам.

Выборки итеративно улучшаются до получения результатов требуемой достоверности.

Диаграммы двумерного поля признаков представляют собой графики, на которых представлены значения яркости для пикселов в двух спектральных зонах. Они позволяют наглядно представить группировку пикселов по значениям яркости и корреляцию между спектральными зонами. В MultiSpec подобные диаграммы строятся командой BiPlots of Data в разделе меню Processor / Utilities. К сожалению, она доступна только в версии для Macintosh, равно как и средство построения диаграмм корреляции между спектральными зонами для заданного класса (Processor / Utilities / Create Statistics Image).
Однако диаграммы двумерного поля признаков легко построить самим в стандартных пакетах, таких как Excel. Для этого вначале нужно открыть нужный файл проекта в MultiSpec и выбрать команду Processor / List Data (указав в разделе Area(s) Classes Аll, и отметив Training и Output results to text window). В текстовом окне MultiSpec распечатается таблица с указанием значений класса, поля (field) и всех зональных значений для каждого пиксела, входящего в обучающие выборки. Эту таблицу надо скопировать в Excel и построить по ней диаграммы.

Двумерное поле признаков (зоны 4 и 2, снимок МСУ-СК на дельту Волги)

В качестве примера мы проанализируем диаграмму, построенную по значениям яркости в зонах 4 и 2 снимка МСУ-СК на дельту Волги. Зоны 4 и 2 были выбраны, поскольку они позволяют отобразить все классы растительности с наибольшим контрастом.

Приведенная диаграмма показывает типичное распределение яркостей для почвенных и растительных объектов. Для полупустынь, практически лишенных зеленой растительности, характерна высокая положительная корреляция значений яркости пиксела в зонах 4 и 2 (с ростом значений в зоне 2 растут значения в зоне 4), что отражается наклонным положением 'облака' значений обучающей выборки для полупустынь на диаграмме. Такая же картина наблюдается и для облаков, но в связи с их крайней неоднородностью имеется большой разброс значений.
Для водных объектов значения яркости распределены практически равномерно, и корреляции между зонами не прослеживаются.
Для растительности корреляция тоже практически не наблюдается, любым значениям яркости в зоне 2 могут соответствовать любые значения в зоне 4. Тем не менее, типы растительности достаточно хорошо различаются по значениям яркости в зоне 4. Исключение составляют только классы остепненных лугов, тростниково-рогозовых лугов и тростниково-рогозовых зарослей - наблюдается значительное смешение их выборок. Тростниково-рогозовые заросли характеризуются большей обводненностью по сравнению с тростниково-рогозовыми лугами, но по составу растительности очень с ними схожи, и поэтому имеют похожие значения яркости. Смешение же (в меньшей степени) с остепненными лугами возникает в связи с недостаточным пространственным и спектральным разрешением МСУ-СК. В результате разреженная растительность сухих остепненных лугов и мокрых тростниково-рогозовых лугов и зарослей оказывается неразличимой по снимкам.

Возможности редактирования выборок для улучшения разделимости классов мы обсудим чуть ниже.

Пока же обратим внимание на характер статистического распределения данных в обучающих выборках. Во-первых, выборки достаточно компактны по яркости (за исключением облаков, и так хорошо отличающихся от остальных объектов). Это значит, что они достаточно хорошо представляют выбранные объекты. Во-вторых, из-за значительного перекрытия некоторых выборок придется максимально использовать всю информацию, содержащуюся в спектральных зонах снимка, включая сведения о корреляции между зонами (описывающей форму кривой спектрального образа). Границы между такими классам, как тростниково-рогозовые луга и остепненные луга лучше всего проводить нелинейно, чтобы избежать отнесения большого количества пикселов в ложный класс.

А это означает, что наилучшим решающим правилом классификации в данном случае скорее всего окажется метод максимального правдоподобия. При классификации по этому методу вокруг выборок в многомерном пространстве признаков будут очерчены 'эллипсы' значений яркости каждого класса с центрами в точке со средними значениями выборки и осями, сориентированными согласно корреляции между спектральными зонами. Отметим, что для оптимальной работы этого метода необходимо нормальное распределение яркостей в пределах каждой обучающей выборки. Несоблюдение этого условия приведет к увеличению количества ошибок классификации в областях перекрытия выборок.

Если бы мы использовали метод минимального (евклидова) расстояния, то некоторые пикселы, принадлежащие к классу облаков, с минимальными значениями яркости, были бы отнесены к классу полупустынь, так как они ближе к средним значениям этого класса. Это - пример ошибки классификации, когда не учтена корреляция значений между спектральными зонами. Использование метода линейного дискриминантного анализа могло бы быть проблематичным при сильном перекрытии выборок, которое мы наблюдаем для остепненных и тростниково-рогозовых лугов, а также тростниково-рогозовых зарослей. Впрочем, в любом случае перекрытие этих классов настолько сильно, что выборки необходимо уточнять, редактировать.

При редактировании выборок возможны три пути:

изменение эталонных участков, по которым создаются выборки,

Эксперименты с изменением выборок для снимка МСУ-СК на дельту Волги показывают, что в данном случае смешение яркостных характеристик неизбежно из-за ограничений, вносимых пространственной и спектральной разрешающей способностью исходного снимка. Поэтому изменение границ эталонных участков не улучшает разделимость классов.

Исключение класса, например, тростниково-рогозовых зарослей, привело бы к чрезмерному расширению класса остепненных лугов, что вызвало бы ошибочное 'появление' остепненных лугов на кромке воды.

Поэтому в данной ситуации единственный вариант редактирования выборок - это объединение обучающих выборок для классов 'луга тростниково-рогозовые' и 'тростниково-рогозовые заросли' в выборку для одного класса с названием 'тростниково-рогозовые луга и заросли'.

Проделаем такое объединение в Multispec. Убедитесь, что у вас открыт файл проекта delt1234.prj (если нужно, откройте его в меню Project / Open Project). Войдите в меню Processor / Statistics и примите все установки проекта по умолчанию, нажав ОК. Появляется меню редактирования эталонных участков. Нажмите кнопку Project в нижней части меню редактирования, чтобы увидеть список классов.

Выберите в нем класс 'тр.-рог. заросли'. Дважды нажмите левую кнопку мыши на названии класса, чтобы просмотреть, какие эталонные участки определяют этот класс - вы увидите, что это участок Field 8. С помощью мыши выделите название этого участка в поле Fields и скопируйте его в буфер, используя команду Edit / Cut field (Редактирование / Удалить участок) из основного меню. В редакторе эталонных участков снова нажмите кнопку Project, выделите класс 'луга тр.-рог.', и двойным нажатием на имени этого класса перейдите в список участков для данного класса. Теперь в основном меню MultiSpec выберите Edit / Paste field, чтобы вставить эталонный участок field 8 в класс 'луга тр.-рог.'. Обновите статистику этого класса, нажав на кнопку Update Class Stats.

Наконец, снова нажмите кнопку Project и обратитесь к списку классов, где необходимо:

а) удалить класс 'тр.-рог. заросли', воспользовавшись командой Edit / Cut Class основного меню, и

б) изменить имя класса 'луга тр.-рог.' на 'тр.-рог. луга и заросли' (кнопка Edit Class Name в редакторе эталонных участков).

В заключение, сохраните проект под новым именем, например, delt_new.prj. Это позволит нам в дальнейшем сравнить точность классификации по исходным и объединенным выборкам, используя старый и новый файлы проекта.

Откройте проект delt_new.prj и его базовое изображение (delt1234.bil). В меню Processor / Classify задайте метод классификации (Procedure) как Maximum Likelihood (максимального правдоподобия). Проверьте, что отмечена опция Training (resubstitution) (классификация по эталонным участкам путем подстановки статистических параметров по выборкам). В разделе Write classification results to: отметьте и Project text window и Disk file. В результате в текстовом окне будет выведена итоговая таблица результатов классификации (точности по каждому классу) и результаты классификации в алфавитно-цифровом представлении, а также будет сохранено классифицированное изображение в формате ERDAS GIS.

Нажмите ОК в этом диалоге и в последующем окне запроса (чтобы подтвердить обновление статистики проекта перед классификацией). Далее перед вами появится диалог ввода имени файла для сохранения, где надо указать имя для классифицированного изображения (например, new_delt.gis).

Классификация продолжается несколько секунд, и после ее окончания в тестовом окне нужно найти табличку

TRAINING CLASS PERFORMANCE (результаты классификации по эталонным участкам). Приводим ее ниже для самопроверки:

				Number of Samples in Class
ClassName	Class Number	Accuracy (%)	Number Samples	1	2	3	4	5	6	7
ClassName	Class Number	Accuracy (%)	Number Samples	Полупуст.	Луга остеп	Луга раз-тр.	Тр.-рог. луга и заросли	Вода чист	Вода со взвес.	Облака
Полупуст.	1	100.0	209	209	0	0	0	0	0	0
Луга остеп.	2	94.9	156	0	148	0	8	0	0	0
Луга разн-тр.	3	100.0	294	0	0	294	0	0	0	0
Тр.- рог. луга и заросли	4	94.4	426	0	24	0	402	0	0	0
Вода чист.	5	100.0	110	0	0	0	0	110	0	0
Вода со взвес.	6	100.0	126	0	0	0	0	0	126	0
Облака	7	100.0	42	0	0	0	0	0	0	42
	TOTAL		1363	209	172	294	410	110	126	42
Reliability Accuracy (%)*				100.0	86.0	100.0	98.0	100.0	100.0	100.0

OVERALL CLASS PERFORMANCE (1122 / 1363 ) = 82.3%
Kappa Statistic (X100) = 78.5%. Kappa Variance = 0.000138.
+ (100 - percent omission error); also called producer's accuracy.
* (100 - percent commission error); also called user's accuracy.

Таблица результатов классификации представляет собой матрицу, по вертикали которой перечислены заданные имена классов, а по горизонтали - имена классов, куда пикселы были отнесены. На пересечении строк и столбцов указаны количества пикселов. Пикселы на диагонали этой матрицы находились в пределах эталонного класса и в него попали, то есть были классифицированы корректно. Пикселы вне диагонали классифицированы в другие классы. Как видно из таблицы, для большинства эталонных участков достигнута 100% корректная классификация пикселов, за исключением остепненных лугов и тростниково-рогозовых лугов и зарослей, которые слегка перемешались между собой. В связи с невозможностью улучшить выборки при данных характеристиках снимка, по результатам предварительной классификации созданные выборки можно признать удовлетворительными.

А теперь закройте текущий файл проекта, откройте старый файл проекта delt1234.prj и проведите классификацию по старым обучающим выборкам (для 8 классов). Сравните таблицу результатов с приведенной выше.

Сначала проведите кластеризацию по исходному снимку на район дельты Волги. Для этого выберите в меню Processor / Cluster алгоритм ISODATA (итеративная кластеризация без обучения). В Initialization Options (варианты инициализации) выберите Use single-pass clusters (использовать алгоритм быстрого выделения кластеров). В результате исходные центры кластеров для алгоритма ISODATA будут определены алгоритмом быстрого выделения кластеров. В Other options (прочие варианты) задайте:

Convergence (%) 98 (порог сходимости, %)
Minimum cluster size 5 (минимальный размер кластера в пикселах)
Distance 1 (First line) 20 (спектральное расстояние, в значениях яркости, для первой строки пикселов эталонных участков при быстром выделении кластеров)
Distance 2 (other lines) 40 (спектральное расстояние для остальных строк пикселов эталонных участков при быстром выделении кластеров).

Нажмите ОК. Заданные параметры приведут к созданию 8 кластеров, что по количеству сопоставимо с числом классов, заданных нами в классификации с обучением.

В меню Set Cluster Specifications укажите Create cluster mask file (создать маску кластеров) и Write Cluster Report / Map to project text window (Записать результат кластеризации / представить карту в окне проекта). Нажмите ОК. В появляющемся диалоге введите имя файла для сохранения кластеризованного изображения.
Когда кластеризация закончится, для проведения гибридной классификации без обучения в меню Processor / Classify в разделе Procedure выберите алгоритм ECHO Spectral-Spatial. В диалоге Specify Echo Parameters примите значения по умолчанию, нажмите ОК. В диалоге Set Classification Specifications укажите Write Classification results to: Disk file (Записать результаты классификации как: файл на диск). Нажмите ОК. Когда появится диалог Save Classification As, введите имя файла для классифицированного изображения.

А теперь, используя меню File / Open Image, откройте файлы *.gis с результатами кластеризации и гибридной классификации без обучения. Закройте текущий файл проекта, созданный в процессе кластеризации, и откройте файл проекта delt_new.prj, используя меню Project / Save Project / Open Project.

Наложите границы эталонных участков из delt_new.prj на классифицированные изображения (поочередно делая окна с этими изображениями активными и используя команду меню Project / Add as Associated Image).

Визуально оцените однородность кластеров в пределах эталонных участков (на изображении с результатами кластеризации ISODATA и на изображении с результатами классификации ECHO).

Межуниверситетский аэрокосмический центр при Географическом факультете МГУ им. М.В. Ломоносова

Компьютерная обработка аэрокосмических снимков.

Работа с многозональными снимками в свободно распространяемой программе MultiSpec

На главную страницу семинара