Тема7_sem2

В этой теме освещаются заключительные этапы классификации с обучением.

Для объективной оценки результатов классификации необходимо предварительно задать тестовые участки для каждого класса. Для этого, пользуясь знанием местности, нужно определить на снимке участки, которые должны попасть в эти классы, но не входят в число эталонных участков. Для нашего задания координаты участков были заранее определены экспертами, и теперь их предстоит ввести в файл проекта MultiSpec.

Тестовые участки задаются в том же редакторе, который мы ранее использовали для набора обучающих выборок. Для работы нужно вывести на экран снимок delt1234.bil и открыть файл проекта delt_new.prj.

Сделав окно с изображением снимка активным, выберите в меню View команду Coordinates Bar, чтобы координаты курсора в пределах снимка отображались в строке над окном.

Затем войдите в меню Processor / Statistics и примите все значения по умолчанию, нажмите ОК. В меню редактора выберите класс полупустынь (в разделе Class) и добавьте новое поле (кнопка Add to List), используя координаты из таблицы, приведенной ниже. В появляющемся диалоге Define Class and /or Field Description (Задать класс / Описание поля) задайте в разделе AreaType (тип участка) опцию Test Field (тестовый участок), нажмите ОК.

Второй тестовый участок был задан экспертами в виде полигона, поскольку участки полупустыни в выбранной области были малы по размеру. Для задания полигона отметьте опцию Polygon Enter под разделом Class в диалоге создания новых участков в редакторе. Далее набирайте вершины полигона по списку (удобно вначале увеличить изображение). Полигон замыкается двойным нажатием левой клавиши мыши.

Затем перейдите в следующий класс и продолжайте набор участков по таблице:

Номер класса	Название класса	Первая строка / координаты полигонов	Последняя строка	Первый столбец	Последний столбец
1	Полупуст.	73	78	23	29
1	Полупуст.	46 318 43 320 41 322 41 325 43 325 45 321 47 319 46 318
2	Луга остеп.	322	329	93	104
2	Луга остеп.	113	117	259	270
3	Луга разнотрав.	417	429	255	264
4	Трост.-рог. луга и заросли	658	671	172	184
5	Вода чистая	594	604	448	456
6	Вода со взвесями	618	629	143	151
7	Облака	151	155	248	251
7	Облака	158 235 153 238 155 240 158 237 161 237 162 238 163 237 158 235

Для задания тестовых участков по снимку ETM+ на северное Бутово откройте файл butovo1_57.bil, и файл проекта butov1_57.prj. По сравнению со снимком дельты Волги этот снимок охватывает меньшую территорию и имеет более простой набор классов, которые в основном хорошо разделяются. Для экономии времени мы не будем повторять в задании процедуры оценки обучающих выборок, освещенные в теме 6 (при желании можно сделать это самостоятельно). Отметим, что для этого снимка и заданного набора классов также более всего подходит классификация по методу максимального правдоподобия. Классификация по обучающим выборкам для этого снимка дает удовлетворительные результаты, хотя не удается достичь полного различения теней зданий и водоемов в связи с тем, что они имеют практически одинаковые значения в спектральных зонах ETM+.

Повторите вышеописанную процедуру по добавлению тестовых участков, используя следующую таблицу их координат:

Номер класса	Название класса	Первая строка	Последняя строка	Первый столбец	Последний столбец
1	широколиств. леса	8	15	65	74
1	широколиств. леса	67	71	2	11
2	смешанные леса	124	131	7	11
3	хвойные леса	112	116	31	35
4	разнотравн. луга	85	90	27	33
4	разнотравн. луга	69	73	36	42
5	здания и шоссе	75	79	132	135
5	здания и шоссе	63	66	88	91
6	стройплощадки	99	103	63	66
6	стройплощадки	74	78	76	79
7	тени зданий	89	92	72	73
8	водоемы	71	71	60	64
8	водоемы	57	59	39	40

В заключительном задании мы проведем классификацию по изучаемым снимкам, используя выбранный метод максимального правдоподобия. Сначала откройте снимок delt1234.bil и файл проекта delt_new.prj.
Войдите в меню Processor / Classify и выберите алгоритм Maximum Likelihood (Метод максимального правдоподобия) (раздел Procedure). Убедитесь, что в разделе Classify отмечено:

V - Test areas (holdout) (классифицировать тестовые участки). Примечание: поле Training (resubstitution) можно не отмечать, так как мы уже анализировали результаты классификации по эталонным участкам в задании 6.2.

V - Image selection: должна быть указана вся площадь снимка (Line 1- 685, column 1-478).

В разделе Write Classification results to: отметьте Disk file (формат ERDAS.GIS)

Далее отметьте V Threshold results at (граничное значение): 2%. В результате установки этого параметра пикселы, для которых вероятность отнесения к классу окажется ниже 2% (то есть пикселы, которые по значениям спектральной яркости не похожи ни на один из классов), будут объединены в категорию Background (неклассифицированные).

Ниже отметьте (граничного значения) V Create Probability Results File (Создать файл вероятности результатов). В результате будет создана карта вероятностей, показывающая для каждого пиксела вероятность его отнесения к тому классу, в который он попал. Высокие вероятности означают, что пиксел по своим значениям яркости близок к средним значениям класса по обучающей выборке.

Все остальные параметры можно оставить по умолчанию и нажать ОК. В последующих диалогах нужно будет задать имена файлов для сохранения классифицированного изображения и карты вероятности.

По ходу проведения классификации в текстовое окно выводятся различные таблицы: список исходных данных и классов (с весами, которые по умолчанию одинаковы), координаты эталонных и тестовых участков, результаты классификации по участкам (в данном случае - только по тестовым), распределение пикселов по классам в пределах снимка (%).

Рассмотрим результаты классификации по тестовым участкам, скопированные из текстового окна MultiSpec:

TEST CLASS PERFORMANCE (Результаты по тестовым участкам)

Project	Reference	Number of Samples in Class (Количество пикселов, попавших в класс)
Class	Class	Accuracy+	Number	1	2	3	4	5	6	7	Threshold
Name	Number	(%)	Samples	полупуст.	луга остеп.	луга разнотр.	трост.и рог. луга изаросли	вода со взвес.	вода чист.	облака
полупуст.	1	46.8	62	29	2	0	0	0	0	0	31
луга остеп.	2	55.8	156	0	87	0	63	0	0	0	6
луга разнотрав.	3	81.5	130	0	0	106	9	0	0	2	13
трост. и рог. луга и заросли	4	98.9	182	0	2	0	180	0	0	0	0
вода со взвесями	5	68.7	99	0	0	0	0	68	0	0	31
вода чистая	6	59.3	108	0	0	0	0	2	64	0	42
облака	7	100.0	37	0	0	0	0	0	0	37	0
	TOTAL		774	29	91	106	252	70	64	39	123
Reliability Accuracy (%)*				100.0	95.6	100.0	71.4	97.1	100.0	94.9

OVERALL CLASS PERFORMANCE (571 / 774) = 73.8% (Общия достоверность по всем классам)
Kappa Statistic (X100) = 69.1%. Kappa Variance = 0.000138.
+ (100 - percent omission error); also called producer's accuracy.
* (100 - percent commission error); also called user's accuracy.

Структура этой таблицы аналогична структуре таблицы, приведенной в задании 6.2. Однако в колонке достоверности результатов (Accuracy %) значения уменьшились по сравнению с классификацией в пределах эталонных участков. Появилась и новая колонка Threshold, в которой показано количество неклассифицированных пикселов, попадающих в пределы тестового участка для данного класса.

В целом по таблице можно сделать следующие выводы:

а) пересекающимися по спектральной яркости обучающими выборками классов и

б) наличием большого количества пикселов, не похожих по спектральной яркости ни на одну обучающую выборку.

Рассмотрим распределение пикселов по классам, также выведенное в текстовом окне:

Number	Class	Samples	Percent
1	полупуст.	7767	2.4
2	луга остеп.	42259	12.9
3	луга разнотрав.	52206	15.9
4	трост. и рог.	124196	37.9
5	вода чистая	9340	2.9
6	вода со взвесями	8046	2.5
7	облака	5162	1.6
	Threshold	78454	24.0
	Total	327430	100.0

Большое количество неклассифицированных пикселов (24%) показывает, что причиной невысокой достоверности классификации может быть именно недостаточная представительность обучающих выборок, которые не охватывают должным образом диапазон имеющихся на снимке спектральных яркостей. Это связано и с тем, что, во-первых, для занятий был выбран относительно небольшой набор классов и, во-вторых, с большим количеством на этом снимке 'смешанных' пикселов, то есть пикселов, объединивших сразу несколько объектов на местности вследствие большого размера пиксела МСУ-СК и большой пространственной неоднородности ландшафтов дельты. Спектральная яркость таких пикселов сформирована смешением яркостей разных объектов и не является представительной ни для одного из них.

Для повышения достоверности классификации в этом случае желательно вернуться к этапу набора обучающих выборок и создать выборки для тех объектов, которые выделяются при данном пространственном разрешении, а затем принудительно отнести остающиеся пикселы к наиболее вероятным классам (то есть не задавать граничное значение - threshold).

Для оценки пространственного распределения пикселов по классам в меню File / Open Image откройте файл с классифицированным изображением и файл с картой вероятности (оба были сохранены в формате .GIS). На классифицированном изображении условными цветами (отраженными в легенде) показаны классы (белым цветом по умолчанию показываются неклассифицированные пикселы). На карте вероятностей в условной шкале для каждого пиксела показаны вероятности отнесения к классу. Удобнее всего рассматривать карту вероятностей, выбрав в верхнем поле окна с картой параметр Groups (сгруппировать значения вероятностей) - тогда видна вся или почти вся легенда. Цифры в легенде показывают вероятность отнесения пикселов к классу в процентах.

Для удобства просмотра по уровням вероятности можно нажать на клавишу Shift и нажать мышкой в легенде на цветную плашку одного из классов - при этом над плашкой появляется значок 'глаза' и текущий уровень выделяется на карте белым. Если нажать одновременно клавиши Shift и Control, при выделении цветной плашки она остается в цвете, а все остальные закрашиваются белым. Эти средства просмотра действуют для любого окна с тематическим изображением (результатом классификации, кластеризации и т.п.).

Откройте в отдельном окне исходный снимок и сравните его с классифицированным изображением и картой вероятностей. Можно заключить, что большая часть неклассифицированных пикселов сгруппировалась в пределах водных объектов, которые, видимо, не были в достаточной мере описаны обучающими выборками. Остальные неклассифицированные пикселы довольно равномерно распределились по изображению, и можно предположить, что многие из них соответствуют 'смешанным' пикселам исходного снимка.

При работе над реальным проектом следовало бы создать дополнительный класс для водных объектов.

А теперь аналогичным образом повторите процедуру классификации по методу максимального правдоподобия для снимка Северного Бутово (файл butovo1_57.bil, файл проекта butov1_57.prj). С аналогичными параметрами результаты классификации по тестовым участкам должны получиться такими:

Project	Reference	Number of Samples in Class
Class Name	Class Number	Accuracy+ (%)	Number Samples	1	2	3	4	5	6	7	8	Threshold
широколиств. леса	1	44.6	130	58	9	4	0	0	0	0	0	59
смешанные леса	2	92.5	40	3	37	0	0	0	0	0	0	0
хвойные леса	3	96.0	25	0	0	24	0	0	0	0	0	1
разнотравн. луга	4	90.9	77	0	0	0	70	0	0	0	0	7
здания и шоссе	5	77.8	36	0	0	0	0	28	4	0	0	4
стройплощадки	6	20.0	40	0	0	0	0	3	8	0	0	29
тени зданий	7	87.5	8	0	0	0	0	0	0	7	0	1
водоемы	8	54.5	11	0	0	1	0	0	0	2	6	2
	TOTAL		367	61	46	29	70	31	12	9	6	103
Reliability Accuracy (%)*				95.1	80.4	82.8	100.0	90.3	66.7	77.8	100.0

Kappa Statistic (X100) = 59.6%. Kappa Variance = 0.000718.
+ (100 - percent omission error - ошибка пропуска); also called producer's accuracy.
* (100 - percent commission error); also called user's accuracy.

Таким образом, наиболее высокая достоверность при классификации снимка Северное Бутово достигнута для классов смешанных и хвойных лесов, разнотравных лугов, зданий и шоссе, теней зданий. Количество неклассифицированных пикселов по всему снимку очень высоко (около половины).

Анализ исходного снимка, классифицированного изображения и карты вероятностей показывает, что многие неклассифицированные пикселы попадают на участки лесов. В отличие от снимка дельты Волги, спектральные и пространственные характеристики снимка позволяют добавить дополнительные классы.

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