Российская сеть изучения и охраны пернатых хищников
Я хочу сообщить о встрече окольцованной птицы!
Пернатые хищники
Соколообразные
Совообразные
Изучение
Ключевые виды
Мониторинг
Фаунистика
Миграции
Кольцевание
Охрана
Платформинг
Нестбоксинг
Птицы и ЛЭП
ООПТ
Информация о сети
Устав и программа
Члены сети
Проекты
Мероприятия сети
Блоги
СМИ о нас
Библиотека
Журнал “RC”
Методики
Книги
Статьи
Отчёты и доклады
Презентации
Новости
События
Конференции
Прочие объявления
Из соцсетей
Для спонсоров
Горящие проекты
МЫ В СОЦСЕТЯХ
RRRCN RRRCN
Fatbirder's Top 1000 Birding Websites
НАШИ БАННЕРЫ
RRRCN RRRCN

ArcView GIS для экологов

3.1.2.4.5. Классификация изображения

3.1.2.4.5.1. Полная классификация изображения

Классификация данных снимка на основе их спектральных характеристик – автоматизированный метод начального этапа дешифрирования изображения. Используя классификацию можно сгруппировать данные снимка в любое количество классов (например, классов ландшафта) и в редакторе легенды дать этим классам названия (например, водные поверхности, сельхозугодья, лес и т.д.). Тема, полученная в результате классификации – рабочая тема для применение постклассификационных процедур, которые включают генерализацию (сглаживание) и преобразование изображения в шейп-файл.

Image Analyst использует автономный метод многозональной классификации. Этот метод особенно полезен, когда пользователь не знакомы с данными снимка. Все, что от него требуется при этом – задать число классов, на которые необходимо разбить изображение. В Image Analyst реализован метод ISODATA, использующий установленное число итераций и порог сходимости для классификации данных. Процедура классификации распознает сходные пиксели по их значениям в спектральных каналах. Затем пикселям присваиваются номера классов, а классам – символы и метки. Определив, что эти классы представляют, пользователь самостоятельно создает легенду.

ISODATA (Iterative Self-Organizing Data Analysis) – итеративный самоорганизующийся анализ данных используется для классификации одно- и многоканальных данных для создания тематических карт. Он пересчитывает статистические показатели на каждой итерации. Эти статистические показатели изменяются в зависимости от того, как пиксели перегруппировать по классам. Метод называется самоорганизующимся потому, что классы создаются без запросов к пользователю (нужно указать лишь число этих классов). Данные относятся к различным классам в результате оценки их спектральных различий. Процесс контролируется установленными числом итераций и порогом сходимости.

Итерация – это перегруппировка пикселей по классам. Ограничение числа итераций необходимо для того, чтобы избежать зацикливания алгоритма при большом значении порога сходимости. Номер выполняемой в настоящий момент итерации отображается в строке состояния ArcView. По умолчанию используется 12 итераций. Пользователь можете изменить число итераций, задав количество необходимых итераций на языке Avenue.

Порог сходимости задает минимальный процент числа пикселей, которые должны остаться в своих классах при последней итерации. Достижение этого порога останавливает процедуру классификации. Если порог установлен в 95%, то как только 95% пикселей или более останутся в своих классах при очередной итерации, процедура классификации формирует окончательный состав классов и создает выходную тему с указанным пользователем числом классов. По умолчанию Image Analyst использует значение 95%, хотя его можно изменить, задав соответствующую команду на языке Avenue.

Для классификации изображения:

1. В режиме открытого окна Вида в панели управления ArcView (при подключенном модуле Image Analyst) нажимаем кнопку «Add Theme – Добавить тему» – открывается окно загрузки файла.

2. В окне загрузки файла в меню «Data Source Types» выбираем тип файлов как «Image Analysis Data Source», выбираем диск, папку, файл и нажимаем «ОК».

3. Загруженную в ArcView тему выделяем в оглавлении Вида и в панели управления ArcView в меню «Image Analysis» выбираем команду «Categorize – Категоризация (классификация)» — открывается окно выбора количества классов (Categorize: <название темы>) (рис. 304).

Рис. 304. Классификация: шаг 1 – разбиение на классы
Рис. 304. Классификация: шаг 1 – разбиение на классы.

4. В окне выбора количества классов «Categorize…» в поле «Desired number of classes» вводим необходимое количество классов, на которое требуется разбить изображение, и нажимаем «ОК» — начинается процесс классификации, который завершается добавлением классифицированного изображения в оглавление Вида.

5. Легенда классифицированного изображения по умолчанию задается в черно-белых тонах. Нулевой класс легенды представляет собой неклассифицированные значения, классы с 1 по 16 представляют собой типы объектов от воды (класс 1) до земли (класс 16), объединенные в близкие группы по спектральной яркости во всех каналах изображения. Следующим шагов по обработке классифицированного изображения является настройка легенды: каждому классу необходимо присвоить осмысленный цвет и названия. Для этого выделяем классифицированное изображение в оглавлении Вида и двойным кликом на иконку темы вызываем редактор легенды (рис. 305). В редакторе легенды в поле «Label – Условное обозначение» заменяем названия классов «Class 1», «Class 2», «Class 3» и т.д. на осмысленные, например «Водоемы глубокие», «Водоемы средней глубины», «Мелководья» и т.д. В поле «Symbol – Символ» двойным кликом на каждый символ вызываем редактор палитры и присваиваем символу осмысленный цвет заливки, например классу воды – синий, классу леса – зеленый и т.д. Для окраски заливки в палитре выбираем «Foreground» и присваиваем цвет, кликнув в соответствующую ячейку цвета. Границы объектов задаем прозрачные, кликнув для каждого символа при включенной окраске границ в палитре (Outline) на левый верхний значок. После того как все символы раскрашены и подписаны, легенду следует применить, нажав кнопку «Apply» — изменения немедленно вступят в силу и отобразятся в легенде темы в оглавлении Вида и в самой теме в окне Вида (рис. 306). После того, как для классифицированного изображения задана легенда, она будет переносится во все другие результирующие изображения при любой операции в Image Analyst.

Рис. 305. Классификация: шаг 2 – редактирование легенды
Рис. 305. Классификация: шаг 2 – редактирование легенды.

6. На следующем этапе обработки классифицированного изображения его следует генерализовать (сгладить), чтобы уменьшить количество экотонных полигонов, размер которых 1-3 пикселя. При сглаживании тематических данных используется фокально-мажоритарный фильтр (ФМФ). Результаты сглаживания отображаются в отдельной теме, которая сохраняет ту же самую схему классификации и легенду, что и тема, к которой сглаживание было применено.

ФМФ работает так, что на выход выдается значение класса, которое встречается наиболее часто в матрице 3 x 3 пикселя, и это значение присваивается центральному пикселю результирующей (генерализованной) темы. Например центральный пиксель матрицы 3х3 пикселя имеет значение 4, а 8 соседних пикселей имеют значения 4, 5, 5, 6, 6, 6, 7, и7; после применения ФМФ центральному пикселю будет присвоено значение 6, т.к. оно встречается в матрице чаще всего.

Сглаживание может применяться столько раз, сколько это необходимо для достижения требующегося результата генерализации.

Для того, чтобы сгладить классифицированное изображение, выделяем его в оглавлении Вида и в панели управления ArcView в меню «Image Analysis» выбираем команду «Smooth – Генерализовать (сгладить)» (рис. 307) – запускается процесс сглаживания, который завершается добавлением генерализованного изображения в оглавление Вида.

Рис. 306. Классификация: шаг 3 – редактирование легенды
Рис. 306. Классификация: шаг 3 – редактирование легенды.

Рис. 307. Классификация: шаг 4 – генерализация (сглаживание) изображения
Рис. 307. Классификация: шаг 4 – генерализация (сглаживание) изображения.

Если результат первой генерализации не удовлетворяет, производим процесс еще раз, но уже с генерализованным изображением, для чего генерализованное изображение выделяем в оглавлении Вида, и в панели управления ArcView в меню «Image Analysis» выбираем команду «Smooth». Результат 2-3-й генерализаций содержит минимум экотонных полигонов, в то же время островные полигоны не являющиеся экотонными, объединены по минимуму (рис. 308), поэтому на этом этапе имеет смысл остановится и переходить к следующему этапу.

Рис. 308. Классификация изображения на примере Волжско-Камского заповедника и окрестностей в позднеосенний период: оригинальный снимок Landsat ETM+ со стандартной комбинацией каналов «искусственные цвета» (4-3-2) – верхнее левое изображение, «сырое» классифицированное изображение – верхнее правое изображение, классифицированное изображение с заданной легендой – нижнее левое изображение и итоговое генерализованное классифицированное изображение с заданной легендой – нижнее правое изображение
Рис. 308. Классификация изображения на примере Волжско-Камского заповедника и окрестностей в позднеосенний период: оригинальный снимок Landsat ETM+ со стандартной комбинацией каналов «искусственные цвета» (4-3-2) – верхнее левое изображение, «сырое» классифицированное изображение – верхнее правое изображение, классифицированное изображение с заданной легендой – нижнее левое изображение и итоговое генерализованное классифицированное изображение с заданной легендой – нижнее правое изображение.

Все файлы, добавленные в результате операций классификации и генерализации – временные файлы, поэтому если необходимо использовать их для дальнейшей работы в Image Analyst или иных ГИС-приложениях, их следует сохранить. Сохранить классифицированные изображения можно как файлы IMAGINE Image, для работы с ними в Image Analyst, как TIFF, для того, чтобы их можно было открыть как в ArcView, так и в иных ГИС-приложениях, либо как GRID, чтобы работать с изображением с помощью инструментария Spatial Analyst. Для сохранения классифицированного изображения, выделяем его в оглавлении Вида и в панели управления ArcView в меню «Theme – Тема» выбираем команду «Save Image As… – Сохранить изображение как…» — в открывшемся окне сохранения файла выбираем диск, папку, в меню «List Files of Type» выбираем тип фала и задав название файлу нажимаем кнопку «ОК». Далее можно добавить сохраненный файл в Вид (нажав ОК в открывшемся диалоговом окне), а временный файл удалить (после закрытия ArcView временный файл будет автоматически удален из папки временных файлов, а сохраненный файл останется в проекте) либо продолжать работать с временными файлами, а от подгрузки сохраненного файла отказаться.

7. Заключительным этапом классификации изображения является его конвертирование в векторный формат. Для этого итоговое генерализованное классифицированное изображение выделяем в оглавлении Вида и в панели управления ArcView в меню «Theme – Тема» выбираем команду «Convert to Shapefile – Конвертировать в шейп-файл» (рис. 309). В открывшемся окне сохранения файла выбираем диск, папку и записав имя файла, нажимаем «ОК» — запускается процедура конвертирования данных, в завершении которой откроется диалоговое окно в котором будет предложено добавить шейп-файл в Вид.

Рис. 309. Классификация: шаг 4 – конвертирование классифицированного изображения в шейп-файл
Рис. 309. Классификация: шаг 4 – конвертирование классифицированного изображения в шейп-файл.

Шейп-файл классифицированного изображения по умолчанию добавляется в Вид с легендой, раскрашенной по типу отдельного символа. Для того чтобы раскрасить легенду шейп-файла в соответствии с легендой, заданной для классифицированного изображения необходимо открыть редактор легенды, в меню «Legend Type — Тип легенды» выбрать «Unique Value — Уникальное значение», а в меню «Values Field – Классификационный столбец» выбрать «Class Names» — в рабочем окне редактора легенды отобразятся названия классов так, как они были переименованы в классифицированном изображении, однако цвет символам, для отображения этих классов на карте, придется задать заново, открыв палитру. После того, как для всех классов задан необходимый цвет, следует применить легенду, нажав «Apply» — результат немедленно отобразится в Виде (рис. 310) (подробнее о работе с легендой см. в главах 1.1.6.6.1.1. Редактор легенды для векторных тем и GRID-тем и 1.1.6.6.1.2. Палитра).

Векторная тема имеет огромные преимущества перед изображением – она может быть налету перепроектирована в любую проекцию и совмещена с растровыми изображениями в любой проекции, она имеет атрибутивную таблицу, по которой можно быстро организовать поиск объектов нужных классов, нужной площади и т.д. Подробнее о работе с векторными темами см. главу 3.2. Работа с векторными темами)

Рис. 310. Векторный файл, созданный на основе классифицированного изображения
Рис. 310. Векторный файл, созданный на основе классифицированного изображения.

 

Содержание

 

 

Страниц: 1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20 21 22 23 24 25 26 27 28 29 30 31 32 33 34 35 36 37 38 39 40 41 42 43 44 45 46 47 48 49 50 51 52 53 54 55

Наверх

Пернатые хищники и их охрана
Форум сети
Фотоальбом
Видеотека
  • Login

  • Войти через loginza

    30.11.2016

    Международная конференция по сохранению птиц в Венгрии

    Международная конференция по охране птиц в Венгрии

    Международная конференция по сохранению птиц, организованная Венгерской национальной сетевой компанией MAVIR , в сотрудничестве с Обществом охраны птиц Венгрии (MME/Birdlife) и Институтом Германа Отто, прошла в Венгрии 7-8 ноября 2016.

    29.11.2016

    Прослеживание балобанов, помеченных передатчиками, подтверждает, что браконьерство наносит основной урон популяциям соколов

    DSC_7919-

    Из 10 балобанов (6 самок и 4 самцов), помеченных передатчиками в Алтае-Саянском регионе в 2016 г. после сезона браконьерского лова соколов продолжило миграцию лишь 4 сокола (3 самца и 1 самка).

    Все новости

    Flora Hoser on the conference. Photo by Márton Horváth

    Презентации докладов Международной конференции по сохранению птиц в Венгрии

    Презентации докладов Международной конференции по сохранению птиц в Венгрии, проходившей 7-8 ноября 2016 г.

    Эльвира Николенко на конференции «Сохранение биоразнообразия в Южной Сибири»

    Презентации докладов конференции «Сохранение биоразнообразия в Южной Сибири»

    Презентации докладов конференции «Сохранение биоразнообразия в Южной Сибири», проходившей в г. Новосибирск (Россия) 4–6 ноября 2016 г.

    Все публикации