Überblick über Bildklassifizierung
Mit Image Analyst-Lizenz verfügbar.
Mit Spatial Analyst-Lizenz verfügbar.
Bildklassifizierung bezeichnet das Zuweisen von Klassen – definiert in einem so genannten Schema, einem System zur Klassifizierung der Bodendeckung und Flächennutzung – zu allen Pixeln in einem Fernerkundungsbild.
Das aus der Bildklassifizierung resultierende Ausgabe-Raster kann verwendet werden, um thematische Karten zu erstellen. Je nach Interaktion zwischen Analyst und Computer während der Klassifizierung gibt es zwei Klassifizierungsmethoden: überwachte und unüberwachte. Beide können objekt- oder pixelbasiert sein.
Die Bildklassifizierung kann ein langwieriger Workflow mit vielen Verarbeitungsschritten sein. In ArcGIS Pro wurden die Klassifizierungs-Workflows optimiert und im Klassifizierungsassistenten zusammengeführt, sodass auch Benutzer mit grundlegenden Kenntnissen direkt einsteigen und den Workflow mit Unterstützung des Assistenten durchlaufen können. Es gibt auch individuelle Klassifizierungswerkzeuge für fortgeschrittenere Benutzer, die möglicherweise nur einen Teil des Prozesses durchführen möchten.
|
Werkzeug |
Beschreibung |
|---|---|
|
Der Klassifizierungsassistent leitet die Benutzer durch den gesamten Klassifizierungs-Workflow. Er bietet eine Lösung, die aus Best Practices und einer vereinfachten User Experience besteht und führt die Benutzer effizient durch den Klassifizierungsprozess. |
|
|
Segmentierung ist eine wichtige Komponente des objektbasierten Klassifizierungs-Workflows. Bei diesem Vorgang werden benachbarte Pixel gruppiert, die eine ähnliche Farbe und bestimmte Shape-Eigenschaften aufweisen. |
|
|
Die Seite Trainingsgebiet-Manager ist in zwei Abschnitte unterteilt: den Abschnitt zum Schema-Management oben und den Abschnitt zu Trainingsgebieten im unteren Bereich. Ein Klassifizierungsschema wird verwendet, um alle Features in den Bilddaten in verschiedenen Klassen zu organisieren. Eine Trainingsgebiet ist ein Bereich, den Sie in eine bestimmte Klasse eingeteilt haben, welche Ihrem Klassifizierungsschema entsprechen muss. |
|
|
Sie können Ihre Daten unüberwacht oder überwacht klassifizieren. In diesem Schritt werden die Bilddaten basierend auf dem Klassifizierungsalgorithmus und den angegebenen Parametern in Klassen verarbeitet. |
|
|
Nachdem Sie eine überwachte Klassifizierung durchgeführt haben, möchten Sie möglicherweise einige der Klassen zu allgemeineren Klassen zusammenführen. Sie sind auf die übergeordneten Klassen Ihres Schemas beschränkt. |
|
|
Nachdem Sie eine unüberwachte Klassifizierung durchgeführt haben, müssen Sie die Ergebnisse basierend auf Ihrem Schema in aussagekräftigen Klassennamen anordnen. |
|
|
Bei der Genauigkeitsbewertung wird die Genauigkeit des klassifizierten Ergebnisses anhand eines Referenz-Datasets bestimmt. Die Genauigkeit wird von 0 bis 1 dargestellt, wobei 1 einer Genauigkeit von 100 Prozent entspricht. |
|
|
Nachdem Sie ein Bild klassifiziert haben, werden Sie möglicherweise kleine Fehler im Klassifizierungsergebnis feststellen. Sie können Änderungen an einzelnen Features oder Objekten vornehmen. |
Überwachte und unüberwachte Klassifizierung
Je nach Interaktion zwischen Analyst und Computer während der Klassifizierung gibt es zwei Klassifizierungsmethoden: überwachte und unüberwachte.
Bei der überwachten Klassifizierung entscheiden Sie, welchen Klassenkategorien Sie Pixel oder Segmente zuordnen möchten. Diese Klassenkategorien werden als Ihr Klassifizierungsschema bezeichnet. Nach Abschluss der Klassifizierung müssen Sie sich das resultierende klassifizierte Dataset ansehen und fehlerhafte Klassen oder Klassenpolygone basierend auf Ihrem Schema der richtigen Klasse zuweisen.
Unüberwachte Klassifizierung bedeutet, dass der Computer anhand statistischer Unterschiede in den spektralen Eigenschaften der Pixel entscheiden kann, welche Klassen im Bild vorhanden sind. Nach Abschluss der unüberwachten Klassifizierung müssen Sie die resultierenden Klassen den Klassenkategorien Ihres Schemas zuweisen.
Objektbasiert und pixelbasiert
Es gibt zwei Optionen für die Art der ausgewählten Klassifizierungsmethode: pixelbasiert und objektbasiert.
Der traditionelle Ansatz ist der pixelbasierte Ansatz, mit dem individuell bestimmt wird, zu welcher Klasse jedes Pixel gehört. Informationen von benachbarten Pixeln bleiben unberücksichtigt. Das kann zu unerwartetem Salz- und Pfefferrauschen führen.
Beim objektbasierten Ansatz werden benachbarte Pixel anhand ihrer Ähnlichkeit zueinander in einem Segmentierungsprozess gruppiert. Die Segmentierung berücksichtigt bei der Entscheidung, wie Pixel gruppiert werden, Farbe und Formeigenschaften. Da dieser Ansatz im Wesentlichen die Pixelwerte mittelt und geografische Informationen berücksichtigt, ähneln die durch Segmentierung erzeugten Objekte eher realen Features in Ihren Bilddaten und liefern sauberere Klassifizierungsergebnisse.