4.Откройте вкладку Page Setup(Параметры страницы).

Ответьте на вопрос 1.

5.Откройте вкладку Options (Опции). В зависимости от того, создана или нет рамка (neatline) ранее, сейчас на вкладке Options доступна или не доступна опция Draw Bounding Вох (Нарисовать граничную рамку). Используйте опцию Print and save plotfile (Печатать и сохранить файл печати).

6.Если нужно вывести на печать сразу несколько копий одной и той же карты, вы можете ввести число копий в строке Copies (Число копий) на вкладке Options.

7.Откройте вкладку Preview (Предварительный просмотр).

Ответьте на вопрос 2.

8.Запустите печать композиции карты, нажав ОК.

3.8.2 Контрольные вопросы

1.Какое количество панелей (Отдельных листов, Panels) задано для данной карты? В каком случае число этих панелей увеличится?

2.Что представляют собой прямоугольники, появившиеся в окне предварительного изображения?

Требования к содержанию и оформлению отчета

Отчет должен быть продемонстрирован на бумажном носителе,

содержащем титульный лист, цель работы, задание работы, краткие теоретические сведения, практическую часть (описание проделанных упражнений с графическими иллюстрацмиями создания мозаики изображений, результатами работы инструментов ГИС-анализа, утилит и т.д.), выводы по проделанной работе.

Критерии результативности выполнения работы

Результаты лабораторной работы считаются удовлетворительными если студенты:

1.Выполнили практическую часть лабораторной работы и в соответствии с заданием представили отчет, соответствующий требованиям;

87

2.Приобрели навыки работы с функциями Erdas Imagine (создания мозаики изображений и ГИС-анализа), утилитами и композицией карт в программном продукте Erdas Imagine;

3.Ответили на все контрольные вопросы.

88

ЛАБОРАТОРНАЯ РАБОТА № 4. ИЗУЧЕНИЕ ОСНОВНЫХ ВОЗМОЖНОСТЕЙ КЛАССИФИКАЦИИ ИЗОБРАЖЕНИЙ В

ПРОГРАММНОМ ПРОДУКТЕ ERDAS IMAGINE.

1 ЦЕЛЬ РАБОТЫ

Целью работы является:

∙ознакомление студентов с дешифрированием космических снимков;

∙привитие студентам навыков классификации космических снимков в Erdas Imagine.

Задачей работы является:

∙изучение студентами функций Erdas Imagine, позволяющих производить классификацию космических снимков;

∙закрепление изученного теоретического материала по дешифрированию космических снимков с помощью модуля расширения Sub-Pixel Classifier.

2 ТЕОРЕТИЧЕСКИЕ СВЕДЕНИЯ Тематическая обработка (анализ) данных имеет целью

формирование цифровых карт. Наиболее важной задачей тематической обработки является классификация. Цель классификации заключается в разненесении элементов изображения в несколько различных групп (классов), что позволяет построить тематическую карту.

Классификация (classification) - автоматическое разбиение изображений по заданному признаку или совокупности признаков на однородные содержательно интерпретируемые области, т.е. выделение объектов или классов объектов по их яркостным и/или геометрическим свойствам и их последующая обработка или интерпретация различными методами, включая кластеризацию (clustering), безусловную, или неконтролируемую классификацию (unsupervised classification), когда разбивка на классы производится автоматически без предварительного обучения на эталонах, и контролируемую классификацию (supervised classification) с обучением на эталонных фрагментах изображения, когда для каждого

89

пиксела во всех диапазонах определяются показатели свойств спектрального отражения и сопоставляются с заданными классами спектральных признаков или с таковыми на эталонных объектах. Классификация иногда рассматривается как один из начальных этапов дешифрирования.

Как уже говорилось во второй лабораторной работе, общая схема компьютерной обработки ДДЗ состоит из:

∙импорта;

∙радиометрической и/или атмосферной коррекции;

∙геометрической коррекция;

∙классификации или дешифрирования;

∙анализа результатов дешифрирования;

∙презентации результатов.

Классификация способствует получению тематической информации из спектральной (рис 2.1).

Рис.2.1

Классификация сокращает объем данных и позволяет анализировать объекты.

В классификации используются методы распознавания образов. Такие применения теории распознавания как кластерный анализ (таксономия), выявление закономерностей во множестве экспериментальных данных, прогнозирование различных процессов или явлений широко используется в научных исследованиях. Большую роль методы распознавания (классификации) играют в активно развивающихся геоинформационных системах.

90

Показательным в этом отношении является выдержка из монографии А.М.Берлянта «Геоиконика»: «...использование карт, дешифрирование снимков, анализ экранных видеоизображений - это всегда распознавание и анализ графических образов, их измерение, преобразование, сопоставление и т.п. Отсюда следует, что распознавание графических образов, т.е. создание системы решающих правил для их идентификации, классификации и интерпретации - это одна из главных задач геоиконики».

Для классификации применяется широкий набор алгоритмов, таких, как Isodata (иерархический кластерный анализ) и эталонные классификации на основе принципа максимального правдоподобия, критерия Махаланобиса, минимального расстояния. Есть методы оценки надежности и качества полученной классификации по результатам наземной проверки.

В Erdas Imagine классификация осуществляется с помощью модуля расширения Sub-Pixel Classifier. Он добавляет к системе средства классификации мультиспектральных изображений с разделением смешанных пикселей. Обычно каждый пиксель кадра включает смешанную (комплексную) информацию, отражающую влияние различных природных факторов.

Процесс классификации позволяет исключить специфическое влияние любого из этих факторов (интересующих объектов, материалов, свойств, называемых Material Of Interest - MOI) в каждом смешанном пикселе, что дает возможность провести их продвинутый анализ и классифицировать объекты с размерами, меньшими, чем пространственная разрешающая способность сенсора.

3 МЕТОДИКА ВЫПОЛНЕНИЯ РАБОТЫ

3.1 Упражнение 1. Автономная классификация (Unsupervised Classification)

Цель упражнения: Используя возможности автономной классификации, создать эталоны для выполнения в дальнейшем первой фазы классификации с обучением по типам ландшафтов.

Задание 1 Задать имена входного и выходного файлов (шаги 1-2) Задание 2 Задать количество кластеров и другие параметры

процесса (шаги 3-7)

Задание 3 Открыть во вьюере полученное изображение и

91

просмотреть информацию об этом изображении, используя команду Image Info(шаг8)

Входные данные: xrhine_rectify.img (Если вы не делали упражнение Р1, то этот файл можно взять в папке Outputs).

Выходные данные: изображение, содержащее 15 классов (xrhine_iso.img)

Инструменты: Unsupervised Classification (ISODATA) - автономная классификация

3.1.1Содержание упражнения

1.На Главной Панели IMAGINE выберите Classifier | Unsupervised Classification (Классификация | Автономная классификация).

2.В диалоге Unsupervised Classification определите входной полутоновой файл (Input Raster File) xrhine_rectify.img. Для выходного тематического изображения (Output Claster Layer) введите xrhine_iso.img Для выходного файла эталонов (Output Signature Set) введите xrhine_iso.sig .

3.Введите Количество классов (Number of classes) 15. Нажмите кнопку Initializing Options (Начальные параметры). Выберите Principal Axis (Ось первой главной компоненты), чтобы исключить влияние возможной корреляции данных в разных спектральных зонах. Измените множитель стандартного отклонения (Standart deviations) на 2.00. Закройте диалог начальных параметров.

Ответьте на вопрос 1.

4.Нажмите кнопку Color Scheme Options (Параметры цветовой схемы). Включите флажок Approximate True Color (Приблизить

раскраску к исходным цветам). Это позволит автоматически присвоить каждому классу цвет, подобный цвету исходного изображения, вместо использования черно-белой палитры. Закройте диалог параметров цветовой схемы.

5.В диалоге Processing Options (Параметры процесса) установите максимальное число итераций (Maximum Iterations) 25. Возможно, это несколько увеличит время выполнения задания, зато количество итераций не станет ограничением и позволит

92

классифицировать изображение с точностью, соответствующей заданному вами порогу сходимости.

6.Порог сходимости (Convergence Threshold) это процент пикселов, которые не изменили своей принадлежности к определенному классу при выполнении последней итерации. Этот порог является показателем достаточной степени устойчивости полученного решения. Оставьте предложенные по умолчанию порог сходимости (Convergence Threshold) и Коэффициент прореживания (Skip Factors).

7.Нажмите ОК. Перед вами появится окно состояния процесса, в котором вы можете отслеживать номер текущей итерации и величину сходимости.

8.На панели инструментов Вьюера выберите кнопку Open Layer (Открыть слой). Выберите только что созданный вами файл xrhine_iso.img. Нажмите ОК. Проверьте, что вам удалось создать желаемое количество тематических классов.

3.1.2Контрольные вопросы

1.Если вы установите значение Skip Factor равным 2, будет ли выходной классифицированный файл того же размера, как исходный?

2.Почему значение Convergence Threshold равно 0 после первой итерации?

3.Используя информацию об изображении в Layer Info, скажите, какой тип данных загружен во Вьюер – тематический растр или непрерывный?

4.Из скольких слоев состоит данное изображение?

3.2Упражнение 2. Задание имен классов (Labeling Classnames)

Цель упражнения: Задать имена классов, полученных в ходе выполнения классификации без обучения (ISODATA) (см. предыдущее упражнение).

93

изображения (шаг 8)

Задание 3 Временно изменяя цвет каждого класса, выделить участки изображения, отнесенные к этим классам и проинтерпретировать их содержательно (шаги 9-12)

Задание 4 Объединить близкие классы командой перекодирования (шаги 13-15)

Задание 5 Задать окончательные имена и цвета классов для итоговой карты ландшафта (шаг 16)

Входные данные: xrhine_iso.img

Выходные данные: растровая карта ландшафта, в которой объединены некоторые классы (выполнена перекодировка) и заданы имена классов.

Инструменты: редактор атрибутов растра (Attribute Editor), цветовой диск (Color Wheel), инструментарий перекодировки классов (Recode).

3.2.1Содержание упражнения

1.Откройте во Вьюере файл xrhine_iso.img, используя опцию Fit To Frame (Вписать изображение во Вьюер).

Ответьте на вопрос 1.

2.В меню Вьюера выберите Raster | Attributes (Растр | Атрибуты). Нажмите ОК, если появится сообщение о несоответствии цветовой палитры (Color allocation).

3.На панели инструментов Редактора Атрибутов (Attribute Editor) щелкните кнопку Column Properties (Свойства столбца). Выберите столбец Class_Names и щелкните кнопку Тор (На первое место), тем самым, изменив порядок столбцов (поместив вперед столбец Class_Names).

4.Измените отображаемую ширину столбца Class_Names в поле

Display Width с 100 на 10.

5.Теперь выберите столбец Color и нажмите кнопку Up (Вверх), чтобы поместить этот столбец на второе место в таблице. Обратите внимание, что опции Editable(Редактировать) и Show RGB (Показывать значения RGB) сейчас включены.

6.Теперь создайте столбец для временного переопределения цветов классов. Для этого нажмите кнопку New (Новый столбец). Введите

94

название (True) - Backup Color (Сохраненный цвет). Нажимайте кнопку Up (Вверх), чтобы поместить этот столбец на третье место в таблице. В списке Туре (Тип) выберите Color (Цвет). Нажмите ОК, чтобы закрыть диалог свойств столбцов (Column Properties).

7.Теперь нужно скопировать цвета из столбца исходных цветов классов (Color) в столбец резервной копии цветов (Backup Color). Этот шаг нужен для того, чтобы всегда оставалась возможность возвращения к исходной цветовой схеме после любых изменений в ходе работы. В редакторе атрибутов (Attribute Editor) выберите столбец Цвет (Color). Затем нажмите кнопку Сору (Копировать). Затем выберите столбец Backup Color и нажмите кнопку Paste (Вставить).

8.Измените размер и местоположение диалога Редактора атрибутов так, чтобы он не закрывал Вьюер с классифицированным изображением, а находился рядом с ним.

9.Приступайте к редактированию столбца Class_Names (Названия классов) и столбца Color (Цвет). Вы можете менять цвета классов совершенно произвольно, поскольку для восстановления первоначальных цветов вы можете использовать не только возможность отмены последнего изменения (Edit | Undo last Edit), но и скопировать исходные цвета из столбца Backup Color.

Внимание!

Функция Undo(Отменить) отменяет только одно последнее внесенное изменение!

10.Чтобы посмотреть какие пикселы изображения относятся к конкретному классу, нужно временно изменить цвет этого класса на более яркий. Нажмите на ячейку с цветом четвертого класса (Class 4) и присвойте этому классу голубой (Blue) цвет. Теперь пикселы, принадлежащие 4-ому классу, отчетливо видны на снимке и, можно предположить, что 4-й класс это класс сельскохозяйственных земель (поля пшеницы). Верните этому классу первоначальный цвет, выбрав в меню Edit/Undo last Edit (Редактировать/Отменить последнее изменение). В текстовом поле 1-ого класса напечатайте Wheat (пшеница).

11.Повторите процесс распознавания принадлежности классов к определенным типам ландшафта и землепользования для

95

остальных 14 классов. Скорее всего, на классифицированном изображении будут присутствовать такие классы:

В вашем классифицированном изображении могут встретиться дублирующиеся и смешанные классы. Чуть позже, используя иные методы, вы исправите эту ситуацию.

Ответьте на вопрос 3.

Внимание!

Смешанный класс - это класс, который содержит более одного типа ландшафта.

12.После того, как вы задали имена всех 15 классов, щелкните кнопку Save (Сохранить) и закройте Редактор атрибутов.

13.На Главной панели IMAGINE выберите Interpreter | GIS Analysis| Recode (Интерпретация | ГИСАнализ | Перекодировка). На экране появится диалог Recode. В этом диалоге укажите имя входного файла – xrhine_iso.img. Введите имя выходного файла – xrhine_recode.img.

14.Нажмите кнопку Setup Recode (Задание параметров перекодировки). На экране появилась перекодировочная таблица CellArray. Именно здесь можно объединить некоторые подобные классы в более общие категории. Для начала, щелкните по

96

заголовку столбца Value(Значение) и выберите все классы, которые можно объединить в класс "Лес". В столбце NewValue(Новое значение) введите 1 и затем нажмите Change Selected Rows(Изменить выделенные строки) - это позволит вам создать общий класс под названием "Лес". Повторите процедуру, чтобы создать общие классы "Вода", "Городские территории", "Трава", "С/х культуры" и другие, соответственно с новыми значениями 2, 3, 4, 5 и 6. Затем нажмите ОК.

15.Внутри диалога Recode нажмите ОК. Следите за строкой состояния процесса и когда выполнение задания будет завершено, нажмите ОК. Теперь откройте еще один Вьюер, щелкнув по кнопке Viewer. Загрузите в этот Вьюер изображение xrhine_recode.img, используя опцию Fit To Frame (Вписать изображение в окно Вьюера).

16.Обратитесь к редактору атрибутов (Raster/Attributes), чтобы ввести окончательные имена классов и итоговые цвета карты.

3.2.2Контрольные вопросы

1.Для чего служит опция “Display as:”?

2.Почему классы созданного вами изображения имеют неяркие цвета?

3.Какой класс объектов (назоваите его номер)?

3.3Упражнение 3. Создание набора эталонов (Signature Collection)

Цель упражнения: создать набор эталонов, используя инструментарий AOI (Область интереса) и Region Grow (Выращивание полигонов "Из затравки"), для выполнения классификации с обучением.

Задание 1 Открыть изображение и инструментарий задания области интереса (AOI Tool), а также редактор эталонов (Signature Editor) (шаги 1-3)

Задание 2 Использовать инструмент задания области интереса, чтобы задать эталон (шаги 4-5)

Задание 3 Добавить созданную область интереса (AOI region) в редактор эталонов (Signature Editor) (шаги 6-7)

97

Задание 4 Использовать возможности выращивания региона "из затравки", чтобы создать регионы с различной степенью внутренней однородности (шаги 8-10)

Задание 5 Добавить полученный регион в Редактор Эталонов (шаги 1-14).

Входные данные: xrhine_rectify.img

Выходные данные: набор эталонов, который в дальнейшем будет использоваться в классификации с обучением (эталонной классификации)

Инструменты: инструментарий построения рабочей области - AOI (Области интереса), параметры инструментария "Выращивание из затравки" (Region Grow Properties), редактор эталонов (Signature Editor).

3.3.1Содержание упражнения

1.На панели инструментов Вьюера щелкните кнопку Open Layer (Открыть слой) и загрузите файл xrhine_rectify.img, вписав его в окно Вьюера (Fit To Frame).

2.В меню Вьюера выберите AOI/Tools (Рабочая область/Инструменты) и AOI/Seed Properties (Рабочая область/Определить параметры). С помощью появившегося диалога, используя рабочие области (AOI), вы сможете создать ваши эталоны.

3.На Главной Панели IMAGINE выберите Classifier | Signature Editor (Классификация | Редактор эталонов). На экране появится диалог, содержащий таблицу CellArray создаваемых эталонов.

4.Внутри Вьюера визуально выберите маленькое озеро, которое можно считать примером (эталоном) водных объектов.

5.Несколько небольших озер расположено в районе с координатами: 7 37 51 Е 47 59 26 N

Выберите кнопку Create Polygon AOI из набора инструментов Рабочей области. Как только вы переместите курсор на изображение во Вьюере, обычный курсор превратится в крестообразный.

98

6.Установите курсор на берег реки и начните оцифровывать полигон, щелкая левой кнопкой мыши. Каждый щелчок левой кнопки мыши будет соответствовать формирующей контур точке. Чтобы закончить оцифровку полигона, дважды щелкните левой кнопкой мыши.

7.Для использования в качестве эталона в классификации нужно выделить одну или несколько рабочих областей. Вы выделили пример водной поверхности. В редакторе эталонов (Signature Editor) выберите кнопку Create New Signatures From AOI

(Создать новый эталон из рабочей области) или используйте пункт меню Edit/Add (Редактировать/Добавить). Таким образом, область снимка, выделенная с помощью AOI, и спектральные характеристики пикселов этой рабочей области будут добавлены в редактор эталонов.

Ответьте на вопрос 1.

8.Используйте редактор эталонов, чтобы задать имя первого класса (Class1), для этого в текстовом поле введите имя эталона - Water1. Повторите процесс, добавив еще четыре эталона, представляющих различные классы ландшафта и использования земель.

9.Из набора инструментов работы с рабочей областью (AOI) выберите кнопку Region Grow AOI (Выращивание "из затравки"). Теперь, если вы переместите курсор на изображение во Вьюере, то увидите, что он имеет крестообразный вид. Переместите этот крестообразный курсор в центр одного из озер, но только не на ту область, которая уже была выбрана ранее. Щелкните по клавише, чтобы запустить процесс "выращивания полигона из пикселазатравки".

10.Область, только что "выращенная из затравки", достаточно мала, поскольку значение Spectral Euclidean Distance (Эвклидовое расстояние в пространстве спектральных характеристик) в диалоге RegionGrowing Properties (Свойства инструмента "Выращивание из затравки") по умолчанию равно 1. Измените это значение на 5 и нажмите кнопку Redo (Перестроить с новыми параметрами, используя тот же исходный пиксел в качестве начального).

11.После того, как с учетом нового значения эвклидового расстояния будет вычислен регион, и вы увидите как эта величина влияет на

99

форму и размер региона, измените значение эвклидового расстояния на 10 и проанализируйте произошедшие с регионом изменения.

Ответьте на вопросы 2 и 3.

12.Последний построенный вами регион будет использоваться как один из эталонов в классификации. В Редакторе Эталонов (Signature Editor) выберите кнопку Create New Signature

(Создать новый эталон). Это операция добавит информацию о спектральных характеристиках пикселов в пределах области интереса (AOI) в Редактор Эталонов.

13.Вы добавили еще один класс водных поверхностей в Редактор Эталонов - назовите его Water 2.

14.Повторите процесс "выращивания региона из затравки" и добавьте еще три эталона представляющих различные типы ландшафта. Не дублируйте классы из первого набора эталонов.

Ответьте на вопрос 4.

15.В меню Редактора Эталонов выберите File/Save (Файл/Сохранить). Назовите сохраняемый файл xrhine_rectify.img. Нажмите ОК.

Внимание!

Используемое в терминологии слово Region (Region Grow AOI "Выращивание области из затравки"), отвечает цельному, а не многочастному площадному объекту, в отличии от терминологии ESRI, где словом Polygon (Полигон) обозначаются только цельные объекты, а словом Region (Регион) могут обозначаться и одночастные и многочастные объекты.

3.3.2Контрольные вопросы

1.Какую информацию об этом эталоне можно получить из таблицы CellArray?

2.Произошли ли какие-либо заметные изменения в размере области интереса (AOI), когда вы изменили значение спектрального расстояния с 5 до 10? Если нет, какова может быть причина незначительности изменений?

3.Если вы будете использовать правило 8-ми ближайщих соседей, как

100

изменится ваша Рабочая область?

4.Каковы преимущества использования способа получения эталона методом “выращивания” перед ручной рисовкой эталонов?

3.4Упражнение 4. Оценка эталонов (Signature Evaluation)

Цель упражнения: Оценить систему эталонов, используя гистограммы (Histograms), статистики (Statistics), профили (Profiles) и характеристики разделимости (Separability).

Задание 1 Отобразить на экране и сравнить гистограммы выбранных эталонов (шаги 1-5)

Задание 2 Вывести на экран статистики и изменить интервалы спектральных яркостей, используемые в правиле параллелепипеда в соответствии со значениями статистик (шаги 6-8)

Задание 3 Отобразить диаграммы со средними значениями эталонов (шаги 9-12)

Задание 4 Редактировать эталоны, исходя из информации, полученной с помощью инструментария классификации с обучением

Входные данные: xrhine_rectify.img, xrhine_rectify.sig

Выходные данные: файл эталонов, который в последующем будет использован в классификации с обучением (эталонной классификации)

Инструменты: Редактор эталонов (Signature Editor), гистограммы (Histogram Plot), статистики (Statistics), график средних значений спектральных яркостей по эталонам (Signature Mean Plot Tools).

3.4.1Содержание упражнения

1.Следующие шаги позволят вам ознакомиться с некоторыми инструментами оценки качества созданных вами эталонов. Работая

сэтими инструментами, отметьте эталоны, спектральные характеристики которых являются смешанными с эталонами других классов.

2.Файл эталонов, созданный в предыдущем упражнении должен быть открыт в Редакторе эталонов (Signature Editor). Выберите два класса, совершенно отличных друг от друга по спектральным

101

характеристикам. Например, это могут быть классы лесов (Forest)

иполей под паром (Fallow Fields). Выберите строки этих классов (подсветите их желтым цветом).

3.Нажмите кнопку Display Histograms Window (Показать окно с гистограммами) - перед вами появится окно работы с гистограммами (Histogram Plot Control Panel). В этом окне щелкните кнопки All Selected Signatures (Все выбранные эталоны)

иAll Bands (Все каналы изображения), затем нажмите кнопку Plot (Показать).

4.Организуйте открытые диалоги и Вьюеры на экране так, чтобы все они были доступны. На экране должны быть открыты графики, в каждом из которых по две гистограммы (цвета гистограмм соответствуют цветам их эталонов).

Ответьте на вопрос 2.

5.Закройте все окна с гистограммами, нажав кнопку Close (Закрыть) в диалоге Histogram Plot Control Panel.

6.Просмотрите на экране статистические параметры эталонов - это поможет вам определить, в каких каналах выбранные эталоны содержат перекрытия параллелепипедов. Сделайте один из эталонов, гистограммы которых вы просматривали, активным в Редакторе эталонов (Signature Editor), щелкнув ячейку в графе активности (>). В Редакторе эталонов нажмите кнопку Display Statistics Window (Показать статистические параметры) - на экране появится диалог Statistics (Статистики). Содержимое этого окна будет меняться вместе с перемещением индикатора активности в Редакторе эталонов.

Ответьте на вопросы 3 и 4.

7.Возможно, вы обнаружите, что два эталона содержат нежелательное перекрытие. Вместо того чтобы переделывать эти эталоны, вы можете изменить их, выбрав в меню Редактора эталонов Edit | Parallelepiped Limit (Редактировать | Изменить пределы параллелепипеда). Введите новые верхний (Upper) и нижний (Lower) предел в текстовых полях или нажмите кнопку Set (Установить) и используйте последующий диалог, чтобы сформировать эти пределы автоматически.

8.Закройте (Close) диалог статистики (Statistics).

102

9.Выберите четыре класса в редакторе эталонов, подсветив строки желтым. Выберите объекты, спектральные характеристики которых нельзя считать близкими.

10.На панели инструментов Редактора эталонов нажмите кнопку Display Mean Plot (Вывести на экран график средних значений), - на экране появится график средних значений (Signature Mean Plot).

11.Чтобы увидеть все выбранные эталоны, нажмите кнопку Switch Between Single and Multiple Signature Mode (Показать средние значения по одному или нескольким эталонам). Таким образом, вы сможете увидеть средние значения всех выбранных эталонов по каждому каналу съемки.

Ответьте на вопросы 5-6.

12.Переместите курсор на график средних значений. Поместив курсор на вертекс графика, в строке состояния окна можно увидеть точное значение спектральной яркости.

Ответьте на вопрос 7.

13.Теперь, когда вы ознакомились с различными возможностями оценки эталонов, вернитесь к файлу эталонов и отредактируйте эталоны одним из следующих способов:

∙Удалите эталон и создайте его заново;

∙Измените пределы параллелепипеда для эталона;

∙Определите, какие смешанные классы не могут быть разделены и что нужно с ними сделать - создать из этих нескольких классов один или переделать их, используя пространство спектральных признаков (Feature Space).

3.4.2Контрольные вопросы

1.В каких спектральных зонах имеется смещение эталонов? А в каких они различаются лучше?

2.Из таблицы, приведенной ниже, выберете описания, соответствующие гистограммам, с которыми вы работаете:

103

3.В каких из трёх каналов перекрываются два или более эталонов?

4.Как можно распечатать таблицы CellArray?

5.В каких каналах диаграммы средних значений наиболее близки, и каков смысл использования этих каналов в классификации?

6.В каких диапазонах съемки диаграммы больше всего отличаются?

7.Каково среднее значение каждого эталона в канале с наибольшей дисперсией?

3.5Упражнение 5. Классификация с обучением (по эталонам) (Supervised Classification)

Цель упражнения: Провести классификацию многозонального снимка на основе созданных прежде эталонов, методом наибольшего правдоподобия.

Задание 1 Обратиться к диалогу классификации (шаг 1) Задание 2 Задать имена для выходного тематического растра

результатов классификации и файла спектральных расстояний (шаги 2-3)

Задание 3 Выбрать параметрические решающие правила (шаг 4) Задание 4 Отобразить на экране исходный снимок и изображение, полученное в результате классификации

с обучением (шаг 5)

Входные данные: rhine.sig

Выходные данные: тематическое растровое изображение Инструменты: Signature Editor (Редактор эталонов), Supervised Classification (Классификация с обучением)

3.5.1 Содержание упражнения

104

1.Вызвать диалог классификации с обучением (Supervised Classification) вы можете двумя способами:

Если вы только что создавали эталоны, и Редактор эталонов (Signature Editor) еще открыт, то в его меню выберите Classify | Supervised (Классифицировать | С обучением).

Если же вам нужно использовать файл эталонов, не загруженный в Редактор эталонов, на Главной панели IMAGINE выберите

Classifier | Supervised Classification (Классификатор | Классификация с обучением). В этом случае нужно будет дополнительно указать имя входного растрового файла (Input Raster File) и имя файла эталонов (Input Signature File).

2.Введите имя выходного файла классифицированного изображения xrhine_supervised.img.

3.Включите флажок Outputs Distance File (Создать файл расстояний) и в строке File Name (Имя файла) введите xrhine_distance.img.

Ответьте на вопрос 1.

Внимание!

Создаваемый файл расстояний потребует значительного места на диске компьютера (около 73 МВ). Если на диске недостаточно места, откажитесь от его создания.

4.В качестве параметрического решающего правила (Parametric Rule) используйте правило наибольшего правдоподобия (Maximum Likelihood).

Внимание!

Если в редакторе эталонов были выбраны (подсвечены) некоторые эталоны, то при классификации будут использованы только эти эталоны.

Используйте установки, предложенные по умолчанию, и нажмите

ОК.

Ответьте на вопрос 2.

5.Когда процесс классификации завершится, нажмите ОК в окне состояния процесса. Затем загрузите во Вьюер одно за другим

105

изображения xrhine_super.img, xrhine_distance.img (если оно создавалось) и исходное изображение, используя опцию Fit To Frame(Вписать в окно).

Ответьте на вопросы 3 и 4.

3.5.2Контрольные вопросы

1.Для чего используется файл спектральных расстояний? Сколько в нём каналов?

2.Какова разница между параметрическим и непараметрическим эталоном?

3.Остались ли какие-нибудь классы, которые не выделились в результате вашей классификации с обучением, несмотря на то, что вы это ожидали?

4.Каким путем вы пойдете, если столкнетесь с неточно заданными эталонами и необходимостью редактирования этого файла?

3.6Упражнение 6. Генерализация растра, полученного в результате классификации (Generalizing Polygons)

Цель упражнения: удалить мелкие полигоны тематического растра. Задание 1 Выполнить процедуру Кламп (Clump) над

тематическим растром (шаги 1-4)

Задание 2 К полученному файлу применить команду Eliminate (Поглотить) (шаги 5-6)

Задание 3 Сравнить генерализованное изображение с исходным (шаг 7)

Входные данные: xrhine_supervised.img

Выходные данные: два генерализованных тематических растра Инструменты: Clump(Кламп), Eliminate(Поглотить), Inquire Cursor(Курсор запросов)

3.6.1Содержание упражнения

1.Откройте во Вьюере изображение xrhine_supervised.img, вписав его в окно (Fit To Frame).

2.В меню Вьюера выберите Utility | Inquire Вох (Утилиты | Рамка запросов). Измените координаты углов рамки на следующие:

106

ULX: 7.5 LRX: 7.6

ULY: 48 LRY: 47.9

3.На Главной Панели IMAGINE выберите Interpreter | GIS Analysis| Clump (Интерпретация | ГИСанализ | Кламп).

4.В диалоге Clump введите имя входного файла (Input File) - xrhine_supervised.img, имя выходного файла (Output File) - xrhine_clump.img. Для анализа связности пикселов (Connected Neighbors) выберите значение 4. Щелкните кнопку From Inquire Box (Из рамки запросов), чтобы использовать только часть изображения в пределах рамки запросов. Нажмите ОК.

Ответьте на вопрос 1.

5.Откройте во Вьюере изображение xrhine_clump.img. Этот файл выглядит как полутоновое изображение в градациях серого с переходом от темного к светлому сверху вниз. Во Вьюере вызовите Курсор запросов(Inquire Cursor). Измените тип координат (ниспадающий список в левом верхнем углу диалога) на широту и долготу (Lat/Long). Установите следующие координаты курсора:

7 34 45.76 Е 47 55 55.90 N

Ответьте на вопросы 2-4.

6.Для генерализации растра путем поглощения мелких полигонов их ближайшими соседями выберите Interpreter | GIS Analysis| Eliminate (Интерпретация | ГИС-Анализ | Поглотить). На экране появится диалог Eliminate.

7.Введите имя исходного файла (InputFile) – xrhine_clump.img. Для выходного файла (Output File) введите xrhine_eliminate.img. В поле Minimum Size (Наименьший сохраняемый размер) введите значение 10 pixels. Нажмите ОК.

8.В трех отдельных Вьюерах откройте изображения xrhine_eliminate.img, xrhine_supervised.img и xrhine_clump.img.

Ответьте на вопросы 5 и 6.

9.Откройте редактор атрибутов (Attribute Editor) для файлов xrhine_eliminate.img и xrhine_supervised.img. Скопируйте цвета

107

из файла xrhine_supervised.img в редактор атрибутов изображения xrhine_eliminate.img. Сравните два файла визуально.

3.6.2Контрольные вопросы

1.Будет число полученных на выходе индивидуальных областей больше или меньше, если для анализа связности (Connected neighbor) вы выберете значение 8?

2.Каково значение пиксела и какой класс он представляет?

3.Почему это полутоновое изображение имеет переход от темного к светлому?

4.Что представляет самый большой отдельный полигон на этом изображении?

5.Используя информацию о размере пикселов изображение в Image Info, определите размер самого большого полигона в квадратных километрах?

6.Какими значениями заполняется область удаляемого полигона: заменяется оно значением одного соседнего региона, или оно перекодируется “пропорционально” всем соседним регионам?

3.7Упражнение 7. Смешанная классификация (Hybrid Classification)

Цель упражнения: используя средства и методы классификации методом кластерного анализа, задать исходные средние значения классов для создания обучающих эталонов и использования этих эталонов в классификации с обучением.

Задание 1 Используйте Редактор Эталонов (Signature Editor) для добавления эталонов известных классов (шаги 1-3)

Задание 2 Используя средние значения эталонов, запустите классификацию по типу кластерного анализа (ISODATA) (шаги 4-9)

Задание 3 Выполните "простую" классификацию с обучением и сравните с результатом смешанной классификации (шаги 10-12)

Входные данные: xrhine_supervised.img

Выходные данные: тематическое растровое изображение

108

Инструменты: Автономная классификация (ISODATA), редактор эталонов (Signature Editor)

3.7.1Содержание упражнения

1.На Главной Панели IMAGINE выберите Classifier | Signature Editor (Классификация | Редактор эталонов).

2.Загрузите во Вьюер изображение xrhine_rectify.img. В меню Вьюера выберите AOI | Tools (Инструменты работы с Областями интереса). Для создания эталона из выборки вы можете воспользоваться такими инструментами работы с AOI, как Create Polygon(Создать полигон), Create Point (Создать точку) или Region Grow (Выращивание полигона "из затравки"). В данном случае не стоит тратить много времени на тщательный подбор хороших эталонов, поскольку они будут использоваться только в качестве начального приближения для алгоритма кластерного анализа ISODATA. Влияние начального приближения на результат кластеризации обычно невелико.

3.Идентифицировать некоторые классы можно по координатам, приведенным в таблице. Это наглядный пример использования заранее известной информации об изображении (карты, данные с приемника GPS, личный опыт) для определения эталонных выборок каждого класса. Для поиска каждого местоположения используйте курсор запросов (Inquire Cursor), выбрав в нем координаты Lat/Lon (точки таблицы собраны в файл аннотации xrhine_Classеs.ovr). Используя Затравку из курсора запросов (Grow at Inquire) и Свойства затравки (Region Growing Properties), создайте эталонные выборки (AOI) вокруг каждой точки с указанными в таблице координатами и эталоны с соответствующими именами. Сохраните файл эталонов xrhine_hybrid.sig.

109

4.В меню Редактора эталонов (Signature Editor) выберите Classify | Unsupervised (Классификация | Без обучения). В открывшемся диалоге введите имя выходного файла результатов классификации (Output Cluster Layer) – xrhine_hybrid_unsupervised.img. Для выходного набора эталонов (Output Signature Set) введите имя xrhine_hybrid_unsupervised.sig. Обратите внимание на то, что в данном диалоге не нужно указывать имена входных файлов снимка и эталонов, - они уже известны в Редакторе эталонов.

5.В строке Количество классов (Number оf Classеs) введите 10, что соответствует количеству только что созданных 10-ти эталонов.

6.Щелкните кнопку Color Scheme Options (Выбор цветовой схемы). Выберите Approximate True Color (Цвета, приближенные к исходным). Эта операция позволит автоматически присвоить каждому классу определенный цвет (средний по классу на исходном изображении), а не создавать черно-белую раскраску тематического растра. Закройте этот диалог.

7.В параметрах процесса (Options) установите максимальное число итераций (Maximum Iterations) - 25. Выполнение такого большого числа итераций может потребовать значительного времени, но зато оно не станет препятствием достижения заданной сходимости.

8.Порог сходимости (Convergence Threshold) это процент пикселов, которые не изменили своей принадлежности к определенному классу при выполнении последней итерации. Оставьте предложенные по умолчанию порог сходимости (Convergence

110

Threshold) и коэффициенты прореживания (Skip Factors). Нажмите ОК.

9.Загрузите во Вьюер только что созданный файл xrhine_hybrid_unsupervised.img. Убедитесь, что вам удалось создать тематический растр, состоящий из указанных в таблице классов.

10.Безусловно, желательно сравнить полученное изображение с результатом обычной классификации с обучением при условии использования тех же самых эталонов. В меню редактора эталонов (Signature Editor) выберите Classifу | Supervised Classification

(Классификацировать | С обучением). Вы можете использовать параметры классификации из выполненного ранее упражнения или задать новые параметры. Назовите ваш выходной файл xrhine_hybrid_supervised.img.Чтобы запустить процесс, нажмите

ОК.

11.Теперь у вас есть два тематических растровых изображения, полученных разными способами. Откройте оба изображения в одном и том же Вьюере. Установите пиксельный масштаб 1:1 (Reset Zoom). В меню Вьюера выберите Utility | Swipe (Утилиты | Шторка), чтобы обнаружить малозаметные отличия результатов классификации.

12.Чтобы увидеть более детально, насколько отличаются результаты классификации этими двумя методами, используйте редактор атрибутов (Attribute Editor). Выбрав в меню Вьюера Raster | Attributes, вы увидите информацию об атрибутах верхнего изображения, загруженного во Вьюер. Для того, чтобы получить информацию о втором изображении, в меню Главной Панели IMAGINE выберите Tools | Edit Raster Attributes (Инструменты | Редактировать атрибуты растрового изображения). Выберите File | Open (Файл | Открыть) и выберите имя второго файла.

Ответьте на вопросы 1 и 2.

3.7.2Контрольные вопросы

1.Какое самое заметное различие между результатами двух вариантов классификации?

2. Можно ли точно определить, что пикселы изменили

111