一、图像分类含义
图像分类是将图像中每个像元根据其在不同波段的光谱亮度、空间结构特征或者其他信息，按照某种规则或算法划分为不同的类别。
基于光谱特征的遥感影像分类方法主要包括：
- 非监督分类，见【PIE-Engine Studio学习笔记05】图像分类——非监督分类
- 监督分类
此章节重点讲解监督分类
二、监督分类含义
监督分类(supervised) ， 又称训练分类法， 即用被确认类别的样本像元去识别其他未知类别像元的过程。已被确认类别的样本像元是指那些位于训练区的像元。在这种分类中，分析者在图像上对每一种类别选取一定数量的训练区，计算机计算每种训练样区的统计或其他信息，每个像元和训练样本作比较，按照不同规则将其划分到和其最相似的样本类。
简单的说，首先需要从遥感影像上选取具有代表性的训练区作为样本，并进行训练；再依据一定的判别函数与判别准则，对待分像元进行类别判定。
监督分类可分两个基本步骤：
- 选择训练样本和提取统计信息;
- 选择合适的分类算法，也可以说是分类器：
- 平行算法
- 最小距离法
- 最大似然法
…
三、PIE-Engine Studio 实现监督分类
3.1 PIE-Engine Studio 多种监督分类算法：
PIE-Engine Studio 支持一下多种监督分类算法：
- AdaBoost分类分类器
- 决策树分类分类器。
- K最近邻分类分类器。
- 正态贝叶斯分类分类器。
- 随机森林分类分类器。
- svm（支持向量机）监督分类分类器。
- …
3.2 PIE-Engine Studio 多种监督分类算法实现：
1、矢量范围加载显示
var geometry = pie.FeatureCollection("NGCC/CHINA_CITY_BOUNDARY")
.filter(pie.Filter.eq("name", "邯郸市"))
.first()
.geometry();
Map.centerObject(geometry, 6);
Map.addLayer(geometry, { color: 'FF0000', fillColor: '00000000', width: 1 }, "邯郸");
2、影像裁剪、加载显示
var img = pie.ImageCollection("S2/L2A")
.filterBounds(geometry)
.filterDate("2020-05-01", "2020-10-01")
.filter(pie.Filter.lte("cloudyPixelPercentage", 0.5))
.select(["B2", "B3", "B4"])
.max()
.clip(geometry);;
Map.addLayer(img, { min: 0, max: 3000, bands: ["B4", "B3", "B2"] }, "img", true);
print(img)
3、分类样本文件制作
分类的代码编号如下：
1-水体
2-山地
3-农田
4-城镇
这一步比较麻烦，没有找到比较好的方式进行样本制作， 如果大家有比较好的方式可以私信我哈，在此先行谢过！我是利用ArcMap制作的样本点矢量。
注意两点：
1、样本数量多一点，每个Class十个以上吧，我这里样本选的有点少。
2、单点，PIE-Engine Studio 监督分类只支持单点格式（point）的数据，目前还不支持多点（Multipoint）的数据。所以利用ArcMap中的【Feature To Point】进行了转换。
转换后的单点格式：
最终的上传的矢量文件结果如下所示，上传过程见：【PIE-Engine Studio学习笔记04】上传本地数据和导出云端数据
加载显示：
var featureCollection = pie.FeatureCollection('user/Lee103/CSDN/roi_FeatureToPoint');
print("roi:", featureCollection)
Map.addLayer(featureCollection, { color: 'FF0000', fillColor: '00000000', width: 2 }, "roi");
4、训练分类
var training = img.sampleRegions(featureCollection, ["Class"], 10);
print("training:", training)
var options = {
"svmType": 100,
"kernelType": 0,
"gamma": 1,
"coef0": 0,
"degree": 0,
"trainAuto": 0,
"type": 3,
"minDistance": 0.1,
"maxIter": 100
};
var classifer = pie.Classifier.svm(options).train(training, "Class", ["B4", "B3", "B2"]);
var resultImage = img.classify(classifer, "classify_handa");
print("resultImage:", resultImage)
5、渲染显示
var visParam = {
opacity: 1,
uniqueValue: '1,2,3,4',
palette: 'EAF2F5,000032,1F3600,FAFFC8'
};
Map.addLayer(resultImage, visParam, 'handan_class');
6、制作图例
var data = {
title: "分类结果",
colors: ['EAF2F5', '000032', '1F3600', 'FAFFC8'],
labels: ["1-山地", "2-水体", "3-农田", "4-城镇"],
step: 1
};
var style = {
right: "100px",
bottom: "10px",
height: "70px",
width: "300px"
};
var legend = ui.Legend(data, style);
Map.addUI(legend);
分类结果
总结
本节主要学习了基于PIE-Engine Studio 进行监督分类。欢迎大家批评指正，探讨交流！！！
参考：
《遥感应用分析原理与方法》赵英时
Original: https://blog.csdn.net/qq_32390983/article/details/124035230
Author: GeoLearning
Title: 【PIE-Engine Studio学习笔记06】图像分类——监督分类
原创文章受到原创版权保护。转载请注明出处：https://www.johngo689.com/661979/
转载文章受原作者版权保护。转载请注明原作者出处！