Bài tập cơ sở viễn thám thực hành phân loại thông tin trên tư liệu ảnh viễn thám trong ENVI (p2)

Chọn tham số:  Maximum Merge Pairs: Số cặp lớp tối đa gộp Khi khoảng cách tối thiểu giá trị trung bình lớp nhỏ khoảng giá trị ta chọn gộp lại tham số định xem tối đa có thỏa tính chất gộp Để phát huy tính ta lên chọn số lần lặp lớn  Maximum Stdev From Mean: Khoảng cách độ lệch chuẩn tối đa từ giá trị trung bình lớp Đây tham số cho phép độ lệch chuẩn tối đa giá trị trung bình lớp  Maximum Distance Error: Khoảng sai số tối đa cho phép xung quanh giá trị trung bình lớp Các pixel lớp phải thỏa mãn tham số có nghĩa có sai số so với giá trị trung bình lớp khơng vượt tham số Khoảng sai số tối đa cho phép Khoảng sai số tối đa cho phép Khoảng sai số tối đa cho phép xung quanh giá trị trung bình xung quanh giá trị trung bình xung quanh giá trị trung bình lớp 10, giá trị tham số lớp 20, giá trị tham số lớp 50, giá trị tham số nhỏ mà pixel lớn trường hợp bên phân loại tất thỏa mãn điều kiện ít, nhỏ điểm pixel ảnh, ta cần mà ảnh phân loại nhiều pixel chưa gán vào chọn tham số không hầu hết pixel thuộc lớp lớp nhỏ không xác định I.1.2 Phương pháp phân loại K-Means Phân loại không kiểm định dùng kỹ thuật thống kê để nhóm liệu n chiều thành lớp phổ tự nhiên Phân loại không kiểm định theo phương pháp K-Means dùng cách phân tích nhóm, u cầu người phân tích phải chọn số nhóm cần đặt liệu, tùy ý đặt số nhóm xác định lại vị trí chúng lặp lặp lại đến đạt phân chia tối ưu lớp phổ Trên menu ENVI chọn Classification > Unsupervised > K-Means Hộp thoại cần thiết lập tham số sau hộp thoại.(Ý nghĩa tham số trình bày phương pháp Isodata) Hình: Hộp thoại phân loại theo phương pháp K-Means  Phương pháp khơng có tham số sau so với phương pháp Isodata:Change Threshold, Minimum pixel in class, Maximum class Stdv, Minimum class Distance, Maximum Merge Pairs Tại Output Result to tích chọn ghi lưu theo file liệu bấm chọn Memory Nhấp OK Ta thu kết Chọn tham số hộp thoại để so sánh Việc so sánh, nhận xét tương tự phương pháp Isodata Số lớp ta chọn ảnh Số lớp tạo 10 lớp mức độ Số lớp tạo 15 lớp mức độ phân thành nhiêu lớp phân loại có độ xác cao phân loại có độ xác tham số ta chọn Số lớp ảnh trường hợp bên cao trường hợp bên mà ảnh phân Nhưng mức độ phân chia nhỏ loại có độ xác khơng cao cần nghiên cứu mức độ liên tục khơng cần thiết I.2 Phân loại có kiểm định Phân loại có kiểm định yêu cầu người sử dụng phải chọn vùng mẫu làm sở phân loại Tiếp dùng phương pháp so sánh để đánh giá liệu pixel định đủ tiêu chuẩn để gán cho lớp chưa Phần mềm ENVI cung cấp loạt phương pháp phân loại khác nhau, bao gồm Parallelepiped, Maximum Likelihood, Minimum Distance, Mahalanobis Distance, Binary Encoding Spectral Angle Mapper Để thực phân loại, dùng Classification > Supervised > Method, Method phương pháp phân loại có kiểm định ENVI Hình: Menu phân loại có kiểm định I.2.1 Chọn mẫu vùng thử nghiệm (ROI) Vùng mẫu vùng chọn chương trình dựa vào để phân loại Chính mà ta cần chọn vùng mẫu cho xác phù hợp với mục đích cần phần loại, cần chọn lựa vùng mẫu thực địa tài liệu liên quan để lấy vùng mẫu chuẩn Ta dùng ảnh phân loại theo phương pháp khơng kiểm định để ngồi thực địa chọn cách hiệu Việc chọn ROI polygons cần phải tuân thủ theo tiêu chí vùng có đặc tính phổ đồng đặc trưng cho đối tượng cần phân loại Những tính chất thống kê ROI polygons cần xem xét để đảm bảo chất lượng trình phân loại Chọn mẫu phân loại a) Chọn Overlay > Region of Interest từ menu Main Image Window từ menu ENVI chọn Basic Tools > Region of Interest Hộp thoại ROI Definition xuất b) Vẽ polygon (đa giác) tượng trưng vùng thử nghiệm  Trong cửa sổ Main, kích phím trái chuột để tạo điểm đầu polygon ROI  Lần lượt chọn điểm biên cách lại kích phím trái chuột Đóng polygon cách kích phím phải chuột Kích phím chuột để xóa điểm vừa tạo xóa tồn polygon (nếu bạn đóng polygon đó) Cố định polygon cách kích phím phải chuột lần  Cũng xác định ROIs cửa sổ Zoom Scroll cách chọn nút radio thích hợp phía hộp thoại ROI Controls Khi kết thúc việc xác định ROI, ROI hiển thị danh sách Available Regions hộp thoại ROI Controls, có ghi tên, màu vùng số pixel kèm theo có tất qui trình phân loại ENVI c) Xác định ROI mới, kích vào “New Region” Ta nhập tên cho vùng chọn màu cách kích vào ROI Name Color để nhập thay đổi theo ý Hình: Hộp thoại chọn mẫu phân loại Ta nên chọn số điểm pixels vùng mẫu nhiều 100 điểm, ta chọn nhiều vùng ROI, chọn vùng nên chọn cửa sổ Zoom để chọn cho xác Cơng việc chọn lựa vùng mẫu phải kết hợp với thực địa, sử dụng ảnh phân loại khơng kiểm định để kiểm tra tính xác vùng lấy mẫu Tính tốn khác biệt mẫu Với mẫu chọn, ENVI cung cấp tiện ích hữu hiệu, tính tốn khác biệt mẫu – Compute ROI Separability Để chọn chức ta làm sau: Bảng chọn mẫu lớp phân loại Các vùng mẫu chọn ảnh a) Từ hộp thoại ROI Tool chọn Options\Compute ROI Separability b) Khi hình xuất hộp thoại Select Input File for ROI Separability, chọn ảnh tương ứng nhấn OK để chấp nhận c) Trên hình xuất tiếp hộp thoại ROI Separability Calculation, chọn tất mẫu cần tính toán khác biệt nhấn OK để thực d) Kết tính tốn xuất hình hộp thoại ROI Separability Report Hình : Bảng so sánh khác biệt mẫu phân loại Quan sát giá trị hộp thoại nhận thấy mẫu phân loại so sánh với mẫu lại Cặp giá trị thể khác biệt đặt ngoặc sau mẫu  Nếu cặp giá trị nằm khoảng từ 1.9 đến 2.0 chứng tỏ mẫu chọn có khác biệt tốt  Nếu cặp giá trị nằm khoảng từ 1.0 đến 1.9 nên chọn lại cho mẫu có khác biệt tốt  Nếu có giá trị nhỏ 1.0 ta nên gộp hai mẫu lại với nhau, tránh tượng phân loại nhầm lẫn Quan sát bảng so sánh khác biệt mẫu phân loại ta thấy mẫu phân loại chọn có khác biệt tốt Sau chọn xong mẫu, tất ta lưu mẫu chọn lại cách chọn File\Save ROIs từ hộp thoại ROI Tool I.2.2 Phân loại theo phương pháp phần mềm ENVI hỗ trợ Thực việc phân loại có kiểm định ảnh với phương pháp khác Parallelepiped, Maximum likelihood, Minimum distance Mahalanobis distance so sánh kết Thực cho ảnh bldr_tm (ảnh nắn chỉnh hình học phần nắn ảnh) I.2.2.1 Phương pháp phân loại Parallelepiped Phân loại theo phương pháp Parallelepiped sử dụng qui luật đơn giản để phân loại liệu đa phổ Các ranh giới tạo thành Parallelepiped n chiều không gian liệu ảnh Các chiều Parallelepiped xác định dựa ngưỡng chênh lệch chuẩn theo giá trị trung bình lớp mẫu chọn Trong phương pháp giá trị vector trung bình cho tất band tính cho lớp mẫu chọn Sau pixel so sánh gán vào lớp mà giá trị nằm phạm vi sai số lần độ lệch chuẩn vector trung bình Nếu pixel khơng nằm trong khoảng giá trị gán vào lớp chưa phân loại Phương pháp có ưu điểm nhanh chóng, đơn giản nhiên kết có độ xác khơng cao thường dùng để phân loại sơ ban đầu Ảnh sau phân loại Bảng lớp Ta quan sát ảnh sau phân loại phân loại xác theo vùng mẫu ta chọn lựa, ảnh có khu vực chưa xác định vào lớp Bởi ta chưa chọn lựa hết tất mẫu cho tồn ảnh Vì ta muốn ảnh phân loại toàn gán vào lớp ta phải chọn lựa mẫu cho thể toàn ảnh I.2.2.2 Phương pháp phân loại Minimum Distance Phân loại theo phương pháp minimum distance sử dụng vector trung bình ROI tính khoảng cách Euclidean từ pixel chưa xác định đến véc tơ trung bình lớp Tất pixel phân loại tới lớp ROI gần trừ người sử dụng định rõ độ chênh lệch chuẩn ngưỡng khoảng cách chuẩn Trong trường hợp số pixel khơng phân loại chúng khơng thỏa mãn tiêu chí chọn Về mặt lý thuyết với việc sử dụng phương pháp này, pixel phân loại người phân tích đưa ngưỡng giới hạn định khoảng cách để pixel phân loại không phân loại Đây cách phân loại nhanh, giá trị phổ pixel gần với giá trị phổ trung bình mẫu nhiên chưa thật xác khơng cân nhắc đến biến thiên lớp phân loại Ảnh sau phân loại Ta quan sát ảnh sau phân loại tất pixel ảnh gán vào lớp Phương pháp gán khác so với phương pháp có độ xác khác so với phương pháp I.2.2.3 Phương pháp phân loại Mahalanobis Distance Phân loại theo phương pháp Mahalanobis Distance phương pháp phân loại khoảng cách nhạy cảm theo hướng dùng số liệu thống kê lớp Phương pháp tương tự phương pháp Maximum Likelihood phương pháp coi tất hiệp biến lớp ngang nhau, phương pháp phân loại nhanh Tất pixel phân loại tới lớp ROI gần trừ người sử dụng định rõ ngưỡng khoảng cách Trong trường hợp số pixel không phân loại lại chúng không thỏa mãn ngưỡng qui định Ảnh sau phân loại Khơng pixel khơng xác định Phương pháp có độ xác cao so với hai phương pháp I.2.2.4 Phương pháp phân loại Maximum Likelihood Phân loại theo phương pháp Maximum Likelihood coi số liệu thống kê lớp kênh ảnh phân tán cách thơng thường phương pháp có tính đến khả pixel thuộc lớp định Nếu khơng chọn ngưỡng xác suất phải phân loại tất pixel Mỗi pixel gán cho lớp có độ xác suất cao (nghĩa “maximum likelihood”) Ảnh sau phân loại Phương pháp cho band phổ có phân bố chuẩn pixel phân loại vào lớp mà có xác suất cao Việc tính tốn khơng dựa vào giá trị khoảng cách mà dựa vào xu biến thiên độ xám lớp Đây phương pháp phân loại xác lại nhiều thời gian tính tốn phụ thuộc vào phân bố chuẩn liệu I KỸ THUẬT HẬU PHÂN LOẠI Những ảnh phân loại cần thực quy trình hậu phân loại để đánh giá chất lượng phân loại tạo lớp cho việc xuất chuyển sang dạng đồ ảnh vector GIS Các kỹ thuật hậu phân loại: II.1 Lọc loại nhiễu kết phân loại ( Majority/Minority Analysis) Sử dụng phương pháp Majoriry Analysis để gộp pixel lẻ tẻ phân loại lẫn lớp vào lớp chứa Ta nhập kích thước cửa sổ lọc Kernel Size, sau giá trị pixel trung tâm thay giá trị pixel chiếm đa số cửa sổ lọc Nếu chọn Minority Analyis, giá trị pixel trung tâm thay giá trị pixel chiếm thiểu số cửa sổ lọc Để thực chức này, từ thực đơn lệnh ENVI ta chọn Classification\Post Classification\Majority/Minority Analysis Hình: Hộp thoại Majority/Minority Parameters Sau chọn, hộp thoại Majority/Minority Parameters xuất cho phép ta chọn lớp định lọc, phương pháp dự định tiến hành, kích thước cửa sổ lọc đường dẫn lưu kết Kết tính tốn cho ảnh danh sách Available Bands List Hình : Ảnh phân loại phân tích theo đa số II.2 Gộp lớp – Combine Classes Chức gộp lớp cung cấp thêm cơng cụ để khái qt hóa kết phân loại Các lớp có đặc tính tương tự gộp vào để tạo thành lớp chung • Để thực chức từ thực đơn lệnh ENVI chọn Classification\ Post Classification\Combine Classes • Trên hình xuất hộp thoại Combine Classes Input File, chọn file kết phân loại cần gộp lớp nhấn OK • Chọn cặp lớp định gộp tương ứng với ô Input Class - lớp đầu vào, Output Class - lớp đầu ra, nhấn OK chọn đường dẫn lưu kết • Ta nên chọn lớp có đặc tính để gộp vào lưu ý chọn lớp đầu vào đầu Hình: Lựa chọn cặp lớp tương ứng để gộp lớp II.3 Thống kê kết – Class Statistics Chức cho phép tính tốn thống kê ảnh dựa lớp kết phân loại, nhằm phục vụ công tác báo cáo Các giá trị thống kê tính cho lớp giá trị thống kê như: giá trị nhỏ - min, giá trị lớn - max, giá trị trung bình - mean, độ lệch chuẩn – Stdev (Standard Deviation) liệu ảnh đồ thị - Histogram Để tiến hành tính tốn thống kê ta làm sau: • Từ thực đơn lệnh ENVI chọn Classification\ Post Classification\ Class Statistics • Trên hình xuất hộp thoại Classification Input File yêu cầu chọn file kết phân loại • Tiếp đến hình xuất hộp thoại Statistics Input File yêu cầu chọn file ảnh tương ứng để tiến hành tính tốn thống kê • Hộp thoại Class Selection cho phép chọn lớp kết dự định sử dụng để tiến hành phân loại Hình: Hộp thoại lựa chọn lớp thống kê • Sau chọn xong lớp xuất hộp thoại Compute Statistics Parameters cho phép chọn tham số để tính thống kê Chọn đường dẫn đến thư mục lưu kết quả, nhấn OK để thực Hình: Chọn kiểu cần thống kê xuất liệu • Sau tính tốn, hình xuất loạt hộp thoại: o Class Stats Summary: bảng thống kê tổng số pixel có lớp tỷ lệ phần trăm chúng tổng số pixel có ảnh o Statistics Report: thống kê giá trị nhỏ nhất, lớn nhất, giá trị trung bình, độ lệch chuẩn theo kênh phổ lớp kết phân loại o Nếu chọn chức vẽ đồ thị chọn tham số hộp thoại Compute Statistics Parameters hình có hộp thoại đồ thị giá trị thống kê tương ứng Hình: Bảng thống kê kết sau phân loại II.4 Thay đổi tên màu cho lớp phân loại – Class Color Mapping Khi có ảnh kết phân loại, bạn thay đổi màu sắc lớp cho phù hợp với tên gọi chúng • Để thực chức trên, từ sổ ảnh phân loại, chọn Tools\Color Mapping\Class Color Mapping • Trên hình xuất hộp thoại Class Color Mapping cho ta chọn lớp để gán tên màu tương ứng, sau hoàn tất ta chọn Options\Save Changes để thực việc thay đổi Hình: Thay đổi tên màu hiển thị cho lớp II.5 Chuyển kết phân loại sang dạng vectơ–Classification to Vector Layer Sau hồn tất cơng tác phân loại, ta thường có nhu cầu xuất file kết phân loại sang dạng vectơ để dễ dàng trao đổi, biên tập hay xử lý với chức GIS • Để chuyển sang dạng vectơ file kết phân loại, từ thực đơn lệnh ENVI ta chọn Classification\Post Classification\Classification to Vector hay chọn Vector\Classification to Vector • Trên hình xuất hộp thoại Raster to Vector Input Band, ta chọn file kết phân loại cần chuyển định dạng nhấn OK • Tiếp hình xuất hộp thoại Raster To Vector Parameters cho phép ta chọn lớp cần chuyển sang dạng vectơ Chọn đường dẫn lưu kết nhấn OK để thực Kết lưu theo định dạng file vector *.evf ENVI Hình: Xuất file kết phân loại sang dạng vectơ II.6 Chồng lớp vectơ lên ảnh – Overlay Vector File Để quan sát trực quan dễ dàng nhận biết đối tượng ảnh, đơi có nhu cầu chồng lớp thơng tin lên ảnh, chẳng hạn file vectơ đường bình độ, giải phân loại hay lớp phân loại,… • Từ cửa sổ hiển thị ảnh, ta chọn Overlay\Vectors, hình xuất hộp thoại Vector Parameters • Từ hộp thoại Vector Parameters ta chọn File\Open Vector File chọn định dạng file vectơ tương ứng định mở (file vector vừa chuyển từ raster phân loại) File vectơ chọn hiển thị chồng phủ lên file ảnh II.7 Kiểm tra thực địa đánh giá chất lượng phân loại Để kiểm chứng lại kết phân loại phương pháp hiệu xác kiểm tra thực địa Mẫu kiểm tra thực địa khơng trùng với vị trí mẫu giám định sử dụng phân loại đảm bảo phân bố khu vực nghiên cứu Sau tiến hành tính tốn lại Ma trận sai số - Confusion Matrix Chức lập ma trận sai số ENVI cho phép so sánh ảnh phân loại với kết thực địa vùng mẫu với mục đích đánh giá độ xác kết phân loại • Để thực chức này, từ thực đơn lệnh ENVI vào Classification\ Post Classification\Confusion Matrix chọn phương pháp: sử dụng ảnh, kết phân loại từ thực địa – Using Ground Truth Image, hai sử dụng file chọn vùng mẫu từ thực địa – Using Ground Truth ROIs • Hộp thoại Classification Input File xuất cho phép chọn ảnh cần đánh giá độ xác tương ứng • Tiếp đến hộp thoại Ground Truth Input File xuất Sau hộp thoại Match Classes Parameters xuất hiện, chọn lớp tương ứng kết phân loại thực địa Nhấn OK để chấp nhận Hình: Hộp thoại Match Classes Parameters • Hộp thoại Confusion Matrix Parameter xuất cho phép chọn giá trị cần thiết chọn đường dẫn lưu kết • Kết so sánh xuất hình dạng ma trận tương quan chéo, bảng ma trận kết bao gồm độ xác kết phân loại Hình: Ma trận sai số tương quan chéo  ... pháp phân loại xác lại nhiều thời gian tính tốn phụ thuộc vào phân bố chuẩn liệu I KỸ THUẬT HẬU PHÂN LOẠI Những ảnh phân loại cần thực quy trình hậu phân loại để đánh giá chất lượng phân loại. .. kết Thực cho ảnh bldr_tm (ảnh nắn chỉnh hình học phần nắn ảnh) I.2.2.1 Phương pháp phân loại Parallelepiped Phân loại theo phương pháp Parallelepiped sử dụng qui luật đơn giản để phân loại liệu. .. lớp phân loại Ảnh sau phân loại Ta quan sát ảnh sau phân loại tất pixel ảnh gán vào lớp Phương pháp gán khác so với phương pháp có độ xác khác so với phương pháp I.2.2.3 Phương pháp phân loại