- Maximum Distance Error: Khoảng sai số tối đa cho phép xung quanh giá trị trung
7.6. CHUYỂN ĐỔI GIỮA CÁC DẠNG DỮLIỆU
Phân loại không kiểm định dùng các kỹ thuật thống kê để nhóm dữ liệu n chiều thành các lớp phổ tự nhiên. Phân loại không kiểm định theo phương pháp K-Means sẽ dùng cách phân tích nhóm, u cầu người phân tích phải chọn số nhóm cần đặt trong dữ liệu, tùy ý đặt số các nhóm và xác định lại vị trí của chúng lặp đi lặp lại đến khi đạt được sự phân chia tối ưu các lớp phổ.
Trên menu chính của ENVI chọn Classification / Unsupervised / K-Means. Hộp thoại hiện ra, ta cần thiết lập các tham số để thực hiện phân loại.(Ý nghĩa các tham số đã được trình bày trên phương pháp Isodata).
64
Hình 5.17. Cài đặt các tham số và kết quả phân loại theo phương pháp K-Means
Phương pháp K-Means khơng có các 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 chọn ghi lưu theo File dữ liệu hoặc bấm chọn Memory. Nhấp OK. Ta thu được kết quả.
Phân loại có chọn mẫu
Phân loại có chọn mẫu là phép phân loại ảnh dựa trên các pixel mẫu đã được chọn sẵn bởi người phân tích. Bằng cách chọn mẫu, người phân tích đã chỉ ra giúp máy tính xác định những pixel có cùng một số đặc trưng về phổ phản xạ.
Phân loại có kiểm định yêu cầu người sử dụng phải chọn vùng mẫu làm cơ sở phân loại. Tiếp đó dùng các phương pháp so sánh để đánh giá liệu một pixel nhất định đã đủ tiêu chuẩn để gán cho một lớp chưa. Phần mềm AcrCatalog cung cấp một loạt các phương pháp phân loại khác nhau, bao gồm Parallelepiped, Maximum Likelihood, Minimum Distance, Mahalanobis Distance, Binary Encoding và Spectral Angle Mapper.
Để thực hiện các phân loại, vào Classification/Supervised/Method, ở đây Method là một trong các phương pháp phân loại có kiểm định của AcrCatalog
Để thực hiện phân loại có chọn mẫu, trước hết ta cần định nghĩa các lớp: Từ tư liệu ảnh vệ tinh, tiến hành định nghĩa các lớp phân loại. Có thể phân thành các lớp: đất trồng cây hàng năm, đất trồng cây lâu năm, đất sông suối, đất mặt nước, đất xây dựng, đất chưa sử dụng…
65
Lựa chọn các đặc tính: các đặc tính ở đây bao gồm các đặc tính về phổ và các đặc tính về cấu trúc. Việc lựa chọn này có ý nghĩa quan trọng, nó cho phép tách biệt các lớp đối tượng với nhau.
66
Chọn vùng mẫu: ta cần chọn các vùng mẫu cho chính xác và phù hợp với mục đích cần phần loại, cần chọn lựa các vùng mẫu này ở ngoài thực địa và các tài liệu liên quan để có thể lấy vùng mẫu chuẩn. Ta có thể dùng ảnh phân loại theo phương pháp khơng kiểm định để ra ngồi thực địa chọn một cách hiệu quả. Việc chọn những ROIs này cần phải được tuân thủ theo tiêu chí là những vùng có đặc tính phổ đồng nhất và đặc trưng cho đối tượng cần phân loại. Những tính chất thống kê của các ROIs cần được xem xét để đảm bảo chất lượng của quá trình phân loại tiếp theo.
Bảng 5-1. Chọn các mẫu phân loại
STT Loại đất Mẫu phân loại STT Loại đất Mẫu phân loại
1 Sông hồ 4 Đất chưa sử
dụng
2 Đất trồng cây
hàng năm 5 Đất xây dựng
3 Đất trồng cây
lâu năm 6 Đất mặt nước
Từ menu chính của ENVI chọn Basic Tools / Region of Interest / Roi Tools. Hộp thoại
Roi Tools xuất hiện.
Chọn dấu tích vào một trong các ơ Image, Scroll, Zoom để chọn mẫu phân loại trong cửa sổ ảnh tương ứng hoặc chọn Off để tạm thời tắt chức năng chọn mẫu.
Dùng chuột trái để khoanh vùng mẫu trên ảnh và kích chuột phải để thực hiện đóng vùng. Chú ý là một mẫu phân loại có thể gồm nhiều vùng. Sau khi chọn xong một mẫu phân loại, ta tiến hành chọn các mẫu tiếp theo bằng cách nhấn vào ô New Region.
Để đặt tên và chọn mầu cho các mẫu ta chọn Edit. Để xóa một mẫu chọn vào mẫu cần
xóa và nhấn Delete.
Với các mẫu đã chọn, ENVI còn cung cấp
cho chúng ta một tiện ích rất hữu hiệu, đó là tính tốn sự khác biệt giữa các mẫu – Compute ROI Separability. Để chọn chức năng này ta làm như
sau: từ hộp thoại ROI Tool / Options/Compute
67