Là phép phân loại dựa trên một tập các pixel mẫu (ROI) đã được người sử dụng chọn trước. Dựa vào tập mẫu này, máy tính được “huấn luyện” để xác định những pixel có cùng một số đặc trưng về phổ, trên cơ sở đó để phân loại chúng.
4.1.1. Chọn mẫu phân loại
Tiến hành theo các bước:
- Mở ảnh sẽ phân loại (D:/RS&GIS/Aster/oA20090402_VNIR20m);
- Từ menu chính của ENVI => Basic Tools => Region Of Interest => ROI Tool; Hoặc từ menu của cửa sổ Image => Tools => Region Of Interest => ROI Tool; => xuất hiện HT ROI Tool cho phép người sử dụng thao tác với việc chọn mẫu.
Hình 4.1. HT ROI Tool
- Trong HT ROI Tool, tích chọn một trong các lựa chọn: Image, Scroll, Zoom để chọn mẫu phân loại trong các cửa sổ ảnh tương ứng, chọn Off để tạm thời tắt chức năng chọn mẫu. Trong bài này chọn cửa sổ Zoom để xác định mẫu.
Hãy phân loại ảnh thành các lớp sau: lớp nước (water), rừng (forest_area), đất nông nghiệp (agricultural area), đất khu dân cư (built_up area), đất trống (barren_area).
- Trong bảng Roi Tool, chọn lớp 1 (water), Dùng chuột trái khoanh vùng mẫu trên cửa sổ đã chọn (Zoom). Kích đúp chuột phải để đóng vùng. Chú ý: một mẫu phân loại có thể bao gồm nhiều vùng (chọn ít nhất 10 vùng mẫu).
- Ấn nút New Region => Chọn tiếp lớp đất khác. Đặt lại tên cho Region #2
bằng cách kích chuột vào ơ, đổi thành màu xanh, và gõ tên mới (plant_area) - Hiệu chỉnh các thuộc tính của mẫu:
+ ROI Name - Tên của mẫu. Để sửa tên mặc định cho mẫu => Bấm vào ô tên và sửa.
+ Color - màu được gán cho mỗi mẫu. Có nhiều cách khác nhau để thay đổi mầu cho các mẫu:
- Bấm phím phải chuột vào ơ cần đổi => chọn mầu theo tên tiếng Anh; - Bấm phím trái chuột vào ơ cần đổi => nhập tên màu theo tên tiếng Anh; - Bấm phím trái chuột vào ơ cần đổi => nhập 3 số để tổ hợp nên mầu
RGB, ví dụ: 255, 0, 0 để nhập cho mầu đỏ.
+ Người sử dụng có thể đặt mầu mặc định của ENVI cho tất cả các mẫu bằng cách: bấm phím phải chuột vào tên cột Color => chọn Assign default colors.
+ Pixels – Hiển thị tổng số các pixel đã chọn cho mỗi mẫu. Có thể thay đổi được giá trị này.
+ Polygons, Polylines, và Points - Hiển thị tổng số các kiểu mẫu ở dạng vùng, đường hay điểm và số các pixel cho mỗi loại. Các giá trị này không thay đổi được.
+ Fill - xác định kiểu mẫu tô mầu cho mỗi mẫu dạng vùng. Muốn sửa đổi => Bấm phím phải chuột vào ơ cần đổi và chọn kiểu muốn sử dụng. Người sử dụng có thể đặt một kiểu mẫu tô mầu cho tất cả các mẫu bằng cách: bấm phím phải chuột vào tên cột Fill => chọn Assign default colors. + Orien và Space - Chiều và khoảng cách cho các mẫu tô mầu không phải
dạng đặc.
- Với các mẫu đã chọn, ENVI cung cấp cho người sử dụng một công cụ khá hữu hiệu - tính tốn sự khác biệt giữa các mẫu (Computing ROI Separability). Có thể thực hiện theo 1 trong 3 cách sau:
+ HT ROI Tool => Options => Computing ROI Separability.
+ Cửa sổ Image => Tools => Regions of Interest => Compute ROI
Separability.
+ Từ thanh menu chính của ENVI => Basic Tools => Region of Interest =>
Compute ROI Separability.
=> HT Select Input File for ROI Separability -> chọn file ảnh sẽ phân loại sử dụng các mẫu ROI đã chọn => OK => HT ROI Separability Calculation -> chọn các mẫu ROI cần tính tốn và so sánh (Select all items) => OK => HT ROI Separability
Report.
Trong HT ROI Separability Report sẽ hiển thị các kết quả tính tốn. Quan sát các giá trị trong hộp này, ta thấy: mỗi mẫu phân loại sẽ được so sánh lần lượt với các mẫu còn lại. Cặp giá trị thể hiện sự khác biệt được đặt trong ngoặc đơn sau tên mẫu.
Nếu cặp giá trị này nằm trong khoảng 1.9 đến 2.0 chứng tỏ các mẫu đã chọn có sự khác biệt tốt. Nếu cặp giá trị này nằm trong khoảng 1.0 đến 1.9 thì chúng ta nên chọn lại mẫu sao cho mẫu đó có sự khác biệt tốt hơn. Nếu có giá trị < 1, ta nên gộp 2 mẫu đó lại với nhau.
Sau khi đã chọn xong tất cả các mẫu ROI, ta có thể lưu các mẫu này. Thực hiện: Trong HT ROI Tools => File => Save Text to ASCII
Để kiểm tra mẫu ROI thêm một lần nữa, bằng cách kích phải chuột vào vùng mẫu để xem giá trị quang phổ của ROI cho mỗi lớp sử dụng đất (vào ROI Tool window
Select All/Stats). Kiểm tra biểu đồ.
Trả lời câu hỏi:
Câu 4: Từ biểu đồ anh chị hãy cho biết là các mẫu được tạo ra ở trên đã đại diện ký hiệu phổ cho mỗi loại lớp sử dụng đất chưa?
Câu 5: Theo anh chị trong các lớp sử dụng trên, lớp nào là dễ phân biệt nhất, lớp nào khó phân biệt (phân loại nhất), giải thích?
4.1.2. Thực hiện phân loại có chọn mẫu
Từ thanh menu chính của ENVI => Classification => Supervised => Chọn
phương pháp phân loại => HT Classification Input File -> chọn file ảnh cần phân loại => OK => HT các thông số ứng với mỗi phương pháp phân loại đã chọn -> lựa chọn (trong đó có chọn lưu file kết quả ra bộ nhớ hay ra ổ đĩa) => OK => Kết quả được liệt kê trong HT Available Bands List. Hiển thị file kết quả để xem kết quả
công việc. Một số thuật tốn phân loại có chọn mẫu của ENVI được giới thiệu sau đây:
1. Phân loại hình hộp (Parallelpiped Classification)
Đầu tiên, chương trình tính vector giá trị trung bình cho tất cả các kênh phổ sẽ phân loại, ứng với mỗi lớp mẫu đã chọn. Sau đó, các pixel được so sánh và gán vào lớp mà giá trị của nó nằm trong khoảng [ngưỡng thấp, ngưỡng cao] của độ lệch chuẩn so với vector trung bình. Nếu giá trị pixel nằm trong nhiều lớp, ENVI sẽ gán pixel vào lớp cuối cùng mà nó phù hợp. Nếu pixel khơng nằm trong một trong các khoảng giá trị đó, nó sẽ được gán vào lớp chưa phân loại.
Ưu điểm của phương pháp này là thực hiện rất nhanh, đơn giản nhưng kết quả có độ chính xác khơng cao. Nó có thể được dùng khi tiến hành phân loại sơ bộ ban đầu.
2. Phân loại theo khoảng cách nhỏ nhất (Minimum distance Classification)
Đầu tiên, tính vector trung bình của mỗi mẫu phân loại và khoảng cách Ơclit (Euclid) đo được giữa pixel chưa được phân loại tới các vector giá trị trung bình đó. Sau đó, pixel sẽ được gán tới lớp có khoảng cách nhỏ nhất. Về mặt lý thuyết mà nói, theo phương pháp này, mọi pixel đều được phân loại. Tuy nhiên, người phân tích cũng có thể sử dụng độ lệch chuẩn hoặc đưa ra một ngưỡng giới hạn nhất định về khoảng cách để phân loại các pixel.
Đây cũng là một phương pháp phân loại khá nhanh, giá trị phổ của pixel gần với giá trị phổ trung bình của mẫu. Tuy nhiên, phương pháp này cũng chưa thật chính xác và khơng cân nhắc đến sự biến thiên của các lớp phân loại.
3. Phân loại hàm xác suất cực đại (Maximum Likelihood Classification) Phương pháp này sẽ coi mỗi lớp trong mỗi kênh phổ có sự phân bố chuẩn. Các pixel sẽ được phân loại vào lớp mà nó có xác xuất cao nhất. Việc tính tốn khơng chỉ dựa vào giá trị khoảng cách mà còn dựa vào cả xu thế biến thiên độ sáng trong mỗi lớp. Nếu người phân tích khơng đặt ra một ngưỡng về xác suất thì tồn bộ các pixel đều được phân loại. Nếu xác suất nhỏ hơn ngưỡng được đặt ra, pixel sẽ không được phân loại.
Đây là một phương pháp phân loại chính xác nhưng mất nhiều thời gian tính tốn và phụ thuộc vao sự phân bố chuẩn của dữ liệu. Sử dụng Maximum Likelihood Classification cho bài thực hành này, lưu lại kết quả vào folder Hovaten_Kq
4. Phân loại Mahalanobis Distance
Phương pháp này cũng tương tự như phương pháp hàm xác suất cực đại nhưng giả thiết rằng tất cả các hiệp phương sai (covariances) lớp là bằng nhau và do đó là phương pháp nhanh hơn. Tất cả các pixel được phân loại vào các lớp gần nhất trừ khi người phân tích chỉ định một ngưỡng khoảng cách.
5. Phân loại Spectral Angle Mapper - SAM
Đây là phương pháp phân loại dựa trên cơ sở vật lý, sử dụng góc n-chiều để khớp các pixel với phổ tham chiếu. Thuật toán xác định sự tương đồng về phổ giữa hai dải phổ bằng cách tính tốn các góc phổ và coi chúng như là những vector trong không gian với thứ nguyên bằng với số thứ tự của các kênh phổ. Kỹ thuật này, khi được sử dụng với các dữ liệu phổ phản xạ đã hiệu chỉnh, sẽ ít bị ảnh hưởng của sự chiếu sáng và hiệu ứng albedo. Các phổ thành phần ứng với các lớp mẫu dùng trong phân loại
SAM có thể là file ASCII, thư viện phổ, hoặc do người sử dụng có thể lấy chúng trực tiếp từ một ảnh. SAM so sánh góc giữa vector phổ thành phần mẫu với mỗi vector pixel trong không gian n-chiều. Các góc nhỏ hơn sẽ biểu diễn cho những phổ gần hơn với phổ tham chiếu. Các pixel có góc nhỏ hơn ngưỡng lớn nhất được chỉ định (đơn vị: radian) sẽ không được phân loại.
Phân loại SAM áp dụng cho dữ liệu phản xạ. Tuy nhiên, nếu người sử dụng dùng dữ liệu phát xạ, sai số thường không đáng kể.
6. Phân loại mã nhị phân (Binary Encoding Classification)
Kỹ thuật phân loại mã nhị phân sẽ mã hóa dữ liệu và phổ thành phần mẫu ứng với các lớp dùng trong phân loại thành các giá trị 0 và 1 tùy thuộc vào dải phổ đó nằm vào phía sau hay phía trước giá trị trung bình phổ. Một hàm loại trừ sẽ so sánh mỗi phổ tham chiếu đã mã hóa với phổ của pixel đã mã hóa và tạo ra ảnh phân loại. Tất cả các pixel sẽ được phân loại, trừ khi người sử dụng chỉ định một ngưỡng tối thiểu để so khớp dữ liệu.
Trả lời câu hỏi:
Câu 6: Hãy chọn cho mình ít nhất 3 phương pháp phân loại ảnh có kiểm định, cho nhận xét sự giống & khác nhau của 3 phương pháp này, xếp loại thứ tự độ chính xác của các phương pháp?
Câu 7: phương pháp nào cho kết quả với lớp đất trống nhiều nhất?
Câu 8: tại sao lớp nước sau phân loại lại không liên tục được như trong thực tế?