GEE面向对象分类（先分割影像、再计算特征、最后分类）

GEE有内存限制，我这面向对象提取不太好用，如有大神有更好的方法，请多指导。


//-------------------------------去云  ----------------------------------------------//
function sentinel2toa(img) {var toa = img.select(['B1','B2','B3','B4','B5','B6','B7','B8','B8A','B9','B10', 'B11','B12'],  ['aerosol', 'blue', 'green', 'red', 're1','re2','re3', 'nir','nir2', 'h2o', 'cirrus','swir1', 'swir2']).divide(10000).addBands(img.select(['QA60'])).set('solar_azimuth',img.get('MEAN_SOLAR_AZIMUTH_ANGLE')).set('solar_zenith',img.get('MEAN_SOLAR_ZENITH_ANGLE'))return toa;
}
function ESAcloud(toa) {var qa = toa.select('QA60');var cloudBitMask = Math.pow(2, 10);var cirrusBitMask = Math.pow(2, 11);var clear = qa.bitwiseAnd(cloudBitMask).eq(0).and(qa.bitwiseAnd(cirrusBitMask).eq(0));var cloud = clear.eq(0);return cloud;
}
function shadowMask(toa,cloud){var azimuth =ee.Number(toa.get('solar_azimuth')).multiply(Math.PI).divide(180.0).add(ee.Number(0.5).multiply(Math.PI));var zenith  =ee.Number(0.5).multiply(Math.PI ).subtract(ee.Number(toa.get('solar_zenith')).multiply(Math.PI).divide(180.0));var nominalScale = cloud.projection().nominalScale();var cloudHeights = ee.List.sequence(200,10000,500);var shadows = cloudHeights.map(function(cloudHeight){cloudHeight = ee.Number(cloudHeight);var shadowVector = zenith.tan().multiply(cloudHeight);var x = azimuth.cos().multiply(shadowVector).divide(nominalScale).round();var y = azimuth.sin().multiply(shadowVector).divide(nominalScale).round();return cloud.changeProj(cloud.projection(), cloud.projection().translate(x, y));});var potentialShadow = ee.ImageCollection.fromImages(shadows).max();potentialShadow = potentialShadow.and(cloud.not());var darkPixels = toa.normalizedDifference(['green', 'swir2']).gt(0.25).rename(['dark_pixels']);var shadow = potentialShadow.and(darkPixels).rename('shadows');return shadow;
}function cloud_and_shadow_mask(img) {var toa = sentinel2toa(img);var cloud = ESAcloud(toa);var shadow = shadowMask(toa,cloud);var mask = cloud.or(shadow).eq(0);return toa.updateMask(mask);
}
//-------------------------------Main----------------------------------------------------------------------------------------//
var table = ee.FeatureCollection("users/xzhangsx/sample200");
var bands =['B1','B2', 'B3', 'B4', 'B5', 'B6','B7','B8','B8A','B9'];
var composite = ee.ImageCollection('COPERNICUS/S2').filterDate('2020-06-01', '2020-06-15').filterBounds(table).mean();
var image = ee.Image(composite).divide(255).select(bands);
print(image);
//设置种子
var seeds = ee.Algorithms.Image.Segmentation.seedGrid(36);
//利用 SNIC 进行分割，得到对象。参数的设置根据自己的需求来
var snic = ee.Algorithms.Image.Segmentation.SNIC({image: image, size: 100,compactness: 5,connectivity: 8,neighborhoodSize:256,seeds: seeds
}).select(['B1_mean','B2_mean','B3_mean','B4_mean','B5_mean','B6_mean','B7_mean','B8_mean','B8A_mean','B9_mean', 'clusters'], ['B1','B2','B3','B4','B5','B6','B7','B8','B8A','B9', 'clusters']);
var clusters = snic.select('clusters');//
print("snic",snic);
//计算每个对象的特征
var stdDev = image.addBands(clusters).reduceConnectedComponents(ee.Reducer.stdDev(), 'clusters', 256);//为啥和上面的均值不一样？
var area = ee.Image.pixelArea().addBands(clusters).reduceConnectedComponents(ee.Reducer.sum(), 'clusters', 256);
var minMax = clusters.reduceNeighborhood(ee.Reducer.minMax(), ee.Kernel.square(1));
var perimeterPixels = minMax.select(0).neq(minMax.select(1)).rename('perimeter');
var perimeter = perimeterPixels.addBands(clusters).reduceConnectedComponents(ee.Reducer.sum(), 'clusters', 256);
var sizes = ee.Image.pixelLonLat().addBands(clusters).reduceConnectedComponents(ee.Reducer.minMax(), 'clusters', 256);
var width = sizes.select('longitude_max').subtract(sizes.select('longitude_min')).rename('width');
var height = sizes.select('latitude_max').subtract(sizes.select('latitude_min')).rename('height');
//分类器参数设置，选择分类依据：包括了area，width等
var objectPropertiesImage = ee.Image.cat([snic.select(bands),//stdDev,// area,//perimeter,//width,//height
]).float();
print(objectPropertiesImage);
//var img2 = ee.Image(objectPropertiesImage).divide(255);
//选择训练样本
var training = objectPropertiesImage.sampleRegions({collection: table,properties: ['value'],scale: 30,tileScale:8
});
print("training",training);/*var training = objectPropertiesImage.addBands(table.select('value')).updateMask(seeds).sample(table, 5);
print("training2",training2);*/
//分类
var classifier = ee.Classifier.smileCart().train(training, 'value');
print(classifier);
var result=objectPropertiesImage.classify(classifier,'Classified objects');
//Export.image.toCloudStorage(result,"202012172236");
//var resultshp = result.updateMask(seeds).sample(table, 5);
//Export.table.toCloudStorage(resultshp,"202012172120");
print(result);
Map.centerObject(table);
Map.addLayer(result.randomVisualizer(), {}, 'Classified objects2');
// 计算混淆矩阵
var test=training.classify(classifier,'classification');
var confusionMatrix = test.errorMatrix('value', 'classification');
print('Confusion Matrix', confusionMatrix);

GEE面向对象分类（先分割影像、再计算特征、最后分类）相关推荐

几何光学学习笔记（32）- 7.1 颜色概述 7.2颜色的特征和分类
几何光学学习笔记(32)- 7.1 颜色概述 & 7.2颜色的特征和分类 7.1 颜色概述 1. 电磁辐射是颜色现象的物理基础 2.人的颜色视觉是颜色现象的生理基础 3.颜色的分类 7.2 颜 ...
面向对象的高分辨率遥感影像分类实例
一.为什么要使用面向对象传统的基于像素的遥感影像处理方法都是基于遥感影像光谱信息极其丰富,地物间光谱差异较为明显的基础上进行的.对于只含有较少波段的高分辨率遥感影像,传统的分类方法,就会造成分类精度 ...
GEE系列：第3单元栅格遥感影像波段特征及渲染可视化
GEE从入门到实战的10个系列单元: GEE系列:第1单元 Google地球引擎简介 GEE系列:第2单元探索数据集 GEE系列:第3单元栅格遥感影像波段特征及渲染可视化 GEE系列:第4单元 ...
TM 影像特征与分类技巧
TM影像特征根据经验,在4,3,2(RGB)的波段组合下,各种地表覆盖物类型的特点如下: a．森林--森林显示出棕色.红色.褐色等一系列多变的色调.在高海拔地区,成熟针叶林为很浓的棕色或暗红色:在中 ...
【推荐】本周值得关注的将开源论文，包含分类、分割、人脸、目标检测、ReID等...
以下总结的是本周新出的作者声称"将开源"的论文,包含显著目标检测.遥感影像分类.人脸识别.基于视频的人员重识别.跨分辨率人员重识别.医学图像分割.transformer 在视频目标 ...
清华大学提出点云Transformer！在3D点云分类、分割上表现优秀，核心代码已开源！...
点击上方,选择星标或置顶,不定期资源大放送! 阅读大概需要5分钟 Follow小博主,每天更新前沿干货转载自:量子位当Transformer遇上3D点云,效果会怎么样? 一个是当下最热门的模型(N ...
pytorch 三维点分类_三维点云分类与分割-PointNet
PointNet是对点云数据直接进行学习的开山之作, 这里结合PointNet-Pytorch代码,对PointNet网络结构与其思想进行阐述和分析. 点云数据的特性: 点云数据不同于图像数据,他有三 ...
机器学习中的特征工程——分类变量的处理
出品 | CDA数据分析研究院,转载需授权文章目录分类变量概念判断类型少类别分类变量处理方法独热编码(One-hot encoding) 虚拟编码(Dummy coding) 效应编码( ...
【CVPR2022】【小样本分类和分割】Integrative Few-Shot Learning for Classification and Segmentation
用于分类和分割的综合小样本学习文章目录 Abstract 一.Problem formulation 二.Integrative Few-Shot Learning (iFSL) 三.5. Mode ...
目标检测经典论文——R-CNN论文翻译（纯中文版）：用于精确物体定位和语义分割的丰富特征层次结构（技术报告（第5版））
目标检测经典论文翻译汇总:[翻译汇总] 翻译pdf文件下载:[下载地址] 此版为纯中文版,中英文对照版请稳步:[R-CNN中英文对照版] 用于精确物体定位和语义分割的丰富特征层次结构技术报告(第5版 ...

GEE面向对象分类（先分割影像、再计算特征、最后分类）

GEE面向对象分类（先分割影像、再计算特征、最后分类）相关推荐

最新文章

热门文章

GEE面向对象分类（先分割影像 、再计算特征、最后分类）

GEE面向对象分类（先分割影像 、再计算特征、最后分类）相关推荐

最新文章

热门文章

GEE面向对象分类（先分割影像、再计算特征、最后分类）

GEE面向对象分类（先分割影像、再计算特征、最后分类）相关推荐