ArcGIS 遥感图像分类—随机树和最大似然分类器

ArcGIS 遥感图像分类

图像分类
数据源
分类方法与样本选择
样本训练
图像分类
分类结果

图像分类

图像分类是指利用计算机将图像中每个像元根据其不同波段的光谱亮度、空间结构特征或者其他信息，按照某种规则或者算法划分为不同的类别。目前大部分相关书籍和课程介绍遥感图像分类都采用ENVI、ERDAS等软件，分类方法也多采用平行六面体、最小距离、最大似然等。而实际上，ArcGIS提供的遥感图像分类模块已经相当成熟，支持所有主流的分类方法，如最大似然、支持向量机。本篇文章中，我们将为大家介绍在ArcGIS 10.8中使用随机树（Random Trees）分类器和最大似然分类器（Maximum Likelihood）进行遥感图像分类，不同分类方法操作相似，只需更换分类器即可。

数据源

以哨兵2号L2A数据产品为数据源，可从东北亚资源环境大数据中心（http://www.igadc.cn/）获取。轨道号为N0207_R089_TVF，拍摄时间2019年6月23日，如图1所示，该地区所属行政区为辽宁省盘锦市。

图1：Sentinel2-L2A

分类方法与样本选择

随机树是一种机器学习分类器，它基于大量决策树的执行，每个树变量子集的随机选择，以及将最常用的树输出用作整体分类。在ArcGIS中使用随机树进行分类，首先需要绘制训练样本，同其他分类方法一样，样本文件格式一般为shpfile（也可以是栅格文件），且必须包含classname和classvlaue两个字段。根据图像特点，我们将样本分为湿地、河流湖泊、水稻、建筑用地四个类别。

样本训练

打开工具Spatial Analyst Tools->Segmentation and Classification->Train Random Trees Classifier，如图2所示，输入待分类遥感影像以及训练样本，随机树的最大数量和深度为默认值，可根据需要进行修改，数值越大，理论精度越高，但同时也会消耗更多的计算资源。点击OK，导出扩展名为ecd的训练样本。

图2 训练随机树分类器

图像分类

打开工具Spatial Analyst Tools->Segmentation and Classification->Classify Raster，如图3所示，输入待分类图像和上一步导出的训练样本，点击OK 计算分类结果。

图3 图像分类

分类结果

ArcGIS提供了混淆矩阵计算工具Compute Confusion Matrix，实际研究中可以根据采样点或者人工取点进行精度验证，这里不作介绍。按照以上步骤，将分类器换成最大似然分类，得到基于传统分类方法的遥感图像分类结果。随机树和最大似然分类结果对比如图4所示。由于两种分类方法依赖目标物的光谱特征，因此，误分类不可避免，例如在图4（左）中，许多水稻类型被划分为湿地，在图4（右）中，左上角的河流被错误划分为建筑用地。本文旨在介绍图像分类的操作方法，实际应用中需注意训练样本以及各参数的选择，如随机树的最大数量和深度，往往需要多次测试才能得到较好的分类结果。

图4 不同分类方法的计算结果