Đề tài: Thực hành phân loại thông tin trên tư liệu ảnh viễn thám trong ENVI

Chia sẻ: Trần Duy Hồng Hồng | Ngày: | Loại File: DOC | Số trang:11

Thêm vào BST

Báo xấu

201
lượt xem 52
download

Download Vui lòng tải xuống để xem tài liệu đầy đủ

Phương pháp phân loại Isodata sẽ tính toán cách thức phân lớp trong không gian dữ liệu, sau đó nhóm đi nhóm lại các pixel bằng kỹ thuật khoảng cách tối thiểu (minimum distance). Mỗi lần nhóm lại các lớp này sẽ tính toán lại cách thức phân lớp và phân loại lại các pixel theo cách thức phân lớp mới. Quá trình này sẽ tiếp tục lặp đi lặp lại đến khi số các pixel trong mỗi lớp nhỏ hơn ngưỡng thay đổi pixel đã chọn hoặc đạt tối đa số lần lặp đi lặp lại đó....

Chủ đề:

Bình luận(0) Đăng nhập để gửi bình luận!

Lưu

Nội dung Text: Đề tài: Thực hành phân loại thông tin trên tư liệu ảnh viễn thám trong ENVI

TRƯỜNG ĐẠI HỌC MỎ - ĐỊA CHẤT KHOA CÔNG NGHỆ THÔNG TIN BỘ MÔN TIN HỌC TRẮC ĐỊA CƠ SỞ VIỄN THÁM BÀI TẬP Đề tài: “Thực hành phân loại thông tin trên tư liệu ảnh viễn thám trong ENVI.” SV thực hành: Giáo viên hướng dẫn: Nguyễn Viết Quân. TS. Nguyễn Thị Mai Dung Lớp tin học trắc địa K51 HÀ NỘI - NĂM 2010
MỤC LỤC I. PHÂN LOẠI THÔNG TIN TRÊN TƯ LIỆU ẢNH VIỄN THÁM....................... 3 I.1. Phân loại không kiểm định Isodata và K-Means..........................................................................3
I. PHÂN LOẠI THÔNG TIN TRÊN TƯ LIỆU ẢNH VIỄN THÁM I.1. Phân loại không kiểm định Isodata và K-Means Khởi động phần phân loại không kiểm định của ENVI bằng cách ch ọn Classification > Unsupervised > Method, ở đây Method hoặc là K-Means hoặc Isodata. Hình : Menu phân loại không kiểm định Phương pháp phân loại kiểm định chủ yếu dùng vào mục đích dựa vào ảnh phân loại này đi khảo sát lựa chọn khu vực lấy mẫu để phân loại có kiểm định… I.1.1. Phương pháp phân loại Isodata Phương pháp phân loại Isodata sẽ tính toán cách thức phân lớp trong không gian d ữ li ệu, sau đó nhóm đi nhóm lại các pixel bằng kỹ thuật khoảng cách tối thi ểu (minimum distance). M ỗi l ần nhóm lại các lớp này sẽ tính toán lại cách th ức phân l ớp và phân lo ại l ại các pixel theo cách th ức phân lớp mới. Quá trình này sẽ tiếp tục lặp đi lặp lại đ ến khi số các pixel trong m ỗi l ớp nh ỏ h ơn ngưỡng thay đổi pixel đã chọn hoặc đạt tối đa số lần lặp đi lặp lại đó. Chọn File ảnh cần phân loại bldr_tm (ảnh đã được nắn chỉnh hình học ở phần nắn ảnh). Ảnh cần phân loại
Trên menu chính của ENVI chọn Classification > Unsupervised > Isodata. Hộp thoại hiện ra cần thiết lập các tham số sau trong hộp thoại. Hình: Hộp thoại phân loại theo phương pháp Isodata  Number of classes: Chọn số lớp tối thiểu – min và tối đa – max để phân loại.  Maximum Iterations: Số lần tính toán lặp lại tối đa. Việc phân lo ại sẽ dừng lại khi đ ạt tới số lần lặp tối đa đưa ra.  Change Threshold: Ngưỡng thay đổi sau mỗi lần tính toán lặp lại. Vi ệc phân loại cũng sẽ dừng lại khi sau mỗi lần tính lặp lại, số phần trăm biến động c ủa các lớp nh ỏ h ơn ng ưỡng biến động được xác định.  Minimum pixel in class: Số pixel nhỏ nhất có thể có của một lớp.  Maximum class Stdv: Ngưỡng độ lệch chuẩn tối đa của một lớp. Nếu độ lệch chuẩn c ủa một lớp lớn hơn ngưỡng này thì lớp đó sẽ bị chia ra làm hai.  Minimum class Distance: Khoảng cách tối thiểu giữa các giá trị trung bình c ủa các lớp. Nếu khoảng cách giữa các giá trị trung bình của các lớp nh ỏ h ơn giá tr ị nh ập vào thì các l ớp đó sẽ được gộp vào.  Maximum Merge Pairs: Số các cặp lớp tối đa có thể được gộp.  Maximum Stdev From Mean: Khoảng cách độ lệch chuẩn tối đa từ giá trị trung bình c ủa lớp.  Maximum Distance Error: Khoảng sai số tối đa cho phép xung quanh giá trị trung bình của lớp.
Tại Output Result to tích chọn ghi lưu theo file dữ li ệu ho ặc bấm chọn Memory. Nhấp OK. Ta thu được kết quả. Chọn các tham số trong hộp thoại trên để so sánh. Để có thể so sánh m ột cách chính xác và hiệu quả của việc chọn lựa các tham số thì ta sử dụng trên cùng m ột ảnh, đó là ảnh đã đ ược n ắn ở bài tập trước. Ảnh gốc chưa phân loại dùng để so sánh. Khi chọn lựa các tham số nhất định thì các tham số khác để mặc định theo chương trình để dễ quan sát và nhận xét.
Chọn tham số:Number of classes . Quan sát trên ảnh phân loại ta Số lớp phân loại là 7 nhiều hơn Số lớp phân loại ở đây là 12. thấy ảnh được phân ra thành 3 trường hợp bên, và độ chính xác Đã nhiều lên rất nhiều so với lớp. Ở đây độ chính xác về đã tăng lên. Mức độ phân loại 2 trường hợp kia. Nhưng mức thông tin phân loại có độ chính đã chi tiết lên. độ chia nhỏ ra rất nhiều làm cho khả năng quan sát sự khác xác kém. biệt là rất khó khăn. Nhận xét chung: Công việc lựa chọn tham số phân chia ảnh sau khi phân lo ại ra làm bao nhiêu l ớp là rất cần thiết. Tuy là việc chọn lựa lớp là do chương trình tự động ch ọn theo ngưỡng nh ất đ ịnh nhưng ta cần chọn số lớp tối thiểu và tối đa để chương trình phân chia cho phù h ợp nh ất. Tránh tình trạng số lớp quá ít hoặc quá nhiều sẽ làm ảnh hưởng đến kh ả năng phân chia vùng trên ảnh sau khi phân loại. Ta nên chọn cho phù hợp nhất. Chọn tham số: Maximum Iterations
Công việc tiến hành lặp là hai Việc gộp các điểm pixel được Số lần lặp là 5 lần, ảnh sau lần mức độ tính toán gộp các lặp lại 3 lần ta quan sát độ phân khi phân loại có mức độ phân pixel lại thực thi 2 lần có độ chia chi tiết trên ảnh nhiều hơn chia chi tiết hơn so với 2 phân chia các vùng khác nhau ở so với số lần lặp là 2. trường hợp bên nhưng so với mức độ trung bình. số lần lặp là 3 cũng không khác là mấy. Từ 3 trường hợp trên ta có nhận xét: Việc chọn lựa số lần l ặp sẽ quyết đ ịnh vi ệc g ộp các đi ểm pixel ở mức độ như thế nào. Số lần tính toán lại càng nhi ều thì m ức đ ộ g ộp càng chính xác nh ưng đến một mức độ nào đó sẽ dừng lại. Vì vậy ta cần xác định số lần lặp cho hi ệu qu ả đ ể cho vi ệc tính toán lặp được nhanh chóng và không làm mất hiệu quả của việc phân loại. Chọn tham số: Change Threshold
Việc phân loại sẽ dừng lại khi Việc phân loại sẽ dừng lại khi Việc phân loại sẽ dừng lại sau mỗi lần tính lặp lại, số sau mỗi lần tính lặp lại, số khi sau mỗi lần tính lặp lại, phần trăm biến động của các phần trăm biến động của các số phần trăm biến động của lớp nhỏ hơn ngưỡng biến lớp nhỏ hơn ngưỡng biến động các lớp nhỏ hơn ngưỡng biến động là 10%. động là 20%. là 15%. Chọn lựa tham số ngưỡng thay đổi sau mỗi lần tính lặp sẽ quyết định vi ệc tính lặp có ti ếp t ục hay dừng lại. Khi ta chọn ngưỡng thay đổi quá lớn thì việc phân lo ại sẽ không đạt đ ược kết qu ả, việc tính lặp sẽ dừng lại. Ta nên chọn ngưỡng thay đổi vừa phải v ới m ục đích c ần s ử d ụng, thông thường là dưới 20%. Chọn tham số: Minimum pixel in class
Số pixel nhỏ nhất có thể có Số pixel nhỏ nhất có thể có của Số pixel nhỏ nhất có thể có của một lớp là 100 pixel. một lớp là 200 pixel. Chương của một lớp là 500 pixel. Chương trình sẽ căn cứ vào trình sẽ căn cứ vào đặc điểm Chương trình sẽ căn cứ vào đặc điểm này để chia lớp với này để chia lớp với điều kiện là đặc điểm này để chia lớp với điều kiện là lớp này phải có số lớp này phải có số pixel nhỏ điều kiện là lớp này phải có pixel nhỏ nhất là 100 pixel. nhất là 100 pixel. số pixel nhỏ nhất là 100 pixel. Việc chọn lựa tham số này có thể giúp ta cho ra kết quả tấm ảnh có tính phân chia nh ỏ n ếu ta chọn số pixel nhỏ nhất có thể có của một lớp là nhỏ, còn n ếu ngược l ại thì trên t ấm ảnh k ết qu ả có thể là một vùng đồng nhất rộng theo mức ta ch ọn. Nhìn 3 t ấm ảnh k ết qu ả không có s ự thay đổi nhiều, do số điểm pixel nhiều và số lớp phân chia ít. Mu ốn có s ự thay đ ổi rõ r ệt thì ta ch ọn s ố điểm pixel nhỏ nhất lớn và số lớp nhiều. Chọn tham số: Maximum class Stdv
Ngưỡng độ lệch chuẩn tối đa Ngưỡng độ lệch chuẩn tối đa Ngưỡng độ lệch chuẩn tối đa của một lớp là 10. Nếu độ của một lớp là 100. Nếu độ của một lớp là 1000. Nếu độ lệch chuẩn của một lớp lớn lệch chuẩn của một lớp lớn lệch chuẩn của một lớp lớn hơn ngưỡng này thì lớp đó sẽ hơn ngưỡng này thì lớp đó sẽ bị hơn ngưỡng này thì lớp đó sẽ bị chia ra làm hai. Và lại được chia ra làm hai. Và lại được gộp bị chia ra làm hai. Và lại được gộp với lớp khác. với lớp khác. gộp với lớp khác. Ta quan sát 3 ảnh kết quả trên không có sự thay đổi nhiều. Chứng tỏ ngưỡng đ ộ l ệch chu ẩn c ủa một lớp trong các ảnh là nhỏ cho nên khi thay đổi ngưỡng tăng lên không có s ự thay đ ổi nhi ều. Việc chọn tham số này sẽ giúp ta có ảnh kết quả có ngưỡng độ lệch chuẩn c ủa m ột l ớp không lớn hơn tham số mà ta lựa chọn cho chương trình. Chọn tham số: Minimum class Distance
Khoảng cách tối thiểu giữa các Khoảng cách tối thiểu giữa các Khoảng cách tối thiểu giữa giá trị trung bình của các lớp là giá trị trung bình của các lớp là các giá trị trung bình của các 50. Nếu khoảng cách giữa các 200. Nếu khoảng cách giữa các lớp là 500. Nếu khoảng cách giá trị trung bình của các lớp giá trị trung bình của các lớp giữa các giá trị trung bình của nhỏ hơn giá trị nhập vào thì các nhỏ hơn giá trị nhập vào thì các các lớp nhỏ hơn giá trị nhập lớp đó sẽ được gộp vào. lớp đó sẽ được gộp vào. vào thì các lớp đó sẽ được gộp vào. Ta quan sát 3 ảnh kết quả trên không có sự thay đổi nhi ều. Chứng tỏ kho ảng cách t ối thi ểu gi ữa các giá trị trung bình của các lớp trong những ảnh là nh ỏ cho nên khi thay đ ổi kho ảng cách t ối thiểu tăng lên không có sự thay đổi nhiều. Việc chọn tham số này sẽ giúp ta có ảnh k ết qu ả có khoảng cách tối thiểu giữa các giá trị trung bình của các lớp không lớn hơn tham số mà ta lựa chọn cho chương trình. Muốn thấy được sự thay đổi thì ta chọn phân lo ại thành nhi ều l ớp và kho ảng cách tối thiểu là nhỏ.