如何使用ArcGIS Pro中影像分类工具

遥感图像分类是图像信息提取的一种方法。在特征空间中，依据像元相似度的大小，归类相似的像元，并给每一个像元赋类别值的过程。分类的目标将是将图像中的所有像元自动进行地物类别的分类。

ArcGIS Pro对于影像分类目前提供四种分类方法，包括ISO聚类非监督分类（ISO cluster）、最大释然分类（Maximum likelihood）、随机森林分类（Random tree）、支持向量机监督分类（Support Vector Machine）。以上都是遥感影像分类常用的分类方法这里就不过于赘述，以下操作例子采用的是SVM支持向量机分类的方法。

通过下图中的Trainning Samples Manager可以在影像中通过选取兴趣区的形式，选取不同类别地物对应的训练样本。 创建好的分类样本可以保存为sample文件，同时也可以保存为要素文件存放在指定数据库中。

利用之前选取好的Training Sample文件，通过选择SVM分类方法，对遥感影像进行分类。

对于分类后的结果，通常还需要进行分类精度校验，查看分类的精度。可以利用Pro里面的生成校验点工具，例如基于分类后影像生成一定数量的校验点，如下图：

利用分类后的图像创建随机精度检验点（这里生成30个随机样本点），然后通过对比原始影像修改填写真实的ground trouth值。 填写完对应的精度校验点的groud truth值之后，可以计算精度检验的混淆矩阵，然后就可以查看到每个类别的分类精度。

最后通过创建混淆矩阵查看各种地物类别的分类精度。

通过Pro中提供的波段组合的方法，对原始影像的波段重新进行组合，通过假彩色合成来增强植被与其他地类的对比。 下图为假彩色合成效果：

如下图，通过Training samples manager创建schema并且保存为shema以及samples：

使用向导分类工具，以下的示例采用面向对象分割合并的形式来进行信息提取。比如，也可以不分类所有地物，可以只把房屋对象信息提取出来。以下还是对全部信息进行了提取。 对对象进行了分割之后可获取到对象轮廓分割线，并且可以通过调整光谱以及空间的阈值，从而调整分割的效果： 然后从分割完的影像上可以多选择一些样本（相当于之前创建schema的时候可以不选择，只创建类别，然后在这个步骤当中来选取要提取的类别样本）： 在样本选取完成之后，就需要选择分类方法来对影像进行分类，这里还是使用SVM分类方法： 由于使用的是流程化工具，可以通过选择上一步，来修改分类样本的选择来反复调整分类结果，最后达到一个比较好的分类效果。

在分类效果图出来之后，可能会存在一些错分，以及漏分的地物。在流程化工具中包括了对分类结果的进一步改进，如下图，中间较平滑地块为创建的漏分房屋： 最后点击finish按钮，完成整个流程化分类过程，获取到分类的最终结果，见下图：

优点：

缺点：