Link tải luận văn miễn phí cho ae Kết nối
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.2. Phân loại có kiểm định 16
II. KỸ THUẬT HẬU PHÂN LOẠI 25
II.1. Lọc loại nhiễu kết quả phân loại ( Majority/Minority Analysis) 25
II.2. Gộp lớp – Combine Classes 26
II.3. Thống kê kết quả – Class Statistics 27
II.4. Thay đổi tên và màu cho các lớp phân loại – Class Color Mapping 29
II.5. Chuyển kết quả phân loại sang dạng vectơ–Classification to Vector Layer 29
II.6. Chồng lớp vectơ lên ảnh – Overlay Vector File 30
II.7. Kiểm tra thực địa và đánh giá chất lượng phân loại 31
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.2. Phân loại có kiểm định 16
II. KỸ THUẬT HẬU PHÂN LOẠI 25
II.1. Lọc loại nhiễu kết quả phân loại ( Majority/Minority Analysis) 25
II.2. Gộp lớp – Combine Classes 26
II.3. Thống kê kết quả – Class Statistics 27
II.4. Thay đổi tên và màu cho các lớp phân loại – Class Color Mapping 29
II.5. Chuyển kết quả phân loại sang dạng vectơ–Classification to Vector Layer 29
II.6. Chồng lớp vectơ lên ảnh – Overlay Vector File 30
II.7. Kiểm tra thực địa và đánh giá chất lượng phân loại 31
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 chọn Classification > Unsupervised > Method, ở đây Method hay là K-Means hay 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 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 hay 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 loại sẽ dừng lại khi đạt tới số lần lặp tối đa đưa ra.
Change Threshold: Ngưỡng thay đổi sau mỗi lần tính toán lặp lại. Việc phân loại cũng sẽ dừng lại khi sau mỗi lần tính lặp lại, số phần trăm biến động của các lớp nhỏ hơn ngưỡng 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 của 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 của các lớp. Nếu khoảng cách giữa các giá trị trung bình của các lớp nhỏ hơn giá trị nhập vào thì các lớp 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 của 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 liệu hay 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 một cách chính xác và hiệu quả của việc chọn lựa các tham số thì ta sử dụng trên cùng một ảnh, đó là ảnh đã được nắn 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.
Quan sát trên ảnh phân loại ta thấy ảnh được phân ra thành 3 lớp. Ở đây độ chính xác về thông tin phân loại có độ chính xác kém. Số lớp phân loại là 7 nhiều hơn trường hợp bên, và độ chính xác đã tăng lên. Mức độ phân loại đã chi tiết lên. Số lớp phân loại ở đây là 12. Đã nhiều lên rất nhiều so với 2 trường hợp kia. Nhưng mức độ chia nhỏ ra rất nhiều làm cho khả năng quan sát sự khác biệt là rất khó khăn.
Nhận xét chung: Công việc lựa chọn tham số phân chia ảnh sau khi phân loại ra làm bao nhiêu lớp là rất cần thiết. Tuy là việc chọn lựa lớp là do chương trình tự động chọn theo ngưỡng nhất định nhưng ta cần chọn số lớp tối thiểu và tối đa để chương trình phân chia cho phù hợp nhất. Tránh tình trạng số lớp quá ít hay quá nhiều sẽ làm ảnh hưởng đến khả năng phân chia vùng trên ảnh sau khi phân loại. Ta nên chọn cho phù hợp nhất.
Do Drive thay đổi chính sách, nên một số link cũ yêu cầu duyệt download. các bạn chỉ cần làm theo hướng dẫn.
Password giải nén nếu cần: ket-noi.com | Bấm trực tiếp vào Link để tải:
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.2. Phân loại có kiểm định 16
II. KỸ THUẬT HẬU PHÂN LOẠI 25
II.1. Lọc loại nhiễu kết quả phân loại ( Majority/Minority Analysis) 25
II.2. Gộp lớp – Combine Classes 26
II.3. Thống kê kết quả – Class Statistics 27
II.4. Thay đổi tên và màu cho các lớp phân loại – Class Color Mapping 29
II.5. Chuyển kết quả phân loại sang dạng vectơ–Classification to Vector Layer 29
II.6. Chồng lớp vectơ lên ảnh – Overlay Vector File 30
II.7. Kiểm tra thực địa và đánh giá chất lượng phân loại 31
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.2. Phân loại có kiểm định 16
II. KỸ THUẬT HẬU PHÂN LOẠI 25
II.1. Lọc loại nhiễu kết quả phân loại ( Majority/Minority Analysis) 25
II.2. Gộp lớp – Combine Classes 26
II.3. Thống kê kết quả – Class Statistics 27
II.4. Thay đổi tên và màu cho các lớp phân loại – Class Color Mapping 29
II.5. Chuyển kết quả phân loại sang dạng vectơ–Classification to Vector Layer 29
II.6. Chồng lớp vectơ lên ảnh – Overlay Vector File 30
II.7. Kiểm tra thực địa và đánh giá chất lượng phân loại 31
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 chọn Classification > Unsupervised > Method, ở đây Method hay là K-Means hay 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 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 hay 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 loại sẽ dừng lại khi đạt tới số lần lặp tối đa đưa ra.
Change Threshold: Ngưỡng thay đổi sau mỗi lần tính toán lặp lại. Việc phân loại cũng sẽ dừng lại khi sau mỗi lần tính lặp lại, số phần trăm biến động của các lớp nhỏ hơn ngưỡng 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 của 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 của các lớp. Nếu khoảng cách giữa các giá trị trung bình của các lớp nhỏ hơn giá trị nhập vào thì các lớp 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 của 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 liệu hay 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 một cách chính xác và hiệu quả của việc chọn lựa các tham số thì ta sử dụng trên cùng một ảnh, đó là ảnh đã được nắn 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.
Quan sát trên ảnh phân loại ta thấy ảnh được phân ra thành 3 lớp. Ở đây độ chính xác về thông tin phân loại có độ chính xác kém. Số lớp phân loại là 7 nhiều hơn trường hợp bên, và độ chính xác đã tăng lên. Mức độ phân loại đã chi tiết lên. Số lớp phân loại ở đây là 12. Đã nhiều lên rất nhiều so với 2 trường hợp kia. Nhưng mức độ chia nhỏ ra rất nhiều làm cho khả năng quan sát sự khác biệt là rất khó khăn.
Nhận xét chung: Công việc lựa chọn tham số phân chia ảnh sau khi phân loại ra làm bao nhiêu lớp là rất cần thiết. Tuy là việc chọn lựa lớp là do chương trình tự động chọn theo ngưỡng nhất định nhưng ta cần chọn số lớp tối thiểu và tối đa để chương trình phân chia cho phù hợp nhất. Tránh tình trạng số lớp quá ít hay quá nhiều sẽ làm ảnh hưởng đến khả năng phân chia vùng trên ảnh sau khi phân loại. Ta nên chọn cho phù hợp nhất.
Do Drive thay đổi chính sách, nên một số link cũ yêu cầu duyệt download. các bạn chỉ cần làm theo hướng dẫn.
Password giải nén nếu cần: ket-noi.com | Bấm trực tiếp vào Link để tải:
You must be registered for see links