20.6. 分类

使用卫星图像进行制图通常涉及将像素值转换为主题信息，例如与土地覆盖相关的信息。

该操作称为分类，实现它的方法主要有两类：

• 无监督分类将输入图像划分为几个簇根据用户定义的同质性标准。 然后可以将主题类与每个聚类（最流行的无监督分类算法是K-Means算法）；

• 使用训练样本（一组相关的数值样本）进行监督分类带有主题类标签），算法将从中学习决策规则（也称为分类模型）， 其将像素与其主题类相关联，然后将其应用于整个图像。有几个现有的监督分类算法（支持向量机、随机森林等），人工神经网络等）。

在本节中，我们将重点关注监督像素分类，使用像素值（纯量或纯量）作为决策规则的输入。 该方法在 OTB 中分为几个步骤：

1)训练样本的选择和样本值的计算；

2)模型训练（在这一步中，学习决策规则训练样本）；

3)分类：可选的后处理（分类地图正规化、合并几个分类图或一些单一分类内的类别）；

4)评估验证样本的性能；

5)彩色分类地图制作，每种颜色对应到一个班级。

第一步（样本选择）在 OTB 中作为一系列应用程序提供，可以对整个过程进行微调。 然而，为了简单起见，我们将说明 TrainImagesClassifier 的使用， 它链接了上面列出的前两个步骤（步骤1：训练样本选择和步骤2：模型训练）。 随后的步骤将使用一个应用程序执行。

总而言之，我们将使用以下应用程序：

• TrainImagesClassifier: 用于训练样本选择和分类模型训练；

• ImageClassifier: 将训练好的模型应用于整个图像；

• ComputeConfusionMatrix: 用于计算我们分类链的全局性能；

• ColorMapping: 生成彩色分类图。

输入数据是2011年获取的9张图像Landsat-8时间序列和划定类别的多边形矢量数据集。

每个图像日期由七个光谱带组成，如 表 20.11 所示。

表 20.11 光谱带

Spectral band	Wavelength (µm)	Resolution (m)
Band 1 – Adrosols	0.433–0.453	30
Band 2 – Blue	0.450–0.515	30
Band 3 – Green	0.525–0.600	30
Band 4 – Red	0.630–0.680	30
Band 5 – Near infrared	0.845–0.885	30
Band 6 – Short wavelength infrared	1.560–1.660	30
Band 7 – Short wavelength infrared	2.100–2.300	30

这些频段已被连接到单个多频段图像中， 这意味着每个像素都是63个分量（七个图像具有九个频段）的矢量。

Training数据由一个包含在整个区域定义11个类别的多边形组成 如 表 20.12 。

表 20.12 训练数据

Code	Name	Number of polygons
11	Summer crops	7,898
12	Winter crops	8,171
31	Deciduous forests	867
32	Evergreen forests	125
34	Grass	45
36	Woody moorlands	386
41	Buildings	4,719
51	Water	1,280
211	Meadow	5,647
221	Orchardr	204
22	Vineyard	559

训练样本可视化（每个点对应于训练多边形内选择的像素）如 图 20.53 、 图 20.54 所示。

图 20.53 训练样本可视化

图 20.54 训练样本可视化-1

有关该图的彩色版本，请参阅 www.iste.co.uk/baghdadi/qgis1.zip

第一步包括从矢量文件中训练分类模型步的指示，打开的应用， 在图形用户界面模式中启动 OTB 应用程序 TrainImagesClassifier （运行 otbgui_TrainImagesClassifier ） 如 图 20.55 所示。

图 20.55 otbetts_TrainImagesClassiver

选择输入图像，使用文件选择器，在“InputImage列表”字段中选择连接的图像。

选择包含训练多边形的矢量文件使用文件选择器， 在“输入矢量数据列表”字段中选择包含参考多边形“training.shp”的文件。

选择包含训练多边形的载体文件中包含类标识符的字段在“区分字段的名称”中，输入值“BER”， 这是载体文件中与类标识符对应的字段的名称。

选择算法，Orfeo Toolbox提供了许多用于监督分类的机器学习算法。在本例中，我们将使用“Random Forest”算法。

在“Classifier to use for the training”下拉菜单中选择它。

选择输出图像，要选择输出路径，请编辑“输出模型”字段。

执行，单击 执行 运行该过程。

20.6.1. 结果分析

应用程序的结果是以文本格式保存的训练模型。该格式特定于训练算法，不允许用户执行分析。 我们现在将通过使用Image Classification应用程序将该模型应用于整个图像来分析该模型的性能。

表“光谱带”使用 TranImagesClassifier 应用程序对Landsat-8图像进行培训

我们现在可以将此分类模型应用于另一张图像。在这里，我们将将其应用于整个Landsat-8时间序列。

之后，我们使用 ComputeConfusionMatrix 应用程序来评估分类地图的全球性能。 对于培训步骤期间的绩效评估，此应用程序使我们能够：

• 考虑地面实况中的所有可用像素；

• 评估已进一步处理的分类图的性能（例如，通过正则化步骤）。

步骤指令

打开的应用，以图形用户界面模式启动 IMAClassifier 应用程序（执行 otbgui_IMAClassifier ） 如 图 20.56 所示。

图 20.56 otbgui_ImageClassifier

选择输入图像和分类模型，使用文件选择器，在“输入图像”字段中选择连接的Landsat-8图像。在“模型文件”字段中选择模型文件。

选择输出图像，要选择输出图像的路径，请编辑“输出图像”字段。

执行，单击 执行 运行处理。

20.6.2. 结果分析

在QGIS中打开输出图像。 你观察到什么？每个像素的值与归属于它的类相对应。 为了更好地可视化结果，可以修改QGIS中的图像渲染，为每个可能的类标签关联不同的颜色。

表“训练数据”使用“图像分类器”应用程序对Landsat-8图像进行分类

事实上，如果验证样本不可用，则TrainImagesClassifier显示的Kappa系数是根据训练集计算的， 这会产生不切实际的、高估的模型性能评估。

步骤指令

打开的应用，以图形用户界面模式启动OTB 应用程序ComputeConfusionMatrix（运行 otbgui_ComputeConfusionMatrix ）。 如 :numref:` otbgui_ComputeConfusionMatrix` 所示。

图 20.57 otbgui_ComputeConfusionMatrix

选择输入图像，使用文件选择器，在“输入图像”字段中选择上一步骤中生成的分类地图。

选择将包含混淆矩阵的文件，使用文件选择器，选择扩展名为“.text”的输出文件。

选择参考格式，在下拉菜单中，选择载体文件格式：“地面实况作为矢量数据文件”。

选择参考文件，在“输入参考载体数据”字段中，选择"testing.shp"文件。

定义包含类信息的载体文件字段，在“字段名称”字段中，选择“BER”，这是包含类ID的载体文件 "testing.shp" 的字段的名称。

执行，单击执行来运行处理。

分析结果分析应用程序的输出。

Kappa系数的值为0.8。

表5.34.使用 ComputeConfusionMatrix 应用程序计算分类性能

Image Classifier 的输出是将每个像素与类标签关联起来的图像。 为了可视化此图像，ColorMapping 应用程序允许我们将一个RB颜色与每个标签关联起来， 从而生成一个彩色图像以用于可视化。 我们将使用 ColorMapping 应用程序的自定义模式， 使用以文本格式编写的颜色表来生成彩色地图（图5.35）。

步骤指令

打开的应用,以图形用户界面模式启动 ColorMapping OTB 应用程序。 如 图 20.58 所示。

图 20.58 otbgui_ColorMapping

选择输入图像，使用文件选择器，在“输入图像”字段中选择上一步骤中生成的分类地图。

选择输出图像，使用文件选择器，在“输出图像”字段中选择扩展名为tif的文件。

选择模式，在“颜色映射方法”下拉菜单中，选择“使用自定义标签查找表的颜色映射”字段。

选择包含颜色表的文件在“查找表文件”字段中，选择 "color_map.txt" 文件。

运行，单击 Execute 运行处理，如 :numref:` 可视化图像` 所示。

图 20.59 可视化图像

结果分析，分析应用程序的输出。

表5.35.使用 ColorMapping 应用程序生成可视化图像

:numref:` 可视化图像` 基于像素的监督分类结果应用于整个Landsat-8时间序列。 有关该图的彩色版本，请参阅www.iste.co.uk/baghdadi/qgis1.zip