ENVI には、ISODATA と K-Mean という 2 つの教師なし分類方法が含まれています。
ISODATA (反復自己組織化データ分析手法) は、データ空間内に均一に分散されたクラス平均値を計算し、最小距離手法を使用して残りのピクセルを反復的に集計し、平均を再計算する反復的自己組織化データ分析手法です。各反復の値が計算され、取得された新しい平均に従って、ピクセルが再分類されます。
K-Means は、クラスター分析手法を使用して、同様のクラスター類似性、つまり各オブジェクトの平均値を使用して得られる「中心オブジェクト」(重心) を使用して計算される中心位置を持つクラスターをランダムに検索します。クラスタ を作成し、それらを繰り返し再構成して分類プロセスを完了します。
教師なし分類は、一般的に教師なし分類の実行、クラス定義、サブクラスのマージ、分類結果の評価の 4 つのプロセスに分けることができます。
1
1) 教師なし分類を実行する
以下では、TM 画像を例として、教師なし分類演算プロセスを紹介します。
ISODATA と K-Mean のパラメーター設定が異なるため、2 つの分類方法は別々に紹介されます。
-
ISODATA
[ツールボックス] ツールボックスで、[分類/教師なし分類/IsoData 分類] ツールをダブルクリックします。 [分類入力ファイル] ダイアログ ボックスで、分類された TM イメージ ファイルを選択し、[OK] ボタンをクリックして、[ISODATA パラメーター] ダイアログ ボックスを開きます。 [ISODATA パラメータ] ダイアログ ボックスのパラメータ。
(1) カテゴリの範囲 (クラス数: 最小、最大): 通常、最小入力数は最終分類番号未満にすることはできず、最大入力数は最終分類番号の 2 ～ 3 倍です。最小: 5、最大: 15。
(2) 最大反復回数 (最大反復回数): 15。反復回数が多いほど、結果はより正確になり、計算時間は長くなります。
（３）変更閾値（Ｃｈａｎｇｅ Ｔｈｒｅｓｈｏｌｄ）：５．各カテゴリの変更画素数が閾値未満の場合、反復処理は終了する。この値が小さいほど、結果はより正確になり、計算量は増加します。
(4) Minimun#Pixel in Class: クラスを形成するために必要な最小ピクセル数を入力します。クラス内のセルの数がセルの最小数より少ない場合、そのクラスは削除され、そのクラス内のセルは最も近いクラスにグループ化されます。
(5) 最大分類標準偏差 (最大クラス Stdv): 1. ピクセル値の単位で、クラスの標準偏差がしきい値より大きい場合、クラスは 2 つのクラスに分割されます。
(6) カテゴリ平均間の最小クラス距離 (最小クラス距離): 5。ピクセル単位で、クラス平均間の距離が入力された最小値より小さい場合、カテゴリはマージされます。
(7) マージ カテゴリの最大数 (最大マージ ペア数): 2。
(8) カテゴリ平均からの最大標準偏差
(平均からの最大標準偏差): これはオプションです。この標準偏差より小さいピクセルをフィルタリングして、分類に参加させます。
(9) 最大距離誤差: これはオプションです。最大距離誤差より小さいピクセルをスクリーニングして分類に参加させます。
(10) 出力パスとファイル名を選択し、「OK」ボタンをクリックすると教師なし分類が実行されます。
2.K 平均法
[ツールボックス] ツールボックスで、[分類/教師なし分類/K 平均法分類] ツールをダブルクリックし、[分類入力ファイル] ダイアログ ボックスで、分類された TM イメージ ファイルを選択して、[OK] をクリックし、[K 平均法パラメーター] ダイアログ ボックスを開き、設定します。以下の K - [平均パラメータ] ダイアログのパラメータ。
（１）クラス数（クラス数）：１５。一般的には、最終分類数の２～３倍が出力される。
(2) 最大反復回数: 10。
反復回数が多いほど、結果はより正確になり、演算時間は長くなります。
(3) カテゴリ平均からの最大標準偏差 (平均からの最大標準偏差): オプションです。この標準偏差より小さいピクセルをフィルタリングして、分類に参加させます。
(4) 最大距離誤差: これはオプションです。最大距離誤差より小さいピクセルをスクリーニングして分類に参加させます。
(5) 出力パスとファイル名を選択し、「OK」ボタンをクリックすると教師なし分類が実行されます。
教師なし分類の結果:
背景値はクリッピングによって削除できます。
教師なし分類を実行した後、暫定的な分類結果が得られます。これには、カテゴリの定義とサブカテゴリの結合が必要です。
最初のステップのカテゴリの定義
クラス定義は、高解像度画像の視覚的解釈に基づいて行うことも、現地調査データに基づいて行うこともできます。
(1) 視覚的解釈ベースマップを開き、ウィンドウ (存在する場合) に表示します。
(2) TM 教師なし分類結果画像を開いてウィンドウに表示します。
(3) レイヤ マネージャ (Layer Manager) で、[クラス] を右クリックして [すべてのクラスを非表示] メニューを選択し、[クラス 1] にチェックを入れると、分類カテゴリが 1 つだけ表示され、クラスの名前が視覚的に識別できます。
(4) [ツールボックス] ツールボックスで、[ラスター管理/ENVI ヘッダー編集] ツールをダブルクリックし、ファイル入力ダイアログ ボックスで [TM 教師なし分類結果] を選択します。
(5) [ヘッダー情報] パネルで、[属性の編集] -> [分類情報] を選択し、デフォルトで [OK] ボタンをクリックすると、クラス カラー マップ編集パネルが開きます。
(6) クラスカラーマップ編集パネルで、該当するカテゴリを選択し、クラス名に再定義したカテゴリ名を入力し、同時に表示色を変更します。
(7) (3)～(6)の手順を繰り返して、他のカテゴリを定義します。
ヒント: NVI5.1 バージョンでは、画像ヘッダー ファイル情報が変更されるたびに画像が自動的に閉じられるため、手順 (3) ですべての分類が解釈された後、クラス カラー マップ編集パネルで分類名と色を変更するのが最善です。 。
2 番目のステップではサブクラスをマージします。
教師なし分類カテゴリの数を選択するときは、通常、最終結果の数の 2 ～ 3 倍を選択するため、カテゴリを定義した後、同じカテゴリをマージする必要があります。
(1) [ツールボックス] ツールボックスで、[分類/分類後/クラスの結合] ツールをダブルクリックします。
「クラス入力ファイルの結合」ダイアログ・ボックスで、定義された分類結果を選択し、「OK」ボタンをクリックして、「クラス結合パラメーター」パネルを開きます。
(2) [クラスの結合パラメータ] パネルで、[入力クラスの選択] から結合カテゴリを選択し、[出力クラスの選択] から結合カテゴリを選択し、[結合の追加] ボタンをクリックして結合スキームに追加します。結合されたスキームが [結合されたクラス] リストに表示されます。スキームから削除するには、[結合されたクラス] リスト内の項目をクリックします。
(3) マージプランが確立したら、「OK」ボタンをクリックして「クラスの結合出力」ダイアログボックスを開き、「空のクラスの削除」項目で「はい」を選択して空のクラスを削除します。
(4) 出力する結合結果のパスとファイル名を選択し、「OK」ボタンをクリックすると結合が実行されます。
分類結果を評価するプロセスは教師あり分類の手法と同様であり、前回の教師あり分類の評価内容を参照できるため、ここでは詳細は説明しません。