آموزش طبقه بندی تصاویر ماهواره ای در نرم افزار ArcGIS

با یکی از تخصصی ترین آموزش ها در خدمت شما هستیم.

در این آموزش مراحل انجام طبقه بندی تصاویر ماهواره ای با استفاده از نرم افزار ArcGIS را یاد می گیرید.

این آموزش شامل ۱۰ مرحله است که به ترتیب زیر می باشند:

۱ ) جمع‌آوری و پیش‌پردازش داده‌ها

۲ ) جمع‌آوری نمونه‌های آموزشی

۳ ) ارزیابی نمونه‌های آموزشی

۴ ) ویرایش کلاس‌ها

۵ ) ایجاد فایل Signature

۶ ) خوشه بندی

۷ ) بررسی فایل Signature

۸ ) ویرایش فایل Signature

۹ ) طبقه بندی

۱۰ ) پس پردازش طبقه بندی

با توسعه نرم‌افزارهای Arc Gis و اکستنشن‌های مربوطه امکانات بهتری برای کاربرانی که به نحوی با این نرم‌افزار سروکار دارند فراهم شده است. اکستنشن Spatial Analyst extension از جمله ابزارهای میباشد که در زمینه طبقه بندی تصاویر ماهواره‌ای مفید می‌باشد. این ابزار چه در حیطه طبقه‌بندی نظارت شده و چه نظارت نشده می‌تواند مفید واقع شود. نوار ابزار این دستور دارای محیطی کاربر پسند و زیبا می‌باشد که کار با نمونه‌های آموزشی و فایل‌های موجود برای طبقه‌بندی نظارت شده را آسان‌تر می‌نماید.

از طبقه‌بندی‌های موجود در این روش می‌توان به روش طبقه‌بندی نظارت شده حداکثر احتمال(شباهت) اشاره نمود که همراه با فایلی که اطلاعات آماری را ذخیره می‌کند، می‌باشد. برای کار با این ابزار ابتدا یک فایل ورودی مورد نیاز است که در صورت ممکن بهتر است که تصحیحات بر روی آن انجام گرفته باشد. فایل Signature با استفاده از نمونه‌های آموزشی از طریق نوار ابزار طبقه‌بندی ایجاد می‌شود. برای طبقه بندی نظارت نشده نیز، فایل Signature همراه با خوشه‌بندی نمونه‌ها ایجاد می‌شود. این ابزار همچنین بعد از طبقه‌بندی امکاناتی را برای پس‌پردازش(همانند فیلترکردن) فایل ایجاد شده فراهم می‌نماید.

مراحل دقیق کار، در نمودار زیر نشان داده شده است.

۱ )  جمع‌آوری و پیش‌پردازش داده‌ها

الف) شناسایی داده ها

تجزیه و تحلیل طبقه‌بندی بر این اساس است که نرم افزار فرض می‌کند که داده و باندهای تصاویر از توزیع نرمال برخوردار می‌باشند. برای بررسی توزیع داده‌ها در یک گروه، از هیستوگرام تعاملی دو نوار ابزار تحلیل‌گر فضایی استفاده می‌کنیم. برای بررسی توزیع نرمال داده‌ها از نوار ابزار Spatial Analyst استفاده می‌کنیم.

ب) بسط اطلاعات باندها

فرآیند طبقه‌بندی به محدوده‌ای از مقادیر(DN) در هر گروه و باند حساس می‌باشد. برای داشتن ویژگی و صفات هر باند به طور مساوی، باید محدوده‌ی ارزش مقادیر برای هر باند مساوی باشد. اگر محدوده مقادیر و ارزش‌های یک باند نسبت به باندهای دیگر بیشتر یا کمتر و کوچکتر باشد، می‌توان با استفاده از ابزارهای موجود، با استفاده از عملیات ریاضی نسبت به بسط باندها اقدام کرد.

ج) تجزیه تحلیل مولفه های اصلی

تجزیه تحلیل مولفه‌های اصلی ابزاری است که همسبتگی بین باند‌ها را از بین برده و آنها را ناهمبسته می‌نماید. با این کار تفاوت‌ها آشکار شده و عوارض در چند باند خلاصه می‌شوند  که باعث بهتر نمایان شدن جزئیات تصویر می‌شود و برای جمع‌آوری نمونه‌های آموزشی می‌تواند مفید واقع شود. به همین منظور می‌توان از ابزار Principal Component استفاده کرده و همبستگی بین باند‌ها را از بین برد. این ابزار را می‌توان از قسمت جسنجوی نرم افزار Arc Map پیدا کرده و از آن استفاده نمود.

 د) ایجاد یک تصویر چندباندی

نوار ابزار طبقه‌بندی تصاویر، از باندهای موجود به صورت تک باند استفاده می‌کند برای ترکیب باندها با یکدیگر و ایجاد یک گروه واحد، از ابزار Composite Band استفاده می‌کنیم.

ه) برش و Subset منطقه مورد نظر از تصویر

هنگامی که منظه مورد نظر برای طبقه‌بندی، بخش کوچکی از تصویر را در برگیرد برای آسانی و سریع‌تر شدن پردازش‌ها می‌توان منظقه مورد نظر را از تصویر جداسازی کرد. به همین منظور میتوان از ابزار Make Raster Layer استفاده کرده و پیش پردازش لازم را انجام داد.

۲ ) جمع آوری نمونه‌های آموزشی

در طبقه‌بندی نظارت شده، ایجاد نمونه‌های آموزشی، برای شناسایی کلاس‌ها و به دست آوردن اطلاعات آماری مربوطه استفاده‌ می‌شود. نمونه‌های آموزشی می‌توانند به صورت تعاملی از نوار ابزار Image Classification ، ابزار Draw Polygon ایجاد شوند که به سه صورت چندضلعی، مستطیلی و دایره‌ای ایجاد شوند. ایجاد یک نمونه آموزشی، همانند شبیه سازی یک گرافیک در نرم افزار ArcMap است.

برای ایجاد یک نمونه آموزشی، یکی از ابزارهای نمونه برداری(چندضلعی، مستطیلی، دایره) را انتخاب نموده و برای هرعارضه مد نظر، نمونه‌ای ایجاد می‌کنیم.

باید توجه داشت که تعداد پیکسل نه خیلی کوچک و نه خیلی بزرگ باشند. اگه تعداد پیکسل‌ها خیلی کوچک باشد ممکن است که اطلاعات کافی برای ایجاد Signature کلاس تشکیل نشوند و اگر نمونه‌های آموزشی خیلی بزرگ باشند ممکن است پیکسل‌هایی که متعلق به نمونه‌های آموزشی نیستند را نیز جزو آن کلاس در نظر گرفته شود.

اگر تعداد باندها n باند باشد، تعداد نمونه برداری مطلوب می‌تواند بین ۱۰n تا ۱۰۰n در نظر گرفته شود.

برای نمونه برداری به صورت زیر عمل می کنیم.

۱ ) از قسمت نوار ابزار، لایه و یا تصویر مورد نظر خود را انتخاب می‌کنیم.

۲ ) بر روی گزینه Draw Polygon کلیک کرده و یکی از طرح های مورد نظر خود را انتخاب  می‌کنیم.

۳ ) با انتخاب طرح مورد نظر، در تصویر بر روی قطعه مورد نظر یک بار کلیک چپ کرده و آن را نگه داشته و سپس تا محدوده مورد نظر آن را می‌کشیم تا یک نمونه آموزشی ایجاد شود. باید دقت شود که یک قطعه فقط یک پدیده را شامل شود. پس از انتخاب عارضه مورد نظر، بقیه نمونه های آموزشی را نیز طبق همین روش انجام می‌دهیم.  همچنین میتوان نام کلاس، رنگ و مقادیر ان را تغییر داد

۳ ) ارزیابی نمونه‌های آموزشی

هنگامی که نمونه‌های آموزشی را در تصویر ایجاد می‌کنیم به صورت خودکار کلاس‌های جدید در قسمت Training Sample Manager ایجاد می‌شوند. در این بخش سه ابزار برای مدیریت و ارزیابی نمونه‌های آموزشی وجود دارد. این سه ابزار با نام های Histogram  ، Scatter Plot    و Statistics tools  می‌باشند. با استفاده از این ابزارها می‌توان به شناسایی ویژگی‌های طیفی عوارض و همچنین به ارزیابی نمونه‌های آموزشی پرداخت تا مشخص شود که آیا نمونه‌ها از دقت کافی برخوردار می‌باشند یا خیر.

در زیر به شرح هر یک از این ابزارهای پرداخته می شود.

الف) Histogram Tool

این پنجره به ما امکان این را می‌دهد تا به توزیع چندین نمونه آموزشی در قالب یک هیستوگرام بپردازیم. اگر نمونه‌های آموزشی هریک نمایش دهنده کلاس‌ها باشند پس نباید در هیستوگرام دارای همپوشانی باشند.

برای توزیع دو یا چند نمونه آموزشی، ابتدا آن‌ها را با استفاده از ابزار Training Sample Manager نمونه‌ها را انتخاب کرده و سپس بر بروی گزینه Histogram  کلیک می‌کنیم.

رنگ هیستوگرام مطابق با رنگ نمونه آموزشی می‌باشد.

پنجره هیستوگرام حاوی تعداد مشابهی از نمودار‌ها می‌باشد که هرکدام نمایانگر باندهای تصویر می‌باشد.

باید توجه شود که اگر داده‌ها به صورت floating point ذخیره شوند این ابزار نمایش داده نمی‌شود.

دکمه Change Order (واقع در پایین پنجره) به شما امکان می‌دهد که نظم همپوشانی سری‌های هیستوگرام را تغییر دهید.

تصویر زیر نمونه‌ای از یک هیستوگرام باندهای تصویر را نمایش می‌دهد.

ب) Scatterplots 

روش دیگر برای مقایسه نمونه‌های آموزشی استفاده از اسکتر پلات می‌باشد. اگر نمونه‌های آموزشی نشان دهنده کلاس‌ها باشند نباید پلات آن‌ها با یکدیگر همپوشانی داشته باشد.

برای مقایسه توزیع دو یا چند نمونه آموزشی، کلاس‌های آموزشی را انتخاب کرده و بر روی گزینه Scatterplot Show کیلیک می‌کنیم.

رنگ برگه پلات‌ها با رنگ کلاس آموزشی مطابقت دارد.

عکس زیر پراکندگی ۴ نمودار در یک صفحه را نمایش می‌دهد. اگر بیش از ۴ نمودار در تصویر باشد به این معنی است که بیش از ۴ پلات در تصویر وجود دارد.

دکمه Change Order (در پایین پنجره قرار دارد) به ما امکان می‌دهد که یک سری از همپوشانی‌های پراکنده را تغییر دهیم. اگر یک کلاس در صفحه در یک یا چند نمونه پراکنده شده باشد، می توان آن را با کلیک روی این گزینه به پیش زمینه رساند.

ج) Statistics

این پنجره، آمار مربوط به هرکدام از کلاس ها را نمایش می‌دهد.

برای مشاهده آمار هرکدام از کلاس‌ها می‌توان با استفاده از گزینه Show Statistics آمار مربوط به کلاس های نمونه را مشاهده کرد.

آمار موجود شامل، حداقل و حداکثر مقادیر، انحراف‌معیار و استاندارد، میانگین، ماتریس کواریانس کلاس‌ها می‌باشد.

۴ ) ویرایش کلاس‌ها

بسته به نحوه نمونه‌برداری از تصویر، ممکن است بعضی از کلاس‌ها را به اشتباه چند کلاس در نظر گرفته باشیم و نیاز به ادغام آن‌ها باشد و یا اینکه نیاز باشد که یک کلاس را تقسیم کنیم. این تغییرات در قسمت ویرایش نمونه‌ها انجام می‌پذیرد. همچنین تغییراتی همچون تغییر رنگ صفحه‌نمایش، تغییر رنگ کلاس‌ها، حذف و ذخیره کلاس‌ها نیز می‌تواند به عنوان ویرایش نمونه های آموزشی تلقی شود.

۵ )  ایجاد فایل Signature

هنگامی که نمونه های آموزشی ایجاد شدند و کاربر مطمن شد که کلاس ها از یکدیگر متمایز هستند یک فایل با Signature با استفاده از ابزار Create Signature File tool ایجاد می کنیم.

این فایل زمانی مورد نیاز است که ما از طبقه بندی حداکثر احتمال استفاده کنیم. هنگام استفاده از این طبقه بندی، ابزار، یک فایل Signature از کاربر می‌خواهد که باید در قسمت مورد نظر وارد شود.

بعد از کلیک بر روی فایل ایجادSignature یک مسیر برای فایل ذخیره، ایجاد کرده و سپس بر روی OK کلیک می‌کنیم. این گزینه در صورت نبود نمونه‌های آموزشی غیرفعال خواهد بود

۶ ) خوشه بندی(برای طبقه بندی بدون نظارت)

در طبقه بندی بدون نظارت، فایل Signature به طور خودکار از کلاس های قرار داده شده ایجاد می شود که با توجه به پیکسل‌هایی است که در چندضلعی‌های آموزشی انتخاب شده‌اند. همچنین در طبقه‌بندی بدون نظارت خوشه‌ها با توجه با اطلاعات آماری نمونه‌های آموزشی ایجاد می‌شوند. پیکسل‌ها در فضای چند متغییره با توجه به خواص و ویژگی‌های مشترکی که دارند خوشه‌بندی می‌شوند. باید در نظر داشت که خوشه‌ها دقتی همانند دقت در طبقه‌بندی نظارت شده را ندارند.

برای طبقه بندی بدون نظارت، ابتدا از نوار ابزار Image Classification گزینه Iso Cluster Unsupervised Classification را انتخاب می‌کنیم. با انتخاب این گزینه فایل Signature نیز به طور خودکار ساخته می‌شود که بعدا در طبقه بندی مورد استفاده قرار میگیرد.

ابزار Iso Unsupervised Cluster به طور خودکار خوشه‌ها را شناسایی کرده و یک تصویر طبقه‌بندی شده را نمایش می‌دهد. برای اجرای این ابزار مسیر زیر را طی می‌کنیم.

از قسمت Image Classification toolbar بر روی گزینه Classification کلیک کرده و از مجموعه های موجود Iso Cluster Unsupervised Classification را انتخاب می‌کنیم.

در پنجره باز شده، تصویر مورد نظر را وارد کرده، سپس تعداد کلاس‌ها را مشخص کرده و مسیر خروجی را برای ذخیره فایل انتخاب می‌کنیم. این ابزار به صورت خودکار فایل Signature ایجاد می‌کند که می‌تواند به عنوان ورودی برای طبقه‌بندی حداکثر شباهت قرار گیرد.

۷ ) بررسی فایل Signature

برای بررسی این فایل می توان از ابزار Dendrogram استفاده کرد. این ابزار نموداری به صورت تقریبا درختی ایجاد می‌کند. این نمودار فاصله‌های مشخصی را بین کلاس‌های ادغام شده در یک فایل Signature نشان میدهد. خروجی این نمودار، به صورت یک فایل ASCII با یک نمودار درختی می‌باشد که نمایش می‌دهد که ایا کلاس‌های ایجاد شده قابل تشخیص می‌باشند یا اینکه نیاز به نمونه‌برداری مجدد می‌باشد. برای جلوگیری از بروز خطا، نمودار به صورت گرافیکی طراحی شده است به طوری که اعضای هر یک از جفت کلاس‌ها که باید در هم ادغام شوند در نمودار در کنار یکدیگر قرار داده شده‌اند. ابزار دندروگرام از یک خوشه‌بندی سلسله مراتبی تبعیت می‌کند. این ابزار در مرحله اول فاصله بین هر جفت کلاس را محاسبه می‌کند. سپس نزدیکترین کلاس جفت کلاس‌ها را بر هم تقسیم می‌کند و نزدیکترین جفت کلاس بعدی را به هم پیوند می‌زند تا نزدیکترین نتیجه حاصل شود و کلاس ها ادغام شوند. برای درک بهتر عملکرد این ابزار مثالی در زیر آورده شده است.

در مثال زیر، کلاس های ۳ و ۵ نزدیکترین همسایه از نظر ویژگی می‌باشند. از این رو آنها در سطح ۳٫۴۳۳ ادغام شده اند. این مقدار نشان دهنده نسبت شباهت می‌باشد که می تواند به عنوان فاصله در فضای چند بعدی نیز تعریف شود. سپس دو کلاس با هم ادغام می‌شوند و رفتاری همانند یک کلاس را به خود می‌گیرند. اطلاعات آماری مربوط به کلاس‌های ادغام شده نسبت به کلاس‌های دیگر محاسبه می‌شود سپس نزدیکترین کلاس‌ها به هم شناسایی می‌شوند. کلاس‌های برگزیده بعدی، کلاس های ۴ و ۶ می‌باشند که فاصله بین آن‌ها ۳٫۶۰۹ است که باعث شده است آنها ادغام شوند این پروسه به صورت متوالی تکرار می‌شود تا همه کلاس‌ها به یک کلاس واحد تبدیل شوند.

خروجی این نمودار به صورت فایل تکست در زیر نمایش داده شده است.

۸ ) ویرایش فایل Signature

این فایل می‌تواند مستقیما در یک فایل ویرایش متنی، ویرایش شود. همچنین میتوان با استفاده از ابزار Edit Signatures در نرم افزار Arc Map نسبت به ویرایش این فایل از قبیل حذف ادغام، ادغام و تغییر شماره اقدام نمود.

۹ )  اعمال طبقه بندی

الف) مقدمه

برای طبقه‌بندی تصویر، از ابزار Maximum Likelihood Classification استفاده می‌کنیم. قبل از طبقه‌بندی توضیحاتی راجب به این ابزار ضروری میباشد.

این طبقه‌بندی بر اساس نظریه حداکثر احتمال برپا شده است. هرفایل Signature یا خوشه‌بندی، می‌تواند به عنوان یک ورودی معتبر برای طبقه‌بندی حداکثر احتمال در نظر گرفته شود

v    به صورت پیشفرض، هر پیکسل در ردیفی قرار می‌گیرد که احتمال پیوستن آن به پیکسل به آن ردیف از تمامی ردیف های دیگر بیشتر است.

v    ورودی یک فایل احتمالی، باید با فرمت ASCII  باشد که شامل دو ستون می‌باشد.

ستون سمت چپ نشان دهنده شناسه کلاس‌ها می‌باشد و مقادیر سمت راست، یک احتمال پیش فرض برای کلاس‌های مربوطه را نشان می‌دهد که این مقادیر باید بیشتر از صفر یا صفر باشند. اگر این مقادیر احتمالی از صفر کمتر باشند کلاس در باند خروجی نمایش داده نمیشود. فرمت فایل به شرح زیر می‌باشد.

همانطور که در فرمت بالا مشخص می‌باشد کلاس های ۳ و ۶ در فایل خروجی نمایش داده نشده است زیرا مقادیر احتمالی انها از صفر کمتر بوده است. برای جبران این عمل، از آنجا که مجموع احتمالاتی که در فایل فوق مشخص شده است برابر ۰٫۸ می‌باشد بخش باقی مانده از احتمال یعنی ۰٫۲ به تعداد کلاس‌های مشخص شده(یعنی دو کلاس) تقسیم می‌شود که سهم هر دو کلاس ۰٫۱ می‌باشد.

ب) اجرای طبقه بندی

۱) از ابزار Image Classification بر روی سربرگ Classification کلیک کرده و از مجموعه موجود ابزار Maximum Likelihood Classification را انتخاب می‌کنیم.

۲)  در پنجره باز شده فایل مورد نظر را به ابزار معرفی کرده سپس فایل Signature را فراخوانی می‌کنیم. در انتها مسیری برای ذخیره فایل طبقه بندی معرفی می‌کنیم و پارامترهای بعدی را به صورت پیشفرض پذیرفته و  بر روی گزینه OK کلیک می‌کنیم.

نتیجه فایل طبقه بندی شده را در شکل زیر مشاهده میکنیم.

ج) طبقه بندی تعاملی(Interactive Supervised Classification tool)

این ابزار نیز یکی دیگر از روش‌های طبقه‌بندی نظارت شده می‌باشد. این ابزار سرعت طبقه‌بندی حداکثر احتمال را بالا برده و پیش نمایشی از طبقه‌بندی بدون اجرای طبقه‌بندی حداکثر شباهت را به کاربر می‌دهد. برای به دست آوردن نتایج قابل قبول، ابتدا یک پیرامید باید برای تصویر ایجاد شده باشد. ساختن پیرامید باعث بالا بودن دقت و سطح کیفیت طبقه‌بندی می‌شود. برای این ابزار بر خلاف ابزارهای قبلی، فایل Signature نیاز نمی‌باشد. برای اجرای این طبقه‌بندی از مسیر زیر اقدام می‌کنیم.

۱ ) از ابزار Image Classification بر روی سربرگ Classification کلیک کرده و از مجموعه موجود ابزار  Interactive Supervised Classification tool را انتخاب می‌کنیم.

نتیجه کار به صورت زیر نمایان میشود.

۱۰ ) پیش پردازش طبقه بندی

۱ ) مقدمه

بعد از طبقه‌بندی به روش حداکثر احتمال، ممکن است برخی از پیکسل ها به اشتباه ادغام شوندو یا اینکه نادیده گرفته شوند. احتمال اینکه در هنگام طبقه‌بندی نویز نیز به وجود بیاید است. به همین خاطر برای بهبود طبقه‌بندی نیاز می‌باشد که عملیاتی در جهت بهبود نتیجه طبقه‌بندی صورت پذیرد. از روش‌های رایج برای بهبود طبقه‌بندی می‌توان به فیلترکردن، صاف کردن و نرم کردن لبه‌های کلاس‌ها، و از بین بردن بد پیکسل‌ها اشاره کرد.

۲) فیلترکردن

این فرآیند پیکسل‌های جدا افتاده که متعلق به طبقه خاصی نیست  یا به اشتباه وارد طبقه دیگر شده است را حذف می‌نماید. به همین منظور میتوان از ابزارهای Majority Filter و یا Focal Statistics tool استفاده نمود. تفاوت این دو ابزار در این است که ابزار فیلتر اکثریت (Majority Filter) یک محدوده ۳ × ۳ مربع را در طول پردازش فرض می‌کند اما ابزار Focal Statistics tool از روابط همسایگی برای فیلتر کردن استفاده می‌نماید. برای انجام این فیلتر بر روی تصویر مورد نظر طبق روش زیر عمل می‌کنیم.

۱ ) بر روی گزینه Search Windows  در نوار ابزار استاندار کلیک می‌کنیم.

۲ ) عبارت majority filter  را جستجو کرده و بر روی Enter کلیک می‌کنیم.

۳ ) در کادر باز شده، تصویر طبقخ بندی شده را به عنوان ورودی رستری وارد می‌کنیم

۴ ) در نهایت بر روی گزینه OK کلیک می‌کنیم. نتیحه کار را در شکل زیر مشاهده می‌کنیم.

۳ ) صاف کردن مرز کلاس ها(Smoothing)

هنگام طبقه‌بندی، ممکن است لبه‌های کلاس به صورت متخلخل و یا شکسته ظاهر شوند، این ابزار کمک می‌کند که این لبه‌ها به صورت صاف ظاهر شوند. این عمل با گسترش و یا کاهش همراه می‌باشد که باعث صاف شدن لبه مرز‌ها می‌شود. در زیر شماتیکی از عملکرد این ابزار را مشاهده می‌کنیم.

دو روش برای صاف کردن لبه مرزها وجود دارد که در هرکدام تعداد دفعاتی که برای صاف کردن لبه مرزها استفاده می‌شود متفاوت است. برای اجرای این ابزار مراحل زیر را ادامه می‌دهیم.

۱ ) بر روی گزینه Search Windows  در نوار ابزار استاندار کلیک می‌کنیم.

۲ ) در کادر جستجو عبارت Boundary Clean  جستجو می‌کنیم.

۳ ) در کادر باز شده تصویر مورد نظر را وارد کرده و سپس مسیری برای ذخیره تصویر جدید معرفی کرده و در نهایت بر روی گزینه ok کلیک می‌کنیم.

۴ ) حذف و یا ادغام پیکسل های نامناسب

پس از اعمال فیلتر و صاف کردن لبه‌های کلاس، تصویر طبقه‌بندی شده تا حد معقولی به یک طبقه بندی مناسب نزدیکتر می‌شود. با این حال هنوز ممکن است برخی از مناطق تصویر دارای پیکسل های نامناسب باشند. به این منظور که احتمال اینکه چندین پیکسل در داخل یک کلاس به کلاس دیگری تعلق داشته باشد وجود دارد و یا اینکه پیکسل‌هایی وجود داشته‌ باشند که طبقه‌بندی نشده‌اند. این ابزار این پیکسل های نامناسب را از تصویر پاک می کند. البته این یک فرآیند چندمرحله ای است که شامل چندین ابزار می باشد.  در ابتدا از ابزار Region Group برای اختصاص مقادیر مناسب برای هرکلاس فراخوانی می‌کنیم. نحوه کار این ابزار به صورت زیر میباشد.

v    ابتدا برای هر پیکسل خروجی، اطلاعات و هویت آن را در منطقه و کلاس‌های آن، مشخص می‌کند و هر ناحیه، برای خود شماره منحصر به فردی را می‌گیرد. شماتیک عملکرد این ابزار در زیر نمایش داده شده است.

اولین ناحیه، مقدار یک را به خود اختصاص می دهد و همچنین دومین منطقه مقدار دو. این عمل تا زمانی که تمامی مناطق مقداری را برای خود اختصاص دهند ادامه می یابد. نحوه اختصاص مقادیر به هر ناحیه، از چپ به راست و از بالا به پایین صورت میگیرد. برای مثال جدول ویژگی های اعداد بالا در زیر نمایش داده شده است.  برای انجام این دستور مراحل زیر را انجام میدهیم.

۱ ) بر روی گزینه Search Windows  در نوار ابزار استاندار کلیک می‌کنیم.

۲ ) در کادر جستجو عبارت Boundary Clean  جستجو می‌کنیم.

۳ ) در کادر باز شده تصویر مورد نظر را وارد کرده و بر روی گزینه ok کلیک می‌کنیم.

بعد از ایجاد تصویر جدید، جدول اطلاعات توصیفی را باز کرده و از قسمت Count برای شناسایی مناطقی که می‌خواهیم حذف کنیم استفاده می‌کنیم. برای حذف این مناطق از دستور Set Null استفاده میکنیم تا مناطقی که دارای تعداد کمی پیکسل هستند را حذف کنیم.

شماتیک عملکرد این دستور در زیر نمایش داده شده است.

بعد از انجام این دستور می توان با استفاده از ابزار Nibble مناطق کوچک و جا افتاده در تصویر را ادغام و یا حذف کنیم. شماتیک عملکرد این ابزار در زیر نمایش داده شده است.

نتیجه تصویر طبقه بندی شده در زیر نمایش داده شده است.

تهیه و تنظیم: هادی امامی – کارشناسی ارشد سنجش از دور

برای یادگیری جامع کار با تصاویر ماهواره ای در نرم افزار ArcGIS به محصول زیر رجوع کنید (بر روی شکل کلیک کنید):