分类和图案识别工具集概述

获得 Image Analyst 许可后可用。

需要 Spatial Analyst 许可。

“分类和图案识别”工具集包含用于执行分类和回归分析工作流（包括精度评估）的工具。

分类和图案识别工具集中的工具

工具	描述
分类栅格	根据 Esri 分类器定义文件 (.ecd) 和栅格数据集输入对栅格数据集进行分类。 .ecd 文件包含执行 Esri 支持的特定类型分类所需的所有信息。 对此工具的输入必须与用于生成所需 .ecd 文件的输入相匹配。
使用光谱对栅格进行分类	使用光谱匹配方法对多波段栅格数据集进行分类。 输入光谱数据可以作为点要素类或 .json 文件提供。
计算混淆矩阵	使用漏分误差和错分误差计算混淆矩阵，然后派生出分类地图与参考数据之间的一致性 kappa 指数、交并比 (IoU) 和整体精度。
计算分割影像属性	计算一组与分割影像相关的属性。 输入栅格可以是单波段或 3 波段的8 位分割影像。
创建精度评估点	创建用于分类后精度评估的随机采样点。
从种子点生成训练样本	从种子点（如精度评估点或训练样本点）生成训练样本。 典型用例是从现有源（如专题栅格或要素类）生成训练样本。
检查训练样本	估计个人训练样本的精度。 交叉验证精度是使用 .ecd 文件中先前生成的分类训练结果及训练样本进行计算的。 输出包括以下内容：包含误分类类值的栅格数据集，包含每个训练样本精度得分的训练样本数据集。
线性光谱解混	用于执行亚像素分类和计算单个像素的不同土地覆被类型的分数丰度。
使用回归模型预测	使用训练随机树回归模型工具的输出预测数据值。
移除栅格影像分割块伪影	可校正作为栅格函数执行的分割过程中被切片边界切割的线段或对象。 该工具对于某些区域过程（例如影像分割）很有帮助，这些区域过程在影像切片边界附近会有不一致现象。 此处理步骤包含在均值漂移影像分割工具中。 只能用于非该工具创建的分割影像。
均值漂移影像分割	将相邻并具有相似光谱特征的像素组合到一个分割块中。
训练 Iso 聚类分类器	使用 Iso 聚类分类定义生成 Esri 分类器定义文件 (.ecd)。
训练 K 最近邻域分类器	使用 K 最近邻 (KNN) 分类方法生成 Esri 分类器定义文件 (.ecd)。
训练最大似然法分类器	使用最大似然法分类器 (MLC) 分类定义生成 Esri 分类器定义文件 (.ecd)。
训练随机树分类器	使用随机树分类方法生成 Esri 分类器定义文件 (.ecd)。
训练随机树回归模型	使用随机树分析为解释变量与目标数据集之间的关系建模。
训练支持向量机分类器	使用支持向量机 (SVM) 分类定义生成 Esri 分类器定义文件 (.ecd)。
更新精度评估点	更新属性表中的 Target 字段，将参考点与分类的影像进行比较。