ENVI Tutorials

Transcription

1 ENVI チュートリアル マルチスペクトル分類 この章は以下の内容から構成されています 概要... 2 使用するファイル... 2 Landsat TM によるカラー画像の調査... 4 ENVI の起動... 4 Landsat TM データを開いて表示する... 4 画像の色の調査... 5 カーソル位置 / 値... 5 スペクトルプロットの調査... 6 教師無し分類... 6 教師付き分類... 8 スペクトルの分類方法 分類後処理 対話的な操作による分類のオーバーレイ 分類結果のベクタレイヤーへの変換 注釈を使用した分類凡例 ENVI セッションの終了... 22

2 概要 この章では コロラド州 Canon City の Landsat TM データを使用した代表的なマルチスペクトル分類の手順を説明します 教師無し分類と教師付き分類の両方による結果を確認し 凝集 (clump) 選別 (sieve) クラス結合 (combine) 精度評価などの分類後処理について説明します 使用するファイル DVD: Resource DVD Path: Data/can_tm ファイル can_tmr.img can_tmr.hdr can_km.img can_km.hdr can_iso.img can_iso.hdr classes.roi can_pcls.img can_pcls.hdr can_bin.img can_bin.hdr can_sam.img can_sam.hdr can_rul.img can_rul.hdr can_sv.img can_sv.hdr can_clmp.img 概要コロラド州 Boulder の TM 反射率上記用の ENVI ヘッダ K MEANS 分類上記用の ENVI ヘッダ ISODATA 分類上記用の ENVI ヘッダ教師付き分類用の関心領域 (ROI) 平行六面体分類上記用の ENVI ヘッダバイナリエンコーディング分類の結果上記用の ENVI ヘッダ SAM 分類の結果上記用の ENVI ヘッダ SAM 分類用のルール画像上記用の ENVI ヘッダ選別 (sieve) した画像上記用の ENVI ヘッダ選別した画像を凝集 (clump) したもの 2

3 can_clmp.hdr can_comb.img can_comb.hdr can_ovr.img can_ovr.hdr can_v1.evf can_v2.evf 上記用の ENVI ヘッダクラス結合した画像上記用の ENVI ヘッダグレースケール画像にクラスをオーバーレイしたもの上記用の ENVI ヘッダクラス #1 から生成されたベクタレイヤークラス #2 から生成されたベクタレイヤー 3

4 Landsat TM によるカラー画像の調査 ここでは 米国コロラド州 Canon City の Landsat TM データのスペクトル特性を理解します 分類の際 トレーニングデータ ( 教師データ ) の特徴的な領域を捜して識別する作業の最初のステップとして カラー合成画像が使用されます ENVI の起動 プログラムを起動する前に インストールガイドの指示通り ENVI が正しくインストールされていることを確認してください UNIX もしくは Macintosh OS X で ENVI を起動するには UNIX のコマンドラインに envi と入力してください Windows システムで ENVI を起動するには ENVI アイコンをダブルクリックしてください プログラムが正常にロードされ実行されると ENVI メインメニューが表示されます Landsat TM データを開いて表示する 画像ファイルを開きます 1. ENVI メインメニューから File -> Open Image File を選択してください Enter Data Filenames ダイアログが表示されます 2. ファイル選択ダイアログで 他のアプリケーションを使用するときと同様に Resource DVD の Data ディレクトリの can_tm サブディレクトリに移動し リストからファイル can_tmr.img を選択して Open (Windows) もしくは OK(UNIX) をクリックしてください Available Bands List ダイアログが画面上に表示されます このリストから 画像の表示や処理を行うスペクトルバンドを選択してください グレースケールまたは RGB カラーのいずれかを選択し 画像を読み込んでください 3. Available Bands List ダイアログの RGB Color ラジオボタンを選択し マウスの左ボタンでバンド 4 3 および 2 を順番にクリックして選択してください 選択したバンドがダイアログ中央の対応するフィールドに表示されます 4. Load RGB ボタンをクリックすると新しいウィンドウに画像が読み込まれ ます 4

5 画像の色の調査 表示されたカラー画像を使用しながら分類について説明します この画像は フォールスカラー赤外写真と同じものです 単純な 3 バンド画像でも スペクトル特性が似ている領域があることは容易に確認できます この画像の明るい赤の部分は赤外線の反射率が高いことを示し 通常は 耕作地や河川沿いの健康な植物に対応します やや暗い赤の部分は通常自然の植物を示し この場合は基本的に凹凸が多い土地にある針葉樹に対応します 市街化した部分と同様に 地質学的にはっきりした特徴を持ついくつかのクラスと市街化したクラスも容易にわかります 以下の図は これらのバンドの結果が表示されたイメージウィンドウです 図 1:Canon City の Landsat TM データ カーソル位置 / 値 ENVI の Cursor Location/Value ダイアログを使用して 表示されたスペクトルバンドにおける画像の値をプレビューします イメージ スクロール ズームウィンドウのカーソル位置を示すダイアログボックスを表示します 1. イメージウィンドウのメニューバーから Tools -> Cursor Location/Value を選択してください また イメージウィンドウ内をマウスの左ボタンでダブルクリックして Cursor Location/Value ダイアログのオン / オフを切り換えることもできます 2. 画像上でカーソルを動かしてそれぞれの場所におけるデータ値を調べ 画像の色とデータ値との関係を確認してください 3. 作業が終わりましたら Cursor Location/Value ダイアログから File - 5

6 >Cancel を選択してダイアログを閉じてください スペクトルプロットの調査 ENVI に組み込まれたスペクトルプロファイリング機能を使用してデータのスペクトル特性を確認します 1. イメージウィンドウのメニューバーから Tools -> Profiles -> Z Profile(Spectrum) を選択し スペクトルのプロファイルを取り出してください 2. ディスプレイグループウィンドウのいずれかでマウスの左ボタンをクリックして カラー画像と Cursor Location/Value ダイアログを使用して上記でプレビューした部分のスペクトルを確認してください 画像の色とスペクトル形状の関係を確認してください プロット内で赤 緑 青の線でマークされたスペクトルプロファイルの画像バンドの位置を確認してください 図 2:Canon City の TM データのスペクトルプロット 3. Spectral Profile ダイアログで File -> Cancel を選択しダイアログを閉じてください 教師無し分類 ENVI メインメニューから Classification -> Unsupervised -> K-Means もしくは IsoData を選択して ENVI の教師無し分類機能を起動してください 6

7 K-Means 教師無し分類では 統計的手法を使用して n 次元のデータを自然のスペクトルクラスに分類します K-Means による教師無し分類ではクラスタ分析法を使用するので データ内に配置するクラスタ数を選択し このクラスタ中心数を任意に配置し さらにスペクトルの分離度が最適化されるまで 繰り返し計算されます あらかじめ分類処理した結果が can_tm ディレクトリに用意されていますので これを確認することもできます 以下にその方法を示します 1. ENVI メインメニューから File -> Open Image File を選択し can_km.img を開いてください 2. Available Bands List の Gray Scale ラジオボタンをクリックし リスト上部のバンド名をクリックし Display ボタンプルダウンメニューの New Display を選択して Load Band をクリックしてください 3. イメージウィンドウから Tools -> Link -> Link Displays を選択し ダイアログで OK をクリックして画像をリンクしてください 4. イメージウィンドウ上でマウス中央ボタンをクリックしてください ダイナミックオーバーレイの範囲を決めることができます 5. マウスの左ボタンをクリックアンドドラッグして画像上でダイナミックオーバーレイを動かし K-MEANS 分類の結果をカラー合成画像と比較してください ( 図 3) 6. 作業が終わりましたら Tools -> Link -> Unlink Display を選択してリンクとダイナミックオーバーレイを削除してください 図 3:Canon City の TM 画像と K-MEANS による教師無し分類した画像の比較 興味のある方は クラス数 閾値 標準偏差 最大距離誤差の値を変えてさまざまな場合を試し これらが分類に与える影響を調べてください 7

8 Isodata IsoData による教師無し分類では データ空間内に均一に分布したクラス平均値を計算し さらに反復的に最小距離法を使用して残りのピクセルを分類します 繰り返すたびに平均値を計算しなおし 新しい平均値を使用してピクセルを分類しなおします 各クラスに含まれるピクセル数の変動が選択したピクセル変動の閾値より小さくなるまで あるいは繰り返し回数が上限に達するまで この処理が続けられます あらかじめ分類処理した結果が can_tm ディレクトリに用意されていますので これを確認することもできます 以下にその方法を示します 1. ENVI メインメニューから File -> Open Image File を選択し can_iso.img を開いてください 2. Available Bands List の Gray Scale ラジオボタンをクリックし リスト上部のバンド名をクリックし Display ボタンプルダウンメニューの New Display を選択して Load Band をクリックしてください 3. イメージウィンドウから Tools -> Link -> Link Displays を選択し ダイアログで OK をクリックしてこのカラー画像と K-MEANS の結果をリンクしてください 4. イメージウィンドウ上でマウス中央ボタンをクリックしてください ダイナミックオーバーレイの範囲を決めることができます 5. マウスの左ボタンをクリックアンドドラッグして画像上でダイナミックオーバーレイを動かし K-MEANS 分類の結果をカラー合成画像と比較してください 6. File -> Cancel を選択して 2 つのイメージウィンドウを閉じてください 興味のある方は クラス数 閾値 標準偏差 最大距離誤差 クラスのピクセル特性などの値を変えてさまざまな場合を試し これらが分類に与える影響を調べてください 教師付き分類 教師付き分類を行うには 分類の基本となるトレーニングエリアをユーザが選択する必要があります 次に さまざまな比較方法を使用して 特定のピクセルがあるクラスの所属メンバーとして適しているか判定します ENVI には 平行六面体法 (Parallelepiped) 最尤法 (Maximum Likelihood) 最小距離法 (Minimum Distance) マハラノビス距離法 (Mahalanobis Distance) バイナリエンコーディング法 (Binary Encoding) SAM(Spectral Angle Mapper) およびニューラルネット (Neural Net) などのさまざまな分類方法が用意されています 以下の処理結果を確認するか これらの分類方法においてそれぞれにデフォルトの分類パラメータを使用してユーザ自身でクラスを生成して結果を比較してください 8

9 ENVI メインメニューからユーザ自身で分類を実行するには Classification -> Supervised -> [Method] を選択します ただし [Method] はプルダウンメニューにおける ENVI の教師付き分類方法 ( 平行六面体法 最小距離法 マハラノビス距離法 最尤法 SAM バイナリエンコーディング法 ニューラルネット ) のいずれかです 以下に示す 2 つの方法のいずれかを使用して トレーニングエリア ( 関心領域 ) を選択してください 関心領域 (ROI) を使用したトレーニングデータ ( 教師データ ) の選択 ENVI チュートリアル ENVI とは や本書に示すように ENVI では分類用の統計量の抽出やマスクなどの操作によく使用される関心領域を容易に定義することができます この演習では あらかじめ定義された関心領域を使用しても ユーザ自身の関心領域を作成しても構いません あらかじめ定義済みの関心領域の読み込み 1. あらかじめ選択された関心領域を使用するには #1 ROI Tool ダイアログを開きます このためには Display #1 イメージメニューから Overlay -> Region of Interest を選択してください 2. #1 ROI Tool ダイアログで File -> Restore ROIs を選択してください 3. Enter ROI Filename ダイアログが表示されます 入力ファイルとして CLASSES.ROI を選択してください ユーザ自身による関心領域の作成 1. イメージウィンドウのメニューバーから Overlay -> Region of Interest を選択してください ROI Tool ダイアログが表示されます 2. イメージウィンドウに新しい関心領域を示す Polygon( ポリゴン ) を描画します 以下の手順で行ってください イメージウィンドウ内でマウスの左ボタンをクリックすると そこが関心領域 Polygon( ポリゴン ) の最初の点になります マウスの左ボタンをクリックして辺を規定する点を順番に選択していき マウスの右ボタンをクリックし Polygon( ポリゴン ) を閉じてください マウスの中央ボタンは最後の点を削除します ( ポリゴンがすでに閉じられている場合はポリゴン全体を削除します ) マウスの右ボタンをもう一度クリックすると Polygon( ポリゴン ) が確定します 3. 新しい関心領域を定義するには New Region ボタンをクリックしてくださ い 古典的な教師付きマルチスペクトル分類 以下の方法はリモートセンシングに関するほとんどの教本で説明されており 現 9

10 在のさまざまな画像処理ソフトウェアシステムで使用できます 平行六面体 (Parallelepiped) 平行六面体分類では単純な判定ルールを使用してマルチスペクトルデータを分類します この判定の境界が 画像データ空間内に n 次元の平行六面体を形成します 平行六面体の次元は 選択されたそれぞれのクラスの平均値からの標準偏差の閾値によって決まります 1. ファイル can_pcls.img にはあらかじめ結果が保存されています これらの結果を確認するか 上記の関心領域 CLASSES.ROI を使用してユーザ自身で分類処理を実行してください デフォルトのパラメータを使用し 関心領域の平均値からの標準偏差を色々と変更して試してください 2. 画像リンクやダイナミックオーバーレイを使用して この分類結果をカラー合成画像や前述の教師無し分類と比較してください 図 4: 平行六面体分類による画像 最尤法 (Maximum Likelihood) 最尤分類では 各バンドの各クラスの統計量が正規分布になるものと仮定し 与えられたピクセルが特定のクラスに属する確率を計算します 確率の閾値を選択した場合を除き すべてのピクセルが分類されます 各ピクセルは 確率が最も高いクラスに割り当てられます ( このため最尤法と呼ばれます ) 1. 上記の関心領域 CLASSES.ROI を使用してユーザ自身で分類処理を実行してください デフォルトのパラメータを使用し さまざまな確率閾値を設定して試してください 2. 画像リンクとダイナミックオーバーレイを使用して この分類結果をカラー合成画像や前述の教師無し分類 教師付き分類と比較してください 10

11 最小距離法 (Minimum Distance) 最小距離分類では 各関心領域の平均ベクタを使用して 未知の各ピクセルから各クラスの平均ベクタまでのユークリッド距離を計算します すべてのピクセルは最も近い関心領域クラスに分類されますが ユーザが標準偏差か距離の閾値を指定した場合は例外であり 選択された条件に適合しない一部のピクセルが分類されずに残る可能性もあります 1. 上記の関心領域 CLASSES.ROI を使用してユーザ自身で分類処理を実行してください デフォルトのパラメータを使用し 標準偏差と最大距離誤差をさまざまに変えて試してください 2. 画像リンクとダイナミックオーバーレイを使用して この分類結果をカラー合成画像や前述の教師無し分類 教師付き分類と比較してください マハラノビス距離法 (Mahalanobis Distance) マハラノビス距離分類は方向が重要な役割を果たす距離分類法であり 各クラスの統計量を使用します この分類法は最尤法と似ていますが すべてのクラスの共分散が等しいものと仮定しているため処理が高速です すべてのピクセルは最も近い関心領域クラスに分類されますが ユーザが距離の閾値を指定した場合は例外であり 閾値に適合しない一部のピクセルが分類されずに残る可能性もあります 1. 上記の関心領域 CLASSES.ROI を使用してユーザ自身で分類処理を実行してください デフォルトのパラメータを使用し 最大距離誤差をさまざまに変えて試してください 2. 画像リンクとダイナミックオーバーレイを使用して この分類結果をカラー合成画像や前述の教師無し分類 教師付き分類と比較してください スペクトルの分類方法 以下のいくつかの方法はハイパースペクトル用に特別に開発されたものですが マルチスペクトルデータの分類にも使用でき 物質のスペクトル特性を容易に比較しやすい結果が得られることも多くあります 通常 これらの分類方法は画像やスペクトルライブラリを使用する Endmember Collection ダイアログから使用されますが 分類メニューから Classification -> Supervised -> [method] で起動することもできます この [method] はプルダウンメニューに示される方法の 1 つを表します Endmember Collection ダイアログ Endmember Collection: Parallel ダイアログは ASCII ファイルや関心領域 スペクトルライブラリ 統計量ファイルなどから教師付き分類用のスペクトルを収集するのに使用されます 1. ENVI メインメニューから Classification Input File ダイアログを開く 11

12 には Spectral -> Mapping Methods -> Endmember Collection を選択してください ENVI メインメニューから Classifictition -> Endmember Collection を選択して開くこともできます 2. Classification Input File ダイアログ下部のプルダウンメニューから Open -> New File を選択してください Please Select a File ダイアログが表示されます 3. Please Select a File ダイアログで 入力ファイルとして can_tmr.img を選択し Open(Windows) もしくは OK(UNIX) をクリックしてください 選択後 can_tmr.img ファイルは Classification Input File ダイアログの Select Input File: の項目に表示されます 4. このダイアログの Select Input File: の項目にある can_tmr.img ファイルをクリックし OK をクリックしてください 5. Endmember Collection:Parallel ダイアログが表示されます 図 5:Endmember Collection ダイアログ デフォルトの場合は Endmember Collection ダイアログが表示された時点で分類方法として Parallelepiped が選択された状態になっています Endmember Collection ダイアログから Algorithm -> [method] を選択すると 使用可能な分類方法やマッピング方法のリストが表示されます この [method] は使用可能な方法の 1 つを表しており 現在 平行六面体法 (Parallelepaiped) 最小距離法 (Minimum Distance) マハラノビス距離法 (Mahalanobis Distance) 最尤法 (Maximum Likelihood) バイナリエンコーディング法 (Binary Encoding) SAM(Spectral angle Mapper) があります バイナリエンコーディング分類法 (Binary Encoding) バイナリエンコーディング分類法では あるバンドがスペクトル平均値より大きいか小さいかによってデータと端成分のスペクトルを O と 1 にエンコードします 排他的 OR 関数を使用して エンコーディングされたそれぞれの参照スペク 12

13 トルを エンコーディングされたデータスペクトルと比較し 分類画像が作成されます すべてのピクセルは 最大バンド数を用いて端成分に分類されますが 閾値をユーザが指定した場合は例外で 条件に適合しない一部のピクセルが分類されずに残る可能性もあります 1. ファイル can_bin.img には バイナリエンコーディング法による結果があらかじめ保存されています これらは 最小エンコーディング閾値を 75% にして生成したものです これらを確認するか 上記の関心領域 CLASSES.ROI を使用してユーザ自身で分類処理を実行してください あらかじめ保存されている結果を確認するには メニューバーから Algorithm -> Binary Encoding を選択してください 2. ファイル CLASSES.ROI に入っている定義済みの関心領域を使用してください Endmember Collection ダイアログメニューバーから Import -> from ROI/EVF from Input File を選択してください 3. Select Regions for Stats Calculation ダイアログが表示されます Select All Items ボタンをクリックし OK をクリックしてください 4. Endmember Collections ダイアログに収集されている関心領域用の端成分スペクトルプロットを表示するには Select All をクリックし Plot をクリックしてください 5. Endmember Collections ダイアログで Apply をクリックしてください Binary Encoding Parameters ダイアログボックスが表示されます 6. Binary Encoding Parameters ダイアログで Output Result to 項目にある Memory ラジオボタンをクリックしてください 7. Output Rule Images テキストフィールドのトグルボタンをクリックし No に変更してください ダイアログ下部の OK をクリックすると 分類処理が開始されます 8. 画像リンクとダイナミックオーバーレイを使用して この分類結果をカラー合成画像や前述の教師無し分類 教師付き分類と比較してください SAM 分類 (Spectral Angle Mapper) SAM は n 次元の角度を使用してピクセルと参照スペクトルとを比較する物理的なスペクトル分類方法です このアルゴリズムでは 2 つのスペクトルをバンド数と同じ次元の空間内のベクタとして扱ってスペクトル間の角度を計算することにより 両者の類似性を判定します Endmember Collection メニューバーから Algorithm -> Spectral Angle Mapper を選択することによって分類処理を行うことができます また ENVI メインメニューから Classifictition -> Supervised -> Spectral Angle Mapper を選択して開くこともできます 13

14 詳細は ENVI チュートリアルの ハイパースペクトルを使用した分類方法 -> Spectral Angle Mapper(SAM) 分類 を参照してください ルール画像 ENVI は 分類画像の生成に使用されるピクセル値を示す画像を生成します ユーザは これらのオプション画像から分類結果を評価したり 必要ならば閾値に従って分類し直すことができます これらはグレースケール画像であり 分類に使用されるそれぞれの関心領域または端成分スペクトルごとに 1 つずつあります 図 6:Canon City の Landsat TM データの SAM 分類用のルール画像 ( 一致度が高い ( スペクトル角が小さい ) 部分が明るいピクセルとして表示されるようにストレッチ処理されています ) 以下のように ルール画像のピクセル値によって示されるものは分類処理のタイプによって異なります 分類方法 平行六面体 最小距離法 最尤法 マハラノビス距離法 バイナリエンコーディング法 SAM (Spectral Angle Mapper) ルール画像の値 平行六面体の条件に適合するバンドの数 クラス平均からの距離の和 ピクセルがクラスに属する確率 クラス平均値からの距離 パーセントで示したバイナリマッチング ラジアン単位で示したスペクトル角 ( 角度が小さいほど基準スペクトルとの一致度が高いことを示します ) 14

15 1. 上記の SAM 分類の場合は 分類画像とルール画像を別のウィンドウに読み込みダイナミックオーバーレイを使用して比較してください Tools - > Color Mapping -> ENVI Color Tables 内の Stretch Bottom スライダと Stretch Top スライダをダイアログの両端にドラッグし SAM ルール画像の色を反転してください スペクトル角の小さい部分 ( スペクトルの類似性の高い部分 ) ほど明るく表示されます 2. 他の方法を使用して分類画像とルール画像を作成してください ダイナミックオーバーレイと Cursor Location/Value を使用して より適した閾値を使用して空間的整合性の高い分類結果が得られるか判断してください 3. より適した閾値が見つかった場合は ENVI メインメニューから Classification -> Post Classification -> Rule Classifier を選択してください 4. can_tmr.sam 入力ファイルをダブルクリックし Rule Image Classifier Tool を表示してください 適切な閾値を入力して新しい分類画像を作成し その新しい分類結果を前の分類結果と比較してください 分類後処理 分類精度を評価したり クラスを地図画像やベクタ GIS にエクスポートするためには 分類した画像に後処理を施す必要があります ENVI には これらの処理を行うための一連のツールが用意されています クラス統計量 この機能を使用すると 分類に使用した画像から統計量を抽出することができます 基本的な統計量 ヒストグラム 平均スペクトルなどの統計量が 選択したクラスごとに計算されます 1. 処理をはじめるために Classification -> Post Classification -> Class Statistics を選択して 分類画像 (can_pcls.img) を選択して OK をクリックしてください 2. 次に 分類に使用した画像 (can_tmr.img) を選択して OK をクリックしてください 3. Class Selection ダイアログで Select All Items OK の順にクリックしてください 4. Compute Statistics Parameters ダイアログで Histograms Covariance Covariance Image チェックボックスをクリックし 可能な統計量をすべて計算してください 5. Compute Statistics Parameters ダイアログ下部の OK をクリックして 15

16 ください Class Statistics Results ダイアログが表示されます 図 7:Canon City の平行六面体分類の統計量レポート 混合マトリクス ENVI の混合マトリクス機能を使用すると 2 つの分類画像 ( 分類画像と トゥルース ( 現地調査した ) 画像 ) を比較したり 分類画像と関心領域を比較することができます トゥルース画像は 別の分類画像でも 実際のグランドトゥルース測定値から生成された画像でも構いません 1. Classification -> Post Classification -> Confusion Matrix -> [method] を選択してください [method] は Using Ground Truth Image または Using Ground Truth ROIs のいずれかにします 2. Ground Truth Image 法による場合は 2 つのファイル名 can_sam.img と can_pcls.img を入力して OK をクリックし 平行六面体分類と SAM 分類を比較してください ( この演習ではグランドトゥルースとして can_pcls.img ファイルを使用します ) 3. Match Classes Parameters ダイアログを使用し 2 つの画像から対応するクラスをペアにして OK をクリックしてください 4. Output Result to ラジオボタンを使用して Memory に出力した後 Confusion Matrix Parameters ダイアログで OK をクリックしてくださ 16

17 い 5. 混合マトリクスと混合画像を確認してください ダイナミックオーバーレイ スペクトルプロファイル Cursor Location/Value を使用して分類画像を元の反射率画像と比較し エラーの原因を判断してください 6. Ground Truth ROI 法を使用するには 分類画像 can_sam.img を選択し評価してください 7. 画像のクラスを CLASSES.ROI から読み込んだ関心領域と比較し OK をクリックして混合マトリクスを計算してください 8. Confusion Matrix Parameters ダイアログで OK をクリックしてくださ い 9. 混合マトリクスを確認し スペクトルプロファイル Cursor Location/ Value を使用して分類画像を元の反射率画像内の関心領域と比較し エラーの原因を判断してください 図 8: 第 2 分類画像をグランドトゥルースに使用した場合の混合マトリクス 凝集 (clump) と選別 (sieve) 凝集と選別により分類画像のノイズ除去をすることができます 通常はまず 選別処理を行い閾値のサイズ ( ピクセル数 ) に従って孤立したピクセル群を除去し 次に 凝集処理を行って分類後の類似性の高い隣接領域を結合して既存のクラス 17

18 の空間的コヒーレンシーを向上させます ファイル can_sv.img( 選別 ) と can_clmp.img( 選別結果を凝集した結果 ) にあらかじめ計算済みの結果が入っていますので これらを分類画像 can_pcls.img( 平行六面体分類 ) と比較するか ユーザ自身で画像を計算していずれかの分類結果と比較してください 1. この機能を実行するには Classification -> Post Classification -> Sieve Classes を選択し いずれかの分類画像を選択し 結果を Memory に出力して OK をクリックしてください 2. さらに選別処理の結果を入力して凝集処理を行います そのためには Classification -> Post Classification -> Clump Classes を選択し メモリから作成した画像を選択して OK をクリックしてください 3. Clump Parameters ダイアログでメモリを選択し OK をクリックしてく ださい 4. 3 つの画像を比較し 必要に応じ操作を繰り返してノイズ除去された分類画像を生成してください クラスの結合 (combine) クラス結合機能を使用して分類結果のノイズ除去をすることもできます 類似性の高いクラスを結合して 1 つまたは複数のクラスにすることができます 1. あらかじめ計算済みの画像 can_comb.img を確認するか 以下のようにユーザ自身で結合処理を行ってください 2. Classification -> Post Classification -> Combine Classes を選択してください 3. Combine Classes Input file ダイアログで can_sam.img ファイルを選択し OK をクリックしてください 4. Region #3 を選択して Unclassified と結合し Add Combination をクリックし Combine Classes Parameters ダイアログで OK をクリックしてください メモリを選択して OK をクリックしてください 5. 画像リンクやダイナミックオーバーレイを使用して クラス結合画像を 分類画像やノイズ除去された分類画像と比較してください クラスの色の編集 分類画像が表示されている場合 クラスの色を編集することで特定のクラスに対応する色を変更することができます 1. イメージウィンドウから Tools -> Color Mapping -> Class Color Mapping を選択してください 18

19 2. Class Color Mapping ダイアログでいずれかのクラス名をクリックし 対応するカラースライダをドラッグするか任意のデータ値を入力して色を変更してください 変更内容は直ちに分類画像に適用されます 変更内容を保存するには このダイアログで Options -> Save Changes を選択してください クラスのオーバーレイ クラスをオーバーレイすることで 分類画像の重要な要素を グレースケール画像や RGB 画像上にカラーオーバーレイとして配置することができます 1. あらかじめ計算済みの画像 can_ovr.img を確認するか 反射率画像 can_tmr.img と上記のいずれかの分類画像からユーザ自身のオーバーレイを作成してください 2. ENVI メインメニューから Classification -> Post Classification -> Overlay Classes を選択してください 3. Available Bands List ダイアログから クラスオーバーレイの入力先として現在のウィンドウを選択してください 4. Input Overlay RGB Image Input Bands ダイアログで 各 RGB バンドに can_tmr.img のバンド 3(R バンドにバンド 3 G バンドにバンド 3 B バンドにバンド 3) を選択して OK をクリックしてください 5. Classification Input File ダイアログで 分類入力として can_comb.img を使用してください 6. Class Overlay to RGB Parameters ダイアログで OK をクリックし Region #1 と Region #2 を選択して画像上にオーバーレイしてください メモリを選択して OK をクリックし オーバーレイ処理を完了してください 7. オーバーレイ画像をイメージウィンドウに読み込み リンクやダイナミックオーバーレイを使用して分類画像や反射率画像と比較してください 対話的な操作による分類のオーバーレイ ENVI には 分類データの操作機能として上記の方法の他に対話的な分類オーバーレイツールも用意されています このツールを使用すると 表示されている画像上にオーバーレイされるクラスのオン / オフを対話的な操作で切り換えたり クラスの編集 クラスの統計量の算出 クラスの統合 ( 結合 ) クラスカラーの編集などを行えます 1. Available Bands List ダイアログを使用して can_tmr.img の Band 4 をグレースケール画像として表示してください 2. イメージウィンドウのメニューバーから Overlay -> Classification を選 19

20 択してください 3. Interactive Class Tool Input File ダイアログで can_sam.img を選択し OK をクリックしてください Interactive Class Tool ダイアログが現れ 各クラスとそれぞれに対応する色のリストが表示されます 4. それぞれの On チェックボックスをクリックすると グレースケール画像上にオーバーレイされる各クラスの表示が切り換わります 5. Options メニューのさまざまなオプションを試して分類結果を調べてくだ さい 6. 対話的な操作で特定のクラスの内容を変更するには Edit メニューのオプションを選択してください 7. イメージウィンドウから File -> Save Image As -> [Device] を選択し ([Device] は Postscript または Image) クラスを焼き付けて新しいファイルに出力してください 8. Interactive Class Tool ダイアログを終えるには File -> Cancel を選択してください 分類結果のベクタレイヤーへの変換 あらかじめ計算済みのベクタレイヤーをグレースケール反射率画像に読み込みラスタ分類画像と比較するか 機能を実行していずれかの分類画像をベクタレイヤーに変換します 上記の凝集した分類画像から生成されたあらかじめ計算済みのベクタレイヤーを読み込むには 以下のように実行してください 1. 凝集した画像 can_clmp.img が表示されている状態で イメージウィンドウから Overlay -> Vectors を選択してください 2. Vector Parameters ダイアログから File -> Open Vector File を選択し ファイル can_v1.evf と can_v2.evf を選択してください Available Vectors List ダイアログで Select All Layers を選択し Load Selected そして can_dmp.img を選択してください 分類 Polygon( ポリゴン ) から得られたベクタは ラスタ分類されたピクセルの輪郭を形成します ユーザ自身で分類結果をベクタに変換するには 以下のようにしてください < 注 > Available Vectors List ダイアログが表示されない場合は ENVI メインメニューの Window -> Available Vectors List を選択し表示させてください 3. Classification -> Post Classification -> Classification to Vector を 20

21 選択し Raster to Vector Input Band ダイアログ内で can_clmp.img を選択してください 4. Region #1 と Region #2 を選択し ルート名 canrtv を入力して OK をクリックすると変換処理が開始されます 5. Available Vectors List ダイアログでの 2 つの領域を選択し ダイアログ下部の Load Selected をクリックしてください 6. Load Vector ダイアログでグレースケール反射率画像が表示されているディスプレイ番号を選択すると ベクタレイヤーがウィンドウに読み込まれます Vector Parameters ダイアログで Edit -> Edit Layer Properties を選択し ベクタレイヤーの色やフィルパターンを調整してください 7. ウィンドウ内をマウスの右ボタンでクリックすると凡例の位置が確定されます 画像の注釈に関する詳細は ENVI オンラインヘルプを参照してください 注釈を使用した分類凡例 ENVI には 画像や地図レイアウトに分類凡例を配置する注釈ツールが用意されています 分類凡例は自動的に生成されます 1. いずれかの分類画像またはベクタオーバーレイを含む画像用に イメージウィンドウのメニューバーから Overlay -> Annotation を選択してください 2. Object -> Map Key を選択して画像への注釈付け処理を開始してください 凡例の特性を編集するには Annotation: Map Key ダイアログの Edit Map Key Items ボタンをクリックし 任意の特性に変更してください 3. 凡例を位置決めするには マウスの左ボタンで凡例をクリックアンドドラッグしてください 4. ウィンドウ内をマウスの右ボタンでクリックすると凡例の位置が確定されます 画像の注釈に関する詳細は ENVI オンラインヘルプを参照してください 21

22 図 9: 分類凡例を含む分類画像 ENVI セッションの終了 ENVI セッションを終了するには ENVI メインメニューから File -> Exit (UNIX は Quit) を選択し さらに OK をクリックして IDL を終了します ENVI RT をご使用の場合は ENVI を終了するとオペレーティングシステムに戻ります 22