Le immagini di telerilevamento coprono sempre un’ampia area geografica con alta frequenza temporale. Per comprendere e ricavare facilmente informazioni sull’uso del suolo e sulla copertura del suolo, è sempre necessario elaborare l’interpretazione e la classificazione delle immagini. Il pixel dell’immagine è stato impiegato come unità di analisi di base dai primi anni 1980.
Pertanto, la classificazione delle immagini è il processo di assegnazione delle classi di copertura del terreno ai pixel. Nel telerilevamento, le immagini fotografiche sono raggruppate in diverse classificazioni. Queste classificazioni sono raggruppati in tre;
Manuale di Classificazione
Pixel in Base Classificazione
- Supervisionata classificazione di immagini
- non supervisionata classificazione di immagini
Funzione o di un oggetto basato su classificazione di immagini
supervisionata e non supervisionata classificazione di immagini tecniche sono considerate le principali categorie. Supervisionato è principalmente una classificazione guidata dall’uomo. Al contrario, la classificazione non supervisionata viene calcolata dal software.
1. Classificazione manuale
La classificazione manuale si riferisce all’interpretazione e alla classificazione delle immagini di telerilevamento da parte dell’occhio umano. Prima del progresso tecnologico, era il metodo principale utilizzato per classificare le immagini. Nell’era della digitalizzazione, il metodo manuale si è integrato con l’uso del computer. È più affidabile quando si tratta di piccole coperture geografiche.
2. Classificazione basata su pixel
La classificazione basata su pixel è ulteriormente suddivisa in due
Classificazione delle immagini supervisionata
Come detto sopra, le immagini supervisionate sono principalmente una classificazione guidata dall’uomo. Gli analisti dell’immagine umana svolgono un ruolo cruciale. Specificano i valori di emissione di riflessione multispettrale di ciascuna classe di copertura del suolo o di uso del suolo. In breve, gli analisti supervisioneranno il processo di classificazione dei pixel attraverso tre fasi; formazione, allocazione e test.
La formazione è dove gli analisti riescono a identificare un campione di pixel di un’appartenenza di classe nota raccolta dai dati di riferimento. Tali dati possono includere fotografie aeree o mappe esistenti. I pixel di addestramento vengono utilizzati per ricavare varie statistiche per ogni classe di copertura del terreno. Nella fase di allocazione, le immagini sono classificate e assegnate alle classi in cui mostrano le maggiori somiglianze in base ai risultati delle statistiche. Infine, nella fase di test, viene selezionato un gruppo di pixel di test e confrontate le diverse identità di classe. Il confronto si basa sui dati di riferimento e sulle proprietà spettrali di ciascun pixel nell’immagine. I risultati si basano su una matrice di errori a seconda degli accordi e dei disaccordi dei campioni di prova. Al termine delle tre fasi, un analista può valutare la classificazione delle immagini per ogni classe di copertura del suolo.
Oltre a ciò, è stato sviluppato un gran numero di metodi di classificazione supervisionati. Questi algoritmi includono;
- di Massima Verosimiglianza di Classificazione
- Minima Distanza da mezzi di Classificazione
- Distanza di mahalanobis di Classificazione
- K-Nearest Neighbors di Classificazione
- Macchina di Vettore di Sostegno
non supervisionata Classificazione di Immagini
Classificazione Unsupervised è dove raggruppamenti di pixel con caratteristiche comuni sono basati su un software di analisi di un’immagine senza che l’utente la definizione di campi di addestramento per ogni classe di copertura del suolo. Tutto ciò viene fatto senza l’aiuto di dati di allenamento o conoscenze preliminari. La responsabilità dell’analista di immagini è di determinare le corrispondenze tra le classi spettrali che l’algoritmo definisce.
Nella classificazione non supervisionata, ci sono due passaggi fondamentali da seguire. Questi includono; generare cluster e assegnare classi. Utilizzando il software di telerilevamento, un analista prima creare cluster e identificare il numero di gruppi da generare. Dopo questo, assegnano classi di copertura del terreno a ciascun cluster. Tutto ciò è reso possibile dall’uso di algoritmi come;
- K-means
- Iterative Self-Organizing Data Analysis (ISODATA)
3. Classificazione delle immagini basata su oggetti
Questo tipo di classificazione delle immagini utilizza l’uso di oggetti geografici come unità di analisi di base. I metodi basati su oggetti generano oggetti immagine segmentando le immagini e conducendo la classificazione sugli oggetti anziché sui pixel. Queste immagini sono formate e classificate utilizzando metodi diversi. Queste sono; informazioni contestuali spaziali, spettrali, strutturali e geografiche della fotografia.
Esempi di classificatori di algoritmi basati su oggetti includono;
- Segmentazione delle immagini
- Tecniche di analisi delle immagini basate su oggetti che includono E-cognition e Arc GIS Feature Analyst