snímky dálkového průzkumu Země vždy pokrývá velkou geografickou oblast s vysokou časovou frekvencí. Pro snadné pochopení a odvození informací o využívání půdy a pokrytí půdy je vždy třeba zpracovat interpretaci a klasifikaci obrazu. Obrazový pixel se používá jako základní jednotka analýzy Od počátku 80. let.
proto je klasifikace obrazu procesem přiřazování tříd pokrytí půdy pixelům. V dálkovém snímání jsou fotografické obrazy seskupeny do různých klasifikací. Tyto klasifikace jsou seskupeny do tří;
manuální klasifikace
klasifikace založená na pixelech
- klasifikace obrazu pod dohledem
- klasifikace obrazu bez dozoru
klasifikace obrazu podle vlastností nebo objektů
techniky klasifikace obrazu pod dohledem a bez dozoru jsou považovány za hlavní kategorie. Pod dohledem je hlavně klasifikace vedená člověkem. Naproti tomu klasifikace bez dozoru se vypočítává pomocí softwaru.
1. Manuální klasifikace
manuální klasifikace se týká interpretace a klasifikace obrazů dálkového průzkumu lidského oka. Před technologickým pokrokem to byla primární metoda, která byla použita při klasifikaci obrazů. V éře digitalizace se ruční metoda integrovala s používáním počítače. Je spolehlivější při řešení malých geografických půdních pokrývek.
2. Pixel Based Classification
Pixel based classification se dále dělí na dvě
Supervided image classification
jak bylo uvedeno výše, kontrolované snímky jsou hlavně klasifikací vedenou člověkem. Analytici lidského obrazu hrají klíčovou roli. Specifikují multispektrální hodnoty vyzařování odrazu každé třídy pokrytí půdy nebo využití půdy. Stručně řečeno, analytici budou dohlížet na proces klasifikace pixelů ve třech fázích; školení, přidělování a testování.
školení je místo, kde analytici získají identifikaci vzorku Pixelů známého členství ve třídě shromážděného z odkazovaných dat. Tyto údaje mohou zahrnovat letecké fotografie nebo existující mapy. Tréninkové pixely se používají k odvození různých statistik pro každou třídu pokrytí půdy. Ve fázi přidělování jsou obrázky klasifikovány a přiděleny třídám, ve kterých vykazují největší podobnosti na základě výsledků statistik. Nakonec je ve fázi testování vybrána skupina testovacích pixelů a porovnány různé identity tříd. Srovnání je založeno na referenčních datech a spektrálních vlastnostech každého pixelu v obraze. Výsledky jsou založeny na matici chyb v závislosti na dohodách a neshodách zkušebních vzorků. Po dokončení tří fází může analytik vyhodnotit klasifikaci obrazu pro každou třídu pokrytí půdy.
kromě toho bylo vyvinuto velké množství kontrolovaných klasifikačních metod. Tyto algoritmy zahrnují;
- maximální věrohodnost Classifier
- minimální vzdálenost k prostředkům Classifier
- Mahalanobis Distance Classifier
- k-nejbližší sousedé Classifier
- Support Vector Machine
bez dozoru
klasifikace bez dozoru je tam, kde seskupení Pixelů se společnými charakteristikami jsou založeny na softwarové analýze obrazu, aniž by uživatel definoval tréninková pole pro každou třídu pokrytí půdy. To vše se provádí bez pomoci tréninkových údajů nebo předchozích znalostí. Úkolem analytika obrazu je určit korespondenci mezi spektrálními třídami, které algoritmus definuje.
v klasifikaci bez dozoru je třeba dodržovat dva základní kroky. Mezi ně patří; generovat klastry a přiřazovat třídy. Pomocí softwaru pro dálkové snímání analytik nejprve vytvoří klastry a určí počet skupin, které mají být generovány. Poté každému klastru přiřadí třídy pokrytí půdy. To vše je možné pomocí algoritmů, jako jsou;
- k-means
- iterativní Samoorganizující se analýza dat (ISODATA)
3. Objektová klasifikace obrazu
tento typ klasifikace obrazu využívá použití geografických objektů jako základní jednotky analýzy. Metody založené na objektech generují obrazové objekty segmentací obrázků a prováděním klasifikace na objektech spíše než na pixelech. Tyto obrazy jsou tvořeny a klasifikovány různými metodami. Tyto jsou; prostorové, spektrální, texturní, a geografické kontextové informace o fotografii.
příklady klasifikátorů algoritmů založených na objektech zahrnují;
- segmentace obrazu
- objektově založené techniky analýzy obrazu, které zahrnují E-cognition a Arc GIS Feature Analyst