Fernerkundungsbilder decken immer ein großes geografisches Gebiet mit hoher zeitlicher Häufigkeit ab. Um Landnutzungs- und Bodenbedeckungsinformationen leicht zu verstehen und abzuleiten, ist es immer notwendig, die Bildinterpretation und -klassifizierung zu verarbeiten. Das Bildpixel wird seit den frühen 1980er Jahren als Grundeinheit der Analyse verwendet.
Daher ist die Bildklassifizierung der Prozess der Zuordnung von Landbedeckungsklassen zu Pixeln. In der Fernerkundung werden fotografische Bilder in verschiedene Klassifikationen eingeteilt. Diese Klassifikationen sind in drei Gruppen unterteilt:
Manuelle Klassifizierung
Pixelbasierte Klassifizierung
- Überwachte Bildklassifizierung
- Unbeaufsichtigte Bildklassifizierung
Feature- oder objektbasierte Bildklassifizierung
Die überwachten und unbeaufsichtigten Bildklassifizierungstechniken werden als Hauptkategorien betrachtet. Dies ist hauptsächlich eine vom Menschen geführte Klassifizierung. Im Gegensatz dazu wird die unbeaufsichtigte Klassifizierung von der Software berechnet.
1. Manuelle Klassifizierung
Manuelle Klassifizierung bezieht sich auf die Interpretation und Klassifizierung von Fernerkundungsbildern durch das menschliche Auge. Vor dem technologischen Fortschritt war es die primäre Methode, die zur Klassifizierung von Bildern verwendet wurde. Im Zeitalter der Digitalisierung hat sich die manuelle Methode in die Computernutzung integriert. Es ist zuverlässiger, wenn es um kleine geografische Landbedeckungen geht.
2. Pixelbasierte Klassifizierung
Die pixelbasierte Klassifizierung ist weiter in zwei
Überwachte Bildklassifizierung unterteilt
Wie oben erwähnt, handelt es sich bei überwachten Bildern hauptsächlich um eine vom Menschen geführte Klassifizierung. Menschliche Bildanalytiker spielen eine entscheidende Rolle. Sie spezifizieren die multispektralen Reflexionsemissionswerte jeder Landbedeckungsklasse oder Landnutzung. Kurz gesagt, die Analysten werden den Pixelklassifizierungsprozess in drei Phasen überwachen: Schulung, Zuweisung und Testen.
In der Schulung können die Analysten eine Stichprobe von Pixeln einer bekannten Klassenzugehörigkeit identifizieren, die aus referenzierten Daten gesammelt wurden. Solche Daten können Luftbilder oder vorhandene Karten enthalten. Die Trainingspixel werden verwendet, um verschiedene Statistiken für jede Bodenbedeckungsklasse abzuleiten. In der Zuordnungsstufe werden Bilder anhand der Statistikergebnisse klassifiziert und den Klassen zugeordnet, in denen sie die größten Ähnlichkeiten aufweisen. Schließlich wird in der Testphase eine Gruppe von Testpixeln ausgewählt und die verschiedenen Klassenidentitäten verglichen. Der Vergleich basiert auf den Referenzdaten und den spektralen Eigenschaften jedes Pixels im Bild. Die Ergebnisse basieren auf einer Fehlermatrix, die von den Vereinbarungen und Meinungsverschiedenheiten der Testmuster abhängt. Nach Abschluss der drei Stufen kann ein Analyst die Bildklassifizierung für jede Landbedeckungsklasse bewerten.
Darüber hinaus wurde eine Vielzahl von überwachten Klassifizierungsmethoden entwickelt. Diese Algorithmen umfassen;
- Maximum-Likelihood-Klassifikator
- Minimaler Abstand-zu-Mittelwert-Klassifikator
- Mahalanobis-Entfernungsklassifikator
- K-Nearest Neighbors-Klassifikator
- Support Vector Machine
Unbeaufsichtigte Bildklassifizierung
Bei der unüberwachten Klassifizierung basieren die Gruppierungen von Pixeln mit gemeinsamen Merkmalen auf der Softwareanalyse eines Bildes, ohne dass der Benutzer Trainingsfelder für jede Landbedeckungsklasse definiert. All dies geschieht ohne die Hilfe von Trainingsdaten oder Vorkenntnissen. Die Aufgabe des Bildanalytikers besteht darin, die Entsprechungen zwischen den vom Algorithmus definierten Spektralklassen zu bestimmen.
Bei der unbeaufsichtigten Klassifizierung sind zwei grundlegende Schritte zu befolgen. Dazu gehören; Cluster generieren und Klassen zuweisen. Mit der Fernerkundungssoftware erstellt ein Analyst zunächst Cluster und identifiziert die Anzahl der zu generierenden Gruppen. Danach weisen sie jedem Cluster Landbedeckungsklassen zu. All dies wird durch den Einsatz von Algorithmen wie;
- K-means
- Iterative selbstorganisierende Datenanalyse (ISODATEN)
3. Objektbasierte Bildklassifizierung
Diese Art der Bildklassifizierung verwendet geografische Objekte als Grundeinheit der Analyse. Objektbasierte Methoden erzeugen Bildobjekte, indem sie Bilder segmentieren und eine Klassifizierung der Objekte anstelle von Pixeln durchführen. Diese Bilder werden mit verschiedenen Methoden gebildet und klassifiziert. Dies sind; räumliche, spektrale, strukturelle und geografische Kontextinformationen des Fotos.
Beispiele für objektbasierte Algorithmusklassifikatoren sind;
- Bildsegmentierung
- Objektbasierte Bildanalysetechniken mit E-Cognition und Arc GIS Feature Analyst