リモートセンシング画像は、常に高い時間周波数を持つ大きな地理的領域をカバーしています。 土地利用と土地被覆情報を容易に理解して導出するためには、画像の解釈と分類を処理する必要が常にあります。 画像ピクセルは、1980年代初頭から分析の基本単位として採用されてきました。
したがって、画像分類は、土地被覆クラスをピクセルに割り当てるプロセスです。 リモートセンシングでは、写真画像は異なる分類にグループ化されます。
手動分類
ピクセルベースの分類
- 教師付き画像分類
- 教師なし画像分類
フィーチャベースまたはオブジェクトベースの画像分類
教師付きおよび教師なし画像分類技術は、主要なカテゴ 監督は、主に人間のガイド付きの分類です。 対照的に、教師なし分類はソフトウェアによって計算されます。
1. 手動分類
手動分類とは、人間の目によるリモートセンシング画像の解釈と分類を指します。 技術の進歩の前に、それは画像を分類するのに使用された主要な方法でした。 デジタル化の時代には、手動の方法はコンピュータの使用と統合されています。 それは小さい地理的な土地カバーを取扱うときより信頼できます。
2. ピクセルベースの分類
ピクセルベースの分類は、さらに二つの
教師付き画像分類に分割されます
前述したように、監督された画像は主に人間による分類です。 人間のイメージアナリストは、重要な役割を果たしています。 これらは、各土地被覆クラスまたは土地利用のマルチスペクトル反射エミッタンス値を指定します。 要するに、アナリストは、トレーニング、割り当て、およびテストの三つの段階を通じてピクセル分類プロセスを監督します。
訓練は、アナリストが参照されたデータから収集された既知のクラスメンバーシップのピクセルのサンプルを識別するために取得する場所です。 このようなデータには、航空写真または既存の地図が含まれる場合があります。 学習ピクセルは、各土地被覆クラスのさまざまな統計を導出するために使用されます。 割り当て段階では、画像が分類され、統計結果に基づいて最大の類似性を示すクラスに割り当てられます。 最後に、テスト段階では、テストピクセルのグループが選択され、異なるクラスidが比較されます。 比較は、画像内の各ピクセルの参照データおよびスペクトル特性に基づいて行われます。 結果は、テストサンプルの一致と不一致に応じた誤差行列に基づいています。 3つの段階が完了すると、アナリストは各土地被覆クラスの画像分類を評価できます。
これとは別に、多数の監督された分類方法が開発されています。 これらのアルゴリズムは次のとおりです;
- 最尤分類器
- 最小平均距離分類器
- マハラノビス距離分類器
- K-最近傍分類器
- サポートベクターマシン
教師なし画像分類
教師なし分類は、共通の特性を持つピクセルのグループが、各土地カバークラスのトレーニングフィールドをユーザーが定義せずに、画像のソフトウェア分析に基 これはすべて、トレーニングデータや事前知識の助けを借りずに行われます。 イメージアナリストの責任は、アルゴリズムが定義するスペクトルクラス間の対応を決定することです。
教師なし分類には、2つの基本的な手順があります。 これらには、クラスターの生成とクラスの割り当てが含まれます。 リモートセンシングソフトウェアを使用して、分析者は最初にクラスタを作成し、生成するグループの数を識別します。 その後、彼らは各クラスターに土地被覆クラスを割り当てます。 このすべては、次のようなアルゴリズムを使用することによって可能になります;
- K-means
- 反復自己組織化データ分析（ISODATA)
3. オブジェクトベースの画像分類
このタイプの画像分類では、地理的オブジェクトを基本的な分析単位として使用します。 オブジェクトベースのメソッドは、画像をセグメント化し、ピクセルではなくオブジェクトに分類を行うことによ これらの画像は、異なる方法を用いて形成され、分類される。 これらは、写真の空間的、スペクトル的、テクスチャ的、および地理的文脈情報である。
オブジェクトベースのアルゴリズム分類子の例には、次のものがあります;
- 画像セグメンテーション
- E-cognitionとArc GIS Feature Analyst
を含むオブジェクトベースの画像解析技術