Fjernmåling bilder dekker alltid et stort geografisk område med høy temporal frekvens. For å enkelt forstå og utlede arealbruk og arealdekningsinformasjon, er det alltid behov for å behandle bildetolkning og klassifisering. Bildepikselen har vært brukt som grunnleggende analyseenhet siden tidlig på 1980-tallet.
Derfor Er bildeklassifisering prosessen med å tildele landdekksklasser til piksler. I fjernmåling er fotografiske bilder gruppert i forskjellige klassifikasjoner. Disse klassifiseringene er gruppert i tre;
Manuell Klassifisering
Pikselbasert Klassifisering
- Overvåket bildeklassifisering
- Ikke-Overvåket bildeklassifisering
Funksjons-eller objektbasert bildeklassifisering
teknikker for overvåket og ikke-overvåket bildeklassifisering anses som hovedkategorier. Overvåket er hovedsakelig en menneskestyrt klassifisering. I motsetning til dette beregnes unsupervised klassifisering av programvaren.
1. Manuell klassifisering
Manuell klassifisering refererer til tolkning og klassifisering av fjernmåling bilder av det menneskelige øyet. Før teknologisk utvikling var det den primære metoden som ble brukt til å klassifisere bilder. I digitaliseringens epoke har den manuelle metoden integrert med databruk. Det er mer pålitelig når det gjelder små geografiske landdeksler.
2. Pikselbasert Klassifisering
Pikselbasert klassifisering er videre delt inn i to
Overvåket bildeklassifisering
som nevnt ovenfor er overvåkede bilder hovedsakelig en menneskestyrt klassifisering. Menneskelige bildeanalytikere spiller en avgjørende rolle. De angir multispectral refleksjon emittance verdier av hver arealdekning klasse eller arealbruk. Kort sagt, analytikerne vil overvåke pikselklassifiseringsprosessen gjennom tre faser; trening, allokering og testing.
Opplæring er der analytikerne får identifisere et utvalg av piksler av et kjent klassemedlemskap samlet fra refererte data. Slike data kan omfatte flyfoto eller eksisterende kart. Treningspikslene brukes til å utlede ulike statistikker for hver landdekksklasse. I tildelingstrinnet klassifiseres og fordeles bildene til de klassene der de viser størst likhet basert på statistikkresultatene. Til slutt, i teststadiet, velges en gruppe testpiksler, og de forskjellige klasseidentitetene sammenlignes. Sammenligning er basert på referansedata og spektrale egenskaper for hver piksel i bildet. Resultatene er basert på en feilmatrise avhengig av avtalene og uenighetene i testprøvene. Ved ferdigstillelse av de tre stadiene, kan en analytiker vurdere bildet klassifisering for hver land cover klasse.
Bortsett Fra dette er det utviklet et stort antall overvåkede klassifiseringsmetoder. Disse algoritmene inkluderer;
- Maksimal Sannsynlighet Klassifikator
- Minimum Avstand-til-Betyr Klassifikator
- Mahalanobis Avstand Klassifikator
- K-Nærmeste Naboer Klassifikator
- Støtte Vektor Maskin
Uten Tilsyn Bilde Klassifisering
Unsupervised klassifisering er der grupperinger av piksler med felles egenskaper er basert på programvareanalyse av et bilde uten at brukeren definerer treningsfelt for hver arealdekning klasse. Alt dette gjøres uten hjelp av treningsdata eller forkunnskaper. Bildeanalytikerens ansvar er å bestemme korrespondansen mellom spektralklassene som algoritmen definerer.
i unsupervised classification er det to grunnleggende trinn å følge. Disse inkluderer; generere klynger og tildele klasser. Ved hjelp av fjernmåling programvare, vil en analytiker først opprette klynger og identifisere antall grupper for å generere. Etter dette tilordner de landdekksklasser til hver klynge. Alt dette er gjort mulig ved bruk av algoritmer som;
- K-betyr
- Iterativ Selvorganiserende Dataanalyse (ISODATA)
3. Objektbasert Bildeklassifisering
denne typen bildeklassifisering bruker geografiske objekter som grunnleggende analyseenhet. Objektbaserte metoder genererer bildeobjekter ved å segmentere bilder og gjennomføre klassifisering på objektene i stedet for piksler. Disse bildene er dannet og klassifisert ved hjelp av ulike metoder. Disse er; romlig, spektral, tekstural og geografisk kontekstuell informasjon av fotografiet.
Eksempler på objektbaserte algoritmeklassifiserere inkluderer;
- bildesegmentering
- Objektbaserte bildeanalyseteknikker som inkluderer E – kognisjon og Arc GIS Feature Analyst