teledetectiebeelden bestrijken altijd een groot geografisch gebied met een hoge temporele frequentie. Om gemakkelijk te begrijpen en af te leiden landgebruik en landbedekking informatie, is er altijd een noodzaak om beeld interpretatie en classificatie te verwerken. De beeldpixel wordt sinds het begin van de jaren tachtig gebruikt als de basiseenheid van analyse.
daarom is beeldclassificatie het proces van het toewijzen van landbedekkingsklassen aan pixels. Bij teledetectie worden fotografische beelden gegroepeerd in verschillende classificaties. Deze classificaties zijn gegroepeerd in drie;
Handmatige Classificatie
Pixel Gebaseerde Indeling
- onder Toezicht afbeelding indeling
- zonder Toezicht afbeelding indeling
Functie of object-gebaseerde image indeling
De bewaakte en onbewaakte afbeelding classificatie technieken worden beschouwd als de belangrijkste categorieën. Supervised is voornamelijk een door mensen geleide classificatie. In tegenstelling, unsupervised classificatie wordt berekend door de software.
1. Handmatige indeling
manuele classificatie verwijst naar de interpretatie en classificatie van teledetectiebeelden door het menselijk oog. Voor de technologische vooruitgang was het de primaire methode die werd gebruikt bij het classificeren van beelden. In het tijdperk van digitalisering is de handmatige methode geïntegreerd met computergebruik. Het is betrouwbaarder bij het omgaan met kleine geografische landbedekkingen.
2. Indeling op basis van pixels
indeling op basis van Pixels is verder onderverdeeld in twee
classificatie van beelden onder toezicht
zoals hierboven vermeld, is beeldvorming onder toezicht voornamelijk een door mensen geleide classificatie. Menselijke beeldanalisten spelen een cruciale rol. Zij specificeren de multispectrale reflectieuitstootwaarden van elke landbedekkingsklasse of landgebruik. Kortom, de analisten zullen het pixel classificatieproces in drie fasen begeleiden; training, toewijzing en testen.
Training is waar de analisten krijgen om een steekproef van pixels van een bekende klasse lidmaatschap verzameld op basis van referentiegegevens te identificeren. Deze gegevens kunnen luchtfoto ‘ s of bestaande kaarten omvatten. De trainingspixels worden gebruikt om verschillende statistieken af te leiden voor elke landbedekkingsklasse. In de allocatiefase worden afbeeldingen geclassificeerd en toegewezen aan de klassen waarin ze de grootste overeenkomsten vertonen op basis van de statistische resultaten. Ten slotte wordt in de testfase een groep testpixels geselecteerd en worden de verschillende klassenidentiteiten vergeleken. De vergelijking is gebaseerd op de referentiegegevens en spectrale eigenschappen van elke pixel in de afbeelding. De resultaten zijn gebaseerd op een foutenmatrix, afhankelijk van de afspraken en meningsverschillen van de testmonsters. Na afloop van de drie fasen kan een analist de beeldclassificatie voor elke landbedekkingsklasse evalueren.
Daarnaast is een groot aantal onder toezicht staande classificatiemethoden ontwikkeld. Deze algoritmen omvatten;
- Maximum Likelihood Classifier
- Minimale Afstand-tot-betekent Classifier
- Mahalanobis Afstand Classifier
- K-Dichtstbijzijnde Buren Classifier
- Support Vector Machine
Unsupervised Classificatie Afbeelding
Unsupervised classificatie is waar de groepen van pixels met gemeenschappelijke kenmerken zijn gebaseerd op software van de analyse van een afbeelding zonder de gebruiker te definiëren opleiding velden voor elk land cover klasse. Dit alles gebeurt zonder de hulp van trainingsgegevens of voorkennis. De verantwoordelijkheid van de beeldanalist is om de correspondenties te bepalen tussen de spectrale klassen die het algoritme definieert.
bij classificatie zonder toezicht zijn er twee basisstappen te volgen. Deze omvatten; genereer clusters en het toewijzen van klassen. Met behulp van de remote sensing software zal een analist eerst clusters creëren en het aantal groepen identificeren dat moet worden gegenereerd. Hierna wijzen ze landbedekkingsklassen toe aan elke cluster. Dit alles wordt mogelijk gemaakt door het gebruik van algoritmen zoals;
- K-means
- iteratieve Zelforganiserende data-analyse (ISODATA)
3. Object-Based Image Classification
dit type beeldclassificatie maakt gebruik van het gebruik van geografische objecten als de basiseenheid van analyse. Object – gebaseerde methoden genereren afbeeldingsobjecten door afbeeldingen te segmenteren en classificatie uit te voeren op de objecten in plaats van pixels. Deze beelden worden gevormd en geclassificeerd met behulp van verschillende methoden. Dit zijn: ruimtelijke, spectrale, texturale en geografische contextuele informatie van de foto.
voorbeelden van object-based algoritme classifiers zijn:;
- Beeldsegmentatie
- objectgebaseerde beeldanalysetechnieken met E-cognitie en Arc GIS-Functieanalist