imagens de Sensoriamento Remoto sempre cobre uma grande área geográfica com alta frequência temporal. Para entender e derivar facilmente informações sobre o uso da terra e a cobertura da terra, sempre é necessário processar a interpretação e classificação da imagem. O pixel de imagem tem sido empregado como a unidade básica de análise desde o início dos anos 1980.
portanto, a classificação de imagem é o processo de atribuição de classes de cobertura terrestre a pixels. No sensoriamento remoto, as imagens fotográficas são agrupadas em diferentes classificações. Estas classificações são agrupados em três;
Manual de Classificação
com Base em pixels Classificação
- Supervisionada da imagem classificação
- não-Supervisionada de imagens de classificação
Recurso ou objeto-imagem com base na classificação
A supervisionada e não supervisionada de imagem técnicas de classificação são consideradas as principais categorias. Supervisionado é principalmente uma classificação guiada por humanos. Em contraste, a classificação não supervisionada é calculada pelo software.
1. Classificação Manual
a classificação Manual refere-se à interpretação e classificação de imagens de sensoriamento remoto pelo olho humano. Antes do avanço tecnológico, era o principal método usado na classificação de imagens. Na era da digitalização, o método manual foi integrado ao uso do computador. É mais confiável ao lidar com pequenas coberturas geográficas.
2. Classificação baseada em pixels
a classificação baseada em pixels é dividida em duas
classificação de imagem supervisionada
como dito acima, a imagem supervisionada é principalmente uma classificação guiada pelo homem. Os analistas de imagem humana desempenham um papel crucial. Eles especificam os valores de emitância de reflexão multispectral de cada classe de cobertura do solo ou uso do solo. Em suma, os analistas supervisionarão o processo de classificação de pixels por três etapas; treinamento, alocação e teste.
o treinamento é onde os analistas conseguem identificar uma amostra de pixels de uma associação de classe conhecida coletada a partir de dados referenciados. Esses dados podem incluir fotografias aéreas ou mapas existentes. Os pixels de treinamento são usados para derivar várias estatísticas para cada classe de cobertura de terra. No estágio de alocação, as imagens são classificadas e alocadas às classes em que apresentam as maiores semelhanças com base nos resultados estatísticos. Por fim, no estágio de teste, um grupo de pixels de teste é selecionado e as diferentes identidades de classe são comparadas. A comparação é baseada nos dados de referência e nas propriedades espectrais de cada pixel na imagem. Os resultados são baseados em uma matriz de erros, dependendo dos acordos e desacordos das amostras de teste. Após a conclusão das três etapas, um analista pode avaliar a classificação da imagem para cada classe de cobertura do solo.
além disso, um grande número de métodos de classificação supervisionados foi desenvolvido. Esses algoritmos incluem;
- Classificador de Máxima Verossimilhança
- Distância Mínima-para-significa Classificador
- Mahalanobis a Distância Classificador
- K-Vizinhos mais próximos Classificador
- Máquina de Vetor de Suporte
não-Supervisionada de Imagens de Classificação
Classificação não-supervisionada é onde os agrupamentos de pixels com características em comum: são baseados em software de análise de uma imagem sem que o usuário definir as áreas de formação para cada classe de cobertura do solo. Tudo isso é feito sem a ajuda de dados de treinamento ou conhecimento prévio. A responsabilidade do analista de imagem é determinar as correspondências entre as classes espectrais que o algoritmo define.
na classificação não supervisionada, há duas etapas básicas a seguir. Estes incluem; gerar clusters e atribuir classes. Usando o software de sensoriamento remoto, Um analista primeiro criará clusters e identificará o número de grupos a serem gerados. Depois disso, eles atribuem classes de cobertura de terra a cada cluster. Tudo isso é possível graças ao uso de algoritmos como;
- K-significa
- Análise de dados auto-organizada iterativa (ISODATA)
3. Classificação de imagem baseada em objeto
este tipo de classificação de imagem emprega o uso de objetos geográficos como unidade básica de análise. Métodos baseados em objetos geram objetos de imagem segmentando imagens e conduzindo a classificação nos objetos em vez de pixels. Essas imagens são formadas e classificadas usando métodos diferentes. Estas são; informações contextuais espaciais, espectrais, texturais e geográficas da fotografia.
exemplos de classificadores de algoritmos baseados em objetos incluem;
- segmentação de imagem
- técnicas de análise de imagem baseadas em objetos que incluem e-cognition e Arc GIS Feature Analyst