Digitální zpracování obrazu PDF

Digitální zpracování obrazu Klasifikace obrazu I Řízená klasifikace  Základní pojmy Klasifikace obrazu cílová část zpracování obrazu proces přiřazování určité informace jednotlivým pixelům proces třídění obrazových bodů do konečného počtu tříd n...

Digitální zpracování obrazu Klasifikace obrazu I Řízená klasifikace  Základní pojmy Klasifikace obrazu cílová část zpracování obrazu proces přiřazování určité informace jednotlivým pixelům proces třídění obrazových bodů do konečného počtu tříd nebo kategorií  Základní pojmy informační třídy – jsou definovány na počátku klasifikace ve formě klasifikačního schématu (legenda mapy)  CORINE Land Cover COoRdination of INformation on the Environment  Základní pojmy spektrální třídy – obsaženy přímo ve snímku. Homogenní části obrazu z hlediska spektrálního chování  Základní pojmy prvky obrazu – zařazeny do určité třídy podle tzv. klasifikátorů klasifikátory – rozhodovací pravidla podle kterých se všechny prvky v obraze zařadí do určité třídy  Klasifikátory Typy klasifikátorů: – prostorového chování objektů (textura, vzájemná vzdálenost, velikost, tvar, opakovatelnost, kontext). Simulace vizuální interpretace – časového chování objektů – spektrálního chování objektů (nejvyužívanější, nejpropracovanější, rozpoznávání podle příznaků)  Klasifikace řízená – základem jsou tzv. trénovací plochy – přesnější, ale závisí na zkušenostech operatéra neřízená – dvoustupňový proces pixely jsou zařazeny do určitých tříd (shluková analýza) přidáván jednotlivým třídám informační obsah hybridní per pixel per object učící se klasifikace, expertní klasifikace, fuzzy, …  řízená klasifikace přesnější metoda důležité zkušenosti zpracovatele! stanovují se základní klasifikační schémata  řízená klasifikace kroky řízené klasifikace rozhodnutí o počtu informačních tříd do kterých bude snímek segmentován výběr reprezentativních pixelů pro každou informační třídu – vznikají trénovací plochy výpočet statistických charakteristik (spektrálních příznaků) pro jednotlivé trénovací plochy, výběr vhodných pásem pro klasifikaci volba vhodného klasifikátoru použití klasifikátoru k zařazení všech pixelů do jednotlivých informačních tříd vytvoření tabelárního nebo mapového výstupu, kde jsou zobrazeny výsledky finální úprava, hodnocení a prezentace výsledku řízená klasifikace Lillesand, Kiefer, Chipman 2008  řízená klasifikace trénovací etapa manuální vymezení obrysů trénovací plochy pro každou kategorii, která bude na snímku identifikována Trénovací data musí být kompletní a reprezentativní  řízená klasifikace trénovací etapa - definování trénovacích ploch vhodnější je větší počet tříd (voda s planktonem a sedimenty, může být později spojena do jedné třídy) širokou kategorii již nelze později rozdělit trénovací plochy by měly být rovnoměrně rozloženy na snímku dostatečný počet pixelů – pro každou třídu minimálně 100 pixelů (Campbell, 2011) vhodná velikost vhodná poloha umístění ploch míra homogenity řízená klasifikace trénovací etapa  Výpočet statistických charakteristik Pixely trénovacích ploch – maska pro výběr dalších prvků obrazu ze vzorku – výpočet statistických charakteristik, které definují tzv. spektrální příznaky (signatury) pro každou hledanou třídu. Počítají se ze všech pásem multispektrálního obrazu zařazených do klasifikace statistické charakteristiky – průměrovým vektorem – rozptylem (směrodatnou odchylkou) – kovarianční maticí  Hodnocení vhodnosti (kvality) trénovacích ploch test – normální rozdělení trénovaných pixelů bimodální rozdělení – jedna třída na dvě pokud dvě třídy svým rozdělením téměř splývají – spojení do jedné normální rozdělení je předpokladem pro použití některých rozhodovacích pravidel – klasifikátorů Grafické hodnocení kvality – histogramu – spektrogramu – korelačního pole Kvantitativní hodnocení kvality  histogram Histogramy znázorňující rozdělení hodnot v jednotlivých pásmech TM-2, TM-4 a TM-5 pro trénovací plochy jedné vybrané třídy pouze pro jednotlivé třídy. ověření kvality dat v různých pásmech, ale není možné srovnávat více tříd  spektrogram znázorňuje pro jednotlivé třídy průměr, rozptyl hodnot pixelů z trénovacích ploch pro každé pásmo. Zjištění překryvu jednotlivých tříd Spektrogram pro pásma TM2, TM3 a TM4 silnější čára – průměr ± směrodatná odchylka tenčí čára – interval minimálních a maximálních hodnot pixelů v trénovacích plochách Hodnocení vzájemné separace tříd pomocí korelačního pole dvou pásem a elipsy charakterizující trénovací množinu každé třídy  Hodnocení vhodnosti (kvality) trénovacích ploch Kvantitativní hodnocení kvality Statistickou charakteristikou, která vyjadřuje míru separace (odlišnosti) může být tzv. divergence - vážená vzdálenost mezi průměrovými vektory uvažovaných tříd Divergence nabývá hodnot v intervalu 0 až 2. Za dobrou míru separability tříd jsou považovány hodnoty divergence v intervalu 1,9 až 2,0.  Hodnocení vhodnosti (kvality) trénovacích ploch Dvě třídy s velmi podobnými vlastnostmi ve všech pásmech – nutnost zvolit jiný postup vyhodnocování, např. vizuální interpretaci. V této etapě – výběr vhodných pásem pro klasifikaci. Pro odstranění vysoké korelace mezi pásmy – transformace původních pásem (spektrální zvýraznění), např. analýza hlavních komponent, aritmetické operace aj. Nejčastěji využití čtyř pásem –další nepřinášejí podstatnější informaci.  klasifikační etapa Zařazování pixelů do jednotlivých tříd pomocí klasifikátorů. Jednotlivé pixely – zatříďovány do shluků, tj. do více méně dobře separovaných částí příznakového prostoru. Shluky popisují spektrální chování každé třídy hodnoceného povrchu. Metody: – klasifikátor minimální vzdálenosti středů shluků, – klasifikátor pravoúhelníků, – klasifikátor „k“ nejbližších sousedů, – klasifikátor maximální pravděpodobnosti, – Bayesovský klasifikátor. Klasifikátor minimální vzdálenosti Lillesand, Kiefer, Chipman 2008 Klasifikátor pravoúhelníků Lillesand, Kiefer, Chipman 2008 Upravený klasifikátor pravoúhelníků Lillesand, Kiefer, Chipman 2008 Klasifikátor „K“ nejbližších sousedů Klasifikátor maximální pravděpodobnosti  Bayesovský klasifikátor rozšíření klasifikátoru maximální pravděpodobnosti o váhu pravděpodobnosti příslušnosti určitého pixelu k dané třídě. Příklady vah: plošné zastoupení třídy v obraze – třída vyskytující se ve velké ploše v obraze má větší váhu než méně početná třída. Lze použít pro zatřídění sporných pixelů v obraze. Jeden z nejpřesnějším klasifikátorů založených na posuzování spektrálního chování. Úspěšnost závisí na: kvalitě trénovacích dat přesnosti stanovení vah pro jednotlivé třídy. zařazení všech obrazových prvků do vymezených tříd Sestavení výsledné mapy základních druhů povrchů