6. Классификация

Контролируемая классификация

В контролируемой классификации (в отличие от неконтролируемой классификации) в качестве дополнительной информации используются классы-образцы. Этот процесс гарантированно определяет, какие классы будут результатом классификации. Наиболее часто используются следующие шаги:

  • Определение классов покрытия и использования земли (такие спектральные классы, как хвойный лес, лиственный лес, вода, сельское хозяйство и т.д.)
  • Классификация подходящих контрольных областей (области-образцы для каждого класса)
  • Выполненение собственно классификации с использованием подходящего алгоритма
  • Подтверждение, оценка и анализ результатов.
Zoom Sign
Classifikation
Спутниковое изображение региона Карлсруе и классификация
Источник: LANDSAT и © LUBW с модификациями

Контрольные области

Статистическая классификация "тренируется" на так называемых контрольных областях . Области выбираются из исследуемой местности (например, с использование карт или аэроснимков) и картируются на местности. Области-образцы для каждого класса определяются (например, классы использования земли: хвойный лес, вода и т.д.) и представляются в качестве образца классификатору.

Важно обратить внимание, когда получаются изображения контрольных областей...↓


Классификация максимального подобия

Реальная классификация спутниковых изображений происходит с использованием широкого класса алгоритмов классификации, таких как максимальное подобие, минимальное расстояние, кубические методы (параллелепипед) или иерархическая классификация.

Наиболее распространёна классификация максимального подобия. Она использует функцию плотности вероятности, то есть, классификатор угадывает вероятность, с которой конкретный пиксель принадлежит к конкретному классу. Большие отклонения от центральной точки допустимы в тех случаях, когда пиксель не находится в спорной области; меньшие, если это не так

Задание: Как следует в данном случае классифицировать звёздочки (красную и бирюзовую)?

Zoom Sign
Maximum Likelihood
Классификация по принципу максимального подобия.
Источник: Naumann 2008

Оценка и анализ результатов

Чтобы проверить и уточнить результаты, рассчитываются вероятность принадлежности пикселя к классу и разность между вероятностями принадлежности к данному и к следующему классу. Результаты представляются в форме матрицы неопределённости контрольной области, показывающей её пригодность.