daljinsko zaznavanje - In?titut za antropolo?ke in prostorske ?tudije ...
daljinsko zaznavanje - In?titut za antropolo?ke in prostorske ?tudije ...
daljinsko zaznavanje - In?titut za antropolo?ke in prostorske ?tudije ...
Create successful ePaper yourself
Turn your PDF publications into a flip-book with our unique Google optimized e-Paper software.
18 Klasifikacija podob<br />
Kadar govorimo o razredih, moramo ločevati med <strong>in</strong>formacijskimi razredi <strong>in</strong> spektralnimi<br />
razredi. <strong>In</strong>formacijski razredi so tiste kategorije, ki jih skušamo na podobah<br />
prepoznati, na primer različne vrste poljšč<strong>in</strong>, vrste gozdov, geološ<strong>ke</strong> strukture <strong>in</strong> podobno.<br />
Spektralni razredi pa so skup<strong>in</strong>e podobnih pikslov, glede na njihove sive vrednosti<br />
v posameznih kanalih. Glavni namen pri klasifikaciji je iskanje pove<strong>za</strong>ve med<br />
spektralnimi <strong>in</strong> <strong>in</strong>formacijskimi razredi. Pri tem je le redko mogoče dobiti pove<strong>za</strong>vo<br />
enega spektralnega razreda z enim <strong>in</strong>formacijskim. Pogosto obstajajo spektralni razredi,<br />
ki ne ustre<strong>za</strong>jo nobenemu <strong>in</strong>formacijs<strong>ke</strong>mu razredu, po drugi strani pa širo<strong>ke</strong>mu<br />
<strong>in</strong>formacijs<strong>ke</strong>mu razredu pripada večje število spektralnih razredov. V gozdu, na primer,<br />
se spektralni razredi ločijo po starosti, vrsti <strong>in</strong> gostoti dreves, pa tudi osvetljenosti<br />
<strong>in</strong> tako dalje.<br />
Glede na metodo dela delimo klasifikacijo podob na:<br />
• nenadzorovano <strong>in</strong><br />
• nadzorovano.<br />
Glavna razlika med obema je nač<strong>in</strong>, kako ustvarimo spektralne podpise. Pri nadzorovani<br />
klasifikaciji operater določi manjša območja, kjer je določen tip rabe tal, računalniški<br />
program pa iz njih izračuna spektralne podpise. Pri nenadzorovani klasifikaciji<br />
pa podpise ustvari program z matematičnim združevanjem (cluster<strong>in</strong>g) v n-razsežnem<br />
spektralnem prostoru.<br />
18.1 Nenadzorovana klasifikacija<br />
Pri nenadzorovani klasifikaciji piksle razporedimo v razrede glede na njihovo »naravno«<br />
združevanje v spektralnem prostoru. Za razliko od nadzorovane pri nenadzorovani klasifikaciji<br />
v prvem koraku ne potrebujemo nikakršnega védenja o površju. Pri tem upoštevamo,<br />
da so vrednosti ena<strong>ke</strong> rabe tal (ali podobni predmeti) blizu v spektralnem<br />
prostoru, vrednosti različnih tipov rabe tal pa so daleč narazen. To je sicer nekoliko<br />
idealizirano, saj vedno pride do določenega prekrivanja razredov <strong>in</strong> je <strong>za</strong>to ločevanje<br />
precej težavno, poleg tega pa je, kot smo omenili, posamezni <strong>in</strong>formacijski razred pogosto<br />
sestavljen iz več spektralnih. Za nenadzorovano klasifikacijo lahko torej rečemo,<br />
da najprej z upoštevanjem številčnih vrednosti podatkov določimo spektralne razrede,<br />
ki jim v nadaljevanju priredimo <strong>in</strong>formacijs<strong>ke</strong> razrede.<br />
Postopek nenadzorovane klasifikacije razdelimo na:<br />
• gručenje (združevanje v razrede) <strong>in</strong><br />
• prepoznavanje razredov.<br />
Gručenje ali klastrska anali<strong>za</strong> (cluster analysis) je postopek združevanja večrazsežnih<br />
podatkov v skup<strong>in</strong>e ali gruče. Pri tem uporabljamo različne matematične algoritme,<br />
ki so praviloma računsko precej <strong>za</strong>htevni. Najpreprostejši med njimi je K-Means<br />
(K-povprečje), ki temelji na iskanju podobnosti. Pri tem postopku naključno izberemo<br />
določeno število centrov gruč, glede na te centre v gruče razporedimo vse piksle<br />
posnetka z upoštevanjem metode najmanjše razdalje (posamezen piksel uvrstimo v razred,<br />
od katerega centra je najmanj oddaljen). Nato znova izračunamo položaj centrov<br />
<strong>in</strong> postopek ponavljamo toliko časa, da so spremembe v klasifikaciji dovolj majhne. Nekoliko<br />
izboljšan algoritem K-Means je ISODATA (iterative self-organiz<strong>in</strong>g data analysis<br />
178