wielospektralnych jako wyodrębnienie klas użytkowania terenu, polegającejna interpretacji zjawisk i obiektów znajdujących się w treści obrazów wielospektralnychpowierzchni Ziemi, które występują w postaci zdjęć lotniczych oraz satelitarnych.W celu uzyskania najlepszych wyników wyróżnienia kategorii użytkowania terenukorzysta się z klasyfikacji automatycznej. Jest ona stosowana do różnych celów,ale w wyodrębnianiu klas spisuje się najlepiej. Klasyfikację automatyczną opiera sięna analizowaniu podobieństwa odbicia spektralnego, stosując do tego różne zakresyspektralne dla użytkowania terenu w poszczególnych kategoriach.W literaturze, jednym z wielu autorów, zajmujących się klasyfikacją obrazówbył Mularz (2004), który stwierdził, iż „klasyfikacja danych wielospektralnych jesttechniką ilościowej analizy obrazów cyfrowych wykorzystywaną do automatycznegokartowania tematycznego, czyli generowania cyfrowych map tematycznych,(np. użytkowania ziemi, stanu i zmian środowiska przyrodniczego itp.)”.Klasyfikację można także prowadzić wykorzystując w niej takie cechy jak: struktura,tekstura, kształt oraz położenie obiektów zdjęcia cyfrowego (Bernasik, 2000;Mierzwa, 2004).Z kolei Adamczyk i Będkowski (2007) definiują klasyfikację jako „grupowanietreści obrazów w klasy obiektów w celu uzyskania uproszczonego obrazurzeczywistości w postaci warstwy informacyjnej wektorowej lub rastrowej”.Według autorów podstawą stworzenia map (np. użytkowania/pokrycia terenu) jestwynik klasyfikacji. „Klasyfikacji poddawane są kanały obrazów teledetekcyjnych.Użytkownik wybiera te kanały, które pozwalają na najlepsze odróżnienie obiektów”(Adamczyk, Będkowski, 2007).Techniki klasyfikacji, ze względu na rodzaje rozpoznawanych elementówobrazu cyfrowego można według autorów podzielić na następujące grupy:o klasyfikacja na podstawie odpowiedniej wartości jasności piksela, która jest zawartaw pikselach obrazu (spektralna);o klasyfikacja obrazu cyfrowego odbywająca się za pomocą charakterystyk strukturyi tekstury;o klasyfikacja obiektowa „odbywająca się poprzez wydzielanie obiektów w obraziecyfrowym na podstawie analizy między innymi: jasności, kształtu, tekstury,powierzchni, tła matematycznego” (Adamczyk, Będkowski, 2007).20
Według Adamczyk i Będkowskiego (2007) najczęściej stosowanymi metodamiklasyfikacji są: klasyfikacja nadzorowana, nienadzorowana oraz manualna.Zarówno klasyfikację nadzorowaną jak i nienadzorowaną zaliczamy do procesówautomatycznych (Mularz, 2004). Procesy te nie są jednak tak dokładne jak klasyfikacjamanualna, która polega na ręcznym podziale obrazu na poszczególne klasy,wykorzystując do tego digitalizację ekranową. Metoda ta jest obecnie najczęściejwykorzystywaną metodą i dającą najlepsze efekty (Adamczyk, Będkowski, 2007).Chcąc uzyskać jak najlepsze rezultaty w klasyfikacji wielospektralnej, należynie używać silnie skorelowanych ze sobą kanałów cyfrowego obrazu. Aby dokonaćprawidłowej oceny stopnia skorelowania tych kanałów stosuje się tzw. analizęwariancyjno-kowariancyjną (Mularz, 2004).1.2.2. Klasyfikacja nadzorowanaKlasyfikacja nadzorowana (ang. supervised classification) polegana wydzieleniu klas pokrycia terenu używając do tego statystycznych parametrów,które zostały wskazane przez użytkownika z obrazów cyfrowych. Przy pomocy systemukomputerowego zostają wydzielone wzorce klas noszące nazwę pól treningowych.Każde pole treningowe jest fragmentem obrazu reprezentatywnym dla wydzielanychklas. Proces automatycznej klasyfikacji nadzorowanej opiera się także na dostępnychprzez użytkownika informacjach, które zostały odczytane nie tylko z treści obrazu,ale również z obserwacji terenowych czy też materiałów kartograficznych.Na podstawie tak zebranych informacji jak i statystycznej ocenie jasności pikseli, któretworzą pole treningowe, powstają tzw. wzorce klas. Użytkownik za pomocą komputerapoddaje do weryfikacji w obrazie wszystkie piksele przypisując je do jednejz powstałych klas (Sitek, 2000; Mierzwa, 2004). Sposób w jaki to następuje, nazywa sięregułami decyzyjnymi, lub – mniej właściwie – „metodami”. W klasyfikacjinadzorowanej do najpopularniejszych należą: największego prawdopodobieństwa,środka ciężkości klastra, równoległościanu, najmniejszej odległości od średniej orazmetody hybrydowe i metody drzewa decyzyjnego (Adamczyk, Będkowski, 2007).Wydzielenie poszczególnych kategorii jak również dokładność rozpoznania jestzwiązana przede wszystkim z dobraniem odpowiednich pól treningowych, a takżeod stosowanej przez interpretatora metody reguły decyzyjnej. Spośród wyżej21
- Page 2 and 3: Podziękowania2
- Page 6 and 7: 4.2. Klasyfikacja nadzorowana......
- Page 9: ROZDZIAŁ 1OBRAZY SATELITARNE JAKO
- Page 14 and 15: Pierwszą z ważnych cech obrazu je
- Page 16 and 17: „Wyrównanie histogramu (ang. his
- Page 18 and 19: odróżnienia wraz z rozpoznaniem o
- Page 23 and 24: Rys. 1.10. Wykres przedstawiający
- Page 25 and 26: prawdopodobną wartość dla danej
- Page 27 and 28: (Adamczyk, Będkowski, 2007), a jej
- Page 29 and 30: parametrów sterujących tak, że p
- Page 31 and 32: 1.3. Produkty klasyfikacjiPodstawow
- Page 33 and 34: Wreszcie na poziomie trzecim wyró
- Page 35 and 36: meteorologicznych wystarczające do
- Page 37 and 38: satelitów LANDSAT, która trwa po
- Page 39 and 40: Wszystkie z trzech pierwszych satel
- Page 41 and 42: LANDSAT należą do najpowszechniej
- Page 43 and 44: na rysunku 2.5., którego producent
- Page 45 and 46: wielospektralne w czterech kanałac
- Page 47 and 48: Rok uruchomieniapanchromatyczny(pan
- Page 49 and 50: ROZDZIAŁ 3OBSZAR TESTOWY I DANE WY
- Page 51 and 52: 3.3. Oprogramowanie - IDRISI 32, ID
- Page 53 and 54: ROZDZIAŁ 4KLASYFIKACJA PIKSELOWA O
- Page 55 and 56: Tab. 4.1. Charakterystyka klas pokr
- Page 57 and 58: wymaganej przez program Idrisi, wpi
- Page 59 and 60: Rys. 4.9. Obraz z satelity IKONOS s
- Page 61 and 62: W kolejnym etapie tworzenia punktó
- Page 63 and 64: Rys. 4.11. Obszary testowe (zdj. lo
- Page 65 and 66: Rys. 4.13. Próbka weryfikacyjna LA
- Page 67 and 68: 1.7, 1.8, 1.9, 2.0, 2.1, 2.2, 2.3,
- Page 69 and 70: Bazując na ośmiu kategoriach moż
- Page 71 and 72:
Wykres. 4.1. Ocena dokładności kl
- Page 73 and 74:
w klasyfikacji nadzorowanej obrazó
- Page 75 and 76:
tabel, jak również pokazano najle
- Page 77 and 78:
Rys. 4.22. Scena z satelity IKONOS.
- Page 79 and 80:
A. B. C.Rys. 4.24. A) IKONOS, B) LA
- Page 81 and 82:
A.Widoczne na zdjęciuoddzielone pa
- Page 83 and 84:
ROZDZIAŁ 5PODSUMOWANIE I WNIOSKIPo
- Page 85 and 86:
testy potwierdzają więc kolejną
- Page 87 and 88:
Rys. 5.1. Mapa pokrycia/użytkowani
- Page 89 and 90:
Kmieć B., 2010, „Techniki telede
- Page 91 and 92:
NETOGRAFIA[1] http://clc.gios.gov.p
- Page 93 and 94:
Załącznik 2.Rys. 2.1. Sygnatury k
- Page 95 and 96:
Wykres 3.2. Zestawienie wszystkich
- Page 97 and 98:
Rys. 3.2. Mapa pokrycia terenu po m
- Page 99 and 100:
Wykres 4.2. Zestawienie wszystkich
- Page 101 and 102:
Rys. 4.2. Mapa pokrycia terenu po m