Praca Dyplomowa - AGH

Rys. 1.13. Przynależność pikseli do klas w metodzie największegoprawdopodobieństwa.Źródło: Pirowski, 2009 wykłady, http://home.agh.edu.plPodsumowując metodę największego prawdopodobieństwa Adamczyki Będkowski (2007) stwierdzili, iż daje ona dobre rezultaty klasyfikacji, jedynie wtedy,gdy piksele mają rozkład normalny w klasach obiektów. W przeciwnej sytuacji lepszewyniki zdecydowanie uzyskuje się dzięki metodzie najmniejszej odległościlub metodzie równoległościanów. Pomimo tych zastrzeżeń w większości przypadkówmetoda ta charakteryzuje się wysoką dokładnością. Powodem jest uwzględnieniew procesie klasyfikacji rozbudowanych miar statystycznych próbek (wzorców),z uwzględnieniem zależności wariancyjno-kowariancyjnych pomiędzy kanałami.1.2.3. Klasyfikacja nienadzorowana„Klasyfikacja nienadzorowana (ang. unsupervised classification) uwzględniajedynie podobieństwo spektralne grup pikseli w obrazie, z których tworzy się określonąilość klastrów niezależnie od ich rzeczywistego, przestrzennego przyporządkowania.Wykorzystuje się tutaj kilka kryteriów przydziału piksela do danego klastra, definiująctym samym rodzaj analizy albo przybliżonej, albo szczegółowej” (Mularz, Rutkowski,1995). Przez długi okres czasu uważało się klasyfikację nienadzorowaną jako metodęmało efektywną i mało dokładną. Przykładem jest publikacja Mularza (2004), którytwierdził, iż jej „stosowanie ogranicza się zazwyczaj do klasyfikacji treści zobrazowańteledetekcyjnych mało znanych lub niedostępnych rejonów”. Ostatnio klasyfikacjata jest traktowana jako równoprawna metoda względem klasyfikacji nadzorowanej26