Классификация
Используется для создания тематических карт. Методов классификации достаточно много: статистические, непараметрические, экспертные системы.
Процесс многоэтапный.
На входе есть спектрозональный снимок. Затем классификатор, на выходе – классифицированное изображение или тематическая карта.
Этапы.
Выделение признаков – это преобразование снимка с помощью пространственного или спектрозонального преобразования характерных признаков изображения. Этот этап используется не всегда.
Обучение – выбор значений пикселов для обучения классификатора для выделения классов и определения граничных условий. Они позволяют сегментировать пространство признаков со свойствами обучающих пикселов. Этот этап может быть контролируемым и нет. (Обучение производится алгоритмом).
Отбор обучающих признаков.
Определение границ решений.
Затем получаем n-мерную картину.
Присвоение классов. Присвоение характерных имен – маркировка – это применение границ решения в пространстве признаков к снимку в целом для всего изображения.
Окончательный тематический растр содержит уникальные классы, к которым присвоены имена. Иногда можно пропустить этап обучения (алгоритмы сегментации). Одновременно с классификацией получаем отдельный слой данных, который может иметь существенно меньший размер. Классификатор выполняет аппроксимацию исходного снимка. Она приводит к оценке классификации и точности аппроксимации. Работа классификатора тесно связана с масштабом изображения. Чем больше разрешение, тем больше классов. Необходимо использовать алгоритм классификации, который будет лучше подходить для поставленной задачи.
Понятие сходства.
Сходства между пикселями и группами пикселов является основным понятием во многих алгоритмах обработки информации. Например, хотим отметить области, которые имеют одинаковые отклики. Это осуществляется группировкой пикселов со сходными характеристиками, и выделяем это как класс. Встает вопрос насколько эти характеристики на снимке отличаются от характеристик на земной поверхности. И можно и можно ли отличить только по физическим свойствам идентичные объекты (материал здания). Иногда возникает необходимость привлечения дополнительной информации. Спектральные параметры материала поверхности не характеризуются единственным детерминированным спектральным вектором, а характеризуется распределением векторов.
Возможность классификации определяется перекрытиями классов. Оптимальный компромисс для такого набора данных можно получить, используя классификатор максимального правдоподобия или классификатор Бейеса, который минимизирует суммарную погрешность классификации, если наша оценка распределений базовой вероятности является правильной. В алгоритмах максимального правдоподобия в априори принят тот факт, что характеристики классов перекрываются, это выражается как правдоподобие членов в каждом классе (нечеткая классификация).
Сравнение жесткой и мягкой классификации.
Описат. ин-я может неполно отражать действительность. ДЗ в действительности предполагает непрерывную функцию присвоения меток с числом 2QK возможных категорий для данных с Q битами на пиксел для одной полосы при наличии K-полос. Когда это почти непрерывное пространство измерений сжимается с помощью классификатора до нескольких дискретных меток, то мы в результате пренебрегаем большим количеством информации, содержащейся в данных для того, чтобы получить относительно упрощенную тематическую карту.
Большинство алгоритмов классификации производят функцию правдоподобия для присвоения метки класса каждому пикселу. Жесткая классификация получается в том случае, когда считается правильным выбор метки класса по наибольшему правдоподобию. Границы решения пространства признаков для жесткой классификации является четко определенным.
Когда величины правдоподобия запоминаются, оставляя возможность существования множественных меток для каждого пиксела, то получается мягкая классификация.
Границы решения пространства признаком при мягкой классификации будут недостаточно определенными или неточными. Величина правдоподобия будет представлять относительные пропорции каждой категории в пределах пространственно и спектрально проинтегрированного многоспектрального вектора определенного пиксела.