Жесткая классификация
Определение признаков. При выполнении используются многоспектральные изображения, но недостаточно этого подхода. Подход содержит информацию об атмосфере, рельефе, угле освещенности. Графические данные этих изображений, как правило, коррелированны между слоями данных, это приводит к тому, что снижается эффективность анализа. Извлекаемые из изображения характеристики, например, показатели пространственной структуры, представляют для классификации более полезную информацию. Из этого следует, то, что до классификации иногда полезно использовать предварительные преобразования изображения, чтобы они позволили извлечь из изображения максимальный объем информации. Зная это можно выделить признаки.
Обучение. Для того чтобы классифицировать изображение, необходимо обучить алгоритм классификации отличать классы друг от друга. Для этой цели используется репрезентативные выборки (прототипы, экземпляры), после того как классификатор обучен распознавать классы, которые представлены обучающими выборками на основе тех правил, которые вырабатываются в процессе обучения, мы будем маркировать каждый пиксел изображения и присваивать каждому пикселу какую-нибудь информацию.
Если интерес будет представлять классификация небольшого изображения, относящиеся к обучающей выборке, то атмосферные факторы не будут играть никакой роли (они будут аналогичны по всему изображению). Если атмосфера отличается неоднородностью в пределах интереса области, то проводим корректировку спектральных характеристик. Если обучающие данные из одного изображения предполагается использовать для классификации другого, то надо скорректировать одно относительно другого.
Обучение алгоритма классификации может быть проконтролировано, в том случае образцы пикселов прототипа помечены посредством наземного контроля, либо обучение может быть бесконтрольным.
Контролируемое изучение
Задаем эталоны и проводим классификацию. Но в некоторых случаях невозможно проклассифицировать некоторые участки. Например, у растительности неравномерный покров. Один из методов улучшения данных для разделения классов является отчистка периферийных пикселей в пространстве признаков до начала разработки признаков конечного класса. Это можно достигнуть классификацией обучающих пикселов в соответствии с данными признаками. Некоторые обучающиеся пикселы могут быть классифицированы неправильно или иметь низкий уровень правдоподобия. Эти пикселы исключаются из обучающего набора, и признаки пересчитываются из оставшихся пикселей.
В другом подходе происходит исключение пикселов в пределах мест обучения. В некоторых случаях природа классов затрудняет выбор места для обучения.
В настоящее время используют методы, использующие алгоритмы наращивания областей для определения правильности мест, начиная с исх. пикселей, который задаются аналитиком.
Анализ разделимости
Поле выбора обучающих пикселей должны быть определены признаки, которые будут использоваться в классификации классификатором. Признаками могут быть либо все данные, либо часть данных (исходные многоспектральные полосы). Так же в пространстве признаков мы можем использовать главные компоненты. Контролируемое обучение проводится с помощью тематических карт (а не характеристиками самих данных), то в этом случае у нас нет никакой уверенности в том, что наши классы будут отличимы друг от друга. Анализ разделимости может быть проведен на обучающих данных. Это делается, чтобы оценить ожидаемую погрешность классификации для различных комбинаций признаков. Результат этого анализа позволяет нам предположить, что некоторые из начальных признаков могут быть отброшены перед классификацией всего изображения. Выявление подходящей меры для разделения между классами - непростая задача. (Так как городской квартал, евклидово и угловое расстояния не подходят) Существует мера - нормированная мера городского блока, оно лучше подходит для разделимости средних классов, она будет пропорциональна разделимости средних классов и обратно пропорциональна среднеквадратическим отклонениям. Но если средние величины будут равны между собой, то результат у нас будет равен 0, независимо от дисперсии классов.
Данные меры L1 и L2 и угловое расстояние (ANG) зависят от угла, и не зависят от длинны вектора. Это свойство позволяет нашему угловому расстоянию быть полезным при классификации с данными, которые не будут учитывать топографическим значениями