Лекция3 (1) [другая]
.pdf
Теория и алгоритмы распознавания образов
Приемлемую точность классификации на эталонах в данном случае дает только метод максимума правдоподобия
Большое количество точек и даже некоторые участки попали в класс воды
Файл расстояний тоже выглядит не слишком удачно
Теория и алгоритмы распознавания образов
В чем причина ошибок, если метод самый «мощный»?
Гистограммы воды и почвы в пятом канале
При классификации по максимуму правдоподобия
класс с большой дисперсией
рискуют попасть все точки однородных по яркости классов, значительно отличающиеся от эталонов этих классов
При классификации по минимуму расстояния до центра класса (евклидового или Махаланобиса) эта проблема не возникает
Теория и алгоритмы распознавания образов
А теперь воспользуемся для создания эталонов инструментом Seed Properties
Гистограмма воды в пятом канале
Наилучшим методом в данном варианте оказалось расстояние Махаланобиса
Результат классификации |
Файл расстояний |
Вся вода классифицирована правильно, и файл расстояний выглядит гораздо лучше. Хуже разделились почвы и песчаные карьеры (для них требуются менее однородные эталоны или большее их количество)
Теория и алгоритмы распознавания образов
|
Распределение расстояний для воды в первом |
Распределение расстояний для воды во втором |
|
||
|
варианте классификации |
варианте классификации |
Распределение расстояний для сосны в первом |
Распределение расстояний для сосны во |
варианте классификации |
втором варианте классификации |
Теория и алгоритмы распознавания образов
Общая оценка точности классификации
Для оценки общей точности классификации необходимо построить матрицу ошибок для всего классифицированного изображения
Для оценки общей точности используются точки, про которые аналитику точно известно, к какому классу они относятся. В ERDAS Imagine для оценки общей точности имеется функция Accuracy Assessement
Точки могут быть нанесены самим аналитиком данных или расставлены по изображению случайно, с помощью генератора случайных чисел
Эксп\Алг |
Класс1 |
Класс2 |
… |
КлассK |
Общая точность |
||||||
Класс1 |
n11 |
|
n12 |
… |
n1N |
||||||
|
|
1 K |
|||||||||
|
|
|
|
|
… |
|
|
|
|
||
|
|
|
|
|
|
|
|
|
|||
Класс2 |
n21 |
n22 |
|
|
n2N |
|
|
nkk |
|||
|
|
|
|
|
|
|
|
|
|
||
… |
… |
… |
… |
|
… |
|
N k 1 |
||||
|
|
|
|
|
|
|
|
|
|
|
|
КлассK |
nN1 |
nN2 |
… |
nNN |
|
|
|
|
|||
В функции Accuracy Assessment кроме средней точности рассчитывается еще коэффициент каппа Коэна - «коэффициент согласованности» решений двух независимых экспертов, учитывающий случайный фактор при принятии этих решений
1 1 P0 |
P0 Pe |
P0 |
Pe |
n1k n2k |
|
12 |
n1k n2k |
||
|
|
|
|
|
|
K |
|
|
K |
|
|
|
|
|
|
k 1 N N |
|
N |
|
1 Pe |
|
1 Pe |
|
|
|
k 1 |
|||
n1k – число решений первого эксперта (аналитик) в пользу класса k
n2k – число решений второго эксперта (алгоритм) в пользу класса k
Теория и алгоритмы распознавания образов
Общая оценка точности классификации: пример для фрагмента OLI (Landsat-8)
Качество эталонов восьми классов позволило выполнить классификацию по минимуму расстояния
Теория и алгоритмы распознавания образов
Общая оценка точности классификации: пример для фрагмента OLI (Landsat-8)
В целом результат классификации выглядит вполне прилично
Теория и алгоритмы распознавания образов
Функция Accuracy Assesment
Колонка Class в таблице – это результат классификации пикселя, колонка Reference – это класс, назначенный аналитиком по результатам анализа территории
Результат полученных оценок зависит от метода формирования контрольной выборки и ее размера: чем больше классов, тем больше нужно контрольных точек
Общий вид отчета по оценке точности
Теория и алгоритмы распознавания образов
Переход от результата классификации к тематической карте
Необходимый инструментарий находится в группе GIS Analysis блока Interpreter
После классификации изображение имеет смысл хотя бы один раз сгладить с помощью функции Neighborhood
Замечание: в функции Accurasy Assessment имеются |
Результат сглаживания окном 3х3 |
|
|
возможности оценивать точность с учетом |
|
окрестности |
|
Теория и алгоритмы распознавания образов
Переход от результата классификации к тематической карте
Первым шагом при переходе к тематической карте является сегментация (функция Clump)
После этого необходимо удалить мелкие области. Чаще всего используется функция Eliminate – поглощение мелких областей крупными. В ней задается минимальный размер области, который нужно оставлять
Результат сегментации (Clump): яркость |
Результат выполнения функции Eliminate |
соответствует порядковому номеру области |
(минимальный размер области 50 пикселей) |
Теперь результат можно преобразовать в векторный слой