Az előadás letöltése folymat van. Kérjük, várjon

Az előadás letöltése folymat van. Kérjük, várjon

Digitális képanalízis Tematikus osztályozás. Elnevezések: –klasszifikáció (classification) –térképezés (thematic mapping) –klaszterezés (clustering)

Hasonló előadás


Az előadások a következő témára: "Digitális képanalízis Tematikus osztályozás. Elnevezések: –klasszifikáció (classification) –térképezés (thematic mapping) –klaszterezés (clustering)"— Előadás másolata:

1 Digitális képanalízis Tematikus osztályozás

2 Elnevezések: –klasszifikáció (classification) –térképezés (thematic mapping) –klaszterezés (clustering)

3 Lehetséges térképezési folyamatok

4 Az eljárások csoportosítása Ellenőrzött (supervised) felügyelt Nem-ellenőrzött (unsupervised) nem felügyelt automatikus klaszterezés (clustering)

5 Ellenőrzött osztályozás Kérdés: egy kép pixelei hogyan sorolhatók tematikus osztályokba? Másként: az adott pixel mit ábrázol?

6 A tesztkép

7 A kísérletekben szereplő tematikák: erdő vízfelület rét lakott terület tűlevelű erdő lombos erdő liget cserjeerdő rét szántó parlag ritka beépítés sűrű beépítés vízfelület

8 Tananyag Ellenőrző adat = terepről gyűjtött információ (ground truth information) –2/3 rész: „tanításra” (paraméterezésre) –1/3 rész: tesztelésre Fajtái: –pontszerű (elszórt pixelek) –vonalszerű (lineáris elemek) –felületszerű (poligonok) Megoszlás: –egy tematikus osztály = egy tanuló terület –egy tematikus osztály = több tanuló terület

9 Alapkérdés az intenzitástérben ? Landsat TM B3-B4

10 Néhány ellenőrzött osztályozó Legközelebbi középpont módszer (minimum distance) Hipertégla vagy Box-módszer (paralelepipedon) Legnagyobb valószínűség módszer (maximum likelihood) Hibrid módszerek Neurális hálózatok

11 Legközelebbi középpont Osztályjellemzés: –átlagvektor Döntésfüggvény:

12 Legközelebbi középpont Előnyök: –egyszerű osztályleírás –gyors számítás Hátrányok: –nehézségek azonos távolságok esetén –átfedő osztályok kezelhetetlensége

13 MD-eredmény (4 osztály)

14 MD-eredmény (10 osztály)

15 Legközelebbi középpont osztályozás eredménye

16 Box-módszer Osztályjellemzés: –minimum és maximum vektor Döntésfüggvény:

17 Box-módszer Előnyök: –pontosabb osztályleírás –gyors számítás Hátrányok: –átfedő részek –kívül eső részek

18 Legnagyobb valószínűség Osztályjellemzés: –átlagvektor –kovariancia mátrix Döntésfüggvény:

19 Legnagyobb valószínűség Előnyök: –(gyakran) pontos osztályleírás –jó paraméterezhetőség Hátrányok: –bonyolult számítási eljárás –lassú számítás

20 ML-eredmény (4 osztály)

21 ML-eredmény (10 osztály)

22 ML-eredménykép

23 Valószínűség-kép

24 Változatok ML-módszerre logaritmusos formula: Mahalanobis-távolság: …

25 Mahalanobis-eredmény A – Komárom B – Esztergom

26 Hibrid módszerek Gyors és kellően pontos módszer érdekében Változatai: –Box + legközelebbi középpont –Box + legnagyobb valószínűség

27 Neurális hálózatok Eszköze: –backpropagation hálózat Tananyag: –közvetlenül a pixelek intenzitásértékeivel Előny: –bonyolult, összetett intenzitáshatár-képzés –részosztályok kezelhetősége Hátrányok: –„black-box” tulajdonság –szakértelmet igényel

28 Neurális eredménykép

29 Neuro-fuzzy eredménykép

30 Megoldások a pontosságért Osztályszétválaszthatósági elemzés –pl. divergencia számítása Alosztályok –képzése, kezelése, majd egyesítése Távolság- vagy valószínűség-kép –létrehozása és elemzése Fuzzy logika alkalmazása Többszörös osztályozók használata

31 Alosztályos ML-eredmény

32 Szabályalapú osztályozás

33 Nem-ellenőrzött osztályozás Nincs tematikus osztály Nincs tananyag (ground truth) Cél: –csoportok (klaszterek) képzése lehetőleg automatikusan Alkalmazási példa: –homogén területek keresése

34 Nem-ellenőrzött osztályozók k-means ISODATA neurális hálózat

35 K-means módszer Algoritmus:  mintavételezés  „véletlen” klaszterjellemző felvétele  minták besorolása  klaszterjellemzők számítása  megállás? vissza 3.-ra?

36 ISODATA Iterative Self-Organizing Data Analysis Technique A hasonló algoritmus, mint a k-means klaszter szétvágás és egyesítés is lehetséges

37 ISODATA-eredmény (ETM+)

38 ISODATA-eredmény

39 Neurális hálózatok versengő (competitive) hálózatok –„winner-takes-all”-szabály önszerveződő leképezések (self-organizing maps – SOM)

40 SOM-eredménykép

41 Pontossági mérőszámok Hiba- (tévesztési) mátrix –(error matrix)(confusion matrix) Cohen-kappa


Letölteni ppt "Digitális képanalízis Tematikus osztályozás. Elnevezések: –klasszifikáció (classification) –térképezés (thematic mapping) –klaszterezés (clustering)"

Hasonló előadás


Google Hirdetések