Digitális képanalízis Tematikus osztályozás

Tematikus osztályozás Elnevezések: klasszifikáció (classification) térképezés (thematic mapping) klaszterezés (clustering)

Lehetséges térképezési folyamatok

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

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

A tesztkép

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

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

Alapkérdés az intenzitástérben ? Landsat TM B3-B4

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

Legközelebbi középpont Osztályjellemzés: átlagvektor Döntésfüggvény:

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

MD-eredmény (4 osztály)

MD-eredmény (10 osztály)

Legközelebbi középpont osztályozás eredménye

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

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

Legnagyobb valószínűség Osztályjellemzés: átlagvektor kovariancia mátrix Döntésfüggvény:

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

ML-eredmény (4 osztály)

ML-eredmény (10 osztály)

ML-eredménykép

Valószínűség-kép

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

Mahalanobis-eredmény A – Komárom B – Esztergom

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

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

Neurális eredménykép

Neuro-fuzzy eredménykép

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

Alosztályos ML-eredmény

Szabályalapú osztályozás

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

Nem-ellenőrzött osztályozók k-means ISODATA neurális hálózat

K-means módszer Algoritmus: mintavételezés „véletlen” klaszterjellemző felvétele minták besorolása klaszterjellemzők számítása megállás? vissza 3.-ra?

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

ISODATA-eredmény (ETM+)

ISODATA-eredmény

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

SOM-eredménykép

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