Digitális képanalízis

Az előadások a következő témára: "Digitális képanalízis"— Előadás másolata:

1 Digitális képanalízis
Tematikus osztályozás

2 Tematikus osztályozás
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: Döntésfüggvény:
minimum és maximum vektor Döntésfüggvény:

17 Box-módszer Előnyök: Hátrányok: pontosabb osztályleírás gyors számítás
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: Tananyag: Előny: Hátrányok:
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