Klasifikace

Automatická klasifikace obrazových dat DPZ představuje řadu metod a přístupů digitálního vyhodnocení snímků. Historicky dřívější metody automatické klasifikace zahrnují metody klasifikace tzv. „per-pixel“. Do tohoto okruhu klasifikačních algoritmů patří řada metod řízené a neřízené klasifikace. Mezi algoritmy řízené klasifikace patří například Maximum Likelihood, Parallelepiped nebo Nearest Neighbour. Tyto metody umožňují klasifikaci jednotlivých pixelů do uživatelem definovaných tříd pomocí vyhodnocených vlastností tzv. tréninkových množin. Uživatel má tedy možnost ovlivnit výsledek klasifikace výběrem vhodného vzorku tréninkových množin.
Mezi algoritmy neřízené klasifikace patří například metoda ISODATA, K-means clustering nebo Fuzzy K-means Clustering. Tyto metody jsou založeny na principech shlukové analýzy, tedy pouze statistického rozdělení pixelů příznakového prostoru do shluků. Uživatel má možnost například vybrat počet cílových tříd. V konečném kroku uživatel interpretuje výsledek získaných shluků do klasifikačních tříd. Shluky obsahující více cílových tříd je možné dále dělit pomocí neřízené klasifikace do nových shluků v libovolném počtu. Tato metoda má významnou výhodu v rychlosti vyhodnocení. Všechny uvedené postupy řízené i neřízené klasifikace jsou implementovány např. v prostředí programu Geomatica.
Metody klasifikace „per-pixel“ umožňují vyhodnocení pouze v příznakovém (spektrálním) prostoru, nezahrnují ve výpočtech geografický prostor. Alternativním přístupem jsou nově vyvíjené postupy tzv. objektově-orientované klasifikace (OBIA – Object-oriented Image Analysis) s využitím v současné době jediného software řešení Trimble eCognition.

 

OBIA: Objektově-orientovaná analýza obrazu


Objektová metoda klasifikace (OBIA) umožňuje zahrnout do postupu zpracování i například kontextuální a další informace. Motivací tohoto nového přístupu bylo napodobení vizuální interpretace snímků člověkem. Člověk při vizuální interpretaci nevyhodnocuje jednotlivé, v geografickém prostoru oddělené, pixely, ale postupně zaostřuje oko na homogenní celky snímku a podle barevných (spektrálních), tvarových, velikostních, kontextuálních, texturálních a dalších informací rozpoznává jednotlivé objekty. Tento princip je možné do určité míry napodobit a přenést do počítače, tak aby stroj prováděl vyhodnocení snímků. Aby bylo možné uplatnit tento princip je nutné nejprve snímek rozdělit do „homogenních“ celků reprezentujících objekty reality a pak aplikovat klasifikační model. Získávání objektů, tedy dělení obrazových dat v geografickém a příznakovém prostoru, je založeno na segmentačních algoritmech. Existuje řada přístupů k segmentaci (řízená, neřízená; shora – dolů nebo zespodu – nahoru) a jsou založeny na různých přístupech definice homogenity. Mezi představitele patří Watershed Segmentation, Local Contrast Segmentation, Texture Segmentation, Region Growing Segmentation. Úspěšnou metodou segmentace implementovanou v software eCognition (dříve Definiens) je Region Growing Segmentation v označení Multiresolutional Segmentation. Tato metoda umožňuje vytvářet propojenou hierarchii segmentů v různých úrovních rozlišení, což odpovídá též vizuálnímu přístupu klasifikace. Tato metoda umožňuje parametrizaci měřítkového faktoru a dále dělení vah pro spektrální a tvarové vlastnosti objektů.
Klasifikační model používaný v objektových klasifikacích může být založen na tzv. tvrdých nebo měkkých klasifikátorech. V případě softwarového produktu eCognition je možné aplikovat klasifikátor Nearest Neighbour na základě vybraných tréninkových množin nebo vytvořit fuzzy model umožňující přepis vágních výrazů do matematického zápisu, případně aplikovat jednoduše prahování. Fuzzy modelování se využívá úspěšně tam, kde existuje expertní znalost problematiky a vyžaduje komplexní popis. Příkladem může být vágní popis objektů na rozhraní tříd louky a lesa klasifikovatelné jako křoviny přecházející v les: „spíše podélné objekty se spektrálními příznaky mezi trávou a listnatým stromem sousedící s lesem“. Tento slovní zápis je možné přepsat pomocí fuzzy funkcí příslušnosti a logických operátorů (and, or, not) do matematického výrazu.

Textový zápis jednoduchého fuzzy modelu:
Class Name=”Shrubs”
Term Operator=”and (min)”
Feature Name=”Rel. border to Forest” Membership-Function=”Ascending” Left-Border=”0.5” Right-Border=”0.75” /
Feature Name=”Length/Width” Membership-Function=”Ascending” Left-Border=”2.” Right-Border=”3.” /
Feature Name=”Mean Layer 3” Membership-Function=”Ascending” Left-Border=”80.” Right-Border=”90.” /
Feature Name=”NDVI100” Membership-Function=”Descending” Left-Border=”20.” Right-Border=”30.” /

Tvorba klasifikačních modelů v prostředí eCognition se provádí pomocí plně grafického prostředí.

Kromě základních fuzzy operátorů je možné využívat pravidla „JESTLIŽE-PAK“ . V kombinaci s funkcí loop (smyčka) je současně možné vytvářet například rekurzní pravidla. Tento implementovaný koncept umožňuje tvorbu složitých a komplexních fuzzy modelů, které jsou pak označovány jako znalostní báze. Jednou z důležitých a sledovaných vlastností je přenositelnost těchto bází mezi jednotlivými družicovými scénami a lokalitami. Jednodušším přístupem je aplikace prahování na vybrané příznaky. Tento přístup je rychrlý, má ovšem řadu omezení. Pahování se uplatňuje především na odvozené příznaky (např. NDVI, NDWI, WI, aj.) a ne na primární měřené spektrální hodnoty. Cílem je tedy najít vhodnou sestavu odvozených příznaků (customized features) pro jednotlivé klasifikační třídy, tak aby bylo možno využít principu prahování minimálních nebo maximálních hodnot histogramu.

 

nahoru

Software


Nabídku software Trimble eCognition najdete na této stránce, nabídku software PCI Geomatics najdete zde.

 

nahoru