DZODZO –– cvicviččeneníí 77
NeNeřříízenzenáá klasifikaceklasifikace
NeNeřříízenzenáá klasifikaceklasifikace
ZZÁÁKLADNKLADNÍÍ POJMYPOJMY
OBECNÝ POSTUP SHLUKOVOBECNÝ POSTUP SHLUKOVÁÁNNÍÍ
1. Definování (přibližného) počtu výsledných shluků
2. Určení počáteční polohy centroidu pro každý shluk
3. Postupné přiřazení všech pixelů k tomu shluku, k
němuž mají v příznakovém prostoru nejblíže
4. Výpočet nové polohy centroidu pro každý shluk na
základě přiřazených pixelů
5. Opakování kroku 3 a 4 do té doby, dokud se poloha
shluku či počet pixelů zařazených do shluku výrazně
nemění
6. Přiřazení konkrétního významu každému tzv.
stabilnímu shluku
7. Vytváření informačních tříd spojováním (agregací) tříd
spektrálních
ALGORITMY SHLUKOVALGORITMY SHLUKOVÉÉ ANALÝZYANALÝZY
• algoritmy předpokládají, že dopředu známe (alespoň
přibližně) počet shluků, do kterého si přejeme rozdělit
vstupní soubor
• výpočet začne s náhodnými shluky
• jednotky se poté postupně přesouvají mezi jednotlivými
shluky tak, aby:
– minimalizovaly variabilitu mezi jednotkami uvnitř jednoho shluku
– maximalizovaly variabilitu mezi jednotlivými shluky
•• metoda Kmetoda K –– prprůůmměěrrůů ((KK--meansmeans))
•• ISODATAISODATA ((IterativeIterative SelfSelf--OrganisingOrganising DataData AnalysisAnalysis TechniqueTechnique))
NeNeřříízenzenáá klasifikace vklasifikace v GeomaticeGeomatice
AnalysisAnalysis –– ImageImage ClassificationClassification –– UnsupervisedUnsupervised……
• výběr snímku
• New Session… - základní konfigurace
– přidání nového (8-bitového) pásma pro výstup (Add Layer…)
vstupní pásma
(nezahrnujte
termální pásma)
nové výstupní pásmo
KK--meansmeans
•• hlavnhlavníí parametryparametry
–– maximmaximáálnlníí popoččet výsledných tet výsledných třřííd (= pod (= poččet shluket shlukůů))
–– maximmaximáálnlníí popoččet iteracet iteracíí
•• dopldoplňňujujííccíí parametryparametry
ISODATAISODATA
•• hlavnhlavníí parametryparametry
–– minimminimáálnlníí, maxim, maximáálnlníí a poa požžadovaný poadovaný poččet shluket shlukůů
–– maximmaximáálnlníí popoččet interakcet interakcíí
•• dopldoplňňujujííccíí parametryparametry
Agregace tAgregace třříídd
• vytvoření nového rastrového pásma
• v záložce Files – PTM na vybraném souboru - New – Raster Layer
AnalysisAnalysis –– ImageImage ClassificationClassification ––
PostPost--classificationclassification AnalysisAnalysis –– AggregateAggregate
• volba vstupního pásma – pásmo s výsledky klasifikace (spektrální
třídy)
• volba výstupního pásma – nově vytvořené pásmo
• vlastní agregace
– spektrální třídy jsou pomocí Add spojovány do tříd výsledného
klasifikačního schématu
– informační třídy lze jednotlivě přidávat pomocí New nebo nahrát celé
přepřipravené klasifikační schéma z textového souboru (vhodnější)
– řada možností zobrazení pro usnadnění rozpoznávání tříd – View
Controls, Highlight Classes, …
ShlazenShlazeníí výsledkvýsledkůů klasifikaceklasifikace
• využití nízkofrekvenční filtrace pro shlazení výsledků klasifikace
• eliminace samostatných pixelů nebo příliš malých ploch v obraze („zrnění“)
MODMODÁÁLNLNÍÍ FILTRFILTR
• v základní nabídce filtrů (PTM na vrstvě –Filter… – Mode)
• parametr – velikost filtrovacího okénka
SIEVE FILTERSIEVE FILTER
• Tools – Algorithimic Librarian…
• Image Processing – Image Filtering – SIEVE
• volba vstupního pásma, uložení výsledku
• parametry
– velikost nejmenšího polygonu, který má být zachován
– definice sousedství
DZODZO -- cvicviččeneníí
ZadZadáánníí a výstupya výstupy
k protokoluk protokolu čč. 2. 2
ÚÚKOLYKOLY
• ze snímků vyřežte shodné území o velikosti 1000x1000
pixelů
• klasifikujte oba zpracovávané výřezy pomocí neřízené
klasifikace
– vyzkoušejte různá nastavení parametrů jednotlivých metod
– vyberte nejvhodnější nastavení a proveďte klasifikaci
– uložte zprávu o klasifikaci
• spektrální třídy agregujte do informačních tříd
odpovídajících vámi zvolenému klasifikačnímu schématu z
protokolu č.1
• proveďte shlazení klasifikovaného (agregovaného) snímku
• pro výsledný obraz zjistěte plochu a počet pixelů
jednotlivých tříd
• vizuálně ohodnoťte úspěšnost klasifikace
– celkově
– pro jednotlivé druhy povrchu
PoznPoznáámky k vypracovmky k vypracováánníí II
OOŘŘEZEZ –– 1. sn1. sníímekmek
• Definování území (Define Clip Region)
– metoda User-entered Coordinates
– typ souřadnic Raster offset/size
– posun čtverce v náhledu
• Výstup (Output)
– výsledný/cílový soubor
– uložení vektoru ořezu pro další použití – Output Clip
Boundary Vector
OOŘŘEZEZ –– 2. sn2. sníímekmek
• ořez dle vektoru – Select a Clip Layer
PoznPoznáámky k vypracovmky k vypracováánníí IIII
AGREGACE TAGREGACE TŘŘÍÍDD
• textový soubor (*.txt) s klasifikačním schématem
– na řádcích jsou definovány jednotlivé třídy
– základní schéma zápisu:
pořadové_číslo | jméno_třídy |
např. 1 | zástavba |
• nahrání schématu do agregace
– Class Initialization…
– záložka Text File – zvolte vytvořený textový soubor -
OK
– následně vhodně upravte barvy (defaultně jsou
všechny třídy černou)
VÝSTUPYVÝSTUPY
• princip dostupných metod neřízené klasifikace v
programu Geomatica
• zvolená metoda pro jednotlivé snímky
• použité hodnoty parametrů
• schéma agregace spektrálních tříd do informačních (vč.
barevného schématu)
• reprezentativní výřez klasifikovaného snímku před a po
agregaci
• shlazený klasifikovaný obraz
• plocha a počet pixelů jednotlivých tříd
• vizuální hodnocení úspěšnosti klasifikace
• hodnocení úspěšnosti klasifikace jednotlivých tříd
doplněné výřezy ze snímku
Burian, SvobodováLidar Remote Sensing for Ecosystem Studies
Crhová, Pilchová
Extracting urban vegetation characteristics
using spectral mixture analysis and decision
tree classifications10.12.
Stuchlík, Vereš
Wavelet analysis of MODIS time series to
detect expansion and intensification of rowcrop
agriculture in Brazil
Janáčová, Kluzová
Use of normalized difference built-up index in
automatically mapping urban areas from TM
imagery
26.11.
Kuska
Multiple Classifiers Applied to Multisource
Remote Sensing Data
Kučera, Tomaštík
Geo-Wiki.Org: The Use of Crowdsourcing to
Improve Global Land Cover
19.11.
Pohanková, Zvara
UAV Photogrammetry for Mapping and 3D
Modeling – current status and future
perspectives
Fasurová, Ondráčková
Spatial Analysis of Global Urban Extent from
Night Lights
5.11.
StudentiPrezentaceDatum
Hladík, Hrbatová
Using a Binary Space Partitioning Tree for
Reconstructing Polyhedral Building Models
from Airborne Lidar Data
Jankovičová,
Matušková
Support vector machines in remote sensing:
A review
13.12.
Fiedor
Building Extraction from High Resolution
Imagery based on Multi-scale Object Oriented
Classification and Probabilistic Hough
Transform
Tarabusová
Evidence of Walls in Oblique Images for
Automatic Verification of Buildings
29.11.
Vystrčilová
Remote Sensing of Vegetation from UAV
Platforms using Lightweight Multispectral and
Thermal Imaging Sensors
Kučera, Tomaštík
Geo-Wiki.Org: The Use of Crowdsourcing to
Improve Global Land Cover
22.11.
Kantor, Spál
Fusion of multi resolution remote sensing
data for urban sprawl analysis
Gajdošová, Kůsová
Unsupervised Fuzzy Classification of
Multispectral Imagery Using Spatial-Spectral
Features8.11.
StudentiPrezentaceDatum