Loading

Module 1: Filtro e classificazione delle immagini

Note di Apprendimento
Study Reminders
Support
Text Version

Classificazione immagine vigilata

Set your study reminders

We will email you at these times to remind you to study.
  • Monday

    -

    7am

    +

    Tuesday

    -

    7am

    +

    Wednesday

    -

    7am

    +

    Thursday

    -

    7am

    +

    Friday

    -

    7am

    +

    Saturday

    -

    7am

    +

    Sunday

    -

    7am

    +

Video 1

Ciao a tutti e benvenuti a una nuova discussione e che avremo sulle tecniche di classificazione delle immagini vigilate. E inoltre discuteremo anche di limitazioni della classificazione vigilata o delle tecniche di classificazione generale. Come sappiamo abbiamo già discusso questa parte che ci sono 2 tipi di classificazione che facciamo in telerilevamento o sulle immagini di telerilevamento. La prima è una classificazione non supervisata che abbiamo già discusso e un'altra è la classificazione vigilata. Come abbiamo anche discusso ma molto brevemente citerò lo scopo della classificazione è quello di creare un dato di immagine in continuo cambiamento per creare una mappa e che sia meglio interpretabile e facile da usare dai decisori. Quindi due tecniche uno è non supervisore che significa completamente basato su computer non c'è molto l'intervento umano. E la classificazione vigilata che in ognuno e ogni passo gli interventi umani ci sono e soprattutto per i set di allenamento che qui è la cosa più importante. E in base ai set di allenamento e poi alle corrispondenti statistiche e poi scegliere una tecnica di classificazione appropriata andiamo per la classificazione e infine anche noi andiamo per una valutazione di accuratezza che vi dimostrerò nella prossima dimostrazione che avremo dopo questa discussione sulla classificazione vigilata. Una classificazione vigilata perché ci sono interventi umani ci sono e quindi una conoscenza preventiva di quell' area è richiesta e poi può essere eseguita solo la classificazione vigilata. Se le informazioni di Prior sulla superficie di cui quell' immagine satellitare appartiene se quell' informazione non è disponibile allora si dovrebbe andare per una classificazione non supervisionata piuttosto che una classificazione supervisionata Tuttavia se si è molto bravi sulle tecniche di interpretazione delle immagini e avere molta esperienza di interpretazione di immagini allora ancora si può andare a ricorrere alla supervisione della classificazione perché mentre si selezionano i set di formazione e che sono alla base della classificazione supervisore. Se c'è fiducia nella selezione dei set di formazione nella classificazione supervisionaria, allora è possibile che la classificazione vigilata possa essere raggiunta con una buona precisione. Così dove si sa che questa cosa si deve davvero ricordare che la conoscenza preventiva è molto richiesta perché l'esperienza è lì di interpretazione dell'immagine poi si può sentire che classi diverse che sono presenti nell'immagine o nella scena possono avere un tipo convenzionale. Ad esempio le classi di copertura convenzionali per un esempio significa che potrebbero essere forestali di tipo diverso in base alla densità. Possiamo dire foresta altamente densa o foresta aperta e poi potremmo avere una terra agricola in quella scena e potremmo essere stati costruiti terreni, potremmo essere a piedi nudi e conosci sprechi. Quindi tutti questi possono essere inseriti nelle classi di copertura convenzionali. Se un'immagine appartiene a un'area collinare allora si deve fare molta attenzione. Se l'immagine appartiene alla zona costiera allora è necessario un altro tipo di cura. Tuttavia sempre necessario è sottolineato qui che è necessaria la conoscenza preventiva. Se questo non c'è e poi sperimentare se non c'è allora ci potrebbe essere qualche altra fonte di informazioni altro lettore di mappe può essere utilizzato anche per addestrare o creare i set di formazione. Quindi i siti di formazione o i set di formazione vengono scelti per ognuna di quelle classi manualmente e questo viene fatto manualmente di grossolano su immagini digitali che vi mostrerò solo. E ogni sito di formazione sostanzialmente rappresenta una classe e non è necessario che per ogni classe vengano raccolti un solo set di formazione che possano essere raccolti molti set di formazione per una classe. Ad esempio se vedo e molte zone stanno avendo foreste poi in diverse aree raccoglierò set formativi e poi dire che se le caratteristiche spettrali di questi set di formazione sono uguali allora classificano come foresta. Così ogni sito di formazione o classe si traduce in una nuvola di punti che vedremo attraverso una figura in una dimensione n che è lo spazio di misurazione attraverso tre scatter dimensionali queste nuvole possono anche essere mostrate. E poi questo rappresenta la variabilità di diverse caratteristiche spettrali di pixel o firme in quella classe. Quindi qualunque sia la variazione all'interno di quella classe che prendo ho preso l'esempio della foresta.
Quindi qualunque sia la variabilità nella firma spettrale di una classe forestale ci sono raggruppati come uno. Come ad esempio qui quello che stiamo vedendo è un pre questo è un lato e un'immagine è lì di appartenere ad una zona costiera e qui sono stati selezionati diversi set di allenamento. E se mi concentro di dire sulle zone gialle allora questa è la sai che una parte nel corpo idrico è stata selezionata e dove dice che il loro sedimento ai sedimenti che significa potrebbe essere qualche sospeso o turbidità potrebbe esserci. Ma se ci si avvicina molto alle zone costiere che si trovano più sedimenti ci sono. Quindi sono il lato selezionato qui è diverso che è sedimenti uno. E poi si sa anche che l'acqua di mare è stata selezionata dove non vediamo firme o prove di sedimenti poi è l'acqua di mare che è stata selezionata. Così anche in tutta l'area queste cose sono state selezionate per una zona verde due siti di formazione sono stati selezionati che è una cellula di sanita ' e inizialmente si possono dare alcuni nomi. Ma più avanti su questi nomi può essere cambiato è per il set di allenamento. E uno in più è lì come qui gli alberi sono stati chiaramente identificati e che così ci sono 2 set di formazione quasi per ogni classe almeno ci sono 2 set di formazione per ogni classe ci sono. Si tratta sempre di una buona pratica e pur facendo questa classificazione vigilata che almeno 2 o più set di formazione per ogni classe devono essere selezionati all'interno di quell' immagine. In modo che si ottenga una migliore variabilità sulle caratteristiche spettrali contro ogni classe. E uno dice e questi ci sono stati e questo significa che il computer è stato addestrato su questi. Il passo successivo è quello di assegnare ogni classe a una classe spettrale e che appaiono o appartengono a base dei loro valori di pixel e all'interno di ciò vi si sa perché ci esibiremo su immagini a colori o falsi colori compositi così sulle fasce costitutive. E poi ci sono algoritmi di clustering che vengono utilizzati anche a cui sembrano queste nuvole di pixel in uno spazio n dimensionale. E poi la misurazione è fatta anche a seconda di quale tipo di algoritmo si usa. E i pixel che non cadono in nessuna di queste classi sono classificati come si sa non classificati o che non danno alcun tipo di allenamento lì. Per esempio qui una tridimensionale di 3 dimensioni sono state utilizzate in questo schematico e un ciò che sta mostrando banda 4 band 5 e banda 6. E questi sono i cluster che qui sono stati utilizzati per esempio potrebbero essere cluster per una zona e altri cluster potrebbero essere le onde di zona e un altro cluster è qui e così via. Ora come verrà assegnato il cluster come verrà fatto e che vedremo che gli algoritmi basati sui diversi algoritmi che vengono utilizzati nello spazio di misurazione per fissare che questo cluster appartenga a una determinata classe.

Video 2

Quindi l'algoritmo che vengono utilizzati sono quelli che sono la distanza minima alla classificazione principale e così che scopriamo che si sa il clustering come il clustering c'è se è molto open cluster allora questa distanza minima da dire sarà grande. Ma se ci sono ammassi stretti allora questa può essere una delle opzioni di tra gli algoritmi. Un altro algoritmo può essere una classificazione gaussiana di massima verosimigliante che la probabilità si basa sulla probabilità. E poi la classificazione parallela pipa è anche lì e vedremo presto una figura attraverso la quale cercheremo di capire tutte queste 3 tecniche di classificazione ben note che vengono utilizzate nella classificazione supervisionaria. E ognuno se ci mettiamo se usiamo lo stesso set formativo della stessa immagine ma quando classifichiamo usando questi tre diversi algoritmi è altamente probabile che potremmo ottenere 3 risultati diversi ma e potrebbero essere molto vicini. Ad esempio il metodo più semplice che è il primo che è la distanza minima è quello di significare è un in cui si tracciano il punto centrale teorico del cluster o del cloud point. E in base ai valori medi di quel cluster e punto ignoto viene assegnato al più vicino di questi e a quel punto viene quindi assegnata la classe di copertura. Così anche e ora lo vedremo e che in uno spazio dimensionale 2 piuttosto che nel 3 e solo per la comprensione e questo è di stima grossolana. Ma tutti e tre i metodi che ho appena citato sono stati utilizzati. Quindi questo è qui il primo top di sinistra A sta mostrando i diversi cluster di diverse classi e classi qui sono mostrati come cerchi sono mais e questo per fieno e altre aree urbane e desolanti.
Ora quando andiamo per la prima tecnica che è semplice la distanza minima per significare questa è quanta distanza viene calcolata un punto è la media complessiva è più veloce qui calcolato e poi si trova che quale cluster una distanza minima dalla media e poi la media di ciascuno questi cluster sono poi i loro cluster vengono assegnati classi diverse e poi si va per la classificazione. Quindi se guardiamo che la distanza minima che punto centro teorico o il cloud point è tracciata. Ecco qual è il punto teorico del centro teorico delle nuvole qui. E in base ai valori medi di questi cluster un punto ignoto viene assegnato al più vicino di questi e il punto ha poi assegnato la classe di copertura. Ecco quindi come funziona la distanza minima di distanza media per la classificazione media o l'algoritmo. Quando andiamo per il secondo uno come semplificato o parallelepipedo che si conosce piuttosto che la massima probabilità il terzo ci prenderemo quello. Così in un semplice parallelepipedo quello che stiamo trovando e quel diverso tipo di e invece di mezzo e sono scatole o demarcazione isdone su uno spazio bidimensionale. E poi qualunque sia i pixel che si trovano all'interno di queste demarcazioni vengono assegnati ad una determinata classe e questo algoritmo si chiama semplice parallelepipedo. C'è un parallelepipedo impreciso che si può vedere che i grandi ammassi stanno bene ma quando ci concentriamo qui troviamo che come per questo esempio di fieno qui è stata presa una vasta area e quindi ci sono anche sovrapposizioni. Quindi per evitare quelle sovrapposizioni e una come queste sono le sovrapposizioni che state vedendo qui e queste sono le sovrapposizioni e porteranno errori nella nostra classifica. Quindi in un preciso si evitano queste sovrapposizioni e piuttosto che creare solo rettangoli o si sa squarciarsi per coprire ogni classe una scatola molto precisa sono create come questa qui come potete vedere qui e allo stesso modo. Così questo darà una classificazione più precisa ed è per questo che si chiama preciso esempio di classificazione qui è anche in questa parte che è stand per l'acqua di scarto o forse scusate forse la classe d'acqua. Così anche questo può essere così diverso da una classe spettrale e può essere rappresentato qui e nella trama di dispersione bivariata. Ora la seconda opzione che è stata una lì il secondo algoritmo che è la massima verosimigliazione si basa su una probabilità grossolana. Così i contorni dicono che vengono disegnati e mentre si va via dal centro del cluster la probabilità riduce di ottenere quei pixel in quella particolare classe dal centro. Quindi i contorni sostanzialmente esprimono la probabilità che qualsiasi punto che appartenga a una determinata classe se ne prenda esempio allora in classe che è alla base del metodo di classificazione più probabile.
Quindi i pixel che stanno avendo questi valori stanno avendo la massima probabilità di essere classificati più accuratamente e mentre vado lontano dal centro la probabilità si riduce. Quindi potrebbero esserci dei like sulla zona di confine e potrebbe esserci qualche problema perché questi contorni di altra classe potrebbero anche sovrapponetarsi lì. Non è necessario che questi contorni debbano essere circolari questi contorni possono avere anche forma elettrica elettrica. E che diciamo contorni equiprobabili anche così la classificazione può essere fatta. Quindi ci si può dire che ci sono la tecnica di classificazione complessiva del 4 così per cui sono algoritmi che vengono utilizzati nella classificazione vigilata uno è la distanza minima per significare poi si conosce la norma questa classifica di parallelepipedo poi precisa la classificazione parallela e l'ultima è la massima verosimigliante che si basa sulla base della probabilità. Ora come accennato poco fa si può vedere che i diversi algoritmi scelgono classi diverse in base a determinati metodi. Alcuni stanno usando significati alcuni si usano per conoscere i confini per definire classi diverse in alcuni questa come la massima verosimiglienza si basa sulla probabilità. E quindi è inevitabile che se metto tutti diversi algoritmi sulla stessa immagine con stessi set di allenamento sono legato ad avere risultati diversi. Ora ci può essere una domanda e quella che è la migliore e che può essere decisa solo una volta se stiamo avendo una conoscenza preventiva o dopo la classificazione attraverso tutte queste tecniche quando facciamo il ground truthing. E scopriamo che un particolare algoritmo ha dato il miglior risultato allora per quella particolare area si può dire che questa tecnica di classificazione o questo algoritmo di classificazione sia stato formato bene. Ma sulla stessa immagine se la stagione è cambiata una data di data diversa sono un'immagine di data anno diversa lì si possono ottenere risultati diversi. Quindi in un solo particolare immagine minima dire la massima probabilità massima forse un più può dare risultati più migliori. E in qualche altra data o stagione della stessa zona o forse dello stesso sensore se uso di nuovo allo stesso modo potrei trovare che la distanza minima per significare MDM stia dando risultati migliori. Quindi questo è un qualche base altamente soggettivo e la classificazione la cosa migliore è trovare la parte di precisione in seguito. L'informazione preventiva o la conoscenza preventiva di quell' area aiuteranno sempre e darà i migliori risultati nella classifica. Ora vi mostrerò gli esempi di classificazione 2 o di utilizzo di 2 classifiche una è la prima opzione che è la distanza minima a significare che è lì che potete vedere qui. E un altro è il metodo basato sulla probabilità su questa una classificazione che è massima di probabilità. E quello che scopriamo che ci sia il numero delle classi è stato mantenuto lo stesso ma se si inizia a focalizzarsi su aree sagge o diverse si può trovare che alcuni stanno ottenendo una classe migliore classificata meglio attraverso una classificazione alcune classi e alcune si stanno classificando meglio utilizzando un'altra classe. Per esempio qui trovo che qui in esso si stia ottenendo una massima probabilità massima che la massima probabilità stia dando risultati più lisci. E anche se i set di allenamento sono gli stessi che sono stati utilizzati per questi 2 algoritmi di classificazione. Quindi c'è nella stessa immagine gli stessi set di allenamento 2 differenti algoritmo 2 risultati diversi. Questo è il momento in cui uno è corretto di nuovo come ho detto che deve essere verificata la verifica dell'accuratezza deve essere fatto allora solo si può dire che una particolare classificazione per quella particolare area è stata trovata migliore o più adatta. Così questo dice come mi sono ricordato che questa classificazione è molto soggettiva. In secondo luogo finora non ho toccato la risoluzione spaziale. Il grossista la risoluzione spaziale e meglio i risultati che uno può avere perché la differenza nelle caratteristiche spettrali e all'interno della formazione setsa non può essere il più rispetto alle immagini satellitari ad alta risoluzione spaziale. Così di più conosci il confine in termini di risoluzione spaziale e lo stesso anche in termini di risoluzione spettrale. Che se si sta avendo una piega più ampia come in precedenza Landsat MSS o anche Landsat TM è possibile ottenere risultati molto lisci piuttosto che spettrali nella propria immagine nella mappa classificata. Ma se si va per immagini satellitari a risoluzione superiore e poi la caratteristica spettrale per diversi set di allenamento varierà molto e quindi l'output potrebbe non essere altrettanto preciso che uno vorrebbe averlo. Quindi questo significa quello che possiamo dire in questa fase che questi algoritmo di classificazione dipendono anche da una risoluzione spaziale oltre che dalla risoluzione spettrale o caratteristica. Così grossista queste cose sono i risultati migliori che si possono ottenere però ma a quella scala potrebbe essere buona. Ma andiamo per una risoluzione spaziale superiore alta risoluzione spettrale la nostra aspettativa attraverso la classificazione è molto di più e quindi dobbiamo essere molto attenti mentre si scelgono i set di formazione sull'immagine satellitare ad alta risoluzione spaziale. Più cure è richiesta con l'alta risoluzione spaziale rispetto alle immagini satellitari a risoluzione relativamente grossolana. Questo è ciò che molto della precisione di classe della classificazione dipenderà da molte cose soprattutto mi riferisco alla classificazione supervisore e perché dipende dalla risoluzione spaziale da cui dipende da quale banda hai scelto e poi dipende dal tuo allenamento impostato quanto accuratamente, quanto abilmente hai raccolto questi set di allenamento. E poi valutare finalmente la parte di precisione della tua precisione di classificazione può essere valutata attraverso la tecnica statistica e la precisione deve essere valutata se si desidera sviluppare una mappa di utilizzo del suolo altamente affidabile o la carta di copertura forestale sono fuori da tramite questa tecnica di classificazione o una mappa litologica e poi la verità al suolo è molto richiesta. E se un terreno nel terreno se è stato controllato come un'immagine è stato classificato come un budgie denso o denso ma quando andiamo in campo, scopriamo che è foresta aperta non densa foresta. Poi ancora e i set di allenamento devono essere cambiati e la classificazione deve rifare nuovamente in modo che corrisponda con la verità al suolo. Quindi ci sono molto di soggettività lì non ci sono meno lo scopo principale qui è quello di ridurre il numero che conosci io dico immagine continua e attraverso queste tecniche di classificazione stiamo riducendo in alcune categorie e discretizzando i dati del tutto in poche classi. Così questo porta a termine questa breve discussione sulla classificazione supervisionaria grazie mille.