Loading
Note di Apprendimento
Study Reminders
Support
Text Version

Filtro immagini e classificazione - Dimostrazione

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

In questo affrontiamo tre tecniche dimostrative o 3 che abbiamo già coperto nelle nostre discussioni o nelle lezioni. Uno è il filtro di convoluzione che mostrerò come è possibile modificare i filtri disponibili in un determinato software. E poi l'analisi dei componenti di principio e un'altra tecnica è il tratto decorativo. Così prima andrò a questa manifestazione. In questo software come abbiamo usato questa immagine continuerò ad usare quella è l'immagine spot di Mosca e poi e quello che andiamo per la verifica di questa tecnica di filtraggio e in questo ci andiamo qui per una tua casa e poi multispettrale e questa opzione di filtraggio qui. Così andremo a filtrare le opzioni e qui andiamo per il filtraggio della convoluzione di conversione. Tanti già i filtri già fatti ci sono e ogni volta che scelgo qualcuno di questi su questo lato destro sull'immagine stessa e gli effetti sono presi e l'anteprima viene mostrata in sostanza. Quindi se accetto qualsiasi di questi questo è quello che otterro 'otterro' risultati per esempio come questo. Così posso scegliere qualsiasi ma la voglia che vorrei mostrare che si può fare anche. Supponga se vado per il potenziamento edge e utilizzando un filtro a 7/7 questo è come appare il 7 questo filtro. Quindi perché si dice che si tratta di un grande filtro e il valore del centro è di grossolano +97 perché questo è un filtro passa alto. Quindi la variazione locale verrebbe evidenziata e le variazioni regionali sono ridotte quindi tutti gli altri valori cellulari di questo filtro di convoluzione sono negativi o -1. E così ma se voglio cambiare le dimensioni qui posso progettare il mio filtro. Così posso cambiare la mia taglia come da 7 automaticamente andrà a 9 e mi scuso 9 e poi 11 posso scegliere 11/11. E poi devo fornire i valori per tutte queste cose. E una volta che è lì posso eseguire il filtraggio di questa convoluzione. Tante opzioni ci sono già nel software. Così diversi softwares di grossolana forniranno un diverso tipo di filtri e uno può anche progettare e se vedo l'esempio di filtro passa basso che troppo di 11/11 come potete vedere qui queste sono 11 righe e 11 colonne sono presenti 11 colonne ci sono e nel dato che è il filtro passa basso quindi ogni valore è 1.So lotto di averaging sarà fatto e poi otterrete risultati di conseguenza. Ma se volete vedere una veloce revisione di quello che avrete sulla finestra giusta automaticamente arriva molto velocemente qui. Ecco quindi che ci sono altri ben noti filtri ben consolidati come Sobel 1 2 e 7 da 7 5/5 e filtri direzionali tutti i tipi di filtri possibili che si possono pensare sono già in costruzione. Ma uno ancora richiesto come per i suoi requisiti può anche aggiungere il design del proprio filtro e quindi eseguire le cose di conseguenza. Ora saremo sulla stessa immagine che cercheremo questa vostra principale analisi dei componenti. Così quando andiamo per l'analisi dei componenti principali facciamo quello che troviamo qui che questa è l'opzione disponibile attraverso pulsanti spettrali. E qui possiamo scegliere se posso esibirmi su tutta l'immagine o su una piccola immagine e poi posso di grossolano devo fornire e il posto dove terrò. Quindi mi tengo qui e poi posso dire che il coordinatore da bilk da dove arriveranno così potranno essere forniti anche questi dettagli. Dirò che così il fai sapere nel log di sessione e scrivi anche questi valori di matrice eigen e di eigen come questo, così questi possono anche essere scritti in una località che fornirò. Quindi location che sto fornendo è temp qui e stesso qui sto fornendo la cartella temporanea di posizione e il C Drive ok. E una volta che si va è possibile aprire anche il log in seguito e può vedere anche la matrice. Quindi mi va così bene se si tratta di un file big una volta può andare in modalità batch o uno vorrebbe esibirsi su più e ci sono anche altre opzioni. Quindi per il momento non sono di grossolano quanti componenti sono desiderati in quanto si tratta di un composto da tre bande falsi a colori. Quindi tutti e tre i componenti sono desiderati da questo. Ora l'elaborazione potrebbe richiedere un po' di tempo e continuerà a mostrarci lo status. E una volta fatto poi si possono vedere anche singoli componenti. Come si sa che nella componente principale alla massima variabilità arriverà il componente 1 e nel componente 3 si potrebbe avere la minima variabilità o solo componente di rumore potrebbe esserci. Se avremmo detto 6 band scenario come a Landsat c'è TM e poi allora possiamo sapere di non includere banda termica. Quindi dico 6 altrimenti ci sono 7 band. Quindi se prendo questo scenario da 6 band allora l'ultima band che posso andare per 6 componenti e ultimo componente savrà completamente rumor. Allo stesso modo, posso ottenere quei valori ma molto facilmente. Ora andrò a controllare che dove ha tenuto la grossolana e questi file ci sarebbero ma mi lasci andare per questo sono i due file che ha creato. E se apro questi file troverò forse notepad che potrò aprire e poi troverò questi entrambi i vettori eigen e la matrice eigen anche. Così si possono ottenere le informazioni statistiche relative ai componenti principali. E in secondo luogo di grossolano otterrò l'immagine qui e così permette di avere immagine anche. Così apro che uno va per questo e questa è l'immagine che qui è stata creata. E questo è il e questi componenti sono qui e io posso di grossolana ottenere immagini diverse e ci sono così posso ottenere solo l'uno strato anche se è assegnato colore rosso non importa. Posso cambiare il mio multi spettrale ho tutti gli strati appena in uno e questo è componente che sta avendo la massima variabilità. Se vado per il componente tre allora vado così e avrà una variabilità minima rispetto al componente uno. Così allo stesso modo si ottiene non solo la matrice eigen vectors eigen ma anche lei si ottiene tre componenti principal che si possono sempre rendere compositi a colori anche e come io farò qui e si ottiene un tale risultato che sono di grossolano la parte interpretativa di un compositore compositore principale composito sarà diverso ma fornirà molte variazioni nei valori dei pixel e si può anche andare per la classificazione di tali compositi o può utilizzare per altre interpretazioni o discriminazioni di oggetti diversi. Così anche l'analisi dei componenti di principio può essere fatta se l'immagine è più grande può richiedere molto tempo ma se le immagini è questa immagine non era di dimensioni molto grandi quindi ci voleva solo un minuto e ci saranno informazioni molto rapidamente. Ora andrò per un'altra tecnica di cui abbiamo discusso anche noi. Così di nuovo andrò a roster spettrale e poi decoro di decoro. Così in stile decorativo farò di nuovo l'immagine qui che la stessa immagine spot di Mosca che sto prendendo e dove metterò questa immagine che deve essere fornita quindi sto mettendo in quel temp e semplicemente ok. Così ora ho deciso la mia produzione e se vuoi puoi anche creare output in virgola mobile o qualunque cosa ma per il momento sto scegliendo come valore predefinito e chiedo che sia allungato anche. Così che io ottengo una cosa completa su qui il sistema di coordinate da dove questi arriveranno. Quindi lasciatelo continuare come da qualunque cosa ci siano perché è già il vostro riferimento quindi ho bisogno di non apportare modifiche qui e poi vado di nuovo per decorrelazione e ci vorrà un po' di tempo è inizializzabile e poi si creerà di nuovo un sacco di variabilità perché ricordare in principio analisi componente quando si vede nella analisi del componente principale ciò che è fatto in sostanza due passi c'è. L'origine viene spostata nel cluster in cui si sta avendo allora è allineato l'asse allineato come per la massima variabilità presente all'interno di un cluster e che diventa il tuo componente principale uno e perpendicolare a tale allineamento che asse PC1. Ci sarà un altro componente che è il componente di principio PC2 2 e perpendicolare a questi due componenti ce ne sarà un altro che è il componente principale tre allo stesso modo. Quello che stiamo facendo nel tratto decorativo stiamo ulteriormente allungando questi componenti di principio compo e provando che le immagini i valori dei pixel per occupare lo spazio massimo disponibile all'interno di quello spazio tridimensionale o in una gamma completa dinamica. Così anche noi andiamo per una maggiore variabilità e presente nelle immagini all'interno di questa immagine. Quindi ora aggiungeremo quell' immagine e questa è l'immagine smagliata decorata come potete vedere qui mi passerò di queste e prenderete questa qui e di grossolano io cambio questi colori e questo è quello che state ottenendo qui e potete scegliere i diversi schemi qui ok. E sì ora basta paragonare qui questa è stata la nostra immagine originale e questa è l'immagine di tratto decorata. Tanta discriminazione tra gli oggetti può essere fatta rispetto a semplice il tuo falso colore composito. Non importa che l'immagine qualunque cosa si potenzierà non raggiungerà in questa fase come si può fare attraverso il tratto decorativo. Quindi il tratto decorativo creerà un sacco di colori molta variabilità perché questi access principali si stanno allungando. E più loro andranno a occupare lo spazio massimo che è disponibile per ogni fascia o per ogni componente compreso tra 0 a 255. Questo è di grossolano uno scenario da 24 bit che significa per 8 ogni 8 ogni banda che stiamo avendo 8 band e 8 (()) (15.28) per pixel. Quindi in totale 3 3 ogni componente ci sono o 3 bande ci sono e quindi si sta avendo 24. Ma l'uscita come potete vedere che vi dimostrerò di nuovo solo e questa è la vostra immagine originale difficilmente si vede la discriminazione e una volta portate questo tratto decorativo che si può fare molto velocemente e si ottengono bellissimi risultati. Queste immagini poi vanno per la classificazione o l'interpretazione semplice dell'immagine e in tal modo e l'affidabilità della vostra interpretazione e classificazione possono aumentare in modo molto significativo.

Video 2

E ora andiamo per un'altra dimostrazione e questo è su questo usando questo software di dominio pubblico che è DIPS perché qui possiamo sviluppare una migliore comprensione delle cose e poi per una vera elaborazione si può andare per il software commerciale. Così oggi in questa particolare dimostrazione di utilizzo di questo stimolatore di elaborazione delle immagini digitali prima di tutto vi mostrerò l'affettatura di densità che abbiamo già discusso quando si discute della classificazione non supervisionata e della sgozzatura della densità e come anche come lezione separata. Ora come sapete che lo scopo principale di come classificazione o come sbrinamento di densità che ci potrebbero essere molti pixel di variabilità che hanno grande autonomia o in un'immagine continua vogliamo screditare e creare solo poche classi e allo stesso modo possiamo farcela. E questo qui in questa demo attraverso questo software possiamo vedere due o vedere la vista dei dati come visualizzati o possiamo vedere la vista dell'immagine. Manteniamo quindi la vista dei dati e perché vogliamo capire che come sta andando avanti e poi cercheremo di aggiungere diverse classi qui. Quindi se faccio rapidamente la scansione e poi quello che trovo che in questa immagine i valori sono i valori più bassi sono qui 10 e il valore più alto è la cosa 68. Così taglieremo questa immagine in poche fette. Così che la prima fetta che sceglieremo è tra 10 e tra 10 a questa tra 10 a noi avremo un 30 qui e poi aggiungeremo dei valori qui. Poi andiamo per un'altra fetta che si dice 31 ad avere 20 di gamma qui. Quindi 50 e poi andremo per un'altra fetta che è un 51 a noi diciamo 70 e allo stesso modo io cosa abbiamo completato tutti e tre. E poi quando selezioniamo questo allora diciamo che ok slacci questa immagine. Ora si vede che questa immagine ora possiamo vedere la vista dell'immagine e anche una vista affetta. Abbiamo solo per semplicità abbiamo creato solo 3 fette. Si può creare più fette o più classi se le informazioni precedenti sono lì come si può vedere che l'intera immagine che ha un lotto di gamma di pixel a partire da 10 a 68 è tagliata solo in tre classi. Ecco come e si tratta di una slicing di densità viene eseguita su immagine reale. Questo è uno stimolatore solo per la dimostrazione ma porta chiaramente il concetto di sgozzatura di densità qui che si può vedere. Ora la prossima cosa che vedremo è il classificatore e qui quello che faremo creeremo questi set formativi o la firma scegliendo diversi. Così io quando metto il cursore su questa immagine o questi valori lo so. Quindi dico che questo sarà il mio unico set formativo e poi dico se qualsiasi valore più vicino a questo allora posso includere anche nella mia formazione ambientata come questa di grossolana. E se voglio includere il 9 poi 10 è anche lì così mi limiterò a due location come stavo accennando quando discutevamo nella discussione teoria sulla classificazione vigilata che ho detto all'interno di ogni immagine è sempre meglio scegliere almeno due firme o due set di formazione. Quindi un set di allenamento che scelgo e poi dirò di mettere un valore qui e dire che questo è un terreno nudo tutto bene. E poi così ora ottengo il nostro massimo minimo che so perché solo tre pixel erano lì le statistiche medie e standard di deviazione disponibili anche allora scelgo un altro set un altro allenamento impostato da te che clicca qui crea un nuovo set di allenamento e dico che questa zona nera voglio essere come un corpo idrico. Quindi un allenamento qui e questi valori sono anche abbastanza chiusi ma quindi scelgo questi come set di allenamento e poi dico di salvare qui le firme per poi salvare il corpo d'acqua. Di nuovo mi tolgo la statistica dai miei set di allenamento e dal corpo idrico set formativo. Ora di nuovo vado a creare un'altra classe qui o una più serie di allenamento usando questi valori grigi che stanno organizzando tra il 66 68 e allo stesso modo. E un più allenamento impostato usando non questo può essere ok potrebbe essere questo e questo. Quindi due set di allenamento per questa particolare classe che ho scelto. E io come prima informazione sto dicendo che questa potrebbe essere una terra agricola e poi ricevo questa. Ora ultimo un set in più di allenamento sceglierò di usare questi e il valore qui i valori di grigio chiaro qui che stanno avendo valore dicono 91 80 93 89 Un set di formazione che ho scelto. Un altro potrebbe essere in questo 89 e questo sta andando molto lontano. Quindi potrebbero essere 70 e questi due e poi salvare ok. Quindi questa potrebbe essere la mia foresta salva. Ora sono stati scelti quattro set di formazione che dico che ok smettere di raccogliere e classificare. Due metodi sono supportati qui in questo software dimostrativo uno è il MDM che spicca per la distanza minima a me che abbiamo già discusso in precedenti discussioni su e questa classificazione vigilata e seconda è parallela. E così in classe di teoria abbiamo discusso due tipi di parallelepipedo standard o preciso parallelepipedo. Qui è disponibile una sola opzione quindi vado a distanza minima per significare e quando vado per la classificazione questo è come ottengo i miei risultati di classificazione. Tutti i valori che ho assegnato stanno mostrando diverse classi allo stesso modo. Quindi scelgo qui e so che come si fanno questi calcoli che si può verificare anche per le singole classi e vedere che che tipo di statistica sta succedendo. Credo che qualcosa sia andato storto no sta bene. Così ora posso continuare a controllare molto facilmente la mia classificazione utilizzando questi metodi. Due metodi sono disponibili posso andare per un altro metodo di nuovo classificare e dire ok numero di deviazione standard dico solo conservarne uno e questo è come il come discusso nella classe di teoria che allo stesso allenamento imposta la stessa immagine in ingresso di immagine ma 2 differenti algoritmo in classifica supervisore due risultati diversi. Quindi uno deve essere molto attento qui molti pixel sono andati inclassificati perché ho lanciato questa dimostrazione non ho raccolto in modo esaustivo tutti i set di allenamento. Avrei dovuto andare per 7 8 almeno set di allenamento poi probabilmente l'intera immagine avrebbe classificato in diverse classi. Ma comunque in un vero e proprio software puoi aggiungere pochi set di allenamento e poi tornare indietro e fare correzioni e poi andare per la classificazione fino a soddisfare con altri risultati o fare la parte di valutazione dell'accuratezza. Quindi quelle cose possono essere fatte abbastanza facilmente. Così possiamo completare questa dimostrazione sulla classificazione e la sgogliatura della densità.

Video 3

Ora l'ultimo che è molto importante in caso di classificazione riguarda la valutazione dell'accuratezza. Quindi questa valutazione di accuratezza è una prima come una top di gamma l'immagine in alto che si sta vedendo è sostanzialmente l'immagine classificata e che ha ottenuto cinque classi d'acqua, urbana, shrub, foresta e terra arida.
E queste classi sono lì ora andiamo per la valutazione dell'accuratezza in che modo queste classi sono state classificate sulla stessa immagine che abbiamo usato. Ora volete sapere che quante percentuali di riferimenti dovrebbero essere prese se 50% da questo riferimento totale al suolo o informazioni preliminari che stiamo avendo o 10%. Quindi se scelgo dico di volere solo 10% selezione perché una grande che andrò anche se posso ottenere risultati diversi ma ci vuole più tempo. Amway quindi vado per 10% minuti e poi scelgo ok poi identificare i pixel semplici. Così ora ci sono 77 pixel casuali su immagine classificata sono stati identificati con riferimento corrispondente all'immagine di terra che si sta vedendo qui. E poi finalmente creare matrice di errori. Qui troviamo quindi la matrice degli errori che richiede poca interpretazione qui e che si dice in sostanza due tabelle dimensionali. Quindi qui di nuovo state dicendo che l'acqua è una foresta tutte quelle classi sono lì 5 classi come qui e poi ancora quelle 5 classi ci sono e quello che state vedendo il totale di colonna o di asse o asse diagonale è tutto 5 e la precisione totale che sta dicendo 71,43 è qui. Così questo tipo di valutazione rapida può anche essere fatto anche in ambito professionale o commerciale. Ora invece di questa matrice di errore posso anche andare per il coefficiente kappa e può andare di nuovo per i calcoli. Quindi ricevo solo questo e che saprò continuare a muovermi attraverso questo e ricevo i valori contro questa fila che è una colonna totale e poi ora fila. Quindi per ognuno di voi sapete cell di questa tabella dimensionale il calcolo viene fatto come si può vedere ed è questo che ora i risultati saranno i benvenuti.
Quindi dico che il calcolo ok è completato. Così nella deviazione standard la sintesi della matrice che sta dicendo che tutto ciò che hanno detto è e la diagonale dispiaciuta la somma diagonale è 16 che stiamo ottenendo e il gran totale di tutti questi calcolo del coefficiente kappa è di 49. E ancora questo è allo stesso modo in che modo questo calcolo è fatto è che il meno atteso. Previste arrivano da e questi 10% di selezione che abbiamo scelto in fasi molto precoci. Se andiamo per 50% mi aspetto che la nostra precisione migliorerà ulteriormente perché ci sono meno possibilità di ottenere più errori se il numero di voi conosce punti casuali o pixel casuali sono selezionati per confrontare con l'immagine classificata. Quindi questa è questa immagine di riferimento al suolo o forse terra dopo l'affidarsi al suolo o magari attraverso qualche altra mappa. Ecco che qui qualche altra mappa è stata scelta e questo coefficiente di kappa chiave arriva intorno al 0,576 che potrebbe non essere molto buono. Ma in questa dimostrazione ce l'abbiamo fatta.
Proviamo di nuovo la stessa cosa con il 50% e vediamo cosa succede con questo. E 50% stiamo andando invece di 10% campionamenti e poi identifichiamo i pixel. Quindi tutti quelli ora 32 punti casuali che significa che questo sta avendo totale 64 pixel in questa immagine di esempio. Quindi da 30 a 50% di punti sono stati selezionati circa la metà casualmente sono stati creati. Ora andiamo per questa matrice ma quello che stavo dicendo non è esattamente così che la precisione si è ridotta lì che stiamo ottenendo questa percentuale di precisione è stato da qualche parte circa un 71 ora ne stiamo ottenendo 62,5. Quindi non è sempre necessario e che si ottiene un alto risultato accurato. E di grossolano allo stesso modo in cui si va per il calcolo kappa e allo stesso modo si continua a clipping per tutte le celle e poi si ottiene questo tipo di valori ci sono. Questo è il punto quindi il valore è e la parte di precisione è decisamente scesa. E così bene questo è in quel caso in quel caso a volte si possono ottenere risultati migliori anche. Così ogni qualvolta la classificazione viene eseguita sia la classificazione vigilata o la classificazione non supervisoria una valutazione di accuratezza deve essere fatta e nei vostri risultati nella vostra relazione dovrebbe esserci anche una dichiarazione che quanto accuratamente la classificazione sia 0,625 è una classificazione non molto buona che è stata raggiunta ma comunque e questo è come si deve segnalare. Così che le foto vere escono dopo la classifica. Quando qualsiasi immagine che sta avendo molta eterogeneità nei valori dei pixel la tua precisione sarà ridotta o molto meno. Tuttavia se un'immagine che è molto omogenea vi darò esempio supporre che state lavorando in una zona di dessert o in una zona boschiva densa o in una zona coperta di neve lì la maggior parte dei pixel potrebbe avere valori molto vicini valori vicini. E la tua classificazione otterrà una precisione molto alta. Ma se si lavora in zona dove ci sono molte eterogeneità ci sono e si dice magari in terreni agricoli e i piccoli appesi agricoli stanno avendo diverse colture e la loro caratteristica spettrale sarà completamente diversa. E quindi quando si accede alla parte di precisione non si otterrà un'ottima precisione. Quindi le immagini corrette omogenee che stanno avendo caratteristiche omogenee o i valori di pixel sono chiuse per poi ottenere un'ottima precisione.
In immagini eterogenee non si può ottenere una precisione molto buona. Così e questo portare alla fine di questa e questa discussione su questa dimostrazione. Quindi prima cosa noi attraverso questo software commerciale e abbiamo fatto la dimostrazione di questo convolgimento filtrante come modificare come progettare il proprio. Poi un'analisi dei componenti di principio e come vedere la matt che conosci accedere alla matrice e ai singoli componenti è possibile vedere composito combinato anche tu puoi avere. E poi la decorazione si allunga rispetto all'immagine originale e anche infine e attraverso questo software DIPS abbiamo visto la dimostrazione di affettatura di densità. In modo simile si può fare su softwares commerciali. In secondo luogo si tratta di un classificatore e terzo della valutazione di accuratezza. Tempo pieno tutto il tempo che non sto usando softwares commerciali perché qui lo scopo non è quello di promuovere alcun software uno e sono io che preferirei usare DIPS ovunque sia possibile perché è prima di tutto un software non commerciale è stato sviluppato in un istituto accademico. È meglio capire cosa va dietro in ogni lavorazione in software commerciale e che può essere compreso solo attraverso un tale software come DIPS che ho usato. Così questo portare alla fine di questa manifestazione grazie mille.