Überwachte Klassifikation - Universität Trier
Überwachte Klassifikation - Universität Trier
Überwachte Klassifikation - Universität Trier
Sie wollen auch ein ePaper? Erhöhen Sie die Reichweite Ihrer Titel.
YUMPU macht aus Druck-PDFs automatisch weboptimierte ePaper, die Google liebt.
FEUT<br />
Digitale Bildverarbeitung<br />
Analyse von Bilddaten<br />
UNIVERSITÄT TRIER<br />
Abteilung Fernerkundung<br />
Digitale Bildverarbeitung<br />
<strong>Überwachte</strong> <strong>Klassifikation</strong>sverfahren<br />
DBV
FEUT<br />
UNIVERSITÄT TRIER<br />
Abteilung Fernerkundung<br />
Themen der heutigen Sitzung<br />
Prinzip der überwachten <strong>Klassifikation</strong><br />
Erstellung von Referenzsignaturen anhand von Trainingsgebieten<br />
Minimum Distance Classifier<br />
Parallelepiped Classifier<br />
Maximum Likelihood Classifier<br />
Bewertung von <strong>Klassifikation</strong>sergebnissen<br />
Digitale Bildverarbeitung<br />
DBV
FEUT<br />
<strong>Klassifikation</strong> fernerkundlicher Daten<br />
UNIVERSITÄT TRIER<br />
Abteilung Fernerkundung<br />
Digitale Bildverarbeitung<br />
im Vergleich zur unüberwachten <strong>Klassifikation</strong> kann der Interpret bei überwachten Verfahren<br />
einen wesentlich größeren Einfluss auf die Durchführung der <strong>Klassifikation</strong> nehmen<br />
unüberwachte <strong>Klassifikation</strong>sverfahren<br />
- Bearbeiter bestimmt lediglich die Anzahl<br />
der Spektralklassen<br />
- Clusteralgorithmen führen zur Trennung<br />
dieser Klassen auf Basis statistischer<br />
Parameter<br />
- die Zuordnung der Spektralklassen zu<br />
Informationsklassen erfolgt interaktiv<br />
nach der <strong>Klassifikation</strong><br />
- die bedingten Eingreifmöglichkeiten führen<br />
oft zu unerwünschten Überschneidungen<br />
zwischen Informationsklassen<br />
überwachte <strong>Klassifikation</strong>sverfahren<br />
- Bearbeiter bestimmt die Anzahl der zu<br />
trennenden Klassen sowie deren spektrale<br />
Ausprägung im multispektralen<br />
Merkmalsraum<br />
- Trennung dieser Spektralklassen auf Basis<br />
spektral-geometrischer oder statistischer<br />
Klassifikatoren<br />
- auf Grund der Definition der Spektralklassen<br />
vor der <strong>Klassifikation</strong> erfolgt eine<br />
automatisierte Zuordnung durch den<br />
<strong>Klassifikation</strong>salgorithmus<br />
DBV
FEUT<br />
UNIVERSITÄT TRIER<br />
Abteilung Fernerkundung<br />
<strong>Klassifikation</strong>sstrategien:<br />
<strong>Überwachte</strong> <strong>Klassifikation</strong><br />
Digitale Bildverarbeitung<br />
überwachte <strong>Klassifikation</strong>sverfahren stellen die am weitesten verbreiteten Verfahren der<br />
digitalen Bildverarbeitung dar<br />
bei der überwachten <strong>Klassifikation</strong> werden anhand von Referenzflächen, sog. Trainingsgebieten,<br />
Referenzsignaturen für Spektralklassen abgeleitet<br />
anschließend erfolgt eine Zuordnung aller Bildpixel zu der spektral ähnlichsten Klasse<br />
die spektrale Signatur eines Pixels wird<br />
mit jener der Referenzklasse verglichen<br />
die Beschreibung der Signaturen muss auf<br />
statistischem Wege erfolgen, häufig über<br />
die sog. Gauß‘sche Normalverteilung<br />
zur Bestimmung der Ähnlichkeit dienen<br />
verschiedene Zuordnungsfunktionen<br />
Richards & Jia 1999<br />
DBV
FEUT<br />
Prinzip der überwachten <strong>Klassifikation</strong><br />
UNIVERSITÄT TRIER<br />
Abteilung Fernerkundung<br />
Digitale Bildverarbeitung<br />
folgende Arbeitsschritte sind dabei – unabhängig vom eingesetzten <strong>Klassifikation</strong>salgorithmus<br />
– immer durchzuführen:<br />
- Festlegung von Anzahl und Art der Informationsklassen (thematischen Klassen); diese<br />
könnten z.B. Wasser, Bebauung, Laubwald, Nadelwald, etc. lauten<br />
- Festlegung der Anzahl von Spektralklassen pro Informationsklasse; diese könnten z.B.<br />
für die Informationsklasse „Bebauung“ in die Subklassen „dichte Bebauung“, „offene<br />
Bebauung“, „stark durchgrünte Bebauung“ und „Industriebebauung“ fallen<br />
- Definition sog. Trainingsgebiete für jede Spektralklasse; diese dienen als Referenzflächen<br />
zur Extraktion von Referenzsignaturen; es existieren verschiedene Verfahren<br />
zur Festlegung solcher Flächen<br />
- Zuordnung aller Bildpixel zu den Referenzsignaturen; dies geschieht in Abhängigkeit<br />
vom jeweils gewählten <strong>Klassifikation</strong>sverfahren<br />
- Validierung des Ergebnisses mittels unabhängiger Testflächen<br />
DBV
Lillesand 1999<br />
FEUT<br />
Prinzip der überwachten <strong>Klassifikation</strong><br />
Schematischer Ablauf<br />
UNIVERSITÄT TRIER<br />
Abteilung Fernerkundung<br />
Digitale Bildverarbeitung<br />
den entscheidenden Schritt bildet immer die intelligente Definition der Referenzsignaturen<br />
anhand von Trainingsgebieten<br />
DBV
FEUT<br />
UNIVERSITÄT TRIER<br />
Abteilung Fernerkundung<br />
<strong>Klassifikation</strong>salgorithmen<br />
Minimum Distance Classifier<br />
Digitale Bildverarbeitung<br />
beim Minimum Distance Classifier (oder Minimum Distance to Means Classifier) werden<br />
lediglich die Klassenmittelwerte der Referenzsignaturen betrachtet<br />
Lillesand 1999<br />
die Zuordnung jedes Pixels zu einer<br />
Referenzklasse erfolgt ausschließlich auf<br />
Basis der Entfernung zu den jeweiligen<br />
Klassenmittelwerten<br />
als Abstandsmaß dient meist die<br />
spektral-euklidische Distanz (vgl.<br />
unüberwachte <strong>Klassifikation</strong>sverfahren):<br />
d<br />
=<br />
n<br />
∑<br />
b=<br />
1<br />
( x − µ )<br />
b<br />
b<br />
2<br />
mit n: Anzahl der<br />
Kanäle<br />
DBV
FEUT<br />
UNIVERSITÄT TRIER<br />
Abteilung Fernerkundung<br />
<strong>Klassifikation</strong>salgorithmen<br />
Minimum Distance Classifier<br />
Digitale Bildverarbeitung<br />
die Durchführung einer Minimum-Distance-<strong>Klassifikation</strong> erfordert somit folgende Prozessierungsschritte:<br />
Lillesand 1999<br />
Berechnung der multispektralen Mittelwertes<br />
m i einer jeden Referenzklasse k i<br />
Berechnung der Abstände d i eines zu<br />
klassifizierenden Pixels x zu allen m i<br />
( )<br />
= d µ , x<br />
d i<br />
i<br />
mit i = 1…t,<br />
t: Anzahl der Referenzklassen ω<br />
Zuweisung von x zur Referenzklasse ω j ,<br />
falls gilt: d j < d i für alle i ≠ j<br />
DBV
FEUT<br />
UNIVERSITÄT TRIER<br />
Abteilung Fernerkundung<br />
<strong>Klassifikation</strong>salgorithmen<br />
Minimum Distance Classifier<br />
Digitale Bildverarbeitung<br />
robuster <strong>Klassifikation</strong>salgorithmus bei begrenztem Wissen über das Arbeitsgebiet<br />
(wenige Spektralklassen, keine Aussage über Kovarianz der Referenzklassen)<br />
Lillesand 1999<br />
3<br />
schnelle Berechnung auch bei großen<br />
Datensätzen und vielen Klassen<br />
begrenzte Aussagekraft bei Referenzklassen<br />
mit stark unterschiedlicher<br />
Varianz<br />
begrenzte Aussagekraft bei Referenzklassen<br />
deren Mittelwert keinen Rückschluss<br />
auf die Verteilung der Daten mit<br />
multispektralen Merkmalsraum zulässt<br />
DBV
FEUT<br />
UNIVERSITÄT TRIER<br />
Abteilung Fernerkundung<br />
<strong>Klassifikation</strong>salgorithmen<br />
Parallelepiped Classifier<br />
Digitale Bildverarbeitung<br />
als Parallelepiped bezeichnet man einen mehrdimensionalen Quader: 2-D – Rechteck,<br />
3-D – Quader, > 3-D – Parallelepiped<br />
Lillesand 1999<br />
wird auch als Box-Classifier bezeichnet<br />
obere und untere Begrenzungen der klassenweisen<br />
Verteilung dienen als Zuweisungsgrenzen<br />
diese können das Minimum/Maximum einer<br />
Referenzklasse im jeweiligen Kanal<br />
darstellen oder aber eine definierte Standardabweichung<br />
um den Mittelwert der Verteilung<br />
darstellen<br />
Probleme: Lücken und Überschneidungen<br />
zwischen Parallelepipeds<br />
DBV
FEUT<br />
UNIVERSITÄT TRIER<br />
Abteilung Fernerkundung<br />
<strong>Klassifikation</strong>salgorithmen<br />
Parallelepiped Classifier<br />
Digitale Bildverarbeitung<br />
durch Zerlegung der Histogramme lassen sich Teil-Parallelepipeds zu einer differenzierteren<br />
Repräsentation von Referenzklassen ableiten<br />
Lillesand 1999<br />
diese Vorgehensweise führt vor allem zur<br />
besseren Erfassung multispektral deutlich<br />
korrelierter Klassen (diagonale Ausprägung<br />
der Verteilung)<br />
die Abprüfung der relativen Lage von Pixeln<br />
zu Minima und Maxima der Referenzklassen<br />
stellt die schnellste Möglichkeit<br />
der <strong>Klassifikation</strong> dar<br />
der Parallelepiped-Klassifikator findet<br />
daher häufig bei Vorklassifikationen oder<br />
Klassenüberprüfungen Anwendung<br />
DBV
FEUT<br />
UNIVERSITÄT TRIER<br />
Abteilung Fernerkundung<br />
<strong>Klassifikation</strong>salgorithmen<br />
Maximum-Likelihood Classification<br />
Digitale Bildverarbeitung<br />
in den spektralen Überschneidungsbereichen zwischen verschiedenen Referenzklassen<br />
oder im Falle verschieden stark streuender Referenzklassen ist die Berücksichtigung der<br />
Klassen-inherenten Varianz sowie der Kovarianz zwischen Klassen sinnvoll<br />
Lillesand 1999<br />
diesen Ansatz verfolgt der sog. Maximum-<br />
Likelihood-Classifier auf der Basis von Wahrscheinlichkeitsdichtefunktionen<br />
die Zuordnung eines Pixels zu einer Referenzklasse<br />
basiert auf der Basis des Mittelwertvektors<br />
und der Varianz-Kovarianzmatrix<br />
im multispektralen Merkmalsraum werden<br />
Linien gleicher Zuordnungswahrscheinlichkeit<br />
berechnet<br />
die Zuordnung erfolgt dann nach dem Prinzip<br />
der größtmöglichen Wahrscheinlichkeit<br />
DBV
FEUT<br />
UNIVERSITÄT TRIER<br />
Abteilung Fernerkundung<br />
<strong>Klassifikation</strong>salgorithmen<br />
Maximum-Likelihood Classification<br />
Digitale Bildverarbeitung<br />
die Berechnung der Zuordnungswahrscheinlichkeiten beruht in der Regel auf der sog.<br />
Gauß‘schen Normalverteilung<br />
diese beschreibt eine symmetrische Verteilung von Daten um den Mittelwert, welcher<br />
zugleich Median und Modalwert darstellt, in Abhängigkeit von der Varianz<br />
im eindimensionalen Fall führt dies zu einer sog. Glockenkurve, für die Folgendes gilt:<br />
eindimensionaler<br />
Fall<br />
p(<br />
x | ω ) =<br />
i<br />
1<br />
( 2π<br />
) σ<br />
i<br />
∗e<br />
( ( x−µ<br />
) σ )<br />
mit p(x|ω i): Wahrscheinlichkeit für x ∈ ω i<br />
x: multispektraler Merkmalsvektor (Spektraleigenschaften des<br />
Pixels)<br />
ω i: Spektralklasse i (i = 1,…,M; M = Anzahl der Klassen)<br />
µ i: Mittelwert einer Referenzklasse i<br />
σ i: Varianz einer Referenzklasse i (Maß der Verteilung im Raum)<br />
i<br />
i<br />
2<br />
DBV
FEUT<br />
UNIVERSITÄT TRIER<br />
Abteilung Fernerkundung<br />
<strong>Klassifikation</strong>salgorithmen<br />
Maximum-Likelihood Classification<br />
Digitale Bildverarbeitung<br />
bei einer mehrdimensionalen Verteilung, also im Falle multispektraler Fernerkundungsdaten,<br />
muss dieser mehrdimensionale Merkmalsraum entsprechend repräsentiert werden<br />
statt Mittelwert und Varianz werden der Mittelwertvektor und die Varianz-Kovarianz-Matrix<br />
zur Beschreibung herangezogen<br />
Richards & Jia 1999<br />
p(<br />
x | ωi<br />
) =<br />
( 2π<br />
)<br />
N<br />
1<br />
/ 2<br />
Σ<br />
1/<br />
2<br />
i<br />
∗e<br />
−1<br />
2(<br />
x−m<br />
DBV<br />
i<br />
)<br />
t<br />
Σ<br />
−1<br />
i<br />
( x−m<br />
mit p(x|ω i): Wahrscheinlichkeit für x ∈ ω i<br />
x: multispektraler Merkmalsvektor (Spektraleigenschaften<br />
des Pixels)<br />
ω i: Spektralklasse i (i = 1,…,M; M = Anzahl der Klassen)<br />
m i: Mittelwertvektor der Referenzklasse i<br />
Σ i: Kovarianzmatrix der Referenzklasse i (multispektrales<br />
Maß der Verteilung)<br />
N: Anzahl der Kanäle<br />
i<br />
)
FEUT<br />
UNIVERSITÄT TRIER<br />
Abteilung Fernerkundung<br />
<strong>Klassifikation</strong>salgorithmen<br />
Maximum-Likelihood Classification<br />
Digitale Bildverarbeitung<br />
nach Kenntnis der Zuordnungswahrscheinlichkeit zu allen Klassen erfolgt eine<br />
Zuordnung zu der wahrscheinlichsten Referenzklasse<br />
um eine Zuweisung zu einer bestimmten Referenzklasse anzunehmen oder zu verwerfen,<br />
wird folgende Entscheidungsregel eingeführt:<br />
Richards & Jia 1999<br />
x ∈ωi falls<br />
( x | ω ) ∗ p(<br />
ω ) ≥ p(<br />
x | ω ) ∗ p(<br />
)<br />
p ω<br />
i<br />
i<br />
mit j = 1…M,<br />
M: Anzahl der Referenzklassen<br />
p(ω i):a-priori-Wahrscheinlichkeit der Referenzklasse ω i<br />
p(ωi ), die sog. a-priori-Wahrscheinlichkeit,<br />
lässt Zusatzinformationen über die zu erwartende<br />
Auftrittswahrscheinlichkeit einer<br />
Klasse einfließen<br />
j<br />
DBV<br />
j
FEUT<br />
Maximum-Likelihood Classification<br />
Rahmenbedingungen<br />
UNIVERSITÄT TRIER<br />
Abteilung Fernerkundung<br />
Digitale Bildverarbeitung<br />
die notwendige Inversion der Varianz-Kovarianz-Matrix einer jeden Referenzklasse stellt<br />
letztlich die Auflösung eines multiplen Gleichungssystem dar<br />
die eindeutige Auflösung eines solchen Gleichungssystems mit einer beliebigen Zahl<br />
von u Unbekannten kann nur durch Einführung von mindestens u+1 Parametern erfolgen<br />
daraus folgt die Notwendigkeit von mindestens M+1 Pixel innerhalb jedes Trainingsgebietes<br />
(Referenzfläche) bei einer Zahl von M Kanälen, da die Multispektralwerte eines<br />
Pixels Parameter zur Auflösung des Gleichungssystems liefern<br />
als Faustregel kann gelten, dass eine 10-mal so große Anzahl von Pixeln innerhalb eines<br />
Trainingsgebietes wünschenswert ist, eine 100-mal so große den Idealfall darstellt<br />
neben der Anzahl der Pixel spielt auch die Datenverteilung eine Rolle: eine Varianz verschieden<br />
von 0 ist ebenso zwingend für die Auflösung der Gleichungssysteme<br />
auch wenn der MLH-Klassifikator gegenüber einer Verletzung der Normalverteilung von<br />
Daten als robust gilt, so ist auf eine Normalverteilung der Referenzdaten nach Möglichkeit<br />
zu achten; insbesondere multimodale Verteilungen müssen vermieden werden<br />
DBV
FEUT<br />
Ableitung von Referenzsignaturen<br />
UNIVERSITÄT TRIER<br />
Abteilung Fernerkundung<br />
Digitale Bildverarbeitung<br />
Referenzsignaturen sollen den im Fokus des Interesses liegenden Merkmalsraum vollständig<br />
abdecken<br />
sie werden anhand von Trainingsgebieten aus den Bilddaten extrahiert<br />
wir unterscheiden nach räumlicher Ausdehnung: flächen-, linien- und punktförmige<br />
Trainingsgebiete; meist werden allerdings Flächen extrahiert<br />
punktförmige<br />
Trainingsgebiete<br />
linienförmige<br />
Trainingsgebiete<br />
flächenförmige<br />
Trainingsgebiete<br />
DBV
FEUT<br />
Ableitung von Referenzsignaturen<br />
UNIVERSITÄT TRIER<br />
Abteilung Fernerkundung<br />
Digitale Bildverarbeitung<br />
wir unterscheiden nach Art der Erstellung: Digitalisierung, seed growing, Clustering<br />
interaktive Digitalisierung<br />
homogener Flächen am<br />
Bildschirm (alternativ:<br />
Import von Geländekartierungen,<br />
Digitalisierung im<br />
Luftbild oder Karte)<br />
Definition eines sog. seed-<br />
Clusters und einer max.<br />
Standardabweichung;<br />
anschließend Wachstum in<br />
Nachbarschaft (spektraleuklidische<br />
Distanz)<br />
Digitalisierung einer heterogenen<br />
Startfläche; anschließend<br />
Clustering; daraus<br />
Auswahl geeigneter<br />
Trainingsgebiete für überwachte<br />
<strong>Klassifikation</strong><br />
DBV
FEUT<br />
Maximum-Likelihood Classification<br />
UNIVERSITÄT TRIER<br />
Abteilung Fernerkundung<br />
Digitale Bildverarbeitung<br />
überwachte <strong>Klassifikation</strong><br />
(9 Klassen)<br />
DBV
FEUT<br />
Überprüfung der <strong>Klassifikation</strong>sgüte<br />
UNIVERSITÄT TRIER<br />
Abteilung Fernerkundung<br />
Digitale Bildverarbeitung<br />
es existieren eine Reihe von Gütemaßen für eine <strong>Klassifikation</strong>, welche unabhängig von<br />
der Art der <strong>Klassifikation</strong> verwendet werden können<br />
eine Überprüfung setzt immer bekannte Prüfflächen (ground truth data) voraus, welche<br />
nicht in die <strong>Klassifikation</strong> in Form von Referenzflächen eingegangen sein sollten<br />
die einfachste Kennzahl stellt die Gesamtgenauigkeit dar, welche sich aus dem Verhältnis<br />
von klassifizierten zu korrekt klassifizierten Prüfdaten errechnet:<br />
diese geht aus der Konfusionsmatrix hervor, welche ground truth (Spalten) den entsprechenden<br />
Pixelwerten des klassifizierten Bildes gegenüberstellt<br />
DBV
FEUT<br />
Überprüfung der <strong>Klassifikation</strong>sgüte<br />
UNIVERSITÄT TRIER<br />
Abteilung Fernerkundung<br />
Digitale Bildverarbeitung<br />
ein komplexeres Maß, welches die korrekt klassifizierten Pixel vor dem Hintergrund einer<br />
zufällig korrekten Zuweisung bewertet stellt der Kappa-Koeffizient dar (KHAT-Statistik)<br />
κ =<br />
es gilt: N ⋅∑xii<br />
−∑(<br />
xi+<br />
⋅ x+<br />
i )<br />
κ = r<br />
2<br />
N −<br />
r<br />
erreichte Genauigkeit<br />
- zufällige Zuweisung<br />
1−<br />
zufällige Zuweisung<br />
i=<br />
1 i=<br />
1<br />
∑ ( xi+<br />
⋅ x+<br />
i )<br />
i=<br />
1<br />
r<br />
mit r: Anzahl der Zeilen der Fehlermatrix<br />
x ii: Anzahl der Pixel in der Diagonalen (korrekt klass.)<br />
x i+: Summe aller Pixel einer Zeile (klassifizierte Werte)<br />
x +i: Summe aller Pixel einer Spalte (ground truth)<br />
N: Summe aller Pixel der Matrix<br />
DBV
FEUT<br />
Überprüfung der <strong>Klassifikation</strong>sgüte<br />
UNIVERSITÄT TRIER<br />
Abteilung Fernerkundung<br />
Digitale Bildverarbeitung<br />
es ist zudem nicht unerheblich zu bewerten, ob die erreichte Genauigkeitsmarge in<br />
einzelnen Klassen auf Kosten der Güte anderer Klassen gewonnen wird<br />
z.B. bei Ausweisung eines kompletten Bildes als Wasser erreicht Wasser damit eine<br />
<strong>Klassifikation</strong>sgenauigkeit von 100% gegenüber 0% für alle anderen Klassen<br />
der error of commission bildet daher zuviel klassifizierte Pixel einer Klasse ab, der error<br />
of omission die nicht erfassten<br />
DBV
FEUT<br />
Überprüfung der <strong>Klassifikation</strong>sgüte<br />
UNIVERSITÄT TRIER<br />
Abteilung Fernerkundung<br />
Digitale Bildverarbeitung<br />
ein ähnliches Maß stellen die producer‘s accuracy und user‘s accuracy dar<br />
hier werden den Spalten- bzw. Zeilensummen die korrekt klassifizierten Werte aus der<br />
Matrixdiagonale gegenübergestellt<br />
DBV
FEUT<br />
Zusammenfassung<br />
Prinzip der überwachten <strong>Klassifikation</strong><br />
Trainingsgebiete: Typen, Digitalisierung, Seed,<br />
Clustering<br />
Minimum Distance Klassifikator<br />
Parallelepiped Klassifikator<br />
Maximum-Likelihood Klassifikator<br />
Überprüfung der <strong>Klassifikation</strong>sgenauigkeit<br />
UNIVERSITÄT TRIER<br />
Abteilung Fernerkundung<br />
Digitale Bildverarbeitung<br />
DBV
FEUT<br />
UNIVERSITÄT TRIER<br />
Abteilung Fernerkundung<br />
Empfehlenswert zu lesen...<br />
Digitale Bildverarbeitung<br />
Schowengerdt, R.A., 1997: Remote Sensing. Models and Methods for Image Processing.<br />
Richards, J.A., Jia, X., 1999: Remote Sensing. Digital Image Analysis.<br />
Lillesand, T., 1999: Remote Sensing and Image Interpretation. 4.Aufl., J. Wiley & Sons, New<br />
York.<br />
DBV
FEUT<br />
UNIVERSITÄT TRIER<br />
Abteilung Fernerkundung<br />
Rekapitulation<br />
Digitale Bildverarbeitung<br />
im 2-dimensionalen Datenraum existieren 3 Klassen mit folgenden Parametrisierungen:<br />
- µ 1 = 17,12 min 1 = 10,5 max 1 =20,17<br />
- µ 2 = 7,25 min 2 = 5,18 max 2 =17,30<br />
- µ 3 = 30,30 min 3 = 11,27 max 3 =39,35<br />
Ordnen Sie folgende Pixel der entsprechenden Referenzklasse zu<br />
11,19 5,23 15,28<br />
Nutzen Sie dazu einmal den Minimum-Distance Classifier, einmal Parallelepiped.<br />
Erläutern Sie die Vor- und Nachteile des jeweiligen Verfahrens anhand des Beispiels.<br />
Gegeben sei folgende Konfusionsmatrix:<br />
Wasser<br />
Brache<br />
Stadt<br />
Acker<br />
Wasser<br />
17<br />
0<br />
0<br />
0<br />
Brache<br />
0<br />
22<br />
2<br />
4<br />
Stadt<br />
0<br />
5<br />
15<br />
1<br />
Acker<br />
0<br />
5<br />
2<br />
10<br />
Berechnen Sie error of omission und commission,<br />
Gesamtgenauigkeit und Kappa.<br />
DBV
FEUT<br />
Ableitung von Referenzsignaturen<br />
UNIVERSITÄT TRIER<br />
Abteilung Fernerkundung<br />
Digitale Bildverarbeitung<br />
alle Verfahren vereinigen Vor- und Nachteile und sind ggf. entsprechend ihrer Stärken zu<br />
kombinieren<br />
Digitalisierung:<br />
- schnell; Einbeziehung der kognitiven Fähigkeiten des Interpreten<br />
- subjektiv; lediglich auf 3-kanaliger Bildschirmdarstellung basierend (erfasst nicht alle<br />
Unterschiede im multispektralen Merkmalsraum)<br />
Seed-Verfahren:<br />
- schnell; bezieht alle Spektralkanäle in das Verfahren ein<br />
- subjektiv; funktioniert nur bei homogenen Flächen, da ansonsten keine spektral<br />
ähnlichen Nachbarn identifiziert werden können<br />
Clustering-Verfahren:<br />
- aufwändiger, da zunächst die Digitalisierung der in Cluster zu zerlegenden Bildbereiche<br />
notwendig ist<br />
- weitgehend objektiv; bezieht alle Spektralkanäle in das Verfahren ein; funktioniert auch<br />
im Falle heterogener Flächen, da spektral ähnliche Pixel nicht benachbart sein müssen<br />
DBV