Classificatori Statistici e Reti Neurali nella segmentazione ... - Circe

Allo scopo di selezionare i pixel più affidabili, vengono eliminati ad ogni iterazione quelli chenon si trovano sulla diagonale principale della matrice di confusione (tabella 1). Si tratta dipixel i cui caratteri secondo CORINE non vengono confermati dall’assegnazione di controllooperata dopo aver calcolato le firme spettrali medie dei diversi temi. Per ciascun tema, si puòdunque pensare che i pixel che rimangono alla fine della procedura costituiscano un noccioloomogeneo ed affidabile, utilizzato per l’addestramento del classificatore nell’iterazioneseguente.Per l’area ITN sono state necessarie sei iterazioni per ottenere una matrice quasi diagonale. Lasituazione finale è mostrata dalla figura 3 e dalla tabella 2.2.5 Il metodo di classificazione “knowledge-based”Le classificazioni costruite sulla sola informazione radiometrica si dimostrarono prestoinsoddisfacenti. Il mix di temi in uno stesso pixel, insieme alle altre ragioni esposte all’iniziodella sezione 2.4, contribuisce, specialmente nelle regioni mediterranee, a rendere i profilimolto simili. Ne conseguiva una dispersione quasi casuale dei temi rari sopra l’immagineclassificata, il presentarsi di qualche tema a quote alle quali non poteva trovarsi, ecc. Perraddrizzare un po’ le cose, l’applicazione di opportune regole di decisione apparivaindispensabile.Le regole di decisione servono a cambiare la classe di assegnazione di alcuni pixel in modo daadattare i risultati all’informazione ausiliaria disponibile, assunta come vincolo. Va tuttaviaosservato che le regole andrebbero applicate simultaneamente e non sequenzialmente,altrimenti l’ordine in cui i temi vengono considerati nella riassegnazione risulta significativo.Le regole andrebbero dunque applicate iterativamente, mantenendo la possibilità di tornare suicambiamenti introdotti nei passi precedenti. La cosa non è facile.Si è allora cercato di integrare all’interno della procedura stessa di classificazionel’informazione ausiliaria più rilevante, cioè il modo in cui i diversi temi si distribuivanorispetto all’altitudine, calcolabile da CORINE e da un DTM (Digital Terrain Model),ottenendo una classificazione condizionata dall’informazione ausiliaria assunta (knowledgebasedclassification). Veniva così meno la necessità di formulare delle regole di decisioneesplicite. I risultati sono stati incoraggianti, e ci si propone di generalizzare il software cheimplementa il metodo, per ora fortemente dipendente dalla struttura dei dati utilizzati daPELCOM.L’assegnazione dei pixel viene operata in base alle loro distanze di Mahalanobis dai temi,corrette però in modo da tenere conto, anche se in forma non rigida, della distribuzione deitemi sull’altitudine.Nel nostro caso, la distribuzione dei temi sopra opportuni intervalli di altitudine, usata comeobiettivo da riprodurre (target) viene desunta da CORINE. Giova comunque sottolineare cheper l’applicazione del metodo è sufficiente una tabella che rappresenti una qualchedistribuzione statistica desunta da informazione ausiliaria, da assumere come vincolo. Essa