Sunteți pe pagina 1din 28

Extragerea informaiei spaiale din imagini satelitare folosind clasificrile supervizate i nesupervizate

Florin Iosub, TeamNet International, Timisoara 2012

Teledetecia este

tiina i arta de a obine informaii utile despre un anumit obiect, areal sau fenomen prin analiza datelor achiziionate folosind un instrument ce nu intr n contact cu obiectul, arealul sau fenomenul investigat. [Lillesand, Thomas M. i Ralph W. Kiefer, 1979] Teledetecia reprezint activitatea de colectare de imagini i/sau alte date despre suprafaa terestr prin msurtori executate de la distan deasupra Pmntului, precum i procesarea i analiza acestor date. [CCRS Glossary]

De ce clasificarea imaginilor?

Extragerea informaiei geografice Realizarea de hri tematice:


Utilizarea terenului Hrti cu zone inundate Hri cu areale afectate de incendii

Utilizarea rezultatelor n domeniul Sistemelor Geografice Informatice (GIS)

Ce este clasificarea?

Gruparea automat a pixelilor ce alctuiesc imaginea digital sub forma de clase sau teme de acoperire a terenului [Mihai Andrei Bogdan, 2007]

Procesul de clasificare a imaginilor multispectrale/hiperspectrale n clase sau modele cum ar fi:


Grupri de diverse tipuri de date statistice obinute din benzi spectrale, dintre care unele pot fi corelate cu clase separabile. Este vorba de clasificarea nesupervizat.
Diferenieri numerice alctuite din aceste seturi de date ce au fost grupate i specificate prin asocierea fiecruia cu o clas anume i a crui identitate este cunoscut n mod independent si reprezint areale n cadrul imaginii n care clasa este localizat. Este vorba de clasificarea supervizat.

Tipuri de clasificri

Clasificri nesupervizate

Clasificri supervizate

Clasificarea nesupervizat

Algoritmul K-means
1. Stabilirea numrului de clase (clustere) 2. Raportarea fiecrui pixel ctre o clas

3. (Re)-Calcularea distanei minime pentru fiecare clas


4. Repetarea operaiilor 2 i 3 pn cnd toi pixelii au fost clasificai 5. Atribuirea claselor semnificaii din teren

Band 2

Band 2

Band 1

Band 1

Band 2

Band 1
Rory Hutson

Prima iteraie. Centrele clusterelor sunt plasate aleatoriu. Fiecare pixel va fi atribuit celei mai apropiat centru.

A doua iteraie. Centrele clusterelor se mic n funcie de signatura spectral a pixelilor.

Iteraia n. Centrele clusterelor s-au stabilizat.

Algoritmul K-Means calculat pe subscen Landsat TM 5

Subscen: Landsat TM 5 Combinaie benzi:123 Data: 12-08-2010

Algoritmul ISODATA (Iterative Self Organizing Data


Analysis)

Extinde capababilitile algoritmului K-means


Se calculeaz deviaia standard pentru clustere Dup n iteraii:
clasele se pot combina clasele se pot diviza clasele se pot terge

Dup fiecare iteraie este calculat procentul de pixeli ce au rmas n aceeai clas

Band 2

Band 2

Band 1

Band 1

Band 2

Band 1
Rory Hutson

Prima iteraie. Se observ cum clasa abastr e destul de dispersat n banda 1.

A doua iteraie. Se observ cum cele dou clase au puni pixeli i prin urmare vor fi terse.

Iteraia n. Pixelii vor fi marcai ca neclasificai.

Algoritmul IsoData calculat pe subscen Landsat TM 5

Subscen: Landsat TM 5 Combinaie benzi:123 Data: 12-08-2010

Clasificarea supervizat

Algoritmul Paralelipipedului (Multi-level slicing)


Folosete regulile logice (boleene) i/ori Valorile pixelilor raportate n sistem rectangular de dou axe (dreptunghi) sau trei axe (paralelipiped) la un spaiu Dimensiunile dreptunghiului/paralelipipedului sunt condiionate de varian Pixelii raportai la un anumit spaiu n funcie de valoarea numrului digital al acestora Probleme cu clasele ce prezint o corelaie mare ntre benzile spectrale

Lillesand 2004

Algoritmul Paralelilpipedului calculat pe subscen Landsat TM 5

Subscen: Landsat TM 5 Combinaie benzi:123 Data: 12-08-2010

Algoritmul distanei minime


Folosete dou forme ale distanei:
Distana Euclidian Distana Manhattan

Raportarea fiecrui pixel la o clas printr-un vector de distan Aceeai variabilitate spectral n toate direciile (FALS) O parte din pixeli pot rmne neclasificai

Lillesand 2004

Algoritmul Distanei Minime calculat pe subscen Landsat TM 5

Subscen: Landsat TM 5 Combinaie benzi:123 Data: 12-08-2010

Algoritmul Maximum Likelihood


Se bazeaz pe probabilitate
Presupune c toate clasele au o distribuie normal (gaussian) Pentru fiecare clas este claculat variana i co-variana spectral Clasele pot fi modelate statistic folosindu-se un vector de medie sau o matrice de co-varian

Fiecare pixel este atribuit clasei cu probabilitatea cea mai mare de apartenen

B a n d a 2

Curbe de echiprobabilitate

Lillesand 2004

Banda 1

Algoritmul maximum Likekihood calculat pe subscen Landsat TM 5

Subscen: Landsat TM 5 Combinaie benzi:123 Data: 12-08-2010

Concluzii
Clasificrile nesupervizate Avantaje:
Nu necesit cunotine despre regiunea analizat Erorile umane sunt minimizate Pixelii sunt separai din punct de vedere spectral Analistul are control asupra numrului de clase, iteraii, etc.

Dezavantaje:
Clasele obinute nu reflect cu precizie categoriile din teren Control limitat asupra identitii claselor Proprietile spectrale ale claselor se pot modifica n timp

Clasificrile supervizate Avantaje:


Control asupra identitii claselor Clase specifice cu anumite identiti Clasele obinute reflect categoriile din teren Pot fi detectate erorile de clasificare

Dezavantaje:
Analistul impune clasificarea Regiunile de interes sunt n general relaionate cu informaia din teren i nu cu proprietile spectrale Regiunile de inters posibil s nu fie reprezentative Obinerea regiunilor de interes solicit timp

V mulumesc pentru atenie!