Metode pentru clasificarea

supervizată a imaginilor
Conf. univ. dr. ing. Oniga Ersilia
Trei metode pentru clasificarea supervizată a
imaginilor
(1). Algoritmul paralelipipedului (clasificatorul de tip
cutie)
 Algoritmul paralelipipedului, sau algoritmul pragului
multidimensional, începe prin definirea a două sau trei valori de
prag de-a lungul fiecărei axe pentru fiecare clasă
 Valorile pixelilor sunt raportate în sistem rectangular de două
axe (dreptunghi) sau trei axe (paralelipiped)
 Decizie: toate punctele situate într-o regiune definită de limitele
min-max (dreptunghi/paralelipiped) → clasa i
 Toți ceilalți pixeli rămân neclasificați
 Probleme cu clasele ce prezintă o corelație mare între benzile
spectrale
(1). Algoritmul paralelipipedului (clasificatorul de tip cutie)

 Există mai multe metode pentru alegerea valorilor de prag.

Una dintre metode este selectarea valorilor minime şi
maxime corespunzătoare fiecărei clase pentru stabilirea
limitelor paralelipipedelor, sau abaterea standard faţă de
medie (σ) a fiecărei clase de-a lungul unei axe poate fi
utilizată pentru a calcula valorile de prag, prin adăugarea sau
scăderea din media clasei (μ) unui anumit număr de abateri
standard (σ) (ex. 2*σ)
(1). Algoritmul paralelipipedului (clasificatorul de tip cutie)
(1). Algoritmul paralelipipedului (clasificatorul de tip cutie)
(1). Algoritmul paralelipipedului (clasificatorul de tip cutie)

-în practică nu este întotdeauna ușor

Trei metode pentru clasificarea supervizată a
imaginilor

(2). K-means sau metoda distanței minime

 Se calculează media pentru fiecare clasă de învățare
 Se calculează distanța dintre fiecare pixel necunoscut și
centrul fiecărei clase media X i
 Folosește două forme ale distanței:
 Distanța Euclidiană
 Distanța Manhattan
 Decizia: distanța cea mai scurtă până la centrul clasei→clasa j
 În cazul în care distanțele dintre pixel și orice medie a claselor
considerate sunt mai mari decât valoarea definită de analist,
atunci acesta va rămâne neclasificat.
 Nu este folosită în aplicațiile în care clasele spectrale sunt
apropiate din punct de vedere al comportamentului spectral și
au variabilitate mare.
(2). K-means sau metoda distanței minime
Trei metode pentru clasificarea supervizată a
imaginilor

(3). Algoritmul probabilității maxime

 Se calculează media pentru fiecare clasă de învățare media Xi

 Se calculează matricele de covarianță pentru fiecare clasă în
parte  var R cov R ,G  cov R ,B  
 
 
Cclasa _ i  cov R ,G  var G  cov G ,B  
 
 cov R ,B  cov G ,B  var B  

 Determină probabilitatea ca un pixel să aparțină unei anumite
clase
 Decizia: “clasa cea mai probabilă” pentru fiecare pixel i este
cea pentru care s-a obținut probabilitatea maximă
(3). Algoritmul probabilității maxime

 Probabilitatea ca P să aparțină clasei X 1 este mai mare decât

probabilitatea ca P să aparțină clasei X 2