1 / 41

Digitális képanalízis

Digitális képanalízis. Tematikus osztályozás. Tematikus osztályozás. Elnevezések : klasszifikáció ( classification ) térképezés ( thematic mapping ) klaszterezés ( clustering ). Lehetséges térképezési folyamatok. Az eljárások csoportosítása. Ellenőrzött ( supervised ) felügyelt

cara
Download Presentation

Digitális képanalízis

An Image/Link below is provided (as is) to download presentation Download Policy: Content on the Website is provided to you AS IS for your information and personal use and may not be sold / licensed / shared on other websites without getting consent from its author. Content is provided to you AS IS for your information and personal use only. Download presentation by click this link. While downloading, if for some reason you are not able to download a presentation, the publisher may have deleted the file from their server. During download, if you can't get a presentation, the file might be deleted by the publisher.

E N D

Presentation Transcript

  1. Digitális képanalízis Tematikus osztályozás

  2. Tematikus osztályozás • Elnevezések: • klasszifikáció (classification) • térképezés (thematicmapping) • klaszterezés (clustering)

  3. Lehetséges térképezési folyamatok

  4. Az eljárások csoportosítása • Ellenőrzött(supervised) felügyelt • Nem-ellenőrzött (unsupervised) nem felügyeltautomatikusklaszterezés (clustering)

  5. Ellenőrzött osztályozás • Kérdés: egy kép pixelei hogyan sorolhatók tematikus osztályokba? • Másként: az adott pixel mit ábrázol?

  6. A tesztkép

  7. A kísérletekben szereplő tematikák: • erdő • vízfelület • rét • lakott terület tűlevelű erdő lombos erdő liget cserjeerdő rét szántó parlag ritka beépítés sűrű beépítés vízfelület

  8. Tananyag • Ellenőrző adat = terepről gyűjtött információ (groundtruthinformation) • 2/3 rész: „tanításra” (paraméterezésre) • 1/3 rész: tesztelésre • Fajtái: • pontszerű (elszórt pixelek) • vonalszerű (lineáris elemek) • felületszerű (poligonok) • Megoszlás: • egy tematikus osztály = egy tanuló terület • egy tematikus osztály = több tanuló terület

  9. Alapkérdés az intenzitástérben ? Landsat TM B3-B4

  10. Néhány ellenőrzött osztályozó • Legközelebbi középpont módszer (minimum distance) • Hipertégla vagy Box-módszer (paralelepipedon) • Legnagyobb valószínűség módszer (maximum likelihood) • Hibrid módszerek • Neurális hálózatok

  11. Legközelebbi középpont • Osztályjellemzés: • átlagvektor • Döntésfüggvény:

  12. Legközelebbi középpont • Előnyök: • egyszerű osztályleírás • gyors számítás • Hátrányok: • nehézségek azonos távolságok esetén • átfedő osztályok kezelhetetlensége

  13. MD-eredmény (4 osztály)

  14. MD-eredmény(10 osztály)

  15. Legközelebbi középpont osztályozás eredménye

  16. Box-módszer • Osztályjellemzés: • minimum és maximum vektor • Döntésfüggvény:

  17. Box-módszer • Előnyök: • pontosabb osztályleírás • gyors számítás • Hátrányok: • átfedő részek • kívül eső részek

  18. Legnagyobb valószínűség • Osztályjellemzés: • átlagvektor • kovariancia mátrix • Döntésfüggvény:

  19. Legnagyobb valószínűség • Előnyök: • (gyakran) pontos osztályleírás • jó paraméterezhetőség • Hátrányok: • bonyolult számítási eljárás • lassú számítás

  20. ML-eredmény (4 osztály)

  21. ML-eredmény(10 osztály)

  22. ML-eredménykép

  23. Valószínűség-kép

  24. Változatok ML-módszerre • logaritmusos formula: • Mahalanobis-távolság: • …

  25. Mahalanobis-eredmény A – Komárom B – Esztergom

  26. Hibrid módszerek • Gyors és kellően pontos módszer érdekében • Változatai: • Box + legközelebbi középpont • Box + legnagyobb valószínűség

  27. Neurális hálózatok • Eszköze: • backpropagation hálózat • Tananyag: • közvetlenül a pixelek intenzitásértékeivel • Előny: • bonyolult, összetett intenzitáshatár-képzés • részosztályok kezelhetősége • Hátrányok: • „black-box” tulajdonság • szakértelmet igényel

  28. Neurális eredménykép

  29. Neuro-fuzzy eredménykép

  30. Megoldások a pontosságért • Osztályszétválaszthatósági elemzés • pl. divergencia számítása • Alosztályok • képzése, kezelése, majd egyesítése • Távolság- vagy valószínűség-kép • létrehozása és elemzése • Fuzzy logika alkalmazása • Többszörös osztályozók használata

  31. Alosztályos ML-eredmény

  32. Szabályalapú osztályozás

  33. Nem-ellenőrzött osztályozás • Nincs tematikus osztály • Nincs tananyag (ground truth) • Cél: • csoportok (klaszterek) képzése lehetőleg automatikusan • Alkalmazási példa: • homogén területek keresése

  34. Nem-ellenőrzött osztályozók • k-means • ISODATA • neurális hálózat

  35. K-means módszer • Algoritmus: • mintavételezés • „véletlen” klaszterjellemző felvétele • minták besorolása • klaszterjellemzők számítása • megállás? vissza 3.-ra?

  36. ISODATA • Iterative Self-Organizing Data Analysis Technique A • hasonló algoritmus, mint a k-means • klaszter szétvágás és egyesítés is lehetséges

  37. ISODATA-eredmény (ETM+)

  38. ISODATA-eredmény

  39. Neurális hálózatok • versengő (competitive) hálózatok • „winner-takes-all”-szabály • önszerveződő leképezések (self-organizing maps – SOM)

  40. SOM-eredménykép

  41. Pontossági mérőszámok • Hiba- (tévesztési) mátrix • (error matrix)(confusion matrix) Cohen-kappa

More Related