DZD DPZ 9 Klasifikace. Doc. Dr. Ing. Jiří Horák - Ing. Tomáš Peňáz, Ph.D. Institut geoinformatiky VŠB-TU Ostrava

Transkript

1 DZD DPZ 9 Klasifikace Doc. Dr. Ing. Jiří Horák - Ing. Tomáš Peňáz, Ph.D. Institut geoinformatiky VŠB-TU Ostrava

2

3 Dobrovolný

4 Klasifikace obrazu proces extrahování tématické informace z kontinuálních dat

5 Informační třídy využitelná informace získaná zpracováním obrazových dat kategorie druhu zemského povrchu většinou nejsou přímo čitelná v obrazových datech (multispektrální obrazový záznam) získávají se nepřímo - prostřednictvím radiometrických vlastností pixelů/objektů

6 Dobrovolný

7 Klasifikátory prostorového chování princip klasifikace objektu nebo jevu na základě vztahu k okolním pixelům příznaky klasifikátorů prostorového chování textura vzájemná vzdálenost (proximity) velikost tvar opakovatelnost kontext

8 Klasifikátory časového chování princip klasifikace objektu nebo jevu na základě jeho časových změn významné při identifikaci rostlinných druhů (zemědělství a lesnictví) - prostorové a spektrální vlastnosti jsou nestálé využití obrazových záznamů z různých časových řezů

9 Klasifikátory spektrálního spektrální klasifikace chování princip klasifikace objektu nebo jevu na základě jeho spektrálního chování využití dat jednopásmových multispektrálních

10 Spektrální klasifikace (spectral classification) definice vzdálenosti v příznakovém prostoru výběr rozhodovacího pravidla výběr prahové hodnoty (viz rozhodovací pravidla)

11 Klasifikace s využitím jednopásmových dat v případě dostatečné separability spektrálních tříd v jednom pásmu použitelné techniky: prahování hustotní řezy viz radiometrické zvýraznění

12 Klasifikace s využitím multispektrálních dat spektrální odezva (spectral response)

13 Landsat TM

14 Klasifikace s využitím multispektrálních dat multispektrální prostor

15 Spektrální příznak (spectral signature) specifická kombinace emitovaného, odraženého nebo pohlceného EMG záření různých vlnových délek, která umožňuje jednoznačně určit objekt. charakteristika naměřená nebo vypočtená v určitých intervalech EMG spektra, potřebná pro identifikaci objektu nebo jevu

16 shluk pixelů (pixels cluster) Spektrální příznak (spectral signature)

17 Příznakový prostor definován všemi pásmy, v nichž lze naměřit nebo vypočíst určitou charakteristiku

18 Spektrální variabilita

19 Rozšíření příznakového prostoru významná etapa klasifikace příprava dat výběr a výpočet nejvhodnějších pásem pro klasifikaci odstranění korelace mezi jednotlivými pásmy (viz analýza a transformace hlavních komponent)

20 Spektrální třídy nebezpečí záměny s informačními třídami!!! části obrazu homogenní z hlediska spektrálního chování klasifikace - hledání všech tříd spektrálních odpovídajících určité třídě informační

21 Obr. Spektrální třídy

22 Klasifikace Bodová (Per-pixel) Objektová řízená (Supervised Classification) neřízená (Unsupervised Classification) hybridní

23 Bodová klasifikace Využívá klasifikátory spektrálního a časového chování lze využít i klasifikátory prostorového chování přepočet charakteristiky do 1 pixelu (ohniskové funkce) Při procesu klasifikace nevyužívají vlastnosti a příznaky okolních pixelů, pouze hodnoty (i transformované) 1 pixelu

24 Bodové klasifikátory spektrálního chování Nejvíce využívané nutnost výchozích předpokladů a zjednodušení: konstantní citlivost senzoru pro všechna pásma každý pixel odpovídá přesně definované ploše na zemském povrchu každý pixel představuje homogenní plochu z hlediska spektrálního chování normální rozdělení naměřených dat v každém pásmu příslušnost pixelu k jedné třídě

25 Objektová klasifikace Viz OBIA Segmentace obrazu Zjištění charakteristických hodnot objektů (segmentů) z hlediska spektrálního, časového či prostorového chování klasifikace

26 Princip řízené a neřízené klasifikace

27 Řízená klasifikace Tréninkové stádium Klasifikační stádium Klasifikátor minim. vzdálenosti od průměru Rovnoběžnostěnový (parallelpiped) klasifikátor Maximální pravděpodobnosti (maximum likelihood) K nejbližších bodů

28 Řízená klasifikace (postup) definování trénovacích ploch výpočet statistických charakteristik (spektrálních příznaků) pro trénovací plochy, editace výběr vhodných pásem pro klasifikaci volba vhodného klasifikátoru pro zařazení všech pixelů obrazu do jednotlivých tříd provedení zatřídění všech pixelů do stanovených tříd úprava, hodnocení a prezentace výsledků klasifikace

29 Tréninková etapa vymezení trénovacích ploch pro každou třídu Reprezentativní plochy dostatečně velké, homogenní, z více míst (než z 1 plochy), umístění, schopnost identifikovat a ověřit v terénu. Minimální počet px (nejméně n+1, kde n je počet kanálů, ale doporučení je 10n až 100n) Vytvoření trénovací množiny nutnost znalosti území z terénního průzkumu nebo jiných zdrojů dat

30 Trénovací etapa požadavek kompletnosti a reprezentativnosti kompletnost - určení charakteru všech hledaných tříd reprezentativnost - plochy typické pro danou třídu

31 Výběr trénovacích ploch manuální automatizovaný Problém smíšených pixelů (Mixed pixels)

32 Manuální výběr trénovacích ploch úloha zpracovatele určení homogenních skupin pixelů (podobné DN v jednotlivých pásmech) vyloučení smíšené spektrální informace - okrajové pixely mezi plochami

33 Automatizovaný výběr trénovacích ploch úloha zpracovatele vs. úloha zpracovatelského programu určení úvodního zárodečného pixelu (Seed Pixel Method) - zpracovatel automatizovaný výběr okolních pixelů s podobným spektrálním projevem - program

34 Počet pixelů v trénovací množině minimální teoretický - umožňuje správně generovat statistické spektrální příznaky Nejmenší teoretický počet pixelů = N + 1 kde N = počet klasifikovaných spektrálních pásem doporučený 10N až 100N co nejlepší statistické vymezení každé třídy ve vícerozměrném prostoru Doporučen výběr více ploch pro jednu třídu

35 Dobrovolný

36 Faktory úspěšnosti trénovací etapy dostatečný počet pixelů v každé trénovací ploše vhodná velikost trénovacích ploch vhodná poloha trénovacích ploch umístění trénovacích ploch rozmístění trénovacích ploch pro každou třídu míra homogenity trénovacích ploch z hlediska jejich spektrálního chování

37 Statistické charakteristiky tříd pro pixely část(i) obrazu v trénovacích plochách (tzv. masky) pro několik pásem multispektrálního obrazu vyjádření charakteristik pomocí průměrového vektoru směrodatné odchylky kovariační matice předpoklad normálního rozdělení

38 Statistické charakteristiky tříd umožňují posoudit schopnost trénovacích ploch reprezentovat třídy míru separability tříd na základě spektrálního chování

39 Hodnocení a přizpůsobení vhodnosti trénovacích ploch požadavek normálního rozdělení DN pixelů trénovací plochy práce s histogramem DN pixelů trénovací plochy bimodální rozdělení DN trénovací plochy - rozdělení pixelů do dvou tříd definování nových, maximálních a minimálních DN pixelů zvýšení míry separability transformacemi multispektrálního obrazu

40 Statistické hodnocení vhodnosti navržených tříd Je třeba posoudit u jednotlivých tříd a vzájemně: Histogram Graf koincidence, Rozptylogram jsou homogenní? neobsahují anomální hodnoty? jsou separovatelné mezi sebou?

41 Hodnocení trénovací etapy Evaluating Signatures metody hodnocení: alarm kontingenční matice maskování příznakového prostoru do rastrového obrazu příznakové objekty histogramy separabilita podle příznaků statistické zhodnocení

42 Dobrovolný

43 Dobrovolný

44 Dobrovolný

45 Hodnocení trénovací etapy příznakové objekty angl. signature separability signalizace

46 angl. alarm Hodnocení trénovací etapy signalizace signalizace jedné nebo více vybraných informačních tříd v obrazu podle trénovací(ch) množin(y) vytvoření přibližné představy zpracovatele o distribuci v prostoru

47 Ukázka signalizace

48 Hodnocení trénovací etapy separabilita příznaků angl. signature separability výpočet některé ze statistických vzdáleností euklidovské spektrální vzdálenosti mezi průměrovými vektory Jeffries-Matusitova vzdálenost Divergence Transformovaná divergence

49 Hodnocení trénovací etapy Transformovaná divergence angl. Transformed divergence teorie: ERDAS Field Guide učebnice statistiky porovnání statistické vzdálenosti mezi trénovacími množinami

50 Rozhodnutí o výběru pásem Hodnocení divergencí mezi pásmy Výběr vhodných pásem pro klasifikaci

51 Klasifikační etapa Volba klasifikátoru Provedení klasifikace

52 Rozhodovací pravidla (předpoklad pro použití) obrazové elementy představující určitou třídu se budou shlukovat v určité části vícerozměrného obrazového prostoru vytváření shluků tendence pixelů jedné třídy vytvořit shluk s určitou variabilitou

53 Shluky obrazových elementů centroidy (středy) shluků poloha centroidu dána průměrnou hodnotou pixelů v použitých pásmech průměrná hodnota pásem v klasifikaci pro daný shluk - průměrový vektor

54 Rozhodovací pravidla (princip použití) určují příslušnost nezařazených pixelů k určitému shluku resp. třídě některým pixelům příslušnost ke shluku resp. třídě nenalezena - třída nezařazených pixelů

55 Rozhodovací pravidla (základní rozdělení) parametrická neparametrická

56 Parametrická rozhodovací pravidla známé statistické charakteristiky (průměrový vektor, variance, kovariance) posuzování statistické vzdálenosti v příznakovém prostoru

57 Neparametrická rozhodovací pravidla (ne)linární funkce nebo matematické/geometrické dělení příznakového prostoru posuzování Euklidovské vzdálenosti v příznakovém prostoru

58 Rozhodovací pravidla (přehled) klasifikátor minimální vzdálenosti od středů shluků (minimum distance) klasifikátor K nejbližších sousedů klasifikátor pravoúhelníků (parallelepipeds) klasifikátor maximální pravděpodobnosti (maximum likelihood) klasifikátor Bayesovský (Bayesian classifier) klasifikátor minimální Mahalanobisovy vzdálenosti (minimal Mahalanobis distance) a další...

59 Klasifikátor minimální vzdálenosti (od středů shluků) minimum distance to means classification neparametrické pravidlo příslušnost pixelu k třídě určena na základě jeho vzdálenosti od jednotlivých centroidů shluků výhody rychlý výpočet nevýhody malá citlivost na stupeň rozptylu

60 Dobrovolný

61 Klasifikátor K nejbližších sousedů K-nearest neighbour classification neparametrické pravidlo modifikace klasifikátoru minimální vzdálenosti od středů shluků příslušnost pixelu k třídě určena na základě jeho vzdálenosti od jednotlivých centroidů shluků početního zastoupení pixelů určité třídy v okolí zpracovávaného pixelu možnost definování určité mezní vzdálenosti

62 Dobrovolný

63 Klasifikátor pravoúhelníků, (hyper)kvádrů parallelepiped (box) classification neparametrické pravidlo pravoúhelníky resp. (hyper)kvádry vymezeny: maximálními a minimálními hodnotami násobky směrodatné odchylky příslušnost pixelu k třídě určena svou polohou vůči pravoúhelníkům resp. (hyper)kvádrům výhody nejrychlejší výpočet nevýhody špatné zařazování pixelů s hodnotami ve vzdálených rozích boxů

64 Dobrovolný

65 Modifikovaný klasifikátor pravoúhelníků, (hyper)kvádrů definování oblasti v rozptylogramu (ohraničení vektorovou grafikou) např. ERDAS Imagine výhody rychlý výpočet částečné zpřesnění

66 Normalizovaný klasifikátor minimální vzdálenosti modifikace klasifikátoru minimální vzdálenosti normalizace vzdálenosti - násobky směrodatné odchylky znázornění izoliniemi parametrické pravidlo příslušnost pixelu k třídě určena: na základě vzdálenosti od centroidů shluků s ohledem na stupeň rozptylu shluků výhody rychlý výpočet vylepšená citlivost na stupeň rozptylu

67 Klasifikátor maximální pravděpodobnosti maximum likelihood classification parametrické pravidlo předpoklad normálního rozdělení sestavení funkce normálního rozdělení na základě průměrového vektoru a kovarianční matice Výpočet pravděpodobnosti příslušnosti ke každé třídě Nejvyšší hodnota -> klasifikovaná třída výhody nejlepší výsledky při použití kvalitních trénovacích dat nevýhody nejpomalejší výpočet

68 Dobrovolný

69 Dobrovolný

70 Bayesovský klasifikátor A priorní pravděpodobnost výskytu tříd. Stanovení s ohledem na váhu různých hledisek (např. plošné zastoupení, nebo jiná apriorní znalost - např. třída písek se vyskytuje méně pravděpodobně než městská zástavba). Pravděpodobnost zařazení do třídy z pravděpodobnostní klasifikace => výsledná pravděpodobnost zařazení do třídy, klasifikace parametrické pravidlo výhody bere v úvahu variabilitu tříd (kovariační matice) dobré výsledky při klasifikaci sporných pixelů (použití v kombinaci s jinými klasifikátory) nevýhody nejpomalejší výpočet

71 Výsledek zařazení jednotlivých px podle klasifikačního schématu a vytvoření tématické mapy

72 Neřízená klasifikace Základní postup: 1. Shluková analýza 2. Přiřazení významu shlukům (určování informační hodnoty uměle vytvořených kategorií) 3. reklasifikace (spojení tříd)

73 Dobrovolný

74 Neřízená klasifikace shluky

75 Dobrovolný

76 Postup při neřízené klasifikaci definování přibližného počtu výsledných shluků generování počáteční polohy centroidu pro každý shluk postupné přiřazení všech pixelů k nejbližšímu shluku výpočet nové polohy centroidu pro každý shluk s nově přiřazenými pixely opakování předchozích dvou kroků do stadia, kdy se přestane výrazně měnit poloha shluků v obrazovém prostoru nebo počet pixelů ve shluku přiřazení konkrétního významu stabilním shlukům vytváření informačních tříd spojováním tříd spektrálních (či jiných)

77 Volitelné parametry počáteční poloha centroidů po diagonále příznakového prostoru pomocí zakládacího souboru (seed file) definování přibližného počtu výsledných shluků minimální vzdálenost dvou shluků poloha centroidu shluku porovnání mezi dvěma iteracemi celkový počet iterací

78 Shluková analýza spektrální vzdálenost D n i 1 ( d i e i 2 ) ve dvojrozměrném obrazovém prostoru (n = 2) D 2 d e 2 d e 2 i i j j D = spektrální vzdálenost n = počet pásem i = dílčí pásmo d i = hodnota pixelu d v pásmu i e i = hodnota pixelu e v pásmu i

79 Algoritmy shlukové analýzy K-Means ISODATA (Iterative Self-Organizing Data Analysis Technique) algoritmus Narendra a Goldberg (PCI) AMOEBA RGB Clustering (ERDAS Imagine)

80 Dobrovolný

81 Dobrovolný

82 Dobrovolný

83 Dobrovolný

84 ISODATA algoritmus

85 ISODATA algoritmus zadává se: počet shluků počet iterací a další podmíněné parametry: kriterium heterogenity - rozdělení heterogenního shluku na dva shluky kriterium vzdálenosti - spojení shluků s blízkými centroidy kriterium počtu min. pixelů - odstranění shluků s podlimitním počtem připojením k okolním shlukům

86 Algoritmus Narendra a Goldberg neparametrická metoda stanovení hranic mezi shluky podle histogramů zpracovávaných pásem výpočet není iterační neumožňuje zadat požadovaný počet výsledných shluků

87 Algoritmus AMOEBA parametrická metoda amoeba = měňavka parametrem proměnlivost umístění pixelů v dané spektrální třídě ovlivní se stanovením hodnoty rozptylu nebo směrodatné odchylky

88 RGB Clustering jednoduchá klasifikační a kompresní technika pro 3 pásma, 8-bitová výpočetně rychlá metoda vykreslení pixelů do 3-rozměrného rozptylogramu histogramy podél os rozptylogramu rozděleny na intervaly vymezení shluků ohraničených kvádry

89 Hybridní klasifikace Např. výsledky ze shlukové analýzy se použijí pro tréninkové stádium řízené klasifikace Nebo naopak data z tréninkových ploch použita pro vstup do neřízené klasifikace (např. identifikace lineárních objektů)

90 Klasifikace pomocí neuronových sítí umělá inteligence (expertní systémy, neuronové) neurony vs. umělé neurony schéma neuronové sítě vstupní vrstva skrytá vrstva výstupní vrstva

91 Neuronové sítě neuron uzel sítě výstup z uzlu (výstupní signál): definován funkcí F(x) generován při nadprahové hodnotě F x i w i x i x i hodnota i-tého vstupu w i váha i-tého vstupu

92 Neuronové sítě klasifikační proces: řízený neřízený kombinovaný algoritmy implementovány např. v produktech: TOPOL RS MUTISPEC ERDAS Imagine

93 Neuronové sítě představují dílčí zlepšení výsledků klasifikace možnost kombinace různých typů dat: data z optické části spektra data radarová morfometrická data získaná z DMR možnost přiřazení váhy vstupujícím datům nepracují s matematickým modelem nepožadují normalitu rozdělení dat nepožadují kvalitní a rozsáhlý trénovací proces konečným výstupem informační třída

94 Klasifikace neuronovou sítí Algoritmus se zpětným postupem (řízená klas.) 2 vrstvy (Kohonenova a Grossbergova), které jsou trénovány odděleně. Kohonenova - neřízená klasifikace na vstupu, Grossbergova řízená klasifikace na výstupu Alg. s obráceným postupem síť tvořena vstupními uzly = pixely. Následuje rozdělení do shluků, postupná agregace až na tolik uzlů, kolik jich má požadovaný výstup.

95 Rozšíření per-pixel klasifikace Využití informací z okolí po transformaci nová hodnota v pixelu. = předzpracování obrazu Následně některá z klasifikačních metod Využití klasifikátorů prostorového chování např. texturální, prostorově kontextové

96 Kontextuální klasifikátory snaha o využití dalších vlastností povrchů: textura příčinné vztahy kontext rozpoznávání prostorových příznaků (spatial pattern recognition) zařazování do tříd s ohledem na souvislosti s okolím okolí se nezkoumá pomocí okna, nýbrž v celém rozsahu obrazu využití mapové algebry a operací analytických technik v prostředí GIS

97 Kontextuální klasifikátory kontext a struktura vlastnosti používané při vizuální interpretaci charakterizovány topologickými charakteristikami: Vzdáleností - hledaný objekt se může nacházet jen v jisté vzdálenosti od jiného objektu směrem příp. orientací - hledaný objekt se může nacházet jen v určitém směru od jiného objektu Konektivitou - 2 objekty mohou / nemusí být spojeny jiným objektem dotykem (sousedství) - 2 objekty se mohou/nemusí dotýkat Vnořením 1 objekt se musí /nesmí vyskytovat uvnitř jiného

98 Tvrdé vs. měkké metody klasifikace obrazu

99 Tvrdé klasifikátory tradiční metody klasifikace tvrdé (hard) klasifikátory každá klasifikační jednotka (pixel, segment) patří právě do jedné třídy neřeší problém smíšených pixelů

100 Měkké klasifikátory alternativní a komplementární metody klasifikace každá klasifikační jednotka (pixel, segment) přísluší k více než jedné třídě řeší problém smíšených pixelů stupeň příslušnosti (membership degree) pixelu ke každé třídě 0;1 vztah k pravděpodobnosti a k důkazům možnost kombinace s vektorovými daty GIS získání dalších informací a důkazů ve finále možnost použití tvrdých klasifikátorů

101 Hodnocení klasifikace v jejím průběhu vylepšení klasifikace kombinace měkkých a tvrdých klasifikátorů měkké klasifikátory vypovídají o klasifikační nejistotě problémové případy vysoká nejistota vysoká nejistota klasifikace když: se pixely jeví jako směs tříd důvody: špatná tréninková data data nemohou být oddělena smíšený projev na mikroskopické úrovni pixely náleží k neznámým třídám (neznámý spektrální příznak) vytvořit novou třídu získat tréninková data

102 Tvrdé vs. měkké klasifikátory výstupem klasifikace obraz(y) příslušnosti k třídě (class membership images) jedna (tematická) mapa tvrdé klasifikátory více (tematických) map měkké klasifikátory

103 Měkké klasifikátory odlišné metriky vyjádření příslušnosti (membership) Idrisi Selva (Taiga) nabízí měkké klasifikátory, založené na: Bayesově teorii (BAYCLASS) Dempster-Shaferově teorii (BELCLASS) Mahalanobisově vzdálenosti teorii fuzzy množin modelu lineárního míchání

104 Měkké klasifikátory výsledek klasifikace - obraz(y) příslušnosti k třídě v Idrisi uloženy do zásobníku - raster image group file (.rgf) hodnoty obrazu příslušnosti lze získat pomocí dotazů numerických grafických

105 Měkké klasifikátory obraz klasifikační nejistoty (Classification Uncertainty image) vyjadřuje, do jaké míry je příslušnost daného pixelu k třídám lepší/horší než příslušnost ostatních pixelů kde max = maximum z množiny hodnot příslušnosti k třídám pro daný pixel sum = součet množiny hodnot příslušnosti k třídám pro daný pixel n CU 1 = uvažovaný počet tříd max 1 sum n 1 n

106 Příklady klasifikační nejistoty příklad ohodnocení 3 tříd následující snímek platí: - hodnoty příslušnosti 0;1, - sum hodnot příslušnosti 1 AND sum hodnot příslušnosti 0;1), význam klasifikační nejistoty: - sběr nových důkazů (dat), je-li nejistota vysoká - získání nových informací

107 Příklady klasifikační nejistoty CU ) 0,0 0,0 1,0 ( ) 0,05 0,05 0,9 ( ) 0,0 0,1 0,9 ( ) 0,1 0,3 0,6 ( ) 0,0 0,3 0,6 ( ) 0,3 0,3 0,3 ( ) 0,1 0,1 0,1 ( ) 0,1 0,0 0,0 ( ) 0,0 0,0 0,0 ( 0,00 0,15 0,15 0,60 0,55 1,00 1,00 0,90 1,00 CU CU CU CU CU CU CU CU CU

108 BAYCLASS podobný klasifikátoru maximální pravděpodobnosti (Maximum Likelihood Classifier ) vyjadřují následnou pravděpodobnost (posterior probability) s níž pixel přísluší ke každé třídě podle Bayesovy pravděpodobnostní teorie vyjadřuje vztah mezi pravděpodobností a poměrem šancí předpokládaná pravděpodobnost vychází z existujících znalostí (např. existující tematické mapy)

109 BAYCLASS kde p h e i p( e p( e h). p( h) h ). p h i i p(h /e) = pravděpodobnost pravdivosti hypotézy dané důkazem (posterior probability) p(e /h) = pravděpodobnost zjištění, že důkaz daný hypotézou je pravdivý p(h) = pravděpodobnost, že je hypotéza pravdivá bez ohledu na důkazy (prior probability)

110 BAYCLASS p(e /h) - odvozena z kovariační matice tréninkových dat p(h /e) = (posterior probability) pravděpodobnost pravdivosti hypotézy dané důkazem považována za důkaz příslušnosti k třídě předpoklad uvažované třídy jsou jediné možné třídy označuje pixely jako třídy i na základě slabých důkazů, není-li podpora pro přiřazení k jiné třídě sub-pixelová klasifikace - výstupem oddělené obrazy BAYCLASS v Idrisi dobře zjišťuje základní složky smíšených pixelů nedobře zjišťuje správné proporce každé z tříd v mixelech

111 BELCLASS podobný klasifikátoru maximální pravděpodobnosti Dempster-Shaferova teorie (DST) DST rozvíjí a doplňuje BPT BPT předpokládá, že neexistuje nevědomost nedostatek!!! DST - připouští možnost neúplnosti stávajících informací nedostatek důkazů neznamená důkaz proti této hypotéze

112 BELCLASS pojmy z DST viz skripta Zpracování dat v GIS

113 pojmy z DST BELCLASS interval důvěry (belief interval) <Bel(A); Pl(A)> Nejistota míra nejistoty hypotézy nedůvěra není doplňkem domnění!!!

114 DST BELCLASS vyjadřuje stupeň podpory pro všechny hypotézy, které ne mají průnik s danou hypotézou (viz příklady) umožňuje snadno spojovat důkazy spojované důkazy musí být nezávislé nesmí být redundantní

115 Příklad pro BPT uvažujme 4 třídy BELCLASS důkazy podporují třídu 1 s mírou 0,3 a všechny ostatní s mírou 0 výsledkem BPT by bylo označení pixelu v třídě 1 s výslednou pravděpodobností 1,0

116 Příklad 1 pro DST uvažujme 4 třídy důkazy podporují BELCLASS třídu 1 s mírou důvěry 0,3 ostatní třídy (2, 3, 4) s mírou důvěry 0 DST by označila pixel v třídě 1 mírou důvěry = 0,3 mírou uvěřitelnosti = 1 v intervalu důvěry 0,7 DST by označila pixel pro ostatní třídy (2, 3, 4) mírou důvěry = 0 při míře uvěřitelnosti = 0,7

117 Příklad 2 pro DST uvažujme 4 třídy důkazy podporují třídu 1 s mírou důvěry 0,3 BELCLASS třídu 2 s mírou důvěry 0,6 (nový důkaz!!!) ostatní třídy (3, 4) s mírou důvěry 0 DST by označila pixel v třídě 1 mírou důvěry = 0,3 mírou uvěřitelnosti = 0,4 v intervalu důvěry 0,1 očekávaným efektem při použití nových důkazů je menší míra nejistoty

118 BELCLASS výstupy z klasifikačního algoritmu BELLCLASS pro každou z tříd je generován obraz: obraz důvěry (image of belief) obraz věrohodnosti (image of plausibility) obraz klasifikační nejistoty (classification uncertainty image) hlavní důvod použití klasifikačního algoritmu BELLCLASS kontrola kvality tréninkových dat (nechybí některá třída?) hodnocení provedeno v průběhu klasifikace při existenci domněnky výskytu neznámých tříd použití třídy ostatní

119 Porovnání BAYCLASS a BELCLASS použití klasifikačního algoritmu BAYCLASS důvěřuje síle tréninkových množin nepřipouští neznalost některých tréninkových množin použití klasifikačního algoritmu BELLCLASS je rezervovaný vůči významu tréninkových množin připouští neznalost některých tréninkových množin

120 Postklasifikační úpravy 1. Problémy ve velikosti vytvořených prostorových útvarů 2. Problémy ve správnosti klasifikace Ad 1) A) roztříštěnost výsledných ploch Řešení např. Sieve filtrace B) Pepř a sůl - izolované pixely s odlišnou hodnotou Řešení např. nízkofrekvenční filtr ale s logickým operátorem, kvantilový apod. modus, medián,..

121 Problémy postklasifikační filtrace klasifikovaný obraz obsahuje kvalitativní charakteristiky nebezpečí vzniku nové informační třídy modální filtr vypočtená hodnota pixelu obsahuje hodnotu nejčastěji obsaženou pro danou polohu filtru (módus) možnost užití: odlišných vah vyloučení některých tříd vícenásobné filtrace kritéria minimální plochy zachování hranic mezi třídami

122 Vlastnosti postklasifikačních chyb v obrazu chybně klasifikované pixely: souvisí především s určitými třídami se vyskytují především ve skupinách (málokdy izolovaně) mají ve výsledném obrazu určité prostorové uspořádání váží se na typické části klasifikovaných ploch

123

124 Detekce klasifikačních chyb rozlehlá vodní plocha na vrcholech a svazích pohoří využití DMR chyba!! pixely klasifikovány nesprávně jedná se o ledovec? lužní les ve značné vzdálenosti od vodních toků využití obalové zóny (buffer)

125 Odhad přesnosti klasifikace Testovací plochy Kontingenční tabulka Kappa index

126 Dobrovolný

127 Dobrovolný

128 Kappa index Dobrovolný