Die Präsentation wird geladen. Bitte warten

Die Präsentation wird geladen. Bitte warten

Überwachte Klassifizierung - Kartierschlüssel Zielklassen: Acker Mais Weizen Wiese Wald Wasser Siedlung Definition: Vorgaben bzw. Feldbegehung.

Ähnliche Präsentationen


Präsentation zum Thema: "Überwachte Klassifizierung - Kartierschlüssel Zielklassen: Acker Mais Weizen Wiese Wald Wasser Siedlung Definition: Vorgaben bzw. Feldbegehung."—  Präsentation transkript:

1 Überwachte Klassifizierung - Kartierschlüssel Zielklassen: Acker Mais Weizen Wiese Wald Wasser Siedlung Definition: Vorgaben bzw. Feldbegehung

2 Wald Weizen Acker Mais Wiese Ergebnis der Feldbegehung Trainingsgebiete

3 Bedingung: spektral homogene Flächen ansonsten neue Klasse (gleiche Farbe) einführen (Bsp.: Weizen1, Weizen2, …) Digitalisierung der Trainingsgebiete

4 Überwachte Klassifizierungsverfahren Y X Y X Cluster der Trainingsgebiete im Merkmalsraum (Scatterplot) Parallelepiped-Klassifizierung Klassengrenzen werden durch mehrdimensionale Boxen definiert

5 Überwachte Klassifizierungsverfahren Y X Y Maximum-Likelihood-Klassifizierung Klassen werden durch mehrdimensionale Gaussfunktionen (Mittelwert&Kovarianzmatrix) definiert Minimum-Distance-Klassifizierung Klassen werden durch die Klassenzentren (Mittelwert) definiert

6 Scatterplot Kanal B Kanal A Klassifizierungsmodell und Klassenverteilung Scatterplot Acker hell Ziegeldach Acker dunkel Kanal B Kanal A Klasse Acker Klasse Dach Spektral homogene Klassen verwenden (Acker_hell und Acker_dunkel anstatt Acker)

7 Mais: µ Mais und C Mais Weizen: µ Weizen und C Weizen Wiese: µ Wiese und C Wiese Wald: µ Wald und C Wald Acker: µ Acker und C Acker Mittelwert µ und Kovarianzmatrix C Maximum-Likelihood-Klassifizierung: P Mais, P Weizen, P Wiese, P Acker und P Wald P Max P (Klasse i | Pixel) Pixelgrauwert Berechnung der Trainingsgebietsstatistik

8 Strategie 1: Überprüfung auf Vollständigkeit der Trainingsgebiete Klassifizierung mit Schwellwert Undefinierte, großflächige Objekte müssen noch digitalisiert werden Beispiel: Siedlung, Wasser, eventuell auch unbekannte Klassen

9 Bayessche Wahrscheinlichkeit: P mais * 100 % Σ P i BW Mais = P Mais = e –30 P Weizen = e –40 P Wiese = e –40 P Acker = e –40 P Wald = e –40 Problem unbekanntes Material: BW Mais = 100 % ENVI-Schwellwert Maximum-Likelihood-Klassifizierung P Mais, P Weizen, P Wiese, P Acker und P Wald P Max Schwellwert ist unbrauchbar !

10 Strategie 2: Überprüfung der spektralen Trennbarkeit einzelner Klassen (I) Daten der Klassifikation Wald Siedlung Acker Mais Wiese Weizen Wasser Summe Nicht Klassifiziert Wald Siedlung Acker Mais Wiese Weizen Wasser Summe Trainingsdaten Berechnung der Konfusionsmatrix (Pixel) (Klassifizierung der Trainingsgebiete mit Maximum-Likelihood Methode) Gesamtgenauigkeit = Summe der Einträge auf der Diagonalen Gesamtmenge der Beobachtungen ==

11 Strategie 2: Überprüfung der spektralen Trennbarkeit einzelner Klassen (II) Daten der Klassifikation Wald Siedlung Acker Mais Wiese Weizen Wasser Nicht Klassifiziert Wald Siedlung Acker Mais Wiese Weizen Wasser Summe100 Trainingsdaten Berechnung der Konfusionsmatrix (Prozent) (Klassifizierung der Trainingsgebiete mit Maximum-Likelihood Methode)

12 Producers Accuracy = Korrekt Klassifiziert * 100% Summe Referenz Users Accuracy = Korrekt Klassifiziert * 100% Summe Klassifizierung Commission Fehler: Anteil der falsch klassifizierten Pixel in der Klasse Omission Fehler: Anteil der Pixel die fälschlicherweise einer anderen Klasse zugeordnet worden Strategie 2: Überprüfung der spektralen Trennbarkeit einzelner Klassen (III) = 100% - Omission % = 100% - Commission % Falsch Klassifiziert Summe Klassifizierung Commission = Fehlende Klassifizierung Summe Referenz Omission = Summe Referenz Summe Klassifizierung Korrekt Klassifiziert Producers Accuracy Users Accuracy Nicht Klassifiziert % Wald % Siedlung % Acker % Mais %96.00% Wiese %79.59% Weizen %58.00% Wasser % Falsch Klassifiziert Fehlende Klassifizierung Omission Fehler 0 0/66 0/72 0/149 0/24 22/61 10/39 0/27 Commission Fehler 0 0/66 0/72 0/149 1/25 10/49 21/50 0/27 Commission, Omission, Producer Accuracy, User Accuracy WieseWeizenSumme Mais 1 Wiese Weizen 21 Summe 61

13 Omission und Commission Error O 1 and O 2 : Omission Error von A C B and C C : Commision Error von A Häufigkeit (P(Klasse i | Pixelgrauwert) Pixelgrauwert B AC O 1 C B C C O 2

14 Strategie 2: Überprüfung der spektralen Trennbarkeit einzelner Klassen (IV) 1. Welche Klassen wurde mit mindestens 90% richtig klassifiziert? (Omission und Commision Error < 10%) Fragestellungen und Verbesserungsstrategien 2. Welche anderen Klassen wurden hineinklassifiziert? Könnten diese spektral dazugehören? ja Klassen zusammenfassen oder besser gleich einfärben neinÜberprüfung der Digitalisierung und Verbesserung 3. Sind die Fehlklassifizierungen nicht erklärbar, muss man die Zusammensetzung der Klasse analysieren und überprüfen, ob sie überhaupt klassifizierbar ist. (Problemklassen: Mais, Weinberge, …) Iterative Verbesserung des Klassifizierungsergebnisses

15 Klassen vom Nutzer in Form von Trainingsflächen vorgegeben Automatische Zuordnung aller Pixel zu gegebenen Klassen Klassen sind vor der Klassifizierung bestimmt Anwendung, wenn das Gebiet und die Materialien bekannt sind Aufwand für Bearbeiter hoch Rechenaufwand mittel Klassen werden selbständig anhand der Bildstatistik gebildet Automatische Zusammenfassung von Pixeln zu Clustern Cluster = Klasse Gefundene Klassen müssen nach der Klassifizierung bestimmt werden Anwendung, wenn das Gebiet und die Materialien unbekannt sind Aufwand für Bearbeiter relativ gering Rechenaufwand hoch Überwacht Unüberwacht Überwachte Klassifikation vs. Unüberwachte Klassifikation


Herunterladen ppt "Überwachte Klassifizierung - Kartierschlüssel Zielklassen: Acker Mais Weizen Wiese Wald Wasser Siedlung Definition: Vorgaben bzw. Feldbegehung."

Ähnliche Präsentationen


Google-Anzeigen