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

Ergebnis der Feldbegehung Trainingsgebiete Wald Weizen Acker Mais Wiese

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

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

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

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

Berechnung der Trainingsgebietsstatistik Mittelwert µ und Kovarianzmatrix C Mais: µMais und CMais Weizen: µWeizen und CWeizen Wiese: µWiese und CWiese Wald: µWald und CWald Acker: µAcker und CAcker P (Klassei | Pixel) Pixelgrauwert Maximum-Likelihood-Klassifizierung: PMais, PWeizen, PWiese, PAcker und PWald PMax

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

ENVI-Schwellwert Maximum-Likelihood-Klassifizierung PMais, PWeizen, PWiese, PAcker und PWald PMax Pmais * 100 % Σ Pi BWMais = Bayessche Wahrscheinlichkeit: Problem unbekanntes Material: PMais = e –30 PWeizen = e –40 PWiese = e –40 PAcker = e –40 PWald = e –40 BWMais = 100 % Schwellwert ist unbrauchbar !

Strategie 2: Überprüfung der spektralen Trennbarkeit einzelner Klassen (I) Daten der Klassifikation Wald Siedlung Acker Mais Wiese Weizen Wasser Summe Nicht Klassifiziert 66 72 149 24 1 25 39 10 49 21 29 50 27 61 438 Trainingsdaten Berechnung der Konfusionsmatrix (Pixel) (Klassifizierung der Trainingsgebiete mit Maximum-Likelihood Methode) Gesamtgenauigkeit = 0.926941 Summe der Einträge auf der Diagonalen Gesamtmenge der Beobachtungen 406 438 =

Strategie 2: Überprüfung der spektralen Trennbarkeit einzelner Klassen (II) Daten der Klassifikation Wald Siedlung Acker Mais Wiese Weizen Wasser Nicht Klassifiziert 100 1.64 63.93 25.64 34.43 74.36 Summe Trainingsdaten Berechnung der Konfusionsmatrix (Prozent) (Klassifizierung der Trainingsgebiete mit Maximum-Likelihood Methode)

Commission, Omission, Producer Accuracy, User Accuracy Strategie 2: Überprüfung der spektralen Trennbarkeit einzelner Klassen (III) Wiese Weizen Summe Mais 1 39 10 49 21 61 Commission, Omission, Producer Accuracy, User Accuracy Korrekt Klassifiziert * 100% Summe Referenz Producers Accuracy = = 100% - Omission % Korrekt Klassifiziert * 100% Summe Klassifizierung Users Accuracy = = 100% - Commission % Commission Fehler: Anteil der falsch klassifizierten Pixel in der Klasse Fehlende Klassifizierung Summe Klassifizierung Korrekt Klassifiziert Falsch Klassifiziert Commission Fehler Producers Accuracy Summe Referenz Omission Fehler Users Accuracy Falsch Klassifiziert Summe Klassifizierung Commission = Nicht Klassifiziert 0.00% 0.00% Omission Fehler: Anteil der Pixel die fälschlicherweise einer anderen Klasse zugeordnet worden Wald 66 66 66 0/66 0/66 100.00% 100.00% Siedlung 72 72 72 0/72 0/72 100.00% 100.00% Acker 149 149 149 0/149 0/149 100.00% 100.00% Mais 24 25 24 1 0/24 1/25 100.00% 96.00% Fehlende Klassifizierung Summe Referenz Omission = Wiese 61 49 39 10 22 22/61 10/49 63.93% 79.59% Weizen 39 50 29 21 10 10/39 21/50 74.36% 58.00% Wasser 27 27 27 0/27 0/27 100.00% 100.00%

Omission und Commission Error Häufigkeit (P(Klassei | Pixelgrauwert) B A C O1 CB CC O2 Pixelgrauwert O1 and O2: Omission Error von A CB and CC: Commision Error von A

Strategie 2: Überprüfung der spektralen Trennbarkeit einzelner Klassen (IV) Fragestellungen und Verbesserungsstrategien 1. Welche Klassen wurde mit mindestens 90% richtig klassifiziert? (Omission und Commision Error < 10%) 2. Welche anderen Klassen wurden hineinklassifiziert? Könnten diese spektral dazugehören? ja Klassen zusammenfassen oder besser gleich einfärben nein Überprüfung 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

Überwachte Klassifikation vs. Unüberwachte Klassifikation 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