Obrazová klasifikácia 1

Prezentácia na tému: "Obrazová klasifikácia 1"— Prepis prezentácie:

1 Obrazová klasifikácia 1

2 Obsah prednášky 1. Obrazová klasifikácia - definícia
2. Multispektrálna klasifikácia 3. Druhy obrazovej klasifikácie 4. Kontrolovaná klasifikácia - postup 5. Kontrolovaná klasifikácia - algoritmy 6. Hodnotenie správnosti klasifikácie

3 Obrazová klasifikácia
proces triedenia pixlov do konečného počtu tried na základe ich údajových hodnôt klasifikácia obrazu je úzko spätá s pojmom rozoznávanie vzoru (Pattern Recognition) ide o hľadanie zmysluplných vzorov v údajoch (spektrálnych, ale aj iných vizuálnych alebo akustických), ktoré môžeme extrahovať klasifikáciou napr.technika OCR (Optical Character Recognition), rozoznávanie PSČ, ľudskej reči, ľudských tvárí, klasifikácia ov atď.

4 Obrazová klasifikácia
klasifikácia obrazových údajov DPZ – na základe digitálnych hodnôt pixlov (DN – Digital Number) – numerická klasifikácia

5 Multispektrálna klasifikácia
multispektrálna klasifikácia - zaraďovanie pixlov do tried na základe ich meracích vektorov merací vektor (measurement vector) - sada údajových hodnôt pre jeden pixel vo všetkých n pásmach

6 Multispektrálna klasifikácia
rôzne typy objektov – rôzne kombinácie DN

7 Príznakový priestor n spektrálnych pásiem tvorí n-rozmerný spektrálny priestor, ktorý sa všeobecne nazýva príznakový priestor (feature space) je to n-rozmerný abstraktný priestor s počtom rozmerov odpovedajúcim počtu vlastností (príznakov), ktorými je objekt (pixel,vzor) opísaný Scatter Plot

8 Rozoznávanie vzoru rozoznávanie spektrálneho vzoru – hodnoty pixlov v n pásmach (základ multispektrálnej klasifikácie) rozoznávanie priestorového vzoru – textúra, veľkosť a tvar objektov, smerovanie, kontext (vzťahy medzi pixlami) - napodobňovanie vizuálnej interpretácie - komplexnejšie a výpočtovo náročnejšie rozoznávanie časového vzoru – napr. klasifikácia poľnohosp.pôdy (zmeny počas rastovej sezóny) v súčasnosti rastie využitie priestorovo orientovaných procedúr (rast dostupnosti údajov s vysokým rozlíšením)

9 object-based, region-based, per-field, per-parcel classification
Delenie klasifikácie založená na pixloch založená na objektoch/oblastiach object-based, region-based, per-field, per-parcel classification pixel-based, per-pixel, classification

10 Delenie klasifikácie Podľa spôsobu priraďovania príslušnosti pixlov/objektov do tried: Tvrdá klasifikácia Mäkká klasifikácia hard classification soft classification

11 Delenie klasifikácie podľa stupňa zasahovania užívateľa do klasifikačného procesu: Kontrolovaná klasifikácia Nekontrolovaná klasifikácia supervised classification unsupervised classification

12 Kontrolovaná klasifikácia
pozostáva z troch krokov: 1. trénovací krok - analyzátor identifikuje reprezentatívne trénovacie oblasti a vytvára numerický opis spektrálnych vlastností každej záujmovej triedy klasifikačnej pokrývky na scéne 2. klasifikačný krok - každý pixel obrazu zaradí do tej triedy KP, na ktorú sa najviac podobá - ak nie je dostatočne podobný žiadnej triede KP, obyčajne sa označí ako "neznámy" 3. výstupný krok - vzniká výstupný obraz, v ktorom je každý pixel označený buď atribútom príslušnej triedy alebo atribútom „neznámy“ - 3 druhy výstupov – tematické mapy, štatistické tabuľky a digitálne údaje pre GIS

13 Kontrolovaná klasifikácia

14 Trénovací krok výber klasifikačnej schémy: Aké triedy chceme extrahovať? informácie o údajoch: Aké triedy sa tam pravdepodobne vyskytujú?

15 Trénovací krok informácie o území – najlepšie tzv. Ground Truth, t.j.najpresnejšie z dostupných údajov (napr.terénny prieskum, LMS...), zberaných najlepšie v čase snímania pri výbere záleží aj na našich vlastných zručnostiach v rozoznávaní vzoru a a priori znalostiach trénovacie množiny (signatúry) – sady pixlov, ktoré reprezentujú rozoznateľný vzor alebo potenciálnu triedu dôležité je, aby obsahovali len pixle danej triedy dostatočný počet pixlov (minimálene 10, najlepšie 100 a viac)

16 Trénovacie množiny musia reprezentovať všetky variácie danej triedy na scéne (reprezentatívne a kompletné) môžeme ich vytvoriť zberom jednotlivých pixlov alebo digitalizáciou polygónov (zhluky pixlov) iteratívny proces – zahŕňa pridávanie, vymazávanie a spájanie signatúr na základe trénovacích množín sa vypočítajú štatistické charakteristiky jednotlivých tried (minimálna, maximálna, priemerná hodnota jasu v jednotlivých pásmach, smerodajná odchýlka...)

17 Hodnotenie signatúr zobrazenie v dvojrozmernom histograme (scatterplot) porovnanie trénovacích množín oddeliteľnosť tried – vzdialenosť v príznakovom priestore Divergence Transformed Divergence Bhattacharya Distance Jeffries-Matusita Distance

18 Klasifikačný krok aplikácia rozhodovacieho pravidla (decision rule) - matematický algoritmus, ktorý s využitím trénovacích údajov vykonáva triedenie pixlov do oddelených tried stovky typov klasifikátorov tri najznámajšie: 1. klasifikátor minimálnej vzdialenosti (Minimum Distance Classifier) 2. rovnobežkový klasifikátor (Parallelepiped Classifier) 3. klasifikátor maximálnej pravdepodobnosti (Maximum Likelihood Classifier)

19 Klasifikačný krok dva typy rozhodovacích pravidiel (klasifikátorov):
1. parametrické pravidlo – rozhodovací priestor je spojitý, pretože je založený na modeli údajov (napr. normálne rozdelenie) 2. neparametrické pravidlo - založené na trénovacích údajoch samotných (zjednodušene určuje, či pixel je alebo nie je lokalizovaný vo vnútri hraníc neparametrickej signatúry)

20 Klasifikátor min.vzdialenosti
najjednoduchšia metóda počíta sa vzdialenosť neznámeho pixla od priemeru každej triedy v spektrálnom priestore neberie do úvahy variabilitu tried

21 Rovnobežkový klasifikátor
takisto rýchla a jednoduchá metóda triedy sú ohraničené minimálnymi a maximálnymi hodnotami – pravouhlé oblasti (obdĺžniky v 2D) problémy pri prekryte

22 Klas. max.pravdepodobnosti
parametrický klasifikátor – vyžaduje normálne (Gaussovo rozdelenie) triedy sú ohraničené izolíniami pravdepodobnosti poloha: priemer veľkosť: rozptyl tvar: kovariancia

23 Hodnotenie správnosti
klasifikácia nie je úplná, kým nie je zhodnotená jej správnosť chyba klasifikácie obsahuje systematickú a náhodnú zložku systematická – miera vychýlenia (napr.nesprávne stanovené trénovacie množiny) náhodná – napr.prekryt trénovacích množín obvyklý spôsob hodnotenia správnosti je porovnanie s údajmi, ktoré sú považované za správne (ground truth) nie je reálne testovať každý pixel scény, preto sa používa buď sada testovacích pixlov alebo testovacie polygóny (zhluky pixlov)

24 Hodnotenie správnosti
testovacie pixle sú vyberané náhodne, pričom sa však môžu zanedbať malé, ale potenciálne dôležité oblasti preto sa často robí tzv. stratifikovaný výber, kedy sa pixle vyberajú náhodne v rámci jednotlivých klasifikačných tried môžu tiež vzniknúť problémy vyplývajúce z chybnej registrácie pixlov, čomu sa dá zabrániť výberom pixlov vzdialenejších od hraníc areálov často sa tiež využívajú testovacie polygóny, ktoré by v prípade kontrolovanej klasifikácie mali byť odlišné od trénovacích a mali by byť zásadne väčšie

25 Klasifikačná chybová matica
Classification Error Matrix chyby podhodnotenia (Errors of Omission) chyby nadhodnotenia (Errors of Commission) producentská presnosť (Producent’s Accuracy) užívateľská presnosť (User’s Accuracy) celková presnosť (Overall Accuracy)

26 Klasifikačná chybová matica
Chyby podhodnotenia udávajú, aká časť údajov mala byť zaradená do danej triedy a bola zaradená do inej, nesprávnej Chyby nadhodnotenia udávajú, aká časť údajov bola nesprávne zaradená do danej triedy, pričom v skutočnosti patrí do inej Producentská správnosť udáva, ako dobre boli klasifikované referenčné pixle danej triedy Užívateľská správnosť vyjadruje pravdepodobnosť, že pixel zaradený do danej triedy skutočne reprezentuje túto triedu aj v teréne

27 Kappa koeficient Kappa koeficient (KHAT) – je štatistickou mierou zhody medzi referenčnými a klasifikovanými údajmi, vylučujúc zhodu z titulu náhody vychádza z prepokladu, že aj pri úplne náhodnej klasifikácii môže byť časť výsledkov správna vyjadruje rozdiel medzi skutočnou zhodou referenčných a klasifikovaných dát a medzi pravdepodobnou zhodou referenčných a náhodne klasifikovaných dát

28 Kappa koeficient r je počet riadkov v matici chýb
xii je počet pixlov v i-tom riadku a i-tom stĺpci (na hlavnej diagonále) xir je počet všetkých pixlov v i-tom riadku xic je počet všetkých pixlov v i-tom stĺpci N je počet všetkých pixlov

29 Kappa koeficient hodnoty indexu Kappa sa pohybujú od 0 do 1
0 znamená, že hodnotená klasifikácia nie je lepšia než náhodné usporiadanie pixlov 1 znamená, že bolo odstránených 100 % chýb, ktoré by vyprodukoval náhodný proces klasifikácie obvykle sa za dobrý výsledok považuje hodnota k > 0,75 – 0,80 hodnota k > 0,40 sa považuje za priemernú zhodu a k < 0,40 za malú zhodu tieto hodnotenia vyjadrujú len to, ako dobre sú klasifikované testovacie plochy, výsledná správnosť je preto často príliš “optimistická”