11

2.7 Klasyfikacja obrazu satelitarnego

Klasyfikacja obrazu satelitarnego to proces, w którym odnajdujemy zaleĪnoĞü miĊdzy barwą

obrazu reprezentowaną przez wartoĞci pikseli a pokryciem terenu w danym miejscu. Ma to na

celu wyodrĊbnienie w sposób moĪliwie jednoznaczny klas pokrycia terenu.

Przykładowo w przypadku obrazu wielospektralnego złoĪonego z trzech kanałów, jeĪeli

wartoĞci pikseli w jednym miejscu wynoszą 34, 25, 117, w drugim 34, 24, 119 i wreszcie w

trzecim 11, 77, 51, to dwa pierwsze piksele prawdopodobnie naleĪą do tej samej klasy

pokrycia terenu, a trzeci do klasy innej.

Istnieje wiele metod klasyfikacji. W jednym z podziałów wyróĪniane są metody nadzorowane

i nienadzorowane. Te pierwsze dają zwykle lepsze wyniki, jednak wymagają dodatkowej

wiedzy od osoby klasyfikującej na temat zaleĪnoĞci miĊdzy wartoĞciami pikseli, a

rzeczywistymi klasami tematycznymi (pokrycia terenu).

W üwiczeniu wypróbujemy zarówno klasyfikacjĊ nadzorowaną jak i nienadzorowaną.

1. Klasyfikacja nadzorowana

Proces klasyfikacji nadzorowanej składa siĊ z dwóch faz. W pierwszej fazie osoba

klasyfikująca „uczy” program, okreĞlając dla pewnej, ograniczonej liczby pikseli obrazu

odpowiadające im klasy. W drugiej fazie – podejmowania decyzji – program samodzielnie

klasyfikuje pozostałe piksele, korzystając z tak przygotowanego wzorca. Stosowany jest

algorytm przyrównujący wartoĞci wszystkich pikseli obrazu do wartoĞci pikseli

przydzielonych do poszczególnych klas w fazie „treningowej”.

ûwiczenie rozpoczniemy od fazy „treningowej”, w której zdefiniujemy klasy pokrycia terenu.

Do kaĪdej z klas przydzielimy okreĞloną liczbĊ pikseli, co do których mamy pewnoĞü, jak

powinny byü zaklasyfikowane. Utworzymy w ten sposób wzorce klas. W tej czĊĞci üwiczenia

bazowaü bĊdziemy jedynie na interpretacji wizualnej obrazu, chociaĪ wiĊkszą pewnoĞü

zyskalibyĞmy dysponując dodatkową mapą lub wynikami prac terenowych.

12

1. Zaczniemy od zdefiniowania klas pokrycia terenu. Wybierz File

Æ Create Æ Sample

Set.

2. Pojawi siĊ okno dialogowe Create Sample Set. Wpisz nazwĊ zestawu wzorcowego

Sample Set: „landsat_klasy”.

3. Utworzymy teraz nowy zakres. Zakresy w programie ILWIS definiują klasy, wartoĞci

i identyfikatory uĪywane na odpowiadających im mapach lub w tabelach. Wybierz

przycisk Create Domain, po prawej od listy rozwijanej Domain.

4. Pojawi siĊ okno dialogowe tworzenia nowego zakresu Create Domain. Wpisz nazwĊ

zakresu „landsat_klasy” i zatwierdĨ OK.

5. Pojawi siĊ edytor klas zakresu Domain Class „landsat_klasy”. W edytorze kliknij

przycisk Add Item

. WyĞwietli siĊ okno dialogowe Add Domain Item.

6. Utwórz klasy, za kaĪdym razem wpisując nazwĊ Name i kod Code, a nastĊpnie

zatwierdzając OK. UĪyj nastĊpujących nazw i kodów:

Name

Code

Las

L

UĪytek rolny

U

Woda

W

Zabudowa

Z

13

7. Po utworzeniu wszystkich klas, w oknie dialogowym edytora Domain Class kliknij

przycisk Open Representation

.

8. Otwarte zostanie okno dialogowe tworzenia graficznej reprezentacji dla zakresu -

Representation Class. W oknie tym nadaj wybrany kolor z kaĪdej z czterech

utworzonych klas. W tym celu kliknij dwukrotnie pole koloru przy nazwie danej

klasy, a nastĊpnie wybierz odpowiedni kolor z listy rozwijanej.

9. Zamknij okna edytorów Representation Class oraz Domain Class i powróü do okna

dialogowego Create Sample Set.

10. W oknie Create Sample Set, wybierz przycisk Create Map List, po prawej od listy

rozwijanej Map List. Utworzysz teraz nową listĊ map. Lista map w programie ILWIS

jest obiektem, który przechowuje odniesienia do zestawu map rastrowych,

posiadających ten sam zakres oraz georeferencjĊ (układ współrzĊdnych). Otwarte

zostanie okno Create Map List. W oknie tym wybierz w polu po lewej stronie pliki

map: „landsat1”, „landsat2”, „landsat3” i „landsat4”. Dodaj je do pola po prawej

stronie za pomocą strzałki „>”. W polu Map List nadaj nazwĊ nowej liĞcie map:

„landsat_kanaly”. ZatwierdĨ OK. Ponownie zatwierdĨ OK w oknie Create Sample Set.

14

11. Pojawi siĊ okno Display Options – Map List as ColorComp. Ustaw jako Red Band –

„landsat3”, jako Green Band – „landsat2”, jako Blue Band – „landsat1”. ResztĊ opcji

pozostaw bez zmian.

12. Rozpocznie siĊ proces edycji zestawu wzorców klas – przydzielanie pikseli obrazu do

poszczególnych klas. Pojawi siĊ okno edytora Sample Set Editor oraz okienko

dialogowe Sample Set Statistics.

15

Rysunek 6. Klasyfikacja nadzorowana – edycja zestawu wzorców klas.

13. PrzybliĪ teraz narzĊdziem Zoom In

obraz w oknie Sample Set Editor. ZbliĪ

kilkukrotnie na mały fragment obrazu z wodą. Za pomocą narzĊdzia Normal

zaznacz przeciągając lewym przyciskiem myszy niewielki fragment obrazu pokryty

przez wodĊ.

14. Kliknij prawym przyciskiem myszy. Pojawi siĊ lista rozwijana, z której wybierz Edit.

Pojawi siĊ okienko dialogowe Edit, w którym wybierz z listy rozwijanej klasĊ „W” –

woda. ZatwierdĨ OK.

15. W okienku Sample Statistics pojawią siĊ teraz statystyki: w górnej czĊĞci dla

wszystkich wybranych pikseli objĊtych wodą, w jego dolnej czĊĞci dla pikseli

objĊtych wodą w obecnie wybranym polu. Są to nastĊpujące statystyki: Mean –

Ğrednia wartoĞü pikseli, StDev – odchylenie standardowe wartoĞci pikseli, Nr – liczba

pikseli mająca dominującą wartoĞü, Pred – dominująca wartoĞü pikseli, Total –

całkowita liczba wybranych pikseli.

16

Rysunek 7. Klasyfikacja nadzorowana – edycja zestawu wzorców klas.

16. Powtórz procedurĊ z kroków 14-15 dla kilku innych obszarów wodnych, a nastĊpnie

wykonaj te same czynnoĞci próbkując równieĪ po kilka obszarów leĞnych, rolnych i

zabudowanych. W ten sposób powstaną wzorce dla wszystkich wydzielonych klas.

NastĊpuje teraz faza podejmowania przez program decyzji o przydzieleniu wszystkich pikseli

obrazu do którejĞ z klas, bazując na utworzonym zestawie wzorców klas (Sample Set).

17. Na liĞcie operacji Operation Tree, dwukrotnie kliknij Image Processing

Æ Classify.

18. W oknie dialogowym Classification, które siĊ pojawi wybierz jako Sample Set:

„landsat_klasy”. Wybierz metodĊ klasyfikacji Box Classifier. Pozostaw domyĞlną

wartoĞü przelicznika Multiplication Factor. Wpisz nazwĊ mapy wynikowej Output

Raster Map: „Landsat_box”. Klinij przycisk Show. Rozpocznie siĊ proces klasyfikacji

(w tym czasie wyĞwietlone bĊdzie okno Progress Manager).

17

19. Pojawi siĊ okno Display Options – Raster Map. Kliknij OK. Wynik klasyfikacji

zostanie wyĞwietlony. MoĪe on wyglądaü np. w sposób taki jak na mapie poniĪej.

18

Rysunek 8. Przykładowy wynik klasyfikacji nadzorowanej.

20. Otrzymany wynik klasyfikacji moĪe nie byü w pełni satysfakcjonujący, gdyĪ pokrycie

terenu w poszczególnych miejscach moĪe zostaü błĊdnie sklasyfikowane. Mogą

równieĪ wystĊpowaü „białe plamy” w miejscach, gdzie program odnajduje piksele o

wartoĞciach, których nie jest w stanie przypisaü jednoznacznie do Īadnej z klas. Na

niezadowalający wynik mają wpływ takĪe błĊdy osoby klasyfikującej oraz nakładanie

siĊ wartoĞci, jakie przyjmują piksele róĪnych klas uĪytkowania terenu w zestawie

wzorcowym (zaleĪy to od właĞciwoĞci obrazu satelitarnego). BłĊdy mogą byü na tyle

istotne, Īe konieczne bĊdzie powtórzenie procedury tworzenia zestawu wzorcowego,

wydzielenie wiĊkszej liczby klas lub wybór odmiennej metody klasyfikacji.

2. Klasyfikacja nienadzorowana

Klasyfikacja nienadzorowana jest znacznie szybsza w wykonaniu, lecz wyniki są zazwyczaj

mniej wiarygodne. W tym przypadku program analizuje zakres wartoĞci pikseli obrazu i

grupuje te wartoĞci w pewną liczbĊ klas. Klasy te nie są zdefiniowane tematycznie (np.

19

zabudowa, droga, łąka). Podział na klasy jest wykonywany jedynie na podstawie róĪnic w

odpowiedzi spektralnej obiektów. Piksele o podobnych wartoĞciach zostają przydzielone do

tych samych klas. Istnieją róĪne algorytmy klasyfikacji nienadzorowanej. UĪytkownik

programu moĪe zazwyczaj zdefiniowaü przybliĪoną liczbĊ klas, jaką chce siĊ uzyskaü,

maksymalny zakres wartoĞci w jednej klasie oraz minimalną róĪnicĊ wartoĞci miĊdzy

klasami.

1. Z listy operacji Operation-Tree wybierz Image Processing

Æ Cluster (lub wybierz

operacjĊ Cluster z listy operacji Operation-List). Otwarte zostanie okno Clustering.

2. W oknie Clustering wybierz jako mapy wejĞciowe pliki „landsat_1”, „landsat_2” i

„landsat_3”. Wybierz taką samą liczbĊ klas jak w przypadku klasyfikacji

nadzorowanej – Number of Clusters = 4.

3. Nazwij mapĊ wynikową Output Raster Map – „klas_nienadzor”. Kliknij Show.

Tworzona jest mapa wynikowa (w tym czasie wyĞwietla siĊ okienko Progress

Manager). MoĪe to potrwaü dłuĪszą chwilĊ.

4. Pojawi siĊ okno Display Options – Raster Map. ZatwierdĨ domyĞlne wartoĞci klikając

OK. WyĞwietlony zostanie obraz (mapa) z wynikami klasyfikacji.

20

Rysunek 9. Przykładowy wynik klasyfikacji nienadzorowanej.

Po zakoĔczeniu procesu klasyfikacji nienadzorowanej, od samego uĪytkownika zaleĪy

znalezienie relacji miĊdzy otrzymanymi klasami spektralnymi a klasami tematycznymi

(pokrycia terenu). CzĊsto jednak wystĊpują problemy – klasa tematyczna moĪe ulec

podziałowi na kilka klas spektralnych, lub, co gorsza kilka klas tematycznych moĪe

znaleĨü siĊ w jednej klasie spektralnej.

5. Porównaj otrzymane wyniki klasyfikacji nadzorowanej i nienadzorowanej,

wyĞwietlając obie mapy. Gdy ukoĔczysz üwiczenie zamknij mapy.

Ĩródło danych:

http://glcf.umiacs.umd.edu/data/landsat/

obrazy wykonane z satelity LANDSAT ze skanerem TM o rozdzielczoĞci przestrzennej 30 m,
28.07.1990