Просмотр кода страницы Алгоритмы классификации космической съемки в GRASS

==Методы классификации в GRASS==
[http://grasswiki.osgeo.org/wiki/Image_classification В GRASS реализовано несколько алгоритмов классификации]: один алгоритм класса "обучение без учителя" и три - "обучение с учителем":

{| class="wikitable" width="80%"
|-
! !! радиометрическая<BR>без учителя !! радиометрическая<BR>с учителем<BR>вариант 1 !! радиометрическая<BR>с учителем<BR>вариант 2 !! радиометрическая и геометрическая<BR>с учителем
|-style="vertical-align:top"
| '''расчет статистики'''
|| [http://grass.osgeo.org/grass64/manuals/i.cluster.html i.cluster]
|| [http://grass.osgeo.org/grass64/manuals/i.class.html i.class]
|| [http://grass.osgeo.org/grass64/manuals/i.gensig.html i.gensig]
|| [http://grass.osgeo.org/grass64/manuals/i.gensigset.html i.gensigset]
|-style="vertical-align:top"
| '''классификация'''
|| [http://grass.osgeo.org/grass64/manuals/i.maxlik.html i.maxlik]
|| [http://grass.osgeo.org/grass64/manuals/i.maxlik.html i.maxlik]
|| [http://grass.osgeo.org/grass64/manuals/i.maxlik.html i.maxlik]
|| [http://grass.osgeo.org/grass64/manuals/i.smap.html i.smap]
|-style="vertical-align:top"
| '''примечания'''
|| базируется на автоматически рассчитанной статистике изображения
|| требует оцифровки тренировочных полигонов
|| требует оцифровки тренировочных полигонов
|| требует оцифровки тренировочных полигонов
|}
 
Алгоритм классификации на баз обучения без учителя базируется на автоматической кластеризации объектов имеющих сходные спектральные характеристики. В результате, объекты имеющие сходные спектральные характеристики будут определены в один класс, а число таких классов задается пользователем. Данный подход может не превести к удовлетворительному результату в случае, если совершенно разные объекты (например болота и возделываемые земли) имеют сходные, хотя и отличающиеся спектральные характеристики поскольку в результате автоматической классификации будут отнесены к одному классу.

Суть метода классификации на основе обучения с учителем (supervised classification) заключается в том, что пользователь сам определяет, какие пиксели с какими спектральными значениями попадут в тот или иной класс объектов. Это достигается путем создания набора эталонов – пространственных выделов (полигонов), для которых класс установлен на основе полевых исследований или по тематическим картам.