Алгоритмы классификации космической съемки в GRASS - История изменений

KolesovDmitry: /* Методы классификации в GRASS */

2013-11-04T05:28:48Z

Методы классификации в GRASS

← Предыдущая версия		Версия от 07:28, 4 ноября 2013
Строка 4:		Строка 4:
	{\| class="wikitable" width="80%"		{\| class="wikitable" width="80%"
	\|-		\|-
	! !! радиометрическая<BR>без ~~обучения~~ !! радиометрическая<BR>с ~~обучением~~<BR>вариант 1 !! радиометрическая<BR>с ~~обучением~~<BR>вариант 2 !! радиометрическая и геометрическая<BR>с ~~обучением~~		! !! 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"		\|-style="vertical-align:top"
	\| '''расчет статистики'''		\| '''расчет статистики'''

KolesovDmitry: /* Методы классификации в GRASS */

2013-11-04T05:27:44Z

Методы классификации в GRASS

← Предыдущая версия		Версия от 07:27, 4 ноября 2013
Строка 1:		Строка 1:
	==Методы классификации в GRASS==		==Методы классификации в GRASS==
	[http://grasswiki.osgeo.org/wiki/Image_classification В GRASS реализовано несколько алгоритмов классификации]: один алгоритм без ~~обучения~~ и три - с ~~обучением~~:		[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%"		{\| class="wikitable" width="80%"
Строка 25:		Строка 25:
	\|}		\|}

	Алгоритм классификации без ~~обучения~~ 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 ~~пренести~~ 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.		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 с ~~обучением~~ (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.		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.

Bolotoved: Новая страница: «==Методы классификации в GRASS== [http://grasswiki.osgeo.org/wiki/Image_classification В GRASS реализовано несколько ал…»

2013-02-17T15:04:24Z

Новая страница: «==Методы классификации в GRASS== [http://grasswiki.osgeo.org/wiki/Image_classification В GRASS реализовано несколько ал…»

Новая страница

==Методы классификации в GRASS==
[http://grasswiki.osgeo.org/wiki/Image_classification В GRASS реализовано несколько алгоритмов классификации]: один алгоритм без обучения и три - с обучением:

{| class="wikitable" width="80%"
|-
! !! радиометрическая без обучения !! радиометрическая с обучением вариант 1 !! радиометрическая с обучением вариант 2 !! радиометрическая и геометрическая с обучением
|-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 без обучения 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 пренести 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 с обучением (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.