Алгоритмы классификации космической съемки в GRASS

Материал из GIS-Lab
(Различия между версиями)
Перейти к: навигация, поиск
(Новая страница: «==Методы классификации в GRASS== [http://grasswiki.osgeo.org/wiki/Image_classification В GRASS реализовано несколько ал…»)
 
(Методы классификации в GRASS)
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.

Версия 06:27, 4 ноября 2013

Методы классификации в GRASS

В GRASS реализовано несколько алгоритмов классификации: один алгоритм класса "обучение без учителя" и три - "обучение с учителем":

радиометрическая
без обучения
радиометрическая
с обучением
вариант 1
радиометрическая
с обучением
вариант 2
радиометрическая и геометрическая
с обучением
расчет статистики i.cluster i.class i.gensig i.gensigset
классификация i.maxlik i.maxlik i.maxlik i.smap
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.

Персональные инструменты
Пространства имён

Варианты
Действия
Статьи
Спецпроекты
Инструменты