Übung Geofernerkundung SoSe 2013

Termin3Klassifikation multispektraler Daten – überwachte Verfahren

ZielEinteilung (=Klassifikation) der Pixel eines multispektralen Datensatzes in eine endliche Anzahl von Klassen. Es soll dabei versucht werden, folgende Objektarten voneinander abzugrenzen:

WaldflächenFelderWasserflächen (Seen bzw. Flußläufe)Straßen bzw. Wegevegetationslose Flächen

HinweisSie benötigen den beim ersten Termin erstellten multispektralen Datensatz der Landsat ETM Aufnahme vom Juli 2001 (vgl. Termin 1, dort: Aufgabe 3), erweitert um die Texturparameter Homogeneity und Entropy (vgl. Termin3 dort: „Erweiterung um zusätzliche Informationen“). Da Sie diesen Datensatz verändern, legen Sie bitte unbedingt vorab eine Sicherungskopie an.

MethodikEine Klassifikation multispektraler Daten basiert auf dem Prinzip „Pixel mit ähnlichen spektralen Werten reflektieren elektromagnetische Strahlung in vergleichbarer Weise, weshalb es sich um gleichartige Objekte handelt.“

Bei unüberwachten Verfahren wird die Entscheidung, „Zwei Pixel sind ähnlich und gehören damit zur gleichen Klasse.“ vom Rechner allein („unüberwacht“) mittels statistischer Kriterien getroffen, die Eigenschaften einer Klasse ermitteln sich iterativ während der Klassifikation.

Bei überwachten Verfahren definieren Sie die Eigenschaften der Klassen, indem Sie dem Rechner „mitteilen“, welche Pixel des Bildes als Repräsentanz einer Klasse betrachtet werden sollen. D.h. Sie definieren ihre Klassen an Hand von Trainingsgebieten (= kleine Ausschnitte des Bildes) und der Rechner ermittelt anschließend die spektralen Eigenschaften der von Ihnen definierten Klassen.

Danach verlaufen beide Verfahren prinzipiell ähnlich.Der Rechner sortiert alle Pixel an Hand statistischer Kenngrößen (Mittelpunkte, Varianzen, Co-Varianzen der Pixel einer Klasse, bzw. ihrer Trainingsgebiete) in jene Klassen, zu deren Charakteristik sie jeweils „am besten“ passen.

Im Ergebnis erhalten Sie ein Bild, in dem jedes Pixel die Kodierung seiner Klasse enthält.

Umsetzung in GeomaticaZunächst müssen Sie dem Datensatz zwei weitere Layer hinzufügen, es reichen jeweils 8-bit aus.

Wählen Sie dann

Analysis → Image Classification → supervised

Wählen Sie Ihren Datensatz aus und starten Sie eine neue Session. Im daraufhin erscheinenden Session Configurator können Sie jene spektralen Kanäle auswählen, die Sie zur Klassifikation nutzen wollen. Als Training und als Output Channel nutzen Sie bitte je einen der beiden neuen

Übung Geofernerkundung SoSe 2013

Kanäle (keinesfalls einen der spektralen bzw. Texturkanäle!!).

Weiter mit OK

Es öffnet sich der „Training Site Editor“ mit dem Sie ihre Trainingsgebiete definieren.

Eine neue Klasse fügen Sie über „Class“ New hinzu. Es erscheint eine (weitere) Zeile im Editor, vgl. Abbildung 1.

Hier geben Sie einen Namen ein und definieren anschließend über das Editierwerkzeug „Polygon“ von Focus (vgl. Abbildung 2, links) einen Bildaussschnitt, der die von Ihnen definierte Klasse enthält.

Sie können (bzw. sollten) dies mehrfach wiederholen, so daß Sie für Ihre Klasse mehr als nur ein Trainingsgebiet definiert haben. Sofern Sie mehr als eine Klasse im Editor angelegt haben, wird das Polygon der aktuell ausgewählten Klasse zugeordnet – dies ist erkennbar an der Farbe des Polygon.

Hinweise:

Ziel ist die Definition der spektralen Eigenschaften ihrer Klassen, d.h. ein Polygon muß keinesfalls die Fläche des Objektes vollständig erfassen. Es sollten sich jedoch keinesfalls andere Objekte innerhalb ihres Polygons befinden!

Ein Polygon löschen Sie über die Funktion Erase Polygon (vgl. Abbildung 2, rechts)

Abbildung 1: Eintrag für eine neue Klasse im Editor

Abbildung 2: Editierwerkzeuge in Focus links: Polygon, rechts: Erase Polygon

Übung Geofernerkundung SoSe 2013

Definieren Sie zunächst Trainingsgebiete für 1-2 Waldklassen, mind. 2 Feldklassen sowie je eine Klasse für Wasserflächen und eine für Wege.

Analyse der Trainingsgebiete

Die Statistik einer Signatur (d.h. die Eigenschaften aller Pixel, aller Trainingsgebiete einer(!) Klasse) können Sie sich durch Rechtsklick auf die Signatur im Training Site Editor anzeigen lassen. Unter „General“ finden Sie hier Mittelwert und Standardabweichung in den einzelnen Kanälen. Unter „Matrices“ erhalten Sie die Co-Varianz Matrix bzw. die Korrelationsmatrix für die Grauwerte der Pixel ihrer Trainingsgebiete der aktuell ausgewählten Klasse.

(Anm.: Sie können die Signatur auch wechseln durch Auswahl in der oberen Tabelle.)

Separability

Sie können die Trennbarkeit der von Ihnen definierten Klassen prüfen.

Zitat aus der Hilfe von Geomatica:

Signature separability is calculated as the statistical difference between pairs of spectral signatures. You can use the Signature Separability dialog box to monitor the quality of your training sites. Divergence is shown as both Bhattacharrya Distance and Transformed Divergence, with the Bhattacharrya Distance as the default calculation.

Both Bhattacharrya Distance and Transformed Divergence are shown as real values between zero and two. A zero indicates complete overlap between the signatures of two classes; two indicates a complete separation between the two classes. These measurements are monotonically related to classification accuracies.

D.h. Sie sollten hier Werte möglichst nah an 2 erreichen.

Darstellung der Trainingsgebiete im spektralen Merkmalsraum

Die Lage der Klassen im spektralen Merkmalsraum können Sie über die Schaltfläche Tools im Training Site Editor („Scatterplot“) graphisch anzeigen lassen. Passen Sie die Wertebereiche der x- und y-Achse an („Graph Controls“) und wählen Sie „Plot Mean“ sowie „Plot Ellipse“

Wann sind ihre Klassen gut trennbar?Pre-View der Klassifikation

Sie können sich das zu erwartende Ergebnis einer Klassifikation auf Grundlage Ihrer Klassen anzeigen lassen unter Training Site Editor, Tools, Classification Preview. Wählen Sie hier bitte die Option Maximum Likelihood. Als Ergebnis erhalten Sie die Einteilung des Datensatzes in die Klassen. Sie können diese manipulieren, indem Sie den Threshold für einzelne Klassen verändern. Damit ändern Sie die Ausdehnung der Wahrscheinlichkeitsellipsen (<= Scatterplot) für diese Klassen und beeinflussen somit die Wahrscheinlichkeit, mit der ein konkretes Pixel dieser Klasse zugeordnet wird.

Ausführen der KlassifikationWenn Sie mit den Definitionen Ihrer Klasse zufrieden sind, können Sie die Klassifikation starten. Dies geschieht im Maps-View von Focus durch einen Rechts-Klick auf den „Classification MetaLayer“. Bei der Option „Run Classification“ öffnet sich ein Dialog zur Auswahl des

Übung Geofernerkundung SoSe 2013

Klassifikationsverfahrens. Wählen Sie hier Maximum Likelihood, OK.

Dem Classification Report können sie u.a. entnehmen, wie viele Pixel welcher Klasse zugeordnet worden sind.

Beurteilen Sie Ihr Ergebnis. Definieren Sie gegebenenfalls weitere Klassen. (Hier sollten Sie versuchen, die unterschiedlichen Texturen der Waldflächen mit einzubeziehen.) Ziel sollten ca. 3 Wald-, 4 bis 5 Feldklassen sowie eine Klasse für Wasserflächen und eine für Wege sein.

Bei Fragen: Ralf.Seiler@geo.tu-freiberg.de