обединява пиксели или съществуващи обекти . Това е оптимизираща процедура , която за даден брой на обектите в едно изображение намалява средната разнородност и увеличава тяхната еднородност . Процедурата започва с един обект от един пиксел и последователно ги обединява в няколко цикъла . Критерият за еднородност е дефиниран като комбинация от спектрална еднородност и еднородност по форма . Колкото по-висок е мащабният параметър , толкова по-големи обекти се получават като резултат . Последващата обработка включва избор на найдобре пасващ съсед за обединяване . Циклите продължават дотогава , когато няма повече възможности за обединяване . [ 9 ]
� Предимства и недостатъци на автоматизираната сегментация
Според параметрите и използваните алгоритми , резултатите ще бъдат различни . Мащабният фактор определя размера на генерираните обекти и често среща затруднение с извличането на всички обекти . Недостатък е , че някои линейни обекти , като пътища , могат да бъдат присвоени към по-големи такива , което води до грешки , които трябва да бъдат отстранени след дешифриране . [ 6 ]. Получените резултати от обектно-ориентирана класификация са показани на фиг . 6 , с детайл – фиг . 7 . Тук резултатът е векторни данни , готови за експорт , и които могат да послужат при по-нататъшни проучвания и анализи .
5 . ОЦЕНКА НА ТОЧНОСТТА
Матрица на грешките е сред най-разпрострените методи за оценка на обектно-ориентираната класификация . Той е заложен в повечето софтуери за обработка и предоставя бърза оценка на направената класификация .
Toчността на една класификация измерва съответствието между дефинираните класове в оригиналното изображение и класифицираните .
Грешката от класификация се получава , когато пиксел или характерен обект от един клас е присвоен към друг .
Когато се прави класификация е важно правилното извършване на оценката на точността ѝ . Най-лесният начин за оценка е чрез дешифриране , при което се откриват грешките от класификацията , сравнени с оригиналното изображение . Но това далеч не е задоволителен резултат . В случая на извършване на обектно-ориентирана класификация оценката на точността се извършва чрез матрица на грешките .
Тя представлява таблица , която показва връзката между класификацията и оригиналното изображение . В таблица 1 е показана една примерна матрица на грешките . Колоните представляват зададените класове от изображението , а редовете - класовете , получени вследствие на класификацията . [ 12 ]
Таблица 1 . Матрица на грешките
Фиг . 7 . Обектно-ориентирана класификация
Фиг . 8 . Детайл от класификацията
На база матрицата на грешките се изчисляват грешките , от които може да се направи оценка на точността на получената класификация . Изчислени са следните грешки ( Формули 1-7 ):
� грешка , при която пиксели от един клас са включени към друг . Изчислява се по следната формула , кореспондираща с таблица 1 : OE = ( aB + aC ) / ∑a ( 1 ) Връзката между тази грешка и потребителската точност е следната : UА = 1 – OE ( 2 ) � грешка , при която излишни пиксели са присъединени към клас , на който не принадлежат - формула 3 :
СЕ = ( bA + cA ) / ∑A ( 3 )
ГКЗ 5-6 ’ 2020 17