Фиг. 1. Входно многоканално изображение
с разположението на опорните точки
4. КЛАСИФИКАЦИЯ
Класификацията, обединяваща методите без
обучение и с обучение с учител, се извършва в следната
последователност:
4.1. Класификация в режим без използване на
учител
Извършва се класификация в режим без обучение,
като се задава голям брой класове. В проведените
експерименти са зададени 36 класа. Фрагмент от
полученото изображение след класификацията е
показан на фиг. 2.
Фиг. 2. Фрагмент от класифицираното
изображение в режим без обучение - 36 класа
4.2. Формиране на класове в режим на
обучение с учител
Формират се класове на основата на определените
характеристики на почвените типове и визуално
интерпретиране на пробни площи в тяхната околност.
Фрагмент от обработваното многоканално изображение
с дефинираните пробни площи е показан на фиг. 3.
4.3. Обединение на спектралните
характеристики на класовете
С помощта на редактора на спектрални сигнатури се
обединяват спектралните характеристики на класовете,
получени в режим без обучение (unsupervised
classification) и в режим на обучение с учител (supervised
classification).
24
Фиг. 3. Многоканално изображение с част
от избраните пробни площи (aoi)
Извършва се анализ за дублиране на класовете
като се проектират двата типа класа в пространството
на двумерните статистически хистограми (feature
space). Класовете, получени в режим на самообучение,
които се припокриват от някои от класовете, получени
от пробните площи, се заместват с тези, получени
в режим на обучение. Окончателният вариант на
набора от спектралните характеристики на класовете е
представен на таблица 2.
4.4. Класификация в режим на обучение
с учител
Обединените спектрални характеристики се ползват
в режим на класификация с обучение, като се прилага
методът на максималното правдоподобие. Генерира
се и файл на разстояние, отчитащ надеждността на
класификацията, който се ползва за подобряване на
класификацията.
Подобряване на класификацията се постига като
се дефинира праг, който отрязва онези пиксели,
чиято надеждност на класификацията е ниска. За
всеки от класовете се построява хистограмата на
разпределение на разстоянията.Прагът може да се
дефинира ръчно на основата на визуален анализ на
хистограмата или чрез задаване на надеждността на
класификацията.Хистограмата се апроксимира по
метода χ-квадрат. На базата на зададения праг се
определя прага, който разделя надеждно определените
от надеждните пиксели.По този начин част от смесените
пиксели се отнасят към некласифицираните, вместо
да бъдат погрешно класифицирани. Резулта `