Practicum 4: Beeldclassificatie

Doelstelling

In dit practicum verdiepen we ons in de methoden voor beeldclassificatie en onderzoeken we hoe remote sensing-beelden kunnen worden omgezet in interpreteerbare landbedekkingskaarten.

Beeldclassificatie: introductie

Beeldclassificatie (Engels: 'Image Classification') is de (complexe) procedure waarbij een multiband-rasterbeeld wordt ingedeeld in klassen om zo spatiale informatie te extraheren.

Tijdens de classificatie worden pixels gegroepeerd op basis van hun gemeenschappelijke kenmerken. Er bestaan twee hoofdtypen classificatiemethoden: Supervised (gesuperviseerde) en Unsupervised (niet-gesuperviseerde) classificatie.

Bij niet-gesuperviseerde classificatie verdeelt de computer de pixels autonoom in spectraal vergelijkbare klassen. Het aantal klassen kan vooraf worden vastgesteld of tijdens de classificatie worden bepaald. Deze methode vereist geen trainingsdata van de gebruiker. De gebruiker hoeft enkel het algoritme en eventueel het gewenste aantal klassen te selecteren.

Gesuperviseerde classificatie vereist dat het classificatie-algoritme eerst wordt getraind met een set voorbeeldklassen of training data. Vervolgens classificeert het algoritme nieuwe, ongeclassificeerde data op basis van dit getrainde model. In een laatste stap wordt een andere set bekende data, de validatiedata, gebruikt om de nauwkeurigheid van de classificatie kwantitatief te evalueren. Het aantal resulterende klassen is in dit type classificatie vooraf vastgesteld op basis van de tijdens de training opgegeven klassen.

Gesuperviseerde vs niet-gesuperviseerde classifiers

Niet-gesuperviseerde classificatie	Gesuperviseerde classificatie
+	+
Er is geen voorkennis nodig van het gebied.	De trainingsklassen komen overeen met de eigenlijke landbekking
Minimale input van menselijke fouten	Trainingdata is herbruikbaar, tenzij de landbedekking verandert.
Gemakkelijk uit te voeren	Resultaat is meteen bruikbaar, gezien de klassen gekend zijn.
-	-
De resulterende klassen komen niet per sé overeen met gewenste landbekkingsklassen	De opgegeven klassen komen niet altijd overeen met de spectrale klassen
Spatiale relaties of spatiale context wordt niet meegenomen in de data	Zekerheid/consistentie is niet over alle klassen gelijk
Interpretatie kan moeilijk zijn	Verzamelen van (voldoende) trainingdata kost moeite, geld en tijd