Professional Documents
Culture Documents
Bài 6
Bài 6
HCM
KHOA HỆ THỐNG THÔNG TIN – VIỄN THÁM
2
LÝ THUYẾT
3
1.1. Phân loại ảnh vệ tinh
Phân loại ảnh số là việc phân loại và sắp xếp các pixel trên ảnh
thành những nhóm khác nhau dựa trên một số đặc điểm chung
về giá trị độ xám, sự đồng nhất, mật độ, tone ảnh,… Có hai
kiểu phân loại chính:
Phân loại không giám sát (Unsupervised classification):
Isodata và K-mean
Phân loại giám sát (Supervised classification):
Parallelepiped, Maximun Likelyhood, Minimum Distance,
Mahalanobis Distance, Binary Encoding và Spectral Angle
Mapper
4
1.2. Phân loại ảnh vệ tinh – Không giám sát
5
1.3. Phân loại không giám sát - ISODATA
6
1.3. Phân loại không giám sát - ISODATA
Phân bố ngẫu nhiên Poisson của các lớp giá trị Phân bố ngẫu nhiên Poisson của các lớp giá trị
tán xạ ảnh vệ tinh trong một kênh ảnh tán xạ ảnh vệ tinh giữa 2 10kênh ảnh khác nhau
10
THỰC HÀNH 1
11
2.1. Các bước chính phân loại không giám sát
Ảnh vệ tinh quang học
Unsupervised
classification
14
2.1. Phân loại không giám sát ISODATA
Bước 4: Ra điều kiện cho phân loại ảnh ISODATA
Maximum Class Stdv: Ngưỡng độ lệch chuẩn tối đa của một lớp.
Nếu độ lệch chuẩn của một lớp.
Minimum Class Distance: Khoảng cách tối thiểu giữa các giá trị
trung bình của các lớp. Nếu khoảng cách giữa các giá trị trụng
bình của các lớp nhỏ hơn giá trị nhập vào thì các lớp đó sẽ được
gộp vào
Maximum Merge Pairs: Số tối đa của các lớp được gộp.
Maximum Stdev From Mean: Khoảng cách độ lệch chuẩn tối đa
từ giá trị trung bình của lớp
Maximum Distance Error: Khoảng sai số tối đa cho phép xung
quanh giá trị trung bình của lớp.
Bước 5: Chọn OK để phân loại.
15
2.1. Phân loại không giám sát ISODATA
16
2.1. Phân loại không giám sát ISODATA
18
2.1. Các bước chính phân loại có giám sát
Ảnh vệ tinh quang học
Điểm
Supervised Khóa đào
khảo sát
classification tạo/ ROI
mặt đất
22
2.1. Phân loại giám sát Maximum Likelihood
Bước 1: Sau khi xây dựng khóa đào tạo
phân loại ROI, trên thanh công cụ. Để tiến
hành chạy phân loại giám sát, chọn
Classification Supervised Maximum
Likelihood.
Bước 2: Trong bảng Classification Input file,
chọn file ảnh muốn phân loại.
Spatial Subset: Khi chỉ muốn phân loại một
phần nhỏ của ảnh phân loại
Spectral Subset: Chọn tổ hợp kênh dùng để
phân loại.
Chú ý: Tối thiểu là 3 kênh.
Không nên dùng quá nhiều kênh sẽ giảm độ
chính xác phân loại.
Các kênh phân loại phải chứa đặc điểm có ý 23
nghĩa bổ trợ cho phân loại. 23
2.1. Phân loại giám sát Maximum Likelihood
Bước 3: Nếu đã lỡ tắt ROI, khi
phân loại giám sát phần mềm
báo chưa có ROI, yêu cầu phải
mở ROI lại trước khi phân loại.
Basic Tools Region of
Interest ROI Tools File
Restore ROI.
Bước 4: Sau khi chọn file cần
phân loại, bảng Maximum
Likelihood Parameters, chọn
ROI Save file sau khi phân
loại OK.
24
2.1. Phân loại giám sát Maximum Likelihood
Bước 3: Nếu đã lỡ tắt ROI, khi phân
loại giám sát phần mềm báo chưa có
ROI, yêu cầu phải mở ROI lại trước
khi phân loại.
Basic Tools Region of Interest
ROI Tools File Restore ROI.
Bước 4: Sau khi chọn file cần phân
loại, bảng Maximum Likelihood
Parameters, chọn ROI Save file
sau khi phân loại OK.
Bước 5: Trong Image Window, mở
bảng chứa các lớp phân loại.
Overlay Classification
Quan sát các lớp phân loại và phân
bố không gian của các lớp phân loại.
25
THỰC HÀNH 3
26
2.1. Tính độ chính xác sau phân loại
Độ chính xác sau phân loại giám sát hoặc không giám sát
thường dựa vào chênh lệch thông tin che phủ giữa:
Thảm che phủ do phân loại ảnh vệ tinh
Thảm che phủ trong thực tế
Xem xét mức độ chênh lệch thông tin che phủ dựa vào:
Tập hợp các điểm thực địa (Ground truth point) mang thông
tin về lớp che phủ được thu thập từ thực tế (hoặc thông qua
một ảnh vệ tinh với độ phân giải lớn hơn mà ở đó thông tin
về thảm che phủ có thể quan sát được một cách rõ rang) với
vị trí tọa độ cụ thể.
27
2.1. Tính độ chính xác sau phân loại
nước
(6) Sông hồ 0 0 0 0 0 11 0 0 0 11
(7) Đường xá 0 0 0 2 0 0 4 0 2 8
𝑟 𝑟
𝑁 𝑖=1 𝑥𝑖𝑖 − 𝑖=1 𝑥𝑖+ × 𝑥+𝑖
𝜅=
𝑁 2 − 𝑟𝑖=1 𝑥𝑖+ × 𝑥+𝑖
Trong đó: N là tổng số điểm thực địa đùng để tính toán sai số; r là số hàng
trong ma trận; xii là số điểm thuộc hàng i và cột i; x+i là tổng số điểm ở hàng i;
30