Obrazová klasifikácia Objektovo-orientovaná klasifikácia

Delenie klasifikácie založená na pixloch založená na objektoch pixel-based, per-pixel, classification založená na objektoch object-based, per-field, per-parcel classification Klasifikácia založená na oblastiach určitým spôsobom napodobňuje činnosť človeka pri vizuálnej interpretácii, ktorý najprv delí obraz na homogénne jednotky a potom ich identifikuje.

Vývoj klasifikácie metódy tradičnej klasifikácie založenej na pixloch sa vyvíjali od 70-tych rokov minulého storočia (po vypustení prvej družice Landsat) pre údaje s vysokým priestorovým rozlíšením ich presnosť nie je dostatočná, pretože objekty na týchto snímkach sú charakteristické nielen spektrálnymi vlastnosťami, ale aj textúrou, tvarom alebo vzájomnými súvislosťami „salt-and-pepper“ efekt – vzniká pri klasifikácii VHR snímok založenej na pixloch (jednotlivé pixle alebo malé skupiny pixlov obkolesené pixlami inej triedy)

Vývoj klasifikácie v súčasnosti – posun paradigmy v spracovaní údajov DPZ takmer 20 rokov dominoval model založený na spektrálnych vlastnostiach pixlov dnes – prechod k viacúrovňovému kontextovému modelu založenému na objektoch nová paradigma – Geografické obrazové analýzy založené na objektoch (GEOBIA – Geographic Object-Based Image Analysis) – subdisciplína geoinformačnej vedy zameraná na automatické delenie obrazových záznamov DPZ na zmysluplné objekty, čím sa generujú nové geografické informácie pre GIS

Vývoj klasifikácie GEOBIA – most medzi rastrovou doménou DPZ a (prevažne) vektorovou doménou GIS generovanie a použitie geografických informácií oddeľuje GEOBIA od OBIA (Obrazové analýzy založené na objektoch), ktoré sa využívajú v oblastiach ako počítačové videnie a biomedicína

Klasifikácia zal.na objektoch prebieha v dvoch krokoch: obrazová segmentácia – proces delenia obrazu na relatívne homogénne oblasti z hľadiska spektrálnych alebo iných vlastností klasifikácia – vytvorené segmenty (obrazové objekty) sa klasifikujú na základe spektrálnych, tvarových, textúrnych, kontextových a iných informácií tento prístup sa podobá spôsobu, akým obraz interpretuje ľudský mozog pri vizuálnej interpretácii

Obrazová segmentácia segmentačné algoritmy sa vyvíjajú od 80-tych rokov najmä na poli počítačového videnia a rozoznávania vzoru a aplikovali sa v oblastiach ako medicína a telekomunikačné inžinierstvo na poli DPZ – až s rozšírením VHR snímok tento proces je podobný zhlukovaniu, ale na rozdiel od zhlukov sa segmenty vytvárajú s požiadavkou, aby pixle v nich boli priestorovo súdržné vlastnosti vytvorených segmentov ovplyvňujeme pomocou nastavenia parametrov segmentačných algoritmov

Obrazová segmentácia používané segmentačné algoritmy: Prahovanie (Thresholding) Narastanie oblastí (Region growing) Spájanie oblastí (Merging) Štiepenie oblastí (Splitting) Štiepenie a spájanie (Split-and-merge) Texturálne segmentačné algoritmy Segmentácia rozvodí (Watershed segmentation) Technika priemerného posunu (Mean Shift) ....

Obrazová segmentácia najdôležitejšie vlastnosti: 1. veľkosť segmentov – určuje „mierku“ mapovania alebo mieru abstrakcie objektov na snímke - ak sú segmenty príliš veľké (nadsegmentovanie), môžu obsahovať pixle viacerých objektov - ak sú naopak príliš malé (podsegmentovanie), zbytočne to sťažuje klasifikáciu 2. podobnosť segmentov (spektrálna, priestorová) – prahová hodnota určujúca, či budú objekty súčasťou jedného segmentu alebo budú ohraničené samostatne Nie je možné obraz rozdeliť tak, aby to bolo ideálne pre všetky klasifikačné úlohy. Stanovenie vhodného parametra mierky pre segmentáciu je v súčasnosti považované za jednu z najproblematickejších úloh v rámci GEOBIA . Základným odporúčaním je, aby vytvorené segmenty boli čo najväčšie (hľadisko efektívnosti klasifikácie), ale zároveň aby nedošlo k výskytu viacerých cieľových objektov klasifikačnej úlohy v rámci jedného segmentu (hľadisko zmysluplnosti/správnosti klasifikácie).

Obrazová segmentácia Názov Výrobca Metóda segmentácie Metóda klasifikácie eCognition Trimble (predtým Definiens) viacúrovňová segmentácia (multiresolution segmentation) objektovo-orientovaná klasifikácia (object-oriented) Feature Analyst (modul pre ArcGIS, ERDAS, Geomedia) Overwatch (predtým VLS) extrakcia objektov založená na strojovom učení (machine learning) ENVI Feature Extraction Module ITT Visual Information Solutions segmentácia založená na hranách (edge-based segmentation) klasifikácia založená na objektoch (object-based) ERDAS Imagine Objective ERDAS segmentácia narastaním oblastí (region growing) Idrisi Taiga Clark Labs segmentácia na princípe povodí (watershed segmentation) filtrácia výsledkov klasifikácie založenej na pixloch podľa segmentov SPRING nekomerčný softvér klasifikácia založená na oblastiach (region-based) Nie je možné obraz rozdeliť tak, aby to bolo ideálne pre všetky klasifikačné úlohy. Stanovenie vhodného parametra mierky pre segmentáciu je v súčasnosti považované za jednu z najproblematickejších úloh v rámci GEOBIA . Základným odporúčaním je, aby vytvorené segmenty boli čo najväčšie (hľadisko efektívnosti klasifikácie), ale zároveň aby nedošlo k výskytu viacerých cieľových objektov klasifikačnej úlohy v rámci jedného segmentu (hľadisko zmysluplnosti/správnosti klasifikácie).

Klasifikácia zal.na objektoch po segmentácii nasleduje klasifikácia podobné metódy ako pri per-pixel klasifikácii: nekontrolovaná – zhlukovanie segmentov (napr. metóda Isoclust v SPRING) kontrolovaná – rovnobežkový klasifikátor, klasifikátor maximálnej pravdepodobnosti, klasifikátor najbližšieho suseda – aplikované na objekty/segmenty výhoda – možnosť zahrnutia prídavných informácií do klasifikácie (najmä DTM) Metóda nekontrolovanej klasifikácie Isoclust v prostredí SPRING predstavuje vlastne metódu zhlukovania Isodata aplikovanú na segmenty. Metóda Bhattacharya v SPRING funguje na princípe klasifikátora minimálnej vzdialenosti, ale na meranie vzdialenosti v spektrálnom priestore využíva výpočet vzdialenosti Bhattacharya.

Klasifikácia zal.na objektoch trénovanie kontrolovaných klasifikátorov: reprezentatívne segmenty (trénovacie množiny) definovanie klasifikačných pravidiel užívateľom Metóda nekontrolovanej klasifikácie Isoclust v prostredí SPRING predstavuje vlastne metódu zhlukovania Isodata aplikovanú na segmenty. Metóda Bhattacharya v SPRING funguje na princípe klasifikátora minimálnej vzdialenosti, ale na meranie vzdialenosti v spektrálnom priestore využíva výpočet vzdialenosti Bhattacharya.

Klasifikácia zal.na objektoch objektovo-orientovaný prístup – každý objekt má svoju identitu a atribúty, pozná svoje platné metódy, pozná svojich susedov, nadobjekty a podobjekty Objektovo-orientovaná klasifikácia je akási podmnožina klasifikátorov založených na oblastiach, pretože okrem objektovo-orientovaných klasifikátorov, ktoré využívajú vzájomné vzťahy medzi objektami existujú aj „obyčajné“ klasifikátory založené na oblastiach, ktoré využívajú len spektrálne alebo textúrne vlastnosti jednotlivých segmentov (napr. klasifikátory v prostredí SPRING). Pri objektovo-orientovanom prístupe jednotlivé objekty o sebe navzájom „vedia“. Pri klasifikácii to znamená, že jednotlivé obrazové oblasti (segmenty) poznajú svojich susedov. Obrázok znázorňuje hierarchickú štruktúru obrazových objektov, ktorá sa vytvára v procese viacúrovňovej segmentácie v prostredí Definiens Developer. Tento algoritmus umožňuje vytvoriť segmentačné úrovne s rôznou mierou abstrakcie objektov (t.j. s rôznou priemernou veľkosťou segmentov). To je výhodné pri klasifikácii, keď rôzne objekty potrebujeme (môžeme) rozoznávať s rôznou detailnosťou. V takejto hierarchickej štruktúre sú navzájom prepojené nielen obrazové objekty na jednej hierarchickej úrovni, ale aj medzi jednotlivými úrovňami. Každý objekt preto okrem svojich susedov pozná aj svoje nadobjekty a podobjekty. Takýmto spôsobom môžeme pomocou objektovo-orientovaného prístupu pri klasifikácii daného objektu využívať nielen vlastnosti objektu samotného, ale aj vlastnosti jeho susedov ako aj nadobjektov a podobjektov.

Klasifikácia zal.na objektoch klasifikácia založená na oblastiach (region-based) – klasifikuje segmenty, ale využíva len spektrálne vlastnosti klasifikácia založená na objektoch (object-based) – využíva aj priestorové informácie (napr. tvar, vzdialenosti, susedstvo, topologické vzťahy...) - prebieha v dvoch krokoch objektovo-orientovaná klasifikácia (object-oriented) – segmentácia a klasifikácia sa cyklicky striedajú, kým nie sú vytvorené cieľové objekty - s pokračujúcou analýzou rastie podrobnosť a presnosť klasifikácie a segmentácie Objektovo-orientovaná klasifikácia je akási podmnožina klasifikátorov založených na oblastiach, pretože okrem objektovo-orientovaných klasifikátorov, ktoré využívajú vzájomné vzťahy medzi objektami existujú aj „obyčajné“ klasifikátory založené na oblastiach, ktoré využívajú len spektrálne alebo textúrne vlastnosti jednotlivých segmentov (napr. klasifikátory v prostredí SPRING). Pri objektovo-orientovanom prístupe jednotlivé objekty o sebe navzájom „vedia“. Pri klasifikácii to znamená, že jednotlivé obrazové oblasti (segmenty) poznajú svojich susedov. Obrázok znázorňuje hierarchickú štruktúru obrazových objektov, ktorá sa vytvára v procese viacúrovňovej segmentácie v prostredí Definiens Developer. Tento algoritmus umožňuje vytvoriť segmentačné úrovne s rôznou mierou abstrakcie objektov (t.j. s rôznou priemernou veľkosťou segmentov). To je výhodné pri klasifikácii, keď rôzne objekty potrebujeme (môžeme) rozoznávať s rôznou detailnosťou. V takejto hierarchickej štruktúre sú navzájom prepojené nielen obrazové objekty na jednej hierarchickej úrovni, ale aj medzi jednotlivými úrovňami. Každý objekt preto okrem svojich susedov pozná aj svoje nadobjekty a podobjekty. Takýmto spôsobom môžeme pomocou objektovo-orientovaného prístupu pri klasifikácii daného objektu využívať nielen vlastnosti objektu samotného, ale aj vlastnosti jeho susedov ako aj nadobjektov a podobjektov.

Objektovo-orientovaná klasifikácia ďalšia charakteristika objektovo-orientovaného prístupu – objekty poznajú metódy, ktoré sa môžu na nich vykonávať v prípade klasifikácie to znamená, že môžeme aplikovať určité operácie na objekty vybranej triedy (tried), napr. rozdeliť ich na objekty nižšej úrovne alebo naopak zlúčiť susediace objekty danej triedy takto je možná cyklická súhra medzi segmentáciou a klasifikáciou Tento obrázok znázorňuje postup, akým sa dopracovávame od prvotných obrazových údajov (a vytvorených obrazových objektov) až k želaným objektom záujmu, ktoré korešpondujú s objektmi reálneho sveta.

eCognition objektovo-orientovaná fuzzy klasifikácia 2 hlavné metódy: 1. fuzzy klasifikácia využitím funkcií príslušnosti (MF) 2. fuzzy klasifikácia metódou najbližšieho suseda (Nearest Neighbour) – MF sa tvorí automaticky Pri fuzzy klasifikácii metódou najbližšieho suseda sa funkcie príslušnosti tvoria automaticky v mnohorozmernom príznakovom priestore. Počet rozmerov závisí od počtu vlastností použitých pri klasifikácii, ktoré vyberá užívateľ. Definiens Developer ponúka široké spektrum vlastností obrazových objektov, ktoré môžeme použiť na definovanie tried pri oboch klasifikačných metódach. Okrem spektrálnych vlastností obrazových objektov sa dajú použiť aj ich priestorové vlastnosti (tvar, veľkosť), textúrne vlastnosti, vlastnosti založené na atribútoch pomocných rastrových alebo vektorových vrstiev, vlastnosti vyjadrujúce vzťahy objektov k susedom alebo nadobjektom a podobjektom, a v neposlednom rade aj vlastnosti založené na predchádzajúcej klasifikácii (napr. môžeme objekty klasifikovať na základe susedstva alebo vzdialenosti k objektom určitej triedy). Pri fuzzy klasifikácii metódou najbližšieho suseda sa objekt zaradí do tej triedy, k vzorovému objektu (signatúre) ktorej má najmenšiu vzdialenosť v príznakovom priestore. Stupeň príslušnosti je potom daný sklonom funkcie príslušnosti, ktorú tvorí klasifikátor automaticky a klesá so vzdialenosťou od vzorového objektu. V mieste vzorového objektu nadobúda stupeň príslušnosti hodnotu 1 a postupne klesá až k hodnote 0. Strmosť sklonu funkcie môže užívateľ definovať. Na príklade dvoch vlastností a dvoch tried (červenej a modrej) vidíme, že vzorové objekty sú reprezentované malými kruhmi. Keď neznámy objekt padne do modrej časti, bude zaradený do triedy modrá a naopak. Biele časti reprezentujú oblasti, kde je stupeň príslušnosti k obom triedam menší ako prahová hodnota (defaultne 0,1) a objekt ostane neklasifikovaný.

Softvéry Feature Analyst – objektovo-orientovaná klasifikácia založená na intuitívnom učiacom algoritme, ktorý je trénovaný užívateľom zadávaním skutočných a falošných príkladov jednotlivých tried (tzv. asistovaná extrakcia objektov) - segmenty sa vytvárajú priamo pri klasifikácii ENVI, ERDAS – klasifikácia založená na objektoch - využíva spektrálne, tvarové, textúrne vlastnosti - neberie do úvahy vzájomné vzťahy medzi objektmi SPRING – klasifikácia založená na oblastiach - využíva len spektrálne a textúrne vlastnosti Pri fuzzy klasifikácii metódou najbližšieho suseda sa funkcie príslušnosti tvoria automaticky v mnohorozmernom príznakovom priestore. Počet rozmerov závisí od počtu vlastností použitých pri klasifikácii, ktoré vyberá užívateľ. Definiens Developer ponúka široké spektrum vlastností obrazových objektov, ktoré môžeme použiť na definovanie tried pri oboch klasifikačných metódach. Okrem spektrálnych vlastností obrazových objektov sa dajú použiť aj ich priestorové vlastnosti (tvar, veľkosť), textúrne vlastnosti, vlastnosti založené na atribútoch pomocných rastrových alebo vektorových vrstiev, vlastnosti vyjadrujúce vzťahy objektov k susedom alebo nadobjektom a podobjektom, a v neposlednom rade aj vlastnosti založené na predchádzajúcej klasifikácii (napr. môžeme objekty klasifikovať na základe susedstva alebo vzdialenosti k objektom určitej triedy). Pri fuzzy klasifikácii metódou najbližšieho suseda sa objekt zaradí do tej triedy, k vzorovému objektu (signatúre) ktorej má najmenšiu vzdialenosť v príznakovom priestore. Stupeň príslušnosti je potom daný sklonom funkcie príslušnosti, ktorú tvorí klasifikátor automaticky a klesá so vzdialenosťou od vzorového objektu. V mieste vzorového objektu nadobúda stupeň príslušnosti hodnotu 1 a postupne klesá až k hodnote 0. Strmosť sklonu funkcie môže užívateľ definovať. Na príklade dvoch vlastností a dvoch tried (červenej a modrej) vidíme, že vzorové objekty sú reprezentované malými kruhmi. Keď neznámy objekt padne do modrej časti, bude zaradený do triedy modrá a naopak. Biele časti reprezentujú oblasti, kde je stupeň príslušnosti k obom triedam menší ako prahová hodnota (defaultne 0,1) a objekt ostane neklasifikovaný.

Idrisi Taiga nie je v ňom implementovaná klasifikácia založená na objektoch/oblastiach, ale má modul na obrazovú segmentáciu (SEGMENTATION) dajú sa tiež vybrať trénovacie segmenty (modul SEGTRAIN), ktoré sa použijú pri pixel-based klasifikácii výsledky pixel-based klasifikácie sa dajú upraviť modusovým filtrom, ktorý sa aplikuje v rámci segmentov (všetky pixle segmentu sa zaradia do triedy s najväčším výskytom v rámci segmentu – modul SEGCLASS) nemusí to viesť k vyššej správnosti, ale klasifikačný výstup je menej rozdrobený a lepšie interpretovateľný Pri fuzzy klasifikácii metódou najbližšieho suseda sa funkcie príslušnosti tvoria automaticky v mnohorozmernom príznakovom priestore. Počet rozmerov závisí od počtu vlastností použitých pri klasifikácii, ktoré vyberá užívateľ. Definiens Developer ponúka široké spektrum vlastností obrazových objektov, ktoré môžeme použiť na definovanie tried pri oboch klasifikačných metódach. Okrem spektrálnych vlastností obrazových objektov sa dajú použiť aj ich priestorové vlastnosti (tvar, veľkosť), textúrne vlastnosti, vlastnosti založené na atribútoch pomocných rastrových alebo vektorových vrstiev, vlastnosti vyjadrujúce vzťahy objektov k susedom alebo nadobjektom a podobjektom, a v neposlednom rade aj vlastnosti založené na predchádzajúcej klasifikácii (napr. môžeme objekty klasifikovať na základe susedstva alebo vzdialenosti k objektom určitej triedy). Pri fuzzy klasifikácii metódou najbližšieho suseda sa objekt zaradí do tej triedy, k vzorovému objektu (signatúre) ktorej má najmenšiu vzdialenosť v príznakovom priestore. Stupeň príslušnosti je potom daný sklonom funkcie príslušnosti, ktorú tvorí klasifikátor automaticky a klesá so vzdialenosťou od vzorového objektu. V mieste vzorového objektu nadobúda stupeň príslušnosti hodnotu 1 a postupne klesá až k hodnote 0. Strmosť sklonu funkcie môže užívateľ definovať. Na príklade dvoch vlastností a dvoch tried (červenej a modrej) vidíme, že vzorové objekty sú reprezentované malými kruhmi. Keď neznámy objekt padne do modrej časti, bude zaradený do triedy modrá a naopak. Biele časti reprezentujú oblasti, kde je stupeň príslušnosti k obom triedam menší ako prahová hodnota (defaultne 0,1) a objekt ostane neklasifikovaný.

Klasifikácia vs. viz.interpretácia zatiaľ sa nepodarilo úplne nahradiť činnosť ľudského mozgu pri VI VI je nenáročná na softvér a na odborné znalosti užívateľa, nevyžaduje trénovacie údaje nie je citlivá na rádiometrické zmeny alebo nedostatky snímkového materiálu klasifikácia je presnejšia, lepšie využíva detailné spektrálne informácie umožňuje rýchlo a presne zachytiť drobné elementy krajinnej štruktúry (napr. malé ostrovčeky porastov) – dôležité pri KE analýzach