Automatische Klassifizierung
Unter automatischer Klassifizierung lassen sich verschiedene automatische Verfahren zur Klassifizierung von Objekten anhand ihrer Merkmale in Klassenn zusammenfassen. Die automatische Klassifikation steht im Gegensatz zur manuellen Klassifizierung, bei der die zu klassifizierenden Objekte von Menschen den entsprechenden Klassen zugeordnet werden.Siehe auch: Mustererkennung, Klassifikationsverfahren (Starke Überschneidung mit diesem Artikel)
Zur Klassifikation gibt es verschiedene Mittel:
- Parametrische Methoden
- Halbparametrische Methoden und
- Nicht-Parametrische Methoden:
| Table of contents |
|
2 Vor- und Nachteile 3 Beispiele |
Siehe auch: Clusteranalyse
Der Vorteil liegt bei der späteren automatischen Erkennung von Clustern z.B. gleicher Vegetation mit uneinheitlichen Reflexionsgraden, die sich aus inhomogenen Gesundheits- oder Wachstumszuständen ergeben können.
Arten der Klassifizierung
automatische Klassifizierung
Bei der automatische Klassifikation werden Bildpunkte als so genannte Cluster von einem Computersystem anhand der automatischen statisischen Auswertung aus Primärdaten ohne weitere Informationen in verschiedenen Reflexionsgraden gebündelt. Der Vorteil liegt darin, dass in relativ kurzer Zeit alle möglichen Klassifizierungen (Klassen) erkannt werden. Daher wird die automatische Klassifizierung oft der überwachten automatische Klassifikation vorgeschaltet. überwachte automatische Klassifikation
Die überwachte automatische Klassifikation arbeitet ebenfalls mit Clustern, die aber durch den Bildauswerter anhand weiterer Informationen über das zuklassifizierende Gebiet gebildet werden und die Grundlage für die automatische Erkennung bilden. Verfahren der geringsten Distanz
Diese Methode (engl. Minimum Euclidian Distance) geht davon aus, das diejenigen Reflexionsgrade eines Clusters, die im Erkennungsgebiet dicht nebeneinander liegen, auch zusammen gehören. Für jeden Cluster werden dazu Mittelwerte der Reflexionsgrade gebildet, anhand deren noch unklassifizierte Pixel jeweils zum am Nächsten liegenden Cluster zugeordnet werden.Verfahren der größten Wahrscheinlichkeit
Diese Methode (engl. Maximum likelihood) ist sehr rechenintensiv, da angenommen wird, dass die Reflexionsgrade eines Clusters eine Gauß'schen Normalverteilung um den Mittelwert bilden. Jedes unklassifizierte Pixel wird dem Cluster zugeordnet, dem es mit der größten Wahrscheinlichkeit bezogen auf den Reflexionsgrad angehört.
| Automatische Klassifizierung durch den Computer. Bildung von 28 verschiedenen Clustern. | Überwachte automatische Klassifikation. Bildung von Trainigsgebieten durch den Bildauswerter. |
| Klassifikation nach dem Verfahren der geringsten Distanz. | Klassifikation nach dem Verfahren der größten Wahrscheinlichkeit. |