Меню

Различия между контролируемой и неконтролируемой GIS-классификацией

В 1972 году был создан первый спутник, который собирал отраженные от Земли сигналы с разрешением 60 метров. Сразу же появилась необходимость в методах классификации изображений. Контролируемая и неконтролируемая классификация – это методы обработки изображений, которые производят классификацию под руководством человека или же с помощью программного обеспечения. Их относят к методам дистанционного зондирования, они определяют такие классы, как лес, пастбища, сельское хозяйство, водоснабжение и городское хозяйство. Объектно-ориентированный анализ – это другой популярный метод, он широко используется для данных с высоким разрешением. Как контролируемая, так и неконтролируемая классификация основана на пикселях и составляет квадратный пиксель, при этом у каждого пикселя свой класс. Кроме того, неконтролируемую классификацию называют основной формой техники, поскольку она не требует образцов и является самым простым методом для понимания и сегментации изображения. Эти два метода использовались и по-прежнему востребованы, когда речь заходит о применении в области дистанционного зондирования. Области применения – окружающая среда, продовольственная безопасность, а также общественная безопасность. На протяжении многих лет основным требованием к спутниковым снимкам было высокое пространственное разрешение. Ниже рассмотрим различия между контролируемой и неконтролируемой классификацией.

1. Разница в шагах

Неконтролируемая классификация. У неконтролируемого есть два общих шага: создание кластеров и присвоение классов. Вы создаете кластеры с помощью программного обеспечения дистанционного зондирования. Наиболее распространенными примерами алгоритмов кластеризации изображений являются ISODATA и K-means. Вы определяете группы, которые хотите создать, после применения алгоритма кластеризации. В качестве примера мы можем сделать 8, 20 и 42 кластера. Наиболее похожий пиксель будет иметь несколько кластеров внутри групп. Изменчивость в группе увеличивается за счет большего количества кластеров. Следующий шаг включает в себя назначение класса каждому кластеру вручную. Например, вам нужно выбрать лучшие кластеры для представления и классификации как не растительности, так и растительности.

Контролируемая классификация. Контролируемая классификация задействует выборочные образцы каждого класса покрытия земель. Обучающие элементы наносятся на все изображение с помощью программного обеспечения. Существует 3 общих этапа обучения, которые включают классификацию, создание подписи файла и выбор областей обучения. Первый шаг включает в себя создание обучающих образцов. Чтобы проиллюстрировать это, необходимо отметить места так, как вы отмечаете то же самое на изображении. Делайте тренировочные пробы непрерывно, пока не достигнете пробы каждого класса. Таким образом создается подпись, которая сохраняет обучающие выборки. В дальнейшем вы будете использовать файл подписи для запуска классификации. Это должно будет помочь вам определить классификацию алгоритма, например, кластера iso, основные компоненты, минимальное расстояние и метод опорных векторов. Метод опорных векторов или SVM является одним из лучших алгоритмов классификации.

2. Разница в способе применения

Неконтролируемая классификация. Неконтролируемая классификация группирует изображения с аналогичными характеристиками на основе программного обеспечения. Программное обеспечение использует методы для определения связанных изображений и размещения их в классах. В связи с этим пользователю не требуется создавать примеры классов. Вам нужно будет указать тип используемого алгоритма и количество классов. Но, с другой стороны, пользователь должен больше знать о классифицируемом месте. Это необходимо при классификации изображений с аналогичными характеристиками, предоставленными компьютером. Пиксели сравниваются с реальными объектами на земле, такими как леса, водно-болотные угодья и городские районы.

Контролируемая классификация. Контролируемая классификация основана на идее, которая позволяет пользователю выбирать образцы пикселей из изображений, представляющих определенные классы. Программное обеспечение для обработки изображений будет направлять обучающие элементы в виде ссылок для группировки всех пикселей на изображении. Учебные элементы, также называемые входными классами или наборами тестов, выбираются в зависимости от видения пользователя. Вы можете установить границы, чтобы определить взаимосвязь других пикселей, чтобы соединить их вместе. Границы часто выбираются в соответствии со спектральными характеристиками тестовых наборов. Кроме того, максимальная и минимальная сила в определенных спектральных диапазонах. Пользователь может определить общие классы, по которым было классифицировано конкретное изображение, и большинство аналитиков используют как неконтролируемую, так и контролируемую классификацию для составления окончательных сгруппированных карт и анализа выходных данных.

3. Разница в машинном обучении

Контролируемая классификация. Большинство практических машин для обучения используют контролируемую классификацию. Контролируемое обучение имеет входную переменную x и выходную переменную y, которая использует алгоритм для определения функции отображения от входа к выходу. Основная цель состоит в том, чтобы приблизить функцию карты. Если есть новый ввод переменной x, вы можете предсказать вывод переменной y. Это называется контролируемым обучением, потому что процесс обучения алгоритму может быть изучен, пока инструктор контролирует процесс обучения. Алгоритм предсказывает ответы, которые корректируются руководителем. Процесс обучения остановится только после того, как алгоритм достигнет ожидаемого уровня производительности.

Неконтролируемая классификация. Неконтролируемое обучение имеет входную переменную x без соответствующих выходных переменных. Его цель – распространение данных и моделирование базовой структуры в данных для получения дополнительной информации об этом.

4. Разница в наблюдениях

Контролируемая классификация. Контролируемая классификация предоставляет метки класса, которые часто известны как метки основания истины. Затем вы понимаете важные функции для классификации, что повышает уровень идентификации. Объекты отображаются в соответствии с определенной группой. Например, вы гуляете вместе со студентами и указываете названия животных, которых вы встречаете.

Неконтролируемая классификация. Неконтролируемая классификация не содержит меток. Вам нужно посмотреть на входные данные и определить структуру данных. Вы классифицируете и группируете на основе структуры после ее идентификации. Например, вы отправляете группу детей на поле понаблюдать за животными, и не вмешиваетесь в процесс.

5. Разница в уровне точности

Контролируемая классификация. Когда дело доходит до точности, контролируемая классификация является точной для групп сопоставления. Однако это зависит от навыков и знаний анализа изображений.

Неконтролируемая классификация. Она основана на компьютере и помогает нам определять параметры, которые компьютер использует для выявления присущих им закономерностей.

6. Разница в модели обучения

Контролируемое обучение. Оно включает в себя обучающую модель, которая подает входные данные и показывает правильную группу каждого входного сигнала. Модель обучения используется для группировки новых входных данных в заранее определенные группы, которые применимы во время обучения.

Неконтролируемое обучение. Модель обучается путем подачи входных данных, но категория каждого вывода не указывается. Учебные материалы сгруппированы по отдельным категориям.

7. Качество спектральных данных

Контролируемая классификация. Позволяет пользователю помещать информацию в классы, специальные подкатегории.

Неконтролируемая классификация. Использование обучающих данных для неконтролируемой классификации может привести к ошибкам, поскольку спектральные классы будут иметь много смешанных пикселей.

8. Уровень класса

Контролируемая классификация. Данные для обучения собираются на месте с помощью более точного GPS-устройства.

Неконтролируемая классификация. Неконтролируемая классификация, как правило, полезна, когда дело доходит до быстрого присвоения ярлыков обширным или несложным землям, например, земли покрытые лесом/не покрытые лесом, водные, не растительные/ растительные и другие.
30 июля / 2021