Classificazione

Classificazione di immagini

La classificazione di immagine si riferisce all’interpretazione computer-assistita di immagini rilevate a distanza. Anche se alcune procedure sono capaci di incorporare informazioni su tali caratteristiche di immagine come tessitura e contesto, la maggioranza della classificazione di immagine è basata solamente sulla scoperta di firme spettrali (i.e., configurazione della risposta spettrale) di classi di copertura di terra. Il successo col quale può essere fatto questo dipenderà da due cose:

1) la presenza di strutture di risposta distintive per le classi di copertura di terra di interesse nel set di bande che è stato usato

2) l’abilità di distinguere affidabilmente queste strutture di risposta spettrale dagli altri modelli di risposta spettrali che possono essere presenti.

Un passo vitale nel processo di classificazione è l’accertamento dell’accuratezza finale dell’immagine prodotta. Questo coinvolge l’identificazione un set di ubicazioni campione che sono presenti nel campo. Il ricoprimento trovato nel campo è comparato poi con ciò che si prevedeva nell’immagine per la stessa ubicazione. Accertamenti statistici dell’accuratezza possono essere dedotti poi per lo studio dell’area intera, così come per classi individuali.

Ci sono due approcci generali per la classificazione dell’immagine: supervisionata e non supervisionata.

Nel caso della classificazione supervisionata, il compito è scoprire specifici tipi di copertura di terra, mentre nella classificazione non supervisionata, l’analista tenta di definire tutte le categorie di uso del terreno che esistono nell’immagine a certi livelli di generalizzazione. Nel caso di classificatori hard (tradizionale), una decisione definita è presa sull’appartenenza di un pixel ad una certa classe. Opposti a questo, classificatori soft adottano un approccio a valutazione di questa appartenenza e stimano il grado con il quale un pixel appartiene a tutte le classi coinvolte, incluse le classi ignote.Esiste anche una tecnica per sviluppare grafici fuzzy che prendono misture di classi in considerazione.

La classificazione non supervisionata non richiede informazioni di anticipo sulle classi di interesse. Piuttosto, esamina i dati ed li suddivide nei naturali raggruppamenti spettrali più comuni, o cluster, presenti nei dati. L’analista identifica poi questi cluster come classi di copertura di terra attraverso una combinazione della familiarità con la regione. E' importante sapere che i cluster che la classificazione non supervisionata produce non sono classi di informazioni, ma classi spettrali (i.e., raggruppano insieme caratteristiche, i pixel, con modelli di riflettanza simili). Per esempio, un'analisi non supervisionata potrebbe identificare classi diverse per asfalto e cemento (classi spettrali diverse) che probabilmente l’analista raggrupperà creando una classe di informazioni chiamata pavimentazione.