4 METHOD4.1 MULTISPECTRAL SUPERVISE

4 METHOD
4.1 MULTISPECTRAL SUPERVISED CLASSIFICATION
One of the methods to classify an image containing several information channels is multispectral supervised
classification. This is a technique widely used in Remote Sensing, and has proved to be very robust and reliable during
the many decades it has been used (Bryan, 1979) (Campbell, 1987) (Chuvieco, 1995).
The classification process provides an array of probabilities to assign each image pixel to each label in the legend. Then
we can look for the highest probability in that array and build a new image with the class label assigned to each pixel in
order to analyse the spatial distribution of the classification. Anyway, in the method we present, the core process will
really manage the probabilities obtained during the classification of each data set combining them to obtain a good
merge.
An estimation of the accuracy of our classification can be obtained through a statistical value usually called kappa index
κ. (Richards, 1993). This statistical value is obtained through the construction of the so called confusion matrix. The
closer to 1 the more accurate is our classification. We have to note that if we perform a random classification using N
classes, we can obtain percentual indexes of right classification for each class that will be 100/N %. For example, if we
have only 2 classes, in a purely random classification we would obtain a 50 % of rightly classified pixels. But if we also
calculate the κ=index, we would obtain a null value. This value is telling us that our classification is completely
inaccurate, and that the results it shows are completely unrelated to the real ground classification.

ผลลัพธ์ (ไทย) 1:

วิธีที่ 44.1 ประเภท MULTISPECTRAL มีเป็นหนึ่งในวิธีในการจัดประเภทรูปภาพประกอบด้วยหลายข้อมูลช่อง multispectral แบบมีผู้สอนจัดประเภทการ นี้เป็นเทคนิคที่ใช้ในแชมพู และได้พิสูจน์ให้แข็งแกร่ง และความน่าเชื่อถือระหว่างหลายสิบปีจะได้รับใช้ (Bryan, 1979) (Campbell, 1987) (Chuvieco, 1995)การจัดประเภทของกิจกรรมที่จะกำหนดให้แต่ละพิกเซลของภาพกับป้ายแต่ละป้ายในตำนานทาง แล้วเราสามารถหาความน่าเป็นสูงสุดในอาร์เรย์นั้น และสร้างภาพใหม่ป้ายชั้นกำหนดให้แต่ละพิกเซลในสั่งการวิเคราะห์การกระจายของการจัดประเภท อย่างไรก็ตาม ในเรานำเสนอวิธีการ กระบวนการหลักจะจัดกิจกรรมที่ได้รับในระหว่างการจัดประเภทของแต่ละชุดข้อมูลรวมให้ได้ดีจริง ๆจดหมายเวียนการประเมินความถูกต้องของการจัดประเภทของเราได้โดยใช้ค่าทางสถิติจะเรียกว่าดัชนีกัปปะΚ. (ริชาร์ด 1993) ค่าสถิตินี้ได้รับการก่อสร้างของเมทริกซ์ความสับสนสิ่งที่เรียกว่า ที่ใกล้ 1 จะจัดประเภทของเราถูกต้องมากขึ้น เราต้องสังเกตว่า ถ้าเราทำการสุ่มประเภทใช้ Nเรียน เราสามารถหาดัชนี percentual จัดประเภทที่เหมาะสมสำหรับแต่ละคลาสจะ 100/N % ตัวอย่าง ถ้าเรามี 2 ชั้น ประเภทสุ่มเพียงอย่างเดียวเราจะได้รับ 50% ของเรื่องจัดพิกเซล แต่ถ้าเรายังκคำนวณ = index เราจะได้รับค่า null ค่านี้จะบอกเราว่า การจัดประเภทของเราอย่างสมบูรณ์ไม่ถูกต้อง และจะแสดงผลไม่ได้เกี่ยวข้องจริงดินจัดประเภท

ผลลัพธ์ (ไทย) 2:

4 วิธี
4.1 multispectral ดูแลการจำแนกประเภท
หนึ่งในวิธีการที่จะจัดภาพที่มีข้อมูลหลายช่องเป็น multispectral ภายใต้การดูแล
การจัดหมวดหมู่ นี่คือเทคนิคการใช้กันอย่างแพร่หลายในการสำรวจระยะไกลและได้พิสูจน์แล้วว่าเป็นมากประสิทธิภาพและเชื่อถือในช่วง
หลายทศวรรษที่ผ่านมาก็มีการใช้ (ไบรอัน, 1979) (แคมป์เบล 1987) (Chuvieco, 1995).
ขั้นตอนการจัดหมวดหมู่ให้อาร์เรย์ของ ความน่าจะเป็นในการกำหนดพิกเซลภาพแต่ละภาพกับป้ายกำกับในแต่ละตำนาน จากนั้น
เราสามารถมองหาน่าจะเป็นสูงสุดในอาร์เรย์ที่และสร้างภาพใหม่ที่มีป้ายชั้นที่ได้รับมอบหมายในแต่ละพิกเซล
เพื่อวิเคราะห์การกระจายของการจำแนก อย่างไรก็ตามในวิธีการที่เรานำเสนอกระบวนการหลักที่จะ
จัดการจริงๆน่าจะเป็นที่ได้รับในระหว่างการจัดหมวดหมู่ของข้อมูลแต่ละชุดรวมพวกเขาที่จะได้รับที่ดี
ผสาน.
การประมาณความถูกต้องของการจัดหมวดหมู่ของเราสามารถได้รับผ่านค่าทางสถิติมักจะเรียกว่ากัปปะ ดัชนี
κ (ริชาร์ด 1993) ค่าสถิตินี้จะได้รับผ่านการก่อสร้างของเมทริกซ์ความสับสนจึงเรียกว่า
ใกล้ชิดกับ 1 ที่ถูกต้องมากขึ้นคือการจัดหมวดหมู่ของเรา เราต้องทราบว่าถ้าเราดำเนินการจัดหมวดหมู่สุ่มโดยใช้ไม่มี
ชั้นเรียนเราสามารถได้รับการจัดทำดัชนี percentual ของการจัดประเภทที่เหมาะสมสำหรับแต่ละชั้นเรียนที่จะเป็น 100 / N% ตัวอย่างเช่นถ้าเรา
มีเพียง 2 ชั้นในการจัดหมวดหมู่แบบสุ่มอย่างหมดจดเราจะได้รับ 50% ของพิกเซลจัดอย่างถูกต้อง แต่ถ้าเรายัง
คำนวณκ = indexเราจะได้รับค่า null ค่านี้จะบอกเราว่าการจัดหมวดหมู่ของเราจะสมบูรณ์
ไม่ถูกต้องและว่าผลมันแสดงให้เห็นเป็นที่ไม่เกี่ยวข้องกับการจัดพื้นดินจริง

ผลลัพธ์ (ไทย) 3:

4 วิธีดูแลหมวดหมู่

4.1 หลายวิธีหนึ่งที่จะแยกแยะข้อมูลภาพที่มีช่องหลายหลายแบบ
การจำแนก นี้เป็นเทคนิคที่ใช้กันอย่างแพร่หลายในการรับรู้จากระยะไกล และได้พิสูจน์ให้เป็นที่แข็งแกร่งและเชื่อถือได้ในช่วงหลายทศวรรษที่ผ่านมาก็มี
ใช้ ( ไบรอัน , 1979 ) ( Campbell , 1987 ) (
chuvieco , 1995 )ขั้นตอนการจำแนกให้อาเรย์ของความน่าจะเป็นที่จะมอบหมายให้แต่ละภาพพิกเซลแต่ละป้ายในตำนาน งั้น
เราสามารถมองหาความน่าจะเป็นสูงสุดในที่อาร์เรย์ และสร้างภาพลักษณ์ใหม่กับห้องป้ายมอบหมายให้แต่ละพิกเซลใน
เพื่อวิเคราะห์การกระจายเชิงพื้นที่ของการจำแนก อย่างไรก็ตาม ในวิธีการที่เรานำเสนอ กระบวนการหลักจะ
จริงๆจัดการความน่าจะเป็นได้ในหมวดหมู่ของข้อมูลแต่ละชุดรวมเหล่านั้นเพื่อให้ได้ดี

ผสาน การประมาณความถูกต้องของการจำแนกของเราสามารถได้รับผ่านทางสถิติมักจะเรียกว่าดัชนีมูลค่าκ
คัป . ( ริชาร์ด , 1993 ) ค่าสถิตินี้ได้ผ่านการสร้างของสิ่งที่เรียกว่า " ความสับสนเมทริกซ์
ใกล้ 1 เพิ่มเติมถูกต้องการของเรา เราต้องทราบว่า ถ้าเราทำการสุ่มการจำแนกโดยใช้ N
บทเรียน เราสามารถได้รับ percentual ดัชนีหมวดหมู่ที่เหมาะสมสำหรับแต่ละชั้นนั้นจะเป็น 100 / N % ตัวอย่างเช่น ถ้าเรา
มีเพียง 2 ชั้น ในการสุ่มอย่างหมดจด เราจะได้รับ 50% ของจัดอย่างถูกต้อง พิกเซล แต่ถ้าเรายัง
κ = คำนวณดัชนีเราก็จะได้รับค่า null . ค่านี้จะบอกเราว่าหมวดหมู่ของเราจะสมบูรณ์
ไม่ถูกต้อง และผลลัพธ์ที่ได้จะแสดงทั้งหมดที่ไม่เกี่ยวข้องกับการจำแนกดินที่แท้จริง