2.2 Definition and verification of

2.2 Definition and verification of the training areas
As it was later used for fuzzy logic classification, the process of supervised image classification will be given in brief. Selected land cover classes are: deciduous trees, coniferous trees, urban area, water, crop1 and crop2. For these classes, training areas were pointed on the image (Figure 2.)
Since the signature separability showed that deciduous trees and coniferous trees are very poorly separated (low values of Transformed Divergence and Bhattacharrya Distance; big overlap between the signatures of two classes) and considering that this separability cannot be improved by a different channel combination, those classes were merged into the one single class: vegetation. Accepted combination of three images (with the biggest signature separability between the classes), in terms of RGB channels, was 702(red)♦ 703(green)♦701(blue). The signature statistics gave a list of each of the classes, with the mean values and standard deviations for each channel for the class selected. These data were used later in the definition of the membership function. Also, the listing contained the class
correlation matrix, the covariance, inverse covariance and triangular inverse covariance matrices for the signature. In determination whether the training areas that have been selected are well represented, histogram was used: if the histogram has a single peak, then the training area is distinct and there is no confusion between it and another training area. A histogram with a bimodal distribution would indicate that there is an ambiguity between the current and some other class.
2.3 Classification procedure
In the classification process, the maximum likelihood classifier without NULL class was used. It assumes a normal (Gaussian) distribution and evaluates the variance and correlation of spectral response during the classification of the unknown pixel. In cases of overlapping areas, this method uses ‘apriori’ probabilities or a weighting factor to delineate. The NULL class option determines whether every pixel should be classified. If this option is selected, then a pixel is assigned to a class only if it is within the Gaussian threshold specified for the class. If it is not within any threshold, it is assigned to the NULL (0) class. Report about the results of the image classification contains: number of classified pixels, average and overall accuracy, statistics for the each of the classes and confusion matrix. This matrix gives the information how much of original training areas pixels was actually classified as being in the class that the training areas was meant to represent. If many of training areas pixels were classified into different classes, it is likely that the training areas were not so well determined.
2.4 Result evaluation
One way of the result evaluation was through the accuracy assessment. The classification results are compared to the raw image data and the report is created. This process is done during the random sample selection. The idea of the accuracy assessment is: point is highlighted in the sample list and observation was done where it is located on the image. This position should be compared to the class list and select the class that one believes it should belong. This idea was taken and applied in the fuzzy logic classification verification.

ผลลัพธ์ (ไทย) 1:

2.2 กำหนดและตรวจสอบพื้นที่การฝึกอบรม ภายหลังถูกใช้สำหรับการจัดประเภทตรรกศาสตร์ การจัดประเภทรูปภาพมีจะได้รับในสังเขป เลือกที่ดินครอบคลุมชั้น: ต้นไม้ผลัดใบ เริ่มต้น เมือง น้ำ crop1 และ crop2 เรียนเหล่านี้ ฝึกอบรมพื้นที่ถูกชี้บนรูป (2 รูป) ตั้งแต่ที่ลายเซ็น separability แสดงให้เห็นว่า ต้นไม้ผลัดใบและเริ่มต้นจะไม่ดีมากแยก (ค่าต่ำสุดของแปลง Divergence และระยะ Bhattacharrya ใหญ่ทับซ้อนระหว่างลายเซ็นของสองชั้น) และพิจารณาว่า separability นี้ไม่สามารถปรับปรุง โดยการรวมช่องทางต่าง ๆ เรียนที่ถูกผสานเป็นหนึ่งเดียวชั้น: พืช 702 703(green)♦701(blue) ♦ (สีแดง) ทั้งสามภาพ (ที่ใหญ่ที่สุดลายเซ็น separability ระหว่างคลา), ในช่อง RGB ยอมรับได้ สถิติลายเซ็นให้รายชื่อของแต่ละชั้น มีค่าเฉลี่ยและส่วนเบี่ยงเบนมาตรฐานในแต่ละช่องสัญญาณสำหรับชั้นที่เลือก ข้อมูลเหล่านี้ถูกใช้ในคำนิยามของฟังก์ชันสมาชิก ยัง รายการอยู่ชั้น เมตริกซ์สหสัมพันธ์ การแปรปรวน แปรปรวนผกผัน และเมทริกซ์ผกผันแปรปรวนสามเหลี่ยมสำหรับลายเซ็น ในการกำหนด ว่าพื้นที่การฝึกอบรมที่มีการเลือกจะแสดงดี ฮิสโตแกรมใช้: ถ้าฮิสโตแกรมมียอดเดียว แล้วตั้งฝึกอบรมจะแตกต่างกัน และสื่อสารระหว่างตัวเองและพื้นที่ฝึกอบรมอื่น ฮิสโตแกรมกับการแจกแจงแบบ bimodal จะบ่งชี้ว่า มีการย่อระหว่างปัจจุบันและประเภทอื่น ๆ 2.3 ประเภทกระบวนงาน ในการจัดประเภท classifier โอกาสสูงสุด โดยคลาส NULL ถูกใช้ มันสันนิษฐานการกระจาย (Gaussian) ปกติ และประเมินผลต่างและความสัมพันธ์ของสเปกตรัมการตอบสนองในระหว่างการจัดประเภทของพิกเซลไม่รู้จัก ในกรณีพื้นที่ทับซ้อนกัน วิธีการนี้ใช้กิจกรรม 'apriori' หรือตัวคูณน้ำหนักเพื่อไป ตัวเลือกคลา NULL กำหนดว่า ควรจัดประเภทแต่ละพิกเซล ถ้าเลือกตัวเลือกนี้ แล้วพิกเซลไว้เรียนเมื่ออยู่ในขีดจำกัด Gaussian ที่ระบุสำหรับคลาส ถ้ามันไม่ใช่ภายในขีดจำกัดใด ๆ มันถูกกำหนดคลาส NULL (0) ประกอบด้วยรายงานเกี่ยวกับผลของการจัดประเภทรูปภาพ: จำนวนพิกเซลที่ลับ ความถูกต้องเฉลี่ย และโดยรวม สถิติสำหรับแต่ละของเมตริกซ์ชั้นและความสับสน เมทริกซ์นี้ให้ข้อมูลจำนวนของพิกเซลเดิมฝึกพื้นที่ถูกจริงจัดเป็นคลาสที่พื้นที่ฝึกถูกหมายถึงการ ถ้าพิกเซลพื้นที่ฝึกอบรมมากมายถูกแบ่งประเภทต่าง ๆ เป็นไปได้ว่า พื้นที่ฝึกอบรมก็ไม่ดีขึ้น 2.4 ผลการประเมิน วิธีหนึ่งของการประเมินผลที่ผ่านการประเมินความถูกต้อง มีการเปรียบเทียบผลการจัดประเภทข้อมูลภาพ raw และสร้างรายงาน กระบวนการนี้จะทำในระหว่างการเลือกตัวอย่างสุ่ม ความคิดของการประเมินความถูกต้อง: จุดเน้นในรายการตัวอย่าง และทำการสังเกตที่อยู่บนรูป ตำแหน่งนี้ควรเปรียบเทียบกับรายการ และเลือกระดับที่หนึ่งเชื่อว่า มันควรอยู่ ความคิดนี้ถูกนำมา และใช้ในการตรวจสอบประเภทตรรกศาสตร์

ผลลัพธ์ (ไทย) 2:

2.2 ความหมายและการตรวจสอบของพื้นที่การฝึกอบรม
ตามที่ได้นำมาใช้สำหรับการจำแนกตรรกศาสตร์กระบวนการของการจัดหมวดหมู่ภาพภายใต้การดูแลจะได้รับในช่วงสั้น ๆ ที่เลือกเรียนปกคลุมดินมีต้นไม้ผลัดใบต้นสนต้นไม้เขตเมืองน้ำ crop1 และ crop2 สำหรับชั้นเรียนเหล่านี้ในพื้นที่การฝึกอบรมได้รับการชี้ให้เห็นในภาพ (รูปที่ 2)
ตั้งแต่แยกลายเซ็นแสดงให้เห็นว่าต้นไม้ผลัดใบและต้นสนต้นไม้จะถูกแยกออกมาไม่ดีมาก (ค่าต่ำสุดของความแตกต่างได้รับการเปลี่ยนแปลงและ Bhattacharrya ระยะทาง; ทับซ้อนกันใหญ่ระหว่างลายเซ็นของสองชั้น) และพิจารณาว่าแยกนี้ไม่สามารถปรับปรุงให้ดีขึ้นด้วยการผสมผสานช่องทางที่แตกต่างกัน, การเรียนที่ถูกรวมเข้าเป็นหนึ่งชั้นเดียว: พืช ได้รับการยอมรับการรวมกันของสามภาพ (พร้อมแยกลายเซ็นที่ใหญ่ที่สุดระหว่างเรียน) ในแง่ของช่อง RGB เป็น 702 (สีแดง) ♦ 703 (สีเขียว) ♦ 701 (สีฟ้า) สถิติลายเซ็นให้รายชื่อของแต่ละชั้นเรียนมีค่าเฉลี่ยและค่าเบี่ยงเบนมาตรฐานสำหรับแต่ละช่องสำหรับชั้นเรียนที่เลือก ข้อมูลเหล่านี้ถูกนำมาใช้ในภายหลังในความหมายของฟังก์ชั่นสมาชิก นอกจากนี้รายชื่อที่มีอยู่ชั้น
เมทริกซ์สหสัมพันธ์แปรปรวน, ความแปรปรวนและผกผันเมทริกซ์ความแปรปรวนร่วมผกผันสามเหลี่ยมสำหรับลายเซ็น ในการกำหนดว่าพื้นที่การฝึกอบรมที่ได้รับการคัดเลือกเป็นตัวแทนดี histogram ถูกนำมาใช้ถ้า histogram มียอดเดียวแล้วพื้นที่การฝึกที่แตกต่างและมีความสับสนระหว่างมันและพื้นที่การฝึกอบรมอื่นไม่มี histogram มีการกระจาย bimodal จะระบุว่ามีความคลุมเครือระหว่างปัจจุบันและบางส่วนชั้นอื่น ๆ .
2.3 ขั้นตอนการจัดหมวดหมู่
ในขั้นตอนการจัดหมวดหมู่, ลักษณนามโอกาสสูงสุดโดยไม่ต้องชั้นโมฆะถูกนำมาใช้ ก็ถือว่าปกติ (เสียน) จัดจำหน่ายและการประเมินความแปรปรวนและความสัมพันธ์ของการตอบสนองสเปกตรัมในช่วงการจัดหมวดหมู่ของพิกเซลที่ไม่รู้จัก ในกรณีที่มีพื้นที่ทับซ้อนกันวิธีนี้ใช้ความน่าจะเป็น 'Apriori' หรือเป็นปัจจัยถ่วงการวิเคราะห์ ตัวเลือกชั้นโมฆะกำหนดว่าพิกเซลทุกคนควรจะจัด หากเลือกตัวเลือกนี้แล้วพิกเซลที่ได้รับมอบหมายในชั้นเรียน แต่ถ้ามันอยู่ในเกณฑ์เสียนที่ระบุไว้สำหรับการเรียน ถ้ามันไม่ได้อยู่ในเกณฑ์ใด ๆ ก็จะได้รับมอบหมายให้เป็นโมฆะ (0) ชั้น รายงานเกี่ยวกับผลของการจัดหมวดหมู่ของภาพมีจำนวนพิกเซลจัดความถูกต้องโดยรวมเฉลี่ยและสถิติสำหรับแต่ละชั้นเรียนและเมทริกซ์ความสับสน เมทริกซ์นี้จะช่วยให้ข้อมูลเท่าใดของพิกเซลพื้นที่การฝึกอบรมเดิมที่ถูกจัดว่าเป็นจริงในชั้นเรียนว่าพื้นที่การฝึกอบรมมีความหมายที่จะเป็นตัวแทน ถ้าหลายพิกเซลพื้นที่การฝึกอบรมแบ่งเป็นชั้นเรียนที่แตกต่างกันก็เป็นไปได้ว่าพื้นที่การฝึกอบรมไม่ได้ดังนั้นการพิจารณาอย่างดี.
2.4 การประเมินผล
วิธีหนึ่งในการประเมินผลที่ได้ผ่านการประเมินความถูกต้อง ผลการจัดหมวดหมู่ได้รับการเปรียบเทียบกับข้อมูลภาพดิบและรายงานที่ถูกสร้างขึ้น กระบวนการนี้จะกระทำในระหว่างการเลือกตัวอย่างแบบสุ่ม ความคิดของการประเมินความถูกต้องคือจุดเป็นไฮไลต์ในรายการตัวอย่างและการสังเกตได้ทำที่มันตั้งอยู่บนภาพ ตำแหน่งนี้ควรจะเปรียบเทียบกับรายชื่อชั้นและเลือกชั้นที่หนึ่งเชื่อว่ามันควรจะเป็น ความคิดนี้ถูกนำตัวและนำมาใช้ในการตรวจสอบการจัดหมวดหมู่ตรรกศาสตร์

ผลลัพธ์ (ไทย) 3:

2.2 ความหมายและการตรวจสอบของพื้นที่การฝึกอบรม
มันใช้ในภายหลังสำหรับหมวดหมู่ตรรกศาสตร์ , กระบวนการของการดูแลภาพลักษณ์จะได้รับโดยย่อ เลือกที่ดินครอบคลุมเรียน : deciduous ต้นไม้ต้นสนต้นไม้ , ชานเมือง , น้ำ , และ crop1 crop2 . สำหรับชั้นเรียนเหล่านี้ พื้นที่การฝึกอบรมชี้ที่ภาพ ( รูปที่ 2 )
เนื่องจากพบว่า ต้นไม้ผลัดใบ ลายเซ็น การแยกออก และต้นไม้ต้นสนมีงานมากแยก ( ค่าต่ำและเปลี่ยนความแตกต่าง bhattacharrya ระยะไกล ทับซ้อนกันมากระหว่างลายเซ็น 2 ชั้น ) และพิจารณาที่แยกได้นี้สามารถปรับปรุงได้โดยการเปลี่ยนช่อง เรียนที่ผสานเป็นหนึ่ง เดียวชั้น : พืชการรวมกันของ 3 ภาพ ( มีลายเซ็นที่แยกได้ระหว่างเรียน ) ในแง่ของช่อง RGB , 702 ( สีแดง ) ♦ 703 ( สีเขียว ) ♦ 701 ( สีฟ้า ) ลายเซ็นสถิติให้รายการของแต่ละชั้นเรียน ด้วยค่าเฉลี่ยและส่วนเบี่ยงเบนมาตรฐานในแต่ละช่อง สำหรับชั้นเรียนที่เลือก ข้อมูลเหล่านี้ถูกนำมาใช้ในภายหลังในนิยามของฟังก์ชันสมาชิก นอกจากนี้รายการประกอบด้วยชั้น
เมทริกซ์สหสัมพันธ์ , ความแปรปรวนร่วม ความแปรปรวนและความแปรปรวนร่วมผกผันผกผันสามเหลี่ยมสำหรับลายเซ็น ในการกำหนดว่าพื้นที่ที่ได้รับการคัดเลือกเป็นอย่างดีแสดง Histogram ใช้ : ถ้ากราฟมียอดเดียว แล้วพื้นที่การฝึกอบรมที่แตกต่างกันและมีความสับสนระหว่างมันและการฝึกอบรมอื่นพื้นที่ฮิสที่มีการกระจายไบโมดอลจะบ่งชี้ว่ามีความคลุมเครือระหว่างปัจจุบันและบางอื่น ๆเรียน

ในกระบวนการขั้นตอนที่ 2 การจำแนกชนิด โอกาสสูงสุดโดยไม่บอกเลิกคลาสแบบใช้มันถือว่าปกติ ( Gaussian ) และการประเมินความแปรปรวน และความสัมพันธ์ของการตอบสนองสเปกตรัมในการจำแนกประเภทของพิกเซลที่ไม่รู้จัก กรณีพื้นที่ทับซ้อน วิธีนี้ใช้พารามิเตอร์ ' ' ความน่าจะเป็นหรือปัจจัยถ่วงเพื่ออธิบาย . เลือกเรียนใน กำหนดว่าทุกพิกเซล ควรจัด หากเลือกตัวเลือกนี้แล้วเซลก็จะมอบหมายให้ชั้นเท่านั้น ถ้ามันเป็นภายในเกณฑ์ที่ระบุไว้ในเนื้อหาวิชา ถ้ามันไม่ได้อยู่ในระดับใด จะได้รับมอบหมายให้ศูนย์ ( 0 ) ชั้น รายงานเกี่ยวกับผลของการจำแนกภาพมีจำนวนพิกเซลย่อยเฉลี่ยและความถูกต้องโดยรวม สถิติสำหรับแต่ละชั้นเรียนและความสับสนเมทริกซ์เมทริกซ์นี้จะช่วยให้ข้อมูลเท่าไหร่ของพิกเซลพื้นที่การฝึกอบรมเดิมก็จัดเป็นห้องที่พื้นที่การฝึกหมายถึงการเป็นตัวแทน ถ้าหลายพื้นที่การฝึกอบรมพิกเซลออกเป็นชั้นเรียนที่แตกต่างกัน มันมีแนวโน้มว่า พื้นที่การฝึกเป็นอย่างดีแน่นอน 2.3 ผลการประเมิน

วิธีหนึ่งของผลการประเมินผ่านความถูกต้องของการประเมิน การจำแนกผลเมื่อเทียบกับข้อมูลภาพและรายงานจะถูกสร้างขึ้น ขั้นตอนนี้ทำในการสุ่มเลือกกลุ่มตัวอย่าง ความคิดของความถูกต้องของการประเมิน คือ จุดเน้นในตัวอย่างรายการ และสังเกตได้ว่ามันอยู่ในรูปตำแหน่งนี้ควรเปรียบเทียบกับรายการระดับและเลือกระดับหนึ่งเชื่อว่ามันควรอยู่ ความคิดนี้ถูกใช้ในตรรกศาสตร์ การจำแนก การตรวจสอบ