Řízená klasifikace nad daty Landsat 7 ETM+ V tomto cvičení si ukážeme posloupnost nejdůležitějších kroků řízené spektrální klasifikace, které se provádějí v rámci trénovací a klasifikační etapy. Vyzkoušíme si řízenou klasifikaci digitálního obrazového záznamu ze systému Landsat 7 ETM+ s cílem extrahovat typy krajinného pokryvu. Klasifikaci zjednodušíme a pokusíme se vylišit pouze několik základních kategorií pokryvu, protože toto cvičení rozvíjí znalosti a dovednosti v rámci základního kurzu Dálkový průzkum Země. Problematika klasifikace digitálního obrazu, včetně pokročilých metod, bude náplní povinného předmětu Digitální zpracování dat v DPZ v rámci navazujícího studia oboru Geoinformatika. Klasifikaci provedeme nad daty, která jsme již používali při procvičování zvýrazňovacích technik. Budeme pracovat s výřezem ze scény L71189025_02520030421 pro oblast Ostravska:
L71189025_20030421_B10_OV.DAT
(pásmo ETM+1)
L71189025_20030421_B20_OV.DAT
(pásmo ETM+2)
L71189025_20030421_B30_OV.DAT
(pásmo ETM+3)
L71189025_20030421_B40_OV.DAT
(pásmo ETM+4)
L71189025_20030421_B50_OV.DAT
(pásmo ETM+5)
L71189025_20030421_B70_OV.DAT
(pásmo ETM+7)
L71189025_20030421_B80_ OV.DAT
(pásmo ETM+8)
Nejprve připravíme tabulku, do níž vložíme několik základních kategorií pokryvu, na nichž se budeme seznamovat s problematikou řízené klasifikace. Jinak řečeno, musíme si ujasnit, jaké typy území si přejeme z obrazových dat extrahovat. Pokud by nám měla klasifikace sloužit jako metoda vyhodnocení území v rámci určitého projektu, hovořili bychom o klasifikačním schématu a kategorie by měly být navrženy s určitým konkrétním cílem. Vzhledem k tomu, že toto cvičení má přispět k pochopení automatizované klasifikace obrazových dat jako rozšířené zpracovatelské techniky, stanovíme si jen velmi omezený počet kategorií, které jsou v území nejvíce rozšířeny. a) V nabídce programu Bilko zvolte File – New..., v dialogovém oknu, které se otevře, zvolíme jako typ dokumentu TABLE Document a potvrdíme stikem tlačítka OK. b) Další dialogové okno Class Table Size, které se následně otevře, od nás vyžaduje zadání Number of Clasess, počtu kategorií, tedy řádků nově založené tabulky. Postačí, bude-li jich 10 a potvrdíme stikem tlačítka OK. Bilko otevře nově vytvořenou tabulku Table1, která je prázdná, obsahuje 3 sloupce (Description, Label, Colour) a 10 prázdných řádků, které zbývá vyplnit. c) Tabulku vyplníme podle obrázku č. 1 a uložíme jako soubor tridy_rizene_klasifikace.tbl s obrazovými pásmy pro Ostravsko.
Připravená tabulka obsahuje Description, tedy připravený řetězec, který je identifikátorem třídy a současně názvem třídy (např. Class #006). Další sloupec Label, jsme již vyplnili textem, který vysvětli o jakou třídu se jedná. Může to být název přídy v přirozením jazyce. Třetím sloucem je Colour, obsahující ukázku barvy, kterou se výsledné plochy vykreslí ve vytvořené tematické mapě. Aby nedošlo k záměně barev, volíme (pokud možno) barvu, kterou naše intuice či cit přiřazuje k dané třídě (např. vodní objekty modré, holá půda hnědá).
Obrázek č. 1
Tabulka informačních tříd, které budou výsledkem klasifikace
Dále připravíme data pro klasifikaci tak, že spojíme soubory jednotlivých obrazových pásem do skupiny (angl. Set) neboli zásobníku (angl. Stack). Podobný postup jsme použili při přípravě barevných kompozic. d) V nabídce programu Bilko zvolte File – Open..., v dialogovém oknu vyhledejme adresář s obrazovými soubory. Vyberme soubory, které obsahují data pro pásma ETM+1, ETM+2, ETM+3, ETM+4, ETM+5 a ETM+7. Soubor panchromatického pásma ETM+8 pro klasifikaci nepoužijeme. Ujistíme se, že nastavení filtru obrazových formátů Files of type zobrazí soubory typu IMAGES (bmp, dat, gif, pcx, bin, hdf, tif, nc, n1). Přepínače Extract a Minimize zůstanou neaktivované a přepínač Apply aktivovaný. Potvrzením výběru Open se data každého pásma zobrazí v samostatném oknu. e) Dále vybereme z nabídky Image – Connect..., a v seznamu souborů, který zobrazí dialogové okno vyberte všech 6 položek, tedy pásem, která budou spojena do skupiny souborů obrazových rastrů. To se podaří, jestliže máme aktivovaný přepínač Stacked. Parametrům Rows: a Blanks: ponecháme implicitní hodnoty a potvrdíme klávesou OK. Skupina rastrů se následně zobrazí v nově otevřeném okně, přičemž v konkrétním okamžiku je vidět pouze obraz vybraného pásma. Ovládacím prvkem Selector (typu Combo box) můžeme vybrat libovolné pásmo pro zobrazení.
f) Skupina spojených souborů obrazových pásem je pouze virtuální datová struktura, reprezentovaná souborem, který je třeba uložit pod zvoleným názvem File – Save (např. L71189025_20030421_OV). g) Skupinu rastrů následně otevřeme volbou z nabídky File – Open..., poté kdy se ujistíme, že nastavení filtru obrazových formátů Files of type zobrazí soubory typu SETS (*.set) .
Obrázek č. 2
Výběr souboru se skupinou souborů obrazových pásem
h) Obrazová pásma radiometricky zvýrazníme metodou Auto Linear. Cíle klasifikace byly stanoveny a obrazová data byla připravena začleněním do datové struktury nazývané skupina. Nyní přistoupíme k trénovací etapě řízené klasifikace, vymezíme trénovací plochy (training sites) a připravíme tak trénovací vzorky hodnot reprezentujících jednotlivé informační třídy. i)
V okamžiku, kdy máme aktivní okno se zobrazenou skupinou obrazových pásem zvolíme v nabídce programu Image – Classify – Supervised a následně se otevře dialog, kde jsme vyzvání k zadání tabulky se seznamem požadovaných informačních tříd. Vybere tabulku tridy_rizene_klasifikace.tbl, kterou jsme v předchozích krocích připravili, v dialogovém okně ponecháme aktivovaný parametr Add a composite view a a potvrdíme klávesou OK.
j)
Otevře se tabulka tridy_rizene_klasifikace.tbl a současně i dialogové okno v němž přiřadíme kanálům RGB obrazová pásma ETM+1, ETM+2 a ETM+3, aby vznikla kompozice v pravých barvách. V dialogovém okně opět ponecháme aktivovaný parametr Add another composite view, potvrdíme klávesou OK a otevře se okno s požadovanou kompozicí a prázdná tabulka s výchozím názvem (např. Table1), která je strukturovaná
pro ukládání detailních informací o jednotlivých trénovacích plochách a trénovacích vzorcích
pro
požadované
informační
třídy.
Tabulku
uložíme
pod
názvem
trenovaci_plochy_Hlucin.tbl. Strukturu této tabulky si vysvětlíme později, jakmile se naplní prvními záznamy pro vymezené trénovací plochy. k) Do stejného dislogového okna zadáme ještě kombinaci pásem pro vytvoření kompozice v nepravých barvách ETM+1, ETM+2 a ETM+4, deaktivujeme parametr Add another composite view, potvrdíme klávesou OK a otevře se okno s požadovanou kompozicí v nepravých barvách. Obě vytvořené kompozice budeme používat v následujících krocích jako podklad pro orientaci, vyhledávání barevně homogenních ploch v krajině a pro vymezování trénovacích ploch, reprezentujících požadované informační třídy. Před tím však ještě obě kompozice zvýrazníme některou z metod radiometrického zvýraznění. Nejčastěji budeme využívat kompozici ETM+1, ETM+2 a ETM+4, protože přítomnost infračerveného pásma přispívá k výraznějšímu rozlišování typů pokryvu. l)
Vodným způsobem rozmístíme okna s barevnou kompozicí a s tabulkami, abychom co nejlépe využili plochu displeje a provedeme radiometrické zvýraznení barevných kompozic.
Nyní určíme jednotlivé trénovací plochy, které by měly splňovat řadu podmínek, jejich dodržování přispívá k úspěšnosti klasifikace. Tyto podmínky jsou součástí teoretických základů předmětu a zazněly v rámci specializované přednášky. m) Funkcí Zoom (Ctrl+kolečko myši) zvětšíme zobrazení kompozice ETM+1, ETM+2 a ETM+4 a vyhledáme barevně homogenní plochu, kterou dokážeme zařadit do některé z informačních tříd. n) Aktivujeme nástroj Box
a nad trénovanou plochou vymezíme dva protilehlé rohy
pravoúhelníka, který slouží jako maska pro výběr pixelů, které jsou maskou překryty. Klávesou Insert zadáme pokyn k zaznamenání důležitých údajů o vybraných pixelech do tabulky s názvem trenovaci_plochy_Hlucin.tbl, která má následující strukturu:
Description: Stack
- identifikátor trénovací plochy (např. TS #006:)
Upper Left
- souřadnice levého horního rohu (v pixelech)
Size
- rozměry plochy měřené od levého rohu (v pixelech)
Pixels
- počet pixelů překrytých čtyřúhelníkem trénovací plochy
Class: tridy_rizene_klasifikace - názvy tříd z připravené tabulky tridy_rizene_klasifikace
Mean TD
- průměrná transformovaná divergence
o)
Aktivujeme okno s kompozicí a nástrojem Box vymezíme další trénovací plochu pro stejnou třídu nebo trénovací plochu pro novou třídu a klavesou Insert údaje zaznamenáme do tabulky trenovaci_plochy_Hlucin.tbl, případně v tabulce modifikujeme popis třídy ve sloupci Class: tridy_rizene_klasifikace (obrázek č. 3).
Obrázek č. 3
Tabulka trénovacích ploch a k nim příslušejících pixelů
Po zadání všech trénovacích ploch, kterými se určují požadované informační třídy, musí být provedeno zhodnocení trénovací etapy. Jedním z kriterií, které z tohoto důvodu sledujeme, je průměrná transformovaná divergence, která nemá přesahovat hodnotu 1000. Pokud se tak stane, je důvodem nedostatečná separabilita tříd stanovená na základě vymezených trénovacích tříd. Trénovací množiny jednotlivých informačních tříd obsahují pravděpodobně pixely, jejichž hodnoty v jednotlivých pásmech jsou značně variabilní. Druhým důvodem může být i nedostatečná reprezentativnost trénovacích množin zpsobená nedostatečnám počtem pixelů. Počet pixelů se dá omezit editací trénovacích ploch. Jejich velikost můžeme změnit přímo v tabulce trénovacích ploch, kde ve sloupci Size lze změnit rozměry jednotlivých pravoúhelníků. Rovněž lze vypustit řádek kterékoliv trénovací plochy tak, že jej v tabulce označíme a v nabídce vybereme Edit – Delete. Tabulka musí být v tom okamžiku aktivní. Dále následuje trénovací etapa řízené klasifikace, v průběhu níž jsou na základě zvoleného klasifikátoru zpracovány všechny pixely obrazu a zařazeny do informačních tříd. Bilko nabízí tři klasifikátory, které je možno kombinovat. Před zahájením klasifikační etapy je nutno aktivovat okno tabulky trenovaci_plochy_Hlucin.tbl. Nejprve vyzkoušíme klasifikátor pravoúhelníků.
Obrázek č. 4
Vymezení trénovacích ploch v kontextu kompozice ETM+1, ETM+3 a ETM+5
p) Z nabídky vybereme příkaz Classify – Parallelepiped, který vyvolá dialogové okno Parallelepiped. Parametr Class Limits: nastavíme na hodnotu mean and probability, parametr Probability ponecháme nastavený na implicitní hodnotu 90. q) Klasifikace, postavená na klasifikátoru pravoúhelníků, vyžaduje zadání pravidla určujícího chování klasifikátoru při zpracování pixelů, jejichž hodnoty patří do dvou a více pravoúhelníků. Parametr se nazývá Overlap Rule a nastavíme jej na hodnotu use maximum likelihood. r) Pravidlo, určující způsob zpracování pixelů, jejichž hodnoty nepatří do žádného pravoúhelníka,
se
označuje
jako
Unclassified
Rule. Vybereme
typ
pravidla
leave as unclassified, tedy takové pixely ponechat neklasifikované. s) Přepínač Assess Training Data Only ponecháme neaktivovaný, protože o něm budeme diskutovat při hodnocení přesnosti klasifikace. Následuje potvrzení tlačítkem OK. Bilko
nyní
provede
klasifikaci
podle
zadaných
instrukcí
na
základě
tabulky
trenovaci_plochy_Hlucin.tbl. a vytvoří výsledný tematický rastr, který je pojmenován implicitním názvem Image001. První pokus o klasifikaci dopadne například tak, jak ukazuje obrázek č. 5. To jistě není uspokojivý výsledek, ale řízená klasifikace představuje proces, který může být ovlivněn značným množstvím parametrů. Pokud bychom se pokusili modifikovat nastavení řady parametrů, obdrželi
bychm pravděpodobně jiný výsledek, který by však nebyl příliš dobrý. Proto je potřebné klasifikaci „ladit.“
Obrázek č. 5
Výsledek klasifikace za použití klasifikátoru Parallelepiped
Začít se ovšem musí u návrhu trénovacího schématu a u výběru vhodných obrazových dat. Samozřejmostí je pak kvalitně provedená trénovací etapa, při níž jsou vybrány množiny reprezentativních pixelů. Trénovací etapa musí poskytnout trénovací množiny pixelů, splňujících řadu předpokladů a omezujících kriterií. K tomu je ovšem potřebné využít nástrojů pro hodnocení trénovacích množin a v případě množiny nesplňují statistické parametry, je nutné přistoupit k jejich úpravě.
Samostatné cvičení
Pro připravené trénovací množiny proveďte klasifikaci využívající zbývající dva klasifikátory a porovnějte výsledky, kterých jste dosáhli.
