Návod pro cvičení Bilko

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.