Hiperspektrális osztályozó eljárások összehasonlítása

Hiperspektrális felvételeken alkalmazható osztályozó eljárások vizsgálata során a spektrális fraktálszerkezet alapján történő zajos, minimális optimális, maximális optimális sávok kiválasztásának eredményessége került ellenőrzésre az egyes osztályozási módszerek találati pontosságának meghatározásával, valamint annak diszkussziójával.

Öt tanító alapú osztályozási módszert vettünk figyelembe, melyek kijelölésénél az alapvető cél, olyan metrikák bevonása volt, amelyek elsősorban multispektrális képek vizsgálatához kerültek kifejlesztésre, ugyanakkor egyedi hiperspektrális adatok osztályozására kifejlesztett módszerekkel történő összehasonlításra is lehetőséget adnak. További szempont volt az is, hogy a leggyakrabban használt hiperspektrális adatfeldolgozó szoftverek eljárásai is kerüljenek tanulmányozásra, hiszen a felhasználók, szakemberek elsősorban ezek alkalmazásával találkozhatnak. A fenti szempontok alapján az alábbi öt metrikára épülő osztályozási módszer került kiválasztásra:

• Parallelepiped (PA)

• Minimum distance (MD)

• Mahalanobis (MA)

• Maximum likelihood (ML)

• Spectral Angle Mapper (SAM)

Az osztályozás bemenő paramétereinek felvétele során, kilenc tábláról vettünk táblánként egy-egy független mintát (ROI

paraméternek tekintettünk (3

36. ábra A mintaterületek (ROI

ellátott minták öt osztályt alkottak, mivel négy esetben (1. és 3. t

és 6. tábla búza, 7. tábla műveletlen terület, 8. és 10. tábla napraforgó) két

A valóságban a kilenc minta öt osztályt alkotott, mivel négy esetben (1. és 3. tá kukorica, 2. és 5. tábla tritikálé, 4. és 6. tábla búza, 7. tábla m

tábla napraforgó) két-két tábla is ugyanazt a növénykultúrát tartalmazta ( További három mintát is felvettünk (

képezték vizsgálatunk tárgyát, de a korábbi kilenc minta területei között megtalálható voltak.

37. ábra Az osztályozásra előkészített, méretezett terület eredeti bal oldali kép), va

98

ő paramétereinek felvétele során, kilenc tábláról vettünk táblánként y független mintát (ROI-t), melyeket az osztályozás elvégzésekor is független

(36. ábra).

. ábra A mintaterületek (ROI-k) alapvető jellemzőit bemutató táblázat, melyben a sorszámmal ellátott minták öt osztályt alkottak, mivel négy esetben (1. és 3. tábla kukorica, 2. és 5. tábla tritikálé, 4.

űveletlen terület, 8. és 10. tábla napraforgó) két-két tábla is ugyanazt a növénykultúrát tartalmazta

A valóságban a kilenc minta öt osztályt alkotott, mivel négy esetben (1. és 3. tá kukorica, 2. és 5. tábla tritikálé, 4. és 6. tábla búza, 7. tábla műveletlen terület, 8. és 10.

két tábla is ugyanazt a növénykultúrát tartalmazta (

További három mintát is felvettünk (erdősáv, aszfaltos műút, földút), melyek ugyan nem képezték vizsgálatunk tárgyát, de a korábbi kilenc minta területei között megtalálható

őkészített, méretezett terület eredeti (CaliGeo) színkompozit felvétele ( ), valamint a felvett mintaterületek, ROI-k (b. - jobb oldali kép

paramétereinek felvétele során, kilenc tábláról vettünk táblánként melyeket az osztályozás elvégzésekor is független

, melyben a sorszámmal ábla kukorica, 2. és 5. tábla tritikálé, 4.

két tábla is ugyanazt a

A valóságban a kilenc minta öt osztályt alkotott, mivel négy esetben (1. és 3. tábla űveletlen terület, 8. és 10.

két tábla is ugyanazt a növénykultúrát tartalmazta (37/a.,37/b. ábra).

), melyek ugyan nem képezték vizsgálatunk tárgyát, de a korábbi kilenc minta területei között megtalálhatóak

színkompozit felvétele (a. - jobb oldali kép)

99

A következő két oldalon feltüntetett ábrák az osztályozás egyes eredményeit tartalmazzák, ahol az adott metrika alapján osztályozott felvételek egymás mellett kerültek ábrázolásra.

A metrikák elnevezése mellett minden esetben feltüntettük mely bemenő adatsorra vonatkoztatva kaptuk az adott eredményképeket: bal oldali kép – a teljes 359 csatorna alapján, a középső kép - SFD alapján kiválasztott zaj nélküli 300 csatorna alapján, a jobb oldali kép – 6 optimális csatorna alapján került osztályozásra (38. - 42. ábrák).

38. ábra Mahalanobis metrika alapján osztályozott eredményképek (teljes felvétel alapján - bal oldali kép; zaj nélküli felvétel alapján - középső kép; 6 optimális csatorna alapján - jobb oldali kép)

39. ábra Maximum likelihood metrika alapján osztályozott eredményképek (teljes felvétel alapján - bal oldali kép; zaj nélküli felvétel alapján - középső kép; 6 optimális csatorna alapján - jobb oldali kép)

100

40. ábra Minimum distance metrika alapján osztályozott eredményképek (teljes felvétel alapján - bal oldali kép; zaj nélküli felvétel alapján - középső kép; 6 optimális csatorna alapján - jobb oldali kép)

41. ábra Parallelepiped metrika alapján osztályozott eredményképek (teljes felvétel alapján - bal oldali kép; zaj nélküli felvétel alapján - középső kép; 6 optimális csatorna alapján - jobb oldali kép)

42. ábra SAM metrika alapján osztályozott eredményképek (teljes felvétel alapján - bal oldali kép; zaj nélküli felvétel alapján - középső kép; 6 optimális csatorna alapján - jobb oldali kép)

101

Az SFD spektrumgörbék alapján 6 minimális és 21 maximális optimális csatorna is meghatározásra került. A 21 csatorna alapján végzett osztályozások eredményei összefoglaló jelleggel a 43. és a 44. ábrákon láthatóak. A találati pontosságok az eredményképeken történt mérések alapján kerültek kiszámításra. Az egyes ROI-kon belül, a ROI intenzitásértéke alapján meghatároztuk a helyesen osztályozott pixelek számát, melyet az adott ROI teljes képpontjainak számával elosztva, majd százzal szorozva megkaptuk százalékban a találati pontosságokat.

43. ábra A 21 sáv Maximum likelihood (középső kép) és SAM (jobb oldali kép) metrika alapján osztályozott eredményképei. A bal oldali kép a 21 sávból választott, osztályozatlan felvétel

44. ábra A 21 sáv Parallelepiped (bal oldali kép), Minimum distance (középső kép) és Mahalanobis (jobb oldali kép) metrika alapján osztályozott eredményképei

102

Az eredményeket bemutató táblázatokban a százalékos találati pontosságok kerültek feltüntetésre, kékkel kiemelve egy adott metrika és minta esetén kapott legnagyobb találati pontosságot. Piros színnel jelöltük egy adott növénykultúra esetén az öt osztályozási eljárás számtani átlaga alapján megadott legnagyobb találati pontosságot (9. táblázat). Az összesített eredmények a 10. táblázatban találhatóak. Az átlag jelzésű sorban szerepel az összes mintára és mind az öt metrika alapján átlagolt találati pontosság, míg az összesen oszlopban az egyes metrikák összesített találati pontosságát adtuk meg, pirossal jelezve a legnagyobb értékeket.

9. táblázat Az osztályozások találati pontosságát mintaterületek és a választott metrikák alapján bemutató táblázat (kékkel szedve egy adott metrika és növénykultúra esetén a maximális értéket, pirossal szedve a növénykultúránként az egyes metrikák összesített találati pontosságának legnagyobb

értékét)

A eredmények kiértékelése során egyértelműen megállapítható, hogy az általunk javasolt SFD ujjlenyomatok egyes görbéi alapján meghatározott zaj nélküli, minimális és maximális optimális csatornák alapján történő osztályozás bármely metrika választása esetén kukorica, búza, műveletlen terület és napraforgó növénykultúrákra nagyobb találati pontosságot eredményezett, mint a teljes, 359 sáv alapján osztályozott felvétel vonatkozásában (9. táblázat kékkel jelölt értékek). Tritikálé osztályozásánál négy metrika (MA, ML, SAM és MD) esetén kaptunk hasonló eredményt. Egyetlen metrika (PA) esetében tapasztaltunk csak a teljes 359 sáv alapú osztályozásra legnagyobb találati pontosságot, ekkor mértük egyben a teljes osztályozási eredmények legkisebb találati

103

pontosságát is (21,20 % és 32,00 %). Összességében is a PA adta a legkisebb találati pontosságot (69,91 %) az öt osztályozási eljárás közül, ami egyértelműen magyarázható azzal, hogy a PA nem speciálisan hiperspektrális képek osztályozására került kifejlesztésre.

10. táblázat Az osztályozások minden növénykultúrára összesített találati pontossága (kékkel szedve egy adott metrika esetén a maximális értéket, pirossal szedve a bemenő adatok összetételére vagy

metrikára számított találati pontosságok átlagának legnagyobb értékét)

ÁTLAGOS TALÁLATI PONTOSSÁG

Maximum likelihood 98.16 98.49 96.08 97.71 97.61

SAM 75.91 76.66 75.23 74.40 75.55

Parallelepiped 65.35 73.45 68.00 72.84 69.91

Minimum distance 80.61 80.56 82.68 79.46 80.83

ÁTLAG 83.40 85.56 81.61 83.43

A osztályozások közül egyértelműen az ML teljesített a legjobban (97,61 %), ami egyezik a legtöbb multispektrális felvételeknél publikált irodalmi adatokkal (Chang, 2007b; Schowengerdt, 2007), bár hiperspektrális felvételek esetén a jelentős zajterheltség miatt mindez nem volt egyértelműen bizonyított. Érdekesség, hogy a legnagyobb egyedi összesített találati pontosságot a Mahalanobis osztályozás zaj nélküli képe esetén kaptuk (98,61 %).

A disszertáció szempontjából további lényeges megállapítás az osztályozások találati pontosságát illetően az, hogy az SFD alapján zajosnak minősített sávok eltávolítása után 300 csatorna osztályozásakor több mint 2 %-al nagyobb (2,16 %) találati pontosságot mértünk, mint az összes csatorna használata során. Az eredmény kiemelkedő abból a szempontból is, hogy magas találati pontosság esetén kaptuk ezen jelentős pontosság növekedést, amely ismerve a szakirodalmi adatokat jelentős javulásnak nevezhető. A 21 sáv alapú osztályozás ugyanazt az (minimálisan jobb) eredményt adta mint a teljes 359 sáv, ami esetünkben azért rendkívüli, mivel 21 sáv alapján történő osztályozás lényegesen kisebb futási idővel jár, mint a 359 sáv alapú osztályozás. A 6 sáv alapú osztályozás találati pontossága pedig alig maradt el (1,79 %-al) a teljes 359 sáv pontosságától, amely a futási idők közel két nagyságrendbeli eltérésének ismeretében, nagy számításigényű felvételek osztályozása esetén kiváló eredménynek számít.