Návod pro cvičení Idrisi Andes

Řízená klasifikace
(Supervised classification)
V předcházejícím cvičení jsme vykreslili křivky spektrální odezvy pro tři typy pokryvu zemského
povrchu: zastavěné oblasti, zalesněné oblasti a povrchové vody. Viděli jsme, že projevy každé
z těchto vrstev pokryvu jsou jedinečné. Krajinné pokryvy tak mohou být tedy identifikován a
vzájemně odděleny na základě své jedinečné spektrální odezvy. Tento fakt stojí v pozadí
klasifikace digitálního obrazového záznamu (image classification). Mnoho typů map vč. map
krajinného pokryvu, map půd a bathymetrických map bylo vytvořeno na základě digitálních
obrazových záznamů získaných dálkovým průzkumem Země.
Existují dvě metody klasifikace snímků: řízená a neřízená. Pří řízené klasifikaci (supervised
classification) uživatel odhaluje spektrální příznaky (charakteristické znaky) známých kategorií
jako jsou urbanizované plochy, les a následně software přiřadí každému pixelu v obrazu typ
pokryvu, který se nejvíce podobá spektrálním příznakům. Při neřízené klasifikaci (unsupervised
classification) program automaticky seskupí pixely do kategorií s podobnými spektrálními
příznaky (spektrální třídy), a uživatel následně identifikuje typy pokryvu, které tyto kategorie
reprezentují.
Kroky při řízené klasifikaci mohou být seřazeny následovně:
1) Nalezení reprezentativních příkladů pro každý jednotlivý typ pokryvu, který je možno na
obrázku identifikovat (tzv. training sites - tréninkové plochy).
2) Digitalizace polygonu okolo každé tréninkové plochy a označení každého typu pokryvu
jedinečným identifikátorem.
3) Analýza pixelů v tréninkových plochách a odhalení spektrálních příznaků pro každý typ
pokryvu.
4) klasifikace celého digitálního obrazového záznamu posouzení jednoho pixelu po druhém
porovnáním jeho individuálního příznaku se všemi známými příznaky. Hovoříme o takzvané
tvrdé klasifikaci (hard classification), přiřadíme-li jednotlivé pixely do skupin
s nejpodobnějšími vlastnostmi. Naopak měkká klasifikace (soft classification) ohodnocuje
stupeň příslušnosti jednotlivého pixelu ke všem skupinám a bere v úvahu i fakt, že některé
pixely mohou náležet skupinám dosud nedefinovaným. Rozhodnutí o podobnosti vlastností
jednotlivých pixelů s vlastnostmi jednotlivých skupin je činěno na základě statistické analýzy.
Existuje několik možných statistických technik, které mohou být použity - tyto techniky
bývají označovány jako klasifikátory (classifiers).
Toto cvičení ukazuje některé způsoby hard klasifikace. Způsoby soft klasifikace jsou popsány ve
cvičeních pro pokročilé (Advanced Tutorial Exercises). Detailnější popis těchto postupů můžete
najít v kapitole Classification of Remotely Sensed Imagery v manuálu IDRISI Guide to GIS and
Image Processing Volume 2.
Začneme tvorbou tréninkových ploch. Oblast, kterou se pokusíme klasifikovat je v okolí Howe
Hill, přímo na severozápad od letiště, které jsme viděli na obrázcích HOW87TM1-4
z předchozího cvičení. Obrázek 1 ukazuje výsledek návštěvy dané lokality (terénní
rekognoskace). Vytvoření tréninkových ploch v tomto cvičení je založeno na znalosti typu
zemského povrchu, získané v rámci rekognoskace terénu.
1
Každý známý typ krajnného pokryvu bude označen jedinečným celočíselným identifikátorem a
bude pro něj nalezena jedna nebo více tréninkových ploch.
a) Napište seznam všech typů povrchu identifikovaných na obr. 1 a jejich jedinečných
identifikátorů. Zatímco tréninkové plochy mohou být digitalizovány v libovolném
pořadí, není možno přeskočit nějaké číslo při tvorbě identifikátorů. Takže máte-li 10
typů povrchů, vaše identifikátory musí tvořit číselnou řadu od 1 do 10.
Navrhované pořadí (vzhledem k výchozí kvalitativní paletě IDRISI pro automatické
zobrazení) je:
1 - mělká voda (Shallow water)
2 - hluboká voda (Deep water)
3 - zemědělské plodiny (Agriculture)
4 - urbanizované oblasti – ulice, opuštěné letiště (Urban – streets, abandoned airport)
5 - listnatý les (Conifers)
6 - jehličnatý les (Deciduous)
2
b)
Zobrazte obrázek H87TM4 a použijte při tom paletu Grey256 a autoscale. Použijte
funkci IDRISI pro digitalizaci na obrazovce (on-screen digitizing) a digitalizujte
polygony kolem vašich tréninkových ploch. Digitalizace využívá 3 ikony na liště
nástrojů:
(Digitize)
(Delete Feature)
(Save Digitized Data)
Postup je následující:
Použijte navigační tlačítka na spodní části Composer, abyste se zaměřili na oblast u
hlubokého jezera, které je na levé straně obrázku. Klikněte na ikonu pro on-screen
digitalizaci.
Zadejte TRAININGSITES jako název vrstvy, která bude vytvářena. Soubor symbolů
zvolte QUAL256 a zadejte, že budete vytvářet polygony a vložte identifikátor, který
jste si vybrali pro typ povrchu “hluboká voda“.
Vektorová polygonová vrstva je nyní přidána do mapové kompozice a vypsána v okně
Composer. Kurzor, pokud se pohybuje nad obrázkem, nyní vypadá jako digitalizační
ikona. Přesuňte kurzor na počáteční bod vámi vybraného polygonu kolem tréninkové
plochy a stiskněte levé tlačítko myši. Přesuňte kurzor nad další bod polygonu a opět
stiskněte levé tlačítko myši. Můžete nyní pozorovat, jak se tvoří hraniční linie. Polygon
by měl zahrnovat homogenní oblast vybraného typu povrchu a proto si dejte pozor,
abyste do něj neuzavřeli i body náležící např. břehu. Pokračujte v digitalizaci, pokud se
nepřiblížíte počátečnímu bodu a pak stiskněte pravé tlačítko myši. To zajistí uzavření
polygonu a ukončí digitalizaci. Dokončený polygon se zobrazí se symbolem, který
odpovídá vybranému identifikátoru (klíč 2 odpovídá jistému symbolu). Kdykoliv
můžete vaši práci uložit pomocí tlačítka pro uložení geoprvku. Odpovězte ano, pokud
chcete práci uložit. Pokud uděláte nějakou chybu a polygon nechcete uložit, klikněte na
ikonu „Smazat geoprvek“. Vyberte polygon, který chcete smazat a smáčkněte Delete
na vaší klávesnici. Můžete smazat polygon před i po jeho uložení.
Použijte navigační tlačítka, přesuňte se na následující tréninkovou plochu a opět si ho
přibližte. Použijte digitalizační ikonu, Zadejte, že si přejete přidat geoprvek do aktivní
vektorové vrstvy. Vložte identifikátor pro novou plochu. Chcete-li digitalizovat
polygon kolem stejného typu povrchu, použijte stejný identifikátor, jinak zadejte nový
identifikátor.
Pro jakýkoliv typ povrchu může být vytvořeno libovolné množství tréninkových ploch (polygonů
se stejným ID). Celkově by však mělo být k dispozici dostatečné množství pixelů pro statistickou
analýzu jejich vlastností pro jakýkoliv povrch. Pomocným pravidlem může být, že počet pixelů
v jakékoliv tréninkové množině by neměl být menší než 10x počet vlnových pásem. V případě,
že používáme 7 spektrálních pásem, měli bychom mít v každé tréninkové množině více než 70
pixelů.
c) Pokračujte, dokud nebudete mít digitalizované všechny polygony kolem vašich
tréninkových ploch. Pak klikněte na ikonu Uložit digitalizovaná data (zalomená šipka
doprava).
3
Jakmile máte připravený soubor s vektory definující tréninkové množině, můžete přistoupit
k třetímu kroku celého procesu - tvorbě souborů příznaků (signature file). Tyto soubory obsahují
statistické informace o hodnotách odrazivosti pixelů v tréninkových plochách každé třídy
d) Spusťte MAKESIG s menu Analysis/Image Processing/Signature Development. Jako
typ tréninkového souboru vyberte vektor, vložte jméno TRAININGSITES jako soubor
definující tréninkové plochy. Klikněte na tlačítko Enter Signature Filename. Zvláštní
signature file bude vytvořen pro každý identifikátor ve vektorovém souboru
tréninkových ploch. Napište názvy souborů (signature file) pro každý identifikátor.
Tedy jestliže mělká voda měla ID = 1, zadejte např. „Mělká voda“. Po zadání všech
jmen zadejte OK.
Dále vložte informaci, že bude zpracováváno 7 vlnových pásem a automaticky se
objeví 7 dialogových oken pro jména souborů. Vyberte: H87TM1 (modré pásmo),
H87TM2 (zelené pásmo), H87TM3 (červené pásmo), H87TM4 (blízké infračervené
pásmo 0.76-0.90 μm), H87TM5 (střední infračervené pásmo 1.55 - 1.75 μm), H87TM6
(vzdálené infračervené pásmo, termální pásmo 10.40 - 12.50 μm) a H87TM7 (střední
infračervené pásmo 2.08 - 2.35 μm).
e) Jakmile skončíte s MAKESIG, použijte Idrisi File Explorer z menu File. Klikněte na
typ souboru Signature (sig + sgf) a zkontrolujte, zdali jste všechny potřebné vytvořili.
Pokud jste nějaký zapomněli, zopakujte výše popsaný proces pro vytvoření nového
vektorového souboru s chybějícími tréninkovými plochami a znovu spusťte
MAKESIG.
Abychom si usnadnili použití několika následujících modulů pro tuto množinu příznaků
(spektrálních charakteristik), můžete si vytvořit soubor pro skupinu příznaků (signature group
file). Použití souboru skupiny příznaků (namísto individuálního zadávání každého příznaku)
urychlí proces vyplňování vstupních údajů do dialogových polí modulu. Stejně jako soubor
definující skupinu obrázků je i souboru skupiny příznaků v ASCII formátu. MAKESIG
automaticky tento soubor vytváří a má tentýž název jako vektorový soubor s tréninkovými
plochami tj. TRAININGSITES.
f) Otevřete Idrisi Explorer z menu File. Ze záložky Filtres označte příznaky a souboru
skupiny příznaků. Ze záložky File pak vyberte TRAINNINGSITES. V metadatech
ověřte, zda jsou všechny příznaky zapsány v souboru.
Pokud chcete popisné soubory navzájem porovnat, je možno vytvořit jejich grafy - stejně jako
v předcházejícím cvičení.
Spusťte SIGCOMP z menu Analysis/Image Processing/Signature Development.
Vyberte použití souboru skupiny příznaků a zadejte TRAININGSITES. Zobrazte jejich
střední hodnoty (mean - průměr).
1) Která pásma ze všech sedmi vlnových pásem nejlépe zdůrazní vegetační
pokryv?
h) Zavřete SIGCOMP graf a znovu spusťte SIGCOMP, ale tentokráte vyberte pouze dva
popisné soubory (jehličnatý les, zastavěné oblasti) a zadejte jejich názvy. Zobrazte
jejich maxima, minima a střední hodnoty. Všimněte si, že hodnoty odrazivosti těchto
popisných souborů se často v několika pásmech překrývají. Tento fakt je zdrojem
spektrálního smíšení mezi různými typy pokryvu.
2) Který z těchto dvou popisných souborů má širší rozpětí hodnot odrazivosti ve
všech pásmech a proč?
g)
4
Jinou cestou k ocenění popisných souborů je jejich vykreslení na dvoupásmovém rozptylogramu
(scatterplot nebo scattergram). Rozptylogram ukazuje rozmístění všech pixelů ve dvou pásmech
v grafu, kde na ose X je uvedena odrazivost jednoho pásma a na druhé ose odrazivost druhého.
Četnost pixelů v jednotlivých částech grafu je vyznačena pomocí kvantitativní barevné palety.
Charakteristiky popisného souboru jsou vykresleny na rozptylogramu a poskytují možnost ocenit,
jak dobře jsou rozlišeny jednotlivé typy pokryvu ve dvou zobrazených pásmech.
Pro vytvoření rozptylogramu použijte modul SCATTER. Používá data ze 2 obrázků pro osu X a
Y a vykresluje relativní pozici pixelu podle hodnot odrazivosti naměřených v jednom místě ve
dvou zobrazených pásmech (obrázcích). Navíc vytváří vektorový soubor - obdélník kolem
průměru příznaku ve vzdálenosti 2 násobků směrodatných odchylek pro každé pásmo. Mohli
byste vytvořit a vyzkoušet různé rozptylogramy s různými dvojicemi pásem. Nyní vytvoříme
rozptylogram z červeného a blízkého infračerveného pásema.
Spusťte SCATTER z menu Analysis/Image Processing/Signature Development. Pro
osu Y vyberte H87TM3 (červené pásmo) a pro osu X H87TM4 (blízké infračervené
pásmo). Výsledek pojmenujte SCATTER a ponechte volbu logaritmování. Vyberte
vytvoření souboru příznaků a zadejte jméno souboru skupiny příznaků
TRAININGSITES. OK.
j) Objeví se poznámka, že byl vytvořen vektorový soubor. Po stisku OK se zobrazí
scatter plot (pokud ne, v User Preferences zadejte na štítku System Settings volbu
Automatic Display on; GREY256 by měla být standardní kvantitativní paletou a
QUAL256 standardní kvalitativní paletou). Přidejte vektorovou vrstvu (Add Layer z
Composeru) s názvem souboru SCATTER a paletou QUAL256. Přesuňte kurzor nad
rozptylogram. Všimněte si, že souřadnice X a Y na stavové řádku jsou vždy nastaveny
na rozsah 0-255. Jestliže jsou hodnoty H87TM3 od 12 do 66 a pro H87TM4 v rozmezí
5-136, všechny pixely jsou vykresleny v levém dolním kvadrantu. Zvětšete si tuto
oblast. Můžete rovněž využít ikony maximalizace zobrazení rámce vrstvy (Maximize
Display of Layer Frame) na liště ke zvětšení obrazu.
Hodnoty v rozptylogramu reprezentují hustoty (logaritmus četnosti) pixelů, tedy vyšší
barva v paletě indikuje, že hodně pixelů má tutéž kombinaci odrazivosti ve 2 pásmech.
Překrývání příznaků naznačuje, že rozdílné příznaky mají podobné hodnoty a že je
tedy nižší separabilita těchto tříd. SCATTER dovoluje ocenit kvalitu těchto příznaků.
Některé příznaky se překrývají díky neadekvátnutímu vymezení tříd pokryvu. Překryv
může naznačovat chyby v definici tréninkových ploch. Nebo mohou mít určité objekty
skutečně podobné odrazové charakteristiky v některých pásmech (např. listnaté lesy a
zalesněné mokřiny).
i)
Je běžné, pokud se provádí výběr tréninkových ploch, tvorba příznaků nebo ohodnocení příznaků
opakovaně, než se dosáhne uspokojivých výsledků. Pro toto cvičení budeme předpokládat, že
příznaky jsou adekvátní a budeme pokračovat v klasifikaci.
Nyní když máme popisné soubory pro všechny kategorie zemského povrchu, jsme připraveni na
poslední krok klasifikačního procesu, klasifikaci obrazových záznamů na základě souborů
příznaků (signature file). Každý pixel má určitou hodnotu odrazivosti v každém ze sedmi
použitých vlnových pásem (H87TM1-7). Jak již bylo popsáno výše, jedná se o modré, zelené,
červené, blízké infračervené (near infrared), střední infračervené, termální infračervené a další
střední infračervené pásma. Hodnoty odrazivosti pro jeden pixel ve všech pásmech tento pixel
5
přesně definují a umožňují jeho zařazení (podle popisných souborů, které jsme v předchozí části
vytvořili) do kategorie, které odpovídá nejvíce. Pro porovnání, jak jsou si jednotlivé příznaky
navzájem podobné je možno použít různé statistické postupy. Tyto postupy nazýváme
klasifikátory (classifiers). Dále vytvoříme klasifikované obrázky pomocí tří hard klasifikátorů,
které má IDRISI k dispozici. Cvičení popisující použití tzv. soft klasifikátorů a „tvrdících
nástrojů“ můžete najít v kapitole Advanced Image Processing v Tutorialu.
k)
Vytvoříme různé varianty klasifikovaných obrázků. K jejich snadnější interpretaci
zapněte automatické zobrazování legendy (a nadpisu) v User Preferences.
První klasifikátor, který použijeme, pracuje
na principu nalezení minimální odchylky od
střední hodnoty (minimum distance to means
classifier).
Tento
klasifikátor
počítá
odchylku (vzdálenost) hodnoty odrazivosti
pixelu pro průměry příznaků jednotlivých
vlnových pásem a přiřazuje pixel do té
kategorie, ve které je střední hodnota
odchylky minimální. Existují dva základní
způsoby, jak počítat požadovanou odchylku.
První počítá tzv. Euklidovskou neboli
hrubou (raw) odchylku hodnoty odrazivosti
pixelu od spektrálního průměru. Tento
koncept je znázorněn ve dvou rozměrech
(příznaky byly vytvořeny pouze pro pásma
červeného a infračerveného záření) na obr. 2.
V tomto heuristickém diagramu jsou
hodnoty odrazivosti pro jednotlivé příznaky
znázorněny malými písmeny, pixely
porovnávané s příznaky jsou znázorněny
čísly a spektrálními průměry pro jednotlivé
kategorie jsou znázorněny černou tečkou.
Pixel 1 je nejblíže spektrálnímu průměru pro
kategorii “obilí“ (c-corn) a proto byl přiřazen
l)
do této kategorie. Problém tohoto
klasifikátoru je znázorněn na příkladu pixelu
2, který je nejblíže průměru pro kategorii
“písek“ (s-sand) a bude do této kategorie
zařazen navzdory tomu, že by teoreticky
zapadal do okruhu hodnot odrazivosti pro
kategorii “město“ (u-urban). Jinými slovy
tato metoda nebere v úvahu rozložení hodnot
odrazivosti okolo spektrálního průměru.
Princip klasifikátoru minimální odchylky od
střední hodnoty s využitím Euklidovské
vzdálenosti
Všechny klasifikátory, které budeme dále používat můžete nalézt v menu
Analysis/Image Process-ing/Hard Classifiers. Spusťte klasifikátor MINDIST
(minimální odchylka od střední hodnoty), vyberte možnost raw distance a neomezené
(maximální) vzdálenosti pro vyhledávání. Klikněte na tlačítko Insert Signature Group
a zadejte jméno souboru skupiny příznaků (TRAININGSITES). V oknech pro zadávání
jmen příznaků se automaticky objeví jejich názvy. Nazvěte výstupní soubor
MINDISTRAW a vložte titulek nového obrázku. Pokračujte do dalšího dialogového
okna a potvrďte všechna pásma vybraná pro analýzu. Prohlédněte si výsledný obrázek
pokryvu zemského povrchu (pokud je potřeba, zvolte paletu QUAL256).
6
Nyní použijeme opět klasifikátor hledající
minimální odchylky od střední hodnoty
(minimum distance to means classifier),
avšak v tomto případě změníme metodu
výpočtu vzdálenosti - použijeme tzv.
normalizované vzdálenosti. V tomto případě
klasifikátor
vyhodnocuje
směrodatnou
odchylku vzdálenosti hodnot odrazivosti od
průměru (vytváří “izolinie“ směrodatné
odchylky kolem průměru). V tomto případě
jsou pixely zařazeny do jednotlivých
kategorií na základě vzdálenosti od středu ve
smyslu směrodatné odchylky (směrodatná
odchylka je mírou vzdálenosti). Na obr. 4
nyní vidíme, že pixel 2 může být správně
zařazen do kategorie “město“, protože od
průměru této kategorie je vzdálen pouze do
2násobku směrodatné odchylky, na rozdíl od
m)
kategorie “písek“ (vzdálenost nejméně 3násobku směrodatné odchylky od průměru
kategorie).
Obr. 4 Princip klasifikátoru minimální
odchylky od střední hodnoty s využitím
standardizovaných
odchylek
Pro lepší přiblížení této metody spusťte znovu MINDIST. Vyberte možnost
normalizace směrodatnou odchylkou (normalized standard deviation), výsledný soubor
nazvěte MINDISTNORMAL. Vložte titulek pro nový obrázek.
3. Porovnejte oba výsledky. Jak byste popsali efekt druhého typu výpočtu?
Další použitý klasifikátor, se nazývá
klasifikátor maximální pravděpodobnosti
(maximum likelihood classifier). Zde je
distribuce hodnot odrazivosti v tréninkových
plochách počítána pomocí funkce hustoty
pravděpodobnosti, která je založena na
principech Bayesovské statistiky (viz obr. 4).
Tento
klasifikátor
vyhodnocuje
pravděpodobnost, s jakou daný pixel náleží
určité kategorii a nakonec přiřadí pixel ke
kategorii, u níž je pravděpodobnost
příslušnosti nejvyšší.
Obr. 4 Princip klasifikátoru maximální
pravděpodobnosti
7
n)
Spusťte MAXLIKE, vložte název souboru skupiny příznaků (SIGS). Vyberte, že
chcete každé kategorii dát stejnou předpokládanou pravděpodobnost (prior
probability). Klikněte na tlačítko Insert Signature Group a zadejte název souboru
skupiny příznaků (TRAININGSITES). Vyberte klasifikaci všech pixelů. Výsledek
nazvěte MAXLIKE. Vložte titulek obrázku. Stiskněte Continue a potvrďte výběr
všech vlnových pásem, OK. Metoda největší pravděpodobnosti je nejpomalejší, ale
v případě dobře definovaných tréninkových ploch dává nejlepší výsledky.
Posledním klasifikátorem, se kterým se
seznámíme je pravoúhelníkovým (pro 2D
rozměrná data) resp. kvádrovým (pro 3D
rozměrná data) resp. hyperkvádrovým (pro
nD nebo n-rozměrná data, kde N>3)
klasifikátorem (parallelepiped classifier).
Tento klasifikátor vytváří obdélníkovou
oblast na základě maximálních nebo
minimálních hodnot odrazivosti nebo na
základě směrodatné odchylky odrazivosti
v rámci tréninkových ploch. Pokud je pixel
zahrnut do obdélníkové oblasti určité
kategorie, je této kategorii přiřazen. Toto je
nejrychlejší
klasifikátor
a
varianta
s použitím minima a maxima bývala často
používána v případě klasifikace pro získání
informativních
hodnot.
Tento
typ
klasifikace však může být velmi
zavádějící. Vzhledem ke korelaci hodnot
v různých spektrálních pásmech mají
pixely tendenci tvořit shluky protáhlého
tvaru („cigára“). Jak je ukázáno na obrázku
č.5, obdélníková oblast je příliš široká a
zahrnuje i ty pixely, které by měly náležet
jiné kategorii. V tomto případě pixel 1
o)
bude přiřazen do kategorie “listnatý les“
(d-deciduous), i když správně náleží do
kategorie “obilí“ (c-corn). Velmi často také
dochází
k překrývání
obdélníkových
oblastí. Pixely v těchto sporných místech
jsou pak zařazeny k poslední kategorii,
podle pořadí, ve kterém byly definovány
příznaky (popisné soubory kategorií) podle pořadí číselného identifikátoru
příznaku.
Obr. 5 Princip
klasifikátoru
pravoúhelníkového
Spusťte PIPED a zvolte si možnost Min/Max. Klikněte na tlačítko Insert Signature
Group a zadejte název souboru skupiny příznaků (TRAININGSITES). Zadejte
název výstupního souboru PIPEDMINMAX a vložte titulek obrázku. Stiskněte
Next a potvrďte výběr všech vlnových pásem. Všimněte si pixelů, kterým byla
přiřazena nulová hodnota - byly to pixely, které nebyly zahrnuty do žádné
z kategorií, a proto jim byla přiřazena kategorie 0.
Pravoúhelníkový klasifikátor, používající minimální a maximální hodnoty, je
extrémně citlivý vůči odlehlým hodnotám v příznacích. Proto se doporučuje používat
raději klasifikátor používající Z-skore k tvorbě pravoúhelníků.
p)
Spusťte znovu PIPED jako předtím, avšak s možností Z-score a nastavte hodnotu
1.96 jednotek. To vytvoří pravoúhelníky zahrnující 95% pixelů příznaku. Nazvěte
výstupní soubor jako PIPEDZ. Vložte titulek obrázku a potvrďte výběr všech
pásem.
8
4.
q)
Jak moc ovlivnilo použití směrodatné odchylky místo hodnot minima a
maxima průběh parallelepiped klasifikace?
Porovnejte všechny klasifikace, které jste dosud vytvořili: MINDISTRAW,
MINDISTNORMAL, MAXLIKE, PIPEDMINMAX a PIPEDZ. Zobrazte je
všechny vedle sebe na monitoru s použitím kvalitativní palety.
5. Která klasifikace je nejlepší?
Jako poslední poznámku, vezměte prosím do úvahy následující: V případě, že tréninkové
plochy jsou velmi dobré, dává nejlepší výsledky metoda maximální pravděpodobnosti
(maximum likelihood classifier). V případě, že však tréninkové plochy nejsou dobře
definovány, je výsledek dosti slabý. V těchto případech se mnohem lépe osvědčí použití
metody minimální odchylky od střední hodnoty (minimum distance classifier) s volbou
standardizované vzdálenosti. Celkem ucházející výsledky dává i pravoúhelníková klasifikace
(parallelepiped classifier) s volbou směrodatné odchylky, která je zároveň nejrychlejší ze
všech výše zmíněných.
Ponechte MINDISTNORMAL a MAXLIKE pro pozdější cvičení. Ostatní vytvořené soubory
můžete smazat.
9