Die Punktwolken sind dann gut voneinander abgegrenzt, wenn die Schwerpunkte der Punktwolken weit auseinander liegen und die Klasse homogen ist. Falls die Grauwerte der einzelnen Klassen stark streuen, können sich die Punktwolken überlappen und somit die Klassen nicht mehr klar getrennt werden. Je größer die Schnittmenge, desto unsicherer ist die Klassenzuordnung eines Pixels:

Lage zweier Punktwolken im 2-dimensionalen Merkmalsraum

Nimmt man weitere Kanäle hinzu, bekommt man einen mehrdimensionalen Merkmalsraum (engl. feature space), durch den die Bildelemente häufig sicher in Klassen einzuteilen sind. Bei 5 Kanälen/ Spektralbereichen erhält man z.B. einen
5-dimensionalen Merkmalsraum.

 

Man kann verschiedene Klassifizierungsverfahren unterscheiden, die sich in zwei große Gruppen einteilen lassen:

Bei der unüberwachten Klassifizierung werden die Daten auf Grundlage spektraler Ähnlichkeit in Gruppen bzw. Klassen gruppiert (statistische Verfahren) und dann diese Klassen identifiziert indem man ihnen - sofern möglich - thematische Kategorien (Begriffe) zuordnet. Bei der überwachten Klassifizierung geht man umgekehrt vor: man nimmt Stichproben ("Trainingsgebiete") von zu klassifizierenden Oberflächenklassen und untersucht das gesamte Gebiet statistisch auf Grundlagen der Parameter der Trainingsgebiete.

Im Folgenden werden diese beiden Verfahren näher erläutert.

Home > Lernmodule > Modul 6