![]() |
![]() |
Basierend auf den multispektralen Daten werden zusammengehörige Bereiche gebildet. Erst in einem zweiten Schritt werden diese Informationsklassen zugeordnet.
Programme, die Clustering Algorithmen genannt werden, werden benutzt um die Pixel im multispektralen Merkmalsraum nach statistischen Gesichtspunkten zu gruppieren (zu "Clustern"). Um die "Ähnlichkeit" von Pixeln festzustellen wird auf Distanzmaße zurückgegriffen, z.B. die Euklidische Distanz. Ziel ist, eine optimale Unterteilung des Merkmalsraumes zu erreichen.
Normalerweise kann der Operateur spezifizieren wie viele Cluster er haben
will, außerdem kann er noch Parameter zur Trennung von Klassen einstellen.
Bei diesem Verfahren bringt der Operateur nicht sein a-priori Wissen ein wie
bei der Überwachten Klassifizierung. Die Daten werden ("automatisch")
in Klassen aufgespalten ohne die Namen zu kennen (z.B. Landbedeckungsklassen
wie Vegetation, Wasser,...).
Als Resultat des Klassifizierungsprozesses bekommt man also eine Verteilung von Grauwerten und der Operateur muss diese Cluster den Informationsklassen zuordnen. Dabei nimmt er die Originaldaten zu Hilfe um einem Cluster die wahrscheinlichste Bodenbedeckungsklasse zuzuordnen.
Im Allgemeinen führt die unüberwachte Klassifizierung nicht zu zufriedenstellenden Ergebnissen. Sie kann aber sehr gut genutzt werden um mögliche Klassen herauszufinden und die statistischen Merkmale der Daten kennenzulernen. Daher wird sie oft vor der überwachten Klassifizierung durchgeführt.
Ein bekannter Algorithmus ist der ISODATA-Algorithmus (Exkurs
).
Home > Lernmodule > Modul 6 |