|
|
Basierend auf statistischen Informationen der Daten werden spektrale Klassen
zusammengestellt. Danach werden sie vom Bearbeiter Informationsklassen zugeordnet
.
Programme, die Clustering Algorithmen genannt werden, werden benutzt
um die Pixel im multispektralen Merkmalsraum nach statistischen Gesichtspunkten
zu gruppieren. 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 Bearbeiter spezifizieren wie viele Cluster er haben will, außerdem kann er noch Parameter zur Trennung von Klassen einstellen.
Bei diesem Verfahren bringt der Analyst nicht sein a-priori Wissen ein wie bei der Überwachten Klassifikation. Die Daten werden ("automatisch") in Klassen aufgespalten ohne dass man die "richtigen"
Informationsklassen kennt (z.B. Landbedeckungsklassen wie Vegetation, Wasser, Boden). Als Resultat des Klassifikationsprozesses bekommt man also eine Verteilung von Grauwerten und der Bearbeiter muss diese Cluster den Informationsklassen zuordnen. Dabei nimmt er die original Satelliten- oder Luftbildszene zu Hilfe um einem Cluster die wahrscheinlichste Bodenbedeckungsklasse zuzuordnen.
Im allgemeinen führt die unüberwachte Klassifikation 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 Klassifikation durchgeführt.
Ein bekannter Algorithmus ist der ISODATA-Algorithmus (Exkurs
).
| Home > Lernmodule > Modul 6 |