Automatische Klassifizierung

Unter automatischer Klassifizierung lassen sich verschiedene automatische Verfahren zur Klassifizierung von Objekten anhand ihrer Merkmale in Klassen zusammenfassen. Die automatische Klassifikation steht im Gegensatz zur manuellen Klassifizierung, bei der die zu klassifizierenden Objekte von Menschen den entsprechenden Klassen zugeordnet werden.

Siehe auch: Mustererkennung, Klassifikationsverfahren (Starke Überschneidung mit diesem Artikel)

Zur Klassifikation gibt es verschiedene Mittel:

• Parametrische Methoden
• Halbparametrische Methoden und
• Nicht-Parametrische Methoden:

Arten der Klassifizierung

Siehe auch: Clusteranalyse

automatische Klassifizierung

Bei der automatische Klassifikation werden Bildpunkte als so genannte Cluster von einem Computersystem anhand der automatischen statisischen Auswertung aus Primärdaten ohne weitere Informationen in verschiedenen Reflexionsgraden gebündelt. Der Vorteil liegt darin, dass in relativ kurzer Zeit alle möglichen Klassifizierungen (Klassen) erkannt werden. Daher wird die automatische Klassifizierung oft der überwachten automatische Klassifikation vorgeschaltet.

überwachte automatische Klassifikation

Die überwachte automatische Klassifikation arbeitet ebenfalls mit Clustern, die aber durch den Bildauswerter anhand weiterer Informationen über das zu klassifizierende Gebiet gebildet werden und die Grundlage für die automatische Erkennung bilden.

Der Vorteil liegt bei der späteren automatischen Erkennung von Clustern z.B. gleicher Vegetation mit uneinheitlichen Reflexionsgraden, die sich aus inhomogenen Gesundheits- oder Wachstumszuständen ergeben können.

Verfahren der geringsten Distanz

Diese Methode (engl. Minimum Euclidian Distance) geht davon aus, das diejenigen Reflexionsgrade eines Clusters, die im Erkennungsgebiet dicht nebeneinander liegen, auch zusammen gehören. Für jeden Cluster werden dazu Mittelwerte der Reflexionsgrade gebildet, anhand deren noch unklassifizierte Pixel jeweils zum am Nächsten liegenden Cluster zugeordnet werden.

Verfahren der größten Wahrscheinlichkeit

Die Maximum-Likelihood-Methode ist sehr rechenintensiv, da angenommen wird, dass die Reflexionsgrade eines Clusters eine Gauß'schen Normalverteilung um den Mittelwert bilden. Jedes unklassifizierte Pixel wird dem Cluster zugeordnet, dem es mit der größten Wahrscheinlichkeit bezogen auf den Reflexionsgrad angehört.

Vor- und Nachteile

Der erfolgreiche Einsatz der automatischen Klassifikation hängt wesentlich von der Homogenität des Gebietes ab.

• Großflächige, reliefarme Landwirtschafts- oder Waldgebiete sind hervorragend geeignet.
• Inhomogene, komplexe, stark variierende Gebiete wie Städte bereiten größere Probleme.

Der größte Nachteil ist, dass es sich in jedem Fall um eine Zusammenfassung und Vereinfachung von komplexen Sachverhalten der Natur handelt. Daher gibt es keine 100%ig richtige Klassifizierung.

Beispiele

Clusterbestimmung

Klassifikation