1
Vybrané kapitoly z DPZ
Současné možnosti DPZ jako metody sběru,
analýzy a prezentace prostorově
lokalizovaných dat
(na příkladu studia města)
Environmental Remote Sensing
Global Remote Sensing
Urban Remote Sensing
Quantitative Remote Sensing
Úvod, základní pojmy
Global Change master directory http://gcmd.gsfc.nasa.gov/
Earth Observatory http://earthobservatory.nasa.gov/
Úvod, základní pojmy
http://www.ldeo.columbia.edu/~small/Urban.html
http://sedac.ciesin.org/urban_rs/
Urban Remote Sensing
Ve vyspělých státech žije ve městech až 75 % populace
Malá rozloha zastavěných ploch (5 ­ 7 % plochy souše)
Značná koncentrace obyvatelstva
Značný podíl na celkové produkci energie (UHI)
Dynamický rozvoj suburbánních oblastí
Zvyšující se riziko ztrát na lidských životech a velkých
materiálních škod v případě přírodních extrémů
Konflikt příroda ­ společnost jako obecný problém?
Je možné k řešení uvedených problémů využít metod DPZ?
Urban Remote Sensing
Co umožňuje formování URS?
Zlepšování kvality obrazových dat DPZ (jak definovat kvalitu ?)
Dostupnost, efektivita využití dat
Nové možnosti analýzy (jaké metody, jaké principy?)
Formování kvantitativního DPZ (QRS)
...?
Existuje odběratel?
...?
2
Urban Remote Sensing
Mapování využití ploch
Vybrané parametry (biofyzikální) ­ podíl ploch s vegetací, NDVI, ...
Mapování a kvantifikace spojitých jevů (polí)
Socio-ekonomické parametry??
???
Nabízí DPZ něco navíc ve srovnání s jinými metodami sběru a
analýzy prostorových dat?
Jaké vlastnosti (charakteristiky) lze metodami DPZ studovat?
Detekce tepelného ostrova města Brna s využitím
družicových dat
GAČR 205/09/1297 (2009 ­ 2012) Víceúrovňová analýza městského a
příměstského klimatu na příkladu středně velkých měst
Motivační příklad
Klima měst
Porovnání jednotlivých členů rovnice energetické bilance ve volné krajině
a ve městě (kW h m2 den-1)
Klima měst
* počet kondenzačních jader 10 x více
* Počet pevných částic 10 x více
* Trvání slunečního svitu o 5 ­ 15% měně
* Množství oblačnosti o 5 ­ 10% měně
* četnost výskytu mlhy v zimě o 100% více
* množství srážek o 5 ­ 15% více
* četnost bouřek o 5 ­ 10% více
* průměrná roční teplota o 0,5 ­ 3,0°C vyšší
* průměrná minimální teplota v zimě o 1 ­ 2°C vyšší
* průměrná maximální teplota v létě o 1 ­ 2°C vyšší
* délka topné sezóny o 10% kratší
* roční průměrná relativní vlhkost o 6 % nižší
* roční průměrná rychlost větru o 20-30% nižší
Vybrané charakteristiky klimatu měst v porovnání s venkovskou krajinou
(Landsberg 1981)
Formování tepleného
ostrova města
1. Teplený ostrov města v mezní vrstvě atmosféry (Boundary layer)
2. Tepelný ostrov města přízemní vrstvě atmosféty (Canopy Layer)
3. Tepelný ostrov města aktivních povrchů (Surface UHI)
1
2
3
Tepelný ostrov města
(Oke 1976)
Možnosti detekce tepelného ostrova města
Metody dálkové detekce
,,Kvantitativní" dálkový průzkum
DN hodnoty
DN = f(T)
3
Obecný postup mapování teploty
aktivních povrchů
1. Převod hodnot zaznamenaných družicí (DN) na spektrální hustotu (L)
max
)min()max()min(
)(
)(
Q
QLLL
L DN

-+
=
2. Výpočet tzv. radiační teploty (Trad) z hodnot spektrální hustoty (L)








+
=
)(
1
2
1ln
L
K
K
Trad
3. Převod Trad na teplotu aktivního povrchu (TLS) (land surface temperature)
K1 = 666,09 W m-2sr-1
K2 = 1282,7 K
 = 1,438mK
 = emisivita



ln1 





+
=
rad
rad
LS
T
T
T
Studované území a použitá data
* LANDSAT 7
* Snímek ETM+
* Datum pořízení 24. 5. 2001
* Čas snímání v 9:35:02 GMT
* Termální pásmo 10,4 ­ 12,5 m
* Prostorové rozlišení 60 m
Typický radiační chod počasí
Synoptická situace NEa
Tmin 8,4°C T max 23,3°C T prum 17,6°C T příz. min 5,0°C
Postup mapování povrchových teplot
ETM+
pásmo 6.1
Spektrální
hustota
Radiační
teplota
ETM+
1,2,3,4
Druhy
povrchů
Emisivita
Teploty aktivního povrchu
Sestavení mapy emisivity základních druhů povrchů
vodní objekty 0,98
pole bez vegetace 0,97
vegetace 0,94
zástavba 0,925
Teploty aktivních povrchů, Brno a okolí, 24.5.2001 Teploty aktivních povrchů, centrum Brna 24.5.2001
4
Intenzita tepelného ostrova Brna, 24.5.2001 Intenzita tepelného ostrova Brna, 24.5.2001
1 2
3 4
SV kvadrant
Shrnutí
* Klasifikací snímků byly sestaveny mapy základních druhů povrchů
potřebných pro kvantifikaci jejich vyzařovacích schopností (emisivit)
* S využitím termálních snímků ETM+ a ASTER byly otestovány různé
algoritmy pro výpočet pole teplot aktivních povrchů
* Byla odhadnuta intenzita TOM na základě rozdílu mezi teplotou aktivních
povrchů ve městě a v okolní krajině
* Tato intenzita může ve dnech s radiačním typem počasí přesahovat
hodnotu 5°C
* Horizontální gradient v průměrných teplotách aktivních povrchů je
nejintenzivnější SV směrem od středu města Brna
Úkol pro závěrečné hodnocení
1) Podejte přehled kvalitativních i kvantitativních charakteristik,
které by bylo možné mapovat metodami DPZ v prostředí
města
2) Podejte přehled metod DPZ vhodných pro mapování
prostředí města
3) Zvolte si libovolný parametr městského prostředí, který lze
studovat s využitím dat a metod DPZ
4) Navrhněte konkrétní postup mapování (zdroje dat,metody,
měřítko, způsob prezentace, ...
5) Jakými jinými zdroji data (mino DPZ) by bylo možné zpřesnit
současné modely (UHI, NDVI, ...)
Urban Remote Sensing
Které znaky vhodně resp. nevhodně charakterizují plochy měst?
tvar stín velikost barva
tón textura struktura poloha
Urban Remote Sensing
Které znaky vhodně resp. nevhodně charakterizují plochy měst?
Které znaky používáme na základě zkušenosti?
Které znaky lze vhodně formalizovat pro metody digitálního zpracování obrazu?
5
Specifika městského prostředí ve
vztahu k metodám DPZ
Specifické druhy povrchů
Jak lze charakterizovat povrchy ve městech ?
Odlišná radiační, teplená, vodní bilance ­ formování městského
klimatu
Problém zastíněných ploch
Značná dynamika
Znečištění životního prostředí
...
Urban Remote Sensing
Co jsou limity dosavadního rozvoje?
http://www.ldeo.columbia.edu/~small/Urban.html
The physical properties of the individual components of the urban mosaic control the mass and energy
fluxes through the urban environment. These fluxes, in turn, control the aggregate physical characteristics
and dynamics of the urban environment thereby impacting the climatic, hydrologic and ecologic processes
linking the urban environment to its surrounding environments. Understanding the dynamics of these
processes in coupled urban, suburban, and periurban systems is central to our ability to predict, and
influence, the behaviour of the systems.
The research ... focuses on the use of optical remote sensing to characterize the physical properties of
urban and non-urban environments and to understand the relationships between the optical characteristics,
physical properties and energy fluxes through the urban system.
,,Standardní" metoda klasifikace ploch
z obrazových dat
Spektrální příznaky
Obrazový prostor
(Image space)
Spektrální prostor
(Spectral space)
Příznakový prostor
(Feature space)
1 2 3
Klasifikace založená na teorii spektrálního
chování je tedy obecně procesem hledání všech
spektrálních tříd, které tvoří třídu informační.
Řízená klasifikace obrazu ­ obecný postup
1. definování tzv. trénovacích ploch
2. výpočet statistických charakteristik (tzv. spektrálních
příznaků) pro trénovací plochy charakterizující jednotlivé
třídy, jejich editace a výběr vhodných pásem pro vlastní
klasifikaci
3. volba vhodného rozhodovacího pravidla (tzv.
klasifikátoru) pro zařazení všech prvků obrazu do
jednotlivých tříd
4. zatřídění všech obrazových prvků do vymezených tříd
5. úprava, hodnocení a prezentace výsledků klasifikace
6
1. Výběr trénovacích ploch 2. Testování trénovacích ploch
3. Použití vhodného rozhodovacího
pravidla (klasifikátoru)
4 - 6. Zatřídění všech obrazových prvků
Sestavení výsledné mapy základních
druhů povrchů, verifikace
A A A B B A 0
A A B B B 0 0
A A A B B 0 0
A A A B B B 0
A A A A B B B
A C C C C B B
0 C C C C B B
A ­ voda
B ­ les
C ­ zastavěná plocha
0 - nezařazeno
90,850,000,000,000,009,1510605holá p.
0,0086,790,000,000,0013,216664ttp
0,000,0092,720,000,007,288933pole
0,000,000,0089,440,0010,5610892les
0,000,000,000,0088,5511,4512231voda
543210počet pixelůkódtřída
Průměrná přesnost = 89,67 %
Alternativa - neřízená klasifikace
Spektrální a informační třídy
Agregování tříd
Urban Remote Sensing
Co je příčinou malé efektivity klasických přístupů
k analýze obrazu?
* Jak lze charakterizovat ,,klasické" přístupy k analýze obrazu?
* Jaké charakteristiky jsou přenositelné do prostředí URS?
* Jak by bylo možné specifikovat vlastnosti nově navrhovaných
metod?
* Mixture pixel ­ hlavní problém při mapování LU/LC klasickými přístupy
metodami DPZ.
* Composite signatures x např. MAXLIKE ­ předpoklad ,,pure signatures"
7
Možné přístupy ke klasifikaci obrazových dat
* klasifikace řízená, neřízená, hybridní
* klasifikace per pixel a per-object
* klasifikátory parametrické a neparametrické
* klasifikátory ,,tvrdé" a ,,měkké" (fuzzy)
* sub-pixelové klasifikace
* klasifikace založené na strojovém učení (rozhodovací stromy a
neuronové sítě)
* expertní systémy (knowledge-based, rule-based classification)
Urban Remote Sensing
Možné přístupy k řešení problému
1. Objektově orientovaná klasifikace, kontextuální
2. Obrazová spektrometrie
3. Spectral mixture analysis
4. Texture analysis, GLCM
5. Strojové učení, neuronové sítě
6. Geostatistické přístupy (prostorová
autokorelace)
7. ... (?)
Vhodné zdroje obrazových dat?
Optická data ­ very high resolution (spatial)
Hyperspektrální data
Data pořizovaná aktivními metodami ­ RADAR,
LIDAR
Termální DPZ
???
Alternativní metodické přístupy ke
klasifikaci ploch z obrazových dat v
prostředí města
1. Objektová (,,per-object") klasifikace
Naše rozpoznávání není založeno na postupném
skládání celku z jednotlivostí.
Je založeno m.j. na:
1. zkušenosti
2. schopnosti hodnotit vztahy
Základní východiska
* Klasifikace založená na identifikaci jednotlivých obrazových
prvků má mnohá omezení.
* Vychází z předpokladů, které již a priori vylučují úspěšnou
aplikaci těchto přístupů na některé úlohy (zastavěné plochy).
* Informace uložená v obraze má často fraktální povahu,
hierarchii ­ záleží na měřítku. (Části stromu ­ strom ­ les krajinná
mozaika).
* Analýza obrazu prozatím málo využívá jiných
charakteristik (interpretačních znaků) než spektrálních
(např. na radarová data nelze v důsledku značného podílu
šumu použít klasický per-pixel přístup).
Základní východiska
* Objektový přístup ­ základní jednotkou pro klasifikaci není
obrazový prvek (pixel), ale skupina prostorově souvisejících
pixelů (field, image object primitive, ...).
* Tato skupina pixelů je vytvořena procesem segmentace
obrazu. Jejím cílem je pospojovat pixely podobných
vlastností do skupin.
* Nejsou uvažovány jen vlastnosti spektrální, ale například
textura, kontext, vlastnosti související s tvarem a velikostí
pixelů apod.
* Vytvoření skupin pixelů podobných vlastností umožňuje
následně definovat vztahy sousedství mezi jednotlivými
skupinami
8
Příklad- vytváření objektů v obraze Atributy objektů
Každému z objektů
přísluší množina
atributů, které popisují
spektrální vlastnosti,
tvar, topologické vazby,
texturní znaky, ...
Obecný postup objektové klasifikace obrazu
1. Spojování podobných pixelů do homogenních
ploch ­ segmentů
2. Testování homogenity segmentů
3. Výpočet atributů pro každý segment
4. Klasifikace segmentů (objektů)
Segmentace obrazu
Definování základních obrazových objektů je založeno na
spojování podobných pixelů.
Podobnost či homogenita je posuzována z hlediska těchto
tříd informací:
* Spektrální informace
* Texturální informace
* Informace o tvaru objektů
* Informace o topologických vztazích (kontextuální)
Nastavení parametrů segmentace obrazu ,,Mulitresolution segmentation"
Hierarchicky uspořádaný systém vrstev
Nejnižší vrstvu tvoří vrstva jednotlivých pixelů, nejvyšší vrstvu pak celý
obraz.
Mezi těmito dvěma krajními úrovněmi se vytváří další úrovně právě
procesem segmentace obrazu. Celá síť má jednoznačně definované
topologické vazby.
9
Hierarchické uspořádání klasifikačního schématu
- podle dědičnosti (inheritance)
- podle sémantiky (významu)
Příklad klasifikace
Příklad klasifikace Ostrov Les hustý X řídký
Les list. X jehl
Klasifikační schéma - příklady
- binární strom: daná třída je definována vždy jako negace
příslušnosti k třídě jiné
- příznakový prostor využívající
ke klasifikaci topologických vazeb
Klasifikace objektů může probíhat dvěma způsoby
* jako klasifikace bez uvažování topologických a hierarchických
vazeb objektů
* jako klasifikace hodnotící též topologické a hierarchické vazby
objektů v obraze
* Jednotlivé třídy již nemusí představovat land cover, ale mohou být
již kategoriemi land use. To je umožněno hodnocením odlišné
skupiny atributů při klasifikaci tříd ­ příznakový prostor může být
definován různě pro různé kategorie:
Vlastní klasifikace může být založena na klasifikátoru nejbližšího
souseda (Nearest Neighbor)
Trénovací data tvoří vybrané objekty
Klasifikátor zařadí všechny ostatní objekty do třídy, ke které má
v předem definovaném příznakovém prostoru nejblíže.
Klasifikace objektů I.
10
Klasifikace objektů II.
Příslušnost jednotlivých objektů ke každé třídě je hodnocena
prostřednictvím funkce příslušnosti (membership function) pro
každý z uvažovaných atributů.
Membership function normalizuje hodnoty jakéhokoliv použitého
atributu (např DN hodnot pásma obrazu 0 až 255) do hodnot 0
až 1.
Funkce má různý průběh (např. sigmoida).
Průběh membership function definuje neostré (fuzzy) hranice a
nahrazuje binární logiku (patří - nepatří).
Klasifikace založená na
principu neostrých
množin (fuzzy logic).
2. Hyperspektrální DPZ
(obrazová spektrometrie)
* Kontinuální záznam odrazových vlastností povrchů v optické části
spektra
* Možnost podchytit specifika především u povrchů spektrálně ,,čistých"
* Identifikace jevů, které v krajině souvisejí se změnami chemického
složení
* Identifikace a lokalizace tzv. absorpčních pásů
* Identifikace antropogeních tvarů a procesů
* .....
Příklady konkrétních systémů - družice
Družice EO-1 (NASA), skener HYPERION ­ hyperspektrální skener s
242 pásmy v rozsahu 0,4 - 2,5 m s rozlišením 30 metrů a velikostí
scény 7,7 x 42 resp. 185 km, časové rozlišení 16 dní
AISA Eagle ­ www.usbe.cas.cz
64 spektrálních pásem, prostorové a spektrální rozlišení přibližně 0,4 m a
10 nm
* předzpracování dat
* kalibrace dat
* tvorba spektrálních knihoven
* vizualizace hyperspektrálních dat a knihoven spekter
* automatické porovnání spekter
* definování elementárních povrchů (tzv. endmembers)
* analýza a automatická klasifikace heterogenních pixelů
Základní etapy analýzy dat obrazové spektrometrie
Předzpracování dat
* úprava geometrie snímků, odstranění páskování (stripping), potlačení
šumu
Kalibrace dat
(DN hodnoty ­ radiance ­ reflectance)
* atmosférické korekce a korekce na vlivy topografie jsou nezbytnou
prvotní částí zpracování
* cílem je převést naměřená data, která obsahují charakteristiky
celkového vyzařování objektů (angl. radiance), na data charakterizující
odrazové vlastnosti objektů (angl. reflectance)
* Zář (radiance) ­ množství dopadající na plochu čidla (senzoru)
* Odrazivost (reflectance) ­ podíl mezi množstvím odražené
elektromagnetické energie a množstvím energie dopadající na studovaný
povrch
11
Vztah mezi DN, zářivými a odrazovými
vlastnostmi povrchů
* DN
* L - zář [W.m2.sr-1]) (radiance)
*  - odrazivost (reflectance)
L1 : záření rozptýlené atmosférou ,,path radiance"
L2 : záření odražené snímaným povrchem
L3 : záření odražené a rozptýlené okolními objekty
c0, c1 : (offset, gain) ­ kalibrační konstanty
Vztah mezi DN, zářivými a odrazovými
vlastnostmi povrchů
Skutečné odrazové
vlastnosti objektů
zářivé
vlastnosti
objektů
DN hodnoty
Spektrální knihovny a automatické
rozpoznávání objektů
Příklady záznamů ze spektrální knihovny pro pět vybraných
materiálů. Na ose X jsou vlnové délky, na ose Y normalizované
hodnoty odrazivosti (R). (1 - smrkové jehličí, 2 - suchý travnatý
povrch, 3 - listy vlašského ořechu, 4 - listy javoru, 5 - kaolinit)
Spektrální profily vybraných druhů vegetace
Spektrální profily vybraných umělých povrchů
target spectra - typické příklady (z knihoven)
Image spectra ­ reálné povrchy (často smíšené)
Spektrální profily
12
Možné přístupy ke klasifikaci
* Porovnávání spekter (Spectral matching)
* Klasifikace tzv. ,,spektrálním úhlem"
* Analýza smíšených pixelů (mixing)
* Metody shlukové analýzy, ...
* Metody strojového učení, NN
* Rozhodovací stromy
Porovnávání spekter (simple spectral matching)
Porovnávání spekter (simple spectral matching) Porovnávání spekter (simple spectral matching)
* Vyžaduje konverzi obrazových spekter na hodnoty odrazivosti
* Dobře funguje, pokud jsou v obraze větší plochy spektrálně
,,čistých " povrchů
* Z vyhovujících spekter je nutné vybírat to nejvhodnější ­ prahování
resp. ,,fuzy" výsledek
* Řada povrchů je však smíšených
* Někdy vyžaduje i ,,mixed" spektra ve spektrální knihovně
* Výsledek ­ ,,material map" ­ mapuje dominantní druh povrchu na
ploše každého pixelu.
Spektra jako vektory ve spektrálním prostoru
Spektrální profily jsou vhodné pro vizualizaci a porovnávání několika málo
spekter
Pro analýzu a klasifikaci většího počtu spekter ­ N rozměrný spektrální
prostor
Matematicky lze tento koncept využít i pro hyper ­ rozměrný prostor
Není důležitá velikost vektoru, ale jeho orientace
Klasifikace tzv. ,,spektrálním úhlem"
(Spectral Angle Mapper)
Vektor reprezentující spektrum
ve 2D spektrálním prostoru
13
Klasifikace tzv. ,,spektrálním úhlem"
Algoritmus je založen na výpočtu míry podobnosti mezi testovaným
spektrálním profilem ze zpracovávaného obrazu a spektrem
z knihovny
Jako míry podobnosti je využito tzv. spektrálního úhlu,
A - vektor známého spektra
(např. z knihovny spekter), B vektor
spektra testovaného, 
- spektrální úhel; data
v použitých pásmech jsou
korigována na vlivy atmosféry
a zastínění
3. Analýza smíšených pixelů ­ ,,linear unmixing"
,,tradiční" přístup - zjednodušující předpoklad, že každý jeden obrazový
prvek svoji hodnotou reprezentuje pouze jeden objekt či povrch.
Křivka spektrálního chování heterogenního pixelu (mixel - mixture element) je
složena z jednotlivých ,,spektrálně čistých" křivek elementárních povrchů tzv.
endmembers.
Koncept ,,linear mixing"
Spektra všech povrchů, které jsou kombinací tří elementárních povrchů A, B, C
musí ležet uvnitř prostoru, který tyto povrchy vymezují v spektrálním prostoru
Pokud jsme schopni nalézt spektra elementárních povrchů, jsme schopni najít i
jejich lineární kombinace
Předpoklad ­ v obraze se nachází konečný, relativně malý počet
elementárních povrchů a velké množství smíšených pixelů, které jsou
jejich lineární kombinací
Možné přístupy k analýze smíšených pixelů
- linear mixing
Vychází z předpokladu, že spektrální informace smíšeného pixelu vzniká
lineární kombinací spektrálního chování všech obsažených elementárních
povrchů
Fyzikální model
R = 0,5 A + 0,2 B + 0,3 C
Lineární kombinace spekter (linear mixing)
* Model lineární kombinace (smíchání) spekter - tzv. mixing předpokládá,
že známe spektra jednotlivých elementárních povrchů i
jejich procentuální zastoupení v ploše pixelu.
* Z těchto informací lze ,,smíchat" výsledné spektrum smíšeného pixelu
* Analýza potom spočívá v obráceném procesu označovaném jako tzv.
un - mixing,
* Známe pouze spektrum výsledné, obrazovou analýzou hledáme
spektra jednotlivých elementárních povrchů (endmembers)
* Z modelu ,,lineárního smíchání" hledáme procentuální zastoupení
jednotlivých elementárních povrchů v analyzovaném obraze.
Lineární kombinace spekter (linear mixing)
,,fraction images"
14
Matematický model lineárního smíchání
výsledného spektra heterogenního pixelu
n - počet elementárních povrchů
m - počet zpracovávaných pásem
Y - výsledné spektrum
X - koeficienty určující zastoupení jednotlivých elementárních povrchů
Z - spektrální chování n elementárních povrchů v m intervalech spektra (pásmech)
UNMIXING ­ určení procentuálního zastoupení
elementárních povrchů
Geometrický model lineárního
smíchání výsledného spektra
heterogenního pixelu
1. Určení počtu elementárních
povrchů
simplex
Geometrický model lineárního smíchání
výsledného spektra heterogenního pixelu
2. Určení druhu elementárních povrchů
2.1. Odhad spekter
elementárních povrchů
2.2. Jejich porovnání s
referenčními spektry
(knihovně)
Linear unmixing a Urban RS s
multispektrálními daty
Ridd (1995) V-I-S model (vegetation ­ imervious ­ soil)
Urban Remote Sensing
Elementární povrchy
ve městské zástavbě
odvozené ze snímků
Landsat ETM+
transformovaných
metodou MNF
15
Urban Remote Sensing Urban Remote Sensing
Detekce změn
4. Hodnocení a klasifikace textury na snímcích
Texturální klasifikátory se snaží popsat typickou
proměnlivost spektrálního chování
4. Hodnocení a klasifikace textury na snímcích
GLCM (Grey Level Co-occurrence Matrix)
3322
2220
1100
1100
Každý prvek GLCM matice nese informaci, kolikrát se daná
kombinace hodnot v okně vyskytuje.
Míry textury - vážený průměr buněk GLCM.
( )2
1
0,
, jiPKontrast
N
ji
ji -= 
-
=
Interpretace: Je-li i a j stejné (na
diagonále) váha je 0. Liší li se i a j o 1
váha je 1, liší li se o 2 váha je 4 atd.
Váhy exponenciálně rostou.
10003
13002
00201
01220
3210
Příklad ,,texture image"
Neuronové sítě
* počítačová architektura, která se snaží napodobit procesy
probíhající v nervové soustavě
* je nezávislá na statistickém rozložení dat
* je odolná proti chybám, má schopnost učit se (asociativní
učení), dovede abstrahovat i generalizovat
* dokáže odhadnout nelineární vztah mezi vstupními a
požadovanými výstupními daty
* umožňuje v procesu klasifikace kombinovat různé typy
vstupních dat.
5. Klasifikace obrazu metodami strojového učení
* Neuronové sítě
* Rozhodovací stromy
16
Základní pojmy
Schematizované uspořádání neuronové sítě A - vstupní
vrstva, B - skrytá vrstva, C - výstupní vrstva
(multi-layer perceptron)
* neuron ­ výkonný prvek NS
* synapse ­ spojení neuronů
* váhové koeficienty neuronů
* adaptivní fáze ­ učící
* aktivní fáze ­ vybavovací
NN pro klasifikaci multispektrálního snímku
Příklad třívrstvé perceptronové sítě se 6 vstupními, 8 skrytými a 11
výstupními uzly (MLP 6-8-11) s příkladem vstupu a výstupu při klasifikaci
družicových snímků s vyznačenými aktivacemi zastavěné plochy
Model neuronu
x1 w1
x2 w2
kde xi - hodnota i-tého vstupu
wi - váha i-tého vstupu
i
i
i xwxS =)(
Neuron provádí tři akce:
* sumuje vstupy z jiných neuronů
* provádí prahování
* posílá výstup do jiných neuronů
Model neuronu
* Neurony v síti jsou propojeny tzv. váhovými koeficienty, které
zesilují nebo zeslabují signál přicházející z předchozích neuronů.
* Suma těchto vážených signálů určuje aktivaci neuronu, která
ovlivňuje další výstup z neuronu.
* Výstup z neuronu je funkcí této aktivace, kdy výstup je vypočten
na základě logistické aktivační funkce - sigmoida.
* Výstup z uzlu je realizován pouze překračuje-li určitou prahovou
hodnotu.
* Váhové koeficienty jsou na počátku náhodnými čísly
Příklad aktivační funkce neuronu
(sigmoida)
Učící - adaptivní fáze
* Učení ­ váhy na spojích mezi jednotlivými výkonnými prvky
sítě se mění podle určitého tzv. učícího algoritmu.
* Použije se trénovací soubor, ve kterém známe správné zařazení
pixelů do jednotlivých klasifikačních tříd.
* Učící algoritmus ­ předpis, podle kterého se předkládají síti
vzory k učení a podle kterého se mění váhy jednotlivých spojení
mezi neurony.
* Učení se s učitelem ­ analogie řízené klasifikace Algoritmus
zpětného šíření (Back propagation)
* Učení se bez učitele ­ analogie shlukové analýzy (neřízené
klasifikace) ­ samo-organizující se sítě (Self-organizing) Kohonenova
síť
* Ustálení ­ dosažení stabilního stavu sítě
Algoritmus zpětného šíření (Back propagation)
* signály nejprve vyšlou směrem dopředu
* u výstupních neuronů se porovnají výstupy s
požadovanými
* zjištěné chyby se použijí ke změně nastavení vah v síti
17
Výstup ze sítě má formu vektoru:
Očekávaný výstup (z učící množiny):
Aktuální výstup:
Hodnocení úspěšnosti učení ­ chyba e:
( )=
-=
k
j
jj aoe
12
1
( )0,0,0,0,1,0=a
( )0,0,1,0,0,0=o
* Učení probíhá iteračním způsobem ­ cílem je dosáhnout nulové
či minimální akceptovatelné chyby.
* Adaptace sítě ­ úprava vah synapsí - probíhá po krocích.
* Délka kroku se nazývá learning rate.
* Velká délka kroku značí rychlejší, ale méně přesné učení
Přednosti neuronových sítí
Nedostatky neuronových sítí
* nezávislost na statistickém rozdělení
* schopnost generalizace
* síť je tolerantní k šumu v učících datech
* problém návrhu architektury sítě (počet skrytých
vrstev a počet neuronů v nich)
* dlouhá doba učení
* problém lokálního minima (oscilace)
* nastavení úvodních (náhodných) vah synapsí
Klasifikace Rozhodovacími stromy (Decision Trees)
TM3 <= 35 :
| TM4 > 99 : polev (12.0)
| TM4 <= 99 :
| | TM5 > 58 : lesl (30.0/1.0)
| | TM5 <= 58 :
| | | TM6 <= 12 : lesl (2.0)
| | | TM6 > 12 : lesj (8.0)
TM3 > 35 :
| TM6 <= 23 : voda (17.0)
| TM6 > 23 : poleb (26.0)
Základní pojmy:
* Název atributu - uzel
* Aritmetický či logický výraz větev
stromu
* Název třídy - list stromu
* Mohou ale i nemusí být založeny na binárním třídění, jsou
neparametrické.
* Umožňují testování sousedů - grafy sousednosti a topologických vazeb
(meet, contain, overlap, ...)
* Umožňují testování atributů různé povahy
* Možnost klasifikace po vrstvách ­ hierarchické třídění (,,layered
classification")
* Problém objektivního hodnocení (,,ground truth")
Klasifikace
Rozhodovacími stromy
Layered classification
Klasifikace po vrstvách či hierarchická klasifikace