D 2001

Využitelnost algoritmů strojového učení pro klasifikaci multispektrálního družicového snímku

DOBROVOLNÝ, Petr, Lubomír POPELÍNSKÝ a Petr KUBA

Základní údaje

Originální název

Využitelnost algoritmů strojového učení pro klasifikaci multispektrálního družicového snímku

Název anglicky

Usefulness of machine learning algorithms for multispectral image classification

Autoři

Vydání

Ostrava, GIS Ostrava 2001. Sborník konference, 2001

Nakladatel

VŠB - TUO

Další údaje

Jazyk

čeština

Typ výsledku

Stať ve sborníku

Obor

Zemský magnetismus, geodesie, geografie

Stát vydavatele

Česká republika

Utajení

není předmětem státního či obchodního tajemství

Organizační jednotka

Přírodovědecká fakulta

ISBN

ISSN 1213-2454

Klíčová slova anglicky

machine learning; multispectral imagery; classification; decision tree

Štítky

Změněno: 21. 1. 2002 09:06, prof. RNDr. Petr Dobrovolný, CSc.

Anotace

ORIG EN

V originále

Příspěvek se zabývá testováním použitelnosti algoritmů strojového učení pro automatickou klasifikaci multispektrálního družicového snímku. Na výřezu družicového snímku z družice LANDSAT TM o původní velikosti pixelu 30 x 30 metrů byla pro 6 pásem z viditelné a blízké IČ části spektra provedena řízená automatická klasifikace. Metodami maximální pravděpodobnosti, pravoúhelníků a nejbližšího souseda byla vygenerována tématická mapa základních druhů povrchů a tzv. chybová matice. Klasifikovaných dat bylo následně použito jako učící i testovací množiny algoritmech strojového učení metodou rozhodovacích stromů. V práci bylo využito algoritmů C4.5 a C5.0 a byly testovány stromy různé hloubky a různého poměru učících a testovacích dat. I když klasifikace obrazu metodou strojového učení nedosahuje prozatím přesnosti klasifikátorů ?konvenčních? je zřejmý jejich velký potenciál pro řízenou klasifikaci obrazu.

Anglicky

The paper deals with the testing of the machine learning algorithms - especially decision trees - for multispectral image classification. At first common approaches to image classification were used. Six channels of LANDSAT TM data with pixel size 30 m were trained for 6 land cover types and classified with per-pixel classifiers. There were used the following methods: maximum likelihood method, minimum distance method, and paralellepiped methods. For each method land cover map and error matrix were prepared. Training data sets were then used for learning and construction of the decision tree classifier. In this project C4.5 and C5.0 algorithms were used and decision trees of various depths have been tested. Moreover, experiments with various rate of learning and testing data sets have also been done. From the first results we can conclude, that there is a great potential of decision tree classifiers for supervised image classification.