Využitelnost algoritmů strojového učení pro klasifikaci multispektrálního družicového snímku

DOBROVOLNÝ, Petr, Lubomír POPELÍNSKÝ and Petr KUBA. Využitelnost algoritmů strojového učení pro klasifikaci multispektrálního družicového snímku (Usefulness of machine learning algorithms for multispectral image classification). In GIS Ostrava 2001. Sborník konference. Ostrava: VŠB - TUO, 2001. ISSN 1213-2454.

Basic information

• Original name: Využitelnost algoritmů strojového učení pro klasifikaci multispektrálního družicového snímku
• Name (in English): Usefulness of machine learning algorithms for multispectral image classification
• Authors: DOBROVOLNÝ, Petr, Lubomír POPELÍNSKÝ and Petr KUBA.
• Edition: Ostrava, GIS Ostrava 2001. Sborník konference, 2001.
• Publisher: VŠB - TUO

Other information

• Original language: Czech
• Type of outcome: Proceedings paper
• Field of Study: Earth magnetism, geodesy, geography
• Country of publisher: Czech Republic
• Confidentiality degree: is not subject to a state or trade secret
• Organization unit: Faculty of Science
• ISBN: ISSN 1213-2454
• Keywords in English: machine learning; multispectral imagery; classification; decision tree
• Tags: CLASSIFICATION, decision tree, machine learning, multispectral imagery

Abstract

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.

Abstract (in English)

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.