Unsupervised and Supervised Classification

Unsupervised Classification

Unsupervised Classification mengidentifikasi spectral classes/cluster dalam multiband image tanpa intervensi operator. Kelebihan US: kesalahan operator diminimalisir dan unique classes dianggap sebagai distinct units. Kekurangan US: korespondensi yang tidak jelas terhadap informational classes, kontrol yang terbatas terhadap classes, dan spectral classes tidak konstan.

Tahap Unsupervised Classification:

  • Mendefinisikan jumlah spectral classes yang ditemukan
  • Mendefinisikan distance (antara pusat cluster di ruang fitur) dan kriteria variance
  • Mengatur jumlah maksimum dari pengulangan
  • Prosedur dimulai dengan memilih pizel sebagai class centers secara acak
  • Hal tersebut menciptakan clusters secara berurutan yang sesuai dengan kriteria yang telah didefinisikan sebelumnya
  • Class centers yang baru dikalkulasikan

 Hasil gambar untuk unsupervised classification

Sumber foto: http://www.nrcan.gc.ca/

 

Supervised Classification

Supervised Classification menggunakan spectral signature yang diperoleh dari training samples untuk mengklasifikasikan gambar. Dengan bantuan dari toolbar Image Classification, kita dapat dengan mudah membuat training samples untuk mewakili classes yang ingin kita ekstrak. Kelebihan SC: kontrol terhadap informational classes, berdasarkan area yang kita ketahui (training samples), dan adanya kontrol terhadap keakuratan klasifikasi. Kekurangan SC: intepretasi data dipaksakan, informational classes berdasarkan training samples, pemilihan training samples yang belum tentu representatif, adanya spectral classes yang tidak teridentifikasi.

Tahap Supervised Classification:

  • Memilih training samples dari spectral classes untuk setiap informational classes
  • Menghitung mean, variance, dan covariance dari training samples
  • Mendefinisikan weighting function
  • Menjalankan classifier, memilihkan setiap pixel terhadap informational classes dengan kemungkinan tertinggi
  • Mengulangi editing of training samples apabila hasil accuracy statement yang dibandingkan dengan data yang diketahui masih buruk.

super_e

Sumber foto: http://www.nrcan.gc.ca/

Di dalam Supervised Classification, dilakukan Maximum Likelihood Classification yang berarti unknown pixel dengan nilai multispektral (beberapa band) akan diklasifikasikan ke dalam kelas yang memiliki kemungkinan maksimum (informational classes).

Potensi error:

  • Training sample tidak memadai
  • Distribusi populasi tidak menghasilkan distribusi normal
  • Pemisaahan antar kelas yang buruk karena overlaping

Rekomendasi dalam memilih training sample:

  • Training sample yang homogeny untuk setiap kelas (unimodal distribution dan low number of mixed pixels)
  • Training sample yang representative
  • Training sample yang memadai untuk perhitungan statistik

Tipe eror:

  • Omission: Jumlah area yang berkurang karena teridentifikasi/termasuk dalam kelas lain
  • Commission: Jumlah area yang bertambah karena dianggap termasuk dalam kelas tersebut padahal sebenarnya masuk ke dalam kelas lain.

Leave a Reply

Fill in your details below or click an icon to log in:

WordPress.com Logo

You are commenting using your WordPress.com account. Log Out / Change )

Twitter picture

You are commenting using your Twitter account. Log Out / Change )

Facebook photo

You are commenting using your Facebook account. Log Out / Change )

Google+ photo

You are commenting using your Google+ account. Log Out / Change )

Connecting to %s