Funktionsweise von "Maximum-Likelihood-Klassifizierung"

Mit der Spatial Analyst-Lizenz verfügbar.

Der Algorithmus, der von dem Werkzeug Maximum-Likelihood-Klassifizierung verwendet wird, basiert auf zwei Grundsätzen:

  • Die Zellen in jedem Klassenbeispiel im mehrdimensionalen Raum sind normal verteilt
  • Bayes' Satz der Entscheidungsfindung

Beim Zuweisen jeder Zelle zu einer der Klassen, die in der Signaturdatei dargestellt sind, berücksichtigt das Werkzeug sowohl Mittelwerte als auch Kovarianzen der Klassensignaturen. Mit der Annahme, dass die Verteilung eines Klassenbeispiels normal ist, kann eine Klasse durch den mittleren Vektor und die Kovarianzmatrix charakterisiert werden. Wenn diese beiden Eigenschaften für jeden Zellenwert gegeben sind, wird die statistische Wahrscheinlichkeit für jede Klasse berechnet, um die Mitgliedschaft der Zellen zur Klasse zu bestimmt. Wenn die Standard-Option Gleich auf A-Priori-Wahrscheinlichkeits-Gewichtung festgelegt ist, wird jede Zelle der Klasse zugewiesen, für die sie die höchste Wahrscheinlichkeit der Zugehörigkeit aufweist.

Wenn die Wahrscheinlichkeit des Vorkommens einiger Klassen höher (oder niedriger) als der Durchschnitt ist, sollte die A-priori-Option Datei mit einer Eingabe-A-Priori-Wahrscheinlichkeitsdate verwendet werden. Die Gewichtungen für die Klassen mit besonderen Wahrscheinlichkeiten werden in der A-priori-Datei angegeben. In dieser Situation hilft eine A-priori-Datei bei der Zuordnung von Zellen, die in der statistischen Überschneidung zwischen zwei Klassen liegen. Diese Zellen werden der entsprechenden Klasse genauer zugewiesen, was zu einer besseren Klassifizierung führt. Dieser Gewichtungsansatz der Klassifizierung wird als Bayes-Klassifizierung bezeichnet.

Wenn Sie die A-priori-Option Stichprobe auswählen, sind die A-priori-Wahrscheinlichkeiten, die allen Beispielklassen in der Eingabesignaturdatei zugeordnet sind, mit der Anzahl von in jeder Signatur aufgezeichneten Zellen proportional. Infolgedessen erhalten Klassen, die über weniger Zellen als der Durchschnitt im Beispiel verfügen, Gewichtungen unter dem Durchschnitt und jene mit mehr Zellen erhalten Gewichtungen über dem Durchschnitt. Daher werden den jeweiligen Klassen mehr oder weniger Zellen zugewiesen.

Wenn eine Maximum-Likelihood-Klassifizierung ausgeführt wird, kann auch ein optionales Ausgabezuverlässigkeits-Raster erzeugt werden. Dieses Raster zeigt die Ebenen der Klassifizierungszuverlässigkeit. Die Anzahl der Zuverlässigkeitsebenen ist 14, was in direktem Bezug zur Anzahl der gültigen Ausschussprozentsatzwerte steht. Die erste Zuverlässigkeitsebene, im Zuverlässigkeits-Raster als 1 codiert, besteht aus Zellen mit der kürzesten Entfernung zu jedem in der Eingabesignaturdatei gespeicherten mittleren Vektor; daher hat die Klassifizierung dieser Zellen die höchste Sicherheit. Die Zellen, die die zweite Zuverlässigkeitsebene bilden (Zellenwert 2 des Zuverlässigkeits-Rasters), würden nur klassifiziert werden, wenn der Ausschussprozentsatz 0,99 oder weniger beträgt. Die niedrigste Zuverlässigkeitsebene hat den Wert 14 im Zuverlässigkeits-Raster und zeigt die Zellen an, die am Wahrscheinlichsten fehlerhaft klassifiziert werden. Zellen dieser Ebene werden nicht klassifiziert, wenn der Ausschussprozentsatz 0,005 oder höher beträgt. Wenn keine Zellen auf einem bestimmten Konfidenzniveau klassifiziert sind, ist dieses Konfidenzniveau nicht im Ausgabe-Konfidenz-Raster vorhanden.

Beispiel

Im folgenden Beispiel wird verdeutlicht, wie mit dem Werkzeug Maximum-Likelihood-Klassifizierung eine überwachte Klassifizierung eines Multiband-Rasters in fünf Landnutzungsklassen durchgeführt wird.

Das Eingabemultiband-Raster ist ein unbearbeitetes Landsat-TM-Satellitenbild mit vier Bändern des nördlichen Gebiets von Cincinnati, Ohio.

Landsat TM-Eingabe-Bild
Beispiel für ein Landsat-TM-Bild mit den Bändern 4, 3 und 2, das als Falschfarbenbild angezeigt wird.

Aus dem Bild wurden fünf Landnutzungsklassen in einer Feature-Class definiert, um die Trainingsgebiete: Gewerblich/Industriell, Wohnraum, Kulturfläche, Wald und Weide. Mit dem Werkzeug Signaturen erstellen wurden die Statistiken für die Klassen zur Erstellung einer Signaturdatei berechnet.

Mit dem Werkzeug Maximum-Likelihood-Klassifizierung werden die Raster-Zellen anhand des Eingabe-Multiband-Rasters und der Signaturdatei in fünf Klassen klassifiziert.

  • Folgende Einstellungen werden im Dialogfeld des Maximum-Likelihood-Klassifizierung-Werkzeugs verwendet:

    Eingabe-Raster-Bänder: northerncincy.tif

    Eingabe-Signaturdatei: signature.gsg

    Ausgabe-Multiband-Raster: landuse

    Ausschlussfraktion: 0.0

    A-Priori-Wahrscheinlichkeits-Gewichtung: EQUAL

    Eingabe-A-Priori-Wahrscheinlichkeitsdatei: <leer>

    Ausgabe-Konfidenz-Raster:confidence_ras

Das klassifizierte Raster wird wie dargestellt angezeigt:

Ausgegebene klassifizierte Landnutzungskarte
Ausgegebene klassifizierte Landnutzungskarte.

Ein Ausgabezuverlässigkeits-Raster wurde ebenfalls erzeugt. Nachfolgend finden Sie die resultierende Attributtabelle für das Konfidenz-Raster. Sie zeigt die Anzahl der Zellen, die mit dieser Zuverlässigkeit klassifiziert wurden. Der Wert 1 ist mit einer Wahrscheinlichkeit von mindestens 0,995 richtig. Es gibt 69 Zellen, die mit dieser Ebene der Zuverlässigkeit klassifiziert wurden. Der Wert 5 ist mit einer Wahrscheinlichkeit von mindestens 0,9, jedoch von weniger als 0,995 richtig. Es waren 744.128 Zellen vorhanden, die mit dem Wert 14 eine Wahrscheinlichkeit von weniger als 0,005 richtig zu sein aufwiesen.

RECORD    VALUE    COUNT
0             1       69
1             2      462
2             3     1834
3             4     1123
4             5     2044
5             6     9140
6             7    28443
7             8    46781
8             9    63234
9            10    46393
10           11    42157
11           12    54506
12           13    37937
13           14   744128

Verwandte Themen


In diesem Thema
  1. Beispiel