Download - Pengolahan Gambar Digital
-
8/17/2019 Pengolahan Gambar Digital
1/21
PENGOLAHAN GAMBAR DIGITAL
ABSTRAK
Makalah ini menjelaskan aspek teknologi dasar dari gambar Pengolahan Digital denganrujukan khusus ke pengolahan citra satelit. Pada dasarnya, semua operasi pengolahan citra
satelit dibagi menjadi tiga Kategori: Gambar perbaikan dan pemulihan, peningkatan dan
ekstraksi informasi. Mantan berurusan dengan awal pengolahan gambar mentah data untuk
mengoreksi geometris distorsi, untuk mengkalibrasi data radiometrically dan untuk
menghilangkan kebisingan hadir dalam data. Peningkatan prosedur yang diterapkan pada data
gambar untuk secara efektif menampilkan data untuk interpretasi isual berikutnya. !ni
melibatkan teknik untuk meningkatkan isual perbedaan antara fitur dalam sebuah adegan."ujuan dari operasi ekstraksi informasi adalah untuk mengganti isual analisis data
gambar dengan teknik kuantitatif untuk mengotomatisasi identifikasi fitur dalam sebuah
adegan.!ni melibatkan analisis data multispectral gambar dan penerapan aturan secara
statistik berdasarkan keputusan untuk menentukan identitas penutup tanah setiap pi#el dalam
sebuah gambar. Maksud dari klasifikasi proses adalah untuk mengkategorikan semua pi#els
di gambar digital ke salah satu dari beberapa tanah penutup kelas atau tema. Data rahasia ini
dapat digunakan untuk menghasilkan peta tematik penutup tanah hadir dalam gambar.
PENGENALAN
Gambar adalah yang paling umum dan mudah cara untuk menyampaikan atau
transmisi informasi. $ebuah gambar bernilai seribu kata. Gambar ringkas menyampaikan
informasi tentang posisi, ukuran dan antar%hubungan antara objek. Mereka menggambarkan
spasial informasi yang kita dapat mengenali sebagai objek.Manusia baik pada berasal
informasi dari gambar tersebut, karena dari kemampuan isual dan mental kita bawaan.
$ekitar &'( dari informasi yang diterima oleh manusia adalah dalam bentuk bergambar.
Dalam konteks sekarang, analisis gambar yang mempekerjakan o erhead perspektif,
diangap termasuk radiasi yang tidak terlihat oleh mata manusia.
Dengan demikian diskusi kita akan berfokus pada analisis gambar penginderaan jauh.
Gambar%gambar ini diwakili dalam bentuk digital.Ketika digambarkan sebagai angka,
kecerahan dapat ditambahkan, dikurangi, dikalikan, dibagi dan, secara umum, tunduk pada
-
8/17/2019 Pengolahan Gambar Digital
2/21
-
8/17/2019 Pengolahan Gambar Digital
3/21
yang digunakan di daerah spektrum merah, hijau dan biru harus ditugaskan potongan%
potongan gambar merah, hijau dan biru prosesor frame buffer memori. 7arna inframerah
komposit 8standar false color komposit8 ditampilkan dengan menempatkan inframerah, merah,
hijau dalam bingkai merah, hijau dan biru buffer memori -Gambar. 1. Dalam egetasi sehat
ini muncul dalam nuansa merah karena egetasi menyerap sebagian besar hijau dan merah
energi tetapi mencerminkan kira%kira setengah dari insiden energi infra merah. Perkotaan
mencerminkan bagian yang sama dari 2!9, 9 G, dan oleh karena itu mereka muncul
sebagai abu%abu baja.
Gambar : Palsu warna komposit -6 1 dari !9$: daerah )!$$ !! Poanta
GAMBAR REKTIFIKASI DAN PENDAFTARAN
Distorsi geometris mewujudkan diri mereka sebagai kesalahan dalam posisi pi#el
relatif terhadap lain piksel dalam adegan dan sehubungan dengan posisi mutlak dalam beberapa didefinisikan proyeksi peta. 0ika dibiarkan uncorrected, distorsi geometris ini
membuat data yang diekstrak dari gambar yang tidak berguna. "erutama jika informasi yang
akan dibandingkan dengan kumpulan data lain, baik itu dari gambar lain atau sebuah set data
G!$. Distorsi ini terjadi karena berbagai alasan.
Misalnya distorsi terjadi karena perubahan dalam sikap platform -roll, pitch dan yaw1,
ketinggian, rotasi bumi, kelengkungan 3umi, panorama distorsi dan detektor penundaan.
$ebagian besar dari berbagai penyimpangan ini dapat dimodelkan matematis dan dihapus
sebelum ;nda membeli gambar. Perubahan dalam sikap namun dapat sulit untuk menjelaskan
-
8/17/2019 Pengolahan Gambar Digital
4/21
secara matematis dan sehingga prosedur yang disebut gambar perbaikan dilakukan. 2amun
geometrically rektifikasi cukup stabil dan geometris sederhana prosedur yang didasarkan
pada pemetaan transformasi berkaitan real tanah koordinat, mengatakan dalam easting dan
northing, untuk gambar garis dan piksel koordinat.
PERBAIKAN
Perbaikan adalah proses geometrically mengoreksi gambar sehingga dapat diwakili pada
permukaan planar, sesuai dengan gambar%gambar lainnya atau menyesuaikan diri peta
-Gambar.
-
8/17/2019 Pengolahan Gambar Digital
5/21
Gambar
-
8/17/2019 Pengolahan Gambar Digital
6/21
digital Gambar
-
8/17/2019 Pengolahan Gambar Digital
7/21
Gambar ?: )inear kontras peregangan -sumber )illesand dan Kiefer, *++
-
8/17/2019 Pengolahan Gambar Digital
8/21
demikian jumlah tingkat abu%abu dalam gambar ditingkatkan adalah kurang dari jumlah
tingkat abu%abu dalam gambar asli.
PENYARINGAN SPASIAL
Karakteristik dari gambar penginderaan jauh adalah parameter yang disebut spasial
frekuensi didefinisikan sebagai perubahan dalam nilai kecerahan per satuan jarak untuk setiap
bagian tertentu dari suatu gambar. 0ika ada sedikit perubahan dalam kecerahan 2ilai sekali
daerah tertentu dalam gambar, ini disebut sebagai daerah frekuensi rendah. $ebaliknya, jika
nilai kecerahan berubah secara dramatis jarak pendek, ini adalah area frekuensi tinggi.
Penyaringan spasial adalah proses membagi gambar ke dalam konstituen yang
frekuensi spasial, dan selektif mengubah frekuensi tertentu spasial untuk menekankan
beberapa gambar fitur. "eknik ini meningkatkan kemampuan analis untuk melakukan
diskriminasi detail. "iga jenis filter spasial yang digunakan dalam remote sensor pengolahan
data adalah: rendah melewati filter, 3and pass filter dan tinggi lulus filter. 3erfrekuensi
rendah penyaringan di spasial Domain Gambar tambahan yang de%menekankan atau
memblokir spasial frekuensi tinggidetail adalah frekuensi rendah atau low%pass filter.
PENYARING BERFREKUENSI RENDAH SEDERHANA
Menge aluasi nilai kecerahan piksel masukan tertentu, 34in, dan piksel sekitar input
pi#el dan output nilai kecerahan baru, 34out, yang adalah rata%rata lilitan ini. 5kuran lilitan
lingkungan topeng atau kernel -n1 biasanya adalah < #
-
8/17/2019 Pengolahan Gambar Digital
9/21
>igh%pass filter diterapkan pada citra untuk menghapus perlahan%lahan berbagai
komponen dan meningkatkan frekuensi tinggi ariasi lokal. 2ilai%nilai kecerahan cenderung
menjadi sangat berkorelasi di jendela sembilan%elemen. Dengan demikian, high%frekuensi
disaring gambar akan memiliki histogram intensitas relatif sempit. !ni menunjukkan bahwa
output dari kebanyakan frekuensi tinggi disaring gambar harus kontras membentang sebelum
untuk analisis isual.
PERANGKAT TAMBAHAN TEPI SPASIAL DOMAIN
5ntuk banyak remote penginderaan ilmu bumi aplikasi, yang paling berharga
informasi yang mungkin diturunkan dari gambar yang terkandung dalam tepi sekitar berbagai
objek kepentingan. "epi peningkatan membatasi ini tepi dan membuat bentuk dan rincian
yang terdiri dari gambar lebih mencolok dan mungkin lebih mudah untuk menganalisis.
$ecara umum, melihat tepi bergambar adalah cukup tajam perubahan kecerahan nilai antara
dua berdekatan piksel. "epi dapat ditingkatkan dengan menggunakan baik linier atau
nonlinier tepi tambahan teknik.
PENINGKATAN LINEAR EDGE
Metode langsung untuk penggalian tepi dalam citra penginderaan jauh penerapan
algoritma pertama%perbedaan arah dan dengan Deri atif pertama antara dua berdekatan
piksel. ;lgoritma menghasilkan perbedaan yang pertama gambar masukan horisontal,
ertikal, dan diagonal arah. 3ertentangan operator umumnya menyoroti titik, garis, dan tepi
di gambar dan menekan seragam dan lancar berbagai daerah. 4isi manusia
fisiologis penelitian menunjukkan bahwa kita melihat objek dalam banyak cara yang sama.
Aleh karena itu, penggunaan operasi ini memiliki tampilan yang lebih alami daripada banyak
gambar lainnya tepi yang disempurnakan.
BAND RATIOING
Kadang%kadang perbedaan dalam nilai%nilai kecerahan dari identik material disebabkan oleh
lereng topografi dan aspek, bayangan, atau perubahan musiman sinar matahari penerangan
sudut dan intensitas. Kondisi ini dapat menghambat kemampuan juru bahasa atau klasifikasi
algoritma untuk mengidentifikasi dengan benar permukaan bahan atau penggunaan lahan di
gambar penginderaan jauh. 5ntungnya, rasio "ransformasi data penginderaan jauh dapat,
dalam kasus tertentu, diterapkan untuk mengurangi efek seperti kondisi lingkungan. $elainmeminimalkan efek dari faktor%faktor lingkungan, rasio mungkin juga menyediakan unik
-
8/17/2019 Pengolahan Gambar Digital
10/21
informasi yang tidak tersedia di setiap band tunggal yang berguna untuk membedakan
antara tanah dan egetasi.
=kspresi matematis dari fungsi rasio adalah
34i, j, r @ 34i,j,kC34i,j.l
di mana 34i, j, r adalah nilai rasio output untuk pi#el pada rwo, i, j kolom 34i, j, k
nilai kecerahan di lokasi yang sama dalam band k, dan 34i, j, l kecerahan nilai dalam band l.
$ayangnya, perhitungan ini tidak selalu sederhana sejak 34i, j @ E mungkin. 2amun, ada
alternatif. 5ntuk misalnya, domain fungsi matematika adalah *C '' hingga '' -yaitu, jarak
dari fungsi rasio mencakup semua nilai dimulai pada *C '', melewati melalui E dan berakhir
di ''1. ara untuk mengatasi masalah ini adalah semata%mata untuk memberikan setiap 34i,
j dengan nilai E nilai *. 9asio gambar dapat bermakna ditafsirkan karena mereka dapat
langsung berkaitan dengan sifat%sifat spektrum bahan. 9atioing dapat dianggap sebagai
metode meningkatkan minor perbedaan antara bahan%bahan dengan mendefinisikan lekukan
dari kur a spektrum antara dua band. Kita harus memahami yang berbeda bahan%bahan yang
memiliki lereng spektrum mirip tapi berbeda albedo, yang mudah terpisah pada gambar
standar, tak dapat terpisahkan pada rasio gambar. Gambar ' menunjukkan situasi di mana
Deciduous dan egetasi termasuk jenis pohon jarum tanaman keluar di kedua memancar dan
shadowed sisi bukit. Di band indi idu nilai pantulan lebih rendah di shadowed ;rea dan akan
sulit untuk mencocokkan mengitari tanah ini dengan mengitari tanah%memancar. 2ilai%nilai
rasio, namun, hampir identik di daerah shadowed dan memancar dan singkapan batu pasir
akan mirip tanda tangan pada rasio gambar. Penghapusan ini perbedaan penerangan juga
menghilangkan ketergantungan topografi pada rasio gambar.
-
8/17/2019 Pengolahan Gambar Digital
11/21
Gambar ': Pengurangan adegan penerangan efek melalui bintang ratioing
-sumber )illesand Kiefer, *++
-
8/17/2019 Pengolahan Gambar Digital
12/21
digunakan untuk pola spektrum pengakuan serta peningkatan gambar. Ketika digunakan
sebelum pola pengakuan, komponen utama yang paling penting yang dijatuhkan sama sekali.
>al ini memungkinkan kita untuk menghilangkan bagian signifikan set data kami dan dengan
demikian menghindari waktu tambahan komputer. 6ungsi transformasi ditentukan selama
tahap pelatihan. Komponen utama gambar mungkin dianalisa sebagai gambar hitam dan putih
yang terpisah, atau gambar tiga komponen mungkin warna dikodekan untuk membentuk
komposit warna. Komponen utama "eknik tambahan sangat sesuai di daerah di mana sedikit
priori informasi mengenai wilayah tersedia.
GAMBAR FUSION TEKNIK
$atelit menutupi bagian%bagian yang berbeda dari spektrum elektromagnetik dan
merekam radiasi masuk pada berbeda spasial, temporal dan spektrum resolusi. $ebagian
besar dari sensor ini beroperasi dalam dua mode. $ebagai contoh dalam !9$%* D, )!$$ !!!
beroperasi di modus multispectral. atatan energi hijau -E.' %E,'+ mikron1, merah -E./ %E.
/F mikron1, dekat inframerah -E.&&%E.F/ mikron1 dan mid%infrared -*.''%*,&E mikron1. Di
satelit sama P;2 beroperasi dalam mode pankromatik. $PA" adalah satelit yang lain, yang
memiliki kombinasi sensor yang beroperasi di multispectral dan pankromatik mode.
!nformasi di atas juga menyatakan dengan mengatakan bahwa multispectral mode memiliki
yang lebih baik spektrum resolusi daripada modus pankromatik.
GAMBAR FUSION
adalah kombinasi dari dua atau lebih gambar yang berbeda untuk membentuk
gambar baru -dengan menggunakan algoritma tertentu1.
3iasanya diterapkan gambar 6usion teknik
*. !>$ transformasi
. P ;
-
8/17/2019 Pengolahan Gambar Digital
13/21
!tu adalah, fitur yang berbeda jenis mewujudkan kombinasi yang berbeda D2$ berbasis
mereka melekat spektrum pantulan dan emittance properti. !stilah pengelompok
longgar merujuk pada sebuah program komputer yang menerapkan prosedur khusus untuk
klasifikasi gambar. $elama bertahun%tahun, para ilmuwan telah menyusun banyak klasifikasi
strategi. Dari alternatif ini analis harus Pilih pengelompok yang terbaik akan menyelesaikan
tugas tertentu. Pada saat itu tidak mungkin untuk menyatakan bahwa pengelompok yang
diberikan terbaik untuk semua situasi karena karakteristik masing%masing gambar dan
keadaan untuk setiap studi ber ariasi begitu sangat. Aleh karena itu, sangat penting bahwa
analis memahami alternatif strategi untuk klasifikasi gambar. Metode tradisional klasifikasi
terutama mengikuti kedua pendekatan: tanpa pengawasan dan diawasi. Pendekatan tanpa
pengawasan upaya spektrum pengelompokan yang mungkin memiliki arti tidak jelas dari
sudut pandang pengguna. $etelah menetapkan ini, analis kemudian mencoba untuk
menghubungkan informasi kelas dengan masing%masing kelompok. Pendekatan tanpa
pengawasan sering dirujuk sebagai clustering dan hasil dalam statistik bahwa untuk
spektrum, statistik cluster. Dalam pendekatan diawasi klasifikasi, mengawasi analyst gambar
piksel kategorisasi proses dengan menentukan algoritma komputer numerik penjelas tanah
berbagai tutup jenis hadir dalam adegan. 5ntuk melakukan ini, sampel perwakilan situs jenis
dikenal penutup, disebut bidang%bidang pelatihan atau pelatihan situs, digunakan untuk
mengkompilasi kunci interpretasi numerik yang menjelaskan spektrum atribut untuk setiap
fitur jenis bunga. $etiap pi#el dalam data set kemudian dibandingkan numerik untuk setiap
kategori dalam interpretasi kunci dan diberi label dengan nama kategori yang tampak paling
mirip. Di bawah pengawasan pendekatan pengguna mendefinisikan kategori informasi yang
berguna dan kemudian memeriksa mereka separability bintang sedangkan dalam pendekatan
tanpa pengawasan ia pertama kali menentukan spectrally terpisah kelas dan kemudian
mendefinisikan utilitas informasi mereka. "elah ditemukan bahwa di daerah Medan
kompleks, tanpa pengawasan pendekatan lebih baik daripada yang diawasi. Dalam kondisi
seperti jika pendekatan diawasi digunakan, pengguna akan mengalami kesulitan dalam
memilih pelatihan di situs ariabilitas spektrum respon dalam setiap kelas. ;kibatnya,
pengumpulan data sebelum tanah dapat menjadi sangat memakan waktu. 0uga, pendekatan
yang diawasi subjektif dalam arti bahwa analis mencoba untuk mengklasifikasikan kategori
informasi, yang sering terdiri dari beberapa bintang kelas sedangkan spectrally dibedakan
kelas akan terungkap oleh tanpa pengawasan pendekatan, dan karenanya tanah data koleksi
persyaratan mungkin dikurangi. $elain itu, pendekatan tanpa pengawasan memiliki potensi
-
8/17/2019 Pengolahan Gambar Digital
14/21
keuntungan dari mengungkapkan discriminable kelas yang tidak diketahui dari pekerjaan
sebelumnya. 2amun, ketika definisi pelatihan perwakilan daerah mungkin dan kelas
informasi statistik menunjukkan korespondensi dekat, hasil Klasifikasi diawasi akan unggul
untuk klasifikasi tanpa pengawasan.
Klasifikasi tanpa pengawasan
"anpa pengawasan kelompok melakukan tidak memanfaatkan pelatihan data sebagai dasar
untuk Klasifikasi. $ebaliknya, keluarga kelompok ini melibatkan algoritma yang memeriksa
pi#els tidak diketahui di gambar dan menggabungkan mereka ke dalam sejumlah kelas
didasarkan pada kelompok alami atau kelompok yang hadir dalam nilai%nilai gambar. !tu
melakukan dengan baik dalam kasus%kasus di mana nilai%nilai dalam diberikan penutup jenis
dekat bersama%sama di ruang pengukuran, data dalam berbagai kelas yang relatif baik
dipisahkan. Kelas yang dihasilkan dari klasifikasi tanpa pengawasan yang kelas spektrum
karena mereka didasarkan semata%mata pada kelompok alami dalam nilai%nilai gambar,
identitas kelas spektrum akan tidak awalnya dikenal. ;nalis harus membandingkan data
diklasifikasikan dengan beberapa bentuk data referensi -seperti citra skala yang lebih besar
atau peta1 untuk menentukan identitas dan nilai informasi kelas spektrum. Dalam pendekatan
diawasi kita mendefinisikan informasi yang berguna Kategori dan kemudian memeriksa
mereka spektrum separability dalam tanpa pengawasan pendekatan kami menentukan kelas
spectrally terpisah dan kemudian menetapkan mereka informasi utilitas. ;da berbagai
clustering algoritma yang dapat digunakan untuk menentukan pengelompokan spektrum
alami hadir dalam data set. $alah satu bentuk umum clustering, disebut K%berarti
pendekatan yang juga disebut sebagai !$AD;"; -interaksi $elf%ArganiHing teknik analisis
Data1 menerima dari analis nomor luster untuk berada dalam data. ;lgoritma, maka
sewenang%wenang benih , atau menempatkan, bahwa jumlah cluster pusat dalam
pengukuran multidimensi ruang. $etiap pi#el dalam gambar kemudian ditugaskan untuk
gugus yang sewenang%wenang berarti ektor terdekat. $etelah semua piksel telah
diklasifikasikan dengan cara ini, dire isi ektor berarti untuk masing%masing kumpulan
dihitung. $arana dire isi kemudian digunakan sebagai dasar reklasifikasi data gambar.
Prosedur terus sampai tidak ada perubahan signifikan di lokasi yang berarti kelas
ektor antara berturut%turut iterasi dari algoritma. $etelah titik ini mencapai, analis
menentukan identitas penutup tanah setiap kelas spektral. Karena pendekatan K%berarti
iteratif, program intensif. Aleh karena itu, sering diterapkan hanya untuk gambar sub%areadaripada layar penuh. Klasifikasi diawasi dapat biasanya didefinisikan sebagai proses sampel
-
8/17/2019 Pengolahan Gambar Digital
15/21
identitas dikenal untuk mengklasifikasikan piksel identitas tidak diketahui. $ampel dikenal
identitas adalah piksel tersebut terletak di dalam bidang%bidang pelatihan. Piksel yang terletak
di dalam daerah ini istilah sampel pelatihan yang digunakan untuk memandu algoritma
klasifikasi untuk menetapkan nilai%nilai spektrum tertentu ke kelas informasi yang tepat.
)angkah%langkah dasar yang terlibat dalam prosedur khas diawasi klasifikasi diilustrasikan
pada gambar /.
• Pelatihan tahap• Pilihan fitur • Pilihan tepat klasifikasi algoritma• Posting klasifikasi smoothening• ;kurasi penilaian
Gambar /: )angkah%langkah dasar dalam klasifikasi diawasi
• Pelatihan data
3idang pelatihan adalah daerah dikenal identitas yang digambarkan pada gambar digital,
biasanya dengan menentukan titik%titik sudut menggunakan wilayah persegi panjang atau
poligonal baris dan kolom nomor dalam sistem koordinat dari gambar digital. ;nalis
harus, tentu saja tahu kelas yang benar untuk setiap daerah. 3iasanyaanalis dimulai
dengan merakit peta dan foto udara dari wilayah harus diklasifikasikan. 3idang%bidang
pelatihan spesifik diidentifikasi untuk setiap kategori informasi mengikuti pedoman
diuraikan di bawah ini. "ujuannya adalah untuk mengidentifikasi satu set piksel yang
-
8/17/2019 Pengolahan Gambar Digital
16/21
secara akurat mewakili ariasi spektrum hadir dalam masing%masing informasi daerah
-Gambar. &a1. Pilih sesuai klasifikasi algoritma 3erbagai diawasi klasifikasi algoritma
dapat digunakan untuk menetapkan tidak diketahui pi#el ke salah satu dari sejumlah
kelas. Pilihan pengelompok tertentu atau keputusan aturan tergantung pada sifat dari
input data dan yang diinginkan keluaran. Klasifikasi parametrik algoritma berasumsi
bahwa diamati pengukuran ektor ; untuk masing%masing kelas di setiap pita spektrum
selama pelatihan fase diawasi klasifikasi Gaussian di alam. itu adalah, mereka adalah
biasanya didistribusikan. Klasifikasi 2onparametric algoritma membuat tidak ada
asumsi. Di antara yang paling sering digunakan klasifikasi algoritma adalah
parallelepiped, jarak minimum dan maksimum kemungkinan keputusan aturan.
Parallelepiped klasifikasi algoritma
!ni adalah aturan digunakan secara luas keputusan berdasarkan 3oolean sederhana
dan C atau logika. Pelatihan data dalam pita spektrum n digunakan dalam melaksanakan
klasifikasi. Kecerahan nilai dari setiap pi#el citra multispectral digunakan untuk
menghasilkan ektor berarti dimensi n, Mc @ -Ick*, Ic , Ic
-
8/17/2019 Pengolahan Gambar Digital
17/21
dengan lain lagi algoritma program intensif, seperti kemungkinan maksimum algoritma.
$eperti algoritma parallelepiped, memerlukan pengguna memberikan ektor berarti untuk
setiap kelas di masing%masing tangan Ick dari data pelatihan. 5ntuk melakukan klasifikasi
jarak minimum, program harus menghitung jarak ke masing%masing berarti ektor, Ick dari
setiap piksel tidak diketahui -34ijk1. !tu dimungkinkan untuk menghitung jarak ini
menggunakan jarak =uclidean berdasarkan "eorema Pythagoras -6ig. &b1.
Perhitungan =uklides jarak dari titik untuk rata%rata Kelas%* diukur di band
bergantung pada persamaan Dist @ $J9" -34ijk %I K1 L -34ijl %I l1
Di mana Ick dan Icl mewakili ektor berarti untuk kelas c diukur dalam band k dan l.
3anyak jarak minimum algoritma membiarkan analis yang menentukan jarak atau ambang
dari kelas berarti luar yang pi#el akan tidak dikelompokkani.Maksimum kemungkinan
klasifikasi algoritma ;turan keputusan maksimum kemungkinan menetapkan setiap pi#el
memiliki pola pengukuran atau fitur # ke kelas c yang unit paling mungkin atau cenderung
muncullah fitur ektor #. !ni mengasumsikan bahwa data pelatihan $tatistik untuk masing%
masing kelas di setiap band yang biasanya didistribusikan, yaitu Gaussian. Dengan kata lain,
pelatihan data dengan bi% atau bantuan histograms trimodal di band tunggal tidak ideal.
Dalam kasus tersebut, mode indi idu mungkin mewakili indi idu kelas yang harus dilatih
atas secara indi idual dan label sebagai kelas terpisah. !ni kemudian akan menghasilkan
unimodal, Gaussian pelatihan kelas statistik yang akan memenuhi persyaratan distribusi
normal. 3ayes keputusan aturan identik dengan keputusan kemungkinan maksimum aturan
bahwa itu tidak berasumsi bahwa masing%masing kelas memiliki probabilitas. ; priori
Probabilitas digunakan sebagai cara untuk menggabungkan efek lega dan karakteristik daerah
lain dalam meningkatkan akurasi klasifikasi. Kemungkinan maksimum dan 3ayes8s
klasifikasi memerlukan banyak lagi perhitungan per piksel daripada parallelepiped atau jarak
minimum Klasifikasi algoritma. Mereka tidak selalu menghasilkan hasil yang lebih superior.
Klasifikasi akurasi penilaian $ecara kuantitatif menilai akurasi klasifikasi memerlukan
koleksi beberapa data di situ atau apriori pengetahuan tentang beberapa bagian dari daerah
yang kemudian dapat dibandingkan dengan peta turunan klasifikasi penginderaan jauh.
Dengan demikian untuk menilai akurasi klasifikasi diperlukan untuk membandingkan dua
klasifikasi Maps *1 remote sensing berasal peta, dan 1 diasumsikan benar peta -pada
kenyataannya itu mungkin berisi beberapa error1. Peta benar diasumsikan mungkin
diturunkan dari dalam situ penyelidikan atau cukup sering dari interpretasi dari penginderaan jauh data yang diperoleh pada skala yang lebih besar atau resolusi yang lebih tinggi.
-
8/17/2019 Pengolahan Gambar Digital
18/21
-
8/17/2019 Pengolahan Gambar Digital
19/21
untuk pelatihan -kolom1 ersus piksel sebenarnya diklasifikasikan ke dalam setiap kategori
penutup tanah oleh pengelompok -baris1.
"abel *. Matriks kesalahan yang dihasilkan dari mengklasifikasi pelatihan $et piksel
Kesalahan matriks mengungkapkan beberapa karakteristik tentang klasifikasi kinerja.
$ebagai contoh, salah satu dapat belajar berbagai klasifikasi kesalahan kelalaian
-pengecualian1 dan Komisi -dimasukkannya1. Diperhatikan dalam tabel * pelatihan mengatur
piksel yang dikelompokkan ke dalam kategori penutup tanah tepat berada sepanjang diagonal
utama dari matriks kesalahan -berjalan dari kiri atas untuk menurunkan kanan1. $emua unsur%
unsur non%diagonal matriks mewakili kesalahan dari kelalaian atau komisi. Kelalaian
kesalahan sesuai dengan unsur%unsur non%diagonal kolom -misalnya */ piksel yang harus
diklasifikasikan sebagai pasir dihilangkan dari itu Kategori1. Komisi kesalahan diwakili
-
8/17/2019 Pengolahan Gambar Digital
20/21
oleh unsur%unsur non%diagonal baris -misalnya
-
8/17/2019 Pengolahan Gambar Digital
21/21
KESIMPULAN
Processings gambar digital dari data satelit terutama dibagi menjadi tiga Kategori: gambar
perbaikan dan pemulihan, peningkatan dan =kstraksi informasi. Gambar rektifikasi adalah
pre%processing data satelit untuk geometris dan radiometrik sambungan. Peningkatan
diterapkan untuk gambar data untuk secara efektif menampilkan data berikutnya interpretasi
isual. =kstraksi informasi berdasarkan klasifikasi digital dan digunakan untuk menghasilkan
peta tematik digital.
REFERENSI
ampbell, 0.3. *++/. Pendahuluan untuk 9emote $ensing. "aylor 6rancis, )ondon.
=9D;$ M=M3;B;2GK;2 F,? 6ield Guide: =9D;$ !nc
0ensen, 0r *++/. !ntroduction to Digital !mage Processing: 9emote $ensing perspektif.
Praktek >all, 2ew 0ersey.
)illesand, ".M. dan Kiefer, 9. *++