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


2/21


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


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.


5/21

Gambar


6/21

digital Gambar


7/21

Gambar ?: )inear kontras peregangan -sumber )illesand dan Kiefer, *++


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 < #


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


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.


11/21

Gambar ': Pengurangan adegan penerangan efek melalui bintang ratioing

-sumber )illesand Kiefer, *++


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 ;


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


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


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


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


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.


18/21


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


20/21

oleh unsur%unsur non%diagonal baris -misalnya


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. *++

pengolahan gambar digital

Documents