Preferencje help
Widoczny [Schowaj] Abstrakt
Liczba wyników

Znaleziono wyników: 19

Liczba wyników na stronie
first rewind previous Strona / 1 next fast forward last
Wyniki wyszukiwania
Wyszukiwano:
w słowach kluczowych:  klasyfikacja nadzorowana
help Sortuj według:

help Ogranicz wyniki do:
first rewind previous Strona / 1 next fast forward last
1
Content available Data classification based on photogrammetry
EN
The aim of the paper was to classify data from aerial laser scanning and CIR digital images, which were orientated, connected and aligned by the Agisoft Photoscan software. Then, in order to distinguish the ground a point cloud was generated. This was to create a correct terrain mesh and, in consequence, an orthophotomap. The next stage is to develop a new point cloud using ArcGIS. The land cover from the images was combined with the ground mapped by LiDAR. New heights were calculated relative to the ground surface height 0. The point cloud was converted into a raster form, providing a normalized Digital Surface Model (nDSM). It was the first element of the output composition, which also consisted of the NIR and RED channels, acquired from the cloud point generated in Agisoft. The colour composition obtained in such way was subjected to four object-oriented and pixel-oriented classification methods: I – ISO Cluster, II – Maximum Likelihood, III – Random Trees, IV – Support Vector Machine. Object grouping is possible due to information stored in the display content. This technique is prompted by human ability of image interpretation. It draws attention to more variables, so effects similar to human perception of reality are possible to achieve. The unsupervised method is based on a process of automatic search for image fragments, which allows assigning them to individual categories by a statistical analysis algorithm. In turn, supervised method uses “training datasets”, which are used to “teach” the program assigning individual or grouped pixels to classes [Benz UC et al., 2004]. The area studied for land development was the Lutowiska municipality, in the Podkarpackie Voivodeship, Bieszczady County. As a result of the classification, 11 classes of terrain features were distinguished: class 0 – road infrastructure, class 1 – roads, class 2 – buildings, class 3 – waters, class 4 – meadows, class 5 – arable lands, class 6 – pastures, class 7 – high vegetation, class 8 – medium vegetation, class 9 – low vegetation, class 10 – quarry. The area of research covers an area of about 28 km2. Aerial images were made in 2015. Field vision and photopoint measurement was carried out in May 2018.
PL
Celem opracowania jest klasyfikacja danych na podstawie lotniczego skaningu laserowego oraz zdjęć cyfrowych CIR. Do opracowania posłużyło oprogramowanie Agisoft Photoscan, w którym dokonano zorientowania, połączenia i wyrównania zdjęć. Następnie wygenerowano z nich chmurę punktów, z której wydzielono grunt. Miało to na celu poprawne utworzenie siatki terenu, a w konsekwencji ortofotomapy. Kolejny etap pracy to utworzenie nowej chmury punktów przy wykorzystaniu programu ArcGIS. Pokrycie terenu ze zdjęć połączono z gruntem z LiDAR. Obliczono nowe wysokości względem powierzchni terenu, któremu nadano wysokość 0. Dokonano konwersji chmury punktów do postaci rastrowej, uzyskując Znormalizowany Numeryczny Model Pokrycia Terenu. Był to pierwszy element kompozycji wyjściowej, która składała się także z kanału NIR oraz RED, pozyskanych z chmury wygenerowanej w Agisoft. Otrzymaną w ten sposób kompozycję barwną poddano czterem metodom klasyfikacji obiektowej i pikselowej: I- ISO Cluster, II- Maximum Likelihood, III- Random Trees, IV- Support Vector Machine. Grupowanie obiektowe jest możliwe dzięki informacji zapisanej w treści zobrazowania. Technika ta wykorzystuje podejście zainspirowane zdolnością interpretacji obrazu przez człowieka. Zwraca uwagę na więcej zmiennych, dzięki czemu można uzyskać efekty zbliżone do postrzegania rzeczywistości przez ludzi. Metoda Unsupervised bazuje na procesie automatycznego wyszukiwania fragmentów obrazu i przyporządkowania ich do poszczególnych kategorii za pomocą algorytmu wykorzystującego analizę statystyczną. Z kolei Supervised wykorzystuje „pola treningowe”, za pomocą których „uczy” program, do której klasy przyporządkować pojedyncze, czy też zgrupowane piksele [Benz U. C. i in., 2004]. Obszarem poddanym analizie jest gmina Lutowiska, w województwie podkarpackim, powiecie bieszczadzkim, na której dokonano analizy zagospodarowania terenu. W wyniku klasyfikacji wyodrębniono 11 klas form terenu: klasa 0- infrastruktura drogowa, klasa 1- drogi, klasa 2- budynki, klasa 3- woda, klasa 4- łąki, klasa 5- grunty orne, klasa 6- pastwiska, klasa 7- roślinność wysoka, klasa 8- średnia roślinność, klasa 9- roślinność niska, klasa 10- kamieniołom. Obszar opracowania stanowi powierzchnię ok. 28 km2. Zobrazowania lotnicze zostały wykonane w 2015r. Wizję terenową oraz pomiar fotopunktów przeprowadzono w maju 2018r.
PL
Poniższa praca weryfikuje kompletność danych zawartych w ogólnopolskiej Bazie Azbestowej przy użyciu technik teledetekcyjnych z wybranej części gminy miejskiej Pruszków. Podjęto próbę inwentaryzacji cementowo-azbestowych pokryć dachowych przy użyciu wysokorozdzielczych zobrazowań multispektralnych wykonanych przez sensory satelity WorldView 2. We wstępie przedstawiono krótką charakterystykę materiału, jakim jest azbest oraz opisano „Program Oczyszczania Kraju z Azbestu na lata 2009-2032”. Następnie zaprezentowano źródła danych użytych do przeprowadzonych analiz. W części praktycznej opisano metody przygotowania danych, a także proces przeprowadzenia klasyfikacji nadzorowanej, której wynikiem było wykrycie cementowo-azbestowych dachów. Pomimo, że wysokorozdzielcze i multikanałowe zobrazowania nie zawierają wartości odbić dla najodpowiedniejszych do wykrycia azbestu długości fal, otrzymane wyniki można uznać za satysfakcjonujące (np. do celów weryfikacji dokładności inwentaryzacji pokryć azbestowych dla jednostek samorządu terytorialnego). Wyniki przeprowadzonej inwentaryzacji zostały porównane z krajową Bazą Azbestu dla jednej z dzielnic Pruszkowa - Żbikowa. Otrzymano znaczące rozbieżności pomiędzy obiema inwentaryzacjami.
EN
This study verifies the completeness of data contained in the national Asbestos Database, using remote sensing techniques in a selected area of Pruszków. The attempt was made to prepare an inventory of asbestos-cement roofs using the multi-spectral satellite imagery obtained from the high-resolution WorldView 2 satellite. In the introduction, a brief characteristic of the asbestos was presented and the National Asbestos Purification Program for 2009-2032 was described. Then, the sources of data used in the research were presented. The practical part presents the method of data preparation, and then, describes the process of conducting the supervised classification, which resulted in the detection of cement-asbestos roofing. Although the high-resolution and multi-channel WorldView-2 satellite does not record the best wavelength for the detection of asbestos covers, it led results that are satisfactory, e.g. for the purpose of monitoring the accuracy of inventory results carried out for the needs of local governments. The results of the conducted inventory were compared with the nationwide Asbestos Database for the Pruszków district - Żbików. There were significant discrepancies in the number of asbestos covered roofs that were inventoried.
EN
Based on the study of literature relating to the classification of forests using high resolution space images established that the main problem of classification is the separateness classes and close to the spectral brightness classes can not be identified with high accuracy. Classification using maximum likelihood algorithm, which generally gives better results compared with algorithms of spectral distance or Mahalanobis distance, does not lead to the definition of areas with a high probability. Therefore, the article examines approach of classification of forests using post-processing. Experimental studies were carried using an satellite image of the forested area of Precarpathian region obtained from QuickBird-2 (June 2010). Data collected during field research were used as Verification data to determine areas of different objects. The controlled classification has been performed using the method of the maximum likelihood, size of signatures for 8 classes were selected from 100 to 400 points. For these classes was calculated matrix of separation of classes, and was found a significant correlation between next classes: young conifer plantings and pine and mixed forest, and deciduous young plantings and deciduous forest. Post-processing significantly improves the reliability of determination of area, which consists in the assign to all pixel of the selected neighbourhood brightness of most points, although there is a dependency of reliability of determination of area from the size of the area. Accuracy of determination of areas are from 92 to 99%.
EN
In this study, we considered the problem of controlling a prosthetic hand with noisy electromyography (EMG) and mechanomyography (MMG) signals. Several dimensionality reduction methods were analyzed to assess their efficiency at classifying these signals, which were registered during the performance of grasping movements with various objects. Using the cross-validation technique, we compared various dimensionality reduction methods, such as principal components analysis, nonnegative matrix factorization, and some tensor decomposition models. The experimental results demonstrated that the high-est classification accuracy (exceeding 95% for all subjects when classifying 11 grasping movements) and lowest computational complexity were obtained when higher-order singular value decomposition was applied to a multi-way array of multi-channel spectrograms, where the temporal EMG/MMG signals from all channels were concatenated.
EN
This study analyzes the evaluation of land cover supervised classification quality. Authors put forward the hypothesis that the overall accuracy of image classification depends on its division into parts of the same area. The dependence is described by the logarithmic curve – Т = 4.3004·ln(x) + 72.697, because the determination coefficient is maximum (R2 = 0.9678). The research area was the Yuntolovo reserve, the protected area near St. Petersburg (Russia). In order to increase the overall accuracy of the land cover automatic classification based on aerial images, a new methodology of data preprocessing was introduced. The proposed method of estimating the overall classification accuracy of land cover protected areas increases on average by 10% by dividing the source aerial image into no more than 10 equal parts. With further partitioning of the image into parts of the same area, the overall accuracy is slightly increased. Pixel-based image analysis of supervised classification and error matrix were evaluated using ILWIS 3.31 software and in our own software in .NET environment.
PL
W pracy dokonano analizy sposobów oceny jakości klasyfikacji pokrycia terenu na danych obrazowych. Autorzy wysunęli hipotezę, że ogólna dokładność klasy- fikacji obrazu zależy od jego podziału w procesie klasyfikacji na podobszary. Zależność tę opisano krzywą logarytmiczną Т = 4,3004⋅ln(x) + 72,697, dla której uzyskano najwyższy współczynnik determinacji (R2 = 0,9678). Badania prowadzono dla rezerwatu Yuntolovo, chronionego obszaru w pobliżu Sankt Petersburga (Rosja). W celu zwiększenia ogólnej dokładności automatycznej klasyfikacji pokrycia terenu na podstawie zdjęć lotniczych autorzy zaproponowali nową metodologię wstępnego przetwarzania danych. Proponowana metoda, polegająca na podziale obrazu klasyfikowanego na nie więcej niż dziesięć równych części, poprawia ogólną dokładność klasyfikacji pokrycia obszarów lądowych średnio o 10%. Podział na większą liczbę części nie zwiększa już znacząco jakości klasyfikacji, a dodatkowo wprowadza niejednoznaczności spowodowane zmniejszaniem próby uczącej. Klasyfikację obrazów i analizę dokładności prowadzono z wykorzystaniem pakietu ILWIS 3.31 oraz autorskiego oprogramowania stworzonego w środowisku NET.
EN
The aim of this study was to investigate the possible use of geotechniques and generally available geodata for mapping land cover on reclaimed areas . The choice of subject was dictated by the growing number of such areas and the related problem of restoring their value. The validity of the use of modern technology, including GIS, photogrammetry and remote sensing, was determined, especially for the land cover classes mapping that are relevant in assessing the effects of reclamation and analyzes of the changes taking place on such sites. The study was performed for dump site of the Sulphur Mine "Machów", which is an example of the reclaimed area, located in the Tarnobrzeski district. The research materials consisted of aerial orthophotos, which were the basis of on-screen vectorization of land cover classes; Landsat satellite images, which were used in the pixel based classification; and the CORINE Land Cover database as a general reference to the global maps of land cover and land use. The site was characterized by relatively large mosaic of landscape which is typical for reclaimed areas. Due to this fact, high resolution aerial photos were most suitable for the land cover mapping, allowing distinguishing highest number of land cover classes. The process was also successfully automated with the means of pixel-based image classification on the satellite images. This resulted also in the subjectivity of the operator and time costs. The efford made to develop land cover classes, supported with thorough knowledge of the operator, is important for the proper evaluation of the reclamation process.
PL
Celem pracy było zbadanie możliwości wykorzystania technik geoinformatycznych i ogólnie dostępnych geodanych dla opracowywania map pokrycia (użytkowania) terenu obszarów zrekultywowanych. Wybór tematu był podyktowany rosnącą liczbą takich obszarów i częstym problemem przywrócenia lub nadania gruntom poprzemysłowym wartości użytkowych (wykonanie rekultywacji). Określano zasadność wykorzystania nowoczesnych technologii GIS oraz materiałów geodezyjnych dla wyznaczenia granic klas pokrycia terenu, istotnych w ocenie efektów rekultywacji oraz analizach zmian zachodzących na tego rodzaju obiektach. Badania wykonano dla zwałowiska zewnętrznego Kopalni Siarki "Machów", zlokalizowanego na terenie powiatu tarnobrzeskiego, będącego przykładem obszaru zrekultywowanego. Podstawowymi materiałami badawczymi były ortofotomapy lotnicze, na postawie których wykonano wektoryzację ekranową klas pokrycia terenu; zobrazowania satelitarne Landsat, które posłużyły do przeprowadzenia klasyfikacji pikselowej oraz dane programu CORINE Land Cover, jako ogólne odniesienie do globalnych map pokrycia i użytkowania terenu. Zwałowisko Kopalni „Machów” charakteryzowała stosunkowo duża mozaikowatość krajobrazu (często występująca na terenach rekultywowanych), więc właściwą przydatnością do sporządzania map pokrycia terenu charakteryzowały się wysokorozdzielcze ortofotomapy lotnicze, umożliwiające wyodrębnienie największej liczby klas pokrycia terenu. Dla zautomatyzowania procesu wyznaczania granic pokrycia terenu testowano, metodę klasyfikacji nadzorowanej zobrazowań satelitarnych. (najlepsze efekty uzyskano z użyciem w klasyfikacji algorytmu największego prawdopodobieństwa). Pozwoliła ona na zmniejszenie subiektywizmu i czasu pracy operatora Staranie wykonane opracowanie kategorii pokrycia terenu, poparte gruntowną wiedzą fotointerpretatora na temat przyjętych kierunków rekultywacji oraz czasu jej rozpoczęcia i zakończenia, wykonane na materiałach geodezyjnych odpowiedniej rozdzielczości jest istotne, gdyż jest podstawą dla właściwej oceny przeprowadzonej rekultywacji.
EN
Environmental changes are amongst the most important research subjects in geography. The changes may be natural, but also may be caused by human activity. Land cover is a significant component of the changing environment. Monitoring of its changes involves usage of satellite techniques. Landsat mission provides comparable data since forty years, very useful in land cover studies. Utilization of satellite techniques in such researches is developing quickly. This paper is an example of methods that enable quick and quite accurate assessment of range and spatial distribution of land cover changes. Practical application of image difference, principal component analysis and supervised classification to detect land cover changes is presented. Methods are applied to study area containing different land cover classes. Accuracy of methods was tested and compared. Combining methods presented in earlier researches, five new methods were developed: image difference, image difference with classification, classification, principal component analysis, principal component analysis with classification. Methods were applied to three different input datasets: pairs of images with different level of preprocessing. First dataset was a pair of georeferenced Landsat Thematic Mapper images. The second dataset was the same pair of images, atmospherically corrected using dark object subtraction method. Normalization of one image to the other provided the third dataset. Accuracy assessment was executed. Results were obtained from confusion matrices. Overall accuracy of methods was high, from 77% to 91%. Supervised classification was the most accurate method. Combining fully automatic methods with supervised classification has increased overall accuracy of automatic change detection, however not significantly. Studies on combining change detection methods should be continued. Future studies should concentrate on the automation of change detection process.
PL
W pracy przedstawiono podstawy teoretyczne klasyfikatora maszyny wektorów podpierających oraz uzyskane przy jego zastosowaniu wyniki klasyfikacji obrazów wielospektralnych pozyskanych z 21 kanałowego systemu wielospektralnego obrazowania endoskopowego. Uzyskana rozróżnialność obszarów zmienionych chorobowo jest w ocenie lekarzy diagnostów wyższa niż w przypadku systemu Xillix Onco LIFE.
EN
The paper presents the theoretical basis and results obtained with use of the support vector machine classifier on multispectral image classification gained with 21-channel system for endoscopic multispectral imaging. Obtained distinguishability of pathological changes areas is higher than in the case of Xillix Onco LIFE system in the medical diagnosticians opinion.
9
PL
Klasyfikacja tekstów jest szybko rozwijającą się dziedziną, korzystającą zarówno z metod sztucznej inteligencji, jak i metod wyszukiwania i udostępniania informacji (IR). W obecnym czasie, duża liczba praktycznych zastosowań tego zagadnienia wiąże się np. z sortowaniem tekstów naukowych, technicznych, medycznych, patentowych, wypełnianiem hierarchicznych katalogów sieciowych, selektywnym udostępniałem dokumentów, filtracją spamu. Zagadnienie kategoryzacji tekstów, ze względu na dużą liczbę atrybutów opisujących dokumenty, duży rozmiar zbioru uczącego, a także zależności pomiędzy atrybutami, jest wyzwaniem dla współczesnych metod badawczych. W pracy przedstawiono algorytm klasyfikacji tekstu, bazujący na metodzie centroidów oraz drzewie decyzyjnym. Zaprezentowano rozbudowane badania proponowanego algorytmu.
EN
Text classification is a growing area of research at the intersection of information retrieval (IR) and machine learning. The goal of text classification systems is to attach automatically labels to previously unseen electronic documents. These labels may indicate topics discussed in the document, the relevance of the document for a given user, the mailbox or newsgroup into which the document should be filed. Text categorization presents unique challenges due to the large number of attributes present in the data set, large number of training samples, and attribute dependencies. In this paper we present a supervised classification algorithm based on centroids method and decision trees. This paper presents comprehensive computational experiments examining the efficiency of proposed classification algorithms.
PL
W badaniach wykorzystane zostały wieloczasowe zdjęcia satelitarne z lat 1979, 2000 i 2007 dla obszaru Słowińskiego Parku Narodowego charakteryzującego się dużą dynamiką zmian krajobrazu. Bazując na wynikach klasyfikacji nadzorowanej dla trzech roczników zdjęć satelitarnych obszaru Parku przeprowadzono badanie zmian pokrycia terenu i określono wielkość oraz kierunek przekształceń dla poszczególnych klas. Na podstawie map pokrycia terenu wykonano analizę korelacji krzyżowej w programie IDRISI. Wykonano również ilościową analizę zmian powierzchni poszczególnych klas pokrycia terenu w danym przedziale czasowym. Obliczone wielkości (pikselowe) zmian w zakresie poszczególnych form pokrycia dla obszarów w granicach Parku pozwoliły na utworzenie map przedstawiających tereny, które w okresie 1979÷2000 oraz 1979÷2007 uległy przekształceniu oraz map terenów „stałych”. W ramach badań przeprowadzona została ilościowa i jakościowa analiza stopnia i kierunku przekształceń poszczególnych elementów krajobrazu Parku w badanych okresach. W rezultacie określono procentowy poziom zmian dla danych form pokrycia terenu SPN z uwzględnieniem przejścia jednej kategorii w inną. Prace finansowane w ramach badań statutowych AGH nr 11.11.150.949.
EN
The research employed multitemporal satellite photos from 1979, 2000, and 2007 of the area of the Słowiński National Park, which is marked by its high dynamics of landscape changes. Based on the results of a supervised classification concerning three annual volumes of satellite images of the Park area, a research of the area coverage changes has been conducted, and the size of changes and direction of transformations for particular classes were determined. Using land cover maps, an analysis of cross correlation in IDRISI software was conducted, as well as a quantitative analysis of surface area changes of particular land coverage classes in certain time intervals. The calculated (pixel) volumes of changes in particular land coverage forms for the areas within the Park limits made it possible to create maps showing those areas, which in 1979÷2000 and in 1979÷2007 were subjected to transformations, as well as maps of "constant" areas. The scope of the research included a quantitative and qualitative analysis of the degree and direction of transformations of particular Park landscape elements in the examined time periods. As a result, percentage level of the changes for the area coverage forms of the Park were determined, allowing for transformations of one category into another.
PL
Informacja bezpośrednia i pośrednia dotycząca powierzchni terenu i jego pokrycia zawarta w danych skaningu laserowego może być wykorzystana do klasyfikacji form pokrycia terenu. W artykule podjęto próbę oceny przydatności tego typu danych jako źródła informacji uzupełniających wektor cech, zbudowany na podstawie obrazów lotniczych, w procesie klasyfikacji pokrycia terenu. Wykorzystano dane skanowania laserowego pozyskane za pomocą systemu ScaLARS. Przeprowadzono szereg eksperymentów numerycznych polegających na klasyfikacji fragmentu obszaru doliny rzeki Widawy za pomocą różnych algorytmów klasyfikacji oraz przy różnych kombinacjach wektora cech branych pod uwagę. W testach wykorzystano jednokierunkowe sztuczne sieci neuronowe, metodę największej wiarygodności, oraz metodę k-najbliższych sąsiadów. Porównano jakość klasyfikacji opartej o następujące cechy: wartości kanałów RGB, parametry charakteryzujące teksturę, informacje o wysokości form pokrycia terenu estymowane na podstawie numerycznego modelu terenu oraz numerycznego modelu pokrycia terenu, model charakteryzujący rozrzut wartości wysokości danych skaningu zarejestrowanych na jednostce powierzchni oraz intensywność promienia laserowego. Ilościowa ocenę dokładności oparto o macierz niezgodności, obliczana na podstawie porównania otrzymanego wyniku klasyfikacji dla wektora testowego do wzorca wykonanego manualnie metoda digitalizacji. Najlepsze wyniki klasyfikacji otrzymano za pomocą klasyfikatora neuronowego. Stwierdzono ponadto, że zastąpienie modelu numerycznego pokrycia terenu wariancja wysokości surowych danych lotniczego skaningu laserowego daje poprawne rezultaty klasyfikacji przy znacznej redukcji obliczeń.
EN
The direct and indirect information about terrain surface and land use contained in laser scanning data sets allow to provide the automatic classification of land cover. An attempt of using scanning data as a supplementary source for such classification based on aerial photos was performed in this article. A continuous-wave (CW) ScaLARS laser system was used to receive scanning data. Numerous experiments consisting in the classification of a part of Widawa River valley were carried out in order to find the best combination of data set and classification method. Three classification methods were used: multilayer neural networks, maximum likelihood classifier and k-nearest neighbour method. The classification was made and evaluated using: aerial images (RGB model), texture features, differential model of height of land cover, based on digital surface model (DSM), and digital terrain model (DTM), model of height dispersion represented by variance of measured points height in a regular grid and intensity image. In order to quantify the quality of the results, a confusion matrix was created for each testing pattern based on manual digitalized reference data. The best results are obtained by artificial neural network classifier. The use of variance of height, instead of differential model, gives satisfactory results, and the obtaining of this feature is easy and fast in comparison to DTM and DSM building process.
EN
The realisation stage of the algorithm of the system for evaluation of the electromechanical traction process from the point of view of motion disturbances with use of categories typical of artifical intelligence systems which has been presented concerns the supervised classification. Each class of the evaluation system input sampIes is represented by its own codebook vector. Non-supervised classification determines the basic class set and at the same time it defines the attachment or a input signal sample to one of the classes. At the stage of the supervised classification the classes are a priori known. The supervised classification is made on the base of the relation between the values of the evaluation indices within the classes of the process. The technical system arameters change during exploitation. The changes follow from wear of the technical system elements, they may depend on external influences and they may aIso be an effect of decisions made in the decision process. In connection with that - as the runs of typical processes as a rule differ from each other - it is assumed that so different exploitation processes are optimal from the point of view or parameters. This is a common base for comparative studies. The question under discussion is connected with creation or vector representation of sampIes in the processor system: by self-organisation, arranging of the reference vector values as well as quantisation of associated memory within subspaces of the classes. Non-supervised classification and supervised classification are the base for realisation of neuron-type processor structure intended for evaluation of electromechanical traction processes.
PL
Ocenianie elektromechanicznych procesów trakcyjnych ze względu na zaburzenia ruchu jest realizowane w samoorganizującej się procedurze rozpoznania i klasyfikacji informacji wejściowych, na podstawie pomiarów eksploatacyjnych zmiennych procesowych. Uporządkowany system przetwarzania informacji, posiadający atrybuty sztucznej inteligencji, tworzy podstawy aktywnego bezpieczeństwa mając na uwadze zagrożenia wynikające z eksploatacji transportowego systemu trakcyjnego. Klasyfikacja nadzorowana systemu oceniania elektromechanicznych procesów trakcyjnych ze względu na zaburzenia korzysta z systemu klas wyznaczanych w procedurze klasyfikacji nienadzorowanej . Klasyfikacja nadzorowana wyznacza przestrzeń realizacji wektora odniesienia (codebook vector) pamięci skojarzonej systemu oceniania. Przyjmuje się, że badane procesy, jakkolwiek różnią się od siebie, to eksploatacyjnie są podobne i parametrycznie optymalne. To określa wspólną platformę badań porównawczych. Klasyfikacja nadzorowana jest efektem oceniania ilościowych relacji próbek informacji wejściowej w klasach procesu oraz jakościowych relacji podprocesów, również w wielowymiarowych procesach trakcyjnych lokomotyw elektrycznych. Omawiane zagadnienia związane są z tworzeniem reprezentacji wektorowej próbek w systemie procesora poprzez: samoorganizację, porządkowanie wartości wektorów odniesienia oraz kwantyzację pamięci skojarzonej w podprzestrzeniach klas.
13
Content available remote Analiza obiektowa jako metoda poprawy jakości klasyfikacji
EN
A new method of object-based image classification is relevant in remote sensing and GIS. This approach allows to surmount several weaknesses of "classical" methods. It is also able to rival manual interpretation methods. The comparison of "classical" classification methods and objectbased methods was performed as a part of a project aimed at elaboration of a method of integration of archival remote sensing images for the purposes of multitemporal analyses and possibly effective utilization of images contained in database Image 2000 integrated with other archive data. Different methods of "classical" approach were compared and also some variants of object-based approach were tested. Quality assessment of image classification indicated that object-based approach allows to obtain better results than the per-pixel method. It was also found that this method has some limitations, related, inter alia, to subjectivity of the operator interpretation of satellite images. Krzysztof.Bedkowski@wl.sggw.pl
PL
Badania nad problematyką zapobiegania powodzi wymagają budowy modeli matematycznych przepływów wezbraniowych. Obliczenia hydrodynamiczne wykonywane są w oparciu o dane charakteryzujące geometrię doliny rzeki oraz opory przepływu, które zależą od pokrycia terenu. W artykule podjęto próbę wykorzystania danych lotniczego skaningu laserowego, wykonanego na potrzeby budowy numerycznego modelu terenu (NMT) dla modelowania hydrodynamicznego, do automatycznej nadzorowanej klasyfikacji pokrycia terenu. Klasyfikację tę oparto o wielowarstwowe sztuczne sieci neuronowe typu feed-forward. Wektor cech klasyfikowanych obiektów (klasyfikacja per-piksel) stanowiły dane o wysokości form pokrycia terenu, kolorowe zdjęcia lotnicze, dane charakteryzujące teksturę obszarów na zdjęciach oraz intensywność odbicia fali elektromagnetycznej skaningu laserowego. Wysokości form pokrycia terenu obliczone zostały na podstawie NMT i numerycznego modelu pokrycia terenu (NMPT) wygenerowanego z danych skaningu lotniczego. Niemetryczne zdjęcia lotnicze wykonane aparatem cyfrowym, poddane kalibracji i mozaikowaniu, stanowiły źródło informacji o jasności odbicia światła obiektów oraz były podstawą obliczeń teksturowych opartych o metodę macierzy sąsiedztwa (GLCM). Jako wektory uczące sieci neuronowej wybrano dziesięć pól testowych o powierzchni 400 m², w tym pięć klas roślinności wysokiej. Otrzymane rezultaty przedstawiono w formie graficznej oraz wykonano ilościową ocenę zgodności wyników z klasyfikacją przeprowadzoną w sposób manualny. Obliczone w tym celu wartości współczynnika κ potwierdzają dużą zgodność wyników klasyfikacji automatycznej z oczekiwanym rezultatem.
EN
Flood protection research requires building mathematic models of flood flows. Hydraulic calculations are carried out on the basis of geometrical description of the valley as well as on surface roughness which depends on a land cover. Currently, geometric description of the modeling area in the form of cross-sections is often replaced with a digital terrain model (DTM). The data which is required to build DTM can be collected with photogrammetry or the airborne laser scanning method. An attempt at using airborne laser scanning data which was made for DTM and digital surface model (DSM) interpolation, for supervised classification of land cover was discussed. The classification was based on feed-forward artificial neural networks. Two cases were investigated: variant I - overall classification using one artificial neural network with 2 hidden layers of 10 neurons and variant II - individual recognition using different networks with one hidden layer of 10 neurons for each class. The feature vector of classified object (per-pixel classification) included: data concerning vegetation height, color aerial photographs, texture features and laser wave intensities. Heights of vegetation were calculated on the basis of DTM and DSM which were created for hydrodynamic modelling. Non-metric aerial photographs were taken by digital camera. After calibration and mosaic they served as sources of information about the lightness of objects. It was also a basis of GLCM (Grey Level Co-occurrence Matrix) texture feature calculations. Ten training fields of 400 m² were chosen as training vectors. Five of them represented various types of high vegetation. The collected data were visualized and computed numerically. A Kappa (κ) coefficient built on the basis of a confusion matrix was used for the quantitative assessment. The high similarity of the obtained results and reference data was confirmed by the value of the calculated kappa coefficient. Better results were obtained for individual classification (variant II) when the kappa value was 0.86.
EN
It is the most beneficial to apply geomatics to research projects for which the spatial aspect of data is important. Tools offered by GIS improve collection of spatial data, their modifications and analysis. Moreover, when large spatial data sets of various types are considered, it becomes even more important to refer to geomatics. Simultaneous analysis of digital maps, satellite images, aerial photos, feature data base and multimedia, requires special tools which are offered by GIS software. The aim of this paper is to present an example of the application of geomatics to a research project. The project is aimed at an investigation of crop recognition on microwave satellite images. In this project, GIS software on desktop and mobile platforms were applied to spatial data collection and analysis. One of the most important tasks of the project is to classify the content of satellite images. This task is related to the collection of appropriate ground data. The classification method used in the project belongs to supervised methods. In supervised approach it is necessary to collect samples representing each class on the image. These samples allow to train the classifier and help to determine the decision boundaries in the feature space defined by satellite images. The quality of final classification results depends on how adequately these training samples are selected. In the case of crop recognition on satellite images, training samples for various crops are initially specified in the study area. Next, pixels representing selected sample areas are identified on satellite images. More than 30 training samples are needed for each crop class in order to satisfy statistical requirements. Moreover, the validation of classifier requires a set of independent validation samples. On the whole, 700 fields covered by unique crops were selected in the study area. It has been assumed that only fields with an area larger than 5 hectares can form training and validation sets. The record of crop type and several parameters characterizing crop condition or its phenological phase for each of these fields were taken during the visits to the test site. Data collection was correlated with satellite overpasses and repeated during the consecutive acquisitions of images within the whole crop growth season. The project started in 2003 and was continued in 2004 and 2005. Each year the set of sample fields was slightly different. Due to crop rotation and other farming practices, the selection of crop representation varied from one year to another. Moreover, the boundaries of some of the fields had to be modified and a full record of these modifications was kept in the project database. The initial version of field geometry was obtained by digitization of crop boundaries on a LANDSAT ETM image. This initial layer was updated during the field campaign using a palmtop with GPS receiver and ARCPad software. GIS tools helped to define the boundaries of sample fields and to register all estimated or measured parameters which characterized crops in the fields. GIS tools were used during the initial phase of the project, as well as at the subsequent steps of spatial data handling. The following tasks were completed using GIS ARCMap software: collection of spatially oriented microwave satellite images which were acquired during the crop growth season; collection of thematic maps for the study area . DTM, soil map etc.; processing of thematic maps aimed on derivation of some useful products like for example maps of slope and aspect based on DTM; management of images showing various phases of crop development in the study area; creation of the relational database which contains descriptive data referring to the fields. Crop recognition on microwave images is based on the assumption that different types of crops backscatter microwave uniquely, giving a "spectral signature". Average values of microwave response registered in satellite image within the boundaries of the training fields were used as crop signatures in the project. These signatures were calculated using zonal functions available in GIS software. Afterwards, crop signatures were assembled in the relational database and classified using other software. GIS tools were also used for the assessment of classification results. Geostatistical analysis made it possible to look for any spatial bias of crop recognition results. Geostatistical tools also help to investigate the influence of spatially distributed factors on crop classification.
EN
During the last decades the influence of industry left its trace on Polish forests worsening significantly their health condition, expressed e.g. by the defoliation degree. Direct negative influence of industrial contamination was in certain forests so high that they have been considered the zones of ecological disaster. The new Instruction of Forest Management issued in 2003 does not describe precisely the method of zone delineation . leaving a serious gap . due to which the zones determined 10 or 20 years ago are taken over by new forest management. The purpose of this paper is to point out the usefulness of application of the VHR QuickBird satellite images (04.09.2004; region of 89 km2), which is the socalled supervised classification in assisting the new method of the forest damage zones delineation. Forests of the .wierklaniec Forest Inspectorate (RDLP Katowice) surrounding the zinc and lead metallurgical plant in Miasteczko Śląskie was the region of interest. Distinct damages of stands, including even the so-called industrial turfs caused by heavy metals dust emission and toxic concentrations of gases are still visible in this region. The calibration of image was based on vector data from the Digital Forest Map and GCP (RMSXY <1.50 m) control measurements. The supervised classification (Maximum Likelihood) was performed by means of DGPS measurements in ROI. The results of classification of the QuickBird image were compared with the determined Test Areas and information in the database of the LAS/SILP system prepared during the last forest management review (2003). The obtained classification likelihood for the .FOREST. class was 92.6%, Chile for the .NON FOREST. class: 95.3%. The likelihood of the classification for individual tree species was from 82% for Scots pine (Pinus sylvestris L.) to 38% for Black alder (Alnus glutinosa L.). For industrial damage zones (II, III and IV) determined more than 10 years ago, the supervised classification allowed to establish the approximate parameter of the crown density as being: 90.37% (zone II), 90.43% (zone III) and 71.93% (zone IV . the so-called .death zone.). Detailed analyses of the selected evaluating features proved the possibility of utilizing the QuickBird image for the determination of such parameters as the crown density or the number of trees in a unit area. The value of the crown canopy oscillated from 94.9% to approximately 7.9% in the damage zone IV. The investigations have shown, beyond any doubt, that the VHR QuickBird satellite images can assist works on site and decision-making processes in delineation of new damage zones. High resolution in the region of interest and variety of radiometric information cause that the QuickBird images are valuable cartometric material, which due to the integration with other geoinformatic technologies (GPS, GIS) can be used for the verification and updating of LMN and SILP databases, including information on already existing forest damage zones.
PL
Klasyfikacja cyfrowa jest najczęściej wykorzystywanym algorytmem do tworzenia map tematycznych na podstawie zdjęć satelitarnych, np. mapy pokrycia terenu. Jednak aby wynik klasyfikacji stał się materiałem kartometrycznym, należy go poddać transformacji geometrycznej do określonego układu współrzędnych. Możliwe jest również postępowanie odwrotne, tzn. najpierw następuje wykonanie transformacji geometrycznej zdjęć oryginalnych, a dopiero potem przeprowadza się proces klasyfikacji już zgeometryzowanych zdjęć. Jednak, zważywszy na naturę cyfrowego przetwarzania obrazów rastrowych, powstaje pytanie: czy rezultaty obu postępowań będą takie same? Niniejsze opracowanie prezentuje wyniki badań nad wpływem momentu wykonywania transformacji geometrycznej zdjęć na wynik klasyfikacji nadzorowanej. Prace badawcze przeprowadzono na dwóch scenach satelitarnych zarejestrowanych przez satelitę SPOT5. Wybrane pola testowe reprezentują dwa odmienne typy krajobrazu: o gospodarstwach wielkoobszarowych oraz o rozdrobnionej strukturze agrarnej. W wyniku prac badawczych okazało się, że istnieje wpływ korekcji geometrycznej zdjęć satelitarnych na wyniki klasyfikacji, jednak bardziej istotnym elementem przetwarzania jest wybór metody ponownego próbkowania oraz rozmiar piksela deklarowanego przy próbkowaniu obrazu podczas wykonywania transformacji geometrycznej.
EN
The multispectral classification is the most common algorithm, which is applied for the creation of thematic maps (like land use / land cover maps) based on the satellite images. To obtain the final classification result having quality of cartometric material, it is requisite to carry out the geometric correction process. It's possible to realize this process in two way: first of them consists in geometric image correction and to continue by classification of image being already georeferenced yet. Second way is to classify the source image and to continue by geometric correction of the image already classified. However, knowing the image digital treatment nature, we should ask - are the both results the same or not? The presented study show the results of the researches about impact of the moment of the image geometric correction versus of multispectral classification process. This study was done at the base of SPOT5 satellite images for two test sites in Poland: Żuławy (consolidate agrarian structure) and Wyszków (fine agrarian structure). According to the results the influence of the geometric correction of satellite images on the results of multispectral classification is exist. Nevertheless, the most important element of image processing is the algorithm, which is chosen for the image resampling and the pixel size of the resampled image.
EN
An objective of the work is to demonstrate some difficulties with construction of a classifier based on the k-NN rule. The standard k-NN classifier and the parallel k-NN classifier have been chosen as the two most powerful approaches. This kind of classifiers has been applied to automatic recognition of diaphragm paralysis degree. The classifier construction consists in determination of the number of nearest neighbors, selection of features and estimation of the classification quality. Three classes of muscle pathology, including the control class, and five ventilatory parameters are taken into account. The data concern a model of the diaphragm pathology in a cat. The animals were forced to breathe in three different experimental situations: air, hypercapnic and hypoxic conditions. A separate classifier is constructed for each kind of the mentioned situations. The calculation of the misclassification rate is based on the leave one out and on the testing set method. Several computational experiments are suggested for the correct feature selection, the classifier type choice and the misclassification probability estimation.
EN
A main objective of the work was presentation of a new statistic approach to an analysis of respiration data. The breathing with intact and denervated diaphragm was compared. The respiration process was desciribed by three parameters: breathing frequency, tidal volume, and minute ventilation. Experimental data concerned a group of twelve anaesthetised cats. These data were analysed by a modification of the well-known k nearest neighbour rule (k-NN). It has been adopted from the statistical pattern recognition theory. The three ventilatory parameters were used to recognise whether we deal with the normal or the pathological case. Certain percentage of misclassifications must be taken into account. This misclassification rate is a measure how strong is the dependence between the ventilation parameters and preservation of the diaphragm innervation. The proposed method promises good differentiation of the two compared ways of respiration. It offers nearly five times smaller misclassification rate as compared with the standard k-NN rule.
first rewind previous Strona / 1 next fast forward last
JavaScript jest wyłączony w Twojej przeglądarce internetowej. Włącz go, a następnie odśwież stronę, aby móc w pełni z niej korzystać.