Multispektrale Klassifizierung

Der Grundgedanke der Multispektralen Klassifizierung ist, dass verschiedene Objektklassen (Boden, Vegetation, Wasser) unterschiedliche Reflexionseigenschaften aufweisen.

Abb. 7-15: Reflexionseigenschaften  verschiedener Objektklassen (aus Albertz, 1991)

Multispektral aufgenommene Daten unterscheiden sich deshalb für ein und dieselbe Objektklasse in den einzelnen Spektralbereichen (VIS, IR, therm. IR) sehr stark voneinander. Vegatationsloser Boden reflektiert beispielsweise  im Thermalbereich viel stärker als Vegetation, Wasser reflektiert hingegen überhaupt nicht. 
Diese Unterschiede werden bei der multispektralen Klassifizierung folgendermaßen genutzt. Es wird ein so genannter Merkmalsraum definiert, was prinzipiell nichts anderes als ein kartesisches Koordinatensystem ist, dessen Achsen die Spektralbereiche des Multispektralbildes widerspiegeln. In diesen Merkmalsraum werden die Messwerte bzw. Reflexionsgrade der Objektklassen für jeden Spektralbereich aufgetragen.

Abb. 7-16: Merkmalsraum zur Multispektral-Klassifizierung (aus Albertz, 1991)

Die Messwerte für die einzelnen Objektklassen liegen in verschiedenen Bereichen des Merkmalsraums in Form von Punkthaufen. Im Idealfall können zwischen diesen Punkthaufen eindeutige Grenzen gezogen und der Merkmalsraum so unterteilt werden. Theoretisch lässt sich danach jedes beliebige Wertetripel automatisch einer Objektklasse zuordnen. 
Die Praxis ist jedoch etwas komplizierter, da sich die Messwerte der einzelnen Objektklassen nicht ausreichend signifikant unterscheiden, sondern Berührungen und Überschneidungen auftreten. Weiterhin muss bekannt sein, welche Punkthaufen welche Objektklasse repräsentieren. Dazu werden so genannte Trainingsgebiete erstellt, das sind Referenzflächen, von denen die Zugehörigkeit zu einer Objektklasse bekannt ist. Dieses Verfahren wird Überwachte Klassifikation (supervised classification) genannt. 
Werden keine Referenzflächen benutzt, sondern wird nur nach statistischen Methoden klassifiziert, so ist dies eine Unüberwachte Klassifikation (unsupervised classification). Dabei wird die Gesamtheit der Pixel in eine Anzahl von Klassen ähnlicher spektraler Eigenschaften unterteilt, deren Bedeutung vorher nicht bekannt sein muss. Sie kann nachträglich durch Interpretation der Ergebnisse bestimmt werden. 

Im Folgenden werden verschiedene Methoden vorgestellt, um eine Überwachte Klassifikation durchzuführen.

weiter:		Klassifizierungsverfahren
zurück:		Digitale Bildauswertung - Überblick