segmentacja nieu¯ytków porolnych na obrazach satelity terra/aster

POLSKIE
TOWARZYSTWO
PRZESTRZENNEJ
Segmentacja
nieu¿ytków
porolnych na INFORMACJI
obrazach satelity
TERRA/ASTER...
ROCZNIKI GEOMATYKI 2005 m TOM III m Z ESZYT 4
63
SEGMENTACJA NIEU¯YTKÓW POROLNYCH
NA OBRAZACH SATELITY TERRA/ASTER
PRZY WYKORZYSTANIU ANALIZY KANONICZNEJ
SEGMENTATION OF ABANDONED FIELDS FROM
TERRA/ASTER IMAGES USING CANONICAL ANALYSIS
Micha³ Faryœ
Zak³ad Gleboznawstwa i Teledetekcji Gleb, Instytut Geografii Fizycznej i Kszta³towania Œrodowiska
Przyrodniczego, Uniwersytet im. A. Mickiewicza
S³owa kluczowe: teledetekcja, analiza kanoniczna, obrazy satelitarne, segmentacja
Keywords: remote sensing, canonical analysis, satellite images, segmentation
Wstêp
Na przestrzeni ostatnich kilkunastu lat, wraz ze zmianami strukturalnymi i w³asnoœciowymi obszarów rolniczych, obserwuje siê wzrost area³u nie¿ytów porolnych i od³ogów.
W 2002 roku ³¹czna powierzchnia tych obszarów wynosi³a w Polsce 14,5% (GUS, 2003)
ogólnej powierzchni gruntów ornych. Przes³anki ekonomiczne, stosowanie systemu dop³at
bezpoœrednich dla rolnictwa, wymusza opracowanie nowych, szybkich i dok³adnych metod
identyfikacji powierzchni nieu¿ytków porolnych i od³ogów. Zastosowanie metody teledetekcyjnych mo¿e wyjœæ naprzeciw tym oczekiwaniom i przynieœæ oczekiwane rezultaty.
Przetwarzanie obrazów satelitarnych obejmuje wiele procesów. Jedn¹ z istotniejszych
procedur przetwarzania obrazów satelitarnych czy lotniczych zapisanych w postaci cyfrowej jest jego podzia³ na ró¿ne regiony w celu wydzielenia obiektów spektralnych (Weeks,
1996). Mo¿e mieæ to charakter klasyfikacji czy segmentacji treœci obrazu. Wydzielone na
cyfrowych materia³ach teledetekcyjnych regiony mog¹ przedstawiaæ obiekty spektralne lub
nie mieæ odniesienia w treœci obrazu multispektalnego. Przyk³adem wydzielenia nie maj¹cego
odniesienia do treœci obrazu i spe³niaj¹cego drug¹ w³asnoœæ mog¹ byæ szumy (Lira, 2002).
Podzia³ obrazu na regiony jest istotnym etapem przetwarzania cyfrowego obrazu, pozwala
na dokonywanie transformacji poœrednich, których celem jest poprawna analiza i interpretacja zdjêcia cyfrowego. Dziêki metodom podzia³u obrazów, mo¿na oddzieliæ obiekty zainteresowania od pozosta³ej informacji obrazu multispektalnego (Lira, 1998).
Analiza kanoniczna jest odmian¹ analizy g³ównych sk³adowych, zwana jest równie¿ transformacj¹ Karhunena-Leovena (KL), Hottelinga, czy te¿ transformacj¹ wektora w³asnego
(eigenvector). Istot¹ tej analizy i zarazem cech¹ charakterystyczn¹ jest to, ¿e zawiera informacje statystyczne o klasach tej transformacji (Richards, 1999). W wyniku analizy kanonicznej generowana jest nowa przestrzeñ, gdzie klasy, o których dostarcza siê informacje,
64
Micha³ Faryœ
maj¹ maksymaln¹ roz³¹cznoœæ (Lira, 2002). Zastosowanie analizy kanonicznej w teledetekcji
s³u¿y do redukcji i selekcji charakterystyk spektralnych, poprzez rozk³ad wartoœci wzd³u¿
nowych osi wspó³rzêdnych w taki sposób, ¿e wydzielone obiekty s¹ wobec siebie roz³¹czne.
Celem pracy jest sprawdzenie przydatnoœci zastosowania analizy kanonicznej, do informacji
zawartych w kana³ach satelity TERRA/ASTER, do wydzielenia obszarów nieu¿ytków porolnych z treœci obrazu satelitarnego.
Prezentowane rozwi¹zanie metodyczne zosta³o opracowane w laboratorium teledetekcji
Instytutu Geofizyki UNAM w Meksyku i wstêpnie da³o dobre rezultaty przy segmentacji gleb
s³onych z sol¹ na powierzchni oraz powierzchni wodnych.
Metodologia
Zaproponowane rozwi¹zanie metodologiczne bazuje na propozycji sformu³owanej przez
J. Lirê i zespó³. Celem postêpowania jest wydzielenie klasy odpowiadaj¹cym obiektom zainteresowania od reszty obrazu.
Przy wyodrêbnianiu obiektów poddawanych segmentacji, nale¿y tak postêpowaæ, ¿eby
zdefiniowane klasy spektralne by³y jak najbardziej kompaktowe, to znaczy o minimalnym
rozproszeniu wartoœci spektralnych i maksymalnym oddzieleniu miedzy nimi, czyli ¿eby
posiada³y maksymalne wartoœci odchylenia standardowego miêdzy klasami (Lira, 2002a).
Segmentacja nieu¿ytków porolnych, jako obiektów spektralnych, z treœci obrazy satelity
TERRA/ASTER przebiega w kilku etapach. Na obrazie multispektralnym wyznacza siê dwie
klasy. Pierwsz¹ stanowi analizowany obiekt spektralny, zidentyfikowany nieu¿ytek porolny
czy od³óg, drug¹ pozosta³a treœæ obrazu. Obiekty na obrazach satelitarnych mog¹ byæ wydzielane na podstawie poziomów szaroœci pikseli lub przez granice miêdzy obiektem i t³em
obrazu. W opisywanej procedurze obiekty spektralne, jakimi s¹ nieu¿ytki porolne, s¹ wydzielone jako poligon utworzony przez reprezentatywn¹ liczbê pikseli, przedstawiaj¹cych statystycznie istotn¹ populacjê.
Segmentacja polega³a na sporz¹dzeniu bitmapy i mia³a nastêpuj¹cy przebieg.
m Wyznaczano na obrazie obiekt spektralny przez wizualn¹ interpretacjê obrazu multispektralnego. Obiekt ten tworzy³ poligon. Ze wzglêdu na nisk¹ czystoœæ spektraln¹
oraz zró¿nicowanie rodzajów nieu¿ytków, konieczne by³o wydzielenie kilku obiektów.
Utworzono kilka poligonów zawieraj¹cych zbiór pikseli reprezentuj¹cych spektralny
rozk³ad jasnoœci obiektów.
m Dla ka¿dego z wyznaczonych poligonów odpowiadaj¹cych wy³anianym obiektom
wykonano analizê kanoniczn¹. Liczba poligonów jest zale¿na od zmiennoœci jasnoœci
pikseli w danym zbiorze. Dlatego wa¿ne by³o przeanalizowanie histogramu ka¿dego
poligonu zawieraj¹cego wydzielany obiekt.
m Do analizy kanonicznej wziêto kana³y VNIR o d³ugoœci fal z przedzia³u od 0,52 do
0,86 µm oraz SWIR (1,60–2,43 µm). Ze wzglêdu na zmienn¹ rozdzielczoœæ naziemn¹
tych dwóch grup kana³ów dokonano resamplingu. Zmieniono rozdzielczoœæ kana³ów
od 4 do 9 na 15 m.
m W wyniku zastosowania analizy kanonicznej otrzymano wartoœci g³ównych sk³adowych, które pos³u¿y³y za podstawê do dalszych analiz. Wykorzystano tylko te kolejne
g³ówne sk³adowe, w których suma zawartych informacji przekracza³a 90%. By³y to
pierwsze trzy kana³y syntetyczne.
Segmentacja nieu¿ytków porolnych na obrazach satelity TERRA/ASTER...
65
Wykonano analizê klas obiektów (klastrów). Do realizacji tego celu wybrano algorytm
ISODATA ze wzglêdu na mo¿liwoœæ podzielenia chmur pikseli na liczne klasy. Przy
zastosowaniu tego algorytmu istnieje równie¿ mo¿liwoœæ ³atwego ³¹czenia klas lub ich
eliminowania w przypadku nieistotnej licznoœci. Mo¿na te¿ dopasowywaæ metod¹
prób i b³êdów liczbê wyjœciow¹ klas, jak równie¿ definiowaæ maksymaln¹ i minimaln¹
liczbê klas.
m Sklasyfikowany automatycznie obraz, sk³adaj¹cy siê najczêœciej z 30 klas, poddawany zostawa³ interpretacji polegaj¹cej na ³¹czeniu otrzymanych klas ze sob¹ w celu
oddzielenia obszarów odpowiadaj¹cych analizowanym obiektom spektralnym od reszty
treœci obrazu.
m Stworzono bitmapê, dla której wartoœæ jeden opowiada wybranej grupie nieu¿ytków
porolnych, a wartoœæ zero pozosta³ym elementom obrazu multispektralnego.
Analizê kanoniczn¹ zastosowano w celu zmniejszenia wymiarowoœci obrazu. Jest to dekompozycja obrazu multispektalnego za pomoc¹ transformacji grupy danych, któr¹ stosuje siê
symultanicznie dla wszystkich kana³ów tworz¹cych obraz. W wyniku tego postêpowania otrzymuje siê równie¿ obraz multispektalny utworzony z kana³ów nieskorelowanych miêdzy sob¹.
Informacja zawarta w tych kana³ach nie jest dostêpna w kana³ach oryginalnych.
Przetwarzanie obrazów wykonano stosuj¹c program Microimages TNTMips.
m
Obszar badañ
Obszar wybrany do analizy znajduje siê w zachodniej czêœci Niziny Wielkopolskiej, w
po³udniowo-zachodniej czêœci powiatu nowotomyskiego, na pograniczu województw wielkopolskiego i lubuskiego. Z danych statystycznych GUS wynika, ¿e 6018 ha w badanym
powiecie stanowi¹ nieu¿ytki porolne i od³ogi. Natomiast w s¹siednim woj. lubuskim 31%
area³u gruntów ornych stanowi³y powierzchnie wy³¹czone z u¿ytkowania rolniczego (GUS,
2003). Jest to jeden z najwiêkszych udzia³ów tych powierzchni w kraju.
Wspó³rzêdne geograficzne terenu przestawionego na obrazie satelitarnym wynosz¹ odpowiednio: 52°15’04” N, 16o10’20” E (pn.- zach. naro¿nik) i 52°02’41” N, 16o00’16”E
(pd.-wsch. naro¿nik). Obszar zdjêcia obejmuje po 1304 piksele w 1529 liniach, co stanowi
19,56 km x 22,93 km (rys. 1).
Przeprowadzono segmentacjê na dwóch obrazach, wykonanych w nastêpuj¹cych datach: 31.10.2001 r. oraz 11.05.2002 r.
W analizowanym przypadku wybrano cztery rodzaje nieu¿ytków i od³ogów porolnych.
Wydzielone obszary zosta³y zlokalizowane na mapie glebowo rolniczej w skali 1:25 000 i
scharakteryzowane na jej podstawie oraz w trakcie badañ terenowych.
Na obrazie multispektralnym satelity TERRA/ASTER wyznaczono dwie klasy. Pierwsz¹
stanowi analizowany obiekt spektralny – nieu¿ytki porolne – drug¹ pozosta³¹ treœæ obrazu.
Liczba poligonów jest zale¿na od zmiennoœci jasnoœci pikseli w danym zbiorze. Dlatego
wa¿ne by³o przeanalizowanie histogramu ka¿dego poligonu zawieraj¹cego wydzielany obiekt.
Stworzono po dwa poligony dla ka¿dego nieu¿ytku zawieraj¹ce zbiór pikseli reprezentuj¹cych spektralny rozk³ad jasnoœci obiektów w celu odzwierciedlenia ró¿norodnoœci badanych
obiektów. Analizê kanoniczn¹ zastosowano dla ka¿dego z wyznaczonych poligonów opowiadaj¹cych wy³anianym powierzchniom testowym nieu¿ytków.
Micha³ Faryœ
66
Wyniki
Segmentacja nieu¿ytków porolnych z zastosowaniem analizy kanonicznej na obrazach satelity TERRA/ASTER zosta³a przeprowadzona dla 4 typów nieu¿ytków i ugorów zidentyfikowanych w terenie i scharakteryzowanych na podstawie map glebowo rolniczych (tab. 1). Wybrane do badañ nieu¿ytki znajduj¹ siê
Tabe la 1. Charakte rys tyka wybranych pól te s towych
na glebach s³abych, zaliczanych do
Nieu¿ytek
Kompleks
Typ
Sekwencja
Roœlinnoœæ
7 i 9 kompleksu rolniczej przydatporolny
rolniczej
gleby
uziarnienia
aktualna
noœci: ¿ytniego bardzo s³abego i
przydatnoœci
zbo¿owo-pastewnego s³abego. S¹
N_1
7
Bw
pl
murawa
to gleby rdzawe oraz murszowokserotermiczna
mineralne, utworzone z materia³ów
z naw³oci¹
piaszczystych, piasków s³abo gliN_2
7
Bw
ps.pl
murawa
niastych oraz piasków luŸnych.
kserotermiczna
Roœlinnoœæ porastaj¹ca te gleby to
N_3
9
M
ps.pl
murawa
murawy kserotermiczne z nalotem
kserotermiczna
drzew (N_3) czy dominacj¹ naz nalotem
drzew
w³oci jak w przypadku N_1, czy
N_4
7
M
pl
murawa
brakiem wyraŸnie dominuj¹cej rokserotermiczna
œlinnoœci jak w przypadku N_2 i
N_4.
Opisane w metodologii procedury zastosowano oddzielnie dla ka¿dego z czterech nieu¿ytków porolnych oraz dla wszystkich ³¹cznie. Przeprowadzono analizy oddzielnie dla obrazu z 31.10.2001 r. oraz obrazu z 11.05.2002 r. Takie postêpowanie pozwoli³o zweryfikowaæ otrzymywane rezultaty na poszczególnych etapach i odrzuciæ te, które nie przynosi³y
potwierdzenia w terenie.
W wyniku zastosowania analizy kanonicznej dla ka¿dego nieu¿ytku otrzymano rozk³ad
wartoœci w³asnej (eigenvalue). Otrzymane wartoœci przedstawiono w tabeli 2.
Tabe la 2. Proce nt wartoœ ci w³as ne j w pos zcze gólnych kana³ach dla nie u¿ytków N _1, N _2, N _3, N _4
oraz ws zys tkich raze m, N _1 – N _4 na analizowanych obrazach
Obraz z 31.10.2001 r.
Obraz z 11.05.2002 r.
Kana³
N_1
N_2
N_3
N_4
N_1- N_4
N_1
N_2
N_3
N_4
N_1- N_4
1
8 2 ,4 5 5 7
7 1 ,4 2 5 4
6 2 ,2 6 1 2
7 4 ,8 9 8 5
7 8 ,0 4 6 4
7 7 ,5 8 3 2
5 2 ,3 0 7 8
61,1117
6 4 ,3 7 7 2
6 5 ,5 7 0 7
2
11,8576
1 5 ,7 1 7 4
2 9 ,4 9 0 9
1 9 ,1 9 5 5
1 6 ,5 4 6 3
9 ,9 8 5 6
3 3 ,2 3 6 0
1 5 ,5 8 2 0
2 7 ,2 5 0 9
2 5 ,1 3 3 1
3
4 ,0 2 2 2
8 ,3 9 5 2
5 ,8 8 8 6
2 ,4 7 3 5
3 ,4 1 3 0
4 ,9 2 9 9
7 ,6 7 6 7
6 ,0 5 3 5
3 ,1 6 3 3
6 ,4 5 2 8
4
0,6023
1,5083
0,8858
1,0283
1,0145
2 , 17 4 1
2,6152
4,3615
2,7536
0,6342
5
0,5594
1,3769
0,5187
0,9502
0,3738
1,7627
1,2642
3,8464
1,7105
0,6208
6
0,3162
0,8169
0,3449
0,8177
0,2188
1,4490
1,1881
3,2955
0 , 7 5 16
0,4852
7
0,1497
0,7750
0,2663
0,2575
0,1722
1,0376
0,5447
2,8938
0,3959
0,4468
8
0,0259
0,4307
0,1883
0,2385
0,1225
0,7781
0,2323
1,9123
0,1717
0,4040
9
0,0109
0,1272
0,1552
0,1403
0,0926
0,2998
0,9350
0,9433
0,4253
0,2523
Segmentacja nieu¿ytków porolnych na obrazach satelity TERRA/ASTER...
67
Syntetyczne kana³y pos³u¿y³y dla sporz¹dzenia mapy dwubitowej, gdzie wartoœæ jeden
odpowiada klasie nieu¿ytków a zero pozosta³ym komponentom œrodowiska przedstawionym
na wybranym fragmencie obrazu satelitarnego. Mapa zosta³a wykonana na postawie klasyfikacji nienadzorowanej. Dla algorytmu ISODATA wprowadzono nastêpuj¹ce parametry: maksymalna liczba iteracji: 20, liczba klas: 30, odchylenie standardowe: 1. Kana³y wprowadzane
do algorytmu zosta³y przedstawione w tabeli 2 pogrubion¹ czcionk¹. W kana³ach tych jest
zgromadzone œrednio ponad 95% informacji spektralnej o badanym terenie.
Wyniki klasyfikacji analizowano na podstawie dendrogramu (rys. 2.) oraz stopnia pokrycia klas otrzymanych po klasyfikacji ISODATA, z wyznaczonymi poligonami, odpowiadaj¹cymi typom nieu¿ytków. Na rysunku 3 przedstawiono poligon odpowiadaj¹cy nieu¿ytkowi
N_1. Wynik zastosowanej klasyfikacji nienadzorowanej na podstawie analizy kanonicznej
przedstawiono na rysunku 4. Jedna klasa pokrywa w 100% powierzchniê wyznaczonego
nieu¿ytku. W pozosta³ych przypadkach sytuacja by³a analogiczna do opisanej. Jedynie najmniejsza korelacja miedzy wyznaczonym poligonem a otrzyman¹ mask¹ dla ca³ego obszaru
wystêpowa³a dla nieu¿ytku na glebie s³abej, poroœniêtego muraw¹ kserotermiczn¹ z nalotem
drzew: N_3. Dla tego nieu¿ytku porolnego wystêpowa³o du¿e podobieñstwo miedzy klas¹
koresponduj¹c¹ z powierzchni¹ poligonu testowego a otaczaj¹cymi j¹ lasami, dlatego te¿
poprawna segmentacja tego nieu¿ytku by³a utrudniona.
Po przeanalizowaniu segmentacji dla ka¿dego nieu¿ytku oddzielnie przeprowadzono segmentacjê dla wszystkich powierzchni ³¹cznie. Jako wynik otrzymano obraz (rys. 5), na
którym barw¹ czarn¹ przedstawiono t³o a pozosta³e barwy przedstawiaj¹ nieu¿ytki. Obraz
powsta³ z po³¹czenia maski otrzymanej przy zastosowaniu wartoœci w³asnej do klasyfikacji
nienadzorowanej metod¹ ISODATA, t³o barwne jest wynikiem kompozycji RGB z trzech
pierwszych g³ównych sk³adowych CP2CP1CP3.
W kolejnym etapie badañ przeœledzono wyniki segmentacji na obrazach tego samego obszaru,
wykonanych w ró¿nych datach: 31.10.2001 r. oraz 11.05.2002 r. Na podstawie otrzymanych
analiz statystycznych i weryfikacji terenowej stwierdzono, ¿e zastosowana metoda przynosi bardzo dobre rezultaty dla obrazu z maja. Obraz wykonany w paŸdzierniku nie daje oczekiwanych
wyników, odzwierciedlaj¹cych stan œrodowiska. Nie mo¿na w tym okresie, przy wykorzystaniu
analizy kanonicznej, dokonaæ w³aœciwej segmentacji nieu¿ytków. Jest to spowodowane du¿ym
podobieñstwem spektralnym komponentów œrodowiska wystêpuj¹cych w analizowanym krajobrazie. Na rysunku 6 przedstawiono wyniki segmentacji na obrazie satelity TERRA/ASTER z
31.10.2001 r. Natomiast zobrazowanie wykonane w maju (11.05.2002 r.) jest w³aœciwe do przeprowadzenia segmentacji przy zastosowaniu analizy kanonicznej. Wynika to miêdzy innymi z
wiêkszej biomasy roœlin na polach i nieu¿ytkach, wiêkszego zró¿nicowania gatunkowego roœlin a
w konsekwencji obserwuje siê wiêkszy kontrast spektralny miedzy obiektami.
Na podstawie dendrogramów
klasyfikacyjnych stwierdzono, ¿e
powierzchnia nieu¿ytków na badanym obszarze wynosi odpowiednio: N_1 2,09%, N_2 1,86%
N_3 0,94%, N_4 0,61%. Procentowy udzia³ wszystkich nieu¿ytków na badanym terenie wynosi
5,5% powierzchni przedstawionej
Rys. 7. Dendrogram klasyfikacji obrazu z 11.05. 2002 r.
dla wszystkich rodzajów nieu¿ytków
na wybranym fragmencie obrazu
68
Micha³ Faryœ
satelitarnego. Stopieñ roz³¹cznoœci miedzy nieu¿ytkami a wszystkimi pozosta³ymi obiektami
spektralnymi na obrazie satelity TERRA/ASTER z 31.10.2001r wynosi 11,83 (rys. 7).
Wnioski
Zastosowanie opisanych procedur do segmentacji nieu¿ytków porolnych na obrazach
satelitarnych TERRA/ASTER zbadano na kilku poligonach. Wybrane obiekty ró¿ni¹ siê od
siebie w³aœciwoœciami spektralnymi. Prezentowana metoda przynosi pozytywne rezultaty.
Segmentacja przy wykorzystaniu analizy kanonicznej pozwala na wydzielenie nieu¿ytków
porolnych na obrazach multispektralnyh satelity TERRA/ASTER oraz daje mo¿liwoœæ iloœciowego okreœlenia ich powierzchni. Jej zalet¹ jest ³atwoœæ zastosowania.
W przysz³oœci nale¿y przeprowadziæ badania terenowe polegaj¹ce na inwentaryzacji nieu¿ytków i skorelowaæ dane polowe z obrazami pokrywaj¹cymi siê dat¹ z okresem badañ
terenowych. Takie postêpowanie pozwoli na oszacowanie iloœciowe ewentualnego b³êdu
zastosowanej metody.
Literatura
Lira, J. Maletti, G., 2002a: A supervised contextual classifier based on a region-growth algorithm. Computers
& Geosciences, 28, str. 951-959.
Lira, J., 2002: Introducción al tratamiento digital de imágenes. Instituto Politécnico Nacional, UNAM, Fono
de Cultura Económica, México, DF.
Lira, J., Frulla, L., 1998: An Automated Region Gowing Algoithm for Segmentation of Texture Regions in SAR
Images. International Journal of Remote Sensing, vol. 19, str. 3595-3606.
Richards, J.A., Jia, X., 1999: Remote Sensing Digital Analysis, Springer-Verlag, Berlin.
Wa¿niejsze dane o podregionach, powiatach i gminach województwa poznañskiego, 2003 GUS, Warszawa.
Weeks, A., 1996:Fundamentals of Electronic Image Processing, Wiley-IEEE Press.
Summary
In 2002, total area of abandoned fields and fallow fields in Poland amounted to ca 14% of the total area
of arable fields. Economic reasons, the application of direct subsidies in agriculture, make it necessary
to develop new, fast and accurate methods of identification of areas of abandoned and fallow fields. The
use of the remote sensing method may bring desired effects. The aim of this paper is to test the
suitability of using the canonical analysis, on the basis of information included in the channels of the
TERRA/ASTER satellite in order to segment areas of abandoned fields from the contents of satellite
images. The canonical analysis, in the form of decomposition of main constituents, may bring good
results as a tool to separate single class spectral objects. The results of the canonical analysis were
used as output data to analyze clusters in order to create a bitmap. The ISODATA algorithm was used
to classify images. The obtained classes were connected so as to create a binary image where the value
of one refers to the location of a spectral object, while the value of zero refers to the remaining content
of the image. TNTMips software was used for the digital processing of images.
dr Micha³ Faryœ
[email protected]
http://ztg.amu.edu.pl/
Segmentacja nieu¿ytków porolnych na obrazach satelity TERRA/ASTER...
Rys. 1. Kompozycja w barwach fa³szywych z trzech pierwszych g³ównych
sk³adowych: CP3CP2CP1
69
Rys. 2. Dendrogram klasyfikacji obrazu z 31.12. 2001 r.
dla wszystkich klas; wynik zastosowania ISODATA
70
Micha³ Faryœ
Rys. 3. Maska odpowiadaj¹ca
poligonowi N_1
Rys. 4. Rezultat zastosowania klasyfikacji
ISODATA dla nieu¿ytku N_1; jedna klasa
pokrywa powierzchniê pola testowego
Rys. 5. Bitmapa z wydzielonymi
powierzchniami nieu¿ytków porolnych
na obrazie z 11.05.2002 r.
Rys. 6. Bitmapa z wydzielonymi powierzchniami
nieu¿ytków porolnych
na obrazie z 31.10.2001 r.