Image Classification
?
PROSES MENDAPATKAN ATAU MENDERIVASI
INFORMASI DARI CITRA
KELAS / KATEGORI APA
Permukaan tanah
diperkeras Vegetasi lebat
Air (waterbody)
Vegetasi jarang
PAN
KOMPOSIT
2
KELAS / KATEGORI APA
Bagaimana
mengkelaskannya?
3
Tujuan Utama dalam PJJ
Mendapatkan data/informasi yang dibutuhkan oleh
pengguna (dari data PJJ)
Dari 8 bit data pada citra komposit akan terdapat
sebanyak 16 juta warna, 224 =16,7 juta ??? - SULIT DIEVALUASI
SECARA LANGSUNG – perlu KLASIFIKASI
Mengelompokkan obyek atau fenomena yang ada di
permukaan bumi dari jumlahnya yang sangat besar
menjadi hanya BEBERAPA kelas yang mudah dianalisis
(PENYEDERHANAAN)
4
Apa yang perlu dilakukan oleh analis untuk
mendapatkan hasil klasifikasi yang akurat?
5
I. SKEMA KELAS
Ini TAHAP PENTING apa yg ingin diperoleh
dari data:
• Berdasarkan apa yang direkam oleh sensor
• berdasarkan apa yang dapat diukur dari
tutupan lahan (bukan penggunaan lahan)
6
SKEMA KELAS / Kategori
Syarat2 skema kelas/kategori
HARUS:
1. Exhausitive: harus membagi habis seluruh tutupan lahan yang ada pada
citra
2. Mutually exclusive, jika mengikuti diagram pohon maka semua kelas
akhirnya dapat digabung atau dimerge menjadi satu kelas . Kelas apapun
dapat dijadikan satu kelas.
3. Mempunyai label dan mempunyai aturan pemberian label
Sebaiknya
4. Hirarkis: kelas-kelas disusun secara hirarkis (diagram
pohon)
7
Contoh kelas
Air Hirarkis? YA – bisa dijadikan 4
kelas saja
Batu2an dan tanah
Belukar
Exhaustive? NO – rumput? Lahan
Hutan kosong
Hardwood diperkeras/aspal -
Rapat Masuk kemana?
Sedang
Jarang Mutually NO – Apa itu
Softwood
Rapat
exclusive? pemudaan? Tidak
Sedang
setingkat dengan
Jarang
softwood/hardwood
Permudaan Aturan NO – Tidak ada kriteria
lebeling? yang jelas antara
rapat, sedang dan
jarang 8
BANDINGKAN DENGAN KELAS INI
Badan2 Air
Lahan terbuka (tanah
Hirarkis?
kosong dg atau tanpa
pengerasan, Exhaustive?
bangunan2)
Pd rumput
Semak/Belukar
Hutan
Hardwood
Rapat (CC > 75%)
Sedang (CC 33-
Mutually exclusive?
74%)
Jarang (CC<33%)
Softwood
Rapat (CC > 75%)
Sedang (CC 33-
74%) Aturan lebeling?
Jarang (CC<33%)
9
SKEMA KELAS KELAS YANG DIBUAT HARUS MEMBAGI HABIS SEMUA
TUTUPAN LAHAN YANG ADA
BUMI
Orchards/
Hardwood Semak/blkr Paddy f Fruit trees
Mixwood Softwood LEVEL II
11
Field form (tally sheet)
Untuk meyakinkan konsistensi (consistency), keterwakilan
(thoroughness) dan pertanggungjawaban (accountability)
Isi field form: Posisi slope: punggung/ b atas/
Lokasi: b tengah/ b bawah/ lembah/
Tgl…..
datar
No plot…….
Persen CC…
Tipe tutupan……..
Pengamatan: seedling/ sapling/
pole/ pohon
Pengamat…….
Lahan: tergenang / tidk
Unsup: cluster…..
tergenang / kadang2 tergenang
Slope….%
Aspek…..
Elevasi…..
12
III. Mengetahui respon spektral
Mengetahui respon setiap tutupan secara umum
Mengetahui karakter tutupan dan respon spektralnya
pada setiap band (panjang gelombang)
Mengetahui pengaruh faktor2 luar: shadow, shaded area,
haze, smoke, cloud, musim dsb)
13
IV. Mampu membuat hubungan antara tutupan
lahan dengan sifat2 spektralnya
Klasifikasi: manual vs dijital
Klasifikasi dijital dapat dilakukan dengan 2
pendekatan:
Supervised c. (Klasifikasi Terbimbing)
Unsupervised c. (clustering: K. Tidak
Terbimbing)
14
Interpretasi citra digital
Ada 2 pendekatan:
Pendekatan kualitatif (photointerpretation atau image
interpretation). Memerlukan seorang analis untuk mengektraksi
informasi dari citra melalui inspeksi visual (memerlukan interaksi
interpreter secara langsung, perlu pengambil keputusan yang
tinggi, bagus untuk evaluasi spasial – tetapi kurang bagus untuk
akurasi kuantitatif)
Pendekatan kuantitatif (quantitatif analysis) – menggunakan
komputer untuk memeriksa setiap piksel atau dari citra, dan
mengevaluasinya berdasarkan atribut kuantitatif dari setiap piksel.
Hanya sedikit interaksi manusia (analis).
Perlu buat prototipe, melakukan labelling – sebagian besar mengg. Komputer,
Analis – setting algoritme & membuat prototipe
15
ANALISIS VISUAL
DETEKSI – IDENTIFIKASI – menggunakan
karakter:
SPASIAL, SPEKTRAL & TEMPORAL (tergantung
skill analis dlm interpretasi)
SPASIAL: bentuk-ukuran, orientasi dan tekstur
SPEKTRAL: ref landcover mpk fungsi dari kand.
Khlorofil, biomasa, struktur sel daun/batang,
kand kadar air etc.
TEMPORAL: musim- wetness & dryness
Elemen diagnostik penafsiran: tone/warna,
ukuran, bentuk, tekstur, pola, lokasi dan
asosiasi, bayangan
16
KEBERHASILAN ANALISIS VISUAL
TERGANTUNG PADA KEMAMPUAN (SKILL & KNOWLEDGE) DARI
INTERPRETER ATAU ANALIS DALAM MENGGUNAKAN ELEMEN-
ELEMEN SPASIAL, SPEKTRAL DAN TEMPORAL DARI CITRA
17
KEGIATAN MENDASAR ANALISIS CITRA: DETEKSI,
IDENTIFIKASI, MENGUKUR & MEMBERIKAN SOLUSI
A. KUALITATIF A. KUANTITATIF
fakta keputusan
Elemen penaf: Symbolic reasoning
tone/warna, bentuk,
ukurn, teksttur, pola,
tinggi, bayangan, lokasi
& asosiasi
18
KARAKTER KELAS
SPEKTRAL - SPASIAL – TEMPORAL
19
Analisis Kualitatif vs Kuantitatif
Interpretasi /klasifikasi oleh interpreter Analisis / klasifikasi oleh kumputer
Pada skala yang relatif besar Pada skala ukuran piksel
dibandingkan dengan ukuran
pikselnya
Analisis multispektral yang terbatas Analisis multispektral penuh
(maks 3 band/saluran)
Akurasi estimasi luasan yang rendah Akurasi luasan yang tinggi
ProdukMultispektral Multispektral
Single data Single data
21
KLASIFIKASI
PROSES MENYORTIR ATAU MENGELOMPOKKAN PIKSEL-PIKSEL KEDALAM KELAS-
KELAS ATAU KATEGORI YANG TELAH DITENTUKAN BERDASARKAN NILAI
KECERAHAN YANG BERSANGKUTAN
Classification is the process of sorting pixels into a finite number of
individual classes, or categories of data, based on their data file values. If a
pixel satisfies a certain set of criteria, then the pixel is assigned to the class
that corresponds to that criteria
ProdukMultispektral Multispektral
Single data Single data
22
STATISTIK DATA DIJITAL
DATA DIJITAL: dapat memberikan karakteristik spesifik
setiap band secara numerik dalam bentuk nilai DN (BV)
DATA NUMERIK: bermanfaat u/ memberikan infor statistik
untuk peubah tunggal maupun ganda
23
Data statistik citra dijital:
band tunggal - Univariate
Nilai minimum
Nilai maksimum
MIR
Nilai rata-rata
(tengah)
Mean: 94.8
Simpangan baku STD: 30.7
(Standard deviasi)
Frekwensi
31 157
24
DATA STATISTIK CITRA: SPOT 5
GREEN
RED
Mean: 58..4
STD: 18.5 Mean: 47.3
STD: 20.3
45 86 29 89
NIR MIR
Mean: 68.9 Mean: 94.8
STD: 21.8 STD: 30.7
27 117 31 157
26
Pengkajian nilai statistik DN dari citra
Data statistik: dapat memberikan data statistik
spesifik dari citra masing2 band secara kuantitatif
Data piktorial hanya untuk interpretasi
Informasi spesifik citra tunggal (Univariate of DN):
Nilai Minimum – Nilai maksimum
Standar deviasi – Nilai Tengah - Frequency
Informasi citra Komposit (Multivariate of DN)
Vector of mean
Ragam –peragam (Variance-covariance)
Koefisien korelasi
Manfaat:
Pemilihan band (feature selection)
Evaluasi redundancy data
Klasifikasi (separabilitas)
27
Data statistik citra dijital multiband
Manfaat statistik multiband (peubah ganda):
1. Mengetahui redundancy: KORELASI TINGGI ~ menyatakan
redundancy (r tinggi), cari yang korelasinya rendah agar variasi tinggi
2. Mengetahui kualitas informasi: COVARIANCE: MPK JOINT MEASURE
ANTAR BAND TERHADAP RATA2 UMUMNYA (COMMON MEAN) –
Variance/covar tinggi ~ KUALITAS INFORMASI bagus
3. Mengetahui karakteristik kelas/tutupan lahan:
Misalnya
1. DN band NIR > RED VEGETASI LEBAT
2. DN NIR < RED VEGETASI JARANG
3. DN NIR & RED rendah lahan basah
4. DN NIR & RED tinggi lahan kering
28
Notasi statistik
X = vektor kolom dari x1,….. Xn
µ=
mi= k vektor kolom dari rata2 untuk kelas ke i
Matrik ragam-peragam untuk kelas ke i= i = Ci
Ragami = SSx / (n-1)
Peragam = SPx / (n-1)
29
STATISTIK
COVAR (SUM OF PRODUCT)
SPkl = (DNik – µk)(DNik-µl)
= (DNikDNil) – (DNikDNil)/n
Korelasi
Rkl = SPkl / (SSk SSl)0.5
Batas akhir kuliah tg 14/11/05
30
NOTASI
X = X1 X - mi = X1– m1i
X2
X2 – mni
.. TRANSPOSE
XN ..
XN – mni
ni………………… ni
T = transpose matrik/vektor – lajur/kolom jadi baris, baris jadi lajur/kolom 31
ANALISIS KUANTITATIF
Supervised classification
(Klasifikasi terbimbing) Analis
melakukan pengambilan contoh untuk
setiap setiap cover yang akan dianalisis
Unsupervised classification
(Klasifikasi tidak terbimbing
Tanpa bantuan/informasi pendahuluan
32
Supervised VS Unsupervised Classification
REKTIFIKASI REKTIFIKASI
ANALISIS SEPARABILITAS
EVALUASI KELAS
EVALUASI KELAS
(DENDROGRAM)
KLASIFIKASI CITRA
KLASIFIKASI CITRA
K. TERBIMBING
1. Kemungkinan/peluang maksimum (Maximum Likelihood
Classifier)
2. Parallelepiped/ multilevelsliced/ Box classifier
3. Jarak Minimum (Minimum distance)
K. TIDAK TERBIMBING
1. Mahalanobis Distance
2. Euclidean Distance
3. Minkowsky Distance (Interpoint)
34
KLASIFIKASI TERBIMBING (SUPERVISED CLASSIFICATION)
Kelas2/kategori yang akan dibuat CLASS SIGNATURE:
ditentukan oleh analis – mengg. penciri dari kelas
Training area
Tergantung algoritme:
Sejumlah piksel yg mpk Maximum likelihood c.:
PROTOTIPE dari masing2 vektor rata2, ragam –
kelas peragam, peluang
pendahuluan (prior
probability)
Asumsi: Parallelepiped
Variasi pola peubah ganda DN c./multilevelsliced c:
mempunyai hubungan yang minimum, maksimum atau
sangat erat dengan kondisi
penutupan lahan rata2 dan standar deviasi)
Penutupan yang sama akan Minimum Distance
mempunyai reflektansi yang (Jarak Euclidean) :
sama (DN yg sama) dimana vektor rata2.
pun berada), shg nilai statistik Mahalanobis Distance (J.
DN dari suatu set piksel dpat Mahalanobis), vektor rata2
digunakan untuk
mendefinisikan “decision rule” dan ragam-peragam
dlm klasifikasi
35
BENTUK TRAINING AREA
TIDAK BAIK JUMLAH PIKSEL MINIMAL N+1 agar
matrik tidak singular (matrik kebalikan
tidak bisa dihitung)
BAIK
TIDAK BAIK
36
1
Nilai pixel per band
Klasifikasi Citra
2 Kode kelas pd citra terklasifikasi
3
4 KLASIFIKASI
37
Masing2 kelas dimodelkan dg MULTIDIMENSIONAL NORMAL
distribusi normal: mean DISTRIBUTION
vector & varcovar
MIR
NIR
Tanah
kosong
vegetasi
x
Masuk ke kelas mana
piksel ini
Air
Tergantung pada
R
peluangnya masuk ke
masing2 kelas
1 t 1
P( x) exp{1 / 2( x m) ( x m)}
(2 ) N / 2
1/ 2
38
METODE STANDAR: PELUANG MAKSIMUM (MLM)
Fungsi peluang dari masing-masing kelas (Distribusi normal multivariate)
1 t 1
P( x) exp{1 / 2( x m) ( x m)}
(2 ) N / 2
1/ 2
1 1 / 2 MD Mahalanobis Distance
P( x) e
(2 ) N / 2
1/ 2 1 / 2
P( x) (2 ) N / 2
e 1 / 2 MD
Peluang vektor x (Nilai DN per band) masuk ke kelas wi adalah:
P( x / i ) p(i ) p ( x)
ln P( x / i ) ln p(i ) ln p ( x) gi ( x)
g i ( x) ln p( i ) 1 / 2 ln 2 1 / 2 ln i 1 / 2MD
39
METODE STANDAR: PELUANG MAKSIMUM (MLM)
g i ( x) ln p( i ) 1 / 2 ln 2 1 / 2 ln i 1 / 2MD
g i ( x) ln p( i ) 1 / 2 ln i 1 / 2 MD Konstanta (dapat
dihilangkan) krn
Fungsi diskriminan tdk mempengaruhi
nilai peluang
Peluang terbesar
x c
gi (x) X masuk ke kelas yang hasil
peluangnya terbesar (nilai
terbesar)
Jika prior probabilitynya sama, maka ln p(w) juga dapat dihilangkan (artinya tidak
Menggunakan probability) sehingga:
g i ( x) 1 / 2 ln i 1 / 2 ( x m) t 1 ( x m)
g i ( x) ln i ( x m) t 1 ( x m)
Kaidah pengambilan keputusannya (decision rule)
gi(x) > gj(x) untuk semua i tidak sama dengan j 40
THRESHOLD MULTIDIMENSIONAL
NORMAL DISTRIBUTION
PELUANG SANGAT
KECIL KE KELAS2 YANG
ADA
Ti { ln p( i ) 1 / 2 ln i 1 / 2 } 2
42
METODE STANDAR: JARAK MINIMUM MAHALANOBIS
g i ( x) ln p( i ) 1 / 2 ln i 1 / 2 MD Jika determinan
variance covar
tidak banyak
g i ( x) 1 / 2 ( x m) t 1 ( x m) Disederhanakan mempengaruhi
menjadi minimum (sangat kecil) maka
distance dapat diabaikan
g i ( x) ( x m) t 1 ( x m)
Kelas yang terpilih adalah yang mempunyai nilai minimum
Kaidah pengambilan keputusannya
gi(x) < gj(x) untuk semua i tidak sama dengan j
Jarak terdekat
X masuk ke kelas
x c
yang hasil nilainya
terkecil
44
MULTILEVELSLICED
VEGETASI
TANAH KOSONG
Box classifier
Parallelepiped classifier
46
Ambang Multilevel sliced
Cari ambangnya dengan nilai statistik yang ada
X E wi, jika dan hanya jika
ambang bawah < Xi < ambang atas