Tab. 4.1. Porównanie dokładności klasyfikacji uzyskanych w klasyfikacjach wszystkimi metodami oraz regułami.
Porównanie podejść klasyfikacji wykonano na podstawie dokładności klasyfikacji oraz użytkownika, ponieważ z myślą o nich tworzone są mapy pokrycia terenu.
• Klasyfikacja pikselowa
W przypadku obydwóch zdjęć, najlepsze dokładności uzyskano w wyniku klasyfikacji pikselowej w podejściu klasycznym. Dla zdjęcia wykonanego przez satelitę QuickBird wynosi ona 93% (algorytm największego prawdopodobieństwa), natomiast dla zobrazowania satelitą Landsat ETM+ 94% (algorytm minimalnej odległości).
Obydwa zdjęcia wykonane zostały wczesną wiosną, więc stopień rozwinięcia roślinności jest podobny. Jedynie rozdzielczość przestrzenna miała wpływ na homogeniczność definiowanych próbek terenowych.
Najbardziej widoczne jest to w klasie „zabudowa”. Na zdjęciu satelity QuickBird była możliwość wskazania pojedynczych dachów jako próbek klasy, dzięki czemu uzyskano dokładność użytkownika aż 94%. Na zdjęciu Landsata ETM+ tereny zabudowane zobrazowane były poprzez skupisko różnorodnych pikseli, przez co niemożliwe było stworzenie jednorodnych klastrów, nie wspominając o wyróżnieniu poszczególnych typów pokryć budynków. Uzyskano jednak lepszą dokładność niż oczekiwano, mianowicie 88%.
Ze względu na różną rozdzielczość opracowywanych zdjęć, zostały stworzone różne klasy, np.: na zdjęciu satelity QuickBird udało się wyróżnić trzy stopnie gęstości nasadzenia roślinności – roślinność o rzadkim nasadzeniu, o średniej gęstości nasadzenia oraz o dużej gęstości nasadzenia, natomiast przy zobrazowaniu satelity Landsat ETM+ wyróżniono jedynie roślinność o rzadkim i gęstym nasadzeniu. Z tego powodu podczas analizy wyników postanowiono rozpatrywać je jako jedną klasę. Na obydwóch zdjęciach klasa ta wypadła jako jedna z najlepszych. Na zdjęciu QuickBird została ona sklasyfikowana poprawnie w 99% oraz na zdjęciu Landsat ETM+ w 100%. Może to być spowodowane bardzo młodym wiekiem
pikselowa 93% 0,93 0,68 0,79 94% 0,93 0,95 0,94
Klasyfikacja zdjęcia
roślinności na zdjęciach (wzrastająca) oraz na dużą zawartość chlorofilu, na który jest bardzo czuły zakres bliskiej podczerwieni – wykorzystywany przez obie satelity. Teza ta, nie potwierdza się jednak odnośnie klasy definiującej drzewa liściaste – klasa ta wypadła najsłabiej. Uzyskane dokładności to QuickBird – 86%, Landsat ETM+ - 76%. Nierozwinięte w pełni korony drzew, a także kąt padania promieni słonecznych uniemożliwia jednoznaczne zobrazowanie tej klasy, tym samym stworzenie homogenicznych pól treningowych.
W przeciwieństwie do zdjęcia QuickBird, klasa definiująca cieki wodne, na zdjęciu Landsat ETM+ została sklasyfikowana w 100% poprawnie. Z pewnością jest to spowodowane rozmiarem zbiorników wodnych występujących na zdjęciach. Na obrazie QuickBird są to stawy o małej powierzchni oraz wąska rzeka, na zdjęciu Landsat ETM+ jest to pokaźnych rozmiarów zbiornik wodny. Jak również ma wpływ stan czystości tych wód oraz głębokość. Na zobrazowaniu satelity QuickBird prezentacja cieków wodnych jest taka sama jak cieni. Wartości radiometryczne tych klas nakładają się na siebie w poszczególnych zakresach, przez co rozróżnienie ich w procesie klasyfikacji jest trudne dla niewprawionego operatora.
• Klasyfikacja po przetworzeniach morfologicznych
Porównując najlepsze z otrzymanych wyniki klasyfikacji zdjęć po przetworzeniach morfologicznych pierwszy wniosek jaki się nasuwa to taki, że wykonywanie operacji morfologicznych ma sens jedynie, gdy ciężko zdefiniować jednorodne pola treningowe.
Na zdjęciu QuickBird najlepsze rezultaty (dokładność klasyfikacji 69%) uzyskano przy użyciu elementu strukturującego o rozmiarze 7 pikseli. Wykorzystano taki rozmiar wzorując się na wynikach otrzymanych w książce „Morfologia matematyczna w teledetekcji”
[KUPIDURA I IN.], w której badanie wykonano również na zdjęciu wykonanym przez satelitę QuickBird. Niestety dla zdjęcia Landsat ETM+ rozmiar ten okazał się nieodpowiedni.
Zamiast pozbawić obraz elementów utrudniających proces klasyfikacji, spowodował go nieczytelnym. Ze względu na rozdzielczość zdjęcia najbardziej odpowiedni okazał się najmniejszy rozmiar elementu strukturującego – element jednostkowy. W procesie klasyfikacji uzyskano dokładność 94% algorytmem minimalnej odległości.
W podejściu klasycznym klasyfikacji najlepsze dokładności uzyskano w klasach definiujących roślinność oraz drzewa iglaste. Na przetworzonym zdjęciu QuickBird nie zostały one tak poprawnie sklasyfikowane, roślinność została sklasyfikowana o 12% słabiej, natomiast drzewa iglaste aż o 24%. Na zobrazowaniu satelity Landsat ETM+ przetworzenia
86
morfologiczne w żaden sposób nie wpłynęły na dokładność sklasyfikowania tych klas – tak jak w podejściu pikselowym klasy te uzyskały 100% poprawności.
Znaczne pogorszenie klasyfikacji zdjęcia QuickBird względem klasyfikacji zdjęcia nieprzetworzonego zaobserwowano we wszystkich klasach, jednak najbardziej znaczna różnica nastąpiła podczas klasyfikacji zabudowy. Uzyskano dokładność tej klasy jedynie 48%, gdzie podczas klasyfikacji w podejściu klasycznym uzyskano 94%.
Odwrotna sytuacja nastąpiła podczas klasyfikacji zdjęcia wykonanego przez satelitę Landsat ETM+, gdzie dokładność klasyfikacji uzyskano 94%, czyli dokładnie taką samą jak podczas klasyfikacji pikselowej. Jedynie niewielkie różnice wystąpiły między klasami.
Zabudowa i gleba odkryta wypadły o 6% i 1% lepiej, natomiast woda oraz drzewa liściaste (kolejno o 2% i 4%) słabiej.
Na wyniki klasyfikacji zdjęć przetworzonych zdecydowany wpływ ma rozdzielczość przestrzenna wykonanych zdjęć – im większa, tym mniejszy sens wykonywania przetworzeń morfologicznych.
• Klasyfikacja zdjęć przetworzonych teksturowo
Najlepsze wyniki zdjęć przetworzonych teksturowo uzyskano dla zdjęcia QuickBird algorytmem minimalnej odległości – 83%, dla zdjęcia Landsat ETM+ maksymalnego prawdopodobieństwa – 89%. W obydwu przypadkach przetworzeniom poddano kanał obrazujący zakres bliskiej podczerwieni, czułej na roślinność. Jednak nie uzyskano oczekiwanych rezultatów. Na zdjęciu satelity QuickBird roślinność została sklasyfikowana z dokładnością 94%, czyli mniejszą niż w podejściu klasycznym, ale większą niż na zdjęciu przetworzonym morfologicznie.
Na zdjęciu Landsat ETM+, gdzie w klasyfikacjach poprzednimi metodami uzyskiwano 100% dokładności, na zdjęciu zawierającym kanał przetworzony teksturowo uzyskano jedynie 88%.
Analogiczna sytuacja nastąpiła podczas klasyfikacji drzew liściastych – na zdjęciu QuickBird uzyskano średnią dokładność tej klasy (75%) ze wszystkich wykorzystanych podejść klasyfikacji, natomiast na zobrazowaniu Landsat ETM+ najgorszą – 65%.
Zabudowa na zdjęciu QuickBird została poprawnie sklasyfikowana w 90%, czyli porównywalnie jak w klasyfikacji pikselowej, gdzie uzyskano 94%. Na zdjęciu Landsat ETM+ po przetworzeniach teksturowych zabudowa wypadła z poprawnością 95%.
Jest ona zaledwie o 1% lepsza niż w klasyfikacji w podejściu klasycznym, jednak jest to najlepsza dokładność tej klasy we wszystkich podejściach.
Klasa definiująca drzewa iglaste na zdjęciu wykonanym przez satelitę QuickBird uzyskała taką samą dokładność jak podczas klasyfikacji zdjęcia po przetworzeniach morfologicznych – 86%. Na zdjęciu Landsat ETM+, tak jak we wszystkich podejściach 100%
poprawności.
Najlepsze wyniki uzyskano stosując klasyfikację pikselową. Duży wpływ ma na to fakt, iż próbki treningowe tworzone były właśnie na potrzeby tej klasyfikacji na zdjęciu nieprzetworzonym.
Wszelkie przetworzenia stosuje się, gdy jest problemowe bądź niemożliwe wskazanie jednorodnych pól treningowych. Potwierdzeniem tego są wyniki klasyfikacji zdjęcia QuickBird, gdzie wskazanie homogenicznych próbek nie stanowiło większego problemu.
Szczegółowe porównanie wyników
Mapy pokrycia terenu tworzy się po to, aby przedstawiały sposób zagospodarowania obszarów jak również do sprecyzowanych celów kiedy to określa się je jako mapy tematyczne. W zależności późniejszego przeznaczenia mapy, np.: w urbanistyce, planistyce w celu uzupełnienia zabudowy interesującą nas klasą będzie zabudowa. W mapach wykonywanych na zlecenie nadleśnictwa, zależałoby nam na poprawnej klasyfikacji lasów z dokładnym rozróżnieniem na iglaste oraz liściaste. Tym właśnie klasom postanowiono przyjrzeć się z bliska, z uwagi na problem z klasyfikacją cieków wodnych, tę klasę również poddano analizie. Wartości dokładności klasyfikacji rozpatrywano z podziałem na zdjęcia dla wszystkich wykonanych metod pod względem dokładności użytkownika.
QuickBird – zabudowa
Podczas próby wyróżnienia zabudowy na zdjęciu QuickBird zdefiniowano 5 klastrów określających tę klasę. Ma to swoje uzasadnienie z racji wysokiej rozdzielczości zobrazowania na którym przeprowadzono klasyfikację. Na zdjęciu bez problemu można wyróżnić poszczególne dachy, dzięki czemu uzyskano wysokie dokładności klasyfikacji:
pikselowa – 94%, po przetworzeniach morfologicznych – 48%, po przetworzeniach teksturowych – 90%. Są to najlepsze dokładności jakie udało się uzyskać w poszczególnych metodach. Warto przypatrzeć się im z bliska.
88 Tab. 4.2. Dokładności użytkownika uzyskane podczas klasyfikacji zabudowy wszystkimi metodami
na zdjęciu QuickBird.
W tabeli 4.2. na niebiesko zostały zaznaczone 100% dokładności, natomiast na czerwono przypadki, gdy nie udało się sklasyfikować klasy. Czerwone pola występują jedynie w metodzie morfologicznej, aż w dwóch klasach dokładność wynosi 0%. Najgorsze rezultaty uzyskano po przetworzeniach elementem strukturującym o rozmiarze 8 pikseli, gdzie dokładność klasyfikacji zabudowy wynosi jedynie 39%. Jest to spowodowane wykorzystaniem nieodpowiedniego rozmiaru elementu strukturującego – zbyt dużego.
Najwyższą dokładność klasy zabudowa uzyskano na obrazie przetworzonym elementem strukturującym o rozmiarze 6 pikseli – 72% poprawności, dokładność 49% po przetworzeniach elementem o rozmiarze 7. Jest to sytuacja przeciwna do wyników dokładności całych klasyfikacji, gdzie najlepsze wyniki uzyskano po przetworzeniach elementem strukturującym 7 pikseli.
W pozostałych metodach dokładności skalsyfikowania zabudowy są porównywalne.
Landsat ETM+ - zabudowa
Tab. 4.3. Dokładności użytkownika uzyskane podczas klasyfikacji zabudowy wszystkimi metodami na zdjęciu Landsat ETM+.
Na zdjęciu Landsat ETM+, zabudowa została przedstawiona jako skupisko pikseli o różnych wartościach. Trudno było wyznaczyć stosunkowo jednorodną próbkę klasy.
Zabudowa
Klasyfikacja pikselowa Klasyfikacja po przetworzeniach morfologicznych Klasyfikacja po przetworzeniach teksturowych
Zabudowa
Zabudowa 1,00 1,00 0,88 1,00 1,00 0,94
Klasyfikacja pikselowa Klasyfikacja po przetworzeniach
maksymalne
0,72 0,71 0,95 0,00 0,00 1,00 0,95 0,76 0,98
Klasyfikacja po przetworzeniach teksturowych Klasyfikacja o przetworzeniach morfologicznych
Zaszła sytuacja odwrotna niż na zdjęciu QuickBirda. Na zobrazowaniu satelity Landsat ETM+ najlepsze wyniki uzyskano w klasyfikacji zdjęcia po przetworzeniach morfologicznych elementem strukturującym 1. Jest to potwierdzeniem słuszności wykorzystywania tej metody podczas klasyfikacji zdjęć o małej rozdzielczości, gdzie ciężko o homogeniczne próbki treningowe. Można również zauważyć wpływ jak ma dobór rozmiaru elementu strukturującego na otrzymane wyniki. Wykorzystanie coraz większego elementu strukturującego sukcesywnie pogarszało uzyskane dokładności – reguła maksymalnego prawdopodobieństwa oraz odległości Mahalanobisa. Odwrotna sytuacja wystąpiła podczas przeprowadzania klasyfikacji algorytmem minimalnej odległości, w której im większy rozmiar elementu strukturującego tym większa dokładność.
QuickBird – las liściasty
Tab. 4.4. Dokładności użytkownika uzyskane podczas klasyfikacji lasów liściastych wszystkimi metodami na zdjęciu QuickBird.
Klasa definiująca drzewa liściaste została zdefiniowana przy pomocy 3 klastrów. Przy rozdzielczości jaką dysponuje satelita QuickBird takie rozwiązanie wydawało się najbardziej odpowiednie, ponieważ inaczej są prezentowane konary rozwinięte w dużym stopniu, inaczej te mniej rozwinięte oraz w jeszcze inny sposób w miejscach zacienionych. Zdefiniowanie 3 klastrów miało na celu zapobiec w jak największym stopniu pomylenie pikseli należących do klasy „drzewa liściaste” z klasami definiującymi powierzchnie o różnym stopniu pokrycia roślinnością.
Analizując otrzymane dokładności uzyskane wszystkimi metodami można odnieść wrażenie, że stworzenie trzech klastrów jedynie pogorszyło uzyskanie dokładności oraz wystarczające byłoby stworzenie jednego klastra – „drzewa liściaste (3)”, jednak spowodowałoby to większe wymieszanie się pikseli pomiędzy klasami.
Analizowana klasa najlepiej została rozpoznana przy wykorzystaniu reguły minimalnej odległości na zdjęciu po przetworzeniach teksturowych. W tym miejscu ukazuje się słuszność wykonanych przetworzeń, kanału najbardziej czułego na zieleń – bliskiej podczerwieni.
Prezentację drzew liściastych nie można uznać za jednorodną, jednak nie jest tak bardzo
Klasyfikacja pikselowa Klasyfikacja po przetworzeniach morfologicznych Klasyfikacja po przetworzeniach teksturowych
90
różnorodna jak zabudowa. Metoda morfologiczna nie spełniła oczekiwań przeprowadzającego klasyfikację. Dwa z trzech klastrów nie zostały rozpoznane na obrazie przy wszystkich rozmiarach elementu strukturującego, metoda ta wypadła najsłabiej.
Landsat ETM+ - drzewa liściaste
Tab. 4.5. Dokładności użytkownika uzyskane podczas klasyfikacji lasów liściastych wszystkimi metodami na zdjęciu Landsat ETM+.
Na potrzeby klasyfikacji drzew liściastych na zdjęciu satelity Landsat ETM+
zdefiniowanie dwóch klastrów wydawało się wystarczające. Najlepsze wyniki uzyskano regułą minimalnej odległości zdjęcia nieprzetworzonego. Porównywalną dokładność dała metoda minimalnej odległości na zdjęciu przetworzonym morfologicznie największym wykorzystanym elementem strukturującym – 3. Wykorzystanie tej reguły decyzyjnej w większości przypadków dało najlepsze wyniki. Wyjątkiem jest klasyfikacja zdjęcia przetworzonego teksturowo, tutaj najbardziej dokładną metodą okazała się reguła maksymalnego prawdopodobieństwa.
Drzewa
liściaste (1) 0,71 0,70 0,94 0,86 0,86 0,93
drzewa
liściaste (2) 0,46 0,4 0,56 0,47 0,43 0,48
Klasyfikacja pikselowa Klasyfikacja po przetworzeniach morfologicznych
maksymalne
0,69 0,68 0,96 0,54 0,54 0,98 0,62 0,57 0,33
0,00 0,00 0,46 0,00 0,00 0,48 0,73 0,81 0,41
Klasyfikacja po przetworzeniach teksturowych Klasyfikacja po przetworzeniach morfologicznych
QuickBird – cieki wodne
Tab. 4.6. Dokładności użytkownika uzyskane podczas klasyfikacji lasów liściastych wszystkimi metodami na zdjęciu QuickBird.
Na zdjęciu satelity QuickBird klasyfikacja cieków wodnych okazała się bardzo problemowa, co przedstawiono we wcześniejszym rozdziale porównując wartości radiometryczne cieków wodnych z cieniami. Jedynie reguła minimalnej odległości pozwoliła wyróżnić tę klasę. Na zdjęciu nieprzetworzonym nawet w 100%.
Landsat ETM+ - cieki wodne
Tab. 4.7. Dokładności użytkownika uzyskane podczas klasyfikacji cieków wodnych wszystkimi metodami na zdjęciu Landsat ETM+.
Klasyfikacja cieków wodnych na zobrazowaniu Landsata ETM+ nie sprawiła problemów. Uzyskano dokładności bliskie 100%. Na zdjęciu przetworzonym morfologicznie elementem strukturującym o rozmiarze 3, każda z reguł sklasyfikowała cieki wodne poprawnie.
Wszelkie mapy tematyczne, w tym mapy pokrycia terenu, początkowo tworzone były wyłącznie w oparciu o pomiary terenowe. Zapewniały one dobrą dokładność powstałych map, jednak były bardzo kosztowne i pracochłonne. Rozwój teledetekcji satelitarnej odegrał
Cieki wodne
cieki wodne 0,00 0,00 1,00 0,00 0,00 0,00 0,00 0,00 0,56
Klasyfikacja pikselowa Klasyfikacja po przetworzeniach morfologicznych Klasyfikacja po przetworzeniach teksturowych
Cieki wodne
cieki wodne 0,94 0,81 1,00 0,98 0,97 0,98
Klasyfikacja pikselowa Klasyfikacja po przetworzeniach
maksymalne
0,98 0,98 0,98 1,00 1,00 1,00 1,00 1,00 0,96
Klasyfikacja po przetworzeniach teksturowych Klasyfikacja o przetworzeniach morfologicznych
92
znacząca rolę w tej kwestii. Powstały algorytmy umożliwiające automatyczną klasyfikację obrazu, co zdecydowanie zmniejszyło czas i koszty tworzenia map.
W pracy podczas klasyfikacji zdjęcia nieprzetworzonego zdecydowanie lepsze wyniki zostały uzyskane na wysokorozdzielczym zdjęciu Quickbird, jednak po przetworzeniach (przy zastosowaniu najbardziej optymalnego elementu strukturującego) klasyfikacja wypadła znacznie słabiej. Jednak przy średniorozdzielczym zdjęciu satelity Landsat ETM+ sytuacja jest odwrotna. Po przetworzeniach dokładności wzrosły, bądź (metoda najmniejszej odległości) nie uległy zmianie. Nasuwa się stwierdzenie, że stosowanie morfologii matematycznej ma uzasadnienie na zdjęciach, gdzie granice między poszczególnymi typami pokrycia terenu są mało wyraźne, trudne do dokładnego określenia. Kluczową rolę pełni wybór odpowiedniego rozmiaru i kształtu elementu strukturującego, przetworzenia mają na celu poprawę obrazu a nie zatracenie istotnych informacji. Nasuwa się stwierdzenie, że przetworzenia morfologiczne poprawiają wyniki dla zdjęć najwyżej o średniej rozdzielczości, dla wysokorozdzielczych zdjęć wykonywanie przetworzeń nie ma większego sensu.
Informacje są na nich wystarczająco przejrzyste i rozróżnianie obiektów nie stwarza większych problemów.
Algorytmy klasyfikacyjne w procesie klasyfikacji biorą pod uwagę jedynie wartości odbicia spektralnego od poszczególnych obiektów, natomiast dodatkowe informacje dotyczące np. struktury nie są brane pod uwagę. Właśnie z myślą o obiektach o nieregularnej strukturze została stworzona morfologia matematyczna.
Oprogramowanie ERDAS wykorzystane w pracy, daje użytkownikowi wiele możliwości przetwarzania obrazów w celu wyciągnięcia istotnych dla niego informacji.
Jednak dobre oprogramowanie nie wystarcza do uzyskania dobrych wyników. Kluczową rolę stanowią dane wejściowe oraz umiejętności interpretatora.
Spis tabel
2.1. Podział promieniowania elektromagnetycznego
3.1. Wskaźniki dokładności klasyfikacji pikselowej zdjęcia Quickbird.
3.2. Wskaźniki dokładności klas pokrycia terenu uzyskane przy użyciu metody największego prawdopodobieństwa zdjęcia Quickbird
3.4. Wskaźniki dokładności klas pokrycia terenu uzyskane przy użyciu metody odległości Mahalanobisa zdjęcia Quickbird.
3.5. Wskaźniki dokładności klas pokrycia terenu uzyskane przy użyciu metody najmniejszej odległości zdjęcia Quickbird.
3.6. Ocena dokładności klasyfikacja zdjęcia Landsat ETM+
3.7. Wskaźniki dokładności klas pokrycia terenu uzyskane przy użyciu metody największego prawdopodobieństwa zdjęcia Landsat ETM+.
3.8. Wskaźniki dokładności klas pokrycia terenu uzyskane przy użyciu metody odległości Mahalanobisa zdjęcia Landsat ETM+
3.9. Wskaźniki dokładności klas pokrycia terenu uzyskane przy użyciu metody minimalnej odległości zdjęcia Landsat ETM+
3.10. Wskaźniki dokładności klas pokrycia terenu uzyskane przy użyciu metody
największego prawdopodobieństwa zdjęcia Quickbird przetworzonego morfologicznie elementem 6
3.11. Wskaźniki dokładności klas pokrycia terenu uzyskane przy użyciu metody odległości Mahalanobisa zdjęcia Quickbird przetworzonego morfologicznie elementem 7.
3.12. Wskaźniki dokładności klas pokrycia terenu uzyskane przy użyciu metody najmniejszej odległości zdjęcia Quickbird przetworzonego morfologicznie elementem 8.
3.13. Zestawienie współczynnika Kappa oraz dokładności przeprowadzonych klasyfikacji.
3.14. Ocena dokładności przy wykorzystaniu elementu strukturującego 1.
3.15. Wskaźniki dokładności klas pokrycia terenu uzyskane przy użyciu metody największego prawdopodobieństwa zdjęcia Landsat ETM+ przetworzonego morfologicznie elementem 1.
3.16. Wskaźniki dokładności klas pokrycia terenu uzyskane przy użyciu metody odległości Mahalanobisa zdjęcia Landsat ETM+ przetworzonego morfologicznie elementem 1.
3.17. Wskaźniki dokładności klas pokrycia terenu uzyskane przy użyciu metody minimalnej odległości zdjęcia Landsat ETM+ przetworzonego morfologicznie elementem 1.
3.18. Ocena dokładności przy wykorzystaniu elementu strukturującego 2.
94
3.19. Wskaźniki dokładności klas pokrycia terenu uzyskane przy użyciu metody maksymalnego prawdopodobieństwa zdjęcia Landsat ETM+ przetworzonego morfologicznie elementem 2.
3.20. Wskaźniki dokładności klas pokrycia terenu uzyskane przy użyciu metody odległości Mahalanobisa zdjęcia Landsat ETM+ przetworzonego morfologicznie elementem. 2.
3.21. Wskaźniki dokładności klas pokrycia terenu uzyskane przy użyciu metody minimalnej odległości zdjęcia Landsat ETM+ przetworzonego morfologicznie elementem 2.
3.22. Ocena dokładności przy wykorzystaniu elementu strukturującego 3.
3.23. Wskaźniki dokładności klas pokrycia terenu uzyskane przy użyciu metody maksymalnego prawdopodobieństwa zdjęcia Landsat ETM+ przetworzonego morfologicznie elementem 3.
3.24. Wskaźniki dokładności klas pokrycia terenu uzyskane przy użyciu metody odległości Mahalanobisa zdjęcia Landsat ETM+ przetworzonego morfologicznie elementem 3.
3.25. Wskaźniki dokładności klas pokrycia terenu uzyskane przy użyciu metody minimalnej odległości zdjęcia Landsat ETM+ przetworzonego morfologicznie elementem 3.
3.26. Wartości współczynnika Kappa otrzymanych klasyfikacji po przeprowadzeniu analizy teksturowej.
3.27. Dokładności klasyfikacji zdjęcia po przeprowadzeniu analizy teksturowej.
3.28. Wskaźniki dokładności klas pokrycia terenu uzyskane przy użyciu metody
największego prawdopodobieństwa zdjęcia QuickBird zawierające kanał przetworzony teksturowo rozmiarem okna 3×3 piksele.
3.29. Wskaźniki dokładności klas pokrycia terenu uzyskane przy użyciu metody odległości Mahalanobisa zdjęcia QuickBird zawierające kanał przetworzony teksturowo
rozmiarem okna 3×3 piksele.
3.30. Wskaźniki dokładności klas pokrycia terenu uzyskane przy użyciu metody najmniejszej odległości zdjęcia QuickBird zawierające kanał przetworzony teksturowo rozmiarem okna 3×3 piksele.
3.31. Wartości współczynnika Kappa otrzymanych klasyfikacji po przeprowadzeniu analizy teksturowej.
3.32. Dokładności klasyfikacji zdjęcia po przeprowadzeniu analizy teksturowej.
3.33.Wskaźniki dokładności klas pokrycia terenu uzyskane przy użyciu metody największego prawdopodobieństwa zdjęcia Landsat ETM+ zawierające kanał przetworzony
teksturowo rozmiarem okna 3×3 piksele.
3.34. Wskaźniki dokładności klas pokrycia terenu uzyskane przy użyciu metody odległości Mahalanobisa zdjęcia Landsat ETM+ zawierające kanał przetworzony teksturowo rozmiarem okna 3×3 piksele.
3.35. Wskaźniki dokładności klas pokrycia terenu uzyskane przy użyciu metody najmniejszej odległości zdjęcia Landsat ETM+ zawierające kanał przetworzony teksturowo
rozmiarem okna 3×3 piksele.
4.1. Porównanie dokładności klasyfikacji uzyskanych w klasyfikacjach wszystkimi metodami oraz regułami.
4.2. Dokładności użytkownika uzyskane podczas klasyfikacji zabudowy wszystkimi metodami na zdjęciu QuickBird.
4.3. Dokładności użytkownika uzyskane podczas klasyfikacji zabudowy wszystkimi metodami na zdjęciu Landsat ETM+.
4.4. Dokładności użytkownika uzyskane podczas klasyfikacji lasów liściastych wszystkimi metodami na zdjęciu QuickBird.
4.5. Dokładności użytkownika uzyskane podczas klasyfikacji lasów liściastych wszystkimi metodami na zdjęciu Landsat ETM+.
4.6. Dokładności użytkownika uzyskane podczas klasyfikacji lasów liściastych wszystkimi metodami na zdjęciu QuickBird.
4.7. Dokładności użytkownika uzyskane podczas klasyfikacji cieków wodnych wszystkimi metodami na zdjęciu Landsat ETM+.