Klasifikasi Citra - Website Staff...

19
Klasifikasi Citra Klasifikasi Citra Introduction to Remote Sensing Introduction to Remote Sensing Bab XI Bab XI

Transcript of Klasifikasi Citra - Website Staff...

Klasifikasi CitraKlasifikasi Citra

Introduction to Remote SensingIntroduction to Remote SensingggBab XIBab XI

Klasifikasi Citra DigitalKlasifikasi Citra DigitalKlasifikasi Citra DigitalKlasifikasi Citra Digital

• Proses penempatan pixel pada kelasProses penempatan pixel pada kelas• Dianggap sebagai satuan tersendiri

M iliki il i t t t d it kt l• Memiliki nilai tertentu pada pita spektral• Dibandingkan satu dengan yang lain• Dibandingkan dengan yang diketahui

identitasnyay• Pixel bernilai sama dikelompokkan

menjadi satu kategorimenjadi satu kategori

Klasifikasi Citra DigitalKlasifikasi Citra DigitalKlasifikasi Citra DigitalKlasifikasi Citra Digital

• Setiap kelas membentuk daerah tertentuSetiap kelas membentuk daerah tertentu pada scene

• Ditampilkan sebagai mosaik dari beberapa• Ditampilkan sebagai mosaik dari beberapa nilai uniformDit ilk d k d t• Ditampilkan dengan kode warna atau simbol

Klasifikasi Citra DigitalKlasifikasi Citra DigitalKlasifikasi Citra DigitalKlasifikasi Citra Digital

• Pixel dalam satu kelas lebih mirip satuPixel dalam satu kelas lebih mirip satu sama lain

• Dalam satu kelas terdapat perbedaan• Dalam satu kelas terdapat perbedaan karena variasi dalam kelasM k l t t k t it• Merupakan alat untuk pengamatan citra digital

Klasifikasi Citra DigitalKlasifikasi Citra Digital

• Classifier secara umum mengacu pada

Klasifikasi Citra DigitalKlasifikasi Citra Digital

Classifier secara umum mengacu pada program dengan prosedur klasifikasi citra

• Spectral/point classifier mengamati setiap• Spectral/point classifier mengamati setiap pixel sebagai satu titikS d h tid k d t bil• Sedehana, tidak dapat mengambil informasi hubungan antar pixel

• Image texture adalah pola brightness dalam satu grup pixel

Klasifikasi Citra DigitalKlasifikasi Citra DigitalKlasifikasi Citra DigitalKlasifikasi Citra Digital

Klasifikasi Citra DigitalKlasifikasi Citra DigitalKlasifikasi Citra DigitalKlasifikasi Citra Digital

Klasifikasi Citra DigitalKlasifikasi Citra Digital

• Spatial/neighborhood classifier mengamati

Klasifikasi Citra DigitalKlasifikasi Citra Digital

Spatial/neighborhood classifier mengamati area dalam citra dengan informasi spektral dan teksturaldan tekstural

• Sulit diprogram tetapi sangat akuratJ di k ti d l• Jarang digunakan secara rutin dalam remote sensing

Klasifikasi Citra DigitalKlasifikasi Citra Digital

• Supervised classification membutuhkan

Klasifikasi Citra DigitalKlasifikasi Citra Digital

Supervised classification membutuhkan interaksi dengan analis

• Unsupervised classification bekerja secara• Unsupervised classification bekerja secara hampir otomatisH b id l ifi ti d l h t d• Hybrid classification adalah metode yang memiliki ciri supervised dan unsupervised

Kelas InformasionalKelas InformasionalKelas InformasionalKelas Informasional

• Kategori obyek yang diamatiKategori obyek yang diamati– Hutan

Geologi– Geologi– Land use

Tid k di k l l h• Tidak direkam langsung oleh sensor• Rekamannya berupa pola brightness

Kelas SpektralKelas SpektralKelas SpektralKelas Spektral

• Kelompok pixel yang brightnessnya samaKelompok pixel yang brightnessnya sama dalam beberapa kanal spektra

• Dapat diamati pada data remote sensingDapat diamati pada data remote sensing• Dihubungkan dengan kelas informasional

untuk mendapatkan informasi sceneuntuk mendapatkan informasi scene• Untuk membedakan dua kelas adalah

dengan mencai beda nilai rata-ratanyadengan mencai beda nilai rata ratanya• Kelas yang sangat berbeda memiliki nilai

beda yang besarbeda yang besar

Normalized Difference (ND)Normalized Difference (ND)Normalized Difference (ND)Normalized Difference (ND)

• Salah satu caraSalah satu cara membedakan kelas

• Membagi beda rata-gata kelas dengan jumlah simpangan ba xx

ND−

=bakunya

ba ssND

−=

Normalized Difference (ND)Normalized Difference (ND)Normalized Difference (ND)Normalized Difference (ND)

Unsupervised ClassificationUnsupervised ClassificationUnsupervised ClassificationUnsupervised Classification

• Identifikasi kelompok alam atau bangunanIdentifikasi kelompok alam atau bangunan dari data multispektral

• Citra remote sensing terdiri atas kelas• Citra remote sensing terdiri atas kelas spektral yang masing-masing seragam dalam beberap kanal spektradalam beberap kanal spektra

• Definisi, identifikasi, labeling, dan t k l lpemetaan kelas alam

Unsupervised ClassificationUnsupervised Classification

Keunggulan

Unsupervised ClassificationUnsupervised Classification

Keunggulan• Tidak membutuhkan pengetahuan awal

yang detail mengenai daerah pengamatanyang detail mengenai daerah pengamatan• Kemungkinan terjadi human error dapat

dik idikurangi• Kelas yang unik diidentifikasi secara

tersendiri

Pengukuran JarakPengukuran JarakPengukuran JarakPengukuran Jarak• Jumlah pixel dalam citra p

remote sensing mencapai ribuan

• Untuk menentukan pixelUntuk menentukan pixel termasuk dalam satu grup, digunakan jarak ke pixel yang lain

2/12)( ⎥⎤

⎢⎡

−= ∑n

baDpixel yang lain• Euclidean Distance

adalah salah satu metode pengukuran jarak

1)( ⎥⎦

⎢⎣

= ∑=i

ab baD

pengukuran jarak• Didasarkan pada teorema

Phytagoras

Jarak EuclideanJarak EuclideanJarak EuclideanJarak Euclidean

Jarak EuclideanJarak EuclideanJarak EuclideanJarak Euclidean