Contents 1 50px| ILMSImage Classification 1.1 Introduction 1.2 Thematic Classification 1.2.1 Background 1.2.2 Unsupervised Classification into Cell Type Classes 1.2.3 Defining Reference Areas 1.2.4 Import von Referenzgebieten 1.2.5 Endgültige Klassifikation

50px| ILMSImage Classification

Introduction

ILMSImage Classification is part of the ILMSImage plug-in for QuantumGIS and in this context it carries out a two-step thematic analysis, comprising unsupervised and supervised classification. u

Like various ILMSImage panels it consists of two components, the ILMSImage Project Information in the upper section and the actual tools in the lower section.

Das ILMSImage-Panel zur thematischen Klassifikation

Thematic Classification

Background

The process of thematic classification within ILMSImage is composed of three sub-tasks, (1) an unsupervised classification of the existing cells and their features as cell type classes, (2) the definition of reference or training areas using a vector data layer and (3) the actual thematic classification which is based on results of both preceding tasks. Below every step is presented and described in detail.

Unsupervised Classification into Cell Type Classes

The unsupervised classification refers to generated geometries during the cell creation and the calculated attributes for the geometries to derive cell type classes from both components. They are group of cells which - no matter which geographical location in the image or location to one another - have similar features. Simply put, in this task e.g. elongated and dark cells are separated from those which are rather round and bright - only that the corresponding decision in reality is not limited to the named features but is based on all features generated during attribute calculation. The basic concept of this task therefore corresponds to the partitional cluster analysis (Partitional clustering).

ILMSImage implements two methods of cluster analysis:

1. A k-Means algorithm which represents a frequently used method for finding structures in large amounts of data. The number of clusters of the clusters which should be found is determined beforehand. After a random initialization every cell is assigned to the cluster the central feature vector of which is most similar to that of the cell. If this initial assignment is completed, the cluster centers are recalculated and every cell is compared to existing clusters again. These steps are repeated until none of the assignments change again - the the cluster analysis is completed.
2. Another method for partitional clustering is the algorithm of self-organizing maps which was originally developed by Teuvu Kohonen. It is an artificial neuronal network which is able to project a multi-dimensional feature space functioning as a data source on a two-dimensional range of values. This characteristic explains the relation to the map. The detailed functioning of this algorithm is described at another point.

The cells created by ILMSImage and their derived features also represent a multi-dimensional feature space. If this is supposed to be classified in an unsupervised manner, i.e. clustering, this option has to activated in the corresponding part of the ILMSImage classification panel. By Type one of the two above-mentioned method can be selected, the parameter tolerance (range of values from 0.01 to 0.50) controls the sensitivity of the processes. A higher value corresponds to a higher acceptable variability of features within the clusters which are to be generated - hence their number decreases. A low value of tolerance generates a high number of classes since the acceptable variability of features within those is lower.

The continuing processing is indicated by a corresponding window. According to the number of selected attributes and to the selected sensitivity the duration of calculation time can vary greatly. After successful completion of the process the user is informed about the number of generated cell type classes:

Benachrichtigungsfenster nach Abschluss der unüberwachten Klassifikation

If the check box Unsupervised classification stays activated, one click on Visualize results can load the result of the unsupervised classification into the current map view. The colors used for the visualization are random colors, this is they do not possess any semantic significance in relation to the thematic class of a cell. They only illustrate their common belonging to one cell type class. In the key the raster data layer appears in the group ILMSImage Exports specified as <project name>_sample.

800px|Im aktuellen QuantumGIS-Projekt visualisiertes Ergebnis der unüberwachten Klassifkation

It should be noted that only one result can exist in this task which can be used for further thematic classification. If such a result has not been visualized after its generation as described above, the raster layer shown in the map view most likely does not correspond to this data basis.

Defining Reference Areas

Reference and training areas can help the user to define the appropriate classification scheme for his/her objective and convey it to ILMSImage. The separated areas and their attributes are taken from the vector data layer, particularly a shapefile. The attribute table of this file has to correspond to a certain format - to allow correct import - which is described below.

Field name	Field data type	Description
thema	Integer	Number for clear identification of the different reference classes. It is important that the counting begins with one and is consecutive.
desc	String	Verbal description of the reference class. It is basically a field which is optional information but can be seen as good practice to give names to reference classes which are otherwise only defined by numbers.

The shapefile can have additional fields - to create a valid reference dataset it is sufficient that both of the above-mentioned fields can be found in the attribute table. In this way basically every areal shapefile - including necessary modifications - can be used as reference for ILMSImage.

In order to facilitate the generation of a new reference data set for the user, the QuantumGIS plug-in makes a corresponding shapefile available which has the right structure and can be complemented with area borders and their attributions. The function can be activated by clicking on Create reference layer template, after the entire section Reference data import has been activated by using the corresponding check box. The following dialog requests the name of the file which is supposed to be generated (the default setting is <project name>_ref) and asks the user to determine the estimated number of thematic classes. This indication is not final, subsequently classes can be added or removed - the only function is to make the determined number of classes (with different visual representation in terms of color) available for the definition of reference areas.

Auswahldialog zur Erzeugung eines neuen Referenzdatensatzes mit voraussichtlicher Klassenanzahl

In case the reference data set which should be generated already exists, the user will be informed and asked to make a decision:

Benachrichtigung im Falle, dass der zu erzeugende Referenzdatensatz bereits existiert

When the layer has been generated, it appears in the level overview of the current QuantumGIS project. There it can also be transferred into an editable mode by right-clicking on and selecting Bearbeitungsmodus umschalten (change editing mode). This is necessary to register the geometries of the training areas and their attribution into the reference dataset.

Umschalten in den Bearbeitungsmodus

Now the tool Polygon digitalisieren (digitize polygon) can be used to generate new reference areas. This usually happens when re-accessing original image data; according to the objective and classification scheme also other visualizations can deliver good indications for borders of training areas. The following image illustrates a detail of the generation of a reference area for the class Settlement/Siedlung.

1. First the support points of the polygon are generated by left-clicking at the corresponding coordinates. It is not necessary to be very precise since ILMSImage is able to separate potential peripheries from central areas of a reference area by statistic criteria. Instead of being accurate it often makes more sence to increase the sample by generating various reference areas for a thematic class.
   
   400px|Digitalisieren eines Referenzpolygons
   
   
2. Sind alle Stützpunkte gesetzt, wird durch einen Rechtsklick die Digitalisierung des Polygons abgeschlossen. In der folgenden Eingabemaske erfolgt die Angabe der Klassen-ID sowie der entsprechenden Beschreibung. Es sei daran erinnert, dass die Nummerierung der Klassen bei eins beginnen und fortlaufend sein muss.
   
   400px|Maske zur Eingabe der Attribute
   
   
3. Nach Bestätigung der Eingabemaske wird das Polygon in der für diese ID zufällig erzeugten Farbe angezeigt.
   
   400px|Vollständiges Referenzgebiet in Zufallsfarbendarstellung
   
   
4. Es ist hilfreich, die Farbe der Darstellung dem dargestellten Sachverhalt so anzupassen, dass entweder Autoplausibilität entsteht (Wald = grün, Wasser = blau) oder auf gängige Anwendung bestimmter Farben (Siedlung = rötlich, Landwirtschaft = erdfarben) zurückgegriffen wird. Durch Verwendung der oben beschriebenen Vorlage muss dazu nicht mehr die ganze Darstellung des Layers, sondern nur noch die Farbe der einzelnen thematischen Klasse angepasst werden. Das dazu benötigte Fenster ist durch einen Linksklick auf die zu ändernde Farbe erreichbar. Dort kann auch die Beschriftung (von reference class 1 auf Settlement) aktualisiert werden.
   
   400px|Fenster zur Änderung von Darstellungsfarbe und Beschreibung
   
   
5. Das Ergebnis ist ein erstes Referenzgebiet einer bestimmten thematischen Klasse, im illustrierten Fall für die Klasse Siedlung.
   
   400px|Vollständiges Referenzgebiet in dem Sachverhalt angepasster Darstellung
   
   

Das beschriebene Vorgehen wird wiederholt, bis ausreichend Referenzgebiete definiert wurden. Das wiederholten Umschalten und die Bestätigung des folgenden Dialogfensters sichern den Referenzdatensatz. Werden auch die Farben und die Beschriftungen der Klassen angepasst, ergibt sich dann für das Beispiel der Rot u.U. folgendes Bild:

800px|Vollständig definierter Referenzdatenlayer überlagert über der Grenze des Untersuchungsgebiets

Import von Referenzgebieten

Um im Zuge der thematischen Klassifikation verwendet werden zu können, muss der definierte Referenzdatensatz in das ILMSImage-Projekt importiert werden. Er muss dazu zunächst einmal im aktuellen QuantumGIS-Projekt geladen sein - egal auf welchem Wege er erstellt wurde. In der Auswahlliste Reference data layer sind alle geladenen Vektorebenen aufgelistet, welche die oben beschriebene Struktur besitzen und damit von ILMSImage als importierbar betrachtet werden. Nach dem der gewünschte Layer selektiert wurde, startet ein Klick auf Conduct classification den eigentlichen Referenzdatenimport. Dabei wird der Vektordatensatz ins Rasterformat umgewandelt und der Attributliste der Zellen hinzugefügt. Das sollte i.d.R. sehr schnell passieren. Das fertige Ergebnis lässt sich durch einen Klick auf Visualize results in der aktuellen Kartenansicht darstellen. Für den oben beispielhaft gezeigten Referenzdatensatz könnte das Ergebnis - abhängig von den zu Grunde liegenden Zellgeometrien - so aussehen:

800px|Importierter und visualisierter Referenzdatensatz

Die für die Visualisierung verwendeten Farben übernimmt der Prozess direkt aus der Darstellung des entsprechenden Vektordatenlayers. Um die Themenklassen auseinander halten zu können, ist es daher empfehlenswert, schon bei der Definition unterschiedliche Farben für sie zu verwenden. Wenn diese dabei autoplausibel bzw. entsprechend gängiger Assoziationen folgend (siehe oben) eingesetzt werden, ist die rasche Erkennbarkeit des Referenzdatensatzes im Rasterformat - und später des eigentlichen Klassifikationsergebnisses - gewährleistet.

Endgültige Klassifikation

Die Auswahlbox Supervised classification aktiviert den letzten Arbeitsschritt im Rahmen des ILMSImage-Panels für die thematische Klassifikation. Dazu werden die Ergebnisse der Clusteranalyse und des Referenzdatenimports miteinander verknüpft.

Das endgültige Klassifikationsergebnis liegt im Rasterformat als GeoTIFF-Datei vor, um größtmögliche Kompatibilität zu gewährleisten.

800px|Endgültige thematische Klassifikation des Untersuchungsgebiets