Tujuan klasifikasi
citra adalah memberi makna suatu landscape. Klasifikasi citra adalah
pengelompokan secara otomatis semua pixel pada citra kedalam
kategori/kelas-kelas penutup lahan atau tema. Misalnya: hutan, pertanian, tubuh
air. Umumnya menggunakan data multispektral (lebih dari 1 band) dan spectral
pattern sebagai dasar numerik untuk pengelompokan.
Aplikasi dari klasifikasi citra:
ü Menyediakan
informasi:
Penilaian
dan perencanaan wilayah
Proyek-proyek
riset
ü Pemodelan:
Neraca
karbon
Meteorologi
Biodiversiti
Spectral pattern
recognition adalah prosedur klasifikasi citra dengan menggunakan informasi
spektral pixel perpixel sebagai dasar klasifikasi penutup lahan secara
otomatis.Spacial pattern recognition adalah pengelompokan pixel citra
berdasarkan hubungan spasial dengan pixelpixel sekeliling.
Klasifikasi Multispektral
Dasar klasifikasi untuk
data penginderaan jauh adalah informasi spektral dari banyak band.Pengelompokannya
berbasis pixel (konvensional) dan berbasis objek, dalam praktikum ini digunakan
metode klasifikasi berbasis pixel. Klasifikasi berbasis pixel mendelineasi
batas kelas di dalam ruang berdimensi n memberi nama kelas dari pixel-pixel dalam
batas:
v Unsupervised
v Supervised
Klasifikasi berbasis pixel
(konvensional) terdiri dari:
a. Klasifikasi tidak terbimbing
(unsupervised classification)
Pada
pendekatan ini citra pertama kali diklasifikasi dengan pengagregasian citra
kedalam kelompok-kelompok spektral alami (cluster). Kemudian analis menentukan
identitas kelompok spektral dengan membandingkan citra klasifikasi dengan data
rujukan lapang.Perbedaan mendasar dengan teknik klasifikasi terbimbing adalah
pada klasifikasi tak terbimbing tidak terdapat tahap pengambilan training area.
Prosesnya adalah:
v Mengelompokan
pixel berdasarkan spectral alami
v Memberi
label atau nama kelas
Pengguna
meminta komputer untuk menguji dan mengekstrak sejumlah cluster yang berbeda spektral.
Hasil Klasfikasi tdk Terbimbing belum menjadi informasi sampai pengguna menetapkan
penutup lahan untuk setiap cluster. Proses sederhana untuk
mengelompokan/recode clusters kedalam kelas informasi.
b. Klasifikasi terbimbing
(supervised classification)
Pada klasifikasi ini analis citra membimbing proses
pengelompokan pixel dengan pemberian deskripsi numerik dari tipe-tipe
kenampakan atau penutup lahan yang ada pada citra.Untuk melakukan ini, lokasi
contoh representatif dari tipe penutup lahan yang diketahui (training set)
digunakan untuk mengkompilasi kunci interpretasi numerik yang mendeskripsikan
atribut spektral untuk setiap tipe kenampakan yang dipilih. Tahap proses
klasifikasi terbimbing adalah sebagai berikut:
a. Tahap training: analis
menentukan area training yang representatif dan mengembangkan deskripsi numerik
dari atribut spektral untuk setiap tipe penutup lahan;
b. Tahap klasifikasi: setiap
pixel pada citra dikelompokan kedalam kelas penutup lahan yang paling dekat
kemiripannya; jika pixel tidak cukup mirip dengan data training set, maka pixel
tsb. diberi label unclass;
c.
Tahap output: peta
tematik, tabel statistik,file data digital
Bila nilai digital dari suatu contoh
pixel pengamatan dari citra dua saluran diplot dalam diagram pencar, maka dua
DN tsb. menempatkan masing-masing pixel di dalam grafik ruang pengukuran (measurement
space) dua dimensi. Pixel di dalam setiap kelas tidak mempunyai nilai spektral
tunggal, tetapi cendrung memusat di dalam tiap kelas. Titik-titik awan ini
(cluster) mencerminkan deskripsi multidimensi dari tanggapan spektral setiap
tipe penutup lahan yang diinterpretasi.
Supervised classification meminta pengguna untuk memilih
training area, dimana ia tahu apa di atas lahan dan mendigitasi poligon di
dalam area tersebut, komputer kemudian membuat Mean ciri-ciri spektral.
Strategi Klasifikasi terbimbing adalah:
v Minimum-Distance to Mean
mean atau rata-rata DN setiap kategori dalam semua band dihitung
~ mean vector.Indentitas pixel unknown diklasifikasikan dengan menghitung jarak
antara nilai unknown pixel dan mean vector setiap kategori.Unknown pixel dikelompokan
ke kelas terdekat ~jarak paling kecil. Sederhana dan komputasi efisien, tetapi
memiliki keterbatasan: tidak sensitif terhadap perbedaan variasi dalam data
respon spektral;
v Parallelpiped
mempertimbangkan selang nilai dalam setiap kategori training
set, sensitif terhadap variance kategori.Selang nilai didefinisikan dengan DN tertinggi
dan terendah pada setiap band dan membentuk suatu kotak (wilayah keputusan).Unknown
pixel diklasifikasikan ke kategori selang, bila ia terletak didalam wilayah
keputusannya. Bila unknown pixel terletak pada area overlap
dari decision region maka unclass atau salah satu dari kategori yang overlap.Overlap:
covariance kurang dideskripsikan pada wilayah keputusan.Covariance adalah
kecendrungan nilai-nilai spektral terhadap variasi cluster yang memanjang dan
miring dari pengamatan pada diagram pencar.Pada data penginderaan jauh yang berkorelasi
positif
v Maximum LikelihoodClassification (MLC)
Asumsi yang harus dipenuhi adalah distribusi titik-titik awan (cluster)
dari kategori harus menyebar normal (Gaussian). .Peluang statistik dari pixel
anggota kelas penutup lahan dapat dihitung).Fungsi ini digunakan untuk
mengklasifikasikan unknown pixel dengan menghitung peluang dari nilai pixel
terhadap setiap kategori.MLC mendelineasi kontur peluang yang sama (berbentuk
elip).
