Zusammenfassung
Der folgende Beitrag beschreibt neue Ansätze zur Klassifikation sowie zur Clusteranalyse multispektraler Landsat TM Daten mittels neuronaler Netze. Dabei werden die Vorteile neuronaler Netze bei nicht gaußverteilten Stichproben im Merkmalraum erläutert. Weiterhin werden die untersuchten Netztopologien und -modelle vorgestellt, wobei für die Klassifikation überwacht trainierte dreistufige Backpropagation Netze auf Pixel- und Texturebene zugrunde gelegt wurden. Zur Clusteranalyse wurde eine verallgemeinerte selbstorganisierende Kohonen Map gewählt, deren Ergebnisse durch direkte Abbildung der Netztopologie im Ausgangslayer auf den RGB—Farbwürfel visualisiert werden können. Aufgrund der dort gültigen topologischen Nachbarschaftsbeziehungen kennzeichnet die Ähnlichkeit von Pixelfarben im Ergebnisbild Klassenverwandschaften im Merkmalraum. Die Arbeitsweise der vorgestellten Techniken wird anhand von Beispielklassifikationen erläutert.
This is a preview of subscription content, log in via an institution.
Buying options
Tax calculation will be finalised at checkout
Purchases are for personal use only
Learn about institutional subscriptionsPreview
Unable to display preview. Download preview PDF.
Literatur
Benediktsson, J.A.; Ersoy, O.K.; Swain, P.H.: A consensual neural network, IGARSS, Purdue University, USA (1991)
Duda, R., Hart, P: Pattern Classification and Scene Analysis. New York: John Wiley and Sons, 1973
Groß, M.: Physiological Aspects of Human Vision and Computer Graphics. Tutorial for Eurographics ’91, to be published, 1991
Hepner, G.F.; Logan, T.; Ritter, N.; Bryant, N.: Artificial neural network classification using a minimal training set: comparison to conventional supervised classification
Kohonen, T.: Self—Organization and Associative Memory. Berlin — Heidelberg — New York: Springer, 1984
Key, J.; Maslanik, A.; Schweiger, A.J.: Classification of Merged AVHRR and SMMR Arctic Data with Neural Networks, Photogrammetric Engineering and Remote Sensing Vol. 55, No. 9 (1989)
Lippmann, R.: An Introduction to Computing with Neural Nets. IEEE ASSP Magazine, Vol. 3 (1987), No. 4, S. 4 – 22
Rumelhart, D., Hinton, E., Williams, R.: Learning internal Representations by Error Propagation. Parallel Distributed Processing: Explorations in the Microstructures of Cognition, Vol. 1, Cambridge, MA: MIT Press, 1986, S. 318 – 362
Author information
Authors and Affiliations
Editor information
Editors and Affiliations
Rights and permissions
Copyright information
© 1991 Springer-Verlag Berlin Heidelberg
About this paper
Cite this paper
Groß, M., Seibert, F. (1991). Multispektralklassifikation von Fernerkundungsdaten mittels neuronaler Netze. In: Radig, B. (eds) Mustererkennung 1991. Informatik-Fachberichte, vol 290. Springer, Berlin, Heidelberg. https://doi.org/10.1007/978-3-662-08896-8_10
Download citation
DOI: https://doi.org/10.1007/978-3-662-08896-8_10
Publisher Name: Springer, Berlin, Heidelberg
Print ISBN: 978-3-540-54597-2
Online ISBN: 978-3-662-08896-8
eBook Packages: Springer Book Archive