Klasifikasi Citra Digital
• Proses penempatan pixel pada kelas
• Dianggap sebagai satuan tersendiri
• Memiliki nilai tertentu pada pita spektral
• Dibandingkan satu dengan yang lain
• Dibandingkan dengan yang diketahui identitasnya
• Pixel bernilai sama dikelompokkan menjadi satu kategori Setiap kelas membentuk daerah tertentu pada scene
• Ditampilkan sebagai mosaik dari beberapa nilai uniform
• Ditampilkan dengan kode warna atau simbol Pixel dalam satu kelas lebih mirip satu
sama lain
• Dalam satu kelas terdapat perbedaan karena variasi dalam kelas
• Merupakan alat untuk pengamatan citra digital Classifier Klasifikasi Citra Digital secara umum mengacu pada program dengan prosedur klasifikasi citra
• Spectral/point classifier mengamati setiap pixel sebagai satu titik
• Sedehana, tidak dapat mengambil informasi hubungan antar pixel
• Image texture adalah pola brightness dalam satu grup pixel
Spatial/neighborhood mengamati
Klasifikasi Citra Digital
classifier area dalam citra dengan informasi spektral
dan tekstural
• Sulit diprogram tetapi sangat akurat
• Jarang digunakan secara rutin dalam
remote sensing membutuhkan Klasifikasi Citra Digital]
Supervised classification membutuhkan interaksi dengan analis
Unsupervised classification bekerja secara hampir otomatis
Hybrid classification adalah metode yang memiliki ciri supervised dan unsupervised
Kelas Informasional
• Kategori obyek yang diamati
– Hutan
– Geologi
– Land use
• Tidak direkam langsung oleh sensor
• Rekamannya berupa pola brightness
Kelas Spektral
• Kelompok pixel yang brightnessnya sama dalam beberapa kanal spektra
• Dapat diamati pada data remote sensing
• Dihubungkan dengan kelas informasional untuk mendapatkan informasi scene
• Untuk membedakan dua kelas adalah dengan mencai beda nilai rata-ratanya
• Kelas yang sangat berbeda memiliki nilai beda yang besar
Unsupervised Classification
• Identifikasi kelompok alam atau bangunan dari data multispektral
• Citra remote sensing terdiri atas kelas spektral yang masing-masing seragam
dalam beberap kanal spektra
• Definisi, identifikasi, labeling, dan pemetaan kelas alam
Keunggulan
Classification
• Tidak membutuhkan pengetahuan awal yang detail mengenai daerah pengamatan
• Kemungkinan terjadi human error dapat dikurangi
• Kelas yang unik diidentifikasi secara tersendiri
• Proses penempatan pixel pada kelas
• Dianggap sebagai satuan tersendiri
• Memiliki nilai tertentu pada pita spektral
• Dibandingkan satu dengan yang lain
• Dibandingkan dengan yang diketahui identitasnya
• Pixel bernilai sama dikelompokkan menjadi satu kategori Setiap kelas membentuk daerah tertentu pada scene
• Ditampilkan sebagai mosaik dari beberapa nilai uniform
• Ditampilkan dengan kode warna atau simbol Pixel dalam satu kelas lebih mirip satu
sama lain
• Dalam satu kelas terdapat perbedaan karena variasi dalam kelas
• Merupakan alat untuk pengamatan citra digital Classifier Klasifikasi Citra Digital secara umum mengacu pada program dengan prosedur klasifikasi citra
• Spectral/point classifier mengamati setiap pixel sebagai satu titik
• Sedehana, tidak dapat mengambil informasi hubungan antar pixel
• Image texture adalah pola brightness dalam satu grup pixel
Spatial/neighborhood mengamati
Klasifikasi Citra Digital
classifier area dalam citra dengan informasi spektral
dan tekstural
• Sulit diprogram tetapi sangat akurat
• Jarang digunakan secara rutin dalam
remote sensing membutuhkan Klasifikasi Citra Digital]
Supervised classification membutuhkan interaksi dengan analis
Unsupervised classification bekerja secara hampir otomatis
Hybrid classification adalah metode yang memiliki ciri supervised dan unsupervised
Kelas Informasional
• Kategori obyek yang diamati
– Hutan
– Geologi
– Land use
• Tidak direkam langsung oleh sensor
• Rekamannya berupa pola brightness
Kelas Spektral
• Kelompok pixel yang brightnessnya sama dalam beberapa kanal spektra
• Dapat diamati pada data remote sensing
• Dihubungkan dengan kelas informasional untuk mendapatkan informasi scene
• Untuk membedakan dua kelas adalah dengan mencai beda nilai rata-ratanya
• Kelas yang sangat berbeda memiliki nilai beda yang besar
Unsupervised Classification
• Identifikasi kelompok alam atau bangunan dari data multispektral
• Citra remote sensing terdiri atas kelas spektral yang masing-masing seragam
dalam beberap kanal spektra
• Definisi, identifikasi, labeling, dan pemetaan kelas alam
Keunggulan
Classification
• Tidak membutuhkan pengetahuan awal yang detail mengenai daerah pengamatan
• Kemungkinan terjadi human error dapat dikurangi
• Kelas yang unik diidentifikasi secara tersendiri