Create
Learn
Share

GEO333 Midterm 1-6

rename
crystal1902's version from 2017-11-06 23:27

Section

Question Answer
Thematic information extraction的三个过程: Define 什么中需要determine 什么的什么,identify classes of interest。 Acquire什么中要确定什么和什么。 Perform 中要做什么和什么。 Thematic info extraction的image process的7个步骤:选择什么和什么,进行什么,extract 最初的什么,select 什么,extract什么,extract什么,assess什么。 Report和distribute需要有哪三种形式。Thematic information extraction的三个过程: Define classification problem中需要determine study area的边界,identify classes of interest。 Acquire 适当的data中要确定remote sensing和ground truth of 地面信息。 Perform pre processing tasks中要做corrections和data integration。 Thematic info extraction的image process的7个步骤:选择classification logic和algorithms,进行image transofrmation,extract 最初的training data,select initial training data,extract final training data,extract thematic information,assess classification accuracy。 Report和distribute需要有三种:metadata,image and map lineage report,distribute和publish products
Classification basics: 为了把image components分成什么or什么,需要transform什么into什么,pixels变成什么。 Pattern recognition有两种。有三种classification algorithms。 Classes有哪两种特点, Hard是每个pixel只belong to什么,边界between class是什么的。 Fuzzy是每个pixel可以有什么 of classes,classes之间的boundaries是什么的Classification basics: 为了把image components分成classes or catagories,需要transform data into infomation,pixels变成geo-information。 Pattern recognition:spectral,spatial。 有三种classification algorithms:unsupervised,supervised和hybrid。 Classes有两种特点:hard和fuzzy, Hard是每个pixel只belong to 一个class,边界between class是distinct的。 Fuzzy是每个pixel可以有heterogeneous mix of classes,classes之间的boundaries是gradual的
两种classes的类型:什么和什么classes Information classes是谁认为的categories of interest,如农田。 spectral/data classes是什么 of data,groups of 什么regards to spectral observations。 Classification schemes: Thematic info extraction的第一步是什么,需要哪三个特征。所有之后的决定都是基于这一步,需要有collaborative effort between谁和谁两种classes的类型:information 和spectral data classes Information classes是analyst认为的categories of interest,如农田。 spectral/data classes是natural grouping of data,groups of pixels regards to spectral observations。 Classification schemes: Thematic info extraction的第一步是define info class of interest,需要exhaustive和exclusive和achievable。所有之后的决定都是基于这一步,需要有collaborative effort between generators和users
Univariate statistics: Central tendency算mean。 Dispersion算什么和什么。 Normal distribution是什么histograms,cluster在centre,68% of observation在1s,95.4在2s,99.73在3s。 Multivariate statistics: Covariance算两个variables的什么。 Correlation coefficient算什么。 Statistical classification: 用什么的algorithms 可以把pixels 分类。两个特点。1个constrain是什么。 在分类的时候可以有一个什么,因为不是所有的东西你都有兴趣需要分类,有了这个可以省时间。 三个basic typesUnivariate statistics: Central tendency算mean。 Dispersion算variance和std。 Normal distribution是bell histograms,cluster在centre,68% of observation在1s,95.4在2s,99.73在3s。 Multivariate statistics: Covariance算两个variables的common mean。 Correlation coefficient算两个variables的关系。 Statistical classification: 用statistical decision rules的algorithms 可以把pixels 分类。两个特点-很powerful和flexible。1个constrain是statistical assumptions。 在分类的时候可以有一个null class,因为不是所有的东西你都有兴趣需要分类,有了这个可以省时间。 三个basic types:supervised,unsupervised and hybrid。
Supervised Classification: Process of 用什么的samples 来classify 什么。 用training areas来表示什么for each class。decision rules 按照什么来区分什么。 这个方法需要你有什么 of study area,analyst决定了什么是主观的。 Agreement between spectral 和information 通常不perfect。 什么也会变成image 的一部分,不需要很多area of interests。你不需要很多pixels来分类。 五个步骤:什么-根据你想知道的东西来选择data,在用正确的什么和什么可以用来explore data,把data 变成map可以方便什么。Training选training areas(ROI)在image里选什么。Classification是用什么来classify image,不需要太多的classes。Assess accuracy。Output/PresentSupervised Classification: Process of 用known identity的samples 来classify 未知的identity。 用training areas来表示spectral information for each class。decision rules 按照training data attribute来区分feature space。 这个方法需要你有priori knowledge of study area,analyst决定了classification process是主观的。 Agreement between spectral 和information 通常不perfect。 Shadow也会变成image 的一部分,不需要很多area of interests。你不需要很多pixels来分类。 五个步骤:data selection-根据你想知道的东西来选择data,在用正确的correction和band ratio可以用来explore data,把data 变成map可以方便在现实中找到位置。Training选training areas(ROI)在image里选有代表性的digital number。Classification是用automated decision rules 来classify image,不需要太多的classes。Assess accuracy。Output/Present
Unsupervised classification: Process of 什么用什么found in 什么把image 分成什么classes。不需要提前知道什么。 四个步骤:选什么(+1),什么image,什么 clusters,assess 什么。 Training stage的目的是用什么来accurately 什么 of 想要的info classes,必须要representative 和 complete。所有构成info class的spectral classes都要完全represented。 Training rules:最小的training area 的sample size的input channels 在多少至多少,最好representative samples是从哪里来的,site也最好什么the scene。training data用来classification,GIGO是garbage in,garbage out。training refinement是process中重要的一部分Unsupervised classification: Process of 自动用natural groupings found in data 把image 分成spectral classes。不需要提前知道study area。 四个步骤:选number of class(+1),classify image,label clusters,assess accuracy。 Training stage的目的是用statistical measure来accurately characterize the spectral patterns of 想要的info classes,必须要representative 和 complete。所有构成info class的spectral classes都要完全represented。 Training rules:最小的training area 的sample size的input channels 在10-100,最好representative samples是从不同的site来的,site也最好throughout the scene。training data用来classification,GIGO是garbage in,garbage out。training refinement是process中重要的一部分
Supervised classification decision rules是用什么和什么来自动识别pattern。 三种统计varieties。 Minimum distance to mean有五个特点:什么上很简单,电脑上什么,适用于什么classes,assume什么distribution,对什么不敏感。Parallelepiped的六个特点:什么上简单,电脑上什么,对class variance的不同有什么,对什么有效,simplistic 什么,对什么不太适用。 Maximum likelihood classifier是用maximum likelihood classifier来define什么。 五个特点:电脑上很快速,对什么和什么都很敏感,最robust的什么,assume什么distribution,对data的什么很敏感Supervised classification decision rules是用数学和统计来自动识别pattern。 三种统计varieties:minimum-distance to means,parallelepiped,maximum likelihood。 Minimum distance to mean有五个特点:数学上很简单,电脑上快速,适用于spectrally distinct classes,assume normal distribution,对class variance 不敏感。Parallelepiped的六个特点:数学上简单,电脑上快速,对class variance的不同有很高的敏感度,对tight和highly repeatable classes有效,simplistic decision boundary,对high covariance 的classes不太适用。 Maximum likelihood classifier是用maximum likelihood classifier来define equi probability contours。 五个特点:电脑上很快速,对variance和covariance都很敏感,最robust的statistical classifier,assume normal distribution,对data维度很敏感
Tweaking maximum likelihood thresholding:MLC在什么的哪里perform最差,powerful condition--thresholds可以用来什么。 Bayesian classifier:用来减少什么 of什么in MLC, 用什么来weigh decision,如一个class 比另一个class common。 Training aids/ feature selection的目标是evaluate 什么和给什么(重复统计过程来得到一个结果) of training set refinement提供guidance 如graphical plots of training data 和statistical measures of separability。 histogram用来干什么如MLC是否normal distributionTweaking maximum likelihood thresholding:MLC在training sample distribution的tail perform最差,powerful condition--thresholds可以用来tweak decision boundary。 Bayesian classifier:用来减少average cost of misclassifying in MLC, 用priori probability term来weigh decision,如一个class 比另一个class common。 Training aids/ feature selection的目标是evaluate spectral class separability和给iterative process(重复统计过程来得到一个结果) of training set refinement提供guidance 如graphical plots of training data 和statistical measures of separability。 histogram用来检查每个 class中的range和distribution如MLC是否normal distribution
Statistical training tools---divergence:是相对简单的measure of 什么,transformed divergence accounts for the什么of什么,比如超过1900是好的,低于1900是坏的。 Statistical training tools----bhat:是more sophisticated separability measure,assume 什么distribution,有多少分类。 Using training tools:在disposal用所有的tool来手机信息,evaluate什么如feature selection。 Iterative process:adjust 什么和什么Statistical training tools---divergence:是相对简单的measure of class separability,transformed divergence accounts for the over representation of outlier classes,比如超过1900是好的,低于1900是坏的。 Statistical training tools----bhat:是more sophisticated separability measure,assume normal distribution,有三个连贯的分类。 Using training tools:在disposal用所有的tool来手机信息,evaluate不同的band set如feature selection。 Iterative process:adjust classes and training areas
Training and signature extension的目标是什么来代表什么,signature extension是这个signature 可以什么也叫function of 什么。 Signature extension remedies有两种。 Class stratification是在什么or什么的边界上分class,什么for map。 Normalization是在什么or什么的时候减少什么。 上述两点要在什么之前考虑Training and signature extension的目标是select training sites来代表被select的landcover classes,signature extension是这个signature 可以extend多少也叫function of heterogeneity。 Signature extension remedies有两种:class stratification和normalization。 Class stratification是在地理或环境上的边界上分class,recombine for map。 Normalization是在image correction or normalization的时候减少heterogeneity。 上述两点要在training之前考虑
Unsupervised classification:什么image into 什么基于什么 in data。三个步骤。这个更自动,也不需要ground scene knowledge。不太会有useable information class,速度快是很好的exploratory tool来了解image structureUnsupervised classification: 自动segment image into spectral classes 基于natural groupings in data。三个步骤:classify image,label cluster和assess accuracy。这个更自动,也不需要ground scene knowledge。不太会有useable information class,速度快是很好的exploratory tool来了解image structure
Classification是个什么process,有7个步骤:define什么,select 什么,evaluate什么,classify什么,evaluate什么,assess 什么,output什么Classification是个iterative process,有7个步骤:define theme,select training classes,evaluate class homogeneity,classify image,evaluate classified image,assess accuracy,output results
memorize

Recent badges