Klasifikasi OBIA: sample-based classification menggunakan eCognition Developer

Saddam Hussein

9 tahun ago

Target : Mampu melakukan klasifikasi berdasar sampel menggunakan algoritma Nearest Neighbor

Tulisan ini adalah seri kelima dalam latihan dasar di Tutorial OBIA, sebelum melanjutkan membaca, baca dulu tahap-tahap sebelumnya:

Table of Contents

Toggle

Langkah 1: Segmentasi

Untuk latihan kali ini, kita gunakan hasil segmentasi pada latihan sebelumnya.

Jika hasil tersebut hilang gunakan segmentasi dengan pengaturan sebagai berikut:

Multiresolution segmentation; scale = 10, parameter lainnya biarkan default.
Spectral difference segmentation, nilai = 5.

Langkah 2: Memilih sampel (ROI) untuk klasifikasi

1. Membuat kelas-kelas penutup lahan

Pada Windows Legend, Klik kanan à Insert new class

Ganti nama kelas dan warnanya.

Dengan cara yang sama, buat kelas Tanah terbuka, Lahan terbangun, dan Vegetasi.

2. Menampilkan toolbar Samples

Caranya, pilih Menu View –>Toolbar –> Samples

3. Mengambil sampel.

Klik pada Icon Select Samples.

Pilih kelas penutup lahannya, misal Air. Penutup lahan terpilih akan berwarna biru.

Untuk memilih objek yang akan dijadikan sampel, klik ganda atau gunakan klik + SHIFT.

Pilih beberapa sampel yang mewakili setiap kelas Air.

Gunakan beberapa tampilan dengan klik icon di bawah ini (Silahkan dicoba sendiri untuk mengetahui dan memahami setiap fungsi tampilan).

Dengan cara yang sama, ambil juga beberapa sampel untuk kelas penutup lahan yang lain.

Langkah 3: Mengatur Feature Space

1. Mengatur feature space

Klik Classification –> Nearest Neighbor –> Edit Standard NN Feature Space

Di sini terdapat ratusan object feature yang dapat kita gunakandengan melakukan double klik pada feature yang diinginkan. Untuk latihan kali ini kita gunakan Layer Values Mean dan Standard Deviation

Pada latihan berikutnya, cobalah menggunakan feature-feature lain, seperti tekstur dan geometri.

2. Melihat separabilitas sample dalam feature space 2D

Klik Tools –> 2D Feature Space Plot

Hasilnya kurang lebih seperti ini.

Beberapa hal penting dalam hal ini adalah kita harus menggunakan Level segmentasi sesuai dengan level segmentasi dimana sampel kita ambil.

Selanjutnya, kita dapat memilih untuk menampilkan kelas-kelas yang ingin kita tampilkan. Secara default, semua kelas akan ditampilkan.

Pengaturan axis X dan Y dapat diatur sesuai kebutuhan.

Langkah 3: Mengatur klasifikasi Nearest Neighbor

1. Menerapkan klasifikasi Nearest Neighbor pada kelas yang diinginkan

Pertama, kita harus mengatur kelas-kelas apa saja yang akan kita gunakan dalam klasifikasi.

Klik Classification –> Nearest Neighbor –> Apply Standard NN to Classes

Lalu pilih kelas-kelas yang akan kita gunakan. Kali ini kita gunakan semua kelas. Kita bisa memilih beberapa kelas saja (sesuai kebutuhan).

2. Eksekusi klasifikasi

Pada Process Tree, Klik Insert Child lalu gunakan pengaturan sebagai berikut.

Beberapa hal yang penting adalah:

pastikan level segmentasi sesuai dengan level segmentasi yang kita gunakan dan sesuaikan dengan level di mana kita memilih sampel.
Class filter = digunakan untuk memilih klasifikasi akan diterapkan pada kelas apa (latihan mendatang kita akan gunakan opsi ini)
Active class = kelas-kelas target klasifikasi.

Hasil: