Выбор параметров для классификации с обучением в ENVI

[Sasfeat]

Здравствуйте!
Есть Landsat 8 и ENVI. Пример задачи: классфикация растительности.
Предположим, территория для меня неизвестна, работа только камеральная.
Создана выборка, необходимо ее оценить и понять какой метод классификации использовать. Параллельно определить соответствующие параметры.
Пока могу решить задачу исключительно эмпирическим путем(все что касается подбора параметров вне зависимости от типа классификации). В обучающих материалах, с которыми удалось поознакомиться подход именно такой.
Вопрос:
К примеру, хочу использовать метод спектрального угла или метод максимального правдоподобия. Как подобрать параметры угла или вероятности?

[nadiopt]

никогда не работала с углом, но я обычно оцениваю первым делом разделимость образцов (дивергенция и статистика джеффриса-матсушиты). нет энви под рукой, но вроде бы она считается в менюшке roi tools-compute separability
чем ближе она к 2, тем лучше классы различаются между собой. если меньше 1, то вряд ли получится что-то путевое, и классы надо объединять
для максимального правдоподобия чем выше порог вероятности, тем больше будет неклассифицированных пикселей, тут уж смотрите сами. я чето со второго курса (там была статистика) везде ставлю вероятность 95:)
и кстати умолчальные параметры в энви вроде нон, нет?

[Sasfeat]

чем ближе она к 2, тем лучше классы различаются между собой. если меньше 1, то вряд ли получится что-то путевое, и классы надо объединять

спасибо!касаемо значений: посмотрел математику - понял, что лучше просто поверить

и кстати умолчальные параметры в энви вроде нон, нет?

да, они по умолчанию none,но мне от этого не легче. Все же мне хотелось бы разобраться, как правильно оценивать выборки еще перед выбором метода классификации.
Осмелюсь предположить, что на сегодняшний день весь предпроцессинг непосредственно в ENVI выполнить нельзя. Но вот в чем он должен состоять, мне пока не очень понятно. Складывается впечатление что или никто особо не переживает по этому поводу, а если кто переживает - держит в секрете)

[nadiopt]

да, сие знание - сакральное
имхо, все зависит от дискретности/непрерывности классифицируемых экосистем. если лес сильно смешанный, ничем не удастся нормально разобрать. если отдельные монопородные участки - так и максимальное правдоподобие что-то да даст.
определитесь, что такое "предпроцессинг". Это выдела? полевые точки? геоботанические описания? как будете проверять? какая точность требуется?

[Sasfeat]

имхо, все зависит от дискретности/непрерывности классифицируемых экосистем. если лес сильно смешанный, ничем не удастся

Задача классификации растительности была взята в качестве примера.

определитесь, что такое "предпроцессинг". Это выдела? полевые точки? геоботанические описания? как будете проверять? какая точность требуется?

все то что нужно сделать перед тем как переходить к какому-то конкретному алгоритму.
Выбор эталонов, их оценка, принятие решения, нужно ли добавлять кластеры или нужно какие-то убирать(как определить какие именно - в теории понятно,а вот на практике, в конкретном ПО, не очень), расчет разбросов, зон пересечений классов и еще что-то

[nadiopt]

тут еще надо с алгоритмом определиться заранее. поглядеть, какое распределение имеют данные, достаточно ли их количество (некоторые методы требуют много эталонов, и не забываем про контрольные точки). еще я столкнулась, что для малого количества классов (да еще и не очень четко разделимых) вполне хватает чего-то простого и быстрого, типа максимального правдоподобия
я обычно в энви смотрю спектральные кривые каждого класса, смотрю, в каком диапазоне они лучше разделяются, в каком путаются (можно ж не брать его в классификацию). Это делается в рои тулс по-моему кнопочкой статс или плот. Потом считаю разделимость, там сразу отчет вылазит очень удобный. При необходимости объединяю классы. это тоже в рои тулс. В энви я делаю классификацию, если надо быстро - правдоподобием, а в основном деревом решений, его удобно в ходе классификации переделывать, и туда можно добавлять дополнительную информацию, например индексы

[Dodekaphonia]

Вариант, возможно, дилетантский, но когда возникала необходимость подробно проанализировать эталоны перед классификацией, использовала Multispec и R. Т.е. из Multispec выгружала все эталоны (значения всех пикселей в классах по каналам) в текстовый файл, а потом их уже можно всевозможными методами проверять на разделимость и визуализировать в R. Хотя обычно стандартных инструментов ENVI (уже упомянутых Separabilty, Plot, Statistics) оказывается достаточно.
Что касается подбора параметров, да, они эмпирические, т.к. зависят от входных данных. В хелпе расписано, что для каждого метода является порогом.

[Sasfeat]

Вариант, возможно, дилетантский, но когда возникала необходимость подробно проанализировать эталоны перед классификацией, использовала Multispec и R. Т.е. из Multispec выгружала все эталоны (значения всех пикселей в классах по каналам) в текстовый файл, а потом их уже можно всевозможными методами проверять на разделимость и визуализировать в R.

Думаю стоит попробовать
спасибо!