The Effective Training Method for the Statistical Classification of Remotely Sensed Imagery

위성영상의 통계적 분류를 위한 유효 트레이닝 기법에 관한 연구

In statistical analysis of remotely sensed data, means and variances of each classes are used as the basis of statistical similarity determination. Therefore, the overall accuracy of classification is affected by the training results. It is assumed that the ideal distributions of pixel values follow normal distributions, but practically they have some aggregations and biases. non anomalies of distribution can affect the classification results greatly as well as the variances of training results. In this study, relationships between the inferential variances of the training sets and the distributions of pixel values are examined. and the resulting changes of classification results are studied. Furthermore, the training method which minimizes the effect of underestimation of variances is proposed.

위성영상의 통계적 분석에서는 트레이닝을 통하여 추정된 각 클래스의 평균과 분산을 통계적 유사성 결정의 근거로 사용한다. 따라서, 트레이닝 작업의 결과는 전체적인 분류정확도에 큰 영향을 주게 된다. 이상적인 위성영상 데이터의 분포는 정규분포에 근사한 것으로 가정되고 있으나, 실제로는 약간의 밀집도와 편의를 보이며 이러한 분포의 이상이 트레이닝 결과 추정되는 분산뿐만 아니라 분류 결과 자체에도 많은 영향을 준다. 본 연구에서는 트레이닝을 통해 추정된 분산의 특성과 이러한 특성이 화소값의 분포와 어떤 관련이 있는지를 규명하고, 그에 따른 분류결과의 변화에 대해 검토하였고, 분산 과소추정의 영향을 최소화할 수 있는 트레이닝 기법을 제시하였다.