Presentasi sedang didownload. Silahkan tunggu

Presentasi sedang didownload. Silahkan tunggu

KLASIFIKASI DATA CITRA - Visual - Digital - Tidak terbimbing - Terbimbing PEMBANGUNAN DATA SIG (DATA INPUT)

Presentasi serupa


Presentasi berjudul: "KLASIFIKASI DATA CITRA - Visual - Digital - Tidak terbimbing - Terbimbing PEMBANGUNAN DATA SIG (DATA INPUT)"— Transcript presentasi:

1 KLASIFIKASI DATA CITRA - Visual - Digital - Tidak terbimbing - Terbimbing PEMBANGUNAN DATA SIG (DATA INPUT)

2 Element Order 1 Tone : Variasi kedalaman warna obyek dari hitam ke putih yang dapat dibedakan Tone : Variasi kedalaman warna obyek dari hitam ke putih yang dapat dibedakan Colour : Warna obyek Colour : Warna obyek VISUAL

3 Elemen Order 2: Geometric Arrangement Size – untuk menentukan obyek berdasarkan ukuran Size – untuk menentukan obyek berdasarkan ukuran Sifatnya adalah relatif Sifatnya adalah relatif Shape – untuk membantu menentukan obyek berdasarkan bentuk Shape – untuk membantu menentukan obyek berdasarkan bentuk man made – cenderung garis lurus man made – cenderung garis lurus natural – cenderung tidak beaturan natural – cenderung tidak beaturan VISUAL

4 Elements Orde 2 Spatial Arrangement Texture – frekuensi perubahan dan susunan dari tone Texture – frekuensi perubahan dan susunan dari tone Pengamatan visual kehalusan/kekasaran (smoothness or roughness) Pengamatan visual kehalusan/kekasaran (smoothness or roughness) Misal Air : biasanya halus, Alang-alang : medium texture, and Hutan alam dataran rendah: kasar Misal Air : biasanya halus, Alang-alang : medium texture, and Hutan alam dataran rendah: kasar Selalu ada pengecualian Selalu ada pengecualian Pattern - arrangement spasial dari objects Pattern - arrangement spasial dari objects Linear untuk jalan, sungai dll Linear untuk jalan, sungai dll VISUAL

5 Element order 3 Locational or Positional Site – bagaimana obyek berada pada suatau tempat Site – bagaimana obyek berada pada suatau tempat aspect, topography, geology, soil, vegetation and cultural features aspect, topography, geology, soil, vegetation and cultural features Association – obyek biasanya berasosiasi engan obyek yang lain. Association – obyek biasanya berasosiasi engan obyek yang lain. Sangat membantu dalam interpretasi mand made obyek Sangat membantu dalam interpretasi mand made obyek VISUAL

6 Elements Order 3 Interpreted Height – menjelaskan detail dari obyek Height – menjelaskan detail dari obyek Tinggi pohon/bangunan Tinggi pohon/bangunan Shadow – mungkin membantu/mengganggu interpretasi Shadow – mungkin membantu/mengganggu interpretasi Identifikasi dapat ditingkatkan dengan informasi bayangan Identifikasi dapat ditingkatkan dengan informasi bayangan VISUAL

7 Examples Dimana Mangrove ? Dimana Hutan dataran rendah ? Dimana Perkebunan ? Dimana Lahan terbuka ? Dimana Sungai ? Dimana Jalan ? Dimana Awan ? Dimana Bayangan awan ? Dimana Tamnak ? Dimana Semak belukar ?

8 ANALISIS DIGITAL Distribusi Nilai DN Distribusi Nilai DN Pengelompokan Nilai DN Pengelompokan Nilai DN Minimum Distance Minimum Distance Parallelepiped Classification Parallelepiped Classification Stepped Parallelepiped Stepped Parallelepiped Probability Density Functions Probability Density Functions Equiprobability Contours Equiprobability Contours

9 REFLECTANCE CURVE

10 BAND 4 BAND 3

11 BAND 4 BAND 3

12 Minimum Distance To Means Classification Stategy

13 Parallelepiped Classification Strategy

14 Stepped Parallelepiped Strategy

15 Probability Density Functions Defined by Maximum Likelihood Classifier

16 Equiprobability Contours Defined by a Maximum Likelihood Classification

17 Klasifikasi Tidak Terbimbing Mengelompokan Nilai DN Berdasarakan Minimum Distance, tanpa campur tangan operator Mengelompokan Nilai DN Berdasarakan Minimum Distance, tanpa campur tangan operator Tetap perlu pemahaman lapang untuk reklasifikasi Tetap perlu pemahaman lapang untuk reklasifikasi

18 Klasifikasi Tidak Terbimbing

19 Klasifikasi Terbimbing Mengelompokan Nilai DN Berdasarakan Minimum Distance, dengan arahan operator Mengelompokan Nilai DN Berdasarakan Minimum Distance, dengan arahan operator Menentukan rule/aturan pengelompokan Menentukan rule/aturan pengelompokan Menentukan training area Menentukan training area Klasifikasi Klasifikasi Pengelompokan Ulang Pengelompokan Ulang Uji akurasi Uji akurasi

20 Training Area

21 Klasifikasi Terbimbing


Download ppt "KLASIFIKASI DATA CITRA - Visual - Digital - Tidak terbimbing - Terbimbing PEMBANGUNAN DATA SIG (DATA INPUT)"

Presentasi serupa


Iklan oleh Google