- Überwachte Klassifikation mit ERDAS

Ein genaueres Ergebnis liefert eine überwachte Klassifikation. Um die dafür nötigen Testgebiete zu digitalisieren, muss zunächst einmal ein AOI-Layer („Area of Interest“) erstellt werden (File – New – AOI-Layer), auf dem die Flächen ähnlich der manuellen Informationsextraktion definiert werden. Über AOI – Tools kann die Layer-Toolbox geöffnet werden, hier findet sich wieder die Schaltfläche zum Abgreifen der Polygone . Im Signature Editor (Classifier – Signature Editor) lassen sich die Klassen verwalten: nachdem ein Trainingsgebiet importiert wurde, kann es benannt, signiert oder mit anderen Trainingsgebieten zusammengefasst werden , wenn diese die gleiche Klasse repräsentieren.
Sind für alle gewünschten Klassen ausreichend und gut über das Bild verteilte, homogene Trainingsgebiete digitalisiert worden, können der AOI-Layer und das signature set gespeichert werden. Die Klassifikation wird über Classifier – Supervised Classification erzeugt, dafür wieder die Ein- und Ausgangsdatei definieren sowie die Trainingsgebiete über „Input Signature File“ laden.


Abb. 1: Überwachte Klassifikation (Quelle: Eigene Darstellung)

Anschließend können eine Reihe von Zuweisungskriterien gewählt werden, nach denen die einzelnen Pixel des Bildes den neuen Klassen, die durch die Testgebiete repräsentiert werden, zugewiesen werden. Die können das Endergebnis stark beeinflussen: In ERDAS können sowohl parametrische als auch nicht-parametrische Regeln verwendet werden. Nach parametrischen Regeln entscheiden allein die statistischen Eigenschaften, welcher Klasse ein Pixel zugeordnet wird, beispielsweise die Lage bei der „Minimum Distance“-Methode. Der non-parametrischen Regel liegt der Vergleich der Pixelwolke mit einer Klasse zu Grunde: entweder sie lässt sich eindeutig zuordnen, entspricht keiner Klasse („Unclassified Rule“) oder lässt sich mehreren Klassen zuordnen. Welcher Klasse im letzten Fall zugeordnet werden soll, wird über „Overlap Rule“ definiert.