IV - VAN DAT TOT INFORMATIE
4- HOE KUNNEN WE BEELDEN ANALYSEREN EN KAARTEN PRODUCEREN?
4.3- Hoe kan een beeld visueel geanalyseerd worden?
Voordat er sprake was van digitale beelden of computerclassificatieprocedures waren enkel analoge luchtfoto’s voorhanden. Ervaren beeldanalisten analyseerden deze foto’s met behulp van overtrekpapier en kleurpotloden. Zo konden ze er toch een aanzienlijke hoeveelheid informatie uit afleiden.
Foto's werden al snel vervangen door digitale beelden en sinds de ontwikkeling van digitale beeldverwerking werden interpretatietechnieken geïmplementeerd met behulp van krachtige computers.
In vergelijking met digitale analyse, die quasi automatisch wordt uitgevoerd door computers met behulp van steeds meer gesofisticeerde algoritmen is visuele interpretatie natuurlijk een vrij langzaam en inspannend werk. Toch blijft het een belangrijke rol spelen omdat het aanzienlijke voordelen biedt. Het wordt namelijk uitgevoerd door specialisten die rekening kunnen houden met de kleur van de objecten en hun vorm, grootte en textuur in de gevisualiseerde spectrale kanalen. Bovendien houden ze ook rekening waar de objecten zich ten opzichte van mekaar in het beeld bevinden. Op die manier kunnen ze de functies van bepaalde gebouwen of structuren van objecten herkennen: woningen, industrieterreinen, verschillende landbouwmethoden, transportnetwerken,…
De algoritmen die gebruikt worden voor automatische beeldclassificatie verwarren bijvoorbeeld vaak bodembedekkingstypes die spectraal erg op mekaar lijken maar toch totaal verschillend zijn zoals dakpannen en naakte bodem of asfalt op wegen en de roofing op sommige gebouwen.
Door de snelle vooruitgang die geboekt wordt in het toepassen van kunstmatige intelligentie en zogenaamde deep learning is het nu mogelijk het potentieel van computers te gebruiken om computerondersteunde foto-interpretatie uit te voeren.
Op bovenstaande kaart afgeleid uit een beeld van de meren van Eau d'Heure is de definitie van sommige bodembedekkingsklassen opzettelijk zeer breed. We hebben de gebieden van het beeld waar gecultiveerde percelen in de meerderheid zijn (in geel) onderscheiden van gebieden waar grasland domineert (in lichtgroen). Deze resultaten verschillen nogal van diegene die verkregen zouden worden door digitale classificatie op pixelniveau, maar ze komen vaak beter overeen met de behoeften van gebruikers. Het is uiteraard mogelijk om de twee benaderingen te combineren, bijvoorbeeld om gecultiveerde gebieden en bossen in te delen op basis van digitale, gesuperviseerde classificatie en om bebouwde gebieden, het wegennet, enz. te extraheren door visuele interpretatie.