[জিওগ্রাফিক ইনফরমেশন সিস্টেম (GIS) – লেকচার ১২]
[জিওগ্রাফিক ইনফরমেশন সিস্টেম (GIS) – লেকচার ১৪]
Image Classification
আজকে আমরা শিখব কিভাবে একটি ‘Satellite Image’-কে বিভিন্ন ‘Class’-এ ভাগ করা যায়। এইখানে সংক্ষিপ্ত আকারে ‘Image Classification’ নিয়ে আলোচনা করা হবে, আর বিস্তারিত জানতে হলে নিম্নের ‘PowerPoint Slide’ টি পড়ুন।
সচরাচর ‘GIS’-এ ‘Image’ বলতে ‘Raster Image’-কেই বোঝায়। এই ক্ষেত্রে সাধারণত একটি ‘Image’; এক বা একাধিক বর্গাকার ‘Cell’-এর সমন্বয়ে গঠিত হয়। ঐ প্রতিটি ‘Cell’-কে ‘Pixel’ বলা হয়। নিচের ছবিটি দেখুন:
‘GIS’-এ ‘Image Classification’ বলতে আমরা বুঝব, একটি ‘Satellite Image’ থেকে প্রয়োজনীয় তথ্য বের করে আনা। নিচের ছবিটি খেয়াল করুনঃ
উপরের ছবির বাম পাশেরগুলো হল – ‘Satellite Image’; আর ডানপাশেরগুলো হল – ‘Classified Image’। একটি ‘Satellite Image’ তিনটি ব্যান্ড (লাল, সবুজ এবং নীল) নিয়ে গঠিত হয়; যা থেকে শ্রেণিবিন্যাস বোঝা যায় না। কিন্তু একটি ‘Classified Image’ থেকে কোনটা কোন শ্রেণি তা স্পষ্টই বোঝা যায়।
‘Image Classification’ দুই প্রকার।
- Pixel ভিত্তিকঃ এই ধরণের শ্রেণিবিন্যাস একটি ইমেজ পিক্সেলের ‘Spectral’ বৈশিষ্ট্যের (রং) উপর ভিত্তি করে করা হয়।
- Object ভিত্তিকঃ এই শ্রেণিবিন্যাস একটি ইমেজের রং (Spectral Characteristics), আকার, আকৃতি, গঠনবিন্যাস এবং আশপাশের অন্যান্য পিক্সেলের বৈশিষ্ট্য ইত্যাদির উপর ভিত্তি করে করা হয়।
আজকের লেকচারে আমরা ‘Pixel based Image Classification’ নিয়ে আলোচনা করব। এই শ্রেণিবিন্যাস আবার দুই প্রকারঃ
(১) Supervised Classification
এই শ্রেণিবিন্যাসে গবেষক/ বিশ্লেষককেই প্রথমে সমধর্মী ‘Pixel’ নির্ধারণ করে দিতে হয়। ‘ArcGIS’ সফটওয়্যার দিয়ে এই শ্রেণিবিন্যাস কিভাবে করা যায় তার বিস্তারিত ধাপগুলো নিচের ভিডিওটিতে দেখানো হলঃ
এছাড়া ধাপসমূহ নিম্নে বর্ণনাও করা হলঃ
- ArcMap-এ গিয়ে ‘Add Data’ > ‘Folder Connect’-গিয়ে নির্ধারিত ফোল্ডার থেকে ‘Shapefile Add’ করতে হবে (এখানে ‘dmp_2009.tif’ হল ২০০৯ সালের ঢাকার ‘Landsat Satellite Image’ এবং ‘Dhk_MetroBnd.shp’ হল ঢাকা শহরের সীমানা)।
- ‘dmp_2009.tif’-এর ‘Properties’-এ গিয়ে ‘Symbology’-তে ‘RGB=432’ > OK।
- এইবার ‘Image Classification’ টুলটা নিয়ে আসি।
- ‘Draw Polygon’ দিয়ে হালকা নীল রঙের ‘Pixel’-গুলোকে ‘Digitize’ করি।
- এরপর ‘Training Sample Manager’-এ গিয়ে যে চারটি ‘Polygon Digitize’ করেছি, সেগুলোকে ‘Select’ করে ‘Merge training samples’ দেই।
- ‘Class Name’ দিব ‘Builtup Area’ এবং এর রং দিব লাল।
- একইভাবে কালো এবং গাড় নীল বর্ণের ‘Pixel’-গুলোকে ‘Water Body’, লাল রঙয়ের ‘Pixel’-গুলোকে ‘Vegetation’, এবং হালকা মাটি ও অতি-উজ্জ্বল বর্ণের ‘Pixel’-গুলোকে ‘Sand Fill’ হিসাবে চিহ্নিত করি।
- ‘Save training samples’ > কাঙ্ক্ষিত ফোল্ডারে গিয়ে ‘training sample_Dhaka_2009’ নামে ‘Save’ করি।
- এরপর প্রতিটি ক্লাসের ‘Histograms’, ‘Scatterplots’ এবং ‘Statistics’ দেখে নিতে পারি, কোন অসঙ্গতি থাকলে নতুন করে ‘Digitize’ করতে হবে।
- সব ঠিক থাকলে, ‘Create a signature file’ > এরপর কাঙ্ক্ষিত ফোল্ডারে গিয়ে ‘signature_Dhaka_2009’ নামে ‘Save’ করি।
- ‘Maximum Likelihood Classification’ > Input raster bands = dmp_2009.tif > Input signature file = signature_Dhaka_2009.gsg > Open > OK।
- এরপর ‘MLClass_tif3’ নামে একটি নতুন ‘Raster Image’ সৃষ্টি হয়ে গেল।
- এখন ‘Training sample manager’-এ গিয়ে ‘Value’-এর সাথে মিলিয়ে আমাদের কাঙ্ক্ষিত ‘Class Name’-গুলো চিহ্নিত করি।
- ‘Layer Properties’-এ গিয়ে প্রতিটি ক্লাসের জন্য নিজের পছন্দমত রং দেই।
- এভাবে অবশেষে পাওয়া গেল 4টি ‘Class’-যুক্ত ঢাকার ‘Supervised Classified Image’। নিচের ছবিটি দেখুনঃ
(২) Unsupervised Classification
এই শ্রেণিবিন্যাস ইমেজের অন্তর্নিহিত সমধর্মী (similar) ‘Pixel’-এর ভিত্তিতে করা হয়। ‘ArcGIS’ সফটওয়্যার দিয়ে এই শ্রেণিবিন্যাস করার ধাপগুলো নিম্নের ভিডিওটিতে দেখানো হলঃ
এছাড়া ধাপসমূহ নিম্নে বর্ণনা করা হলঃ
- Add Data > Shapefile Add (এইখানে ‘dmp_2009.tif’ হল ২০০৯ সালের ঢাকার ‘Landsat Satellite Image’)।
- Layer Properties > Symbology > RGB = 432 করা হল > OK।
- Classification > Iso Cluster Unsupervised Classification।
- Input Raster Bands = dmp_2009.tif দিব।
- Number of Classes = 4 > OK।
- ‘isocluster2’ নামে 4টি ‘Class’-যুক্ত নতুন একটি ‘Shapefile’ সৃষ্টি হল।
- এইবার ‘Class’-গুলোর নামকরণ করা হল। কোনটি কোন ‘Class’ হবে, তা আগে থেকেই জানতে হবে। নাহলে ভুল শ্রেণিবিন্যাস হয়ে যাবে।
- এভাবে ‘Water Body’, ‘Builtup Area’, ‘Vegetation’, এবং ‘Sand Fill’ নামক 4টি ‘Class’-যুক্ত ‘Unsupervised Classified Image’ সৃষ্টি হয়ে গেল। নিচের ছবিটি দেখুনঃ
‘Image Classification’ নিয়ে কাজ করতে গেলে আরও বিস্তারিতভাবে জানতে হবে ‘Raster Image’, ‘Image Pixel’, ‘Spatial Resolution’, ‘Spectral Resolution’, ‘Band Properties’, ‘False Color Composition’, ‘Classifier’ ইত্যাদি নিয়ে। তাহলে আজকের এই লেকচার আরও স্পষ্ট হবে। আজকের মত লেকচার এখানেই শেষ হচ্ছে। ধন্যবাদ!