techniky klasifikace obrazu v dálkovém průzkumu [Infographic]

co je klasifikace obrazu v dálkovém průzkumu Země?

3 hlavní typy technik klasifikace obrazu v dálkovém průzkumu jsou:

• klasifikace obrazu bez dozoru
• klasifikace obrazu pod dohledem
• objektová analýza obrazu

klasifikace obrazu bez dozoru a pod dohledem jsou dva nejběžnější přístupy.

objektová klasifikace však získala větší popularitu, protože je užitečná pro data s vysokým rozlišením.

přečtěte si více: 15 bezplatných zdrojů dat ze satelitních snímků

1. Klasifikace bez dozoru

celkově je klasifikace bez dozoru nejzákladnější technikou. Protože nepotřebujete vzorky pro klasifikaci bez dozoru, je to snadný způsob, jak segmentovat a porozumět obrazu.

dva základní kroky pro klasifikaci bez dozoru jsou:

• generovat klastry
• přiřadit třídy

pomocí softwaru pro dálkový průzkum nejprve vytvoříme “klastry”. Některé z běžných algoritmů shlukování obrázků jsou:

• K-znamená
• ISODATA

po výběru algoritmu shlukování určíte počet skupin, které chcete vygenerovat. Můžete například vytvořit 8, 20 nebo 42 klastrů. Méně klastrů má více připomínající pixely ve skupinách. Ale více shluků zvyšuje variabilitu uvnitř skupin.

aby bylo jasno, jedná se o nezařazené klastry. Dalším krokem je ruční přiřazení tříd pokrytí půdy každému clusteru. Pokud například chcete klasifikovat vegetaci a ne vegetaci, můžete vybrat ty klastry, které je nejlépe reprezentují.

přečtěte si více: klasifikace pod dohledem a bez dozoru v ArcGIS

2. Klasifikace pod dohledem

tři základní kroky pro klasifikaci pod dohledem jsou:

• vyberte tréninkové oblasti
• generovat podpisový soubor
• klasifikovat

pro klasifikaci obrazu pod dohledem nejprve vytvořte tréninkové vzorky. Například označíte městské oblasti označením na obrázku. Pak byste pokračovali v přidávání tréninkových webů reprezentativních na celý obrázek.

pro každou třídu pokrytí půdy pokračujete ve vytváření výcvikových vzorků, dokud nemáte reprezentativní vzorky pro každou třídu. Na druhé straně by to vygenerovalo podpisový soubor, který ukládá všechny spektrální informace o výcvikových vzorcích.

posledním krokem by bylo použití souboru podpisu ke spuštění klasifikace. Odtud budete muset vybrat klasifikační algoritmy, jako jsou:

• maximální pravděpodobnost
• minimální vzdálenost
• hlavní komponenty
• Support vector machine (SVM)
• ISO cluster

jak je ukázáno v několika studiích, SVM je jedním z nejlepších klasifikačních algoritmů v dálkovém průzkumu Země. Ale každá možnost má své vlastní výhody, které si můžete vyzkoušet sami.

3. Objektová analýza obrazu (OBIA)

zde jsou kroky k provedení objektové analýzy obrazu klasifikace:

• proveďte multiresolution segmentaci
• vyberte tréninkové oblasti
• Definujte statistiky
• klasifikujte

objektová analýza obrazu (OBIA) segmentuje obraz seskupením Pixelů. Nevytváří jednotlivé pixely. Místo toho generuje objekty s různými geometriemi. Pokud máte správný obrázek, objekty mohou být tak smysluplné, že to dělá digitalizaci za vás. Například níže uvedené výsledky segmentace zvýrazňují budovy.

2 nejběžnější segmentační algoritmy jsou:

• segmentace s více rozlišením v rozpoznávání
• Střední posun segmentu v ArcGIS

v klasifikaci objektové analýzy obrazu (OBIA) můžete použít různé metody pro klasifikaci objektů. Můžete například použít:

tvar: pokud chcete klasifikovat budovy, můžete použít statistiku tvarů, například “obdélníkový tvar”. To testuje geometrii objektu do tvaru obdélníku.

textura: Textura je homogenita objektu. Například voda je většinou homogenní, protože je většinou tmavě modrá. Ale lesy mají stíny a jsou směsicí zelené a černé.

spektrální: můžete použít střední hodnotu spektrálních vlastností, jako je blízké infračervené, krátkovlnné infračervené, červené,zelené nebo modré.

geografický kontext: objekty mají blízkost a vzdálenost mezi sousedy.

klasifikace nejbližšího souseda: klasifikace nejbližšího souseda (NN) je podobná klasifikaci pod dohledem. Po segmentaci s více rozlišením uživatel identifikuje vzorová místa pro každou třídu pokrytí půdy. Dále definují statistiky pro klasifikaci obrazových objektů. Nakonec nejbližší soused klasifikuje objekty na základě jejich podobnosti s tréninkovými místy a definovanými statistikami.

přečtěte si více: Průvodce klasifikací nejbližších sousedů v ECognition

jakou techniku klasifikace obrázků byste měli použít?

řekněme, že chcete klasifikovat vodu v obraze s vysokým prostorovým rozlišením.

rozhodnete se vybrat všechny pixely s nízkým NDVI v tomto obrázku. To by však mohlo také špatně klasifikovat další pixely v obrázku, které nejsou vodou. Z tohoto důvodu klasifikace založená na pixelech, jako je klasifikace bez dozoru a pod dohledem, dává vzhled soli a pepře.

lidé přirozeně agregují prostorové informace do skupin. Multiresolution segmentace provádí tento úkol seskupením homogenních pixelů do objektů. Vodní prvky jsou snadno rozpoznatelné po Multiresolution segmentaci. Takto si lidé vizualizují prostorové rysy.

• kdy byste měli používat pixel-based (bez dozoru a pod dohledem klasifikace)?
• kdy byste měli použít objektovou klasifikaci?

jak je znázorněno v tomto článku, prostorové rozlišení je důležitým faktorem při výběru technik klasifikace obrazu.

pokud máte nízké prostorové rozlišení, fungují dobře jak tradiční techniky klasifikace obrazu založené na pixelech, tak na objektech.

ale pokud máte vysoké prostorové rozlišení, OBIA je lepší než tradiční klasifikace založená na pixelech.

trendy dat dálkového průzkumu Země

v roce 1972 byl Landsat-1 Prvním satelitem, který sbíral odrazivost země v rozlišení 60 metrů. V této době, bez dozoru a pod dohledem klasifikace byly dvě techniky klasifikace obrazu k dispozici. Pro toto prostorové rozlišení to stačilo.

OBIA se však významně rozrostla jako technika digitálního zpracování obrazu.

v průběhu let rostla poptávka po vzdáleně snímaných datech. Existují stovky aplikací dálkového průzkumu Země. Například bezpečnost potravin, životní prostředí a Veřejná bezpečnost jsou velmi žádané. Pro uspokojení poptávky se satelitní snímky zaměřují na vyšší prostorové rozlišení v širším rozsahu frekvencí.

Trendy Dat Dálkového Průzkumu Země:

• všudypřítomnější
• vyšší prostorové rozlišení
• širší rozsah frekvencí

ale obrázky s vyšším rozlišením nezaručují lepší pokrytí půdy. Použité techniky klasifikace obrazu jsou velmi důležitým faktorem pro lepší přesnost.

bez dozoru vs pod dohledem vs objektová klasifikace

případová studie z University of Arkansas porovnávala klasifikaci založenou na objektech a pixelech. Cílem bylo porovnat snímky s vysokým a středním prostorovým rozlišením.

celkově objektová klasifikace překonala klasifikační metody založené na pixelech bez dozoru i pod dohledem. Protože OBIA používala spektrální i kontextové informace, měla vyšší přesnost. Tato studie je dobrým příkladem některých omezení technik klasifikace obrazu založených na pixelech.

přečtěte si více: 9 zdarma Globální datové sady Land Cover / Land Use

růst objektové klasifikace

pixely jsou nejmenší jednotkou znázorněnou na obrázku. Klasifikace obrazu používá statistiku odrazivosti pro jednotlivé pixely.

došlo k velkému nárůstu pokroku v technologii a dostupnosti snímků s vysokým prostorovým rozlišením. Je však třeba vzít v úvahu také techniky klasifikace obrazu. Reflektor svítí na objektovou analýzu obrazu, aby dodával kvalitní produkty.

podle výsledků vyhledávání Google Scholar ukázaly všechny techniky klasifikace obrázků stálý růst počtu publikací. V poslední době vykazovala objektová klasifikace velký růst.

tento graf zobrazuje roční výsledky vyhledávání Google Scholar pomocí vyhledávací fráze ” AllinTitle:”.

pokud se vám líbil tento průvodce technikami klasifikace obrazu, doporučujeme stáhnout infographic klasifikace obrazu dálkového průzkumu Země.

1. Blaschke T, 2010. Objektová analýza obrazu pro dálkový průzkum Země. Isprs Journal of fotogrammetrie a dálkového průzkumu Země 65 (2010) 2-16
2. Objektová klasifikace vs pixelová klasifikace: srovnávací význam snímků s více rozlišením (Robert C. Weih, Jr. a Norman D. Riggan, Jr.)
3. Multiresolution segmentace: optimalizační přístup pro vysoce kvalitní multi-scale segmentace obrazu (Martin Baatz & Arno Schape)
4. Trimble eCognition Developer: http://www.ecognition.com