Billedklassificeringsteknikker i fjernmåling [infografik]

Hvad er Billedklassificering i fjernmåling?

de 3 hovedtyper af billedklassificeringsteknikker i fjernmåling er:

• uovervåget billedklassificering
• Overvåget billedklassificering
• objektbaseret billedanalyse

uovervåget og overvåget billedklassificering er de to mest almindelige tilgange.

objektbaseret klassificering har imidlertid fået mere popularitet, fordi den er nyttig til data i høj opløsning.

Læs mere: 15 Gratis satellitbilleder datakilder

1. Ikke-overvåget klassificering

samlet set er ikke-overvåget klassificering den mest basale teknik. Fordi du ikke har brug for prøver til klassificering uden tilsyn, er det en nem måde at segmentere og forstå et billede på.

de to grundlæggende trin til klassificering uden tilsyn er:

• Generer klynger
• Tildel klasser

ved hjælp af fjernmålingsprogrammer opretter vi først “klynger”. Nogle af de almindelige billedklyngealgoritmer er:

• K-betyder
• ISODATA

når du har valgt en klyngealgoritme, identificerer du antallet af grupper, du vil generere. Du kan f.eks. oprette 8, 20 eller 42 klynger. Færre klynger har mere ligner billedpunkter inden for grupper. Men flere klynger øger variabiliteten inden for grupper.

for at være klar er disse uklassificerede klynger. Det næste trin er manuelt at tildele landdækningsklasser til hver klynge. Vil klassificere vegetation og ikke-vegetation, kan du vælge de klynger, der repræsenterer dem bedst.

Læs mere: overvåget og uovervåget klassifikation i ArcGIS

2. Overvåget klassificering

de tre grundlæggende trin til overvåget klassificering er:

• Vælg træningsområder
• Generer signaturfil
• klassificer

for overvåget billedklassificering opretter du først træningsprøver. For eksempel markerer du byområder ved at markere dem på billedet. Derefter vil du fortsætte med at tilføje træningssteder repræsentative i hele billedet.

for hver landdækningsklasse fortsætter du med at oprette træningsprøver, indtil du har repræsentative prøver for hver klasse. Til gengæld ville dette generere en signaturfil, der gemmer alle træningsprøver spektral information.

endelig ville det sidste trin være at bruge signaturfilen til at køre en klassificering. Herfra skal du vælge en klassificeringsalgoritmer som:

• maksimal sandsynlighed
• Minimum-afstand
• hovedkomponenter
• Support vector machine (SVM)
• Iso cluster

som vist i flere undersøgelser er SVM en af de bedste klassificeringsalgoritmer inden for fjernmåling. Men hver mulighed har sine egne fordele, som du kan teste for dig selv.

3. Objektbaseret billedanalyse (OBIA)

her er trinene til at udføre objektbaseret billedanalyseklassificering:

• Udfør multiresolutionssegmentering
• Vælg træningsområder
• Definer statistik
• klassificer

objektbaseret billedanalyse (OBIA) segmenterer et billede ved at gruppere billedpunkter. Det skaber ikke enkeltbilleder. I stedet genererer det objekter med forskellige geometrier. Hvis du har det rigtige billede, kan objekter være så meningsfulde, at det gør digitaliseringen for dig. For eksempel fremhæver segmenteringsresultaterne nedenfor bygninger.

de 2 mest almindelige segmenteringsalgoritmer er:

• segmentering med flere opløsninger i økognition
• Segmentgennemsnitskift i ArcGIS

i Obia-klassificering (Obia) kan du bruge forskellige metoder til at klassificere objekter. For eksempel kan du bruge:

figur: hvis du vil klassificere bygninger, kan du bruge en figurstatistik som “rektangulær pasform”. Dette tester et objekts geometri til formen af et rektangel.

tekstur: Tekstur er homogeniteten af et objekt. For eksempel er vand for det meste homogent, fordi det for det meste er mørkeblåt. Men skovene har skygger og er en blanding af grøn og sort.

SPECTRAL: du kan bruge middelværdien af spektrale egenskaber såsom nær-infrarød, kortbølget infrarød, rød, grøn eller blå.

geografisk kontekst: objekter har nærhed og afstandsforhold mellem naboer.

nærmeste nabo klassificering: nærmeste nabo (NN) klassificering svarer til overvåget klassificering. Efter segmentering med flere opløsninger identificerer brugeren prøvesteder for hver landdækningsklasse. Dernæst definerer de statistikker for at klassificere billedobjekter. Endelig klassificerer den nærmeste nabo objekter baseret på deres lighed med træningsstederne og de definerede statistikker.

Læs mere: nærmeste nabo Klassificeringsvejledning i Økognition

hvilken Billedklassificeringsteknik skal du bruge?

lad os sige, at du vil klassificere vand i et billede med høj rumlig opløsning.

du vælger alle billedpunkter med lav NDVI i det billede. Men dette kan også fejlklassificere andre billedpunkter i billedet, der ikke er vand. Af denne grund giver billedbaseret klassificering som uovervåget og overvåget klassificering et salt-og peberudseende.

mennesker samler naturligt rumlig information i grupper. Multiresolution segmentering udfører denne opgave ved at gruppere homogene billedpunkter i objekter. Vandfunktioner er let genkendelige efter multiresolution segmentering. Sådan visualiserer mennesker rumlige træk.

• Hvornår skal du bruge billedbaseret (ikke-overvåget og overvåget klassificering)?
• Hvornår skal du bruge objektbaseret klassificering?

som illustreret i denne artikel er rumlig opløsning en vigtig faktor ved valg af billedklassificeringsteknikker.

når du har lav rumlig opløsning, fungerer både traditionelle billedbaserede og objektbaserede billedklassificeringsteknikker godt.

men når du har høj rumlig opløsning, er OBIA bedre end traditionel billedbaseret klassificering.

fjernmåling datatendenser

i 1972 var Landsat-1 den første satellit, der indsamlede jordreflektion ved 60 meter opløsning. På dette tidspunkt, uovervåget og overvåget klassificering var de to tilgængelige billedklassificeringsteknikker. For denne rumlige opløsning var dette tilstrækkeligt.

imidlertid er OBIA vokset markant som en digital billedbehandlingsteknik.

i årenes løb har der været en stigende efterspørgsel efter eksternt registrerede data. Der er hundredvis af remote sensing applikationer. For eksempel er fødevaresikkerhed, miljø og offentlig sikkerhed i høj efterspørgsel. For at imødekomme efterspørgslen sigter satellitbilleder mod højere rumlig opløsning ved et bredere frekvensområde.

Fjernmåling Data Tendenser:

• mere allestedsnærværende
• højere rumlig opløsning
• bredere frekvensområde

men billeder med højere opløsning garanterer ikke bedre jorddækning. De anvendte billedklassificeringsteknikker er en meget vigtig faktor for bedre nøjagtighed.

Unsupervised vs Supervised vs Object-Based Classification

en casestudie fra University of Arkansas sammenlignede objektbaseret vs billedbaseret klassificering. Målet var at sammenligne billeder med høj og medium rumlig opløsning.

samlet set overgik objektbaseret klassificering både ikke-overvågede og overvågede billedbaserede klassificeringsmetoder. Fordi OBIA brugte både spektral og kontekstuel information, havde den højere nøjagtighed. Denne undersøgelse er et godt eksempel på nogle af begrænsningerne ved billedklassificeringsteknikker.

Læs mere: 9 Gratis globale Arealdækning / arealanvendelse datasæt

vækst af objektbaseret klassificering

billedpunkter er den mindste enhed, der er repræsenteret i et billede. Billedklassificering bruger reflektionsstatistikker til individuelle billedpunkter.

der har været stor vækst i fremskridt inden for teknologi og tilgængeligheden af billeder med høj rumlig opløsning. Men billedklassificeringsteknikker bør også tages i betragtning. Spotlightet skinner på den objektbaserede billedanalyse for at levere kvalitetsprodukter.

ifølge Google Scholars søgeresultater har alle billedklassificeringsteknikker vist en stabil vækst i antallet af publikationer. For nylig har objektbaseret klassificering vist meget vækst.

denne graf viser Google Scholars årlige søgeresultater ved hjælp af søgesætningen “AllinTitle:”.

hvis du nød denne vejledning til billedklassificeringsteknikker, anbefaler jeg, at du henter infografik til fjernmåling af billedklassificering.

1. Blaschke T, 2010. Objektbaseret billedanalyse til fjernmåling. Isprs Journal for fotogrammetri og Remote Sensing 65 (2010) 2-16
2. Objektbaseret klassificering vs billedbaseret klassificering: sammenlignelig Betydning af billeder med flere opløsninger (Robert C. VIH, Jr. og Norman D. Riggan, Jr.)
3. Multiresolution segmentering: en optimering tilgang til høj kvalitet multi-skala billede segmentering (Martin Baat & Arno Schape)
4. Trimble eCognition Udvikler: http://www.ecognition.com