kaukokartoituksen Kuvanluokitustekniikat [infografiikka]

mikä on Kuvanluokitus kaukokartoituksessa?

kaukokartoituksen 3 päätyyppiä kuvanluokitustekniikoita ovat:

• valvomaton kuvanluokitus
• valvottu kuvanluokitus
• objektipohjainen kuva-analyysi

valvomaton ja valvottu kuvanluokitus ovat kaksi yleisintä lähestymistapaa.

oliopohjainen luokittelu on kuitenkin saanut enemmän suosiota, koska siitä on hyötyä korkean resoluution aineistossa.

Lue lisää: 15 ilmaista satelliittikuvien tietolähdettä

1. Valvomaton luokitus

kaiken kaikkiaan valvomaton luokittelu on perustekniikka. Koska et tarvitse näytteitä valvomattoman luokittelun, se on helppo tapa segmentoida ja ymmärtää kuvan.

valvomattoman luokituksen kaksi perusvaihetta ovat:

• luo klustereita
• Määritä luokkia

kaukokartoitusohjelmiston avulla luodaan ensin “klustereita”. Joitakin yleisiä kuvan ryhmittelyalgoritmeja ovat:

• K-tarkoittaa
• ISODATA

poimittuasi klusterointialgoritmin, tunnistat, kuinka monta ryhmää haluat luoda. Voit esimerkiksi luoda 8, 20 tai 42 klusteria. Vähemmän klustereita on enemmän muistuttavia pikseleitä ryhmien sisällä. Mutta klustereiden lisääntyminen lisää ryhmien sisäistä vaihtelua.

selvyyden vuoksi nämä ovat luokittelemattomia klustereita. Seuraava vaihe on määrittää manuaalisesti maanpeitteen luokat kullekin klusterille. Esimerkiksi, jos haluat luokitella kasvillisuuden ja ei-kasvillisuuden, voit valita ne klusterit, jotka edustavat niitä parhaiten.

Lue lisää: valvottu ja valvomaton luokitus ArcGIS-järjestelmässä

2. Valvotussa luokituksessa

valvotun luokituksen kolme perusvaihetta ovat:

• valitse harjoitusalueet
• luo allekirjoitustiedosto
• Luokittele

valvottua kuvanluokitusta varten luodaan ensin koulutusnäytteet. Kaupunkialueita merkitään esimerkiksi merkitsemällä ne kuvaan. Sitten, jatkaisit lisäämällä koulutus sivustoja edustava koko kuva.

kunkin maanpeitteluokan osalta koulutusnäytteiden luomista jatketaan, kunnes kustakin luokasta on edustava näyte. Tämä puolestaan tuottaisi allekirjoitustiedoston, johon tallennetaan kaikki harjoitusnäytteet spektritieto.

lopuksi viimeinen vaihe olisi käyttää allekirjoitustiedostoa luokituksen suorittamiseen. Täältä, sinun pitäisi valita luokittelu algoritmeja, kuten:

• suurin todennäköisyys
• vähimmäisetäisyys
• pääkomponentit
• Tukivektorikone (SVM)
• Iso-klusteri

kuten useissa tutkimuksissa on osoitettu, SVM on yksi kaukokartoituksen parhaista luokittelualgoritmeista. Mutta jokaisella vaihtoehdolla on omat etunsa, joita voit testata itse.

3. Objektipohjainen kuva-analyysi (OBIA)

tässä ovat vaiheet objektipohjaisen kuva-analyysiluokituksen suorittamiseen:

• Suorita moniresoluution segmentointi
• valitse harjoitusalueet
• Määrittele tilastot
• Luokittele

Object-based image analysis (OBIA) segmentoi kuvan ryhmittelemällä pikseleitä. Se ei luo yksittäisiä pikseleitä. Sen sijaan se luo esineitä, joilla on erilaisia geometrioita. Jos sinulla on oikea kuva, esineet voivat olla niin merkityksellisiä, että se tekee digitoinnin puolestasi. Esimerkiksi alla olevat segmentointitulokset korostavat rakennuksia.

2 yleisintä segmentointialgoritmia ovat:

• Moniresoluutioinen segmentointi ecognitiossa
• segmentin keskimääräinen muutos ArcGIS: ssä

Object-Based Image Analysis (OBIA) – luokituksessa voidaan käyttää erilaisia menetelmiä kohteiden luokitteluun. Voit käyttää esimerkiksi:

muoto: Jos haluat luokitella rakennuksia, voit käyttää muototilastoa, kuten “suorakulmaista sopivuutta”. Tämä testaa kohteen geometriaa suorakulmion muotoon.

tekstuuri: Tekstuuri on kohteen homogeenisuus. Esimerkiksi vesi on enimmäkseen homogeenista, koska se on enimmäkseen tummansinistä. Metsissä on kuitenkin varjoja ja ne ovat sekoitus vihreää ja mustaa.

spektri: voidaan käyttää spektrin ominaisuuksien keskiarvoa, kuten lähi-infrapuna, lyhytaaltoinen infrapuna, punainen, vihreä tai sininen.

maantieteellinen konteksti: kohteilla on naapureiden välinen läheisyys-ja etäsuhde.

lähimmän naapurin luokitus: lähimmän naapurin (nn) luokitus on samanlainen kuin valvottu luokitus. Moniresoluutioisen segmentoinnin jälkeen käyttäjä tunnistaa kunkin maanpeittoluokan näytekohteet. Seuraavaksi ne määrittelevät tilastot kuva-objektien luokittelemiseksi. Lopuksi lähin naapuri luokittelee kohteet niiden yhdennäköisyyden perusteella koulutuspaikkoihin ja määriteltyihin tilastoihin.

Lue lisää: lähimmän naapurin Luokitusopas Ekokunnioituksessa

mitä Kuvan Luokittelutekniikkaa kannattaa käyttää?

sanotaan, että haluat luokitella veden korkean spatiaalisen erottelukyvyn kuvaan.

päätät valita kaikki kuvan pikselit, joissa on alhainen NDVI. Mutta tämä voi myös sekoittaa kuvan muita pikseleitä, jotka eivät ole vettä. Tästä syystä pikselipohjainen luokittelu, kuten valvomaton ja valvottu luokittelu, antaa suolan ja pippurin ilmeen.

ihmiset kokoavat paikkatietoa luontaisesti ryhmiin. Moniresoluution segmentointi tekee tämän tehtävän ryhmittämällä homogeeniset Pikselit objekteihin. Veden ominaisuudet ovat helposti tunnistettavissa moniresoluution segmentoinnin jälkeen. Näin ihmiset visualisoivat avaruudellisia piirteitä.

• milloin pitäisi käyttää pikselipohjaista (valvomatonta ja valvottua luokitusta)?
• milloin oliopohjaista luokittelua kannattaa käyttää?

kuten tässä artikkelissa esitetään, spatiaalinen erottelukyky on tärkeä tekijä kuvien luokittelutekniikoita valittaessa.

kun spatiaalinen erottelukyky on alhainen, sekä perinteiset pikselipohjaiset että objektipohjaiset kuvanluokitustekniikat toimivat hyvin.

mutta kun on korkea spatiaalinen erottelukyky, OBIA on parempi kuin perinteinen pikselipohjainen luokitus.

Remote Sensing Data Trends

vuonna 1972 Landsat-1 keräsi ensimmäisenä satelliittina maan heijastuskykyä 60 metrin tarkkuudella. Tähän aikaan saatavilla oli kaksi kuvanluokitustekniikkaa, valvomaton ja valvottu luokittelu. Tähän avaruudelliseen erottelukykyyn tämä riitti.

OBIA on kuitenkin kasvanut merkittävästi digitaalisena kuvankäsittelytekniikkana.

vuosien saatossa etähavaitun tiedon kysyntä on kasvanut. Kaukokartoitussovelluksia on satoja. Esimerkiksi ruokaturva, ympäristö ja yleinen turvallisuus ovat kysyttyjä. Kysynnän tyydyttämiseksi satelliittikuvat pyrkivät suurempaan avaruudelliseen erottelukykyyn laajemmilla taajuuksilla.

Kaukokartoituksen Tietosuuntaukset:

• yleisempi
• suurempi paikkatarkkuus
• laajemmat taajuudet

, mutta korkeamman resoluution kuvat eivät takaa parempaa maanpeitettä. Käytetyt kuvanluokitustekniikat ovat erittäin tärkeä tekijä tarkkuuden parantamisessa.

valvomaton vs valvottu vs oliopohjainen luokitus

Arkansasin yliopiston tapaustutkimuksessa verrattiin oliopohjaista vs pikselipohjaista luokitusta. Tavoitteena oli vertailla korkean ja keskisuuren spatiaalisen resoluution kuvia.

kaiken kaikkiaan oliopohjainen luokitus päihitti sekä valvomattomat että valvotut pikselipohjaiset luokittelumenetelmät. Koska OBIA käytti sekä spektristä että kontekstuaalista tietoa, sen tarkkuus oli suurempi. Tutkimus on hyvä esimerkki pikselipohjaisten kuvanluokitustekniikoiden rajoituksista.

Lue lisää: 9 maksutonta maailmanlaajuista Maanpeite / Maankäyttötietoa

Objektipohjaisen luokituksen kasvu

pikseliä on pienin kuvassa esitetty yksikkö. Kuvanluokituksessa käytetään yksittäisten pikselien heijastustilastoja.

tekniikan kehitys ja korkean paikkatarkkuuden kuvien saatavuus ovat lisääntyneet huomattavasti. Mutta myös kuvien luokittelutekniikat tulisi ottaa huomioon. Valokeilassa on objektipohjainen kuva-analyysi, joka tuottaa laadukkaita tuotteita.

Google Scholarin hakutulosten mukaan kaikkien kuvien luokittelutekniikoiden julkaisumäärä on kasvanut tasaisesti. Viime aikoina olioluokittelussa on ollut paljon kasvua.

tämä kaavio näyttää Google Scholarin vuosittaiset hakutulokset käyttäen” AllinTitle: “- hakulausetta.

jos pidit tästä kuvanluokitustekniikoiden oppaasta, suosittelen, että lataat kaukokartoituskuvan luokitusinfografian.

1. Blaschke T, 2010. Objektipohjainen kuva-analyysi kaukokartoitukseen. Isprs Journal of Photogrammetry and Remote Sensing 65 (2010) 2-16
2. Object-Based Classification vs Pixel-Based Classification: Comparitive Importance of Multi-Resolution Imagery (Robert C. Weih, Jr. ja Norman D. Riggan, Jr.)
3. Multiresolution segregation: optimointimenetelmä korkealaatuiseen moniasteiseen kuvan segmentointiin (Martin Baatz & Arno Schape)
4. Trimble eCognition Developer: http://www.ecognition.com