Képosztályozási technikák a Távérzékelésben [Infographic]

mi a Képosztályozás a Távérzékelésben?

a távérzékelésben a képosztályozási technikák 3 fő típusa a következő:

• felügyelet nélküli képosztályozás
• felügyelt képosztályozás
• objektumalapú képelemzés

a felügyelet nélküli és felügyelt képosztályozás a két leggyakoribb megközelítés.

az objektumalapú osztályozás azonban nagyobb népszerűségre tett szert, mert hasznos a nagy felbontású adatoknál.

Olvass tovább: 15 ingyenes műholdas képi adatforrás

1. Felügyelet nélküli osztályozás

összességében a felügyelet nélküli osztályozás a legalapvetőbb technika. Mivel nincs szükség mintákra a felügyelet nélküli osztályozáshoz, ez egy egyszerű módja a kép szegmentálásának és megértésének.

a felügyelet nélküli osztályozás két alapvető lépése a következő:

• klaszterek létrehozása
• osztályok hozzárendelése

távérzékelő szoftver segítségével először “klasztereket”hozunk létre. Néhány közös képcsoportosítási algoritmus a következő:

• K-jelentése
• ISODATA

a klaszterezési algoritmus kiválasztása után azonosítja a létrehozni kívánt csoportok számát. Létrehozhat például 8, 20 vagy 42 fürtöt. Kevesebb klaszter rendelkezik több hasonló pixellel a csoportokon belül. De több klaszter növeli a csoportokon belüli változékonyságot.

hogy világos legyen, ezek osztályozatlan klaszterek. A következő lépés a felszínborítási osztályok kézi hozzárendelése az egyes fürtökhöz. Ha például a vegetációt és a nem vegetációt szeretné osztályozni, kiválaszthatja azokat a klasztereket, amelyek a legjobban képviselik őket.

bővebben: felügyelt és felügyelet nélküli osztályozás az ArcGIS-ben

2. Felügyelt osztályozás

a felügyelt osztályozás három alapvető lépése a következő:

• képzési területek kiválasztása
• aláírási fájl létrehozása
• osztályozás

felügyelt képosztályozáshoz először képzési mintákat hoz létre. Például a városi területeket úgy jelöli meg, hogy megjelöli őket a képen. Ezután továbbra is hozzáadja a képzési webhelyeket a teljes képhez.

minden felszínborítási osztály esetében addig folytatja a képzési minták létrehozását, amíg az egyes osztályokhoz reprezentatív minták nem állnak rendelkezésre. Ez viszont létrehozna egy aláírási fájlt, amely az összes képzési minta spektrális információját tárolja.

végül az utolsó lépés az aláírási fájl használata az osztályozás futtatásához. Innentől kezdve olyan osztályozási algoritmusokat kell választania, mint például:

• maximális valószínűség
• minimális távolság
• főkomponensek
• támogatás vektor gép (SVM)
• Iso klaszter

amint azt számos tanulmány mutatja, az SVM a távérzékelés egyik legjobb osztályozási algoritmusa. De minden lehetőségnek megvannak a maga előnyei, amelyeket kipróbálhat magának.

3. Object-Based Image Analysis (OBIA)

az objektumalapú képelemzési osztályozás végrehajtásának lépései:

• végezze el a többfelbontású szegmentálást
• válassza ki a képzési területeket
• határozza meg a statisztikákat
• osztályozza

objektumalapú képelemzés (OBIA) pixelek csoportosításával szegmentálja a képet. Nem hoz létre egyetlen pixelt. Ehelyett különböző geometriájú objektumokat generál. Ha megfelelő képe van, az objektumok annyira értelmesek lehetnek, hogy a digitalizálást elvégzik az Ön számára. Például az alábbi szegmentációs eredmények kiemelik az épületeket.

a 2 Leggyakoribb szegmentációs algoritmusok:

• többfelbontású szegmentálás az eCognition
• szegmens átlagos eltolódása az ArcGIS – ben

az Obia (Obia) osztályozásban különböző módszereket használhat az objektumok osztályozására. Használhatja például:

alakzat: ha épületeket szeretne osztályozni, használhat olyan alakstatisztikát, mint a “téglalap alakú illesztés”. Ez egy objektum geometriáját egy téglalap alakjára teszteli.

textúra: A textúra egy objektum homogenitása. Például a víz többnyire homogén, mert többnyire Sötétkék. De az erdőknek árnyékok vannak, és a zöld és a fekete keveréke.

spektrális: használhatja az olyan spektrális tulajdonságok átlagértékét, mint a közeli infravörös, a rövidhullámú infravörös, a piros, a zöld vagy a kék.

földrajzi kontextus: az objektumok közelségi és távolsági viszonyokkal rendelkeznek a szomszédok között.

legközelebbi szomszéd osztályozás: a legközelebbi szomszéd (NN) osztályozás hasonló a felügyelt osztályozáshoz. A többfelbontású szegmentálás után a felhasználó azonosítja az egyes felszínborítási osztályok mintahelyeit. Ezután meghatározzák a statisztikákat a képobjektumok osztályozásához. Végül a legközelebbi szomszéd osztályozza az objektumokat a képzési helyekhez való hasonlóságuk és a meghatározott statisztikák alapján.

További információ: legközelebbi szomszéd osztályozási útmutató az Ökognícióban

melyik Képosztályozási technikát kell használni?

tegyük fel, hogy a vizet nagy térbeli felbontású képbe szeretné osztályozni.

úgy dönt, hogy az összes képpontot alacsony NDVI-vel választja ki a képen. De ez tévesen osztályozhatja a kép más képpontjait is, amelyek nem víz. Emiatt a pixel alapú osztályozás, mint a felügyelet nélküli és felügyelt osztályozás, só és bors megjelenést kölcsönöz.

az emberek természetesen csoportosítják a térinformációkat. A többfelbontású szegmentálás ezt a feladatot homogén pixelek objektumokba csoportosításával végzi. A víz jellemzői könnyen felismerhetők a többfelbontású szegmentálás után. Az emberek így vizualizálják a térbeli jellemzőket.

• mikor érdemes pixel alapú (felügyelet nélküli és felügyelt osztályozást) használni?
• mikor kell használni az objektum alapú osztályozást?

amint azt a cikk szemlélteti, a térbeli felbontás fontos tényező a képosztályozási technikák kiválasztásakor.

alacsony térbeli felbontás esetén mind a hagyományos pixelalapú, mind az objektumalapú képosztályozási technikák jól teljesítenek.

de ha nagy a térbeli felbontása, az OBIA felülmúlja a hagyományos pixelalapú osztályozást.

Távérzékelési Adattrendek

1972-ben a Landsat-1 volt az első műhold, amely 60 méteres felbontással gyűjtötte a Föld visszaverődését. Ebben az időben a felügyelet nélküli és felügyelt osztályozás volt a rendelkezésre álló két képosztályozási technika. Ehhez a térbeli felbontáshoz ez elegendő volt.

az OBIA azonban digitális képfeldolgozási technikaként jelentősen megnőtt.

az évek során egyre nagyobb az igény a távolról érzékelt adatok iránt. Több száz távérzékelési alkalmazás létezik. Például az élelmiszer-biztonság, a környezetvédelem és a közbiztonság nagy a kereslet. A kereslet kielégítése érdekében a műholdas képek nagyobb térbeli felbontást céloznak meg szélesebb frekvenciatartományban.

Távérzékelési Adatok Trendjei:

• több mindenütt
• nagyobb térbeli felbontás
• szélesebb frekvenciatartomány

de a nagyobb felbontású képek nem garantálják a jobb felszínborítást. Az alkalmazott képosztályozási technikák nagyon fontos tényezők a jobb pontosság érdekében.

felügyelet nélküli vs felügyelt vs objektum-alapú osztályozás

az arkansasi Egyetem esettanulmánya összehasonlította az objektum-alapú vs pixel-alapú osztályozást. A cél a nagy és közepes térbeli felbontású képek összehasonlítása volt.

összességében az objektumalapú osztályozás felülmúlta mind a felügyelet nélküli, mind a felügyelt pixelalapú osztályozási módszereket. Mivel az OBIA mind spektrális, mind kontextuális információkat használt, nagyobb pontosságú volt. Ez a tanulmány jó példa a pixelalapú képosztályozási technikák néhány korlátozására.

Olvass tovább: 9 Ingyenes globális felszínborítás / földhasználati adatkészlet

az objektumalapú osztályozás növekedése

a képpontok a képen ábrázolt legkisebb egységek. A képosztályozás az egyes pixelek reflexiós statisztikáit használja.

a technológia fejlődése és a nagy térbeli felbontású képek elérhetősége jelentősen megnőtt. De a képosztályozási technikákat is figyelembe kell venni. A figyelem középpontjában az objektum-alapú képelemzés áll, hogy minőségi termékeket szállítson.

a Google Scholar keresési eredményei szerint az összes képosztályozási technika folyamatos növekedést mutatott a publikációk számában. Az utóbbi időben az objektumalapú osztályozás nagy növekedést mutatott.

ez a grafikon a Google Scholar éves keresési eredményeit jeleníti meg az “AllinTitle:” keresési kifejezés használatával.

ha tetszett ez az útmutató a képosztályozási technikákhoz, azt javaslom, hogy töltse le a távérzékelési képosztályozási infografikát.

1. Blaschke T, 2010. Objektum alapú képelemzés távérzékeléshez. Isprs Journal of Photogrammetry és távérzékelés 65 (2010) 2-16
2. Objektum-alapú osztályozás vs Pixel-alapú osztályozás: a többfelbontású képek összehasonlító jelentősége (Robert C. Weih, Jr. és Norman D. Riggan, Jr.)
3. Többfelbontású szegmentálás: optimalizálási megközelítés a kiváló minőségű többlépcsős képszegmentáláshoz (Martin Baatz & Arno Schape)
4. Trimble eCognition Fejlesztő: http://www.ecognition.com