Tecniche di classificazione delle immagini nel telerilevamento [Infografica]

Che cos’è la classificazione delle immagini nel telerilevamento?

I 3 principali tipi di tecniche di classificazione delle immagini nel telerilevamento sono:

• Classificazione delle immagini non supervisionata
• Classificazione delle immagini supervisionate
• Analisi delle immagini basate su oggetti

La classificazione delle immagini non supervisionata e supervisionata sono i due approcci più comuni.

Tuttavia, la classificazione basata su oggetti ha guadagnato più popolarità perché è utile per i dati ad alta risoluzione.

PER SAPERNE DI PIÙ: 15 Fonti di dati di immagini satellitari gratuite

1. Classificazione senza supervisione

Nel complesso, la classificazione senza supervisione è la tecnica di base. Poiché non sono necessari campioni per la classificazione non supervisionata, è un modo semplice per segmentare e comprendere un’immagine.

I due passaggi fondamentali per la classificazione senza supervisione sono:

• Genera cluster
• Assegna classi

Utilizzando il software di telerilevamento, creiamo prima “cluster”. Alcuni degli algoritmi di clustering delle immagini comuni sono:

• K-significa
• ISODATA

Dopo aver selezionato un algoritmo di clustering, si identifica il numero di gruppi che si desidera generare. Ad esempio, è possibile creare 8, 20 o 42 cluster. Meno cluster hanno pixel più simili all’interno dei gruppi. Ma più cluster aumenta la variabilità all’interno dei gruppi.

Per essere chiari, questi sono cluster non classificati. Il passo successivo consiste nell’assegnare manualmente le classi di copertura del terreno a ciascun cluster. Ad esempio, se si desidera classificare la vegetazione e non la vegetazione, è possibile selezionare i cluster che li rappresentano al meglio.

PER SAPERNE DI PIÙ: Classificazione supervisionata e non supervisionata in ArcGIS

2. Classificazione supervisionata

I tre passaggi fondamentali per la classificazione supervisionata sono:

• Seleziona aree di allenamento
• Genera file di firma
• Classifica

Per la classificazione supervisionata delle immagini, si creano prima campioni di addestramento. Ad esempio, è possibile contrassegnare le aree urbane contrassegnandole nell’immagine. Quindi, si dovrebbe continuare ad aggiungere siti di formazione rappresentante in tutta l’immagine.

Per ogni classe di copertura del terreno, si continua a creare campioni di addestramento fino a quando non si dispone di campioni rappresentativi per ogni classe. A sua volta, questo genererebbe un file di firma, che memorizza tutti i campioni di formazione informazioni spettrali.

Infine, l’ultimo passaggio consiste nell’utilizzare il file di firma per eseguire una classificazione. Da qui, si dovrebbe scegliere una algoritmi di classificazione come:

• Massima verosimiglianza
• Minimo-distanza
• componenti Principali
• Support vector machine (SVM)
• Iso cluster

Come dimostrato in diversi studi, SVM è uno dei migliori algoritmi di classificazione in remote sensing. Ma ogni opzione ha i suoi vantaggi, che puoi testare da solo.

3. Object-Based Image Analysis (OBIA)

Ecco i passaggi per eseguire la classificazione dell’analisi delle immagini basata su oggetti:

• Esegui segmentazione multiresoluzione
• Seleziona aree di allenamento
• Definisci statistiche
• Classifica

Object-Based Image Analysis (OBIA) segmenta un’immagine raggruppando i pixel. Non crea singoli pixel. Invece, genera oggetti con geometrie diverse. Se hai l’immagine giusta, gli oggetti possono essere così significativi che fanno la digitalizzazione per te. Ad esempio, i risultati della segmentazione sotto evidenziano gli edifici.

I 2 algoritmi di segmentazione più comuni sono:

• Segmentazione multi-risoluzione in eCognition
• Spostamento medio del segmento in ArcGIS

Nella classificazione Object-Based Image Analysis (OBIA), è possibile utilizzare diversi metodi per classificare gli oggetti. Ad esempio, è possibile utilizzare:

FORMA: Se si desidera classificare gli edifici, è possibile utilizzare una statistica di forma come “adattamento rettangolare”. Questo verifica la geometria di un oggetto alla forma di un rettangolo.

STRUTTURA: Texture è l’omogeneità di un oggetto. Ad esempio, l’acqua è per lo più omogenea perché è per lo più blu scuro. Ma le foreste hanno ombre e sono un mix di verde e nero.

SPETTRALE: è possibile utilizzare il valore medio delle proprietà spettrali come il vicino infrarosso, l’infrarosso a onde corte, il rosso, il verde o il blu.

CONTESTO GEOGRAFICO: gli oggetti hanno relazioni di prossimità e distanza tra vicini.

CLASSIFICAZIONE NEAREST NEIGHBOR: la classificazione Neighbor (NN) è simile alla classificazione supervisionata. Dopo la segmentazione multi-risoluzione, l’utente identifica i siti di esempio per ogni classe di copertura del terreno. Successivamente, definiscono le statistiche per classificare gli oggetti immagine. Infine, il vicino più vicino classifica gli oggetti in base alla loro somiglianza con i siti di allenamento e le statistiche definite.

LEGGI DI PIÙ: Guida alla classificazione del vicino più vicino in ECognition

Quale tecnica di classificazione delle immagini dovresti usare?

Supponiamo di voler classificare l’acqua in un’immagine ad alta risoluzione spaziale.

Decidi di scegliere tutti i pixel con NDVI basso in quell’immagine. Ma questo potrebbe anche classificare erroneamente altri pixel nell’immagine che non sono acqua. Per questo motivo, la classificazione basata su pixel come la classificazione non supervisionata e supervisionata dà un aspetto sale e pepe.

Gli esseri umani aggregano naturalmente le informazioni spaziali in gruppi. La segmentazione multiresoluzione esegue questa operazione raggruppando pixel omogenei in oggetti. I giochi d’acqua sono facilmente riconoscibili dopo la segmentazione multiresoluzione. Questo è il modo in cui gli esseri umani visualizzano le caratteristiche spaziali.

• Quando si deve utilizzare la classificazione basata su pixel (non supervisionata e supervisionata)?
• Quando si dovrebbe utilizzare la classificazione basata su oggetti?

Come illustrato in questo articolo, la risoluzione spaziale è un fattore importante quando si selezionano le tecniche di classificazione delle immagini.

Quando si ha una bassa risoluzione spaziale, le tecniche di classificazione delle immagini tradizionali basate su pixel e basate su oggetti funzionano bene.

Ma quando si ha un’alta risoluzione spaziale, OBIA è superiore alla classificazione tradizionale basata sui pixel.

Tendenze dei dati di telerilevamento

Nel 1972, Landsat-1 fu il primo satellite a raccogliere la riflettanza terrestre a una risoluzione di 60 metri. In questo momento, la classificazione non supervisionata e supervisionata erano le due tecniche di classificazione delle immagini disponibili. Per questa risoluzione spaziale, questo era sufficiente.

Tuttavia, OBIA è cresciuta in modo significativo come tecnica di elaborazione delle immagini digitali.

Nel corso degli anni, c’è stata una crescente domanda di dati rilevati da remoto. Ci sono centinaia di applicazioni di telerilevamento. Ad esempio, la sicurezza alimentare, l’ambiente e la sicurezza pubblica sono molto richiesti. Per soddisfare la domanda, le immagini satellitari mirano a una risoluzione spaziale più elevata a una gamma più ampia di frequenze.

Tendenze dei dati di telerilevamento:

• Più onnipresente
• Maggiore risoluzione spaziale
• Più ampia gamma di frequenze

Ma le immagini a risoluzione più elevata non garantiscono una migliore copertura del suolo. Le tecniche di classificazione delle immagini utilizzate sono un fattore molto importante per una migliore precisione.

Unsupervised vs Supervisione vs Oggetto Classificazione Basata sui

Un caso di studio dall’Università dell’Arkansas rispetto object-based vs pixel-based di classificazione. L’obiettivo era quello di confrontare immagini ad alta e media risoluzione spaziale.

Nel complesso, la classificazione basata su oggetti ha sovraperformato sia i metodi di classificazione basati su pixel non supervisionati che supervisionati. Poiché OBIA utilizzava sia informazioni spettrali che contestuali, aveva una maggiore precisione. Questo studio è un buon esempio di alcune delle limitazioni delle tecniche di classificazione delle immagini basate su pixel.

PER SAPERNE DI PIÙ: 9 Set di dati globali gratuiti per la copertura del suolo / l’uso del suolo

Crescita della classificazione basata su oggetti

I pixel sono l’unità più piccola rappresentata in un’immagine. La classificazione delle immagini utilizza le statistiche di riflettanza per i singoli pixel.

C’è stata molta crescita nei progressi tecnologici e nella disponibilità di immagini ad alta risoluzione spaziale. Ma anche le tecniche di classificazione delle immagini dovrebbero essere prese in considerazione. I riflettori sono puntati sull’analisi dell’immagine basata su oggetti per fornire prodotti di qualità.

Secondo i risultati della ricerca di Google Scholar, tutte le tecniche di classificazione delle immagini hanno mostrato una crescita costante del numero di pubblicazioni. Recentemente, la classificazione basata sugli oggetti ha mostrato molta crescita.

Questo grafico visualizza i risultati di ricerca annuali di Google Scholar utilizzando la frase di ricerca “AllinTitle:”.

Se ti è piaciuta questa guida alle tecniche di classificazione delle immagini, ti consiglio di scaricare l’infografica telerilevamento image classification.

1. Blaschke T, 2010. Analisi dell’immagine basata su oggetti per il telerilevamento. ISPRS Rivista di fotogrammetria e telerilevamento 65 (2010) 2-16
2. Classificazione basata su oggetti vs classificazione basata su pixel: importanza comparativa delle immagini multi-risoluzione (Robert C. Weih, Jr. e Norman D. Riggan, Jr.)
3. Segmentazione multiresoluzione: un approccio di ottimizzazione per la segmentazione di immagini multi-scala di alta qualità (Martin Baatz & Arno Schape)
4. Sviluppatore di ecognizione Trimble: http://www.ecognition.com