リモートセンシングにおける画像分類技術[インフォグラフィック]

リモートセンシングにおける画像分類とは何ですか？

リモートセンシングにおける画像分類技術の主な3つのタイプは次のとおりです:

• 教師なし画像分類
• 教師あり画像分類
• オブジェクトベースの画像分析

教師なし画像分類と教師あり画像分類は、最も一般的な二つのアプロー

しかし、オブジェクトベースの分類は高解像度のデータに有用であるため、より人気が高まっています。

続きを読む：15の無料衛星画像データソース

1. 教師なし分類

全体として、教師なし分類が最も基本的な手法です。 教師なし分類のためのサンプルは必要ないため、画像をセグメント化して理解するのは簡単な方法です。

教師なし分類のための2つの基本的なステップは次のとおりです:

• クラスターの生成
• クラスの割り当て

リモートセンシングソフトウェアを使用して、最初に”クラスタ”を作成します。 一般的なイメージクラスタリングアルゴリズムのいくつかは次のとおりです:

• K-means
• ISODATA

クラスタリングアルゴリズムを選択した後、生成するグループの数を特定します。 たとえば、8、20、または42個のクラスターを作成できます。 グループ内のピクセルに似たクラスターが少なくなります。 しかし、より多くのクラスターは、グループ内の変動性を増加させます。

明確にするために、これらは未分類のクラスターです。 次の手順では、各クラスターに土地被覆クラスを手動で割り当てます。 たとえば、植生と非植生を分類する場合は、それらを最もよく表すクラスターを選択できます。

続きを読む:ArcGISでの教師ありおよび教師なしの分類

2. 教師付き分類

監視された分類の基本的な手順は次のとおりです:

• トレーニング領域の選択
• 署名ファイルの生成
• 分類

教師付き画像分類の場合は、まず学習サンプルを作成します。 たとえば、イメージ内で都市部をマークすることで、都市部をマークします。 その後、画像全体に代表的なトレーニングサイトを追加し続けます。

各土地被覆クラスについて、各クラスの代表的なサンプルが作成されるまでトレーニングサンプルの作成を続けます。 これにより、すべてのトレーニングサンプルのスペクトル情報を格納する署名ファイルが生成されます。

最後に、最後のステップは、分類を実行するために署名ファイルを使用することです。 ここから、次のような分類アルゴリズムを選択する必要があります:

• 最尤
• 最小距離
• 主成分
• サポートベクターマシン（SVM）
• Isoクラスタ

いくつかの研究に示されているように、SVMはリモートセンシングにおける最良の分類 しかし、各オプションには独自の利点があり、自分でテストすることができます。

3. オブジェクトベースの画像解析(OBIA)

オブジェクトベースの画像解析分類を実行する手順は次のとおりです:

• マルチソリューションセグメンテーションの実行
• トレーニングエリアの選択
• 統計の定義
• 分類

オブジェクトベースの画像解析(OBIA)は、ピクセルをグループ化して画像をセグメント化します。 単一のピクセルは作成されません。 代わりに、異なるジオメトリを持つオブジェクトを生成します。 あなたが正しいイメージを持っているならば、オブジェクトはそれがあなたのためにデジタル化をするほど意味があるかもしれません。 たとえば、以下のセグメンテーション結果は建物を強調表示します。

最も一般的な2つのセグメンテーションアルゴリズムは次のとおりです:

• eCognition
• のマルチ解像度セグメンテーションArcgis

のセグメント平均シフトオブジェクトベースの画像解析(OBIA)分類では、オブジェクトを分類するために異な たとえば、次を使用できます。

SHAPE:建物を分類する場合は、「rectangular fit」などのshape統計を使用できます。 これは、オブジェクトのジオメトリを四角形の形状にテストします。

: テクスチャは、オブジェクトの均質性です。 例えば、水は主に濃い青色であるため、主に均質です。 しかし、森林には影があり、緑と黒が混在しています。

スペクトル：近赤外、短波赤外、赤、緑、青などのスペクトル特性の平均値を使用できます。

地理的文脈:オブジェクトは隣接するオブジェクト間に近接関係と距離関係を持ちます。

最近傍分類:最近傍(NN)分類は教師あり分類に似ています。 マルチ解像度セグメンテーションの後、ユーザーは各土地カバークラスのサンプルサイトを識別します。 次に、画像オブジェクトを分類するための統計を定義します。 最後に、最近傍は、学習サイトと定義された統計情報との類似性に基づいてオブジェクトを分類します。

続きを読む:ECognitionでの最近隣分類ガイド

どの画像分類手法を使用する必要がありますか？

高空間解像度の画像で水を分類したいとしましょう。

その画像のNDVIが低いすべてのピクセルを選択することにしました。 しかし、これはまた、水ではない画像内の他のピクセルを誤って分類する可能性があります。 このため、教師なし分類や教師付き分類のようなピクセルベースの分類は、塩とコショウの外観を与えます。

人間は自然に空間情報をグループに集約します。 マルチソリューションセグメンテーションは、均質なピクセルをオブジェクトにグループ化することによってこのタスクを行います。 水の特徴は、マルチ解像度のセグメンテーションの後に容易に認識できます。 これは、人間が空間的特徴を視覚化する方法です。

• ピクセルベース（教師なしおよび教師あり分類）を使用する必要があるのはいつですか？
• オブジェクトベースの分類はいつ使用する必要がありますか？

この記事で説明しているように、空間分解能は画像分類手法を選択する際に重要な要素です。

空間解像度が低い場合、従来のピクセルベースとオブジェクトベースの画像分類技術の両方がうまく機能します。

ただし、空間分解能が高い場合、OBIAは従来のピクセルベースの分類よりも優れています。

リモートセンシングデータの動向

1972年、Landsat-1は60メートルの解像度で地球の反射率を収集した最初の衛星でした。 この時点で、教師なし分類と教師付き分類は、利用可能な二つの画像分類技術でした。 この空間分解能のために、これは十分であった。

しかし、OBIAはデジタル画像処理技術として大きく成長してきました。

長年にわたり、遠隔感知データに対する需要が高まっています。 何百ものリモートセンシングの適用がある。 例えば、食料安全保障、環境、公共の安全は高い需要があります。 需要に応えるために、衛星画像はより広い周波数範囲でより高い空間分解能を目指しています。

リモートセンシングデータの動向:

• よりユビキタス
• より高い空間解像度
• より広い周波数範囲

しかし、より高い解像度の画像は、より良い土地カバーを保証するものではありません。 使用される画像分類技術は、精度を向上させるために非常に重要な要素です。

教師なしvs教師付きvsオブジェクトベースの分類

アーカンソー大学のケーススタディでは、オブジェク 目標は、高解像度の画像と中解像度の画像を比較することでした。

全体として、オブジェクトベースの分類は、教師なしおよび教師ありピクセルベースの分類方法の両方よりも優れていました。 OBIAはスペクトル情報と文脈情報の両方を使用していたため、より高い精度を持っていました。 この研究は、ピクセルベースの画像分類技術の限界のいくつかの良い例です。

続きを読む：9つの無料のグローバル土地被覆/土地利用データセット

オブジェクトベースの分類の成長

ピクセルは、画像で表される最小の単位です。 画像分類では、個々のピクセルの反射率統計を使用します。

技術の進歩と高空間解像度の画像の利用可能性には多くの成長がありました。 しかし、画像分類技術も考慮する必要があります。 スポットライトは、高品質の製品を提供するために、オブジェクトベースの画像解析に輝いています。

Google Scholarの検索結果によると、すべての画像分類手法は出版物数が着実に増加している。 最近、オブジェクトベースの分類は多くの成長を示しています。

このグラフは、”AllinTitle:”検索フレーズを使用してGoogle Scholarの年間検索結果を表示します。

この画像分類技術ガイドを楽しんでいる場合は、remote sensing image classification infographicをダウンロードすることをお勧

1. Blaschke T,2010. リモートセンシングのためのオブジェクトベースの画像解析。 写真測量とリモートセンシングのISPRSジャーナル65 (2010) 2-16
2. オブジェクトベースの分類とピクセルベースの分類:多解像度画像の比較的重要性(Robert C.Weih,Jr.and Norman D.Riggan,Jr.)
3. マルチ解像度セグメンテーション:高品質のマルチスケール画像セグメンテーションのための最適化アプローチ(Martin Baatz&Arno Schape)
4. Trimble eCognition開発者: http://www.ecognition.com