원격 감지의 이미지 분류 기술[인포그래픽]

원격 감지에서 이미지 분류란 무엇입니까?

원격 감지의 3 가지 주요 이미지 분류 기술은 다음과 같습니다:

• 감독되지 않은 이미지 분류
• 감독된 이미지 분류
• 객체 기반 이미지 분석

감독되지 않은 이미지 분류는 가장 일반적인 두 가지 접근법입니다.

그러나 객체 기반 분류는 고해상도 데이터에 유용하기 때문에 더 많은 인기를 얻고 있습니다.

더 읽기:15 무료 위성 이미지 데이터 소스

1. 감독되지 않은 분류

전반적으로 감독되지 않은 분류가 가장 기본적인 기술입니다. 감독되지 않은 분류를 위해 샘플이 필요 없기 때문에 이미지를 쉽게 분류하고 이해할 수 있는 방법입니다.

감독되지 않은 분류의 두 가지 기본 단계는 다음과 같습니다:

• 클러스터 생성
• 클래스 할당

원격 감지 소프트웨어를 사용하여 먼저”클러스터”를 만듭니다. 일반적인 이미지 클러스터링 알고리즘 중 일부는 다음과 같습니다:

• 클러스터링 알고리즘을 선택한 후 생성하려는 그룹 수를 식별합니다. 예를 들어 8 개,20 개 또는 42 개의 클러스터를 만들 수 있습니다. 클러스터 수가 적 으면 그룹 내에서 픽셀이 더 비슷합니다. 그러나 더 많은 클러스터는 그룹 내의 변동성을 증가시킵니다.

  명확하게하기 위해,이들은 분류되지 않은 클러스터입니다. 다음 단계는 각 클러스터에 토지 커버 클래스를 수동으로 할당하는 것입니다. 예를 들어 초목 및 비초목을 분류하려는 경우 가장 잘 나타내는 군집을 선택할 수 있습니다.

  더 읽기:감독 및 감독되지 않은 분류

  2. 감독 분류

  감독 분류에서 각 토지피복 클래스에 대한 대표 샘플을 선택합니다. 그런 다음 소프트웨어는 이러한”교육 사이트”를 사용하여 전체 이미지에 적용합니다.

  감독 분류의 세 가지 기본 단계는 다음과 같습니다:

  • 교육 영역 선택
  • 서명 파일 생성
  • 분류

  

  감독 대상 이미지 분류의 경우 먼저 교육 샘플을 만듭니다. 예를 들어 도시 지역을 이미지에 표시하여 표시합니다. 그런 다음 전체 이미지에 교육 사이트 담당자를 계속 추가합니다.

  

  각 토지피복 클래스에 대해 각 클래스에 대한 대표 샘플이 있을 때까지 교육 샘플을 계속 만듭니다. 차례로,이것은 모든 훈련 샘플 스펙트럼 정보를 저장하는 서명 파일을 생성 할 것이다.

  마지막으로,마지막 단계는 서명 파일을 사용하여 분류를 실행하는 것입니다. 여기에서 다음과 같은 분류 알고리즘을 선택해야 합니다:

  • 최대 우도
  • 최소 거리
  • 주요 구성 요소
  • 지원 벡터 머신

  여러 연구에서 보여진 바와 같이,원격 감지에서 가장 우수한 분류 알고리즘 중 하나이다. 그러나 각 옵션에는 자체 장점이 있으며,이는 직접 테스트 할 수 있습니다.

  3. 객체 기반 이미지 분석)

  감독 및 감독되지 않은 분류는 픽셀 기반입니다. 즉,사각형 픽셀을 만들고 각 픽셀에는 클래스가 있습니다. 그러나 객체 기반 이미지 분류는 픽셀을 크기 및 형상과 함께 대표적인 벡터 모양으로 그룹화합니다.

  다음은 객체 기반 이미지 분석 분류를 수행하는 단계입니다:

  • 다중 해상도 세분화 수행
  • 교육 영역 선택
  • 통계 정의
  • 분류

  객체 기반 이미지 분석은 픽셀을 그룹화하여 이미지를 세그먼트화합니다. 단일 픽셀을 생성하지 않습니다. 대신 다른 형상을 가진 객체를 생성합니다. 당신이 바로 그 이미지가있는 경우,객체는 당신을 위해 디지털화를 수행 너무 의미가있을 수 있습니다. 예를 들어 아래의 세분화 결과는 건물을 강조 표시합니다.

  

  가장 일반적인 2 가지 세분화 알고리즘은 다음과 같습니다:

  • 개체 기반 이미지 분석 분류에서는 다른 방법을 사용하여 개체를 분류할 수 있습니다. 모양:건물을 분류하려는 경우”직사각형 맞춤”과 같은 모양 통계를 사용할 수 있습니다. 개체의 지오메트리를 사각형 모양으로 테스트합니다.

    텍스처: 텍스처는 개체의 동질성입니다. 예를 들어 물 은 대부분 진한 파란색이기 때문에 대부분 균질합니다. 그러나 숲은 그림자를 가지고 있으며 녹색과 검은 색이 혼합되어 있습니다.

    스펙트럼:근적외선,단파 적외선,적색,녹색 또는 청색과 같은 스펙트럼 특성의 평균값을 사용할 수 있습니다.

    지리적 컨텍스트:객체는 이웃 간의 근접 및 거리 관계를 갖습니다.

    

    가장 가까운 이웃 분류:가장 가까운 이웃 분류는 감독 된 분류와 유사합니다. 다중 해상도 세분화 후 사용자는 각 토지 커버 클래스에 대한 샘플 사이트를 식별합니다. 다음으로 이미지 개체를 분류하는 통계를 정의합니다. 마지막으로,가장 가까운 이웃은 교육 사이트와의 유사성 및 정의 된 통계를 기반으로 개체를 분류합니다.

    더 읽기:생태학에서 가장 가까운 이웃 분류 가이드

    어떤 이미지 분류 기술을 사용해야합니까?

    높은 공간 해상도 이미지에서 물 분류 하 고 싶은 가정해 봅시다.

    당신은 그 이미지의 낮은 광속과 모든 픽셀을 선택하기로 결정. 그러나 이것은 또한 물없는 이미지의 다른 픽셀을 잘못 분류 할 수 있습니다. 이러한 이유로 감독되지 않은 분류 및 감독 된 분류와 같은 픽셀 기반 분류는 소금과 후추 모양을 제공합니다.

    인간은 자연스럽게 공간 정보를 그룹으로 집계한다. 다중 해상도 세분화는 동질 픽셀을 객체로 그룹화하여 이 작업을 수행합니다. 다중 해상도 분할 후 물 기능을 쉽게 인식 할 수 있습니다. 이것이 인간이 공간적 특징을 시각화하는 방법입니다.

    • 픽셀 기반(감독되지 않은 분류 및 감독 된 분류)을 언제 사용해야합니까?
    • 객체 기반 분류는 언제 사용해야 합니까?

    

    이 문서에 예시된 바와 같이,공간 해상도는 이미지 분류 기술을 선택할 때 중요한 요소이다.

    공간 해상도가 낮은 경우 기존 픽셀 기반 및 객체 기반 이미지 분류 기술이 모두 잘 수행됩니다.

    그러나 공간 해상도가 높으면 오비아는 기존의 픽셀 기반 분류보다 우수합니다.

    원격 감지 데이터 동향

    1972 년,위성-1 은 60 미터 해상도에서 지구 반사율을 수집 한 최초의 위성이었다. 이 때,감독되지 않고 감독 된 분류는 두 가지 이미지 분류 기술을 사용할 수있었습니다. 이 공간 해상도의 경우 충분했습니다.

    그러나,오비아는 디지털 영상 처리 기술로서 크게 성장하였다.

    

    

    수년에 걸쳐 원격으로 감지된 데이터에 대한 수요가 증가하고 있습니다. 수백 개의 원격 감지 응용 프로그램이 있습니다. 예를 들어,식량 안보,환경 및 공공 안전은 수요가 많습니다. 수요를 충족시키기 위해 위성 이미지는 더 넓은 범위의 주파수에서 더 높은 공간 해상도를 목표로합니다.

    원격 감지 데이터 동향:

    • 더 많은 유비쿼터스
    • 더 높은 공간 해상도
    • 더 넓은 주파수 범위

    그러나 더 높은 해상도의 이미지는 더 나은 토지 피복을 보장하지 않습니다. 사용 된 이미지 분류 기술은 더 나은 정확도를 위해 매우 중요한 요소입니다.

    

    비 감독 대 감독 대 객체 기반 분류

    

    아칸소 대학의 사례 연구는 객체 기반과 픽셀 기반 분류를 비교했습니다. 목표는 높은 공간 해상도와 중간 공간 해상도 이미지를 비교하는 것이 었습니다.

    전반적으로 객체 기반 분류는 감독되지 않은 픽셀 기반 분류 방법과 감독되지 않은 픽셀 기반 분류 방법 모두를 능가했습니다. 오비아는 스펙트럼 정보와 문맥 정보를 모두 사용했기 때문에 정확도가 더 높았습니다. 이 연구는 픽셀 기반 이미지 분류 기술의 한계 중 일부를 보여주는 좋은 예입니다.

    더 읽기:9 무료 글로벌 토지 커버/토지 이용 데이터 세트

    객체 기반 분류의 증가

    픽셀은 이미지에서 표시되는 가장 작은 단위입니다. 이미지 분류는 개별 픽셀에 대한 반사율 통계를 사용합니다.

    기술의 발전과 높은 공간 해상도 이미지의 가용성에 많은 성장이있었습니다. 그러나 이미지 분류 기술도 고려해야합니다. 스포트라이트는 고급 제품을 전달하기 위하여 목표 근거한 이미지 분석에 빛나고 있습니다.

    구글 학자의 검색 결과에 따르면,모든 이미지 분류 기술은 출판물의 수에 꾸준한 성장을 보여 주었다. 최근에는 객체 기반 분류가 많은 성장을 보였습니다.

    이 그래프는”제목:”검색 문구를 사용하여 구글 학자의 연간 검색 결과를 표시합니다.

    

    이 이미지 분류 기술에 대한 가이드를 즐기셨다면 원격 감지 이미지 분류 인포그래픽을 다운로드하는 것이 좋습니다.

    

    1. 2010. 원격 감지를위한 객체 기반 이미지 분석. 사진 측량 및 원격 감지 저널 65 (2010) 2-16
    2. 1100>3.객체 기반 분류 대 픽셀 기반 분류:다중 해상도 이미지의 비교 중요성(로버트 웨이 주니어 및 노먼 디 리간 주니어) 다중 해상도 세분화:고품질 다중 스케일 이미지 세분화를위한 최적화 접근법(마틴 바츠&아르노 샤페)
    4. 트림 블 생태학 개발자: http://www.ecognition.com

    우리의 뉴스 레터에 가입: