Bilde Klassifisering Teknikker I Fjernmåling [Infographic]

Hva Er Bilde Klassifisering I Fjernmåling?

de 3 hovedtyper av bildeklassifiseringsteknikker i fjernmåling er:

• ikke-Overvåket bildeklassifisering
• Overvåket bildeklassifisering
• Objektbasert bildeanalyse

ikke-Overvåket og overvåket bildeklassifisering er de to vanligste tilnærmingene.

objektbasert klassifisering har imidlertid fått mer popularitet fordi den er nyttig for data med høy oppløsning.

LES MER: 15 Gratis Satellittbilder Datakilder

1. Unsupervised Classification

samlet er ikke-overvåket klassifisering den mest grunnleggende teknikken. Fordi du ikke trenger prøver for unsupervised klassifisering, er det en enkel måte å segmentere og forstå et bilde.

de to grunnleggende trinnene for uovervåket klassifisering er:

• Generer klynger
• Tilordne klasser

Ved hjelp av fjernmåling programvare, vi først lage “klynger”. Noen av de vanlige bilde clustering algoritmer er:

• K-betyr
• ISODATA

når du har valgt en klyngealgoritme, identifiserer du antall grupper du vil generere. Du kan for eksempel opprette 8, 20 eller 42 klynger. Færre klynger har flere liknende piksler i grupper. Men flere klynger øker variasjonen i grupper.

For å være klar, er disse uklassifiserte klynger. Det neste trinnet er å manuelt tildele landdekksklasser til hver klynge. Hvis du for eksempel vil klassifisere vegetasjon og ikke-vegetasjon, kan du velge de klyngene som representerer dem best.

LES MER: Overvåket Og Ikke-Overvåket Klassifisering I ArcGIS

2. Overvåket Klassifisering

de tre grunnleggende trinnene for overvåket klassifisering er:

• Velg treningsområder
• Generer signaturfil
• Klassifiser

for overvåket bildeklassifisering oppretter du først opplæringsprøver. Du merker for eksempel byområder ved å merke dem i bildet. Deretter, du vil fortsette å legge opplæring nettsteder representant i hele bildet.

for hver landdekksklasse fortsetter du å lage opplæringsprøver til du har representative prøver for hver klasse. I sin tur vil dette generere en signaturfil, som lagrer alle treningsprøver spektral informasjon.

Til Slutt vil det siste trinnet være å bruke signaturfilen til å kjøre en klassifisering. Herfra må du velge en klassifiseringsalgoritme som:

• Maksimal sannsynlighet
• Minimumsavstand
• Hovedkomponenter
• Støttevektormaskin (SVM)
• Iso-klynge

SOM vist i flere studier, ER SVM en av de beste klassifiseringsalgoritmene i fjernmåling. Men hvert alternativ har sine egne fordeler, som du kan teste for deg selv.

3. Objektbasert Bildeanalyse (OBIA))

her er fremgangsmåten for å utføre objektbasert bildeanalyse klassifisering:

• Utfør multiresolusjonssegmentering
• Velg treningsområder
• Definer statistikk
• Klassifiser

Objektbasert bildeanalyse (OBIA) segmenterer et bilde ved å gruppere piksler. Det skaper ikke enkeltpiksler. I stedet genererer det objekter med forskjellige geometrier. Hvis du har det riktige bildet, kan objekter være så meningsfulle at det gjør digitaliseringen for deg. For eksempel markerer segmenteringsresultatene nedenfor bygninger.

de 2 vanligste segmenteringsalgoritmene er:

• segmentering Med Flere oppløsninger i eCognition
• Segment mean shift I ArcGIS

I Object-Based Image Analysis (OBIA) klassifisering, kan du bruke forskjellige metoder for å klassifisere objekter. DU kan for eksempel bruke:

FORM: hvis du vil klassifisere bygninger, kan du bruke en formstatistikk som “rektangulær passform”. Dette tester et objekts geometri til formen av et rektangel.

TEKSTUR: Tekstur er homogeniteten til et objekt. For eksempel er vann for det meste homogent fordi det er for det meste mørkblått. Men skogene har skygger og er en blanding av grønt og svart.

SPEKTRAL: du kan bruke middelverdien av spektrale egenskaper som nær-infrarød, kortbølget infrarød, rød, grønn eller blå.

GEOGRAFISK KONTEKST: Objekter har nærhet og avstandsforhold mellom naboer.

NÆRMESTE nabo KLASSIFISERING: Nærmeste nabo (NN) klassifisering ligner overvåket klassifisering. Etter segmentering med flere oppløsninger identifiserer brukeren utvalgssteder for hver landdekksklasse. Deretter definerer de statistikk for å klassifisere bildeobjekter. Til slutt klassifiserer nærmeste nabo objekter basert på deres likhet med treningsstedene og statistikken som er definert.

LES MER: Nærmeste Nabo Klassifiseringsguide I Økognisjon

Hvilken Bildeklassifiseringsteknikk Bør Du Bruke?

La oss si at du vil klassifisere vann i et bilde med høy romlig oppløsning.

du bestemmer deg for å velge alle piksler med lav NDVI i det bildet. Men dette kan også feilklassifisere andre piksler i bildet som ikke er vann. Av denne grunn gir pikselbasert klassifisering som uovervåket og overvåket klassifisering et salt og pepper utseende.

Mennesker samler naturlig romlig informasjon i grupper. Multiresolution segmentering gjør denne oppgaven ved å gruppere homogene piksler i objekter. Vann funksjoner er lett gjenkjennelig etter multiresolution segmentering. Slik visualiserer mennesker romlige funksjoner.

• når bør du bruke pikselbasert (uten tilsyn og overvåket klassifisering)?
• når bør du bruke objektbasert klassifisering?

som illustrert i denne artikkelen er romlig oppløsning en viktig faktor når du velger bildeklassifiseringsteknikker.

når du har lav romlig oppløsning, fungerer både tradisjonelle pikselbaserte og objektbaserte bildeklassifiseringsteknikker bra.

MEN NÅR DU har høy romlig oppløsning, ER OBIA overlegen til tradisjonell pikselbasert klassifisering.

Fjernmåling Data Trender

I 1972 Var Landsat-1 Den første satellitten til å samle Jordrefleksjon ved 60 meter oppløsning. På denne tiden, unsupervised og overvåket klassifisering var de to bilde klassifisering teknikker tilgjengelig. For denne romlige oppløsningen var dette tilstrekkelig.

IMIDLERTID HAR OBIA vokst betydelig som en digital bildebehandlingsteknikk.

gjennom årene har det vært en økende etterspørsel etter fjernmålte data. Det er hundrevis av fjernmåling applikasjoner. For eksempel er matsikkerhet, miljø og offentlig sikkerhet i stor etterspørsel. For å møte etterspørselen, er satellittbilder sikte på høyere romlig oppløsning på et bredere spekter av frekvenser.

Datatrender For Fjernmåling:

• mer allestedsnærværende
• Høyere romlig oppløsning
• Bredere frekvensområde

men bilder med høyere oppløsning garanterer ikke bedre landdekning. Bildeklassifiseringsteknikkene som brukes er en svært viktig faktor for bedre nøyaktighet.

Unsupervised vs Overvåket vs Objektbasert Klassifisering

en case studie fra University Of Arkansas sammenlignet objektbasert vs pikselbasert klassifisering. Målet var å sammenligne høy og middels romlig oppløsning bilder.

samlet sett overgikk objektbasert klassifisering både ikke-overvåket og overvåket pikselbasert klassifiseringsmetode. FORDI OBIA brukte både spektral og kontekstuell informasjon, hadde den høyere nøyaktighet. Denne studien er et godt eksempel på noen av begrensningene i pikselbaserte bildeklassifiseringsteknikker.

LES MER: 9 Gratis Global Arealdekning / Arealbruk Datasett

Vekst Av Objektbasert Klassifisering

Piksler er den minste enheten som er representert i et bilde. Bildeklassifisering bruker refleksjonsstatistikk for individuelle piksler.

det har vært mye vekst i fremskritt innen teknologi og tilgjengeligheten av høy romlig oppløsning bilder. Men bilde klassifisering teknikker bør tas i betraktning også. Søkelyset skinner på objektbasert bildeanalyse for å levere kvalitetsprodukter.

Ifølge Google Scholars søkeresultater har alle bildeklassifiseringsteknikker vist jevn vekst i antall publikasjoner. Nylig har objektbasert klassifisering vist mye vekst.

denne grafen viser Google Scholars årlige søkeresultater ved hjelp av søkefrasen ” AllinTitle:”.

hvis du likte denne veiledningen til bildeklassifiseringsteknikker, anbefaler jeg at du laster ned infografikken for bildeklassifisering for fjernmåling.

1. Blaschke T, 2010. Objektbasert bildeanalyse for fjernmåling. Isprs Tidsskrift For Fotogrammetri Og Fjernmåling 65 (2010) 2-16
2. Objektbasert Klassifisering vs Pikselbasert Klassifisering: Sammenlignbar Betydning Av Bilder Med Flere Oppløsninger (Robert C. Weih Jr. og Norman D. Riggan Jr.)
3. Multiresolution Segmentering: en optimalisering tilnærming for høy kvalitet multi-skala bilde segmentering (Martin Baatz & Arno Schape)
4. Trimble eCognition Utvikler: http://www.ecognition.com