Beeldclassificatietechnieken in teledetectie [Infographic]

Wat is beeldclassificatie in teledetectie?

de drie belangrijkste typen beeldclassificatietechnieken in teledetectie zijn::

• Unsupervised image classification
• Supervised image classification
• Object-based image analysis

unsupervised and supervised image classification zijn de twee meest voorkomende benaderingen.

echter, object-based classificatie heeft meer populariteit gewonnen omdat het nuttig is voor gegevens met hoge resolutie.

Lees meer: 15 gratis gegevensbronnen voor satellietbeelden

1. Unsupervised Classification

over het algemeen is classificatie zonder toezicht de meest basistechniek. Omdat je geen samples nodig hebt voor een indeling zonder toezicht, is het een gemakkelijke manier om een afbeelding te segmenteren en te begrijpen.

de twee basisstappen voor classificatie zonder toezicht zijn::

• clusters
• klassen toewijzen

met behulp van remote sensing software creëren we eerst “clusters”. Enkele van de gemeenschappelijke image clustering algoritmen zijn:

• K-betekent
• ISODATA

na het kiezen van een clustering algoritme, identificeert u het aantal groepen dat u wilt genereren. U kunt bijvoorbeeld 8, 20 of 42 clusters maken. Minder clusters hebben meer gelijkende pixels binnen groepen. Maar meer clusters verhoogt de variabiliteit binnen groepen.

om duidelijk te zijn, dit zijn niet-geclassificeerde clusters. De volgende stap is om handmatig landbedekkingsklassen toe te wijzen aan elk cluster. Als u bijvoorbeeld vegetatie en niet-vegetatie wilt classificeren, kunt u de clusters selecteren die hen het beste vertegenwoordigen.

Lees verder: classificatie onder toezicht en zonder toezicht in ArcGIS

2. Classificatie onder toezicht

de drie basisstappen voor classificatie onder toezicht zijn::

• opleidingsgebieden selecteren
• handtekeningbestand genereren
• classificeren

voor de classificatie van beelden onder toezicht maakt u eerst trainingsvoorbeelden. Je markeert bijvoorbeeld stedelijke gebieden door ze in de afbeelding te markeren. Dan, je zou blijven toevoegen trainingssites vertegenwoordiger in het hele beeld.

voor elke landbedekkingsklasse blijft u trainingsmonsters maken totdat u representatieve monsters voor elke klasse hebt. Op zijn beurt zou dit een signature-bestand genereren, waarin alle trainingsvoorbeelden spectrale informatie worden opgeslagen.

tenslotte zou de laatste stap zijn om het handtekeningbestand te gebruiken om een classificatie uit te voeren. Vanaf hier, zou je een classificatie algoritmen zoals kiezen:

• maximale waarschijnlijkheid
• minimumafstand
• hoofdcomponenten
• ondersteuning vectormachine (SVM)
• Iso-cluster

zoals in verschillende studies is aangetoond, is SVM een van de beste classificatiealgoritmen in teledetectie. Maar elke optie heeft zijn eigen voordelen, die je zelf kunt testen.

3. Object-gebaseerde beeldanalyse (OBIA)

hier zijn de stappen om Object-based image analysis classification uit te voeren:

• Multiresolutiesegmentatie uitvoeren
• opleidingsgebieden selecteren
• statistieken definiëren
• classificeren

Object-based image analysis (OBIA) segmenten een afbeelding door pixels te groeperen. Het maakt geen enkele pixels. In plaats daarvan genereert het objecten met verschillende geometrieën. Als je de juiste afbeelding hebt, kunnen objecten zo betekenisvol zijn dat het de digitalisering voor je doet. Bijvoorbeeld, de segmentatieresultaten hieronder markeren gebouwen.

de twee meest voorkomende segmentatiealgoritmen zijn::

• segmentatie met meerdere resolutie in ecognitie
• Segmentgemiddelde verschuiving in ArcGIS

In Obia-classificatie (Object-Based Image Analysis) kunt u verschillende methoden gebruiken om objecten te classificeren. U kunt bijvoorbeeld:

vorm gebruiken: als u gebouwen wilt classificeren, kunt u een vormstatistieken gebruiken zoals “rechthoekig passen”. Dit test de geometrie van een object op de vorm van een rechthoek.

textuur: Textuur is de homogeniteit van een object. Bijvoorbeeld, water is meestal homogeen omdat het meestal donkerblauw is. Maar bossen hebben schaduwen en zijn een mix van groen en zwart.

spectraal: u kunt de gemiddelde waarde gebruiken van spectrale eigenschappen zoals nabij-infrarood, kortgolf-infrarood, rood, groen of blauw.

geografische CONTEXT: objecten hebben nabijheid en afstandsverhoudingen tussen buren.

classificatie dichtstbijzijnde buurman: classificatie dichtstbijzijnde buurman (NN) is vergelijkbaar met classificatie onder toezicht. Na segmentatie met meerdere resolutie identificeert de gebruiker voorbeeldlocaties voor elke landbedekkingsklasse. Vervolgens definiëren ze statistieken om beeldobjecten te classificeren. Tot slot classificeert de dichtstbijzijnde buurman objecten op basis van hun gelijkenis met de trainingssites en de statistieken gedefinieerd.

Lees verder: Classificatiegids voor naaste buren in ECognition

welke Beeldclassificatietechniek moet u gebruiken?

stel dat u water wilt classificeren in een afbeelding met een hoge ruimtelijke resolutie.

u kiest alle pixels met een lage NDVI in die afbeelding. Maar dit kan ook andere pixels in de afbeelding verkeerd classificeren die geen water zijn. Om deze reden, pixel-gebaseerde classificatie zoals unsupervised en supervised classificatie geeft een zout en peper look.

mensen voegen ruimtelijke informatie op natuurlijke wijze samen in groepen. Multiresolution segmentatie doet deze taak door homogene pixels te groeperen in objecten. Water functies zijn gemakkelijk herkenbaar na multiresolution segmentatie. Zo visualiseren mensen ruimtelijke kenmerken.

• Wanneer moet u pixelgebaseerd (classificatie zonder toezicht en onder toezicht) gebruiken?
• Wanneer moet u object-based classification gebruiken?

zoals in dit artikel wordt geïllustreerd, is ruimtelijke resolutie een belangrijke factor bij het selecteren van beeldclassificatietechnieken.

wanneer u een lage ruimtelijke resolutie heeft, presteren zowel traditionele pixel-gebaseerde als object-gebaseerde beeldclassificatietechnieken goed.

maar wanneer u een hoge ruimtelijke resolutie heeft, is OBIA superieur aan de traditionele indeling op basis van pixels.

teledetectiegegevens Trends

in 1972 was Landsat-1 de eerste satelliet die aardreflectie verzamelde met een resolutie van 60 meter. Op dit moment waren de twee beeldclassificatietechnieken beschikbaar zonder toezicht en onder toezicht. Voor deze ruimtelijke resolutie was dit voldoende.

OBIA is echter aanzienlijk gegroeid als digitale beeldverwerkingstechniek.

in de loop der jaren is er een groeiende vraag naar op afstand waargenomen gegevens. Er zijn honderden toepassingen voor teledetectie. Bijvoorbeeld, voedselzekerheid, milieu, en openbare veiligheid zijn in hoge vraag. Om aan de vraag te voldoen, streeft satellietbeelden naar een hogere ruimtelijke resolutie bij een breder frequentiebereik.

Trends In Teledetectiegegevens:

• alomtegenwoordiger
• hogere ruimtelijke resolutie
• Grotere frequentiebereik

maar afbeeldingen met een hogere resolutie garanderen geen betere landbedekking. De gebruikte beeldclassificatietechnieken zijn een zeer belangrijke factor voor een betere nauwkeurigheid.

unsupervised vs Supervised vs Object-Based Classification

een case study van de Universiteit van Arkansas vergeleek object-based vs pixel-based classification. Het doel was om beelden met hoge en gemiddelde ruimtelijke resolutie te vergelijken.

over het geheel genomen presteerde object-gebaseerde classificatie beter dan zowel op pixel gebaseerde classificatiemethoden zonder toezicht als onder toezicht. Omdat OBIA zowel spectrale als contextuele informatie gebruikte, had het een hogere nauwkeurigheid. Deze studie is een goed voorbeeld van enkele beperkingen van pixel-gebaseerde beeldclassificatietechnieken.

Lees verder: 9 Gratis wereldwijde gegevensverzamelingen over landbedekking / landgebruik

groei van object-based classificatie

Pixels zijn de kleinste eenheid die in een afbeelding wordt weergegeven. Beeldclassificatie maakt gebruik van reflectiestatistieken voor individuele pixels.

de technologische vooruitgang en de beschikbaarheid van beelden met hoge ruimtelijke resolutie zijn sterk toegenomen. Maar ook beeldclassificatietechnieken MOETEN in aanmerking worden genomen. De schijnwerpers staan op de object-based beeldanalyse om kwaliteitsproducten te leveren.

volgens de zoekresultaten van Google Scholar hebben alle beeldclassificatietechnieken een gestage groei van het aantal publicaties laten zien. De laatste tijd heeft object-based classificatie veel groei laten zien.

deze grafiek toont de jaarlijkse zoekresultaten van Google Scholar met behulp van de zoekzin” AllinTitle:”.

Als u deze gids voor beeldclassificatietechnieken hebt gelezen, raad ik u aan de infographic voor beeldclassificatie op afstand te downloaden.

1. Blaschke T, 2010. Object-gebaseerde beeldanalyse voor teledetectie. ISPRS Journal of Photogrammetry and Remote Sensing 65 (2010) 2-16
2. Object-based Classification vs Pixel-Based Classification: Comparitive Importance of Multi-Resolution Imagery (Robert C. Weih, Jr.and Norman D. Riggan, Jr.)
3. Multiresolution Segmentation: een optimalisatiebenadering voor hoogwaardige multi-scale image segmentation (Martin Baatz & Arno Schape)
4. Trimble eCognition Ontwikkelaar: http://www.ecognition.com