techniki klasyfikacji obrazów w Teledetekcji [Infografika]

czym jest klasyfikacja obrazów w Teledetekcji?

3 główne rodzaje technik klasyfikacji obrazów w teledetekcji to:

• Klasyfikacja obrazów bez nadzoru
• Klasyfikacja obrazów nadzorowanych
• analiza obrazów obiektowych

Klasyfikacja obrazów bez nadzoru i nadzorowanych to dwa najczęstsze podejścia.

jednak klasyfikacja obiektowa zyskała większą popularność, ponieważ jest przydatna dla danych o wysokiej rozdzielczości.

Czytaj więcej: 15 darmowych źródeł danych zdjęć satelitarnych

1. Klasyfikacja bez nadzoru

Ogólnie rzecz biorąc, klasyfikacja bez nadzoru jest najbardziej podstawową techniką. Ponieważ nie potrzebujesz próbek do klasyfikacji bez nadzoru, jest to łatwy sposób na segmentację i zrozumienie obrazu.

dwa podstawowe etapy klasyfikacji bez nadzoru to:

• generowanie klastrów
• Przypisywanie klas

używając oprogramowania do teledetekcji, najpierw tworzymy “klastry”. Niektóre z popularnych algorytmów klastrowania obrazów to:

• K-oznacza
• ISODATA

po wybraniu algorytmu klastrowania identyfikujesz liczbę grup, które chcesz wygenerować. Na przykład można utworzyć 8, 20 lub 42 klastry. Mniej klastrów ma więcej przypominających pikseli w grupach. Ale więcej klastrów zwiększa zmienność w grupach.

aby było jasne, są to gromady niesklasyfikowane. Następnym krokiem jest ręczne przypisanie klas pokrycia terenu do każdego klastra. Na przykład, jeśli chcesz klasyfikować roślinność i nie-roślinność, możesz wybrać te klastry, które reprezentują je najlepiej.

Czytaj więcej: Klasyfikacja nadzorowana i Nienadzorowana w ArcGIS

2. Klasyfikacja nadzorowana

trzy podstawowe etapy nadzorowanej klasyfikacji to:

• wybierz obszary treningowe
• Wygeneruj plik podpisu
• Sklasyfikuj

w celu klasyfikacji obrazów nadzorowanych należy najpierw utworzyć próbki treningowe. Na przykład zaznacza się obszary miejskie, zaznaczając je na obrazie. Następnie będziesz kontynuował dodawanie reprezentatywnych miejsc treningowych na całym obrazie.

dla każdej klasy pokrycia terenu, nadal tworzysz próbki szkoleniowe, dopóki nie otrzymasz reprezentatywnych próbek dla każdej klasy. Z kolei wygenerowałoby to plik podpisu, który przechowuje wszystkie informacje spektralne próbek treningowych.

wreszcie, ostatnim krokiem byłoby użycie pliku podpisu do uruchomienia klasyfikacji. Stąd trzeba by wybrać algorytmy klasyfikacji takie jak:

• maksymalne prawdopodobieństwo
• minimalna odległość
• główne komponenty
• Maszyna wektorowa Pomocnicza (SVM)
• klaster Iso

jak wykazano w kilku badaniach, SVM jest jednym z najlepszych algorytmów klasyfikacji w teledetekcji. Ale każda opcja ma swoje zalety, które możesz przetestować.

3. Obiektowa Analiza obrazu (OBIA)

oto kroki do wykonania klasyfikacji analizy obrazu opartej na obiektach:

• wykonaj segmentację multiresolution
• wybierz obszary treningowe
• Zdefiniuj statystyki
• Klasyfikuj

obiektowa analiza obrazu (OBIA) segmentuje obraz poprzez grupowanie pikseli. Nie tworzy pojedynczych pikseli. Zamiast tego generuje obiekty o różnych geometriach. Jeśli masz odpowiedni obraz, obiekty mogą być tak znaczące, że robią digitalizację za Ciebie. Na przykład poniższe wyniki segmentacji wyróżniają budynki.

2 najczęstsze algorytmy segmentacji to:

• segmentacja wielorozdzielcza w klasyfikacji eCognition
• średnie przesunięcie segmentu w klasyfikacji ArcGIS

w klasyfikacji Object-Based Image Analysis (OBIA) można użyć różnych metod klasyfikacji obiektów. Na przykład możesz użyć:

kształt: jeśli chcesz klasyfikować budynki, możesz użyć statystyk kształtu, takich jak “dopasowanie prostokątne”. Testuje geometrię obiektu na kształt prostokąta.

Tekstura: Tekstura to jednorodność obiektu. Na przykład woda jest w większości jednorodna, ponieważ jest w większości ciemnoniebieska. Ale lasy mają cienie i są mieszanką zieleni i czerni.

widmowy: można użyć średniej wartości właściwości widmowych, takich jak bliska podczerwień, podczerwień krótkofalowa, czerwona, zielona lub niebieska.

kontekst geograficzny: obiekty mają relacje bliskości i odległości między sąsiadami.

klasyfikacja najbliższego sąsiada: Klasyfikacja najbliższego sąsiada (NN) jest podobna do klasyfikacji nadzorowanej. Po segmentacji w wielu rozdzielczościach użytkownik identyfikuje przykładowe miejsca dla każdej klasy pokrycia terenu. Następnie definiują statystyki klasyfikujące obiekty obrazu. Wreszcie najbliższy sąsiad klasyfikuje obiekty na podstawie ich podobieństwa do miejsc treningowych i zdefiniowanych statystyk.

Czytaj więcej: Nearest Neighbor Classification Guide in ECognition

jakiej techniki klasyfikacji obrazów należy użyć?

powiedzmy, że chcesz sklasyfikować wodę w obrazie o wysokiej rozdzielczości przestrzennej.

decydujesz się wybrać wszystkie piksele z niskim NDVI na tym obrazie. Ale może to również błędnie zaklasyfikować inne piksele na obrazie, które nie są wodą. Z tego powodu klasyfikacja oparta na pikselach, taka jak klasyfikacja bez nadzoru i nadzorowana, daje wygląd soli i pieprzu.

ludzie naturalnie łączą informacje przestrzenne w grupy. Segmentacja Multiresolution wykonuje to zadanie, grupując jednorodne piksele w obiekty. Cechy wody są łatwo rozpoznawalne po wielokierunkowej segmentacji. W ten sposób ludzie wizualizują cechy przestrzenne.

• kiedy należy stosować klasyfikację opartą na pikselach (bez nadzoru i nadzoru)?
• kiedy należy stosować klasyfikację obiektową?

jak zilustrowano w tym artykule, rozdzielczość przestrzenna jest ważnym czynnikiem przy wyborze technik klasyfikacji obrazów.

w przypadku niskiej rozdzielczości przestrzennej, zarówno tradycyjne techniki klasyfikacji obrazów oparte na pikselach, jak i obiektach działają dobrze.

ale gdy masz wysoką rozdzielczość przestrzenną, OBIA jest lepsza od tradycyjnej klasyfikacji opartej na pikselach.

Trendy danych teledetekcyjnych

w 1972 roku Landsat-1 był pierwszym satelitą, który zebrał odbicie ziemi w rozdzielczości 60 metrów. W tym czasie dostępne były dwie techniki klasyfikacji obrazów bez nadzoru i nadzoru. Dla tej rozdzielczości przestrzennej było to wystarczające.

jednak OBIA znacznie rozwinęła się jako technika cyfrowego przetwarzania obrazu.

z biegiem lat rośnie zapotrzebowanie na zdalnie wykrywane dane. Istnieją setki aplikacji teledetekcji. Na przykład duże zapotrzebowanie na bezpieczeństwo żywnościowe, środowisko i bezpieczeństwo publiczne. Aby zaspokoić popyt, zdjęcia satelitarne mają na celu wyższą rozdzielczość przestrzenną w szerszym zakresie częstotliwości.

Trendy Danych Teledetekcyjnych:

• bardziej wszechobecny
• wyższa rozdzielczość przestrzenna
• szerszy zakres częstotliwości

ale obrazy o wyższej rozdzielczości nie gwarantują lepszego pokrycia terenu. Stosowane techniki klasyfikacji obrazów są bardzo ważnym czynnikiem dla lepszej dokładności.

Klasyfikacja bez nadzoru vs nadzorowana vs obiektowa

studium przypadku z University of Arkansas porównało klasyfikację obiektową vs opartą na pikselach. Celem było porównanie obrazów o wysokiej i średniej rozdzielczości przestrzennej.

ogólnie, klasyfikacja obiektowa przewyższała zarówno metody klasyfikacji nienadzorowanej, jak i nadzorowanej opartej na pikselach. Ponieważ OBIA korzystała zarówno z informacji spektralnych, jak i kontekstowych, miała większą dokładność. Badanie to jest dobrym przykładem niektórych ograniczeń technik klasyfikacji obrazów opartych na pikselach.

Czytaj więcej: 9 bezpłatnych zestawów danych dotyczących globalnego Pokrycia Terenu / użytkowania gruntów

wzrost klasyfikacji obiektowej

piksele są najmniejszą jednostką reprezentowaną na obrazie. Klasyfikacja obrazów wykorzystuje statystyki odbicia dla poszczególnych pikseli.

nastąpił znaczny wzrost postępu w technologii i dostępności obrazów o wysokiej rozdzielczości przestrzennej. Należy jednak również wziąć pod uwagę techniki klasyfikacji obrazów. W centrum uwagi znajduje się analiza obrazu oparta na obiektach, aby dostarczać produkty wysokiej jakości.

według wyników wyszukiwania Google Scholar wszystkie techniki klasyfikacji obrazów wykazały stały wzrost liczby publikacji. Ostatnio znacznie wzrosła klasyfikacja obiektowa.

ten wykres wyświetla roczne wyniki wyszukiwania Google Scholar za pomocą frazy wyszukiwania “AllinTitle:”.

Jeśli podobał Ci się ten przewodnik po technikach klasyfikacji obrazów, polecam pobrać infografikę klasyfikacji obrazów z teledetekcją.

1. Blaschke T, 2010. Obiektowa analiza obrazu na potrzeby teledetekcji. Isprs Journal of Photogrametry and Remote Sensing 65 (2010) 2-16
2. Klasyfikacja obiektowa vs klasyfikacja oparta na pikselach: porównawcze znaczenie obrazów Wielorozdzielczych (Robert C. Weih, Jr.i Norman D. Riggan, Jr.)
3. Segmentacja Multiresolution: podejście optymalizacyjne do wysokiej jakości segmentacji obrazów w wielu skalach (Martin Baatz & Arno Schape)
4. Trimble eCognition Developer: http://www.ecognition.com