técnicas de classificação de imagem em sensoriamento remoto [infográfico]

o que é Classificação de imagem em sensoriamento remoto?

os 3 principais tipos de técnicas de classificação de imagem em sensoriamento remoto são:

• classificação de imagem não supervisionada
• classificação de imagem supervisionada
• análise de imagem baseada em objeto

classificação de imagem não supervisionada e supervisionada são as duas abordagens mais comuns.

no entanto, a classificação baseada em objetos ganhou mais popularidade porque é útil para dados de alta resolução.

leia mais: 15 Fontes de dados de imagens de satélite gratuitas

1. Classificação não supervisionada

no geral, a classificação não supervisionada é a técnica mais básica. Como você não precisa de amostras para classificação não supervisionada, é uma maneira fácil de segmentar e entender uma imagem.

As duas etapas básicas para a classificação não-supervisionada são:

• Gerar clusters
• Atribuir classes

o Uso de sensoriamento remoto de software, devemos primeiro criar “clusters”. Alguns dos algoritmos comuns de agrupamento de imagens são:

• K-means
• ISODATA

Depois de escolher um algoritmo de clustering, identificar o número de grupos que você deseja gerar. Por exemplo, você pode criar 8, 20 ou 42 clusters. Menos clusters têm pixels mais parecidos dentro dos grupos. Mas mais clusters aumentam a variabilidade dentro dos grupos.

para ser claro, estes são clusters não classificados. O próximo passo é atribuir manualmente classes de cobertura de terra a cada cluster. Por exemplo, se você deseja classificar vegetação e não vegetação, pode selecionar os clusters que os representam melhor.

leia mais: classificação supervisionada e não supervisionada no ArcGIS

2. Classificação supervisionada

as três etapas básicas para a classificação supervisionada são:

• Selecionar áreas de formação
• Gerar arquivo de assinatura
• Classificar

Para supervisionado imagem de classificação, você deve primeiro criar exemplos de treinamento. Por exemplo, você marca as áreas urbanas marcando-as na imagem. Em seguida, você continuaria adicionando sites de treinamento representativos em toda a imagem.

para cada classe de cobertura terrestre, você continua criando amostras de treinamento até ter amostras representativas para cada classe. Por sua vez, isso geraria um arquivo de assinatura, que armazena todas as amostras de treinamento informações espectrais.Finalmente, a última etapa seria usar o arquivo de assinatura para executar uma classificação. A partir daqui, você teria que escolher uma algoritmos de classificação, tais como:

• Máxima verossimilhança
• Mínimo de distância
• componentes Principais
• máquina de vetor de Suporte (SVM)
• Iso cluster

, Como mostrado em vários estudos, SVM é um dos melhores algoritmos de classificação em sensoriamento remoto. Mas cada opção tem suas próprias vantagens, que você pode testar por si mesmo.

3. Análise de imagem baseada em objeto (OBIA)

Aqui estão as etapas para executar a classificação de análise de imagem baseada em objeto:

• Executar segmentação multiresolução
• Selecionar áreas de formação
• Definir estatísticas
• Classificar

com base no Objeto de análise de imagem (OBIA) segmentos de uma imagem do agrupamento de pixels. Não cria pixels únicos. Em vez disso, gera objetos com geometrias diferentes. Se você tem a imagem certa, os objetos podem ser tão significativos que fazem a digitalização para você. Por exemplo, os resultados de segmentação abaixo destacam edifícios.

O 2 mais comum de algoritmos de segmentação são:

• Multi-resolução para a segmentação no eCognition
• Segmento significa mudança no ArcGIS

No Objeto-Imagem com Base em Análise (OBIA) de classificação, você pode usar diferentes métodos para classificar os objetos. Por exemplo, você pode usar:

forma: se você quiser classificar edifícios, você pode usar uma estatística de forma como “ajuste retangular”. Isso testa a geometria de um objeto na forma de um retângulo.

Textura: Textura é a homogeneidade de um objeto. Por exemplo, a água é principalmente homogênea porque é principalmente azul escuro. Mas as florestas têm sombras e são uma mistura de verde e preto.Espectral: você pode usar o valor médio das propriedades espectrais, como infravermelho próximo, infravermelho de ondas curtas, vermelho, verde ou azul.

contexto geográfico: os objetos têm relações de proximidade e distância entre vizinhos.

classificação do vizinho mais próximo: a classificação do vizinho mais próximo (nn) é semelhante à classificação supervisionada. Após a segmentação de várias resoluções, o usuário identifica locais de amostra para cada classe de cobertura terrestre. Em seguida, eles definem estatísticas para classificar objetos de imagem. Finalmente, o vizinho mais próximo classifica objetos com base em sua semelhança com os sites de treinamento e as estatísticas definidas.

leia mais: Guia de classificação do vizinho mais próximo em Ecognição

qual técnica de classificação de imagem você deve usar?Digamos que você queira classificar a água em uma imagem de alta resolução espacial.

você decide escolher todos os pixels com baixo NDVI nessa imagem. Mas isso também pode classificar erroneamente outros pixels na imagem que não são água. Por esse motivo, a classificação baseada em pixels, como classificação não supervisionada e supervisionada, dá uma aparência de sal e pimenta.

os humanos naturalmente agregam informações espaciais em grupos. A segmentação por multirresolução faz essa tarefa agrupando pixels homogêneos em objetos. As características da água são facilmente reconhecíveis após a segmentação da multirresolução. É assim que os humanos visualizam características espaciais.

• quando você deve usar baseado em pixel (classificação não supervisionada e supervisionada)?
• quando você deve usar a classificação baseada em objetos?

conforme ilustrado neste artigo, a resolução espacial é um fator importante na seleção de técnicas de classificação de imagem.

quando você tem baixa resolução espacial, as técnicas tradicionais de classificação de imagem baseadas em pixels e em objetos têm um bom desempenho.

mas quando você tem alta resolução espacial, o OBIA é superior à classificação tradicional baseada em pixels.

tendências de dados de Sensoriamento Remoto

em 1972, o Landsat-1 foi o primeiro satélite a coletar refletância da terra com resolução de 60 metros. Neste momento, a classificação não supervisionada e supervisionada foram as duas técnicas de classificação de imagem disponíveis. Para esta resolução espacial, isso foi suficiente.

no entanto, o OBIA cresceu significativamente como uma técnica de processamento de imagem digital.

ao longo dos anos, tem havido uma demanda crescente por dados detectados remotamente. Existem centenas de aplicativos de sensoriamento remoto. Por exemplo, Segurança Alimentar, meio ambiente e segurança pública estão em alta demanda. Para atender à demanda, as imagens de satélite visam maior resolução espacial em uma faixa mais ampla de frequências.

Tendências De Dados De Sensoriamento Remoto:

• Mais onipresente
• Maior resolução espacial
• Ampla gama de frequências

Mas imagens de resolução mais alta não garantir uma melhor cobertura do solo. As técnicas de classificação de imagem utilizadas são um fator muito importante para uma melhor precisão.

classificação não supervisionada vs supervisionada vs baseada em objetos

um estudo de caso da Universidade de Arkansas comparou a classificação baseada em objetos vs baseada em pixels. O objetivo era comparar imagens de alta e média resolução espacial.

no geral, a classificação baseada em objetos superou os métodos de classificação baseados em pixels não supervisionados e supervisionados. Como o OBIA usava informações espectrais e contextuais, ele tinha maior precisão. Este estudo é um bom exemplo de algumas das limitações das técnicas de classificação de imagens baseadas em pixels.

leia mais: 9 conjuntos de dados globais gratuitos de cobertura de terra / uso da Terra

o crescimento da classificação baseada em objetos

Pixels é a menor unidade representada em uma imagem. A classificação de imagem usa estatísticas de refletância para pixels individuais.

tem havido muito crescimento nos avanços na tecnologia e na disponibilidade de imagens de alta resolução espacial. Mas as técnicas de classificação de imagens também devem ser levadas em consideração. O foco está brilhando na análise de imagem baseada em objetos para fornecer produtos de qualidade.

de acordo com os resultados de pesquisa do Google Scholar, todas as técnicas de classificação de imagens mostraram um crescimento constante no número de publicações. Recentemente, a classificação baseada em objetos mostrou muito crescimento.

este gráfico exibe os resultados de pesquisa anuais do Google Scholar usando a frase de pesquisa “AllinTitle:”.

Se você gostou deste guia, a imagem de classificação de técnicas, eu recomendo que você baixe o sensoriamento remoto imagem de classificação infográfico.

1. Blaschke T, 2010. Análise de imagem baseada em objeto para sensoriamento remoto. Isprs Journal of Photogrammetry and Remote Sensing 65 (2010) 2-16
2. Classificação baseada em objetos vs classificação baseada em pixels: importância comparativa de imagens de resolução múltipla (Robert C. Weih, Jr.e Norman D. Riggan, Jr.)
3. Segmentação por multirresolução: uma abordagem de otimização para segmentação de imagem em várias escalas de alta qualidade (Martin Baatz & Arno Schape)
4. Trimble eCognition Developer: http://www.ecognition.com