Bildklassificeringstekniker i fjärranalys [Infographic]

Vad är Bildklassificering i fjärranalys?

de 3 huvudtyperna av bildklassificeringstekniker vid fjärranalys är:

• oövervakad bildklassificering
• övervakad bildklassificering
• objektbaserad bildanalys

oövervakad och övervakad bildklassificering är de två vanligaste metoderna.

objektbaserad klassificering har dock blivit mer populär eftersom den är användbar för högupplösta data.

Läs Mer: 15 gratis satellitbilder datakällor

1. Oövervakad klassificering

Sammantaget är oövervakad klassificering den mest grundläggande tekniken. Eftersom du inte behöver prover för oövervakad klassificering är det ett enkelt sätt att segmentera och förstå en bild.

de två grundläggande stegen för oövervakad klassificering är:

• generera kluster
• tilldela klasser

med hjälp av fjärranalysprogramvara skapar vi först “kluster”. Några av de vanliga bildklusteringsalgoritmerna är:

• K-betyder
• ISODATA

när du har valt en klusteralgoritm identifierar du antalet grupper du vill generera. Du kan till exempel skapa 8, 20 eller 42 kluster. Färre kluster har mer liknande pixlar inom grupper. Men fler kluster ökar variationen inom grupper.

för att vara tydlig är dessa oklassificerade kluster. Nästa steg är att manuellt tilldela marktäckningsklasser till varje kluster. Om du till exempel vill klassificera vegetation och icke-vegetation kan du välja de kluster som representerar dem bäst.

Läs mer: övervakad och oövervakad klassificering i ArcGIS

2. Övervakad klassificering

de tre grundläggande stegen för övervakad klassificering är:

• Välj träningsområden
• generera signaturfil
• klassificera

för övervakad bildklassificering skapar du först träningsprover. Till exempel markerar du stadsområden genom att markera dem i bilden. Sedan, du skulle fortsätta att lägga till utbildningsplatser representant i hela bilden.

för varje landskyddsklass fortsätter du att skapa träningsprover tills du har representativa prover för varje klass. I sin tur skulle detta generera en signaturfil, som lagrar all träningsprover spektralinformation.

slutligen skulle det sista steget vara att använda signaturfilen för att köra en klassificering. Härifrån måste du välja en klassificeringsalgoritmer som:

• maximal sannolikhet
• minsta avstånd
• huvudkomponenter
• stödvektormaskin (SVM)
• Iso-kluster

som visat i flera studier är SVM en av de bästa klassificeringsalgoritmerna i fjärranalys. Men varje alternativ har sina egna fördelar, som du kan testa själv.

3. Objektbaserad bildanalys (OBIA)

här är stegen för att utföra objektbaserad bildanalysklassificering:

• utför multiresolution segmentering
• Välj träningsområden
• definiera statistik
• klassificera

objektbaserad bildanalys (OBIA) segmenterar en bild genom att gruppera pixlar. Det skapar inte enstaka pixlar. Istället genererar det objekt med olika geometrier. Om du har rätt bild kan objekt vara så meningsfulla att det gör digitaliseringen åt dig. Till exempel markerar segmenteringsresultaten nedan byggnader.

de 2 vanligaste segmenteringsalgoritmerna är:

• multi-resolution segmentering i eCognition
• Segment mean shift i ArcGIS

i Object-Based Image Analysis (OBIA) klassificering kan du använda olika metoder för att klassificera objekt. Du kan till exempel använda:

form: om du vill klassificera byggnader kan du använda en formstatistik som “rektangulär passform”. Detta testar ett objekts geometri till formen av en rektangel.

textur: Textur är homogeniteten hos ett objekt. Till exempel är vatten mestadels homogent eftersom det mest är mörkblått. Men skogar har skuggor och är en blandning av grönt och svart.

SPECTRAL: du kan använda medelvärdet för spektrala egenskaper som nära infraröd, kortvågig infraröd, röd, grön eller blå.

geografiskt sammanhang: objekt har närhet och avstånd mellan grannar.

närmaste GRANNKLASSIFICERING: närmaste granne (NN) – klassificering liknar övervakad klassificering. Efter segmentering med flera upplösningar identifierar användaren provplatser för varje landskyddsklass. Därefter definierar de statistik för att klassificera bildobjekt. Slutligen klassificerar närmaste granne objekt baserat på deras likhet med träningsplatserna och den definierade statistiken.

Läs mer: närmaste Grannklassificeringsguide i ECognition

vilken Bildklassificeringsteknik ska du använda?

låt oss säga att du vill klassificera vatten i en högupplöst bild.

du väljer att välja alla pixlar med låg NDVI i den bilden. Men det kan också felklassificera andra pixlar i bilden som inte är vatten. Av denna anledning ger pixelbaserad klassificering som oövervakad och övervakad klassificering ett salt-och pepparutseende.

människor samlar naturligt rumslig information i grupper. Multiresolution segmentering gör denna uppgift genom att gruppera homogena pixlar i objekt. Vattenfunktioner är lätt igenkännliga efter multiresolution segmentering. Så här visualiserar människor rumsliga funktioner.

• När ska du använda pixelbaserad (oövervakad och övervakad klassificering)?
• När ska du använda objektbaserad klassificering?

som illustreras i denna artikel är rumslig upplösning en viktig faktor vid val av bildklassificeringstekniker.

när du har låg rumslig upplösning fungerar både traditionella pixelbaserade och objektbaserade bildklassificeringstekniker bra.

men när du har hög rumslig upplösning är OBIA överlägsen traditionell pixelbaserad klassificering.

fjärranalys data trender

1972 var Landsat-1 Den första satelliten som samlade Jordreflektion vid 60 meter upplösning. Vid denna tidpunkt var oövervakad och övervakad klassificering de två tillgängliga bildklassificeringsteknikerna. För denna rumsliga upplösning var detta tillräckligt.

OBIA har dock vuxit betydligt som en digital bildbehandlingsteknik.

under åren har det funnits en växande efterfrågan på fjärravkända data. Det finns hundratals fjärranalysapplikationer. Till exempel är livsmedelssäkerhet, miljö och allmän säkerhet i hög efterfrågan. För att möta efterfrågan siktar satellitbilder på högre rumslig upplösning vid ett bredare frekvensområde.

Fjärranalys Data Trender:

• mer allestädes närvarande
• högre rumslig upplösning
• bredare frekvensområde

men bilder med högre upplösning garanterar inte bättre markskydd. De bildklassificeringstekniker som används är en mycket viktig faktor för bättre noggrannhet.

oövervakad vs övervakad vs objektbaserad klassificering

en fallstudie från University of Arkansas jämförde objektbaserad vs pixelbaserad klassificering. Målet var att jämföra bilder med hög och medium rumslig upplösning.

sammantaget överträffade objektbaserad klassificering både oövervakade och övervakade pixelbaserade klassificeringsmetoder. Eftersom OBIA använde både spektral och kontextuell information hade den högre noggrannhet. Denna studie är ett bra exempel på några av begränsningarna av pixelbaserade bildklassificeringstekniker.

Läs Mer: 9 gratis Globala Landtäckning / datauppsättningar för markanvändning

tillväxt av objektbaserad klassificering

pixlar är den minsta enheten som representeras i en bild. Bildklassificering använder reflektansstatistik för enskilda pixlar.

det har skett mycket tillväxt i tekniska framsteg och tillgången till högupplösta bilder. Men bildklassificeringstekniker bör också beaktas. Strålkastaren lyser på den objektbaserade bildanalysen för att leverera kvalitetsprodukter.

enligt Google Scholar sökresultat har alla bildklassificeringstekniker visat en stadig tillväxt i antalet publikationer. Nyligen har objektbaserad klassificering visat mycket tillväxt.

denna graf visar Google Scholar årliga sökresultat med hjälp av “allintitle:” sökfrasen.

om du gillade den här guiden till bildklassificeringstekniker rekommenderar jag att du laddar ner infographic för fjärranalys av bildklassificering.

1. Blaschke T, 2010. Objektbaserad bildanalys för fjärranalys. Isprs Journal of fotogrammetri och fjärranalys 65 (2010) 2-16
2. Objektbaserad klassificering vs pixelbaserad klassificering: jämförande betydelse för bilder med flera upplösningar (Robert C. Weih, Jr.och Norman D. Riggan, Jr.)
3. Multiresolution segmentering: en optimeringsmetod för högkvalitativ flerskalig bildsegmentering (Martin Baatz & Arno Schape)
4. Trimble eCognition Developer: http://www.ecognition.com