Jakich narzędzi używasz do klasyfikacji danych teledetekcyjnych?

18

Którego narzędzia wolisz używać do klasyfikacji danych teledetekcyjnych, np. Klasyfikując użytkowanie gruntów i dlaczego ?

Jakie inne narzędzia wypróbowałeś i dlaczego zdecydowałeś się na nie?

podmrok
źródło
dla dedykowanej zmiany stosu teledetekcji: area51.stackexchange.com/propozycje/59346/remote-sensing
WAF

Odpowiedzi:

13

Korzystam z wielu narzędzi w zależności od rodzaju klasyfikacji, którą próbuję wykonać.

Do ogólnej klasyfikacji bez nadzoru / nadzorowanej używam ENVI , który ma wiele opcji metod klasyfikacji (w tym kilka bardziej zaawansowanych metod wykorzystujących sieci neuronowe i obsługujące maszyny wektorowe). Bardzo łatwo jest rozszerzyć ENVI za pomocą języka programowania IDL, i odkryłem, że często upraszcza to analizę po-klasyfikacyjną (ponieważ możesz napisać własny kod, aby to zrobić w razie potrzeby).

Jeśli chcę przeprowadzić klasyfikację obiektową (która obejmuje segmentację obrazu na obiekty, a następnie klasyfikację tych obiektów, korzyści polegające na tym, że można użyć zagregowanych właściwości obiektów, takich jak środki pasm, kształtu i tekstury), używam eCognition , chociaż słyszałem również, że ENVI EX jest dobry, jeśli nie potrzebujesz mocy eCognition.

Jeśli szukasz darmowego oprogramowania, Opticks ma wiele opcji klasyfikacji, chociaż nigdy nie radziłem sobie dobrze z Opticks. Ponadto Spectral Python to bardzo ładne narzędzie, które pozwala ładować obrazy do tablic NumPy w Pythonie, a następnie przetwarzać je. Zawiera moduł zawierający różne metody klasyfikacji i jest bardzo łatwy do rozszerzenia.

robintw
źródło
4

Moim ulubionym odkryciem w tym roku był Zestaw narzędzi Orfeo i powiązany program: Monteverdi.

http://orfeo-toolbox.org/otb/monteverdi.html

Wiele opcji pracy z teledetekcją i bardzo pomocna dokumentacja. Och, czy wspominałem, że jest darmowy i os

Ciesz się, sa

s_a
źródło
3

Właśnie zobaczyłem ten post na forum QGIS i pomyślałem, że tu umieszczę.

Cześć wszystkim.

Przepraszam za crosssposting. Jak niektórzy z was wiedzą, zestaw poleceń GRASS r.li umożliwia analizy krajobrazu . Jego interfejs jest dość złożony i nadal znajduje się w TclTk, nie jest przeniesiony do wxpython ani qgis. Jako taki jest teraz trudniejszy w użyciu, niż powinien, i stanie się bezużyteczny, gdy zostanie odrzucone wsparcie TclTk. Możliwym rozwiązaniem (dzięki Radimowi) jest przepisanie interfejsu jako wtyczki qgis python. To nie powinna być wielka praca (wstępnie szacujemy 2-3 tygodnie).

Pytanie brzmi: czy ktoś jest skłonny zainwestować swój czas lub pieniądze w napisanie takiej wtyczki?

My (Faunalia) chętnie pomożemy w razie potrzeby.

Wszystkiego najlepszego.

http://www.faunalia.it/pc


Lista mailingowa użytkowników Qgis [email protected] http://lists.osgeo.org/mailman/listinfo/qgis-user

Brad Nesom
źródło
Wiem, to jest stary post. Ale w każdym razie ... Stwierdzenie, że r.li.*pakiet stanie się bezużyteczny, gdy zostanie odrzucone wsparcie TclTk, nie jest do końca prawdą! Można i będzie można korzystać z narzędzi za pośrednictwem nowego - faktycznie aktualnego? - (wx) GUI, a także przez powłokę GRASS. Tak, zarówno w bieżącej wersji (6.4), jak i w nadchodzącym GRASS-GIS 7.
Nikos Alexandris,
2

Wypróbowałem oprogramowanie Erdas Imagine i ENVI i nie mogę powiedzieć, które z nich jest najlepsze. Oba mogą sklasyfikować twoje zdjęcia przy użyciu nadzorowanych i nienadzorowanych metod.

Julien
źródło
jeszcze jedno z erdas i envi = ^)
Marinheiro,
przepraszam co masz na myśli?
Julien
2

Zobacz także oprogramowanie SPRING wykonane przez Brazylijski Narodowy Instytut Badań Kosmicznych (INPE). Nie jestem pewien, czy jest to oprogramowanie typu open source, ale zdecydowanie jest bezpłatne.

http://www.dpi.inpe.br/spring/english/index.html

Alexandre Neto
źródło
1

Użyłem Erdas Imagine, ENVI ITT, Idrisi Selva, PCI Geomatica. ENVI ma rozszerzenia IDL, które zapewniają obsługę zaawansowanych algorytmów klasyfikacji, takich jak SVM, ANN, DT itp. Idrisi Selva ma dość dobre algorytmy klasyfikacji zarówno pod nadzorem, jak i bez nadzoru, szczególnie w sieciach neuronowych (SOM, MLP, RBF, FuzzyART) .I ma również małe doświadczenie w Monteverdi, Orfeo Toolbox. Jest to bardzo przyjazne dla użytkownika oprogramowanie. MultiSpec ma również algorytmy klasyfikacji obrazów

Mustafa Ustuner
źródło
0

Nie mam jeszcze preferencji (nie wypróbowałem żadnych alternatyw FLOSS), ale przetestowałem Feature Analyst, wtyczkę do Arc *. Choć gorszy od e-poznania, ma niską barierę wejścia. Jest prosty w obsłudze i oferuje przyjemny interfejs do nadzorowanej klasyfikacji. Możesz użyć różnych „pędzli” jako głównej jednostki wykrywającej, ale to nie wpływa na wynik tak bardzo, jak można by się spodziewać. Ma również tryb wsadowy, ale w moim przypadku był bezużyteczny, ponieważ rastry wymagały indywidualnego dopasowania próbki treningu, aby uzyskać dobre wyniki.

lynxlynxlynx
źródło
Nie jestem zwolennikiem eCognition of Feature Analyst. Jednak twoje stwierdzenie, że FA jest „gorsze”, jest całkowicie niepoparte i subiektywne. Biorąc pod uwagę, że FA jest algorytmem ekstrakcji funkcji, a eCognition koncentruje się na segmentacji obrazu, są to zupełnie różne modele z różnymi aplikacjami. Może być tak, że FA nie działał w danym wniosku, ale to nie znaczy, że nie działałby dobrze w innej analizie. Mieliśmy dobre wyniki z FA w sytuacjach, w których eCog działałby słabo.
Jeffrey Evans,
Nieobsługiwany? Pytanie dotyczy klasyfikacji, dla której FA ma lub miało znacznie mniej pokręteł i opcji niż inne. Oczywiście rzeczy mogły się zmienić w ciągu tych pięciu lat, ale taka skala byłaby mało prawdopodobna.
lynxlynxlynx
0

Próbowałem sobie wyobrazić Erdasa i dokonałem klasyfikacji. Ale jeśli zestawy reguł są poprawnie podane w e-poznaniu, daje to lepsze wyniki niż erdas. Jednak tworzenie zestawów reguł jest nieco skomplikowane w e-Cognition Developer.

Binoy
źródło