W celu zbadania rozszerzenia sieci dróg w lesie deszczowym staram się wydobywać drogi z obrazów Landsata. Mamy już ostre i bezchmurne kompozyty, na których drogi są wyraźnie widoczne dla oka, ale wyodrębnianie ich do linii jest trudne, więc zastanawiałem się, czy ktoś zna dobry algorytm lub metodę, która poradzi sobie z dużymi obrazami, które zapewnia Landsat? Próbowałem R. Grassa, ale to nie działa.
Poleciłbym korzystanie z segmentacji obrazów z bezpłatnym oprogramowaniem SPRING , dostępnym w Brazylijskim Narodowym Instytucie Badań Kosmicznych. Dokumentacja jest dostępna tutaj, a samouczki są dostępne tutaj . Segmentacja obrazu zapewnia wysoką dokładność klasyfikacji w porównaniu do metod klasyfikacji opartych wyłącznie na pikselach (np. ISODATA, maksymalne prawdopodobieństwo itp.). Aby lepiej wyjaśnić moją odpowiedź, wykonałem segmentację zdjęć na zdjęciach (nIR, rozdzielczość 1m), które miały drogę biegnącą przez obszar Rangeland we wschodnim Oregonie. Ogólny proces wykonywania segmentacji obrazu za pomocą SPRING jest następujący:
Importuj zdjęcia
Wykonaj segmentację (wyniki pokazane na obrazku 1)
Utwórz zestaw szkoleniowy, wybierając regiony, do których klas należy.
Przeprowadź klasyfikację według segmentowanych regionów.
Pierwszy obraz pokazuje wyniki faktycznej segmentacji. Droga jest podświetlona na niebiesko i została użyta podczas kroku 3 (trening). Wszystkie pozostałe klasy (np. Trawa, drzewa itp.) Podzieliłem na inne kategorie. Ostateczny obraz pokazuje wyniki algorytmu segmentacji i klasyfikacji obrazu. Jak widać, segmentacja obrazu przyniosła bardzo dobre wyniki z przykładowymi zdjęciami.
Dzięki zdjęciom Landsat będziesz mieć mniejszą rozdzielczość przestrzenną niż moje przykładowe zdjęcia, ale będziesz mieć większą rozdzielczość widmową, a zatem będziesz w stanie wykryć większe różnice między obszarami wegetowanymi i nie wegetowanymi. Ponieważ SPRING oprócz kształtów bierze pod uwagę pasma widmowe, powinieneś zobaczyć bardzo dobre wyniki przy użyciu zdjęć Landsat. Powodzenia i dziękuję za zbadanie tak ważnego tematu.
Niesamowite. Orfeo Toolbox to kolejna podobna opcja
Ragi Yaser Burhum
3
Klasyfikację obiektów segmentowych (zwaną także przeszkolonymi) można z powodzeniem wykorzystać w przypadku tego problemu, ale nie znam wystarczająco GRASS, aby powiedzieć, jakie możliwości ma on w tym obszarze. Dostalibyśmy jednak wielokąty, więc nadal musielibyście je przerzedzić lub użyć średniej lub innej transformacji.
Osiągniesz jeszcze lepsze wyniki, jeśli masz pasmo bliskiej podczerwieni lub kompozyt, ponieważ odbijanie dróg i innych jałowych gruntów znacznie różni się od odbicia roślinności, a także cienie i w mniejszym stopniu zadaszenia (nad drogami) wpływają na mniej wyników.
To zabawne, że wspominasz o bliskiej podczerwieni, ponieważ na tym właśnie się skupiłem i rzeczywiście wyraźnie różni się od dziewiczego lasu, ale zaniepokojony las ma prawie taką samą sygnaturę bliskiej podczerwieni. Spróbuję klasyfikować obiekty posegregowane, zobaczmy.
Klasyfikację obiektów segmentowych (zwaną także przeszkolonymi) można z powodzeniem wykorzystać w przypadku tego problemu, ale nie znam wystarczająco GRASS, aby powiedzieć, jakie możliwości ma on w tym obszarze. Dostalibyśmy jednak wielokąty, więc nadal musielibyście je przerzedzić lub użyć średniej lub innej transformacji.
Osiągniesz jeszcze lepsze wyniki, jeśli masz pasmo bliskiej podczerwieni lub kompozyt, ponieważ odbijanie dróg i innych jałowych gruntów znacznie różni się od odbicia roślinności, a także cienie i w mniejszym stopniu zadaszenia (nad drogami) wpływają na mniej wyników.
źródło