Для изучения расширения дорожных сетей в тропических лесах я пытаюсь извлечь дороги из изображений Landsat. У нас уже есть острые и безоблачные композиты, на которых дороги хорошо видны на глаз, но их извлечение в линейные объекты оказывается трудным, поэтому мне было интересно, знает ли кто-нибудь хороший алгоритм или метод, который может обрабатывать большие изображения, которые предоставляет Landsat? Я попробовал rsthin Грасса, но это не похоже на работу.
Я бы порекомендовал использовать сегментацию изображений с помощью бесплатного программного обеспечения SPRING , доступного в Бразильском национальном институте космических исследований. Документация доступна здесь и учебники доступны здесь . Сегментация изображения обеспечивает высокую точность классификации по сравнению с методами классификации, основанными исключительно на пикселях (например, ISODATA, максимальное правдоподобие и т. Д.). Чтобы лучше прояснить мой ответ, я выполнил сегментацию изображения на изображениях (nIR, разрешение 1 м), по дороге, проходящей через пастбища в восточном Орегоне. Общий рабочий процесс для сегментации изображения с помощью SPRING выглядит следующим образом:
Импорт изображений
Выполните сегментацию (результаты показаны на рисунке 1)
Создайте набор тренировок, выбрав, какие регионы принадлежат к какому классу.
Выполните классификацию по сегментированным регионам.
Первое изображение показывает результаты фактической сегментации. Дорога выделена синим цветом и использовалась на шаге 3 (тренировка). Все другие классы (например, трава, деревья и т. Д.) Я свалил в другую категорию. Финальное изображение показывает результаты алгоритма сегментации и классификации изображений. Как вы можете видеть, сегментация изображения дала очень хорошие результаты с образцами изображений.
С изображениями Landsat у вас будет меньшее пространственное разрешение, чем у моих образцов изображений, но вы будете иметь большее спектральное разрешение и, таким образом, сможете обнаруживать большие различия между растительностью и не растительностью областей. Поскольку SPRING учитывает спектральные полосы в дополнение к формам, вы должны увидеть очень хорошие результаты, используя ваши снимки Landsat. Желаем удачи и спасибо за исследование такой важной темы.
Потрясающие. Orfeo Toolbox - еще одна похожая опция
Ragi Yaser Burhum
3
Классификация сегментированных объектов (она же обученная) может быть очень успешно использована для решения этой проблемы, но я недостаточно знаю GRASS, чтобы сказать вам, какие у нее есть возможности в этой области. Вы бы получили полигоны, поэтому вам все равно придется их разбавлять или использовать среднее или другое преобразование.
Вы получите еще лучшие результаты, если у вас есть ближний инфракрасный диапазон или композит, поскольку отражающая способность дорог и других бесплодных земель значительно отличается от отражающей способности растительности, плюс тени и в меньшей степени навесы (над дорогами) влияют на результат меньше.
Забавно, что вы упомянули ближний инфракрасный порт, потому что это тот, на котором я сфокусировался, и он действительно явно отличается от нетронутого леса, но нарушенный лес имеет почти такую же сигнатуру ближнего ИК диапазона. Я попробую классификацию сегментированных объектов, давайте посмотрим.
Классификация сегментированных объектов (она же обученная) может быть очень успешно использована для решения этой проблемы, но я недостаточно знаю GRASS, чтобы сказать вам, какие у нее есть возможности в этой области. Вы бы получили полигоны, поэтому вам все равно придется их разбавлять или использовать среднее или другое преобразование.
Вы получите еще лучшие результаты, если у вас есть ближний инфракрасный диапазон или композит, поскольку отражающая способность дорог и других бесплодных земель значительно отличается от отражающей способности растительности, плюс тени и в меньшей степени навесы (над дорогами) влияют на результат меньше.
источник