Извлечение особенности земного покрова из спутниковых снимков

14

Меня интересует недорогое решение с открытым исходным кодом для создания слоев ГИС земного покрова, в которых используются как спектральные, так и текстурные алгоритмы извлечения. В прошлом я использовал PCI Geomatica, ENVI и Feature Analyst VLS; Однако эти решения немного выходят за рамки моего ценового диапазона, какие-либо программные рекомендации?

artwork21
источник

Ответы:

18

Для этого вы можете использовать GRASS GIS, которая поддерживает извлечение текстур и классификацию изображений на основе радиометрического / сегментарного подхода. Для идеи, посмотрите реферат конференции , запланированный доклад на Geoinformatics FCE CTU 2011.

Смотрите также: http://grass.osgeo.org/wiki/Image_processing и http://grass.osgeo.org/wiki/Image_classification для обзора.

markusN
источник
8

Если я вас правильно понимаю, вы ищете процедуру классификации под наблюдением. Немного теоретического фона: http://rst.gsfc.nasa.gov/Sect1/Sect1_17.html

Это, конечно, возможно благодаря траве: http://grass.osgeo.org/wiki/Image_classification#Supervised_classification_2

В качестве альтернативы вы могли бы также взглянуть на сагу (я не говорю, что она лучше, я просто знаю ее лучше), которая также хорошо работает с qgis и R. На этом сайте есть несколько видео, демонстрирующих это: http: // www.uni-koblenz-landau.de/landau/fb7/umweltwissenschaften/landscape-ecology/Teaching/geostat (загрузите файлы данных, чтобы получить презентации).

Во всех программах ГИС вы будете определять количество опорных точек или полигонов на одном типе земель, которые затем экстраполируются на остальную часть области. Вот пример классификации землепользования:

введите описание изображения здесь

И на самом деле, если вы нарисовали свои тренировочные полигоны в любой ГИС-программе, вы можете использовать R для прогнозирования. Сделайте оверлей со своими сетками, а затем используйте любую систему прогнозирования, которая вам нравится (например, rpart, если вы хотите деревья классификации). Больше информации в этой книге на странице 222: http://www.lulu.com/product/file-download/a-practical-guide-to-geostatistical-mapping/14938111

Можно сказать гораздо больше: ваши тренировочные наборы должны быть репрезентативными для вашей области обучения (возможно, было бы даже лучше сгенерировать случайные точки в R и классифицировать их). Вам также следует тщательно выбирать вспомогательные наборы данных, и вы можете создавать новые, если, например, текстура является важным свойством.

-

Если все, что вы хотите сделать, это извлечь области или объекты (без их классификации), то алгоритм сегментации является более вероятным, чем вы хотите. Один пример (реализованный в SAGA GIS) обсуждается в этом документе: http://mirror.transact.net.au/pub/sourceforge/s/project/sa/saga-gis/SAGA%20-%20Documentation/GGA115/gga115_03 .pdf

johanvdw
источник
Большое спасибо за Ваш ответ. Кажется, вы точно знаете, как можно достичь моих целей. Я был бы очень признателен, если бы вы пояснили свой ответ немного подробнее. Я особенно заинтересован в этапах, чтобы я мог научить программу, какие функции являются правильными, а какие нет, пока не будут извлечены все (или большинство) правильных функций.
NetConstructor.com
Предоставьте больше информации (в вашем вопросе, а не в комментариях), какие именно функции вы хотите извлечь. Кроме того: если в сигнале (см. Ссылку nasa) перекрываются различные типы землепользования (или что бы вы ни наносили на карту), автоматическая классификация не будет работать хорошо.
johanvdw
3

Вы могли бы сделать это с GRASS.

Сначала вы будете работать с растровыми данными:

  • Я укажу вам на этот урок . Смотрите растровую часть.
  • Вы будете использовать r.mapcalc и r.reclass для извлечения желаемых функций.
  • r.to.vect позволит вам векторизовать ваши данные.

Наконец, вы будете манипулировать векторными данными . v.db.select и v.class помогут вам.

Симо
источник
1
В этом подходе используется только один растр, которого обычно недостаточно.
johanvdw
Он говорит о регионе (одно изображение или несколько). Во всяком случае, изображения могут быть объединены.
Симо