Landsat 래스터 이미지에서 도로 추출


11

열대 우림의 도로 네트워크 확장에 대한 연구를 위해 Landsat 이미지에서 도로를 추출하려고합니다. 우리는 이미 도로가 눈으로 선명하게 보이는 날카 롭고 구름이없는 합성물을 가지고 있지만, 라인 피처로 추출하는 것이 어렵다는 것을 입증하기 때문에 Landsat이 제공하는 큰 이미지를 처리 ​​할 수있는 좋은 알고리즘이나 방법을 알고 있는지 궁금합니다. Grass의 r.thin을 시도했지만 작동하지 않는 것 같습니다.

답변:


10

브라질 국립 우주 연구소에서 제공 하는 무료 소프트웨어 SPRING 과 함께 이미지 분할을 사용하는 것이 좋습니다 . 설명서는 여기에서 , 자습서는 여기에서 사용할 수 있습니다 . 이미지 분할은 순수한 픽셀 기반 분류 방법 (예 : ISODATA, 최대 가능성 등)에 비해 높은 분류 정확도를 생성합니다. 내 대답을 더 잘 설명 할 수 있도록 오리건 동부 동부 지역의 도로를 통과 한 이미지 (nIR, 1m 해상도)에서 이미지 분할을 수행했습니다. SPRING으로 이미지 분할을 수행하는 일반적인 작업 과정은 다음과 같습니다.

  1. 이미지 가져 오기
  2. 분할 수행 (이미지 1에 표시된 결과)
  3. 어느 지역에 어느 지역에 속하는지를 선택하여 훈련 세트를 만듭니다.
  4. 세그먼트 화 된 영역에서 분류를 수행하십시오.

첫 번째 이미지는 실제 분할 결과를 보여줍니다. 도로는 파란색으로 강조 표시되고 3 단계 (트레이닝) 동안 사용되었습니다. 다른 모든 클래스 (예 : 잔디, 나무 등)를 다른 범주로 묶었습니다. 최종 이미지는 이미지 분할 및 분류 알고리즘의 결과를 보여줍니다. 보시다시피, 이미지 분할은 샘플 이미지에서 매우 좋은 결과를 냈습니다.

Landsat 이미지를 사용하면 샘플 이미지보다 공간 해상도가 낮아 지지만 스펙트럼 해상도는 높아져 식생 및 비 식생 영역 사이의 큰 차이를 감지 할 수 있습니다. SPRING은 모양 외에도 스펙트럼 대역을 고려하므로 Landsat 이미지를 사용하면 매우 좋은 결과를 얻을 수 있습니다. 중요한 주제를 연구 해 주셔서 감사합니다.

여기에 이미지 설명을 입력하십시오

여기에 이미지 설명을 입력하십시오


대박. Orfeo Toolbox도 비슷한 옵션입니다
Ragi Yaser Burhum

3

세그먼트 화 된 객체 (일명 훈련 된) 분류는이 문제에 매우 성공적으로 사용될 수 있지만이 영역에서 어떤 기능이 있는지 GRASS를 충분히 알지 못합니다. 그래도 다각형을 얻을 수 있으므로 여전히 다각형을 얇게하거나 평균 또는 다른 변환을 사용해야합니다.

근적외선 밴드 또는 합성물을 사용할 수있는 경우 도로 및 기타 불모의 땅의 반사율이 초목의 반사율과 그림자가 다르고 도로 위의 캐노피 (소형 도로)에 큰 영향을 미치므로 더 나은 결과를 얻을 수 있습니다. 적은 결과.


근적외선에 대해 언급하는 것이 재밌습니다. 왜냐하면 그것이 내가 집중하고있는 것이기 때문이며 실제로 깨끗한 숲과 분명하게 구별되어 있지만 방해 된 숲은 근적외선 서명과 거의 같습니다. 격리 된 개체 분류를 사용해 보겠습니다.
Biekart
당사 사이트를 사용함과 동시에 당사의 쿠키 정책개인정보 보호정책을 읽고 이해하였음을 인정하는 것으로 간주합니다.
Licensed under cc by-sa 3.0 with attribution required.