답변:
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.
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.
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.