Bagaimana cara menajamkan gambar Landsat untuk klasifikasi gambar dalam GRASS?


11

Saya ingin belajar bagaimana melakukan klasifikasi yang tidak diawasi dari adegan Landsat menggunakan i.cluster> i.maxlikdi GRASS menggunakan gambar resolusi 15m pan-sharpened (contoh yang diberikan dalam Wiki -nya menggunakan resolusi 30m biasa).

Saya mencoba menggunakan i.pansharpenuntuk membuat gambar pan-sharpened terlebih dahulu, tetapi i.pansharpenhanya dapat menghasilkan 3 saluran yang dapat digabungkan menggunakan d.rgbatau r.composite. Sejauh yang saya tahu, proses klasifikasi gambar membutuhkan band multispektral lengkap 1 hingga 7. Bagaimana saya dapat menghasilkan band terpisah (band 1 ke band 7), dipertajam dengan menggunakan gambar band 8 resolusi 15m, sebelum memasukkannya ke proses klasifikasi gambar?

Saya telah menemukan kertas yang menunjukkan bagaimana mereka melakukan ini; pada dasarnya mereka menggunakan semacam Analisis Komponen Utama untuk menggabungkan band-band multispektral 30m dengan band pankromatik 15m. Kutipan yang tepat adalah:

"Metode pertama mengubah sampel gambar multispektral 30 meter menjadi 15 meter. Kemudian menghitung semua enam komponen utama gambar multispektral (Kami menghapus pita termal karena resolusi courser). Kemudian histogram pita pankromatik (15 meter) Resolusi) di-rescaled agar sesuai dengan histogram dari komponen utama pertama dari gambar 30-meter dan komponen pertama diganti dengan pita pankromatik yang disaring ulang. Ini dibenarkan karena komponen utama pertama mewakili kecerahan keseluruhan dengan cara yang mirip dengan pita spektral luas dari gambar pankromatik. Setelah penggantian, maka enam komponen diubah kembali menjadi ruang data asli, memberikan peningkatan dalam resolusi spasial. "

Pertama, makalah ini tidak menunjukkan algoritma / formula apa pun. Saya tidak tahu bagaimana mengubah kutipan di atas menjadi formula matematika yang sesuai. Saya menyadari bahwa saya dapat menggunakan i.pansharpendengan algoritma PCA daripada Brovey atau IHS yang biasa - tapi tetap saja - outputnya hanya akan menjadi 3 saluran merah, biru dan hijau - yang sayangnya saya tidak tahu bagaimana menggunakannya untuk klasifikasi gambar ..

Jadi, bahkan sebelum saya mencoba untuk memecahkan kepalaku mencoba untuk menulis algoritma PCA baru secara manual, adakah yang bisa membantu saya menunjukkan cara yang lebih mudah dan lebih baik untuk melakukan klasifikasi gambar pada gambar Landsat yang tajam? Maksud saya - harus ada cara yang lebih mudah, bukan? Saya merasa seperti kehilangan sesuatu yang sederhana.

Jika satu-satunya rute yang tersisa adalah menulis skrip saya sendiri, dapatkah Anda mengarahkan saya ke sesuatu di luar sana yang menyerupai contoh dari apa yang saya coba lakukan?

Bantuan apa pun sangat kami hargai!


Pertama, itu tidak jelas bagi saya setelah membaca paragraf 1 di halaman 5, jika langkah ke-2 dari metode yang disajikan (PCA pada semua band tetapi yang termal), menggunakan resampled ke 15m band atau 30m band asli. Dari langkah ke-3 (pencocokan histogram dari Pan-band menggunakan sebagai referensi PC pertama yang memiliki resolusi spasial ...?), Saya kira langkah ke-2 (PCA) diterapkan pada band asli (30m). Pada langkah ke-4, Pan-band yang disempurnakan menggantikan PC ke-1 - jadi, mungkin langkah ke-2 diterapkan pada band-15m! - dan, akhirnya, PCA mundur memperoleh serangkaian gambar yang disempurnakan. Benarkah begitu?
Nikos Alexandris

Apakah mereka menerapkan dua kali PCA, satu kali untuk set asli enam band (30m) dan satu kali untuk set band yang disesuaikan menjadi 15m?
Nikos Alexandris

Jawaban:


4

i.cluster membutuhkan setidaknya dua raster. Jadi, tiga output dari i.pansharpen akan cukup.


Maksud Anda, saya harus memasukkan semua 3 output i.pansharpenke dalam i.group? Hmm, tidak pernah terpikir tentang itu (saya pikir i.groupmemerlukan raster di band terpisah) .. Kualitas klasifikasi menggunakan hanya 3 raster harus berbeda dari menggunakan seluruh jajaran, kan? Sudahlah, saya akan mencobanya terlebih dahulu. Terima kasih @Vladimir Naumov!

Saya pikir itu harus melakukan trik untuk saat ini! Saya tahu saya melewatkan sesuatu yang sederhana :)
Dengan menggunakan situs kami, Anda mengakui telah membaca dan memahami Kebijakan Cookie dan Kebijakan Privasi kami.
Licensed under cc by-sa 3.0 with attribution required.