Ekstraksi jalan keluar dari gambar raster Landsat


11

Untuk studi perluasan jaringan jalan di hutan hujan, saya mencoba mengekstraksi jalan dari citra Landsat. Kami sudah memiliki komposit yang tajam dan bebas awan di mana jalan terlihat jelas oleh mata tetapi mengekstraksinya menjadi fitur garis terbukti sulit jadi saya bertanya-tanya apakah ada yang tahu algoritma atau metode yang baik yang dapat menangani gambar besar yang disediakan Landsat? Saya sudah mencoba Grass's r.thin tetapi ini sepertinya tidak berhasil.

Jawaban:


10

Saya akan merekomendasikan menggunakan segmentasi gambar dengan perangkat lunak SPRING gratis , tersedia dari Institut Nasional Brasil untuk Penelitian Ruang Angkasa. Dokumentasi tersedia di sini dan tutorial tersedia di sini . Segmentasi gambar menghasilkan akurasi klasifikasi tinggi dibandingkan dengan metode klasifikasi murni berbasis pixel (mis. ISODATA, Maximum Likelihood, dll.). Untuk membantu menjelaskan jawaban saya dengan lebih baik, saya melakukan segmentasi gambar pada pencitraan (resolusi NIR, 1m) yang memiliki jalan melintasi rangeland di Oregon bagian timur. Alur kerja umum untuk melakukan segmentasi gambar dengan SPRING adalah sebagai berikut:

  1. Impor citra
  2. Lakukan segmentasi (Hasil yang ditunjukkan pada gambar 1)
  3. Buat set pelatihan dengan memilih daerah mana yang termasuk kelas mana.
  4. Lakukan klasifikasi pada daerah tersegmentasi.

Gambar pertama menunjukkan hasil segmentasi yang sebenarnya. Jalan disorot dengan warna biru dan digunakan selama langkah 3 (pelatihan). Saya menggabungkan semua kelas lain (misalnya rumput, pohon, dll) ke dalam kategori lain. Gambar akhir menunjukkan hasil segmentasi gambar dan algoritma klasifikasi. Seperti yang Anda lihat, segmentasi gambar menghasilkan hasil yang sangat baik dengan pencitraan sampel.

Dengan citra Landsat, Anda akan memiliki resolusi spasial yang lebih sedikit daripada citra sampel saya, namun Anda akan memiliki resolusi spektral yang lebih besar dan dengan demikian akan dapat mendeteksi perbedaan yang lebih besar antara area yang bervegetasi dan yang tidak bervegetasi. Karena SPRING memperhitungkan pita spektral akun selain bentuk, Anda akan melihat hasil yang sangat baik menggunakan citra Landsat Anda. Semoga sukses dan terima kasih telah meneliti topik penting ini.

masukkan deskripsi gambar di sini

masukkan deskripsi gambar di sini


Luar biasa. Orfeo Toolbox adalah opsi lain yang serupa
Ragi Yaser Burhum

3

Klasifikasi objek tersegmentasi (terlatih) dapat digunakan dengan sangat sukses untuk masalah ini, tapi saya tidak tahu GRASS cukup untuk memberi tahu Anda kemampuan apa yang dimilikinya di area ini. Anda akan mendapatkan poligon, jadi Anda masih harus menipiskannya atau menggunakan mean atau transformasi lainnya.

Anda akan mendapatkan hasil yang lebih baik jika Anda memiliki pita inframerah dekat atau komposit yang tersedia, karena reflektifitas jalan dan tanah tandus lainnya sangat berbeda dari vegetasi, ditambah bayangan dan pada tingkat yang lebih kecil, kanopi (jalan) mempengaruhi hasil lebih sedikit.


Lucu bahwa Anda menyebutkan inframerah dekat karena itulah yang saya fokuskan dan memang jelas berbeda dari hutan asli tetapi hutan yang terganggu memiliki tanda tangan dekat-IR yang hampir sama. Saya akan mencoba klasifikasi objek tersegmentasi, mari kita lihat.
Biekart
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.