OBIA–基于對象的圖像分析（GEOBIA）–思考對象，而不是像素?
思考對象，而不是像素?
如果你只需點擊一個按鈕就可以數(shù)字化圖像中的所有功能，那將是多么不可思議的事情？
除此之外，您還可以通過單擊按鈕對每個功能進(jìn)行分類？
聽起來像魔術(shù)嗎？ 但是，這兩個過程是在**基于對象的圖像分析（OBIA）**中執(zhí)行的分割和分類。
讓我們檢查一下它是什么，以及如何使用它來更有效和準(zhǔn)確地完成工作。
添加微信好友, 獲取更多信息
復(fù)制微信號
細(xì)分是分類的關(guān)鍵?
人類視覺感知幾乎總是優(yōu)于計算機(jī)視覺算法。
例如，當(dāng)你的眼睛看到一條河流時，你就知道它是什么。但電腦無法識別湖泊中的河流。
…還是可以？
基于傳統(tǒng)像素 image classification 為每個像素指定一個土地覆蓋類別。所有像素的大小、形狀都相同，沒有任何相鄰像素的概念。
然而，obia將一個小像素的圖像分割成矢量對象。分割不是以每像素為基礎(chǔ)，而是自動為您數(shù)字化圖像。
基于對象的圖像分析（OBIA）分割是一個將相似像素分組為對象的過程。
分割的作用是復(fù)制你的眼睛在做什么。
但是有了這些分割的物體，你就可以利用它的光譜、幾何和空間特性來劃分土地覆蓋。
OBIA分類使用物體的形狀、大小和光譜特性對每一個物體進(jìn)行分類。
否則，當(dāng)你使用傳統(tǒng)的圖像分類技術(shù)時，你經(jīng)常會在分類結(jié)果中看到一種“鹽和胡椒”的外觀。
綜上所述，OBIA的兩個基本原則是：
分解 ：將圖像分解為表示陸基特征的對象。
分類 ：使用這些對象的形狀、大小、空間和光譜特性對其進(jìn)行分類。
讓我們深入研究這兩個概念。
通過分段生成有意義的對象?
分割圖像時，該過程將像素分組以形成對象。突然，土地覆蓋特征開始出現(xiàn)，類似于你的眼睛如何處理周圍環(huán)境。
對于這張50厘米分辨率的圖像， 多分辨率分割 算法分解圖像 ECognition Definiens Developer。根據(jù)您的緊湊性和形狀設(shè)置，這是obia的初步步驟。
你希望這些物體有多大？有一個比例參數(shù)，您可以估計它來生成更有意義的對象。
此外，還可以為要分段的所有層配置權(quán)重。這意味著您不僅需要按紅色、綠色或藍(lán)色分割，還可以分割DEM、D *** 、NIR甚至激光雷達(dá)強(qiáng)度。
基于定制圖像對象融合的可裁剪識別多分辨率分割
同樣， segment mean shift ARCGIS是一種基于對象的圖像分析的替代 *** 。然而，你沒有像Trimble Ecognition那樣多的選擇。
例如，在運(yùn)行進(jìn)程時，不能設(shè)置多個層的權(quán)重。你能做的就是設(shè)置光譜和空間細(xì)節(jié)，以及最小的像素尺寸。有了一點痕跡和錯誤，我們使用柵格計算器設(shè)置自定義權(quán)重，使用一個ND *** 和紅色帶作為輸入。
基于分段平均移位算法的ARCGIS分割
劃分土地覆蓋特征?
分割圖像之后，是時候?qū)γ總€對象進(jìn)行分類了。現(xiàn)在可以進(jìn)行分類了，因為每個對象都有與其相關(guān)聯(lián)的統(tǒng)計信息。例如，您可以根據(jù)幾何圖形、面積、顏色、形狀、紋理、相鄰等對對象進(jìn)行分類。
當(dāng)選擇在Arcgis中受到限制時，這就是真正的力量在于Trimble Ecognition。在這個例子中，似乎有無數(shù)的統(tǒng)計數(shù)據(jù)來對建筑物進(jìn)行分類。但是哪個統(tǒng)計數(shù)據(jù)是正確的呢？
obia中的每個對象都有相關(guān)的統(tǒng)計信息。右邊是所選建筑的圖像對象信息，包括其形狀、大小和光譜特征。
不可否認(rèn)，沒有**更好**使用OBIA對土地覆蓋特征進(jìn)行分類的 *** 。然而，分析人員經(jīng)常使用這些統(tǒng)計數(shù)據(jù)來使用OBIA對土地覆蓋進(jìn)行分類：
WATER 扁平（低ND *** ），聚集成凹陷（高TWI或低TPI），具有低溫（熱紅外-TIRS）和高近紅外吸收（負(fù) NDVI ）
TREES 具有不同的高度（高ND *** 標(biāo)準(zhǔn)偏差）和高近紅外反射（高NDVI）。
BUILDINGS 通常為矩形（高矩形擬合），高（高ND *** ）和高坡度。
GRASS 較短（低nd *** ），平坦（低nd *** 標(biāo)準(zhǔn)差），近紅外反射率中等（中等ndvi）。
ROADS 反射大量的光（高RGB），它們是平的（低ND *** ），具有高的光強(qiáng)度，并且具有低或負(fù)的NDVI。
識別最終分類結(jié)果
您可以設(shè)置規(guī)則集，這是一組預(yù)定義的步驟，用于對對象進(jìn)行分段和分類。與ArcGIS中的模型生成器類似，它會逐步執(zhí)行每個過程，直到完成。
或者，Trimble Ecognition具有 nearest neighbor classification 根據(jù)定義的樣本添加和分類。
更清晰的圖像=更高級的圖像分類?
1972年，陸地衛(wèi)星1號引發(fā)了我們?nèi)绾伪O(jiān)測地球的革命。隨著美國 *** 放松對高分辨率的監(jiān)管 satellite data 更清晰的圖像的上升趨勢是非常顯著的。
它不僅是像WorldView或Planet Labs這樣的衛(wèi)星，而且是 LiDAR 無人駕駛飛機(jī)也在健康上升。我們對圖像的分類方式已經(jīng)從無人監(jiān)督發(fā)展到了更復(fù)雜的**基于對象的圖像分類**。
當(dāng)一個像素包含多個建筑物時， Landsat-1 場景中，不需要做基于對象的圖像分析。然而，新一代的高分辨率數(shù)據(jù)需要基于對象的圖像分析。
例如，一個陸地衛(wèi)星1號的場景無法從公園的建筑物之間辨認(rèn)出來。在這種情況下， unsupervised and supervised classification 就夠了。但現(xiàn)在，您可以使用obia對高分辨率數(shù)據(jù)進(jìn)行細(xì)分和分類，以獲得更有意義的土地覆蓋。這是遙感界的趨勢。
否則，傳統(tǒng)的圖像分類技術(shù)會給出不需要的鹽和胡椒分類。
無監(jiān)督分類與無用斑點分類
基于對象的圖像分析?
奧比亞從細(xì)胞生物學(xué)家解剖圖像掃描開始。 GEOBIA (基于地理對象的圖像分析) 區(qū)別于它的醫(yī)學(xué)起源。
更清晰的圖像、更多的光譜帶和大量的數(shù)據(jù)采集可以幫助解決今天的問題。
為了理解所有這些信息，我們需要OBIA或基于對象的圖像分析來為我們自動化一些工作。
隨著每一天的過去，衛(wèi)星在軌道上靜靜地收集大量的數(shù)據(jù)……但是如果你不知道如何使用衛(wèi)星數(shù)據(jù)，那么衛(wèi)星數(shù)據(jù)有什么好處呢？
奧比亞是關(guān)于大規(guī)模生產(chǎn)的。您可以創(chuàng)建一個規(guī)則集，運(yùn)行它并根據(jù)需要編輯您的分類。
來源：開源地理空間基金會中文分會
來源鏈接：https://www.osgeo.cn/post/1847b
本站聲明:網(wǎng)站內(nèi)容來源于 *** ,如有侵權(quán),請聯(lián)系我們,我們將及時處理。
