Σύγκριση των μεθόδων ταξινόμησης (pixel vs object based) για ανάλυση αστικών περιοχών με χρήση δεδομένων υψηλής ανάλυσης.

Από RemoteSensing Wiki

Δεν έχετε άδεια για να επεξεργαστείτε αυτή τη σελίδα, για τους ακόλουθους λόγους:

• Η ενέργεια που ζητήσατε είναι περιορισμένη σε χρήστες σε μία ομάδα: Χρήστες.
• Πρέπει να επιβεβαιώσετε την διεύθυνση e-mail σας πριν μπορέσετε να επεξεργαστείτε σελίδες. Παρακαλώ θέστε και επικυρώστε την διεύθυνση e-mail σας μέσω των προτιμήσεων χρήστη σας.

Μπορείτε να δείτε και να αντιγράψετε τον κώδικα αυτής της σελίδας:

[[category:Σύνταξη ψηφιακών τοπογραφικών χαρτών]] Εξετάζεται η δυνατότητα του eCognition για ανάλυση αστικών περιοχών με αυτόματες μεθόδους. Σε δεύτερη φάση η ακρίβεια των αποτελεσμάτων συγκρίνεται με τα αποτελέσματα από μια pixel based φασματική ταξινόμηση. '''Author:''' Birgit Mittelberg '''EIKONA''': α. Η περιοχή Bonn-Kessenich β. Ένα τμήμα της πόλης Pickering στον Καναδά. Εμβαδόν: 1x1km και στις δυο περιπτώσεις. α. Πανχγρωματική αεροφωτογραφία β. Πολυφασματικά δεδομένα του IKONOS: Πανγχρωματικό, Κόκκινο, Πράσινο, Μπλε, Εγγύς υπέρυθρο Διαχωριστική ικανότητα: Πανγχρωματική εικόνα: 1m Πολυφασματικά δεδομένα: 4m '''ΕΠΕΞΕΡΓΑΣΙΑ:''' Η αεροφωτογραφία περνάει στο υπολογιστή αφού σαρωθεί, και έχει διαχωριστική ικανότητα 45cm. Στην εικόνα του IKONOS γίνεται resampling με την τεχνική image fusion ώστε όλα τα κανάλια να έχουν 1m διαχωριστική ικανότητα. '''ΤΑΞΙΝΟΜΗΣΗ:''' '''1.Αντικειμενοστραφής ταξινόμηση''' α. Κατάτμηση β. Ταξινόμηση '''2.Pixel based ταξινόμηση''' α.Mε τη μέθοδο της μέγιστης πιθανοφάνειας. β.Με neural network clasifier '''ΑΝΑΛΥΣΗ:''' Συγκρίνοντας τις εικόνες των δυο ταξινομήσεων και γνωρίζοντας από οπτική παρατήρηση ορισμένες περιοχές ελέγχου, παρατηρούμε ότι η μέθοδος της μέγιστης πιθανοφάνειας δεν αναγνωρίζει ορισμένες κατηγορίες καθόλου. Η συνολική ακρίβεια της ταξινόμησης μέσω του eCognition είναι 64,2%. Η ταξινόμηση εμφανίζει υψηλή ακρίβεια στις τάξεις νερό (96%) και δάσος (72,3%). Σε γενικές γραμμές η ταξινόμηση της εικόνας του IKONOS είναι καλύτερη και στα δυο είδη ταξινόμησης '''Συνολική ακρίβεια αντικειμενοστραφούς ταξινόμησης: 74,4%''' '''Συνολική ακρίβεια Pixel based ταξινόμησης με neural network clasifier: 67,4%''' Γενικά παρατηρούμε ότι είναι πιθανό να ταξινομηθεί μια πανγχρωματική εικόνα με αντικειμενοστραφή ταξινόμηση. Αντίθετα η μέθοδος της μέγιστης πιθνοφάνειας δεν παράγει χρήσιμα αποτελέσματα. == ΠΙΝΑΚΑΣ ΕΙΚΟΝΩΝ == {| style="width:75%; height:200px" border="1" |- ! style="background:#fff8dc;"| ||style="background:#fff8dc;"|'''Στάδια''' ! colspan="2" style="background:#fff8dc;" | Τιμές |- style="height:100px" |rowspan="5"|pixel vs object based classification|| Ταξινόμηση || style="width:200px" | [[Εικόνα:Pixel vs object oriented classification.JPG|thumb|center|Εικόνα 1. α. Η περιοχή Bonn-Kessenich β. Ένα τμήμα της πόλης Pickering στον Καναδά. Εμβαδόν: 1x1km και στις δυο περιπτώσεις. α. Πανχγρωματική αεροφωτογραφία β. Πολυφασματικά δεδομένα του IKONOS: Πανγχρωματικό, Κόκκινο, Πράσινο, Μπλε, Εγγύς υπέρυθρο Διαχωριστική ικανότητα: Πανγχρωματική εικόνα: 1m Πολυφασματικά δεδομένα: 4m Πηγή: www.definiens.com/resource-center_61_24_0.html]] |-

Επιστροφή στη σελίδα Σύγκριση των μεθόδων ταξινόμησης (pixel vs object based) για ανάλυση αστικών περιοχών με χρήση δεδομένων υψηλής ανάλυσης..