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

Από RemoteSensing Wiki

(Διαφορές μεταξύ αναθεωρήσεων)
Μετάβαση σε: πλοήγηση, αναζήτηση
(→ΠΙΝΑΚΑΣ ΕΙΚΟΝΩΝ)
 
(8 ενδιάμεσες αναθεωρήσεις δεν εμφανίζονται.)
Γραμμή 1: Γραμμή 1:
-
Add Your Content Here
 
-
 
  [[category:Σύνταξη ψηφιακών τοπογραφικών χαρτών]]
  [[category:Σύνταξη ψηφιακών τοπογραφικών χαρτών]]
Γραμμή 29: Γραμμή 27:
-
'''ΕΠΕΞΕΡΓΑΣΙΑ'''
+
'''ΕΠΕΞΕΡΓΑΣΙΑ:'''
 +
 
Η αεροφωτογραφία περνάει στο υπολογιστή
Η αεροφωτογραφία περνάει στο υπολογιστή
αφού σαρωθεί, και έχει διαχωριστική ικανότητα
αφού σαρωθεί, και έχει διαχωριστική ικανότητα
Γραμμή 38: Γραμμή 37:
ικανότητα.
ικανότητα.
-
'''1. ΚΑΤΑΤΜΗΣΗ:'''
 
-
Χρησιμοποιήθηκε σχετικά μεγάλος συντελεστής κλίμακας με σκοπό να διακριθούν τα
 
-
αγροτικά τεμάχια ως ξεχωριστά αντικείμενα. Λόγω της μορφής των αγροτικών τεμαχίων
 
-
δόθηκε μεγαλύτερο βάρος στον συντελεστή compactness του κριτηρίου shape του
 
-
αλγόριθμου κατάτμησης. Το αποτέλεσμα της κατάτμησης φαίνεται στην εικόνα 2.
 
-
΄Ελεγχος κατάτμησης:
+
'''ΤΑΞΙΝΟΜΗΣΗ:'''
-
Χρησιμοποιήθηκε ως βάση
+
-
αναφοράς ο κτηματολογικός
+
-
χάρτης της περιοχής που έχει σαν
+
-
χαρτογραφική μονάδα το
+
-
γεωτεμάχιο και η κατάτμηση
+
-
κρίθηκε ικανοποιητική.
+
-
 
+
-
 
+
-
'''2. ΤΑΞΙΝΟΜΗΣΗ:'''
+
'''1.Αντικειμενοστραφής ταξινόμηση'''
'''1.Αντικειμενοστραφής ταξινόμηση'''
Γραμμή 72: Γραμμή 57:
του IKONOS είναι καλύτερη και στα δυο είδη ταξινόμησης
του IKONOS είναι καλύτερη και στα δυο είδη ταξινόμησης
-
Συνολική ακρίβεια αντικειμενοστραφούς ταξινόμησης: 74,4%
+
'''Συνολική ακρίβεια αντικειμενοστραφούς ταξινόμησης: 74,4%'''
-
Συνολική ακρίβεια Pixel based ταξινόμησης με neural network clasifier: 67,4%
+
 
 +
'''Συνολική ακρίβεια Pixel based ταξινόμησης με neural network clasifier: 67,4%'''
Γενικά παρατηρούμε ότι είναι πιθανό να ταξινομηθεί μια πανγχρωματική εικόνα με
Γενικά παρατηρούμε ότι είναι πιθανό να ταξινομηθεί μια πανγχρωματική εικόνα με
-
αντικειμενοστραφή ταξινόμηση. Αντίθετα η μέθοδος της μέγιστης πιθνοφάνειας δεν
+
αντικειμενοστραφή ταξινόμηση. Αντίθετα η μέθοδος της μέγιστης πιθανοφάνειας δεν
παράγει χρήσιμα αποτελέσματα.
παράγει χρήσιμα αποτελέσματα.
Γραμμή 89: Γραμμή 75:
! colspan="2" style="background:#fff8dc;" | Τιμές  
! colspan="2" style="background:#fff8dc;" | Τιμές  
|- style="height:100px"  
|- style="height:100px"  
-
|rowspan="5"|Εντοπισμός αγροτικών τεμαχίων (eCognition)|| ΠΕΡΙΟΧΗ ΜΕΛΕΤΗΣ - ΕΙΚΟΝΑ || style="width:200px" |  
+
|rowspan="5"|pixel vs object based classification|| Ταξινόμηση  || style="width:200px" |  
-
[[Εικόνα:Pixel vs object oriented classification.JPG|thumb|center|Εικόνα 1. Περιοχή της Βαυαρίας, Neuburg Schrobenhausen (Γερμανία). Στην εικόνα περιλαμβάνεται το χωριό Hasnhofen (βορειο - Ανατολικό τμήμα της εικόνας). H περιοχή καλύπτεται κυρίως από δημητριακά (σιτάρι, κριθάρι, βρώμη) αλλά και από αραβόσιτο και λιβαδικές εκτάσεις.
+
[[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.
-
Κανάλια: Κόκκινο, Πράσινο, Μπλέ, Εγγύς υπέρυθρο.
+
α. Πανχγρωματική αεροφωτογραφία β. Πολυφασματικά δεδομένα του IKONOS: Πανγχρωματικό, Κόκκινο, Πράσινο, Μπλε, Εγγύς υπέρυθρο Διαχωριστική ικανότητα: Πανγχρωματική εικόνα: 1m Πολυφασματικά δεδομένα: 4m
-
Διαχωριστική ικανοτητα: 1m.
+
-
Χρόνος λήψης: 21 Μαίου 2001
+
-
Εμβαδόν: 2,60 x 2,68 Km
+
Πηγή: www.definiens.com/resource-center_61_24_0.html]]
Πηγή: www.definiens.com/resource-center_61_24_0.html]]
|-
|-
-
|1. Κατάτμηση|| [[Εικόνα:Parcel_2.JPG|thumb|center|Εικόνα 2. Κατάτμηση. Πηγή: Clark, 1998]][[Εικόνα:Parcel_3.JPG|thumb|center|Εικόνα 3. Έλεγχος κατάτμησης. Χρησιμοποιήθηκε ως βάση
 
-
αναφοράς ο κτηματολογικός
 
-
χάρτης της περιοχής που έχει σαν
 
-
χαρτογραφική μονάδα το
 
-
γεωτεμάχιο και η κατάτμηση
 
-
κρίθηκε ικανοποιητική. Πηγή: www.definiens.com/resource-center_61_24_0.html]]
 
-
|-
 
-
| 2. Ταξινόμηση|| [[Εικόνα:Parcel_4.JPG|thumb|center|Εικόνα 4. 1ο επίπεδο ταξινόμησης: Περιοχή με Καλλιέργειες - Περιοχή χωρίς καλλιέργειες. Πηγή: www.definiens.com/resource-center_61_24_0.html]]
 
-
[[Εικόνα:Parcel_5.JPG|thumb|center|Εικόνα 5. 2ο επίπεδο ταξινόμησης: Είδη Καλλιεργειών . Πηγή: www.definiens.com/resource-center_61_24_0.html]]
 
-
|-
 
-
|
 
-
|-
 
-
|
 
-
|-
 
-
| ||| Επιπλέον ανάλυση ||
 
-
[[Εικόνα:Parcel_6.JPG|thumb|center|Εικόνα 6. Εξαγωγή σε ένα Σύστημα Γεωγραφικών Πληροφοριών για διαχείριση και εισαγωγή
 
-
πληροφορίας για τα γεωτεμάχια. Διανυσματικό αρχείο της ταξινόμησης που έχει εισαχθεί στο LaFIS 2.0. Πηγή: www.definiens.com/resource-center_61_24_0.html]]
 
-
|-
 
-
|
 
-
 
-
|-
 
-
|
 
-
|-
 
-
|
 
-
|-
 
-
|
 
-
|-
 
-
|
 
-
|-
 
-
|
 
-
|-
 
-
|
 
-
|-
 
-
|
 
-
|-
 
-
|
 
-
|-
 
-
|
 
-
|-
 
-
|}
 

Παρούσα αναθεώρηση της 20:29, 15 Οκτωβρίου 2009


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 πιθανοφάνειας δεν παράγει χρήσιμα αποτελέσματα.

ΠΙΝΑΚΑΣ ΕΙΚΟΝΩΝ

Στάδια Τιμές
pixel vs object based classification Ταξινόμηση
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
Ανακτήθηκε από το "http://147.102.106.44/rs/wiki/index.php/%CE%A3%CF%8D%CE%B3%CE%BA%CF%81%CE%B9%CF%83%CE%B7_%CF%84%CF%89%CE%BD_%CE%BC%CE%B5%CE%B8%CF%8C%CE%B4%CF%89%CE%BD_%CF%84%CE%B1%CE%BE%CE%B9%CE%BD%CF%8C%CE%BC%CE%B7%CF%83%CE%B7%CF%82_(pixel_vs_object_based)_%CE%B3%CE%B9%CE%B1_%CE%B1%CE%BD%CE%AC%CE%BB%CF%85%CF%83%CE%B7_%CE%B1%CF%83%CF%84%CE%B9%CE%BA%CF%8E%CE%BD_%CF%80%CE%B5%CF%81%CE%B9%CE%BF%CF%87%CF%8E%CE%BD_%CE%BC%CE%B5_%CF%87%CF%81%CE%AE%CF%83%CE%B7_%CE%B4%CE%B5%CE%B4%CE%BF%CE%BC%CE%AD%CE%BD%CF%89%CE%BD_%CF%85%CF%88%CE%B7%CE%BB%CE%AE%CF%82_%CE%B1%CE%BD%CE%AC%CE%BB%CF%85%CF%83%CE%B7%CF%82.".
Προσωπικά εργαλεία