Σύγκριση των μεθόδων ταξινόμησης (pixel vs object based) για ανάλυση αστικών περιοχών με χρήση δεδομένων υψηλής ανάλυσης.
Από RemoteSensing Wiki
(→ΠΙΝΑΚΑΣ ΕΙΚΟΝΩΝ) |
(→ΠΙΝΑΚΑΣ ΕΙΚΟΝΩΝ) |
||
| Γραμμή 90: | Γραμμή 90: | ||
|- style="height:100px" | |- style="height:100px" | ||
|rowspan="5"|Εντοπισμός αγροτικών τεμαχίων (eCognition)|| ΠΕΡΙΟΧΗ ΜΕΛΕΤΗΣ - ΕΙΚΟΝΑ || style="width:200px" | | |rowspan="5"|Εντοπισμός αγροτικών τεμαχίων (eCognition)|| ΠΕΡΙΟΧΗ ΜΕΛΕΤΗΣ - ΕΙΚΟΝΑ || style="width:200px" | | ||
| - | [[Εικόνα:Pixel vs object oriented classification.JPG|thumb|center|Εικόνα 1. | + | [[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 | |
| - | Διαχωριστική | + | |
| - | + | ||
| - | + | ||
Πηγή: www.definiens.com/resource-center_61_24_0.html]] | Πηγή: www.definiens.com/resource-center_61_24_0.html]] | ||
Αναθεώρηση της 20:09, 15 Οκτωβρίου 2009
Add Your Content Here
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.
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: 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 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
| Στάδια | Τιμές | ||
|---|---|---|---|
| Εντοπισμός αγροτικών τεμαχίων (eCognition) | ΠΕΡΙΟΧΗ ΜΕΛΕΤΗΣ - ΕΙΚΟΝΑ |
 | |
| 1. Κατάτμηση |   | ||
| 2. Ταξινόμηση |   | ||
| Επιπλέον ανάλυση |
 | ||
