Σύγκριση των μεθόδων ταξινόμησης (pixel vs object based) για ανάλυση αστικών περιοχών με χρήση δεδομένων υψηλής ανάλυσης.
Από RemoteSensing Wiki
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
| Στάδια | Τιμές | ||
|---|---|---|---|
| pixel vs object based classification | Ταξινόμηση |
 | |
