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行分類？
聽起來像魔術嗎？ 但是，這兩個過程是在**基于對象的圖像分析（OBIA）**中執行的分割和分類。
讓我們檢查一下它是什么，以及如何使用它來更有效和準確地完成工作。
添加微信好友, 獲取更多信息
復制微信號
細分是分類的關鍵?
人類視覺感知幾乎總是優于計算機視覺算法。
例如，當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，而是自動為您數字化圖像。
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行分類。
否則，當你使用傳統的圖像分類技術時，你經常會在分類結果中看到一種“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，類似于你的眼睛如何處理周圍環境。
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。根據您的緊湊性和形狀設置，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，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重。這意味著您不僅需要按紅色、綠色或藍色分割，還可以分割DEM、D *** 、NIR甚至激光雷達強度。
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，在運行進程時，不能設置多個層的權重。你能做的就是設置光譜和空間細節，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置自定義權重，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，是時候對每個對象進行分類了。現在可以進行分類了，因為每個對象都有與其相關聯的統計信息。例如，您可以根據幾何圖形、面積、顏色、形狀、紋理、相鄰等對對象進行分類。
當選擇在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，似乎有無數的統計數據來對建筑物進行分類。但是哪個統計數據是正確的呢？
obia中的每個對象都有相關的統計信息。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，沒有**更好**使用OBIA對土地覆蓋特征進行分類的 *** 。然而，分析人員經常使用這些統計數據來使用OBIA對土地覆蓋進行分類：
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 NDVI ）
TREES 具有不同的高度（高ND *** 標準偏差）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 *** 標準差），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 *** ），具有高的光強度，并且具有低或負的NDVI。
識別最終分類結果
您可以設置規則集，這是一組預定義的步驟，用于對對象進行分段和分類。與ArcGIS中的模型生成器類似，它會逐步執行每個過程，直到完成。
或者，Trimble Ecognition具有 nearest neighbor classification 根據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，陸地衛星1號引發了我們如何監測地球的革命。隨著美國 *** 放松對高分辨率的監管 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這樣的衛星，而且是 LiDAR 無人駕駛飛機也在健康上升。我們對圖像的分類方式已經從無人監督發展到了更復雜的**基于對象的圖像分類**。
當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據需要基于對象的圖像分析。
例如，一個陸地衛星1號的場景無法從公園的建筑物之間辨認出來。在這種情況下， unsupervised and supervised classification 就夠了。但現在，您可以使用obia對高分辨率數據進行細分和分類，以獲得更有意義的土地覆蓋。這是遙感界的趨勢。
否則，傳統的圖像分類技術會給出不需要的鹽和胡椒分類。
無監督分類與無用斑點分類
基于對象的圖像分析?
奧比亞從細胞生物學家解剖圖像掃描開始。 GEOBIA (基于地理對象的圖像分析) 區別于它的醫學起源。
更清晰的圖像、更多的光譜帶和大量的數據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，衛星在軌道上靜靜地收集大量的數據……但是如果你不知道如何使用衛星數據，那么衛星數據有什么好處呢？
奧比亞是關于大規模生產的。您可以創建一個規則集，運行它并根據需要編輯您的分類。
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:網站內容來源于 *** ,如有侵權,請聯系我們,我們將及時處理。
