Qual ferramenta você prefere usar para classificação de dados de sensoriamento remoto, por exemplo, classificação do uso da terra e por quê ?
Quais outras ferramentas você já tentou e por que você decidiu contra elas?
remote-sensing
classification
underdark
fonte
fonte
Respostas:
Uso várias ferramentas, dependendo do tipo de classificação que estou tentando executar.
Para classificação geral não supervisionada / supervisionada, eu uso o ENVI , que tem muitas opções para métodos de classificação (incluindo alguns métodos mais avançados usando redes neurais e máquinas de vetores de suporte). É muito fácil estender o ENVI usando a linguagem de programação IDL, e descobri que isso geralmente simplifica a análise pós-classificação (como você pode escrever seu próprio código para fazer isso, se necessário).
Se eu quiser executar a classificação baseada em objeto (que envolve segmentar a imagem em objetos e depois classificá-los, os benefícios são que você pode usar propriedades agregadas dos objetos, como meios de bandas, forma e textura), eu uso o eCognition , embora eu também tenha ouvido falar que o ENVI EX é bom se você não precisar do poder do eCognition.
Se você está procurando software livre, o Opticks tem várias opções de classificação, embora eu nunca tenha me dado muito bem com o Opticks. Além disso, o Spectral Python é uma ferramenta muito boa que permite carregar imagens em matrizes NumPy no Python e depois processá-las. Inclui um módulo contendo vários métodos de classificação e é muito fácil de estender.
fonte
Para uma solução GIS de código aberto, consulte aqui: http://grass.osgeo.org/wiki/Image_classification Inclui também um pequeno tutorial.
fonte
Minha descoberta favorita deste ano foi a Orfeo Toolbox e o programa associado: Monteverdi.
http://orfeo-toolbox.org/otb/monteverdi.html
Muitas opções para o trabalho de sensoriamento remoto e documentação muito útil. Oh, eu mencionei que é gratuito e OS
Aproveite, sa
fonte
Acabei de ver este post no fórum QGIS e pensei em colocar aqui.
Olá a todos.
Desculpe por cruzar. Como alguns de vocês sabem, o conjunto r.li de comandos GRASS permite análises de paisagem . Sua interface é bastante complexa e ainda está em TclTk, não portada para wxpython ou qgis. Como tal, agora é mais difícil de usar do que deveria e se tornará inutilizável quando o suporte ao TclTk for descartado. A solução possível (graças ao Radim) é reescrever a interface como um plugin qgis python. Não deve ser um trabalho enorme (estimamos provisoriamente 2-3 semanas).
A questão é: existe alguém disposto a investir seu tempo ou algum dinheiro para escrever esse plugin?
Nós (Faunalia) ficaríamos felizes em ajudar, se necessário.
Muito bem sucedida.
http://www.faunalia.it/pc
Lista de discussão do usuário Qgis [email protected] http://lists.osgeo.org/mailman/listinfo/qgis-user
fonte
r.li.*
conjunto ficará inutilizável quando o suporte ao TclTk for descartado não é bem verdade! Pode-se, e será capaz de, usar as ferramentas através do novo - realmente atual? - (wx) GUI, bem como via shell do GRASS. Sim, tanto na versão atual (6.4) quanto no próximo GRASS-GIS 7. #Eu experimentei os softwares Erdas Imagine e ENVI , e me sinto incapaz de dizer qual é o melhor. Ambos podem classificar suas imagens usando métodos supervisionados e não supervisionados.
fonte
Veja também o software SPRING, do Instituto Nacional de Pesquisas Espaciais (INPE). Não tenho certeza se é de código aberto, mas é definitivamente gratuito.
http://www.dpi.inpe.br/spring/english/index.html
fonte
Eu usei Erdas Imagine, ENVI ITT, Idrisi Selva, PCI Geomatica. O ENVI possui extensões IDL que permitem a condução de algoritmos de classificação avançados, como SVM, ANN, DT, etc. também tem um pouco de experiência em Monteverdi, Orfeo Toolbox.It é um software muito amigável. O MultiSpec também possui algoritmos de classificação para imagens
fonte
Ainda não tenho preferência (não tentei nenhuma alternativa FLOSS), mas testei o Feature Analyst, um plug-in para o Arc *. Embora inferior ao e-Cognition, ele tem uma barreira de entrada baixa. É simples de usar e oferece uma interface agradável para classificação supervisionada. Você pode usar vários "pincéis" como a principal unidade de detecção, mas isso não afeta o resultado tanto quanto seria de esperar. Ele também possui um modo em lote, mas no meu caso foi inútil, pois os rasters precisavam de ajustes na amostra de treinamento individual para obter bons resultados.
fonte
Tentei Erdas imaginar e fiz a classificação. Mas se os conjuntos de regras são dados corretamente no e-cognition, produz uma saída melhor do que as erdas. Mas o desenvolvimento de conjuntos de regras é um pouco complexo no e-Cognition Developer.
fonte