Como extrair estradas de imagens rasterizadas do Landsat
11
Para um estudo sobre a expansão das redes de estradas na floresta, estou tentando extrair estradas das imagens do Landsat. Já temos composições nítidas e sem nuvens, nas quais as estradas são claramente visíveis a olho nu, mas a extração delas nas características da linha está se mostrando difícil, então eu queria saber se alguém conhece um bom algoritmo ou método que possa lidar com as imagens grandes que o Landsat fornece? Eu tentei o Grass.thin fino, mas isso não parece funcionar.
Eu recomendaria o uso da segmentação de imagens com o software livre SPRING , disponível no Instituto Nacional de Pesquisas Espaciais. A documentação está disponível aqui e os tutoriais estão disponíveis aqui . A segmentação de imagem produz alta precisão de classificação em comparação com métodos de classificação baseados em pixels (por exemplo, ISODATA, Máxima Verossimilhança, etc.). Para ajudar a elucidar melhor minha resposta, realizei a segmentação de imagens em imagens (nIR, resolução de 1 m) que tinham uma estrada que atravessava pastagens no leste do Oregon. O fluxo de trabalho geral para executar a segmentação de imagem com o SPRING é o seguinte:
Importar imagens
Realizar segmentação (resultados mostrados na imagem 1)
Crie um conjunto de treinamento selecionando quais regiões pertencem a qual classe.
Realize a classificação nas regiões segmentadas.
A primeira imagem mostra os resultados da segmentação real. A estrada é destacada em azul e foi usada durante a etapa 3 (treinamento). Eu agrupei todas as outras classes (por exemplo, grama, árvores, etc.) em outra categoria. A imagem final mostra os resultados do algoritmo de segmentação e classificação de imagens. Como você pode ver, a segmentação de imagens produziu resultados muito bons com as imagens de amostra.
Com as imagens do Landsat, você terá menos resolução espacial do que as minhas imagens de amostra, mas terá maior resolução espectral e, portanto, poderá detectar maiores diferenças entre as áreas vegetadas e não vegetadas. Como o SPRING leva em consideração as bandas espectrais, além das formas, você deve obter resultados muito bons usando suas imagens do Landsat. Boa sorte e obrigado por pesquisar um tópico tão importante.
Impressionante. O Orfeo Toolbox é outra opção semelhante
Ragi Yaser Burhum
3
A classificação de objeto segmentado (também conhecido como treinado) pode ser usada com muito êxito para esse problema, mas eu não conheço o GRASS o suficiente para dizer quais recursos ele possui nessa área. Você obteria polígonos, portanto, ainda teria que reduzi-los ou usar uma média ou outra transformação.
Você obterá resultados ainda melhores se tiver disponível uma faixa ou composto de infravermelho próximo, já que a refletividade de estradas e outros terrenos áridos é significativamente diferente da vegetação, além de sombras e, em menor grau, os dosséis (sobre estradas) afetam a resultar menos.
É engraçado que você mencione o infravermelho próximo, porque é nele que estou focando e é realmente claramente distinto da floresta intocada, mas a floresta perturbada tem praticamente a mesma assinatura de infravermelho próximo. Vou tentar a classificação de objetos segmentados, vamos ver.
A classificação de objeto segmentado (também conhecido como treinado) pode ser usada com muito êxito para esse problema, mas eu não conheço o GRASS o suficiente para dizer quais recursos ele possui nessa área. Você obteria polígonos, portanto, ainda teria que reduzi-los ou usar uma média ou outra transformação.
Você obterá resultados ainda melhores se tiver disponível uma faixa ou composto de infravermelho próximo, já que a refletividade de estradas e outros terrenos áridos é significativamente diferente da vegetação, além de sombras e, em menor grau, os dosséis (sobre estradas) afetam a resultar menos.
fonte