OBIA–基于对象的图像分析（GEOBIA）–思考对象，而不是像素¶
思考对象，而不是像素¶
如果你只需点击一个按钮就可以数字化图像中的所有功能，那将是多么不可思议的事情？
除此之外，您还可以通过单击按钮对每个功能进行分类？
听起来像魔术吗？ 但是，这两个过程是在**基于对象的图像分析（OBIA）**中执行的分割和分类。
让我们检查一下它是什么，以及如何使用它来更有效和准确地完成工作。
添加微信好友, 获取更多信息
复制微信号
细分是分类的关键¶
人类视觉感知几乎总是优于计算机视觉算法。
例如，当你的眼睛看到一条河流时，你就知道它是什么。但电脑无法识别湖泊中的河流。
…还是可以？
基于传统像素 image classification 为每个像素指定一个土地覆盖类别。所有像素的大小、形状都相同，没有任何相邻像素的概念。
然而，obia将一个小像素的图像分割成矢量对象。分割不是以每像素为基础，而是自动为您数字化图像。
基于对象的图像分析（OBIA）分割是一个将相似像素分组为对象的过程。
分割的作用是复制你的眼睛在做什么。
但是有了这些分割的物体，你就可以利用它的光谱、几何和空间特性来划分土地覆盖。
OBIA分类使用物体的形状、大小和光谱特性对每一个物体进行分类。
否则，当你使用传统的图像分类技术时，你经常会在分类结果中看到一种“盐和胡椒”的外观。
综上所述，OBIA的两个基本原则是：
分解 ：将图像分解为表示陆基特征的对象。
分类 ：使用这些对象的形状、大小、空间和光谱特性对其进行分类。
让我们深入研究这两个概念。
通过分段生成有意义的对象¶
分割图像时，该过程将像素分组以形成对象。突然，土地覆盖特征开始出现，类似于你的眼睛如何处理周围环境。
对于这张50厘米分辨率的图像， 多分辨率分割 算法分解图像 ECognition Definiens Developer。根据您的紧凑性和形状设置，这是obia的初步步骤。
你希望这些物体有多大？有一个比例参数，您可以估计它来生成更有意义的对象。
此外，还可以为要分段的所有层配置权重。这意味着您不仅需要按红色、绿色或蓝色分割，还可以分割DEM、D *** 、NIR甚至激光雷达强度。
基于定制图像对象融合的可裁剪识别多分辨率分割
同样， segment mean shift ARCGIS是一种基于对象的图像分析的替代 *** 。然而，你没有像Trimble Ecognition那样多的选择。
例如，在运行进程时，不能设置多个层的权重。你能做的就是设置光谱和空间细节，以及最小的像素尺寸。有了一点痕迹和错误，我们使用栅格计算器设置自定义权重，使用一个ND *** 和红色带作为输入。
基于分段平均移位算法的ARCGIS分割
划分土地覆盖特征¶
分割图像之后，是时候对每个对象进行分类了。现在可以进行分类了，因为每个对象都有与其相关联的统计信息。例如，您可以根据几何图形、面积、颜色、形状、纹理、相邻等对对象进行分类。
当选择在Arcgis中受到限制时，这就是真正的力量在于Trimble Ecognition。在这个例子中，似乎有无数的统计数据来对建筑物进行分类。但是哪个统计数据是正确的呢？
obia中的每个对象都有相关的统计信息。右边是所选建筑的图像对象信息，包括其形状、大小和光谱特征。
不可否认，没有**更好**使用OBIA对土地覆盖特征进行分类的 *** 。然而，分析人员经常使用这些统计数据来使用OBIA对土地覆盖进行分类：
WATER 扁平（低ND *** ），聚集成凹陷（高TWI或低TPI），具有低温（热红外-TIRS）和高近红外吸收（负 NDVI ）
TREES 具有不同的高度（高ND *** 标准偏差）和高近红外反射（高NDVI）。
BUILDINGS 通常为矩形（高矩形拟合），高（高ND *** ）和高坡度。
GRASS 较短（低nd *** ），平坦（低nd *** 标准差），近红外反射率中等（中等ndvi）。
ROADS 反射大量的光（高RGB），它们是平的（低ND *** ），具有高的光强度，并且具有低或负的NDVI。
识别最终分类结果
您可以设置规则集，这是一组预定义的步骤，用于对对象进行分段和分类。与ArcGIS中的模型生成器类似，它会逐步执行每个过程，直到完成。
或者，Trimble Ecognition具有 nearest neighbor classification 根据定义的样本添加和分类。
更清晰的图像=更高级的图像分类¶
1972年，陆地卫星1号引发了我们如何监测地球的革命。随着美国 *** 放松对高分辨率的监管 satellite data 更清晰的图像的上升趋势是非常显著的。
它不仅是像WorldView或Planet Labs这样的卫星，而且是 LiDAR 无人驾驶飞机也在健康上升。我们对图像的分类方式已经从无人监督发展到了更复杂的**基于对象的图像分类**。
当一个像素包含多个建筑物时， Landsat-1 场景中，不需要做基于对象的图像分析。然而，新一代的高分辨率数据需要基于对象的图像分析。
例如，一个陆地卫星1号的场景无法从公园的建筑物之间辨认出来。在这种情况下， unsupervised and supervised classification 就够了。但现在，您可以使用obia对高分辨率数据进行细分和分类，以获得更有意义的土地覆盖。这是遥感界的趋势。
否则，传统的图像分类技术会给出不需要的盐和胡椒分类。
无监督分类与无用斑点分类
基于对象的图像分析¶
奥比亚从细胞生物学家解剖图像扫描开始。 GEOBIA (基于地理对象的图像分析) 区别于它的医学起源。
更清晰的图像、更多的光谱带和大量的数据采集可以帮助解决今天的问题。
为了理解所有这些信息，我们需要OBIA或基于对象的图像分析来为我们自动化一些工作。
随着每一天的过去，卫星在轨道上静静地收集大量的数据……但是如果你不知道如何使用卫星数据，那么卫星数据有什么好处呢？
奥比亚是关于大规模生产的。您可以创建一个规则集，运行它并根据需要编辑您的分类。
来源：开源地理空间基金会中文分会
来源链接：https://www.osgeo.cn/post/1847b
本站声明:网站内容来源于 *** ,如有侵权,请联系我们,我们将及时处理。
