Extracción de carreteras de imágenes ráster Landsat
11
Para un estudio sobre la expansión de las redes de carreteras en la selva tropical, estoy tratando de extraer caminos de las imágenes de Landsat. Ya tenemos compuestos nítidos y libres de nubes en los que las carreteras son claramente visibles a simple vista, pero extraerlas en las características de la línea está resultando difícil, por lo que me preguntaba si alguien conoce un buen algoritmo o método que pueda manejar las imágenes grandes que ofrece Landsat. He intentado el r.thin de Grass pero parece que esto no funciona.
Recomendaría usar la segmentación de imágenes con el software gratuito SPRING , disponible en el Instituto Nacional de Investigación Espacial de Brasil. La documentación está disponible aquí y los tutoriales están disponibles aquí . La segmentación de imágenes produce una alta precisión de clasificación en comparación con los métodos de clasificación puramente basados en píxeles (por ejemplo, ISODATA, Máxima probabilidad, etc.). Para ayudar a dilucidar mejor mi respuesta, realicé la segmentación de imágenes en imágenes (nIR, resolución de 1 m) que tenía una carretera que atravesaba pastizales en el este de Oregón. El flujo de trabajo general para realizar la segmentación de imágenes con SPRING es el siguiente:
Importar imágenes
Realizar segmentación (los resultados se muestran en la imagen 1)
Cree un conjunto de entrenamiento seleccionando qué regiones pertenecen a qué clase.
Realizar la clasificación en las regiones segmentadas.
La primera imagen muestra los resultados de la segmentación real. El camino se resalta en azul y se usó durante el paso 3 (entrenamiento). Agrupé todas las otras clases (por ejemplo, césped, árboles, etc.) en otra categoría. La imagen final muestra los resultados del algoritmo de segmentación y clasificación de imágenes. Como puede ver, la segmentación de imágenes produjo muy buenos resultados con las imágenes de muestra.
Con las imágenes de Landsat, tendrá menos resolución espacial que mis imágenes de muestra, pero tendrá una mayor resolución espectral y, por lo tanto, podrá detectar mayores diferencias entre las áreas con vegetación y sin vegetación. Dado que SPRING tiene en cuenta las bandas espectrales además de las formas, debería ver muy buenos resultados con sus imágenes Landsat. Mucha suerte y gracias por investigar un tema tan importante.
La clasificación de objetos segmentados (también conocido como entrenado) se puede utilizar con mucho éxito para este problema, pero no conozco GRASS lo suficiente como para decirle qué capacidades tiene en esta área. Sin embargo, obtendría polígonos, por lo que aún tendría que adelgazarlos o usar una media o alguna otra transformación.
Obtendrá resultados aún mejores si tiene disponible una banda o compuesto de infrarrojo cercano, ya que la reflectividad de las carreteras y otros terrenos áridos es significativamente diferente de la de la vegetación, además de las sombras y, en menor medida, las copas (sobre las carreteras) afectan el resultar menos.
Es curioso que mencione el infrarrojo cercano porque es en el que me estoy enfocando y de hecho es claramente distinto del bosque prístino, pero el bosque perturbado tiene casi la misma firma de IR cercano. Probaré la clasificación de objetos segmentados, veamos.
La clasificación de objetos segmentados (también conocido como entrenado) se puede utilizar con mucho éxito para este problema, pero no conozco GRASS lo suficiente como para decirle qué capacidades tiene en esta área. Sin embargo, obtendría polígonos, por lo que aún tendría que adelgazarlos o usar una media o alguna otra transformación.
Obtendrá resultados aún mejores si tiene disponible una banda o compuesto de infrarrojo cercano, ya que la reflectividad de las carreteras y otros terrenos áridos es significativamente diferente de la de la vegetación, además de las sombras y, en menor medida, las copas (sobre las carreteras) afectan el resultar menos.
fuente