Extraction de routes à partir d'images raster Landsat


11

Pour une étude sur l'expansion des réseaux routiers dans la forêt tropicale, j'essaie d'extraire les routes des images Landsat. Nous avons déjà des composites nets et sans nuage sur lesquels les routes sont clairement visibles à l'œil nu, mais il est difficile d'extraire ces éléments en traits.Je me demandais donc si quelqu'un connaissait un bon algorithme ou une bonne méthode capable de gérer les grandes images fournies par Landsat? J'ai essayé le r.thin de Grass, mais cela ne semble pas fonctionner.

Réponses:


10

Je recommanderais d'utiliser la segmentation d'images avec le logiciel gratuit SPRING , disponible auprès de l'Institut national brésilien pour la recherche spatiale. La documentation est disponible ici et les tutoriels sont disponibles ici . La segmentation de l'image produit une précision de classification élevée par rapport aux méthodes de classification basées uniquement sur les pixels (par exemple ISODATA, Maximum Likelihood, etc.). Pour aider à mieux élucider ma réponse, j'ai effectué une segmentation d'image sur des images (nIR, résolution 1 m) qui avaient une route traversant des parcours dans l'est de l'Oregon. Le flux de travail général pour effectuer la segmentation d'image avec SPRING est le suivant:

  1. Importer des images
  2. Effectuer la segmentation (résultats affichés dans l'image 1)
  3. Créez un ensemble d'entraînement en sélectionnant les régions appartenant à quelle classe.
  4. Effectuez une classification sur les régions segmentées.

La première image montre les résultats de la segmentation réelle. La route est surlignée en bleu et a été utilisée lors de l'étape 3 (entraînement). J'ai regroupé toutes les autres classes (par exemple l'herbe, les arbres, etc.) dans une autre catégorie. L'image finale montre les résultats de l'algorithme de segmentation et de classification d'images. Comme vous pouvez le voir, la segmentation de l'image a produit de très bons résultats avec l'échantillon d'images.

Avec l'imagerie Landsat, vous aurez moins de résolution spatiale que mon échantillon d'images, mais vous aurez une plus grande résolution spectrale et pourrez ainsi détecter de plus grandes différences entre les zones végétalisées et non végétalisées. Étant donné que SPRING prend en compte les bandes spectrales en plus des formes, vous devriez voir de très bons résultats en utilisant vos images Landsat. Bonne chance et merci d'avoir recherché un sujet aussi important.

entrez la description de l'image ici

entrez la description de l'image ici


Impressionnant. Orfeo Boîte à outils est une autre option similaire
Ragi Yaser Burhum

3

La classification des objets segmentés (alias formés) peut être utilisée avec beaucoup de succès pour ce problème, mais je ne connais pas assez GRASS pour vous dire quelles capacités il a dans ce domaine. Cependant, vous obtiendrez des polygones, vous devrez donc les affiner ou utiliser une moyenne ou une autre transformation.

Vous obtiendrez des résultats encore meilleurs si vous disposez d'une bande proche infrarouge ou d'un composite, car la réflectivité des routes et des autres sols stériles est considérablement différente de celle de la végétation, plus les ombres et, dans une moindre mesure, les auvents (sur les routes) affectent la résultat moins.


C'est drôle que vous mentionniez le proche infrarouge car c'est celui sur lequel je me concentre et il est en effet clairement distinct de la forêt vierge mais la forêt perturbée a à peu près la même signature proche infrarouge. Je vais essayer la classification des objets segmentés, voyons.
Biekart
En utilisant notre site, vous reconnaissez avoir lu et compris notre politique liée aux cookies et notre politique de confidentialité.
Licensed under cc by-sa 3.0 with attribution required.