Pense em objetos, não em pixels
Quão incrível seria se você pudesse digitalizar todos os seus recursos em uma imagem com apenas um clique de um botão?
Além disso, você pode classificar cada recurso com outro clique de um botão.
Parece mágica? Mas esses dois processos são a segmentação e a classificação realizada na Análise de Imagens Baseada em Objetos (OBIA) .
Vamos examinar o que é e como você pode usá-lo para fazer seu trabalho com mais eficiência e precisão.
A segmentação é a chave para a classificação
A percepção visual humana quase sempre supera os algoritmos de visão computacional.
Por exemplo, seus olhos reconhecem um rio quando vêem um. Mas um computador não pode reconhecer rios de lagos.
…Ou pode?
A classificação de imagem tradicional baseada em pixels atribui uma classe de cobertura do solo por pixel. Todos os pixels são do mesmo tamanho, da mesma forma e não possuem nenhum conceito de seus vizinhos.
No entanto, o OBIA segmenta uma imagem agrupando pequenos pixels em objetos vetoriais. Em vez de uma base por pixel, a segmentação digitaliza automaticamente a imagem para você.
O que a segmentação faz é replicar o que seus olhos estão fazendo.
Mas com esses objetos segmentados, você usa suas propriedades espectrais, geométricas e espaciais para classificá-los em cobertura da terra.
Caso contrário, quando você usa técnicas tradicionais de classificação de imagens, geralmente obtém uma aparência de sal e pimenta no resultado da classificação.
Para recapitular, os dois princípios básicos da OBIA são:
- SEGMENTAÇÃO : Divida a imagem em objetos que representam recursos baseados em terra.
- CLASSIFICAÇÃO : Classifique esses objetos usando sua forma, tamanho, propriedades espaciais e espectrais.
Vamos nos aprofundar um pouco mais nesses dois conceitos.
Gere objetos significativos com segmentação
Quando você segmenta uma imagem, o processo agrupa pixels para formar objetos. De repente, os recursos da cobertura da terra começam a aparecer, semelhantes à forma como seus olhos processam o ambiente.
Para esta imagem de resolução de 50 cm, o algoritmo de segmentação multi-resolução divide uma imagem no eCognition Definiens Developer . Com base em suas configurações de compacidade e forma, este é o passo preliminar no OBIA.
Qual o tamanho que você quer que os objetos sejam? Há um parâmetro de escala que você pode estimar para gerar objetos mais significativos.
Além disso, você pode configurar pesos para todas as camadas que deseja segmentar. Isso significa que você não precisa apenas segmentar por vermelho, verde ou azul, mas também pode segmentar uma intensidade DEM, DSM, NIR ou mesmo LiDAR.
Da mesma forma, o deslocamento médio do segmento no ArcGIS é um método alternativo de análise de imagem baseada em objetos. No entanto, você não tem tantas opções quanto o Trimble eCognition.
Por exemplo, você não pode definir os pesos de várias camadas ao executar o processo. O que você pode fazer é definir o detalhe espectral e espacial, juntamente com o tamanho mínimo em pixels. Com um pouco de tentativa e erro, usamos a calculadora raster para definir pesos personalizados usando um nDSM e a faixa vermelha como entrada.
Classifique as características da cobertura do solo
Depois de segmentar a imagem, é hora de classificar cada objeto. Agora você pode classificar porque cada objeto tem estatísticas associadas a eles. Por exemplo, você pode classificar objetos com base em geometria, área, cor, forma, textura, adjacência e muito mais.
Embora as opções sejam limitantes no ArcGIS, é aqui que o verdadeiro poder está no Trimble eCognition. Neste exemplo, existem estatísticas aparentemente infinitas para classificar os edifícios. Mas qual estatística é a correta a ser usada?
É certo que não há melhor maneira de classificar as características da cobertura da terra usando OBIA. No entanto, os analistas frequentemente usam essas estatísticas para classificar a cobertura da terra usando o OBIA:
- A ÁGUA é plana (baixo nDSM), acumula-se em depressões (alto TWI ou baixo TPI), tem baixa temperatura (infravermelho térmico – TIRS) e tem alta absorção no infravermelho próximo ( NDVI negativo )
- As ÁRVORES têm alturas variadas (alto desvio padrão de nDSM) e alta refletância no infravermelho próximo (alto NDVI).
- EDIFÍCIOS são geralmente retangulares (alto ajuste retangular), são altos (alto nDSM) e têm altas inclinações.
- GRASS é curto (nDSM baixo), é plano (desvio padrão nDSM baixo) e tem refletância moderada no infravermelho próximo (NDVI moderado).
- As ROADS refletem muita luz (RGB alto), são planas (nDSM baixo), têm uma intensidade de luz alta e um NDVI baixo ou negativo.
Você pode configurar conjuntos de regras, que são um conjunto de etapas predefinidas para segmentar e classificar objetos. Semelhante ao ModelBuilder no ArcGIS , ele percorre cada processo até terminar.
Alternativamente, o Trimble ECognition tem uma classificação de vizinho mais próximo onde você adiciona e classifica com base em amostras definidas.
Imagens mais nítidas = classificação de imagem mais avançada
Em 1972, o Landsat-1 desencadeou uma revolução na forma como monitoramos nossa Terra. Com o governo dos EUA relaxando as regulamentações sobre dados de satélite de alta resolução , a tendência de alta em imagens mais nítidas é simplesmente notável.
Não são apenas satélites como Worldview ou Planet Labs , mas o uso de LiDAR e drones como DJI estão vendo um aumento saudável. E a maneira como classificamos as imagens progrediu de não supervisionada para uma classificação de imagem baseada em objetos mais sofisticada .
Quando um único pixel continha vários edifícios em uma cena Landsat-1 , não havia necessidade de fazer análise de imagem baseada em objetos. No entanto, a nova geração de dados de alta resolução requer análise de imagem baseada em objetos.
Por exemplo, uma cena Landsat-1 não conseguia decifrar entre prédios de parques. Neste caso, a classificação não supervisionada e supervisionada foi suficiente. Mas agora, você segmenta e classifica dados de alta resolução usando OBIA para uma cobertura de terra mais significativa. Esta é a tendência na comunidade de sensoriamento remoto.
Caso contrário, as técnicas tradicionais de classificação de imagens fornecem uma classificação indesejada de sal e pimenta.
OBIA – Análise de Imagem Baseada em Objeto
A OBIA começou com biólogos celulares dissecando imagens de varredura. GEOBIA (Geographic Object-Based Image Analysis) distingue-o da sua origem médica.
Imagens mais nítidas, mais bandas espectrais e uma explosão de aquisições de dados podem ajudar a resolver os problemas atuais.
Para dar sentido a todas essas informações, precisamos de OBIA ou análise de imagem baseada em objetos para automatizar parte do trabalho para nós.
A cada dia que passa, os satélites coletam volumes ridículos de dados silenciosamente em órbita… Mas para que servem os dados dos satélites se você não sabe como usá-los?
OBIA é sobre produção em massa. Você cria um conjunto de regras, executa-o e edita sua classificação conforme necessário.
