Extrahieren von Straßen aus Landsat-Rasterbildern

Für eine Studie zum Ausbau des Straßennetzes im Regenwald versuche ich, Straßen aus Landsat-Bildern zu extrahieren. Wir haben bereits scharfe und wolkenfreie Verbundwerkstoffe, auf denen die Straßen mit dem Auge gut sichtbar sind, aber das Extrahieren dieser in Linienmerkmale erweist sich als schwierig. Ich habe mich gefragt, ob jemand einen guten Algorithmus oder eine gute Methode kennt, die mit den großen Bildern von Landsat umgehen kann. Ich habe Grass's r.thin ausprobiert, aber das scheint nicht zu funktionieren.

Ich würde empfehlen, die Bildsegmentierung mit der kostenlosen Software SPRING zu verwenden , die vom brasilianischen Nationalen Institut für Weltraumforschung erhältlich ist. Die Dokumentation finden Sie hier und Tutorials finden Sie hier . Die Bildsegmentierung führt zu einer hohen Klassifizierungsgenauigkeit im Vergleich zu rein pixelbasierten Klassifizierungsmethoden (z. B. ISODATA, Maximum Likelihood usw.). Um meine Antwort besser zu erläutern, führte ich eine Bildsegmentierung mit Bildern (nIR, 1 m Auflösung) durch, bei denen eine Straße durch Weideland im Osten Oregons führte. Der allgemeine Workflow zum Durchführen der Bildsegmentierung mit SPRING lautet wie folgt:

1. Bilder importieren
2. Segmentierung durchführen (Ergebnisse in Abbildung 1)
3. Erstellen Sie einen Trainingssatz, indem Sie auswählen, welche Regionen zu welcher Klasse gehören.
4. Führen Sie eine Klassifizierung für die segmentierten Regionen durch.

Das erste Bild zeigt die Ergebnisse der tatsächlichen Segmentierung. Die Straße ist blau hervorgehoben und wurde in Schritt 3 (Training) benutzt. Ich habe alle anderen Klassen (z. B. Gras, Bäume usw.) in eine andere Kategorie eingeordnet. Das endgültige Bild zeigt die Ergebnisse des Bildsegmentierungs- und Klassifizierungsalgorithmus. Wie Sie sehen können, hat die Bildsegmentierung mit den Beispielbildern sehr gute Ergebnisse erzielt.

Mit Landsat-Bildern haben Sie eine geringere räumliche Auflösung als meine Beispielbilder, jedoch eine größere spektrale Auflösung und können somit größere Unterschiede zwischen vegetierten und nicht vegetierten Gebieten erkennen. Da SPRING neben Formen auch Spektralbänder berücksichtigt, sollten Sie mit Ihren Landsat-Bildern sehr gute Ergebnisse erzielen. Viel Glück und vielen Dank für die Recherche zu einem so wichtigen Thema.

Die Klassifizierung von segmentierten Objekten (auch als trainiert bezeichnet) kann für dieses Problem sehr erfolgreich verwendet werden, aber ich kenne GRASS nicht genug, um Ihnen zu sagen, welche Fähigkeiten es in diesem Bereich hat. Sie würden jedoch Polygone erhalten, sodass Sie sie immer noch verdünnen oder einen Mittelwert oder eine andere Transformation verwenden müssten.

Sie erzielen noch bessere Ergebnisse, wenn Sie ein Nahinfrarotband oder einen Verbundwerkstoff zur Verfügung haben, da sich das Reflexionsvermögen von Straßen und anderen kargen Böden erheblich von dem der Vegetation unterscheidet Ergebnis weniger.