Какие инструменты вы используете для классификации данных дистанционного зондирования?

Какой инструмент вы предпочитаете использовать для классификации данных дистанционного зондирования, например, классификацию землепользования и почему ?

Какие еще инструменты вы пробовали и почему решили против них?

Я использую несколько инструментов в зависимости от типа классификации, которую я пытаюсь выполнить.

Для общей неконтролируемой / контролируемой классификации я использую ENVI , которая имеет много вариантов для методов классификации (включая некоторые более продвинутые методы с использованием нейронных сетей и машин опорных векторов). Расширить ENVI очень просто, используя язык программирования IDL, и я обнаружил, что это часто упрощает анализ после классификации (так как вы можете написать свой собственный код, чтобы сделать это при необходимости).

Если я хочу выполнить объектную классификацию (которая включает в себя сегментирование изображения на объекты и затем классификацию этих объектов, преимущества в том, что вы можете использовать агрегированные свойства объектов, такие как средства полос, формы и текстуры), я использую eCognition , хотя я также слышал, что ENVI EX хорош, если вам не нужна сила eCognition.

Если вы ищете бесплатное программное обеспечение, то у Opticks есть несколько вариантов классификации, хотя я никогда не очень хорошо ладил с Opticks. Кроме того, Spectral Python - очень хороший инструмент, который позволяет загружать изображения в массивы NumPy в Python и затем обрабатывать их. Он включает в себя модуль, содержащий различные методы классификации, и его очень легко расширить.

ГИС-решение с открытым исходным кодом см. Здесь: http://grass.osgeo.org/wiki/Image_classification. Оно также включает небольшое руководство.

Моим любимым открытием в этом году был набор инструментов Orfeo и связанная с ним программа: Монтеверди.

http://orfeo-toolbox.org/otb/monteverdi.html

Множество опций для работы с дистанционным зондированием и очень полезная документация. О, я упоминал, что это бесплатно и ОС

Наслаждайся, са

Я только что увидел этот пост на форуме QGIS и подумал, что я размещу его здесь.

Привет всем.

Извините за кросспостинг. Как некоторые из вас знают, набор команд GRASS r.li позволяет анализировать ландшафт . Его интерфейс довольно сложный и все еще находится в TclTk, не портирован на wxpython или qgis. Таким образом, его теперь сложнее использовать, чем следует, и он станет непригодным для использования, когда поддержка TclTk будет прекращена. Возможное решение (спасибо Radim) - переписать интерфейс как плагин qgis python. Это не должно быть огромной работой (мы предварительно оцениваем 2-3 недели).

Вопрос в том, хочет ли кто-нибудь потратить свое время или деньги на написание такого плагина?

Мы (Фауналия) будем рады помочь в случае необходимости.

Всего наилучшего.

http://www.faunalia.it/pc

Список рассылки Qgis-пользователя Qgis-user@lists.osgeo.org http://lists.osgeo.org/mailman/listinfo/qgis-user

Я попробовал программное обеспечение Erdas Imagine и ENVI и не могу сказать, какое из них лучше. Оба могут классифицировать ваши изображения, используя контролируемые и неконтролируемые методы.

Также ознакомьтесь с программным обеспечением SPRING, разработанным Национальным институтом космических исследований Бразилии (INPE). Не уверен, что это с открытым исходным кодом, но это определенно бесплатно.

http://www.dpi.inpe.br/spring/english/index.html

Я использовал Erdas Imagine, ENVI ITT, Идриси Сельва, PCI Geomatica. ENVI имеет расширения IDL, которые предоставляют вам возможность управлять продвинутыми алгоритмами классификации, такими как SVM, ANN, DT и т. Д. Идриси Сельва имеет неплохие алгоритмы классификации как под наблюдением, так и без надзора, особенно в нейронных сетях (SOM, MLP, RBF, FuzzyART) .I У меня также есть небольшой опыт работы с Monteverdi, Orfeo Toolbox. Это очень удобное программное обеспечение. MultiSpec также имеет алгоритмы классификации изображений

У меня пока нет предпочтений (я не пробовал никаких альтернатив FLOSS), но я протестировал Feature Analyst, плагин для Arc *. Хотя он уступает электронному познанию, он имеет низкий барьер входа. Он прост в использовании и предлагает хороший интерфейс для контролируемой классификации. Вы можете использовать различные «кисти» в качестве основного блока обнаружения, но это не влияет на результат так, как можно было бы ожидать. Он также имеет пакетный режим, но в моем случае это было бесполезно, так как растры нуждались в индивидуальной настройке тренировочного образца для получения хороших результатов.

Я попробовал Эрдаса представить и сделал классификацию. Но если наборы правил даны правильно в электронном познании, это дает лучший результат, чем erdas. Но разработка наборов правил в e-Cognition Developer немного сложна.