Я бы порекомендовал использовать сегментацию изображений с помощью бесплатного программного обеспечения SPRING , доступного в Бразильском национальном институте космических исследований. Документация доступна здесь и учебники доступны здесь . Сегментация изображения обеспечивает высокую точность классификации по сравнению с методами классификации, основанными исключительно на пикселях (например, ISODATA, максимальное правдоподобие и т. Д.). Чтобы лучше прояснить мой ответ, я выполнил сегментацию изображения на изображениях (nIR, разрешение 1 м), по дороге, проходящей через пастбища в восточном Орегоне. Общий рабочий процесс для сегментации изображения с помощью SPRING выглядит следующим образом:
- Импорт изображений
- Выполните сегментацию (результаты показаны на рисунке 1)
- Создайте набор тренировок, выбрав, какие регионы принадлежат к какому классу.
- Выполните классификацию по сегментированным регионам.
Первое изображение показывает результаты фактической сегментации. Дорога выделена синим цветом и использовалась на шаге 3 (тренировка). Все другие классы (например, трава, деревья и т. Д.) Я свалил в другую категорию. Финальное изображение показывает результаты алгоритма сегментации и классификации изображений. Как вы можете видеть, сегментация изображения дала очень хорошие результаты с образцами изображений.
С изображениями Landsat у вас будет меньшее пространственное разрешение, чем у моих образцов изображений, но вы будете иметь большее спектральное разрешение и, таким образом, сможете обнаруживать большие различия между растительностью и не растительностью областей. Поскольку SPRING учитывает спектральные полосы в дополнение к формам, вы должны увидеть очень хорошие результаты, используя ваши снимки Landsat. Желаем удачи и спасибо за исследование такой важной темы.