Arazi kullanımını sınıflandırmak gibi uzaktan algılama verilerinin sınıflandırılması için hangi aracı kullanmayı tercih ediyorsunuz ve neden ?
Başka hangi araçları denediniz ve neden bunlara karşı karar verdiniz?
Yanıtlar:
Gerçekleştirmeye çalıştığım sınıflandırma türüne bağlı olarak birkaç araç kullanıyorum.
Genel denetimsiz / denetimli sınıflandırma için, sınıflandırma yöntemleri (sinir ağları ve destek vektör makineleri kullanan bazı daha gelişmiş yöntemler dahil) için birçok seçeneğe sahip ENVI kullanıyorum. ENVI'yi IDL programlama dilini kullanarak genişletmek çok kolaydır ve bunun sıklıkla sınıflandırma sonrası analizleri basitleştirdiğini fark ettim (gerekirse bunu yapmak için kendi kodunuzu yazabilirsiniz).
Nesne merkezli sınıflandırma gerçekleştirmek için (nesneler halinde görüntü segmentlere ve daha sonra bu nesneleri sınıflandırma içerir ki, bu gibi bantlar, şekil ve doku vasıtasıyla gibi nesneleri arasında toplanan özellikleri kullanabilir varlık yararlar) kullanmak eCognition , eCognition'ın gücüne ihtiyacınız yoksa ENVI EX'in iyi olduğunu duydum .
Özgür yazılım arıyorsanız, Opticks'in sınıflandırma için bir dizi seçeneği vardır, ancak Opticks ile hiç bu kadar iyi olmamıştım. Ayrıca, Spectral Python , Python'daki NumPy dizilerine görüntü yüklemenizi ve bunları işlemenizi sağlayan çok güzel bir araçtır. Çeşitli sınıflandırma yöntemleri içeren bir modül içerir ve genişletilmesi çok kolaydır.
Açık kaynaklı bir CBS çözümü için buraya bakın: http://grass.osgeo.org/wiki/Image_classification Küçük bir eğitim de içerir.
Bu yıl en sevdiğim keşif Orfeo Toolbox ve ilgili program: Monteverdi oldu.
http://orfeo-toolbox.org/otb/monteverdi.html
Uzaktan Algılama çalışması için çok sayıda seçenek ve çok yardımcı belgeler. Oh, ücretsiz ve os
Keyfini çıkarın, sa
Bu yazıyı QGIS forumunda gördüm ve buraya yerleştireceğimi düşündüm.
Herkese selam.
Crossposting için özür dilerim. Bazılarınızın bildiği gibi , r.li GRASS komutları paketi yatay analizlere izin verir . Arayüzü oldukça karmaşıktır ve hala TclTk'de, wxpython veya qgis'e taşınmamıştır. Bu nedenle, şimdi olması gerekenden daha zordur ve TclTk desteği düştüğünde kullanılamaz hale gelecektir. Olası çözüm (teşekkürler Radim) arayüzü bir qgis python eklentisi olarak yeniden yazmaktır. Çok büyük bir iş olmamalı (geçici olarak 2-3 hafta tahmin ediyoruz).
Soru şudur: Böyle bir eklenti yazmak için zamanını veya biraz para yatırmak isteyen var mı?
Biz (Faunalia) gerekirse yardım etmekten mutluluk duyarız.
Qgis kullanıcısı posta listesi Qgis-user@lists.osgeo.org http://lists.osgeo.org/mailman/listinfo/qgis-user
r.li.*paketi tcltk destek atılır zaman kullanılmaz hale gelecektir oldukça doğru değil! Araçları yeni - aslında güncel olan aracılığıyla kullanabilir ve kullanabileceksiniz? - (wx) GUI ve GRASS kabuğu üzerinden. Evet, hem mevcut sürümde (6.4) hem de yaklaşan GRASS-GIS 7'de
Erdas Imagine ve ENVI yazılımlarını denedim ve hangisinin en iyisi olduğunu söyleyemiyorum. Her ikisi de görüntülerinizi denetlenen ve denetlenmeyen yöntemler kullanarak sınıflandırabilir.
Ayrıca Brezilya Ulusal Uzay Araştırmaları Enstitüsü (INPE) tarafından yapılan SPRING yazılımına da göz atın. Açık kaynak olup olmadığından emin değilim ama kesinlikle ücretsiz.
Erdas Imagine, ENVI ITT, Idrisi Selva, PCI Geomatica kullandım. ENVI, SVM, ANN, DT, vb.Gibi gelişmiş sınıflandırma algoritmalarını sürmenizi sağlayan IDL uzantılarına sahiptir. Ayrıca Monteverdi, Orfeo Toolbox üzerinde biraz deneyime sahip.Çok kullanıcı dostu bir yazılımdır. MultiSpec ayrıca görüntüler için sınıflandırma algoritmalarına sahiptir
Henüz bir tercihim yok (herhangi bir FLOSS alternatifini denemedim), ancak Arc * için bir eklenti olan Feature Analyst'ı test ettim. E-Bilişten daha düşük olmakla birlikte, düşük bir giriş engeline sahiptir. Kullanımı kolaydır ve denetimli sınıflandırma için hoş bir arayüz sunar. Ana algılama birimi olarak çeşitli "fırçaları" kullanabilirsiniz, ancak bu sonucu beklediğiniz kadar etkilemez. Ayrıca bir parti modu var, ancak benim durumumda işe yaramazdı, çünkü rasterler iyi sonuçlar vermek için bireysel eğitim örneğinde ince ayar yapmaya ihtiyaç duyuyorlardı.