Классификация ортофотоплана
-
- Новоприбывший
- Сообщения: 4
- Зарегистрирован: 01 сен 2019, 18:48
- Репутация: 0
- Откуда: Одинцово
Классификация ортофотоплана
Столкнулся с проблемой дешифрирования и классификации структуры верхового болота.
Имеется ортофотоплан и цифровая модель поверхности, снятые с дрона. Нужно сделать растр с 3-мя классами (гряды, мочажины, топи)
В ArcGIS пробовал различные подходы с обучением - Maximum likehood classification, Train Iso Cluster Classifier, Train Maximum Likelihood Classifier, Train Random Trees Classifier, Train Support Vector Machine Classifier и даже пробовал использовать комбинированный растр из ортофотоплана и ЦМП.
В итоге, на мой взгляд, наиболее достоверным получился метод Maximum likehood classification (результат в приложении) с обычным ортофотопланом, но проблема в том что классифицированный растр содержит огромное количество шума из отдельных пикселей. В идеале на классифицированном растре нужно в одних местах убрать скопления пикселей площадью менее 1 кв. м (менее 400 пикс), в других - объединить их в объекты большего размера.
Хороший результат на небольшом куске классифицированного растра показала функция Segment mean shift, но, прождав более суток обработки всего растра, результат я не получил (хотя сам растр весит 132 мб).
Boundary clean и Majority filter тоже особых результатов не дали.
Метод с векторизацией тоже не подходит, т.к. образуются сотни тысяч мелких полигонов, объединение и фильтрация которых тоже очень неудобны.
Хотел попробовать плагин DTclassifier, где тоже можно фильтровать шум, но NextGIS потребовал платную подписку, а QGIS 3.4 не захотел устанавливать и запускать, ссылаясь на ошибку.
Может ли кто-нибудь подсказать в какой программе и как еще можно убрать шумы до 1 кв. м в классифицированном растре или изначально сделать классификацию с объектами до 1 кв. м?
Имеется ортофотоплан и цифровая модель поверхности, снятые с дрона. Нужно сделать растр с 3-мя классами (гряды, мочажины, топи)
В ArcGIS пробовал различные подходы с обучением - Maximum likehood classification, Train Iso Cluster Classifier, Train Maximum Likelihood Classifier, Train Random Trees Classifier, Train Support Vector Machine Classifier и даже пробовал использовать комбинированный растр из ортофотоплана и ЦМП.
В итоге, на мой взгляд, наиболее достоверным получился метод Maximum likehood classification (результат в приложении) с обычным ортофотопланом, но проблема в том что классифицированный растр содержит огромное количество шума из отдельных пикселей. В идеале на классифицированном растре нужно в одних местах убрать скопления пикселей площадью менее 1 кв. м (менее 400 пикс), в других - объединить их в объекты большего размера.
Хороший результат на небольшом куске классифицированного растра показала функция Segment mean shift, но, прождав более суток обработки всего растра, результат я не получил (хотя сам растр весит 132 мб).
Boundary clean и Majority filter тоже особых результатов не дали.
Метод с векторизацией тоже не подходит, т.к. образуются сотни тысяч мелких полигонов, объединение и фильтрация которых тоже очень неудобны.
Хотел попробовать плагин DTclassifier, где тоже можно фильтровать шум, но NextGIS потребовал платную подписку, а QGIS 3.4 не захотел устанавливать и запускать, ссылаясь на ошибку.
Может ли кто-нибудь подсказать в какой программе и как еще можно убрать шумы до 1 кв. м в классифицированном растре или изначально сделать классификацию с объектами до 1 кв. м?
-
- Гуру
- Сообщения: 1085
- Зарегистрирован: 27 окт 2010, 10:53
- Репутация: 358
- Откуда: Ракурс & GISGeo
Re: Классификация ортофотоплана
Любопытно, а какой тут масштаб? Это вот сверху справа это дорога к нефтевышкам? Для дрона тогда это достаточно большая высота съемки, искажения по рельефу могут быть очень большими и использовать такую ЦМП для анализа чревато.
Проект GISGeo: геомаркетинг
-
- Новоприбывший
- Сообщения: 4
- Зарегистрирован: 01 сен 2019, 18:48
- Репутация: 0
- Откуда: Одинцово
Re: Классификация ортофотоплана
andreygeo, К счастью нет, это заповедник, а сверху это экотропа. Всего этот кусок ортофотоплана длиной 190м, разрешение около 5 см/пикс. Снималось с высоты 100м. Площадь около 70 га.
Получился вот такой растр с шумами, которые нужно где-то убрать где-то объединить. Как раз его делал без ЦМП.
Получился вот такой растр с шумами, которые нужно где-то убрать где-то объединить. Как раз его делал без ЦМП.
- Вложения
-
- классы-1.jpg (802.8 КБ) 9254 просмотра
-
- Гуру
- Сообщения: 4056
- Зарегистрирован: 15 окт 2010, 08:33
- Репутация: 1054
- Ваше звание: программист
- Откуда: Казань
Re: Классификация ортофотоплана
Метод максимального правдоподобия выдает вероятности. Нужно их взять, и запустить MRF (точнее, его аппроксимацию ICM), в Арке должна быть, наверняка кто нибудь слепил. Либо запустить постобработку, например морфологию, сначала эрозию, потом деляцию, нужно только решить, какой класс какого "больше". А для начала попробовать majority в локальном окне (брать класс по преобладанию), это точно должно быть.
-
- Новоприбывший
- Сообщения: 4
- Зарегистрирован: 01 сен 2019, 18:48
- Репутация: 0
- Откуда: Одинцово
Re: Классификация ортофотоплана
gamm, а можно по-подробней что такое MRF и ICM?
И где найти эрозию и деляцию?
Majority filter пробовал, но не помогло, убрал только малую часть шума
И где найти эрозию и деляцию?
Majority filter пробовал, но не помогло, убрал только малую часть шума
-
- Гуру
- Сообщения: 4056
- Зарегистрирован: 15 окт 2010, 08:33
- Репутация: 1054
- Ваше звание: программист
- Откуда: Казань
-
- Интересующийся
- Сообщения: 29
- Зарегистрирован: 13 окт 2011, 01:30
- Репутация: 8
Re: Классификация ортофотоплана
К сожалению, мой опыт работы с ортофотопланами с БПЛА (Phantom 4, высоты съемок 100 - 250 м) показывает, что лучший способ классификации ЦММ - экспертная дешифровка, причем параллельно работаю с орто и ДЕМом (что позволяет учитывать микрорельеф поверхности). Насколько я понимаю, проблема как раз в излишней детальности снимка - в отличии от съемки среднего пространственного разрешения (Ландсат, например) характеристики пиксела показывают не среднюю яркость класса наземного покрова, а конкретного объекта (кочки, куста, дерева), что обуславливает очень большой диапазон значений с сильным перекрытием, отчюда и шум.
Некоторые моменты съемки и её использования отражены в материалах конференции (есть в сети) -
Применение данных аэрофотосъемки с БПЛА DJI Phantom 4 для высокодетального ландшафтного кар-
тирования болотных геосистем (на примере болота Аргулад, о-в Большой Шантар) // Применение беспилотных
летательных аппаратов в географических исследованиях: материалы Всерос. науч.-практ. конф. Иркутск: Изд-во
Ин-та географии им. В.Б. Сочавы СО РАН, 2018. С. 89–93.
Некоторые моменты съемки и её использования отражены в материалах конференции (есть в сети) -
Применение данных аэрофотосъемки с БПЛА DJI Phantom 4 для высокодетального ландшафтного кар-
тирования болотных геосистем (на примере болота Аргулад, о-в Большой Шантар) // Применение беспилотных
летательных аппаратов в географических исследованиях: материалы Всерос. науч.-практ. конф. Иркутск: Изд-во
Ин-та географии им. В.Б. Сочавы СО РАН, 2018. С. 89–93.
Кто сейчас на конференции
Сейчас этот форум просматривают: нет зарегистрированных пользователей и 5 гостей