Którego narzędzia wolisz używać do klasyfikacji danych teledetekcyjnych, np. Klasyfikując użytkowanie gruntów i dlaczego ?
Jakie inne narzędzia wypróbowałeś i dlaczego zdecydowałeś się na nie?
Odpowiedzi:
Korzystam z wielu narzędzi w zależności od rodzaju klasyfikacji, którą próbuję wykonać.
Do ogólnej klasyfikacji bez nadzoru / nadzorowanej używam ENVI , który ma wiele opcji metod klasyfikacji (w tym kilka bardziej zaawansowanych metod wykorzystujących sieci neuronowe i obsługujące maszyny wektorowe). Bardzo łatwo jest rozszerzyć ENVI za pomocą języka programowania IDL, i odkryłem, że często upraszcza to analizę po-klasyfikacyjną (ponieważ możesz napisać własny kod, aby to zrobić w razie potrzeby).
Jeśli chcę przeprowadzić klasyfikację obiektową (która obejmuje segmentację obrazu na obiekty, a następnie klasyfikację tych obiektów, korzyści polegające na tym, że można użyć zagregowanych właściwości obiektów, takich jak środki pasm, kształtu i tekstury), używam eCognition , chociaż słyszałem również, że ENVI EX jest dobry, jeśli nie potrzebujesz mocy eCognition.
Jeśli szukasz darmowego oprogramowania, Opticks ma wiele opcji klasyfikacji, chociaż nigdy nie radziłem sobie dobrze z Opticks. Ponadto Spectral Python to bardzo ładne narzędzie, które pozwala ładować obrazy do tablic NumPy w Pythonie, a następnie przetwarzać je. Zawiera moduł zawierający różne metody klasyfikacji i jest bardzo łatwy do rozszerzenia.
Aby zapoznać się z rozwiązaniem GIS typu open source, zobacz tutaj: http://grass.osgeo.org/wiki/Image_classification Zawiera również mały samouczek.
Moim ulubionym odkryciem w tym roku był Zestaw narzędzi Orfeo i powiązany program: Monteverdi.
http://orfeo-toolbox.org/otb/monteverdi.html
Wiele opcji pracy z teledetekcją i bardzo pomocna dokumentacja. Och, czy wspominałem, że jest darmowy i os
Ciesz się, sa
Właśnie zobaczyłem ten post na forum QGIS i pomyślałem, że tu umieszczę.
Cześć wszystkim.
Przepraszam za crosssposting. Jak niektórzy z was wiedzą, zestaw poleceń GRASS r.li umożliwia analizy krajobrazu . Jego interfejs jest dość złożony i nadal znajduje się w TclTk, nie jest przeniesiony do wxpython ani qgis. Jako taki jest teraz trudniejszy w użyciu, niż powinien, i stanie się bezużyteczny, gdy zostanie odrzucone wsparcie TclTk. Możliwym rozwiązaniem (dzięki Radimowi) jest przepisanie interfejsu jako wtyczki qgis python. To nie powinna być wielka praca (wstępnie szacujemy 2-3 tygodnie).
Pytanie brzmi: czy ktoś jest skłonny zainwestować swój czas lub pieniądze w napisanie takiej wtyczki?
My (Faunalia) chętnie pomożemy w razie potrzeby.
Lista mailingowa użytkowników Qgis Qgis-user@lists.osgeo.org http://lists.osgeo.org/mailman/listinfo/qgis-user
r.li.*pakiet stanie się bezużyteczny, gdy zostanie odrzucone wsparcie TclTk, nie jest do końca prawdą! Można i będzie można korzystać z narzędzi za pośrednictwem nowego - faktycznie aktualnego? - (wx) GUI, a także przez powłokę GRASS. Tak, zarówno w bieżącej wersji (6.4), jak i w nadchodzącym GRASS-GIS 7.
Wypróbowałem oprogramowanie Erdas Imagine i ENVI i nie mogę powiedzieć, które z nich jest najlepsze. Oba mogą sklasyfikować twoje zdjęcia przy użyciu nadzorowanych i nienadzorowanych metod.
Zobacz także oprogramowanie SPRING wykonane przez Brazylijski Narodowy Instytut Badań Kosmicznych (INPE). Nie jestem pewien, czy jest to oprogramowanie typu open source, ale zdecydowanie jest bezpłatne.
Użyłem Erdas Imagine, ENVI ITT, Idrisi Selva, PCI Geomatica. ENVI ma rozszerzenia IDL, które zapewniają obsługę zaawansowanych algorytmów klasyfikacji, takich jak SVM, ANN, DT itp. Idrisi Selva ma dość dobre algorytmy klasyfikacji zarówno pod nadzorem, jak i bez nadzoru, szczególnie w sieciach neuronowych (SOM, MLP, RBF, FuzzyART) .I ma również małe doświadczenie w Monteverdi, Orfeo Toolbox. Jest to bardzo przyjazne dla użytkownika oprogramowanie. MultiSpec ma również algorytmy klasyfikacji obrazów
Nie mam jeszcze preferencji (nie wypróbowałem żadnych alternatyw FLOSS), ale przetestowałem Feature Analyst, wtyczkę do Arc *. Choć gorszy od e-poznania, ma niską barierę wejścia. Jest prosty w obsłudze i oferuje przyjemny interfejs do nadzorowanej klasyfikacji. Możesz użyć różnych „pędzli” jako głównej jednostki wykrywającej, ale to nie wpływa na wynik tak bardzo, jak można by się spodziewać. Ma również tryb wsadowy, ale w moim przypadku był bezużyteczny, ponieważ rastry wymagały indywidualnego dopasowania próbki treningu, aby uzyskać dobre wyniki.