Bạn thích sử dụng công cụ nào để phân loại dữ liệu viễn thám, ví dụ như phân loại sử dụng đất, và tại sao ?
Những công cụ nào khác bạn đã thử, và tại sao bạn quyết định chống lại chúng?
Câu trả lời:
Tôi sử dụng một số công cụ tùy thuộc vào loại phân loại tôi đang cố gắng thực hiện.
Đối với phân loại không giám sát / giám sát chung, tôi sử dụng ENVI , có nhiều tùy chọn cho các phương pháp phân loại (bao gồm một số phương pháp nâng cao hơn sử dụng mạng thần kinh và máy vectơ hỗ trợ). Rất dễ dàng mở rộng ENVI bằng ngôn ngữ lập trình IDL và tôi đã thấy rằng điều này thường đơn giản hóa phân tích hậu phân loại (vì bạn có thể viết mã của riêng mình để làm điều này nếu cần).
Nếu tôi muốn thực hiện phân loại dựa trên đối tượng (bao gồm phân đoạn hình ảnh thành các đối tượng và sau đó phân loại các đối tượng này, thì lợi ích là bạn có thể sử dụng các thuộc tính tổng hợp của các đối tượng như phương tiện của các dải, hình dạng và kết cấu) Tôi sử dụng eCognition , mặc dù tôi cũng đã nghe nói rằng ENVI EX là tốt nếu bạn không cần sức mạnh của nhận thức điện tử.
Nếu bạn đang tìm kiếm phần mềm miễn phí thì Opticks có một số tùy chọn để phân loại, mặc dù tôi chưa bao giờ hiểu rõ về Opticks. Ngoài ra, Spectral Python là một công cụ rất hay cho phép bạn tải hình ảnh vào mảng NumPy trong Python và sau đó xử lý chúng. Nó bao gồm một mô-đun chứa các phương pháp phân loại khác nhau và rất dễ mở rộng.
Đối với một giải pháp GIS nguồn mở, xem tại đây: http://grass.osgeo.org/wiki/Image_ classifying Nó cũng bao gồm một hướng dẫn nhỏ.
Khám phá yêu thích của tôi trong năm nay là Hộp công cụ Orfeo và chương trình liên quan: Monteverdi.
http://orfeo-toolbox.org/otb/monteverdi.html
Rất nhiều lựa chọn cho công việc Viễn thám và tài liệu rất hữu ích. Oh, tôi đã đề cập đến nó là miễn phí và os
Thưởng thức, sa
Tôi chỉ thấy bài đăng này trên diễn đàn QGIS và nghĩ rằng tôi sẽ đặt ở đây.
Chào mọi người.
Xin lỗi vì đã vượt qua. Như một số bạn đã biết, bộ r.li của các lệnh GRASS cho phép phân tích cảnh quan . Giao diện của nó khá phức tạp và vẫn ở trong TclTk, không được chuyển sang wxpython hoặc qgis. Như vậy, hiện tại nó khó sử dụng hơn mức cần thiết và nó sẽ trở nên không sử dụng được khi hỗ trợ TclTk sẽ bị hủy. Giải pháp khả thi (cảm ơn Radim) là viết lại giao diện dưới dạng plugin python qgis. Nó không phải là một công việc lớn (chúng tôi ước tính tạm thời 2-3 tuần).
Câu hỏi là: có ai sẵn sàng đầu tư thời gian của mình, hoặc một số tiền, để viết một plugin như vậy không?
Chúng tôi (Faunalia) sẽ sẵn lòng giúp đỡ nếu cần thiết.
Danh sách gửi thư của người dùng Qgis Qgis-user@lists.osgeo.org http://lists.osgeo.org/mailman/listinfo/qgis-user
r.li.*bộ phần mềm sẽ trở nên không sử dụng được khi hỗ trợ TclTk bị hủy không hoàn toàn đúng! Người ta có thể, và sẽ có thể, sử dụng các công cụ thông qua mới - thực sự hiện tại? - GUI (wx) cũng như thông qua shell GRASS. Có, trong cả phiên bản hiện tại (6.4) cũng như trong GRASS-GIS 7. sắp tới
Tôi đã dùng thử phần mềm Erdas Imagine và ENVI , và cảm thấy không thể nói cái nào là tốt nhất. Cả hai đều có thể phân loại hình ảnh của bạn bằng các phương pháp được giám sát và không giám sát.
Ngoài ra, hãy xem phần mềm XUÂN, do Viện nghiên cứu không gian quốc gia Brazil (INPE) thực hiện. Không chắc chắn nếu nó là nguồn mở nhưng nó hoàn toàn miễn phí.
Tôi đã sử dụng Erdas Imagine, ENVI ITT, Idrisi Selva, PCI Geomatica. ENVI có các phần mở rộng IDL cung cấp cho bạn các thuật toán phân loại nâng cao như SVM, ANN, DT, v.v.Idrisi Selva có các thuật toán phân loại khá tốt trên cả giám sát và không giám sát, đặc biệt là trên các mạng thần kinh (SOM, MLP, RBF, FuzzyART) .I cũng có một chút kinh nghiệm về Monteverdi, Orfeo Toolbox. Đây là phần mềm rất thân thiện với người dùng. MultiSpec cũng có các thuật toán phân loại cho hình ảnh
Tôi chưa có ưu tiên nào (chưa thử bất kỳ lựa chọn thay thế FLOSS nào), nhưng tôi đã thử tính năng Phân tích tính năng, một plugin cho Arc *. Mặc dù kém hơn so với nhận thức điện tử, nó có rào cản gia nhập thấp. Thật đơn giản để sử dụng và cung cấp một giao diện đẹp để phân loại có giám sát. Bạn có thể sử dụng nhiều "bàn chải" khác nhau làm đơn vị phát hiện chính, nhưng điều đó không ảnh hưởng đến kết quả như mong đợi. Nó cũng có một chế độ hàng loạt, nhưng trong trường hợp của tôi thì nó vô dụng, vì các raster cần điều chỉnh mẫu đào tạo cá nhân để cho kết quả tốt.