¿Qué herramienta prefiere usar para clasificar los datos de teledetección, por ejemplo, clasificar el uso del suelo y por qué ?
¿Qué otras herramientas has probado y por qué decidiste no usarlas?
Respuestas:
Utilizo varias herramientas según el tipo de clasificación que estoy intentando realizar.
Para la clasificación general sin supervisión / supervisada, uso ENVI , que tiene muchas opciones para los métodos de clasificación (incluidos algunos métodos más avanzados que utilizan redes neuronales y máquinas de vectores de soporte). Es muy fácil extender ENVI usando el lenguaje de programación IDL, y he descubierto que esto a menudo simplifica el análisis posterior a la clasificación (ya que puede escribir su propio código para hacerlo si es necesario).
Si quiero realizar una clasificación basada en objetos (que implica segmentar la imagen en objetos y luego clasificarlos, los beneficios son que puede usar propiedades agregadas de los objetos, como las bandas, la forma y la textura), uso eCognition , aunque también he escuchado que ENVI EX es bueno si no necesitas el poder de eCognition.
Si está buscando software gratuito, Opticks tiene varias opciones de clasificación, aunque nunca me he llevado muy bien con Opticks. Además, Spectral Python es una herramienta muy agradable que le permite cargar imágenes en matrices NumPy en Python y luego procesarlas. Incluye un módulo que contiene varios métodos de clasificación y es muy fácil de ampliar.
Para obtener una solución de código abierto de SIG, consulte aquí: http://grass.osgeo.org/wiki/Image_classification También incluye un pequeño tutorial.
Mi descubrimiento favorito este año ha sido Orfeo Toolbox y el programa asociado: Monteverdi.
http://orfeo-toolbox.org/otb/monteverdi.html
Muchas opciones para el trabajo de Teledetección y documentación muy útil. Oh, ¿mencioné que es gratis y os
Disfruta, sa
Acabo de ver esta publicación en el foro QGIS y pensé en colocarla aquí.
Hola a todos.
Perdón por la publicación cruzada. Como algunos de ustedes saben, la suite r.li de comandos de GRASS permite análisis de paisajes . Su interfaz es bastante compleja, y todavía está en TclTk, no portada a wxpython o qgis. Como tal, ahora es más difícil de usar de lo que debería ser, y quedará inutilizable cuando se suspenda el soporte de TclTk. La posible solución (gracias Radim) es reescribir la interfaz como un complemento qgis python. No debería ser un trabajo enorme (estimamos provisionalmente 2-3 semanas).
La pregunta es: ¿hay alguien dispuesto a invertir su tiempo o algo de dinero para escribir tal complemento?
Nosotros (Faunalia) estaríamos encantados de ayudar si es necesario.
Lista de correo de usuarios de Qgis Qgis-user@lists.osgeo.org http://lists.osgeo.org/mailman/listinfo/qgis-user
r.li.*suite quedará inutilizable cuando se elimine el soporte TclTk no es del todo cierto! Uno puede, y podrá, usar las herramientas a través de lo nuevo, ¿realmente actual? - (wx) GUI, así como a través del shell de GRASS. Sí, tanto en la versión actual (6.4) como en el próximo GRASS-GIS 7.
Probé ERDAS Imagine y ENVI softwares, y se siente incapaz de decir cuál es la mejor. Ambos pueden clasificar sus imágenes utilizando métodos supervisados y no supervisados.
También eche un vistazo al software SPRING, realizado por el Instituto Nacional de Investigación Espacial (INPE) de Brasil. No estoy seguro de si es de código abierto, pero definitivamente es gratis.
He usado Erdas Imagine, ENVI ITT, Idrisi Selva, PCI Geomatica. ENVI tiene extensiones IDL que le permiten manejar algoritmos de clasificación avanzados como SVM, ANN, DT, etc. Idrisi Selva tiene algoritmos de clasificación bastante buenos en supervisados y no supervisados, especialmente en redes neuronales (SOM, MLP, RBF, FuzzyART) .I También tengo un poco de experiencia en Monteverdi, Orfeo Toolbox. Es un software muy fácil de usar. MultiSpec también tiene algoritmos de clasificación para imágenes
Todavía no tengo preferencia (no he probado ninguna alternativa de FLOSS), pero he probado Feature Analyst, un complemento para Arc *. Si bien es inferior a e-Cognition, tiene una barrera de entrada baja. Es simple de usar y ofrece una buena interfaz para la clasificación supervisada. Puede usar varios "pinceles" como la unidad de detección principal, pero eso no afecta el resultado tanto como cabría esperar. También tiene un modo por lotes, pero en mi caso fue inútil, ya que los rásteres necesitaban ajustes de muestra de entrenamiento individual para dar buenos resultados.