Porovnání automatické a ruční klasifikace na příkladu vybraných antropogenních povrchů

Bc. Miroslav HORA

Master's thesis

Comparison of automatic and manual classification on the example of chosen anthropogenic surfaces

Anotácia:

Diplomová práce se zabývá poloautomatickou klasifikací založenou na softwaru eCognition Developer. Tento software by měl usnadnit tvorbu map. Člověk nevektorizuje a neinterpretuje každý objekt v ortorektifikovaném snímku z dálkového průzkumu Země, ale pro třídy daných objektů vytváří klasifikační báze. Klasifikace je založena na těchto bázích. Hlavním cílem diplomové práce bylo vytvoření klasifikačních bází pro třídu červených střech, asfaltových silnic a vodních nádrží (či rybníků) na družicových snímcích QuickBird, Ikonos a na Ortofoto ČR. Analýza dat LiDAR ukázala důležitost detekce hran pro segmentaci, ale samotná data budou dostupná až od roku 2015. Proto byla data LiDAR nahrazena Cannyho hranovým detektorem. Použité metody byly zvýraznění obrazu (Pansharpening, Analýza hlavních komponent ? PCA, Cannyho hranový detektor), segmentace s multirozlišením, fuzzy klasifikace, CART analýza (Klasifikační a regresní stromy) a hodnocení přesnosti klasifikace (Kappa koeficient). Navržené klasifikační báze ukázaly vysokou přesnost v porovnání s ruční klasifikací daných tříd, ale jen pokud byly správně vymezeny spektrální příznaky označené metodou CART.

Abstract:

The thesis is focused on a semi-automatic classification based on the software eCognition Developer. This software should facilitate the creation of maps. A person does not perform vectorization and interpretation of each object in orthorectified image from remote sensing, but for the classes of given objects creates classification base. The classification is based on these bases. The main goal of this thesis was to create a classification bases for a class of red roofs, asphalt roads and water tanks (or ponds) on satellite images QuickBird, Ikonos and Orthophoto CR. The LiDAR data analysis showed the importance of edge detection for segmentation, but the data itself will be available until 2015. The LiDAR data therefore been replaced by the Canny edge detector. The used methods were the image enhacement (Pansharpening, Principal Component Analysis - PCA, Canny edge detector), multiresolution segmentation, fuzzy classification, CART analysis (Classification and Regression Trees) and assess the accuracy of classification (Kappa coefficient). The proposed classification bases showed high accuracy in comparation with manual classification of the given classes, but only if they have been properly defined spectral features marked by CART method.

Kľúčové slová

QuickBird, Ikonos, Ortofoto ČR, LiDAR, Cannyho hranový detektor, klasifikační a regresní stromy, segmentace s multirozlišením, Kappa koeficient

Jazyk práce: Czech

Datum vytvoření / odevzdání či podání práce: 8. 11. 2012

Zverejniť od: 31. 12. 2999

Obhajoba závěrečné práce

• Vedúci: RNDr. Jan D Bláha

JAN EVANGELISTA PURKYNĚ UNIVERSITY IN ÚSTÍ NAD LABEM

Faculty of Science

Master programme / odbor:
Geography / Geography