fbpx
BlogFotogrametríaOBIA – Análisis de imágenes basado en objetos (GEOBIA)

OBIA – Análisis de imágenes basado en objetos (GEOBIA)

Piensa en objetos, no en píxeles

¿Qué tan asombroso sería si pudieras digitalizar todas tus características en una imagen con solo hacer clic en un botón?

Además de eso, puede clasificar cada característica con otro clic de un botón.

¿Suena como magia? Pero estos dos procesos son la segmentación y la clasificación realizadas en el Análisis de imágenes basado en objetos (OBIA).

Examinemos qué es y cómo puede usarlo para realizar su trabajo de manera más eficiente y precisa.

La segmentación es clave para la clasificación

La percepción visual humana casi siempre supera a los algoritmos de visión por computadora. 

Por ejemplo, tus ojos reconocen un río cuando lo ve. Pero una computadora no puede reconocer los ríos de los lagos. 

… ¿O puede? 

La clasificación tradicional de imágenes basada en píxeles asigna una clase de cobertura terrestre por píxel. Todos los píxeles tienen el mismo tamaño, la misma forma y no tienen ningún concepto de sus vecinos. 

Sin embargo, OBIA segmenta una imagen agrupando pequeños píxeles en objetos vectoriales. En lugar de una base por píxel, la segmentación digitaliza automáticamente la imagen por usted.

La segmentación de análisis de imágenes basado en objetos (OBIA) es un proceso que agrupa píxeles similares en objetos

Lo que hace la segmentación es replicar lo que hacen tus ojos.

Pero con estos objetos segmentados, utiliza sus propiedades espectrales, geométricas y espaciales para clasificarlos en cobertura terrestre.

La clasificación OBIA utiliza la forma, el tamaño y las propiedades espectrales de los objetos para clasificar cada objeto

De lo contrario, cuando utiliza técnicas tradicionales de clasificación de imágenes, a menudo obtiene un aspecto sal y pimienta en el resultado de la clasificación.

En resumen, los dos principios básicos de OBIA son:

  • SEGMENTACIÓN: divide la imagen en objetos que representan características terrestres.
  • CLASIFICACIÓN: Clasifica aquellos objetos usando su forma, tamaño, propiedades espaciales y espectrales.

Profundicemos un poco más en estos dos conceptos.

Genere objetos significativos con segmentación

Cuando segmenta una imagen, el proceso agrupa píxeles para formar objetos. De repente, las características de la cubierta terrestre comienzan a aparecer, de forma similar a cómo sus ojos procesan su entorno.

Para esta imagen de resolución de 50 cm, el algoritmo de segmentación de resolución múltiple divide una imagen en eCognition Definiens Developer. Basado en su configuración de compacidad y forma, este es el paso preliminar en OBIA.

¿Qué tamaño quieres que tengan los objetos? Hay un parámetro de escala que puede estimar para generar objetos más significativos.

Además, puedes configurar pesos para todas las capas que quieras segmentar. Esto significa que no solo tiene que segmentar por rojo, verde o azul, sino que también puede segmentar una intensidad DEM, DSM, NIR o incluso LiDAR.

Trimble Ecognition multi-resolution segmentation with customized image object fusion

De manera similar, el desplazamiento medio del segmento en ArcGIS es un método alternativo de análisis de imágenes basado en objetos. Sin embargo, no tiene tantas opciones como Trimble eCognition.

Por ejemplo, no puede establecer los pesos de varias capas cuando ejecuta el proceso. Lo que puede hacer es establecer el detalle espectral y espacial, junto con el tamaño mínimo en píxeles. Con un poco de prueba y error, usamos la calculadora ráster para establecer pesos personalizados usando un nDSM y la banda roja como entrada.

Segmentación de ArcGIS utilizando el algoritmo Segment Mean Shift

Clasificar las características de la cobertura terrestre

Después de segmentar la imagen, es hora de clasificar cada objeto. Ahora puede clasificar porque cada objeto tiene estadísticas asociadas. Por ejemplo, puede clasificar objetos según su geometría, área, color, forma, textura, adyacencia y más.

Es cierto que no existe la mejor manera de clasificar las características de la cobertura terrestre utilizando OBIA. Sin embargo, los analistas usan con frecuencia estas estadísticas para clasificar la cobertura del suelo usando OBIA:

  • El AGUA es plana (nDSM bajo), se acumula en depresiones (TWI alto o TPI bajo), tiene una temperatura baja (infrarrojo térmico – TIRS) y tiene una absorción alta en el infrarrojo cercano (NDVI negativo

  • Los EDIFICIOS a menudo son rectangulares (ajuste rectangular alto), son altos (nDSM alto) y tienen pendientes altas.
    GRASS es corto (bajo nDSM), es plano (baja desviación estándar de nDSM) y tiene una reflectancia moderada en el infrarrojo cercano (moderado NDVI).

Si bien las opciones son limitadas en ArcGIS, aquí es donde reside el verdadero poder en Trimble eCognition. En este ejemplo, hay estadísticas aparentemente interminables para clasificar edificios. Pero, ¿qué estadística es la correcta para usar?

 

Cada objeto en OBIA tiene estadísticas asociadas. A la derecha, hay información del objeto de imagen para el edificio seleccionado con respecto a su forma, tamaño y características espectrales.
  • Los ÁRBOLES tienen alturas variables (desviación estándar nDSM alta) y tienen una alta reflectancia del infrarrojo cercano (NDVI alto).

 

  • Las CARRETERAS reflejan mucha luz (RGB alto), son planas (nDSM bajo), tienen una intensidad de luz alta y tienen un NDVI bajo o negativo.

Puede configurar conjuntos de reglas, que son un conjunto de pasos predefinidos para segmentar y clasificar objetos. Similar a ModelBuilder en ArcGIS, avanza paso a paso por cada proceso hasta que finaliza.

Como alternativa, Trimble ECognition tiene una clasificación de vecino más cercano en la que agrega y clasifica en función de muestras definidas.

Imágenes más nítidas = clasificación de imágenes más avanzada

En 1972, Landsat-1 provocó una revolución en la forma en que monitoreamos nuestra Tierra. Con el gobierno de EE. UU. relajando las regulaciones sobre datos satelitales de alta resolución, la tendencia al alza en imágenes más nítidas es simplemente notable.

No se trata solo de satélites como Worldview o Planet Labs, sino que el uso de LiDAR y drones como DJI está experimentando un repunte saludable. Y la forma en que clasificamos las imágenes ha pasado de una clasificación de imágenes no supervisada a una más sofisticada basada en objetos.

Cuando un solo píxel contenía varios edificios en una escena Landsat-1, no era necesario realizar un análisis de imágenes basado en objetos. Sin embargo, la nueva generación de datos de alta resolución requiere un análisis de imágenes basado en objetos.

Por ejemplo, una escena Landsat-1 no pudo descifrar entre edificios de parques. En este caso, la clasificación no supervisada y supervisada fue suficiente. Pero ahora, segmenta y clasifica datos de alta resolución utilizando OBIA para obtener una cobertura terrestre más significativa. Esta es la tendencia en la comunidad de sensores remotos.

De lo contrario, las técnicas tradicionales de clasificación de imágenes dan una clasificación de sal y pimienta no deseada.

Clasificación no supervisada con clasificación de motas no deseadas

OBIA – Análisis de imágenes basado en objetos

OBIA comenzó con biólogos celulares diseccionando escaneos de imágenes. GEOBIA (Análisis de imágenes basado en objetos geográficos) lo distingue de su origen médico.

Imágenes más nítidas, más bandas espectrales y una explosión de adquisiciones de datos pueden ayudar a resolver los problemas actuales.

Para dar sentido a toda esta información, necesitamos OBIA o análisis de imágenes basado en objetos para automatizar parte del trabajo para nosotros.

A medida que pasa cada día, los satélites recopilan volúmenes ridículos de datos en órbita silenciosamente… Pero, ¿de qué sirven los datos satelitales si no sabes cómo usarlos?

OBIA se trata de producción en masa. Usted crea un conjunto de reglas, lo ejecuta y edita su clasificación según sea necesario.


Deja un comentario

Tu dirección de correo electrónico no será publicada.

Contactanos por Whatsapp
1