4.1 sosed (uporaba u?nih vzorcev). Segmentacijo smo izvedli


4.1 Priprava in
predobdelava vhodnih
podatkov

Osnovni vhodni podatki so georefereniran in klasificiran oblak
to?k, digitalni model reliefa (DMR1) in ortofoto. Iz oblaka to?k sem izdelala
digitalni model površja stavb, pri ?emer smo na obmo?ju manjkajo?ih lidarskih
podatkov izvedli interpolacijo na podlagi okoliških pikslov. Za potrebe
izdelave ve?namenskega sloja stavb se smo iz interpoliranih podatkov izra?unali
naklon stavb, saj se obris strehe na podobi naklonov izraža z izrazito
spremembo naklona, ter  modificiran digitalni
model površja, v katerega smo zapisali razlike med modelom površja stavb in
digitalnim modelom reliefa.

We Will Write a Custom Essay Specifically
For You For Only $13.90/page!


order now

Za potrebe pridobitve optimalnih rezultatov segmentacije smo
ortofoto zgladili s filtrom mediana,, saj je bilo v analizi vplivov na
segmentacijo ugotovljeno, da najbolj kakovostne rezultate segmentacije dobimo
na zglajeni podobi (Mesner, 2016).  Nadalje
smo na podlagi ortofota izdelali razli?ne podobe razmerij med kanali za potrebe
klasifikacije vegetacije, senc, vodnih površin  ter golih tal. Eden izmed najpogosteje
uporabljenih razmerij med kanali za oceno stanja vegetacije je normiran
diferencialni vegetacijski indeks (NDVI, normalized difference vegetation
index). Vegetacija ima visoko odbojnost na infrarde?em kanalu in nizko na
rde?em kanalu, zato se ta dva kanala uporabita za izra?un indeksa NDVI, in
sicer kot razmerje med razliko in vsoto obeh kanalov (Liang, 2004).

Za poudarjanje golih tal so Nobrega in sod. (2006)
predlagali indikator golih tal (BGI, bare soil general indicator), ki temelji
na produktu tretje komponente analize osnovnih komponent (PCA3) in modrega
kanala (B).

Za poudarjanje vodnih površin je McFeeters (1996) predlagal
normiran diferencialni indeks vode (NDWI, normalized difference water index), izra?unan
kot razmerje med zelenim in bližnjim infrarde?im kanalom.

4.2 Izdelava ve?namenskega sloja

Ve?namenski sloj stavb in pozidanih površin MN1 smo
izdelali popolnoma samodejno, in sicer z metodo objektno usmerjene analize. Pri
tem smo uporabili koncept hierarhi?ne mreže segmentov  s klasifikacijo na osnovi pravil (odlo?itveno
drevo) in s klasifikatorjem najbližji sosed (uporaba u?nih vzorcev).
Segmentacijo smo izvedli v razli?nih merilih z ve?nivojskim algoritmom na
zglajenem ortofotu  s filtrom mediana in
maski stavb.   Obris strehe se na podobi
naklonov izraža z izrazito spremembo naklona, zato sem za algoritem
segmentacije uporabila algoritem iskanja robov. Sledila je objektna
klasifikacija v razreda možna stavba in nestavba, ki je temeljila na višini
objekta nDMP (razlika med modelom površja in modelom reliefa) in vrednosti
indeksa NDVI. Nato sem obrise potencialnih stavb izboljšala tako, da sem
ponovno izvedla segmentacijo z ve?nivojskim algoritmom na podlagi ortofota. Na
podlagi indeksa NDVI sem iz razreda možna stavba odstranila objekte, ki ne
predstavljajo stavbe, temve? visoke objekte v neposredni bližini stavbe (npr.
visoka vegetacija).

Na drugi ravni sem ponovno segmentirala obmo?je podobe, ki
je na prvi ravni klasificirano kot nevegetacija, in sicer tako, da sem združila
podobne segmente. Za združevanje podobnih segmentov sem uporabila ve?nivojski
algoritem. Novi segmenti so obsegali ve?je homogene površine, s ?imer sem
zmanjšala prekomernost segmentacije. Na podlagi indeksa senc sem segmente
klasificirala v razred sence in nesence, nato pa objekte, ki pripadajo razredu
nesence, še na podlagi indeksa vode NDWI (glej poglavje 3.2.1) v razreda voda
in nevoda. Objekti, ki so razvrš?eni v razred nevoda, ve?inoma predstavljajo
pozidane površine in gola tla. Ta dva razreda sta si v spektralnem smislu zelo
podobna. Za razlikovanje med tema dvema razredoma sem poskusila uporabiti
indikator golih tal BGI (glej poglavje 3.2.1), ki je omogo?il dobro
razpoznavanje golih tal. Toda hkrati se je delež stavb z rde?kastorjavimi
strehami uvrstil v razred gola tla. Zato sem ta dva razreda klasificirala s
klasifikatorjem najbližji sosed na podlagi indikatorja BGI in prvih treh
komponent analize osnovnih komponent. U?ne vzorce sem zajela samodejno na
podlagi podatkov dejanske rabe MKGP, in sicer podatkov podrobne rabe 1100 – njiva
in 3000 – pozidano. S klasifikatorjem najbližji sosed smo identificirali
objekte druge pozidane površine. Sledila je še poklasifikacija rezultatov,  ki je temeljila predvsem na geometri?nih
lastnostih objektov, sem odstranila lažno klasificirane stavbe in pozidane
površine. Rezultat je kon?ni ve?namenski sloj stavb in pozidanih površin.

 MN1Preveri
termin pri Katji. Kaj oni uporabljajo?

x

Hi!
I'm William!

Would you like to get a custom essay? How about receiving a customized one?

Check it out