4.1 segmentacije dobimo na zglajeni podobi (Mesner,


4.1 Priprava inpredobdelava vhodnihpodatkovOsnovni vhodni podatki so georefereniran in klasificiran oblakto?k, digitalni model reliefa (DMR1) in ortofoto. Iz oblaka to?k sem izdelaladigitalni model površja stavb, pri ?emer smo na obmo?ju manjkajo?ih lidarskihpodatkov izvedli interpolacijo na podlagi okoliških pikslov. Za potrebeizdelave ve?namenskega sloja stavb se smo iz interpoliranih podatkov izra?unalinaklon stavb, saj se obris strehe na podobi naklonov izraža z izrazitospremembo naklona, ter  modificiran digitalnimodel površja, v katerega smo zapisali razlike med modelom površja stavb indigitalnim modelom reliefa.Za potrebe pridobitve optimalnih rezultatov segmentacije smoortofoto zgladili s filtrom mediana,, saj je bilo v analizi vplivov nasegmentacijo ugotovljeno, da najbolj kakovostne rezultate segmentacije dobimona zglajeni podobi (Mesner, 2016).  Nadaljesmo na podlagi ortofota izdelali razli?ne podobe razmerij med kanali za potrebeklasifikacije vegetacije, senc, vodnih površin  ter golih tal. Eden izmed najpogostejeuporabljenih razmerij med kanali za oceno stanja vegetacije je normirandiferencialni vegetacijski indeks (NDVI, normalized difference vegetationindex). Vegetacija ima visoko odbojnost na infrarde?em kanalu in nizko narde?em kanalu, zato se ta dva kanala uporabita za izra?un indeksa NDVI, insicer 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 temeljina produktu tretje komponente analize osnovnih komponent (PCA3) in modregakanala (B). Za poudarjanje vodnih površin je McFeeters (1996) predlagalnormiran diferencialni indeks vode (NDWI, normalized difference water index), izra?unankot razmerje med zelenim in bližnjim infrarde?im kanalom.

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


order now

4.2 Izdelava ve?namenskega slojaVe?namenski sloj stavb in pozidanih površin MN1 smoizdelali popolnoma samodejno, in sicer z metodo objektno usmerjene analize. Pritem smo uporabili koncept hierarhi?ne mreže segmentov  s klasifikacijo na osnovi pravil (odlo?itvenodrevo) in s klasifikatorjem najbližji sosed (uporaba u?nih vzorcev).Segmentacijo smo izvedli v razli?nih merilih z ve?nivojskim algoritmom nazglajenem ortofotu  s filtrom mediana inmaski stavb.   Obris strehe se na podobinaklonov izraža z izrazito spremembo naklona, zato sem za algoritemsegmentacije uporabila algoritem iskanja robov.

Sledila je objektnaklasifikacija v razreda možna stavba in nestavba, ki je temeljila na višiniobjekta nDMP (razlika med modelom površja in modelom reliefa) in vrednostiindeksa NDVI. Nato sem obrise potencialnih stavb izboljšala tako, da semponovno izvedla segmentacijo z ve?nivojskim algoritmom na podlagi ortofota. Napodlagi indeksa NDVI sem iz razreda možna stavba odstranila objekte, ki nepredstavljajo stavbe, temve? visoke objekte v neposredni bližini stavbe (npr.visoka vegetacija).

Na drugi ravni sem ponovno segmentirala obmo?je podobe, kije na prvi ravni klasificirano kot nevegetacija, in sicer tako, da sem združilapodobne segmente. Za združevanje podobnih segmentov sem uporabila ve?nivojskialgoritem. Novi segmenti so obsegali ve?je homogene površine, s ?imer semzmanjšala prekomernost segmentacije.

Na podlagi indeksa senc sem segmenteklasificirala v razred sence in nesence, nato pa objekte, ki pripadajo razredunesence, še na podlagi indeksa vode NDWI (glej poglavje 3.2.1) v razreda vodain nevoda. Objekti, ki so razvrš?eni v razred nevoda, ve?inoma predstavljajopozidane površine in gola tla. Ta dva razreda sta si v spektralnem smislu zelopodobna. Za razlikovanje med tema dvema razredoma sem poskusila uporabitiindikator golih tal BGI (glej poglavje 3.

2.1), ki je omogo?il dobrorazpoznavanje golih tal. Toda hkrati se je delež stavb z rde?kastorjavimistrehami uvrstil v razred gola tla.

Zato sem ta dva razreda klasificirala sklasifikatorjem najbližji sosed na podlagi indikatorja BGI in prvih trehkomponent analize osnovnih komponent. U?ne vzorce sem zajela samodejno napodlagi podatkov dejanske rabe MKGP, in sicer podatkov podrobne rabe 1100 – njivain 3000 – pozidano. S klasifikatorjem najbližji sosed smo identificiraliobjekte druge pozidane površine. Sledila je še poklasifikacija rezultatov,  ki je temeljila predvsem na geometri?nihlastnostih objektov, sem odstranila lažno klasificirane stavbe in pozidanepovršine. Rezultat je kon?ni ve?namenski sloj stavb in pozidanih površin.

 MN1Preveritermin 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