Generalisierung klassifizierter Raster-Bilder

Eine der häufigsten Anwendungen der Generalisierungswerkzeuge ist die Bereinigung eines klassifizierten Bildes, das aus der Fernerkundungs-Software abgeleitet wurde. Der Klassifizierungsprozess führt oft zu vielen isolierten kleinen Zonen von Daten, die entweder nicht richtig klassifiziert oder für die Analyse irrelevant sind.

Erstellen einer generalisierten Landnutzungskarte aus einem Satellitenbild

Im folgenden Beispiel wird eine typische Anwendungssequenz für die Generalisierungswerkzeuge veranschaulicht, um einen Raster-Layer zu erzeugen, der für eine Darstellung oder nachfolgende Analyse besser geeignet ist.

Jedes Werkzeug kann allein oder in Verbindung mit anderen Datenbereinigungswerkzeugen für verschiedene Anwendungen verwendet werden.

Erste Schritte mit einer unbearbeiteten Satellitenszene

Das Bild unten stellt das unbearbeitete Satellitenbild dar, das klassifiziert wird. Während der Klassifizierungsprozess nicht explizit beschrieben wird, sind im folgenden Abschnitt einige der Gründe aufgelistet, warum das direkte Ergebnis in der Regel eine weitere Bearbeitung benötigt, um allgemein nützlich zu sein.

Unbearbeitetes Bild, das generalisiert werden soll
Unbearbeitetes Bild, das generalisiert werden soll

Bildergebnis nach Klassifizierung

In einer geordneten Klassifizierung werden Trainingsgebiete auf einem Bild identifiziert, z. B. das Satellitenbild. Die Trainingsgebiete werden aus verschiedenen Landnutzungen entnommen, um Wasser, Wohngebiete, Harthölzer, Nadelbäume usw. zu identifizieren. Von diesen Trainingsgebieten werden alle anderen Zellenpositionen im Bild einem dieser bekannten Landtypen oder Landnutzungen zugeordnet. Manchmal sind Landnutzungssignaturen (Statistiken, die aus den Trainingsgebieten abgeleitet wurden) ähnlich und machen es schwierig, zwischen zwei Klassen zu unterscheiden. Mit den vorhandenen Trainingsgebieten ist die Software z. B. nicht in der Lage, zwischen einem Erlensumpf und einem Sumpfgebiet mit Harthölzern zu unterscheiden. Dies liegt möglicherweise an einer unzulänglichen Anzahl von Trainingsgebieten oder dem Fakt, dass bestimmte Landnutzungen nicht als Beispiel angegeben wurden. Diese und andere Einschränkungen können zur falschen Klassifizierung von bestimmten Standorten führen.

Aus diesem Grund wird eine einzelne Zelle oder eine kleine Gruppe von Zellen unter Umständen fälschlicherweise als andere Entität als die umgebenden Zellen klassifiziert, wenn die Entität in der Wirklichkeit zu der Gruppe von Zellen gehört, die sie umgeben. Ein weiterer typischer Bereich der falschen Klassifizierung sind die Grenzen zwischen unterschiedlichen Landnutzungen. Das Ergebnis ist häufig eine gezackte, unrealistische Darstellung der Grenze, die mit den Generalisierungswerkzeugen geglättet werden kann.

Unten sehen Sie die Klassifizierung des Satellitenbildes. Beachten Sie, dass es viele kleine, isolierte Einzelzellen oder Zellgruppen im gesamten Bild gibt.

Ausgabe-Raster nach Klassifizierung
Ausgabe-Raster nach Klassifizierung

Die folgenden Abschnitte veranschaulichen, wie die Generalisierungswerkzeuge angewendet werden können, um ein abschließendes klassifiziertes Raster zu erhalten.

DetailinformationenDetailinformationen:

Weitere Informationen zum Klassifizieren von Bildern mit Spatial Analyst finden Sie im Abschnitt Bildklassifizierung der Dokumentation.

Entfernen von falsch klassifizierten Zellen mit dem Majority Filter

Um einzelne falsch klassifizierte Zellen im klassifizierten Bild zu entfernen, wird das Werkzeug Majority Filter (Mehrheitsfilter) angewendet. Die Ergebnisse werden im Bild unten angezeigt. Beachten Sie, dass viele der kleineren Zellgruppen verschwunden sind.

Raster nach der Anwendung von Majority Filter
Raster nach der Anwendung von Majority Filter

Glätten von Zonen mit Boundary Clean

Um die Grenzen zwischen Zonen zu glätten, kann das Werkzeug Boundary Clean (Grenzenbereinigung) implementiert werden. Durch das Erweitern und Verkleinern der Grenzen dringen größere Zonen in kleinere Zonen ein, wie es unten im Bild der Fall ist. Beachten Sie auch hier, dass noch mehr von den kleineren und dünneren Zellgruppen verschwunden sind.

Raster nach der Anwendung von Boundary Clean
Raster nach der Anwendung von Boundary Clean

Identifizieren von Clustern mit Region Group

Die Werkzeuge Majority Filter und Boundary Clean verarbeiten nur einzelne Zellen oder sehr kleine Cluster von falsch klassifizierten Zellen, indem sie ihnen den Wert zuweisen, der am häufigsten in der unmittelbaren Nachbarschaft vorhanden ist. Angenommen jedoch, es gibt einen bestimmten Größenschwellenwert, unter dem einzelne Gruppierungen ähnlicher Zellen als zu klein betrachtet werden, um in der folgenden Analyse von Bedeutung zu sein. Diese Cluster sollten stattdessen mit den umgebenden Gruppen zusammengeführt werden. Zum Beispiel werden zusammenhängende Cluster der gleichen Landnutzungskategorie, die kleiner als 7.200 Quadratmeter groß sind, nicht als signifikant für die Analyse angesehen. Diese isolierten Regions können jedoch nicht einzeln bearbeitet werden, da sie über den gleichen Landnutzungswert wie die gesamte Zone verfügen.

Um dieses Problem zu beheben, wird das Werkzeug Region Group angewendet. Dieses Werkzeug weist jeder Region im Eingabe-Raster (dem klassifizierten Bild) eine eindeutige Kennung zu. Eine Region ist jede zusammenhängende Gruppe mit Zellen vom gleichen Wert. Stellen Sie sich eine einzelne Zone vor, die aus zwei Regions besteht, die nicht miteinander verbunden sind. Region Group teilt diese Zone in zwei neue Zonen ein, die jeweils über einen eindeutigen Identifikationswert (Zonenwert) verfügen. Der ursprüngliche Zonenwert wird als LINK-Feld in der Ausgabe-Attributtabelle verwaltet. Das resultierende Raster ist unten dargestellt; es zeigt die vielen verschiedenen Ausgabezonen an.

Raster nach der Anwendung von Region Group
Raster nach der Anwendung von Region Group

Entfernen von Flächen, die kleiner als der Schwellenwert sind

Im nächsten Schritt wird mithilfe eines Auswahlwerkzeugs, z. B. des Werkzeugs Extract by Attributes in der Toolbox "Extraktion", ein Ausgabe-Raster erstellt, in dem Regions, die kleiner als der Flächenschwellenwert sind, entfernt wurden.

Sehr kleine Regions, die ausgewählt und entfernt wurden, zur Verwendung als Maske
Sehr kleine Regions, die ausgewählt und entfernt wurden, zur Verwendung als Maske

Entfernen von kleinen Regions mit Nibble

Wenn Sie das Werkzeug Nibble auf das aus dem Extraktionswerkzeug (Identifizieren der zu entfernenden Regions) resultierende Raster zusammen mit den Werten aus dem klassifizierten Bild-Raster anwenden, besucht das Werkzeug jede zu entfernende Zellenposition und ersetzt sie durch die nächstgelegene Zelle auf dem klassifizierten Raster mit einem Wert.

Kleine, in der Maske identifizierte Regions, die mit Nibble entfernt wurden
Kleine, in der Maske identifizierte Regions, die mit Nibble entfernt wurden

Endgültige generalisierte Landnutzungskarte

Mithilfe des Link-Elements aus den Ergebnissen des Werkzeugs Region Group werden die ursprünglichen Zonenwerte aus dem klassifizierten Bild den einzelnen, mit dem Werkzeug Region Group erstellten Regions neu zugewiesen.

Endgültige generalisierte Landnutzungskarte
Endgültige generalisierte Landnutzungskarte

Das Ergebnis ist eine generalisiertere Landnutzungskarte, die in nachfolgenden Analysen verwendet werden kann.

Verwandte Themen


7/10/2012