मैं ब्राज़ील के नेशनल इंस्टीट्यूट फॉर स्पेस रिसर्च से उपलब्ध मुफ्त सॉफ्टवेयर SPRING के साथ छवि विभाजन का उपयोग करने की सलाह दूंगा । प्रलेखन यहाँ उपलब्ध है और ट्यूटोरियल यहाँ उपलब्ध हैं । छवि विभाजन विशुद्ध रूप से पिक्सेल आधारित वर्गीकरण विधियों (जैसे ISODATA, अधिकतम संभावना, आदि) की तुलना में उच्च वर्गीकरण सटीकता का उत्पादन करता है। मेरे उत्तर को बेहतर बनाने में मदद करने के लिए, मैंने इमेजरी (nIR, 1m रिज़ॉल्यूशन) पर छवि विभाजन किया, जिसमें पूर्वी ओरेगन में रंगभूमि के माध्यम से चलने वाली सड़क थी। SPRING के साथ छवि विभाजन करने के लिए सामान्य वर्कफ़्लो निम्नानुसार है:
- आयात छवि
- विभाजन करें (चित्र 1 में दिखाए गए परिणाम)
- यह निर्धारित करके प्रशिक्षण सेट करें कि कौन से क्षेत्र किस वर्ग के हैं।
- खंडित क्षेत्रों पर वर्गीकरण का प्रदर्शन करें।
पहली छवि वास्तविक विभाजन के परिणामों को दिखाती है। सड़क को नीले रंग में हाइलाइट किया गया है और इसका उपयोग चरण 3 (प्रशिक्षण) के दौरान किया गया था। मैंने अन्य सभी वर्गों (जैसे घास, पेड़, आदि) को दूसरी श्रेणी में शामिल किया। अंतिम छवि छवि विभाजन और वर्गीकरण एल्गोरिदम के परिणामों को दिखाती है। जैसा कि आप देख सकते हैं, छवि विभाजन ने नमूना इमेजरी के साथ बहुत अच्छे परिणाम उत्पन्न किए।
लैंडसैट इमेजरी के साथ, मेरे नमूना इमेजरी की तुलना में आपके पास कम स्थानिक रिज़ॉल्यूशन होगा, फिर भी आपके पास वर्णक्रमीय रिज़ॉल्यूशन अधिक होगा और इस प्रकार वनस्पति और गैर-वनस्पति क्षेत्रों के बीच अधिक अंतर का पता लगाने में सक्षम होगा। चूंकि SPRING आकृतियों के अतिरिक्त वर्णक्रमीय बैंडों को ध्यान में रखता है, इसलिए आपको अपने लैंडसैट इमेजरी का उपयोग करके बहुत अच्छे परिणाम देखने चाहिए। इतने महत्वपूर्ण विषय पर शोध करने के लिए शुभकामनाएँ और धन्यवाद।