Landsatラスター画像から道路を抽出する

熱帯雨林における道路網の拡大に関する研究のために、私はランドサット画像から道路を抽出しようとしています。道路が目ではっきりと見えるシャープで雲のないコンポジットがすでにありますが、ラインフィーチャにそれらを抽出するのは難しいことがわかっているので、Landsatが提供する大きな画像を処理できる優れたアルゴリズムまたは方法を誰かが知っているかどうか疑問に思いましたか？Grassのr.thinを試しましたが、うまくいかないようです。

ブラジル国立宇宙研究所から入手できる無料ソフトウェアSPRINGで画像セグメンテーションを使用することをお勧めします。ドキュメントはこちらから入手でき、チュートリアルはこちらから入手できます。画像のセグメンテーションは、純粋なピクセルベースの分類方法（ISODATA、最尤など）と比較して、高い分類精度をもたらします。私の答えをより明確にするために、オレゴン州東部の放牧地を通る道路がある画像（nIR、1m解像度）で画像セグメンテーションを実行しました。SPRINGで画像セグメンテーションを実行する一般的なワークフローは次のとおりです。

1. 画像をインポート
2. セグメンテーションを実行します（画像1に示す結果）
3. どのリージョンがどのクラスに属するかを選択して、トレーニングセットを作成します。
4. セグメント化された領域で分類を実行します。

最初の画像は、実際のセグメンテーションの結果を示しています。道路は青色で強調表示され、ステップ3（トレーニング）で使用されました。他のすべてのクラス（草、木など）を別のカテゴリにまとめました。最終的な画像は、画像セグメンテーションと分類アルゴリズムの結果を示しています。ご覧のとおり、画像のセグメンテーションはサンプル画像で非常に良い結果をもたらしました。

Landsat画像を使用すると、サンプル画像よりも空間解像度が低くなりますが、スペクトル解像度が高くなるため、植生領域と非植生領域の間の大きな違いを検出できます。SPRINGでは形状に加えてスペクトルバンドも考慮されるため、Landsat画像を使用すると非常に良い結果が得られます。このような重要なトピックについて調査していただきありがとうございます。

セグメント化されたオブジェクト（トレーニング済み）分類は、この問題に非常にうまく使用できますが、この領域でどのような機能があるかを説明するのに十分なほどGRASSを知りません。ただし、ポリゴンが得られるので、ポリゴンを薄くするか、平均やその他の変換を使用する必要があります。

道路や他の不毛の地面の反射率は植生の反射率とは大きく異なるため、近赤外線バンドまたはコンポジットを使用すると、さらに良い結果が得られます。さらに、影と、わずかな程度のキャノピー（道路上）が結果は少ない。