Nell'ambito di un progetto di ricerca di Dottorato in Geomatica, relativo alla messa a punto di un sistema di rilievo multisensore a pilotaggio remoto, sono state analizzate immagini multispettrali e multitemporali acquisite tramite rilievi da UAS. Come area test, è stata scelta una porzione di un vivaio di piante: l'altissima risoluzione delle immagini rende visibili dettagli che possono consentire il riconoscimento delle diverse specie vegetali. Per automatizzare il processo, accanto alle più tradizionali classificazioni pixel-based (basate cioè sulle informazioni radiometriche multispettrali direttamente contenute nelle immagini), si può far ricorso all'utilizzo di variabili derivate di tipo geometrico, che tengano conto delle relazioni spaziali delle variazioni radiometriche. L'uso delle variabili di texture a queste risoluzioni, ben differenti da quelle di immagini satellitari o aeree, è ancora da esplorare. In questo lavoro sono perciò presentati alcuni esperimenti di ottimizzazione di procedure di classificazione, mediante l'uso combinato di variabili radiometriche tradizionali (come RGB e NDVI) e di variabili di texture opportunamente selezionate. In particolare, tali variabili sono state generate con finestre di dimensione crescente; la dimensione ottimale è stata poi individuata tramite analisi dei semivariogrammi. L'aggiunta delle variabili di texture a bande e indici tradizionali ha portato ad un incremento del 17% dell'accuratezza totale di classificazioni con algoritmo supervisionato (Maximum Likelihood).

Utilizzo delle texture nella classificazione di vegetazione in immagini ad altissima risoluzione acquisite da UAS

SONA, GIOVANNA;GINI, ROSSANA
2015

Abstract

Nell'ambito di un progetto di ricerca di Dottorato in Geomatica, relativo alla messa a punto di un sistema di rilievo multisensore a pilotaggio remoto, sono state analizzate immagini multispettrali e multitemporali acquisite tramite rilievi da UAS. Come area test, è stata scelta una porzione di un vivaio di piante: l'altissima risoluzione delle immagini rende visibili dettagli che possono consentire il riconoscimento delle diverse specie vegetali. Per automatizzare il processo, accanto alle più tradizionali classificazioni pixel-based (basate cioè sulle informazioni radiometriche multispettrali direttamente contenute nelle immagini), si può far ricorso all'utilizzo di variabili derivate di tipo geometrico, che tengano conto delle relazioni spaziali delle variazioni radiometriche. L'uso delle variabili di texture a queste risoluzioni, ben differenti da quelle di immagini satellitari o aeree, è ancora da esplorare. In questo lavoro sono perciò presentati alcuni esperimenti di ottimizzazione di procedure di classificazione, mediante l'uso combinato di variabili radiometriche tradizionali (come RGB e NDVI) e di variabili di texture opportunamente selezionate. In particolare, tali variabili sono state generate con finestre di dimensione crescente; la dimensione ottimale è stata poi individuata tramite analisi dei semivariogrammi. L'aggiunta delle variabili di texture a bande e indici tradizionali ha portato ad un incremento del 17% dell'accuratezza totale di classificazioni con algoritmo supervisionato (Maximum Likelihood).
978-88-941232-2-7
UAS, immagini multispettrali, NDVI, classificazione supervisionata
File in questo prodotto:
File Dimensione Formato  
Art126_ASITA_2015.pdf

accesso aperto

: Publisher’s version
Dimensione 233.57 kB
Formato Adobe PDF
233.57 kB Adobe PDF Visualizza/Apri

I documenti in IRIS sono protetti da copyright e tutti i diritti sono riservati, salvo diversa indicazione.

Utilizza questo identificativo per citare o creare un link a questo documento: http://hdl.handle.net/11311/985466
Citazioni
  • ???jsp.display-item.citation.pmc??? ND
  • Scopus ND
  • ???jsp.display-item.citation.isi??? ND
social impact