Το ORFEO Toolbox (OTB) είναι ένα σύνολο εργαλείων (βιβλιοθληκη) υψηλών επιδόσεων για ανάλυση εικόνας και συγκεκριμένα στοχεύει σε εφαρμογές Τηλεπισκόπησης.
Αυτό το εγχειρίδιο περιγράφει το πως:
- Να λάβετε πληροφορίες μεταδεδομένων από μια εικόνα
- Να πραγματοποιήσετε μαθηματικές πράξεις μεταξύ καναλιών εικόνων
- Να ανοίξετε εικόνες μέσω της εφαρμογής monteverdi, να εκτελέσετε κατάτμηση εικόνας (μέσω του αλγορίθμου mean-shift) και να οπτικοποιήσετε το αποτέλεσμα
Το πακέτο λογισμικού OTB-Applications παρέχει πολλές και ενδιαφέρουσες εφαρμογές για την διαχείρηση εικόνων. Όλα αυτά τα εργαλεία είναι διαθέσιμα μέσω:
- CLI : εντολές κονσόλας
- QT GUI : σε ανεξάρτητο γραφικό περιβάλλον
- QGIS plugin : σαν πρόσθετο στο λογισμικό Quantum GIS
Μπορείτε να λάβετε όλες τις πληροφορίες που περιέχουν τα μεταδεδομένα μιας εικόνας με την εντολή : otbReadImageInfo-cli Η μοναδική παράμετρος είναι το όνομα αρχείου της εικόνας, για παράδειγμα : otbReadImageInfo-cli -in qb_RoadExtract.tif
Η εφαρμογή otbBandMath-cli παρέχει έναν αποτελεσματικό τρόπο για την εφαρμογή μαθηματικών τελεστών σε εικόνες με ένα κανάλι. Η σύνταξη είναι αρκετά απλή, για παράδειγμα η αφαίρεση δυο καναλιών για να μελετήσουμε τις διαφορές των εικόνων SpotBefore.tif και SpotAfter.tif, απλά χρησιμοποιήστε την εντολή : otbBandMath-cli -ims SpotBefore.tif SpotAfter.tif -out difference.tif -exp “im1b1-im2b1” Η εφαρμογή είναι ικανή να εκτελέσει περίπλοκες μαθηματικές πράξεις σε εικόνες (κατωφλίωση, λογαριθμική ενίσχυση...). Αυτός ο ψηφιακός υπολογιστής εικόνων παρέχεται με έτοιμες ενσωματωμένες ρουτίνες υπολογισμού σύνθετων εκφράσεων. Για παράδειγμα, ενώ οι τηλεπισκοπικές απεικονίσεις καταγράφουν φυσικές τιμές, είναι δυνατόν να εξαχθούν δείκτες με φυσική σημασία όπως ο NDVI (Normalized Difference Vegetation Index) για τη βλάστηση. Με την εφαρμογή / υπολογιστή μπορείτε να υπολογίσετε τον NDVI σε μια πολυφασματική εικόνα με την εκτέλεση της παρακάτω εντολής: otbBandMath-cli -ims qb_RoadExtract.tif -out ndvi.tif -exp “ndvi(im1b3,im1b4)”
Ξεκινήστε το Monteverdi από το εικονίδιο στο φάκελο “XXX” στην επιφάνεια εργασίας
Επιλέξτε μια ψηφιακή εικόνα με τη χρήση File ‣ Open Dataset ‣ /home/user/otb/qb_RoadExtract.tif
Εκτελέστε το Filtering ‣ Mean Shift clustering
Επιλέξτε την αρχική εικόνα (Reader0) από το παράθυρο επιλογής εικόνας εισόδου
Βεβαιωθείτε ότι μπορείτε να αλλάξετε τις παραμέτρους της κατάτμησης και να δείτε το αποτέλεσμα στην περιοχή ενδιαφέροντος κάνοντας κλικ στο “Run”
Επιλέξτε “Close” όταν είσαστε ικανοποιημένοι από το αποτέλεσμα.
Στο κεντρικό παράθυρο, κάντε δεξί κλίκ στο “Clustered Image” στην εικόνα αποτελέσματος “MeanShift0” και επιλέξτε “Display in viewer”
Ξεκινήστε το Monteverdi από το εικονίδιο στο φάκελο “XXX” στην επιφάνεια εργασίας
Επιλέξτε μια ψηφιακή εικόνα με τη χρήση File ‣ Open Dataset ‣ /home/user/otb/qb_RoadExtract.tif
Πηγαίνετε στο Learning ‣ SVM classification
Επιλέξτε την αρχική εικόνα (Reader0) από το παράθυρο επιλογής εικόνας εισόδου
Μπορείτε να προσθέσετε κατηγορίες (κουμπί Add Class), να επιλέξετε δείγματα εκπαίδευσης με τη σχεδίαση πολυγώνων στην εφαρμογή
Πηγαίνετε στο Setup ‣ SVM για να θέσετε τις παραμέτρους του αλγορίθμου ταξινόμησης
Κάντε κλίκ στο κουμπί Learn για τη δημιουργία ενός μοντέλου εκπαίδευσης από τις κατηγορίες εισόδου
Κάντε κλίκ στο κουμπί Display για να δείτε το αποτέλεσμα της επιβλεπόμενης ταξινόμησης για ολόκληρη την εικόνα
Για την πλήρη διαδικασία δείτε το άρθρο.
Εγχειρίδια OTB
Ακολουθήστε τα εγχειρίδια_ για να μάθετε περισσότερα για το OTB.
Εγχειρίδια στο DVD
Δείτε επίσης τα εγχειρίδια_ σε αυτό το DVD.