Today more and more people are moving to the cities around the world. This puts a lot of strain on the infrastructure as the cities grow in both width and height. To be able to monitor the ongoing change remote sensing is an effective tool and ways to make it even more effective, better and easier to use are constantly sought after. One way to monitor change detection is object based change detection. The idea has been around since the seventies, but it wasn’t until the early 2000 when it was introduced by Blaschke and Strobl(2001) to the market as a solution to the issues with pixel based analysis that it became popular with remote analysts around the world. KTH-SEG is developed at KTH Geoinformatics. It is developed to segment images in order to preform object based analysis; it can also be used for classification. In this thesis object based change detection over an area of Shanghai is carried out. Two different approaches are used; post-classification analysis as well as creating change detection images. The maps are assessed using the maximum likelihood report in the software Geomatica. The segmentation and classification is done using KTH-SEG, training areas and ground truth data polygons are drawn in ArcGIS and pre-processing and other operations is carried out using Geomatica. KTH-SEG offers a number of changeable settings that allows the segmentation to suit the image at hand. It is easy to use and produces well defined classification maps that are usable for change detection The results are evaluated in order to estimate the efficiency of object based change detection in urban area and KTH-SEG is appraised as a segmentation and classification tool. The results show that the post-classification approach is superior to the change detection images. Whether the poor result of the change detection images is affected by other parameters than the object based approach can’t be determined. / Idag flyttar fler och fler människor in i städer runt om i världen. Det utgör en stor påverkan på den befintliga infra-strukturen då städerna växer på både höjden och bredden. För att kunna bevaka den förändring som sker så används ofta fjärranalys som ett effektivt verktyg. Sätt att utveckla befintliga tekniken försöker man hela tiden hitta nya, enklare och mer effektiva sätt att bevaka förändring finns alltid på horisonten. Objektbaserad förändrings analys är ett sätt att bevaka förändringar. Iden om att använda objekt baserad analys har funnits sedan 70-talet, men det var först i början av 2000-talet, då Blaschke och Strobl(2001) introducerade tekniken som en lösning på de problem man stöter på i pixelbaserad analys, som tekniken blev populär bland fjärranalytiker världen över. KTH-SEG är ett program utvecklat på KTH Geoinformatik avdelning. KTH-SEG är utvecklat för att segmentera bilder inför objektbaserad analys. Dessutom utför programmet klassificering. I det här arbetet utförs objektbaserad förändrings analys över ett område i Shanghai. För att hitta de förändringar som har skett har två tillvägsgångssätt använts: dels har analys av bilder efter klassificeringen gjorts och dels har bilder som i sig själva skall visa den förändring som har skett skapats, så kallade förändringsbilder. Bildernas pålitlighet är utvärderad genom att använda ”maximum likelihood report” i programmet Geomatica. Segmentering och klassificering är gjort i programmet KTH-SEG, träningsområden och testområden är skapade i ArcGIS och förbehandling av bilder samt andra operationer är gjorda i Geomatica. KTH-SEG erbjuder många valmöjligheter för att påverka segmenteringsresultatet. Den är enkelt att använda och producerar tydliga klassificerade bilder som är användbara för analys. Resultatet utvärderas för att bestämma hur effektivt det är att använda objektbaserad förändrings analys av urbana områden och KTH-SEG utvärderas som ett segmenterings- och klassifikations verktyg. Resultaten visar att förändringsbilder ger ett sämre resultat än bilder som analyseras efter klassifikationen. Huruvida det dåliga resultatet på förändingsbilderna beror på andra omständigheter än tillvägagångssättet med objekt baserad klassifikation kan inte bestämmas. Mycket tyder dock på att det är valet av två bilder från olika satelliter som ger det dåliga resultatet.
| Identifer | oai:union.ndltd.org:UPSALLA1/oai:DiVA.org:kth-147249 |
| Date | January 2014 |
| Creators | Bergsjö, Joline |
| Publisher | KTH, Geodesi och geoinformatik |
| Source Sets | DiVA Archive at Upsalla University |
| Language | English |
| Detected Language | Swedish |
| Type | Student thesis, info:eu-repo/semantics/bachelorThesis, text |
| Format | application/pdf |
| Rights | info:eu-repo/semantics/openAccess |
| Relation | SoM EX KAND ; 2014-21 |
Page generated in 0.002 seconds