Einführung in die Erweiterung Image Analyst für ArcGIS Pro

Mit der Image Analyst-Lizenz verfügbar.

Die Erweiterung ArcGIS Image Analyst bietet Funktionen und Werkzeuge für Bild- und Geodatenanalysten mit den folgenden Arbeitsgebieten:

  • Bildinterpretation und -erkundung
  • Erstellung von Informationsprodukten aus Bilddaten
  • Erweiterte Feature-Interpolation und Messungen aus Bilddaten
  • Detaillierte Feature-Zusammenstellung und Messung aus Stereobilddaten
  • Erweiterte Raster-Analyse- und Bildanalyse-Workflows für maschinelles Lernen und Feature-Extraktion

Bildanalysten extrahieren mit manuellen und computergestützten Methoden Daten und Informationen aus Bildern. Die Erweiterung Image Analyst bietet erweiterte Funktionen, die beide Methoden der Bilderkundung unterstützen.

Zu den Anwendungen für die manuelle Bildinterpretation zählen die Stereokartenerstellung, die Bildraumanalyse und Full Motion Video (FMV). Diese Anwendungen unterstützen das Erfassen von 2D- und 3D-Feature-Daten mit Standardwerkzeugen für die Feature-Erstellung und -Bearbeitung, das Speichern von Feature-Class-Daten in einer Geodatabase oder als Dateien, und ihre Freigabe in ArcGIS Enterprise.

Die computergestützte Bilderkundung umfasst erweiterte Klassifizierung sowie eine Reihe von Raster-Funktionen und Geoverarbeitungswerkzeugen. Die Funktionen und Werkzeuge können mithilfe von Raster-Funktionen bzw. Vorlagen und Modellen in benutzerdefinierten Algorithmen verkettet werden. Diese Verarbeitungsketten können auf dem Desktop oder in verteilten Verarbeitungsumgebungen in ArcGIS Enterprise lokal oder über ein Portal bereitgestellt werden.

Die Funktionen und Werkzeuge für die erweiterte Bildanalyse erfordern die Erweiterung Image Analyst.

Funktionen

Die in der Erweiterung Image Analyst bereitgestellten Funktionen und Werkzeuge sind für Bildanalysten vorgesehen, die manuelle Vorgänge der Bildinterpretation, erweiterten Fernerkundung und halbautomatischen Feature-Extraktion für die Bildbearbeitung durchführen. Diese Bilderkundungsaktivitäten sind in die folgenden funktionalen Kategorien eingeteilt:

  • Perspektivischen Bilddaten : Arbeiten mit Bilddaten in Schrägprojektion in einem Modus mit natürlicher Perspektive zur Unterstützung von Bildinterpretationsanwendungen.
  • Bildklassifizierung und Mustererkennung: ArcGIS-Geoverarbeitungs-Toolset zum Suchen, Identifizieren und Quantifizieren von Mustern in Bilddaten. Durchführen von objektbasierten und traditionellen Bildanalysen mit Werkzeugen und Funktionen für die Bildsegmentierung, Klassifizierung und Regressionsanalyse.
  • Deep Learning: Erkennung von Bild-Features mit Deep-Learning-Verfahren.
  • Änderungserkennung: Vergleichen mehrerer Bilder oder Raster, um den Typ, den Betrag oder die Richtung der Änderung zwischen Daten zu ermitteln.
  • Multidimensionale Analyse: Durchführen komplexer Analysen für multidimensionale Raster-Daten, um wissenschaftliche Trends und Abweichungen zu erkunden.
  • Pixeleditor: Bearbeiten von einzelnen Pixeln und Objekten, Gruppen von Pixeln und Objekten und Regionen in Raster- und Bilddaten.
  • Stereokartenerstellung: Visualisieren von Bilddaten und Erfassen von 3D-Feature-Daten in einer Umgebung für die Stereoanzeige.
  • Motion Imagery: Arbeiten Sie mit räumlich aktivierten Videodaten in Kombination mit GIS-Daten für eine zeitnahe und fundierte Entscheidungshilfe.
  • Raster-Funktionen: Durchführen von Echtzeit-Raster-Analysen und -Bildbearbeitung für eine umfassende Sammlung von Fernerkundungsdatentypen und ggf. Speichern der Ergebnisse. Sie können Raster-Funktionsketten erstellen und auf dem Desktop oder in verteilten Verarbeitungs- und Speicherumgebungen lokal oder in der Cloud bereitstellen.
  • Geoverarbeitungswerkzeuge: Durchführen von Fernerkundungsanalysen und Bildbearbeitung mit einzelnen Werkzeugen. Die Erstellung und Bereitstellung kann in Verarbeitungsmodellen lokal auf dem Desktop oder in verteilten Verarbeitungs- und Speicherumgebungen lokal oder in der Cloud erfolgen.

Diese Funktionen und Werkzeuge werden im Folgenden ausführlicher beschrieben.

Perspektivische Bildanalyse

Bilddaten werden häufig in signifikanten Winkeln erfasst. Diese Daten werden als Schrägluft-Bilddaten bezeichnet. Dieser Vorgang ist sinnvoll, um Informationen zu Features zu ermitteln, beispielsweise Gebäude, Brücken, Masten und andere technische Infrastruktur, die sich nicht aus vertikalen Bilddaten ermitteln lassen. Satellitenbilddaten werden häufig mit Winkeln größer als 15 Grad Off-Nadir erfasst, wie bei Luft- und Drohnenbildern. Das Anzeigen von Schrägluft-Bilddaten in einem Kartenprojektionssystem bewirkt, dass Gebäude und andere Boden-Features in verschiedene wechselnde Richtungen geneigt zu sein scheinen. Dies erschwert die Interpretation von Schrägluft-Bilddaten. Sie können auch starke Verzerrungen aufweisen, wenn sie für die Anpassung an das Kartenprojektionssystem korrigiert werden.

ArcGIS Pro ermöglicht das Anzeigen und Verwenden von Schrägluft-Bilddaten im Perspektivmodus. Die Daten werden so angezeigt, dass Gebäude und Features vertikal in Richtung Oberseite der Anzeige ausgerichtet sind. Dadurch sind bessere Anwendungen zur Bildinterpretation möglich. Im Perspektivmodus werden Bilder über ein Bildkoordinatensystem (ICS) im Bildraum (in Spalten und Zeilen) anstatt im Kartenraum (in einem Kartenprojektionssystem) angezeigt. Das ICS vereinfacht die nahtlose Transformation zwischen Bildraum und Kartenraum und ermöglicht die ordnungsgemäße Registrierung zusätzlicher Bild- und GIS-Layer in den Bilddaten. Das ICS verwendet die Metadaten, in denen Bildausrichtungs- und Positionsinformationen enthalten sind, zusammen mit anderen relevanten Informationen darüber, wie und wann das Bild erfasst wurde, um die Transformation zwischen Bild- und Kartenraum zu unterstützen. Die Aktivierung von Bilddaten im Bildraum in der Kartenansicht wird als Perspektivmodus bezeichnet.

Schrägluft-Bilddaten im Kartenraum und im Perspektivmodus
Schrägluft-Bilddaten sind in einem Kartenprojektionssystem und im Perspektivmodus dargestellt.

Schrägluft-Bilddaten enthalten Informationen, die bei vertikalen Bilddaten nicht zur Verfügung stehen, zum Beispiel: Gebäudefassaden, Ein- und Ausgangspunkte sowie Profile für Features und Objekte. Im Perspektivmodus angezeigte Schrägluft-Bilddaten sind für manuelle Bildinterpretationsanwendungen und zum Erfassen und Aufzeichnen von Informationen zu solchen Features hilfreich. Eine wichtige Funktion der Schrägluft-Bilddaten besteht in ihrer Fähigkeit, Features im Bildraum zu erstellen und zu bearbeiten und sie in einer gewünschten Kartenprojektion zu speichern. Zudem können Features im Perspektivmodus interaktiv gemessen werden, und die Anzeige und Aufzeichnung der Ergebnisse erfolgt in Einheiten Ihrer Wahl.

Bildklassifizierung und Mustererkennung

Die Bildklassifizierung ist eine der effektivsten und effizientesten Methoden zum Transformieren kontinuierlicher Bilddaten in Kategoriedaten und -informationen für die Bestandserfassung und Verwaltung von Objekten und Landeinheiten. Bei dieser computergestützten Verarbeitung von Bilddaten initiiert der Bildanalyst Schritte und Verfahren für eine Klassifizierungsmethode, und die erforderlichen Berechnungen erfolgen durch den Computer. Der Analyst greift in kritischen Augenblicken ein, um Entscheidungen zu treffen, die den Typ und die Merkmale der Klassifizierungsergebnisse bestimmen.

Es werden zwei Haupttypen von Klassifizierungsmethoden unterstützt: objektorientierte Klassifizierung und pixelbasierte Klassifizierung. Die objektorientierte Klassifizierung basiert auf eine Segmentierung des Bildes. Dabei werden benachbarte Pixel mit ähnlichen multispektralen oder spektralen Eigenschaften zu Objekten zusammengefasst. Diese Objekte, die auch als Superpixel bezeichnet werden, stellen partielle oder vollständige Features dar und werden mit vielfältigen Klassifikatoren zu einer Klassenkarte verarbeitet. Die pixelbasierte Klassifizierung erfolgt auf ähnliche Weise: Pixel werden in Kategorien klassifiziert, die vom Analysten definiert wurden.

Die unterstützten Klassifikatoren umfassen herkömmliche und moderne Machine-Learning-Methoden. Die herkömmlichen Klassifikatoren basieren auf statistischen Methoden, z. B. unüberwachte ISO-Cluster-Klassifizierung und überwachte Maximum-Likelihood-Klassifizierung. Die modernen Klassifikatoren basieren auf fortgeschrittenen Machine-Learning-Methoden, einschließlich Random Trees, Support Vector Machine und Deep Learning.

Klassenkarte mit Legende

Nach der ersten Klassifizierung der Bilddaten wird die Genauigkeit bewertet, und die Klassenkarte wird verfeinert, um die Klassenkategorien oder Regionen in der Klassenkarte iterativ zu korrigieren. Die Genauigkeitsbewertung kann für die Eingabetrainingsdaten und die resultierende Klassenkartenausgabe durchgeführt werden.

Für die Klassifizierung sind i. d. R. mehrere Schritte erforderlich: vom ordnungsgemäßen Vorverarbeiten der Bilddaten, Zuweisen der Klassenkategorien und Erstellen relevanter Trainingsdaten bis zum Ausführen der Klassifizierung sowie Bewerten und Verbessern der Genauigkeit der Ergebnisse. Der Klassifizierungsassistent führt den Analysten durch den Klassifizierungs-Workflow und hilft, akzeptable Ergebnisse sicherzustellen.

Der Klassifizierungsassistent

Die Klassenkarte kann mit der zugeordneten Symbolisierung gespeichert oder in eine GIS-Vektordatei mit zugeordneter Attributtabelle konvertiert werden.

Anhand von nichtparametrischen Regressionsanalysewerkzeugen mit maschinellem Lernen wird die Beziehung zwischen unabhängigen Bändern in Bild- bzw. Raster-Daten und Referenzdaten (Überprüfungsdaten) modelliert. Mithilfe der Regressionsanalyse werden mit Feature-Classes verknüpfte Muster in Bilddaten ermittelt, während gleichzeitig das Vorkommen verschiedener Klassen in den Bilddaten vorhergesagt wird.

Deep Learning

Deep-Learning-Werkzeuge erkennen Features in Bilddaten, indem sie mehrere Layer in neuronalen Netzwerken verwenden. Dabei kann jeder Layer mindestens ein eindeutiges Feature im Bild extrahieren. Diese Werkzeuge nutzen zur zeitnahen Durchführung von Analysen die GPU-Verarbeitung.

In Bilddaten mithilfe von Deep-Learning-Werkzeugen ermittelte Palmen, die dann nach relativer Gesundheit klassifiziert wurden

Im Deep-Learning-Workflow werden zunächst mit dem Trainingsgebiet-Manager in ArcGIS Pro Trainingsgebiete für die relevanten Klassen ausgewählt. Die Trainingsgebiete werden beschriftet und in einem Deep-Learning-Framework wie TensorFlow, CNTK oder PyTorch zum Entwickeln des Deep-Learning-Modells verwendet. Das Modell wird dann in die Deep-Learning-Werkzeuge für die Klassifizierung oder Erkennung im Toolset "Deep Learning" eingegeben, um Informationen aus Bilddaten zu extrahieren.

Änderungserkennung

Die Änderungserkennung ist eine der grundlegenden Anwendungen in der Darstellung von Bilddaten und der Fernerkundung. Durch den Vergleich mehrerer Raster-Datasets, die üblicherweise zu unterschiedlichen Zeitpunkten für einen Bereich erfasst werden, wird der Typ, das Ausmaß und die Position der Änderung ermittelt. Änderungen können aufgrund von anthropogener Aktivität, abrupt auftretenden natürlichen Störungen oder langfristigen klimatischen oder ökologischen Tendenzen auftreten.

Sie können mit der Änderungserkennung in ArcGIS Pro Veränderungen zwischen mehreren kategorisierten Raster-Datasets, z. B. Bodenbedeckung, oder mehreren kontinuierlichen Datasets, z. B. Temperatur oder Multiband-Bilddaten, erkennen. Sie können mithilfe von Multiband-Bilddaten den Unterschied der Spektralreflexion eines Features zwischen zwei Daten berechnen, oder Sie können vor dem Vergleichen der Ergebnisse einen Bandindex berechnen.

Der Assistent "Änderungserkennung" führt Sie durch drei verschiedene Workflows für die Änderungserkennung. Das Toolset Änderungserkennung enthält ein Werkzeug, das die Erkennung von kategorischen Änderungen und Pixelwertänderungen unterstützt. Das Toolset Multidimensionale Analyse enthält zusätzliche Werkzeuge für die Änderungserkennung entlang einer Zeitserie von Bildern.

Erkennung von Änderungen zwischen zwei kategorisierten Rastern

Multidimensionale Analyse

Mit den Werkzeugen und Funktionen der multidimensionalen Analyse können Sie komplexe Analysen für multidimensionale Raster-Daten durchführen und visualisieren, um wissenschaftliche Trends und Abweichungen zu erkunden. Multidimensionale Daten stellen räumliche Daten dar, die zu mehreren Zeitpunkten und in mehreren Tiefen oder Höhen erfasst werden. Diese Datentypen werden im Allgemeinen in der Atmosphärenforschung, Ozeanografie und Geowissenschaft verwendet. Multidimensionale Raster-Daten können durch Satellitenbeobachtungen erfasst werden, wobei die Erfassung der Daten in bestimmten Zeitintervallen erfolgt. Sie lassen sich auch über numerische Modelle generieren, wobei Daten aus anderen Datenquellen aggregiert, interpoliert oder simuliert werden.

Durch das Hinzufügen eines multidimensionalen Raster-Layers zur Kartenansicht können Sie Ihre Variablen in einer Datei anzeigen oder überprüfen. Die Registerkarte Multidimensional ist aktiviert und bietet Funktionen zum Verwalten, Visualisieren und Verarbeiten multidimensionaler Raster-Daten und Veröffentlichen der Ergebnisse als Web-Service.

Zeitserienanalyse der Meeresoberflächentemperatur in einem multidimensionalen Raster

Pixeleditor

Der Pixeleditor bietet eine Palette an Werkzeugen zur interaktiven Bearbeitung von Pixelwerten für Raster- und Bilddaten. Sie können mit ihm einzelne Pixel und Objekten, Gruppen von Pixeln und Objekten und Regionen in Raster- und Bilddaten bearbeiten. Welche Typen von Operationen Sie durchführen können, hängt vom Datenquellentyp des Raster-Datasets ab.

Mit den Werkzeugen des Pixeleditors können Sie veschiedene Bearbeitungsaufgaben für Raster-Datasets durchführen:

Bild mit Wolke
Durch Bilddaten ersetzte Wolke

Stereokartenerstellung

Mit der Funktion "Stereokartenerstellung" können Sie 3D-Feature-Daten in einem System für die Stereoanzeige und -kartenerstellung zusammenstellen. Mit dieser Funktion können Sie Bilddaten visuell analysieren und interessante Features ganz exakt erfassen.

Die Funktion zur Stereokartenerstellung in Image Analyst umfasst einen Stereokarten-Viewer, mit dem Stereobildpaare von Satelliten-, Luftbild- und Drohnensensorplattformen angezeigt und bearbeitet werden können. Die Stereoanzeige unterstützt multispektrale, dreibändige und panchromatische Bilddaten, eine direkte Verstärkung der Bilddaten, das Überlagern von 3D-GIS-Daten und Stereobilddaten, das Vergrößern und freie Bewegen sowie weitere Bildanpassungen.

Der photogrammetrisch genaue 3D-Zeiger misst und erfasst Boden-Features direkt in Feature-Classes. Es werden zwei Typen von 3D-Brillen unterstützt: leichte aktive Shutter-Brille und Rot-Cyan-Anaglyphenbrille.

Die Registerkarte "Stereokarte"
Für das Erfassen von Feature-Daten eingerichtete Stereokartenerstellung

Die Registerkarte Stereokarte enthält Werkzeuge zum Einrichten, Verstärken und Verwalten von Stereomodellen sowie zum Überlagern von Vektor-GIS-Daten mit Stereobilddaten. Außerdem befinden sich dort Werkzeuge für die Messung der Boden-Features und ein Stereomodell-Manager. Dank der Standardwerkzeuge zur Feature-Erstellung und -Bearbeitung erfolgt die Zusammenstellung von 3D-Features zu Feature-Classes in einer intuitiven Benutzeroberfläche. Neu erstellte oder aktualisierte Features entsprechen Ihren vorhandenen Feature-Vorlagen, und ihre Topologie, Styles, Attribute und sonstigen Feature-Elementen bleiben beim Speichern erhalten.

Full Motion Video

Full Motion Video (FMV) bietet Funktionen für die Wiedergabe und räumliche Analyse FMV-kompatibler Videodaten. FMV-kompatibele Videodaten beziehen sich auf die Kombination eines Video-Streams und der zugehörigen Metadaten in einer Videodatei, sodass das Video einen räumlichen Bezug erhält. Dank dieser räumlich aktivierten Videodaten sowie der Rechenfunktionalität von ArcGIS Pro können Sie das Video unter Berücksichtigung der Sensordynamik und des sichtbaren Bereichs anzeigen und bearbeiten, und Sie können diese Informationen in der Kartenansicht anzeigen. Außerdem können Sie Feature-Daten entweder in der Video- oder in der Kartenansicht analysieren, erstellen und bearbeiten. Diese Funktionen sind mit Videodaten im Live-Streaming-Modus oder aus archivierten Videodaten verfügbar.

FMV-Player mit Video-Footprint und Sensorpfad mit Sichtwinkel, auf der Karte angezeigt

Wenn die erforderlichen Metadaten nicht in den Videodaten enthalten sind, kombiniert das Werkzeug Video-Multiplexer die Video- und Metadatendateien zu einer FMV-kompatiblen Datei. Wenn zudem ein Versatz zwischen dem Video und den Metadaten besteht, z. B. wenn der auf dem Boden angezeigte Videofootprint nicht mit den im Player angezeigten Bilddaten übereinstimmt, können Sie Anpassungen vornehmen, um sie zu synchronisieren.

Die FMV-Funktion ist für Situationsbewusstseins-Anwendungen hilfreich, z. B. für Katastrophenbewertung und -bewältigung. In FMV wird Deep Learning genutzt, um die Objektverfolgung im Videoplayer zu ermöglichen. In der Karte können GIS-Layer geladen sein, Video-Feeds aus mehreren Drohnen können in mehreren FMV-Playern gleichzeitig wiedergegeben werden, und Sie können die Video-Footprints auf der Karte anzeigen. Bewerten und erfassen Sie Features aus in Videos sichtbaren Schadens- oder Problemsituationen, und zeigen Sie diese Features zusammen mit GIS-Daten und -Informationen auf der Karte an. Durch die Integration der räumlichen Aspekte von FMV-kompatiblem Video mit GIS-Funktionen ermöglicht FMV fundierte Entscheidungshilfen in operativen Szenarien.

Raster-Funktionen

Bildanalysten und Fernerkundungsexperten entwickeln häufig eigene Bildbearbeitungsketten und -algorithmen für spezielle Anwendungen und Datasets und stellen sie bereit. Workflows sind zwar im Allgemeinen eindeutig definiert, jedoch müssen Analysten häufig Parametereinstellungen abhängig von physischen und atmosphärischen Eigenschaften sowie Umgebungs- und Dateneigenschaften anpassen und verfeinern. Raster-Funktionen bieten eine flexible und effektive Möglichkeit zum Entwickeln und Verfeinern von Bildbearbeitungs-Workflows.

Raster-Funktionen sind dynamische Vorgänge, die On-the-fly-Verarbeitung direkt auf die Bildpixel in der Anzeige anwenden. Die Bildbearbeitungsergebnisse werden unmittelbar angezeigt, wenn Sie die der Anzeige der Bilddaten schwenken, vergrößern oder verkleinern. Da keine Zwischen-Datasets erstellt werden, lassen sich die Prozesse und Anpassungen der Verarbeitungsparameter schnell anwenden. Die Ergebnisse werden nicht standardmäßig in einer Datei auf der Festplatte gespeichert.

Raster-Funktionen können in Funktionsketten kombiniert werden, die sich mit dem Funktions-Editor als Raster-Funktionsvorlagen speichern lassen. Raster-Funktionsvorlagen können auch als Verarbeitungsvorlagen in Ihrer ArcGIS Online-Organisation oder ArcGIS Enterprise-Bereitstellung freigegeben werden.

Mit der Erweiterung Image Analyst werden zahlreiche Raster-Funktionen bereitgestellt. In der folgenden Tabelle werden diese Funktionen entsprechend ihrer Funktionalität in Kategorien aufgegliedert. Innerhalb der Tabelle ist jede Funktion mit einer detaillierten Beschreibung verknüpft.

Image Analyst-Funktionskategorien

FunktionskategorieBeschreibung

Analyse

Verwenden Sie die Analysefunktionen, um multidimensionale Datasets und Bilddaten-Datasets zu analysieren.

Klassifizierung

Verwenden Sie die Segmentierungs- und Klassifizierungsfunktionen, um segmentierte Raster oder pixelbasierte Raster-Datasets für die Verwendung beim Erstellen von klassifizierten Raster-Datasets vorzubereiten.

Mathematik

Die allgemeinen mathematischen Funktionen wenden mathematische Funktionen auf die Eingabe-Raster an. Diese Werkzeuge lassen sich in mehrere Kategorien unterteilen. Die arithmetischen Werkzeuge führen grundlegende mathematische Operationen aus, z. B. Addition und Multiplikation. Es gibt Werkzeuge, die verschiedene Typen von Potenzierungsoperationen ausführen. Dazu gehören neben den grundlegenden Potenzoperationen auch Exponentialgrößen und Logarithmen. Die restlichen Werkzeuge werden entweder zur Vorzeichenkonvertierung oder zur Konvertierung zwischen ganzzahligen Datentypen und Gleitkommadatentypen verwendet.

Mathematik: Konditional

Konditionale mathematische Funktionen ermöglichen Ihnen die Steuerung der Ausgabewerte anhand der für die Eingabewerte geltenden Bedingungen. Es können zwei verschiedene Typen von Bedingungen angewendet werden: entweder Abfragen zu den Attributen oder eine Bedingung, die auf der Position der bedingten Anweisung in einer Liste beruht.

Mathematik: Logisch

Die logischen mathematischen Funktionen werten die Werte der Eingaben aus und bestimmen die Ausgabewerte auf der Grundlage boolescher Logik. Diese Funktionen verarbeiten Raster-Datasets in fünf Hauptbereichen: bitweise, boolesch, kombinatorisch, logisch und relational.

Mathematik: Trigonometrisch

Mit trigonometrischen mathematischen Funktionen können Sie verschiedene trigonometrische Berechnungen an den Werten in einem Eingabe-Raster durchführen.

Statistisch

Verwenden Sie die Statistikfunktionen, um statistische Raster-Operationen auf lokaler, Nachbarschafts- oder zonaler Basis auszuführen.

Geoverarbeitungswerkzeuge

Wie bereits erwähnt, entwickeln Bildanalysten und Fernerkundungsexperten häufig benutzerdefinierte Verarbeitungs-Workflows für bestimmte Anwendungen und stellen sie bereit. Diese Experten können Geoverarbeitungswerkzeuge in Geoverarbeitungsmodellen kombinieren, die Raster-Funktionsvorlagen (RFTs) ähneln. Der wichtigste Unterschied zwischen Geoverarbeitungsmodellen und RFTs besteht darin, dass die Ergebnisse eines Geoverarbeitungsmodells immer auf der Festplatte gespeichert werden. Modelle können ebenfalls für Mitglieder Ihres Unternehmens freigegeben und mit ArcGIS Enterprise in verteilten Verarbeitungsumgebungen lokal oder in der Cloud bereitgestellt werden.

Mit der Erweiterung Image Analyst werden zahlreiche Geoverarbeitungswerkzeuge bereitgestellt. In den folgenden Tabellen werden diese Werkzeuge entsprechend ihrer Funktionalität in Kategorien aufgegliedert. In der Tabelle ist jedes Werkzeug mit einer detaillierten Beschreibung verknüpft.

Geoverarbeitungs-Toolsets in Image Analyst

ToolsetBeschreibung

Änderungserkennung

Das Toolset "Änderungserkennung" enthält Werkzeuge zur Erkennung von Änderungen zwischen Raster-Datasets.

Deep Learning

Verwenden Sie die Deep-Learning-Werkzeuge, um Objekte zu ermitteln oder Bilddaten zu klassifizieren.

Extraktion

Mit dem Toolset "Extraktion" können Sie eine Teilmenge von Pixeln aus einem Raster extrahieren, entweder anhand ihrer Attribute oder anhand ihrer räumlichen Position.

Map Algebra

Map Algebra ist eine Möglichkeit, durch das Erstellen von Ausdrücken in einer algebraischen Sprache eine räumliche Analyse durchzuführen. Mit dem Werkzeug Raster berechnen können Sie Map Algebra-Ausdrücke erstellen und ausführen, die ein Raster-Dataset ausgeben.

Mathematik (allgemein)

Die allgemeinen mathematischen Werkzeuge wenden eine mathematische Funktion auf die Eingabe an. Diese Werkzeuge lassen sich in mehrere Kategorien unterteilen. Die arithmetischen Werkzeuge führen grundlegende mathematische Operationen aus, z. B. Addition und Multiplikation. Es gibt Werkzeuge, die verschiedene Typen von Potenzierungsoperationen ausführen. Dazu gehören neben den grundlegenden Potenzoperationen auch Exponentialgrößen und Logarithmen. Die restlichen Werkzeuge werden entweder zur Vorzeichenkonvertierung oder zur Konvertierung zwischen ganzzahligen Datentypen und Gleitkommadatentypen verwendet.

Mathematik: Konditional

Die konditionalen mathematischen Werkzeuge für Bedingungsfunktionen ermöglichen Ihnen die Steuerung der Ausgabewerte anhand der für die Eingabewerte geltenden Bedingungen. Es können zwei verschiedene Typen von Bedingungen angewendet werden: entweder Abfragen zu den Attributen oder eine Bedingung, die auf der Position der bedingten Anweisung in einer Liste beruht.

Mathematik (Logisch)

Die logischen mathematischen Werkzeuge werten die Werte der Eingaben aus und bestimmen die Ausgabewerte auf der Grundlage boolescher Logik. Die Werkzeuge werden in fünf Hauptkategorien untergliedert: bitwise, boolesch, kombinatorisch, logisch und relational.

Mathematik (Trigonometrisch)

Mit den trigonometrischen mathematischen Werkzeugen können Sie verschiedene trigonometrische Berechnungen an den Werten in einem Eingabe-Raster durchführen.

Motion Imagery

Das Toolset "Motion Imagery" enthält Werkzeuge zur Verwaltung, Verarbeitung und Analyse von bewegten Bilddaten wie Full-Motion-Video-Daten.

Multidimensionale Analyse

Analysieren wissenschaftlicher Daten für mehrere Variablen und Dimensionen

Überlagerung

Mit den Überlagerungswerkzeugen können Sie mehrere Raster überlagern und verschiedene Vorgänge für sie ausführen.

Toolset "Segmentierung und Klassifizierung"

Durchführen herkömmlicher oder moderner Bildklassifizierung durch maschinelles Lernen für segmentierte oder pixelbasierte Bilddaten.

Statistisch

Statistischen Werkzeuge, um statistische Operationen auf lokaler, Nachbarschafts- oder zonaler Basis auszuführen.

Verwandte Themen