Ocena możliwości wykorzystania tekstury w rozpoznaniu podstawowych klas pokrycia terenu na zdjęciach satelitarnych różnej rozdzielczości

• Autorzy: Lewiński S. , Aleksandrowicz S.

Warianty tytułu

EN

Evaluation of usability of texture in identifying basic land cover classes on the satellite images of different resolutions

• Języki publikacji: PL

Abstrakty

PL

Podjęto próbę prześledzenia możliwości podziału treści zdjęcia, stosowanego w klasyfikacji obiektowej, na dwie podstawowe klasy związane z „niskimi” i „wysokimi” wartościami tekstury w funkcji rożnej rozdzielczości zdjęć. Na podstawie kanału panchromatycznego zdjęcia KOMPSAT-2 o rozdzielczości 1 m przygotowano zestaw danych o rozdzielczości 1, 2, 4, 8, 16, 32 i 64 m. Następnie przetworzono je wybranymi funkcjami tekstury, które wykorzystywane są w toku klasyfikacji obiektowej: filtr Sobel, filtr Laplacian, suma filtrów Sigma, przekształcenie PanBF oraz funkcje Haralick’a: korelacja, homogeniczność i entropia. Na ich podstawie wykonano analizę rozróżnialności czterech podstawowych klas pokrycia terenu: tereny zabudowane, lasy, pola uprawne i woda. Dla każdej rozdzielczości i przekształcenia obliczono odległość Bhattacharya oraz odległość Jeffries-Matusita (J-M). Założono, że dwie klasy są dobrze rozróżnialne jeżeli wartość J-M jest większa od 1.7. Uzyskane wyniki w postaci odległości J-M przedstawione są w tabelach 1-7. W przypadku wszystkich siedmiu przekształceń najlepsze wyniki rozróżnialności klas zaobserwowano na zdjęciach o największej rozdzielczości. Natomiast wyraźne pogorszenie rozróżnialności nastąpiło w przypadku zdjęć o rozdzielczości 8 m i mniejszej. Zdecydowanie najlepsze wyniki uzyskano na podstawie przekształceń wykonanych filtrem Laplacian, a następnie Sobel, Sigma oraz przekształceniem PanBF. W porównaniu z nimi przydatność funkcji Haralick’a do podziału treści zdjęcia na dwie klasy tekstury okazała się zdecydowanie mniejsza. Przedstawione wyniki znajdują praktyczne zastosowanie w pracach nad doborem odpowiednich algorytmów klasyfikacyjnych zdjęć satelitarnych o bardzo wysokiej, wysokiej a także średniej rozdzielczości.

EN

An attempt was made to trace the possibility of division of the content of satellite images into two basic classes associated with the "low" and "high" values of the texture. This classification approach is applied during object-oriented classification and results are dependent on spatial resolution. On the basis of panchromatic channel of KOMPSAT-2 image of 1m resolution a data set with a resolution of 1, 2, 4, 8, 16, 32 and 64 m were prepared. Then images were processed using selected texture functions: Sobel, Laplacian and Sigma filters, transformation PanBF as well as Haralick functions: correlation, homogeneity and entropy. On the basis of texture images an analysis of discrimination of four basic land cover classes has been done: built-up areas, forests, agriculture areas and water. These classes were selected because built-up areas and forest belong to “high” texture and remaining two are usually represented by “low” values of texture. For each texture image form using different functions and spatial resolution, Bhattacharya distance and next Jeffries-Matusita (J-M) distance between land cover classes were calculated. Results are presented in tables 1, 2, 3, 4, 5, 6 and 7. They also include J-M distance between “low” and “high” texture. It was assumed that two classes are well seperated if the value of J-M distance is over 1.7. In the case of all seven texture transformations the best results of class discrimination were observed for images with the highest resolution. Distinct deterioration of discrimination between “low” and “high” texture took place in the case of images with a resolution of 8 m or less. By far the highest J-M values were obtained on the basis of Laplacian filter and next using Sigma filter, PanBF and the Sobel filter. In comparison usefulness of the Haralick function has proved much less. The presented results could be practically applied in the work on classification algorithms of very high, high and medium resolution satellite images.

Słowa kluczowe

PL

klasyfikacja obiektowa; OBIA; tekstura

EN

object-oriented classification; OBIA; texture

• Wydawca: Zarząd Główny Stowarzyszenia Geodetów Polskich
• Czasopismo: Archiwum Fotogrametrii, Kartografii i Teledetekcji
• Rocznik: 2012
• Tom: Vol. 23
• Strony: 229--237
• Opis fizyczny: Bibliogr. 15 poz.

Twórcy

autor

Lewiński S.

• Centrum Badań Kosmicznych PAN, Zespół Obserwacji Ziemi, telefon: [phone] fax: [phone]

autor

Aleksandrowicz S.

• Centrum Badań Kosmicznych PAN, Zespół Obserwacji Ziemi, telefon: [phone] fax: [phone]

Bibliografia

• 1. Corcoran P., A Winstanley A., 2008. Using texture to tackle the problem of scale in land-cover classification. ObjectBased Image Analysis (2008), Publisher: Springer, Pages: 113–132.
• 2. de Kok R., Wężyk P., 2008. Principles of full autonomy in image interpretation. The basic architectural design for a sequential process with image objects. In: Object-Based Image Analysis. Blaschke Th., Lang S., Hay G.J. (Eds). Series: Lecture Notes in Geoinformation and Cartography. Springer Berlin Heidelberg, ISSN: 1863-2246, pp. 697–710.
• 3. de Kok R., 2010. An object based approach on the detection of landscape features in the Czech Republic. Geomatics in support of the Common Agricultural Policy, Proceedings of the 16th GeoCAP Annual Conference, Bergamo 24th–26th Nov 2010, p. 27–31.
• 4. Gong P., Marceau D. J., Howarth P. J., 1992. A comparison of spatial feature extraction algorithms for land-use classification with SPOT HRV data. Remote sensing of environment, vol. 40, p. 137–151.
• 5. Haralick R. M., Shanmugan K., Dinstein I., 1973. Textural Features for Image Classification. IEEE Transactions on Systems, Man and Cybernetics, Vol. SMC-3, No.6. pp. 610–621.
• 6. Jensen J.R., 1996. Introductory digital image processing, a remote sensing perspective. Second edition. Prentice Hall, Upper Saddle River, New Jersey.
• 7. Jensen J.R., Toll D.L., 1982. Detecting residential Land use development at the urban fringe. Photogrammetric Engineering & remote Sensing, vol. 48, p. 629–643.
• 8. Lewiński St., Bochenek B., 2008. Rule-based classification of SPOT imagery using objectoriented approach for detailed land cover mapping. Proceedings of the 28th EARSeL Symposium "Remote sensing for a changing Europe", Istanbul, Turkey, 2–5 June 2008, pp. 197–204.
• 9. Lewiński St., Bochenek Z., Turlej K., 2010. Application of object-oriented method for classification of VHR satellite images using rule-based approach and texture measures. Geoinformation Issues, Vol. 2, No 1 (2).
• 10. De Martinao, M.; Causa, F.; Serpico, S.B., 2003. Classification of optical high resolution images in urban environment using spectral and textural information. Geoscience and Remote Sensing Symposium, 2003. IGARSS '03. Proceedings. 2003 IEEE International, vol. 6.
• 11. Morales, D.I. Moctezuma, M. Parmiggiani, F., 2003. Urban and non urban area classification by texture characteristics and data fusion. Geoscience and Remote Sensing Symposium, 2003. IGARSS '03. Proceedings. 2003 IEEE International, vol. 6.
• 12. Mumby P. J., Edwards A. J., 2002. Mapping marine environments with IKONOS imagery: enhanced spatial resolution can deliver greater thematic accuracy, Remote Sensing of Environment, vol. 82, p. 248–257.
• 13. van der Sander J.J., Hoekman D.H., 2005. Review of relationships between gray-tone cooccurrence, semivariance, and autocorrelation based image texture analysis approaches. Canadian Journal of Remote Sensing, vol.31, No. 3, pp. 207–213.
• 14. Tiede D., Lang S., Hölbling D., Füreder P., 2010. Transferability of OBIA rule sets for IDP camp analysis in Darfur. Ed. E.A. Addink and F.M.B. Van Coillie, GEOBIA 2010, Geographic Object-Based Image Analysis, Ghent, Belgium, 29 June – 2 July.
• 15. Wang Y. W., Wang Y. F., Xue Y., Gao W., 2003. A new algorithm for remotely sensed image texture classification and segmentation. Geoscience and Remote Sensing Symposium, 2003. IGARSS '03. Proceedings. 2003 IEEE International, vol. 6.