Multifraktalna analiza zobrazowań satelitarnych

• Autorzy: Wawrzaszek A. , Krupiński M. , Drzewiecki W. , Aleksandrowicz S.

Identyfikatory

DOI

10.14681/afkit.2015.012

Warianty tytułu

EN

Multifractal analysis of satellite images

• Języki publikacji: PL

Abstrakty

PL

Przedstawione prace badawcze dotyczyły oceny skuteczności stosowania opisu multifraktalnego jako narzędzia do wydobywania informacji z bardzo wysokorozdzielczych zobrazowań satelitarnych, prezentujących głównie obszary Polski. Przeanalizowano duże zestawy danych panchromatycznych, zarejestrowanych przez satelity WorldView-2 i EROS-A. Wyniki analiz potwierdziły wyższość multifraktali jako globalnych charakterystyk zobrazowań nad standardowym opisem fraktalnym, a także użyteczność stosowania parametrów multifraktalnych jako charakterystyk w klasyfikacji zdjęć satelitarnych przy użyciu klasyfikacyjnych drzew decyzyjnych. Porównano również cechy multifraktalne z szeroko stosowanymi parametrami teksturalnymi w kontekście skuteczności klasyfikacji zdjęć satelitarnych i przeanalizowano wpływ filtracji na wyznaczane charakterystyki multifraktalne, w szczególności w kontekście poprawy skuteczności klasyfikacji. Przeprowadzono również wstępne badania dotyczące możliwości wykorzystania fraktali w analizach lotniczych danych hiperspektralnych. Przeprowadzone analizy wykazały użyteczność multifraktali w wielu obszarach badań teledetekcyjnych, a wypracowana metodologia może być z powodzeniem dalej rozwijana i stosowana do bardziej ukierunkowanych zadań, takich jak analiza zmian lub ocena przydatności kanałów spektralnych.

EN

Research presented in this paper is focused on the efficiency assessment of multifractal description as a tool for Image Information Mining. Large datasets of very high spatial resolution satellite images (WorldView-2 and EROS-A) have been analysed. The results have confirmed the superiority of multifractals as global image descriptors in comparison to monofractals. Moreover, their usefulness in image classification by using decision trees classifiers was confirmed, also in comparison with textural features. Filtration process preceding fractal and multifractal features estimations was also proved to improve classification results. Additionally, airborne hyperspectral data have been initially analysed. Fractal dimension shows high potential for the description of hyperspectral data. To summarise all conducted tests indicate the usefulness of multifractal formalism in various aspects of remote sensing. Prepared methodology can be further developed and used for more specific tasks, for example in change detection or in the description of hyperspectal data complexity.

Słowa kluczowe

PL

obraz satelitarny; obraz lotniczy; wymiar fraktalny; multifraktalność; klasyfikacja

EN

satellite image; aerial image; fractal dimension; multifractality; classification

• Wydawca: Zarząd Główny Stowarzyszenia Geodetów Polskich
• Czasopismo: Archiwum Fotogrametrii, Kartografii i Teledetekcji
• Rocznik: 2015
• Tom: Vol. 27
• Strony: 163--173
• Opis fizyczny: Bibliogr. 20 poz.

Twórcy

autor

Wawrzaszek A.

• Centrum Badań Kosmicznych Polskiej Akademii Nauk, Warszawa

autor

Krupiński M.

• Centrum Badań Kosmicznych Polskiej Akademii Nauk, Warszawa

autor

Drzewiecki W.

• AGH w Krakowie, Wydział Geodezji Gorniczej i Inżynierii Środowiska, Katedra Geoinformacji, Fotogrametrii i Teledetekcji Środowiska

autor

Aleksandrowicz S.

• Centrum Badań Kosmicznych Polskiej Akademii Nauk, Warszawa

Bibliografia

• Chaudhuri B.B., Sarkar N.,1995. Texture segmentation using fractal dimension, Pattern Analysis and Machine Intelligence, IEEE Transactions on 17(1), s. 72–77.
• De Cola L., (1993). Multifractals in image processing and process imaging. Fractals in Geography, N.S.-N. Lam, L. De Cola (Eds), New Jersey: Prentice Hall, s. 282–304.
• Drzewiecki W., Wawrzaszek A., Aleksandrowicz S., Krupiński M., 2012, Initial evaluation of the applicability of multifractal measures as global content-based image descriptors, Proc. of ESA-EUSC-JRC 8th Conference on Image Information Mining,DLR, 2012, DOI: 10.2788/49465.
• Drzewiecki W., Wawrzaszek A., Aleksandrowicz S., Krupinski M., Bernat K., 2013a, Comparison of selected textural features as global content-based descriptors of VHR satellite image. Geoscience and Remote Sensing Symposium (IGARSS), 2013 IEEE International.
• Drzewiecki W., Wawrzaszek A., Krupiński M., Aleksandrowicz S., Bernat K., 2013b, Comparison of selected textural features as global content-based descriptors of VHR satellite image – the EROS-A study. 2013 Federated Conference on Computer Science and Information.
• Frigge M., Hoaglin D. C., Iglewicz B., 1989, Some implementations of the boxplot, The American Statistician, vol. 43, no. 1, s. 50–54.
• Halsey, T.C., Jensen, M.H., Kadanoff, L.P., Procaccia, I.,Shraiman, B.I., 1986: Fractal measures and their singularities: The characterization of strange sets. – Physical Review A 33 (2), s. 1141–1151.
• Krupiński M., Wawrzaszek A., Drzewiecki W., Aleksandrowicz S., 2014. Usefulness of the fractal dimension in the context of hyperspectral data description, 14th International Multidisciplinary Scientific GeoConference SGEM 2014, www.sgem.org, SGEM2014 Conference Proceedings, ISBN 978-619-7105-12-4 / ISSN 1314-2704, June 19-25, 2014, Book 2, Vol. 3, s. 367-374.
• Mandelbrot B., 1982, The Fractal Geometry of Nature. – Freeman, New York, NY, USA.
• Nussbaum S., Niemeyer I., Canty M. J., 2006. SEATH – A new tool for automated feature extraction in the context of object-oriented image analysis. – 1st International Conference on Object- based Image Analysis (OBIA 2006). The International Archives of the Photogrammetry. – Remote Sensing and Spatial Information Sciences XXXVIII-4/C42.
• Perfect E., Tarquis A. M., Bird N. R. A., 2009. Accuracy of generalized dimensions estimated from grayscale images using the method of moments, Fractals, Vol. 17, No. 3, s. 351-363.
• Pyka K., Drzewiecki W., Bernat K., Wawrzaszek A., Krupiński M., 2014. Usefulness of wavelet-based features as global descriptors of VHR satellite images. Proc. SPIE 9244, Image and Signal Processing for Remote Sensing XX, 92441D (October 13, 2014).
• Quinlan J.R., 1993. C4.5: Programs for Machine Learning, Morgan Kaufmann, San Mateo.
• Sarkar, N., Chaudhuri B.B., 1995. An efficient differential box-counting approach to compute fractal dimension of image, IEEE Transactions on Systems, Man and Cybernetics 24, s. 115-120.
• Smeulders, A. W. M., M. Worring, S. Santini, A. Gupta, Jain R., 2000. Content-Based Image Retrieval at the End of the Early Years, IEEE Transactions on Pattern Analysis and Machine Intelligence, 22(12), s. 1349-1380.
• Sun W., Xu G., Gong P., Liang S., (2006). Fractal analysis of remotely sensed images: A review of methods and applications. International Journal of Remote Sensing, Vol. 27, No. 22, s. 4963-4990.
• Swain P.H. Davis S.M., 1978, Remote sensing: The quantitative approach. – McGrawHill, Whitby, ON, Canada.
• Wawrzaszek A., Krupiński M., Aleksandrowicz S., Drzewiecki W., 2013a. Formalizm multifraktalny w analizie zobrazowań satelitarnych, Archiwum Fotogrametrii, Kartografii i Teledetekcji, 25, s. 261 – 272.
• Wawrzaszek A., Krupiński M., Aleksandrowicz S., Drzewiecki W., 2013b, Fractal and multifractal characteristics of very high resolution satellite images, Proc. of IGARRS 2013, http://dx.doi.org/10.1109/IGARSS.2013.6723071.
• Wawrzaszek A., Aleksandrowicz S., Krupiński M., Drzewiecki W., 2014, Influence of Image Filtering on Land Cover Classification when using Fractal and Multifractal Features. PFG Photogrammetrie, Fernerkundung, Geoinformation Jahrgang Heft 2 (2014), s. 101-115, doi: 10.1127/1432-8364/2014/0212.