PL EN


Preferencje help
Widoczny [Schowaj] Abstrakt
Liczba wyników
Tytuł artykułu

Analysis of the suitability of selected image types in a texture analysis of satellite imagery

Treść / Zawartość
Identyfikatory
Warianty tytułu
PL
Przydatność wybranych typów obrazów w analizie tekstury zdjęć satelitarnych
Języki publikacji
EN
Abstrakty
EN
The article presents studies on the impact of the source image type on the efficacy of image texture analysis in the terms of distinguishing classes of land use or land cover (LULC). Single gray-scale images are usually the inputs for this type of operation, however their selection is not unambiguous, especially in the case of multispectral images. Two very high resolution satellite images were used in the study: Pleiades (GSD: 2 m) and QuickBird (2.4 m). Five different input images were tested: the original near-infrared and red bands, the images of the first two main components, and the image of the normalised difference vegetation index - NDVI. Five LULC classes were compared to each other: bare soil, low vegetation, deciduous forests, coniferous forests and built-up areas. Granulometric analysis, as the one of the high efficient methods of texture analysis, was used for the test. Research results have shown that the choice of source image for this kind of processing can be very important for the efficacy of distinguishing between different LULC classes. NDVI images, and also the near infrared band and the first principal component were found most useful.
PL
Artykuł przedstawia badania dotyczące wpływu typu obrazu źródłowego na skuteczność analizy teksturowej obrazu z punktu widzenia wyodrębniania klas użytkowania lub pokrycia terenu (LULC). Tego typu operacjom poddawane są zazwyczaj pojedyncze obrazy w skali szarości, jednak ich wybór nie jest jednoznaczny, zwłaszcza w przypadku obrazów wielospektralnych. W badaniach wykorzystano dwa obrazy satelitarne o bardzo wysokiej rozdzielczości: Pleiades (GSD: 2 m) oraz QuickBird (2,4 m). Testowano pięć różnych obrazów wejściowych: oryginalne kanały bliskiej podczerwieni oraz czerwieni, obrazy dwóch pierwszych składowych głównych oraz obraz wskaźnika NDVI. Porównano wzajemnie pięć klas użytkowania lub pokrycia terenu: odkrytą glebę, niską roślinność, lasy liściaste, lasy iglaste oraz tereny zabudowane. Jako narzędzie testów wybrano analizę granulometryczną, jedną z metod analizy teksturowej o wysokiej skuteczności. Wyniki badań pokazały, że wybór obrazu źródłowego do przetworzeń może mieć bardzo duże znaczenie przy rozróżnianiu różnych klas użytkowania lub pokrycia terenu. Największą przydatnością cechowały się obrazy NDVI oraz kanału bliskiej podczerwieni i pierwszej składowej głównej.
Rocznik
Tom
Strony
27--34
Opis fizyczny
Bibliogr. 22 poz., rys., tab.
Twórcy
autor
  • Politechnika Warszawska, Wydział Geodezji i Kartografii Zakład Fotogrametrii, Teledetekcji i Systemów Informacji Przestrzennej Pl. Politechniki 1 00-661 Warszawa
autor
  • Politechnika Warszawska, Wydział Geodezji i Kartografii Zakład Fotogrametrii, Teledetekcji i Systemów Informacji Przestrzennej Pl. Politechniki 1 00-661 Warszawa
Bibliografia
  • Bekkari A., Idbraim S., Elhassouny A., Mammass D., El Yassa M., Ducrot D., 2012, SVM and Haralick Features for Classification of High Resolution Satellite Images from Urban Areas, [in:] Elmoataz A., Mammass D., Lezoray O., Nouboud F., Aboutajdine D. (Eds.), ICISP 2012, Springer, Berlin/Heidelberg, Germany, 17-26.
  • Conners R.W., Harlow C.A., 1980, A Theoretical Comaprison of Texture Algorithms, IEEE Trans. Pattern Anal. Mach. Intell 2, 204-222.
  • Darling E.M., Joseph R.D., 1968, Pattern recognition from satellites altitudes, IEEE Trans. Syst. Man Cybern. 4, 30-47.
  • Dougherty E.R., Pelz J.B., Sand F., Lent A., 1992, Morphological Image Segmentation by Local Granulometric Size Distributions, Journal of Electronic Imaging 1(1), 46-60.
  • Haas A., Matheron G., Serra J., 1967, Morphologie Mathématique et granulométries en place, Annales des Mines 12, 768-782.
  • Haralick R.M., Shanmugam K., Dinstein I., 1973, Textural Features for Image Classification, IEEE Trans. Syst. Man Cybern 4, 610-621.
  • Julesz B., 1962, Visual pattern discrimination, IRE Transactions on Information Theory 8(2), 84-92.
  • Kupidura P., Koza P., Marciniak J., 2010, Morfologia matematyczna w teledetekcji, Wydawnictwo Naukowe PWN, Warszawa, 1-250.
  • Kupidura P., 2015, Wykorzystanie granulometrii obrazowej w klasyfikacji treści zdjęć satelitarnych, Prace Naukowe Politechniki Warszawskiej, Warsaw University of Technology Publishing House.
  • Kupidura P., Skulimowska M., 2015, Morphological profile and granulometric maps in extraction of buildings in VHR satellite images, Archives of Photogrammetry, Cartography and Remote Sensing 27, 83-96.
  • Kupidura P., Kłębowski M., Ściana P., Truszkiewicz P., 2015a, Analiza możliwości rozróżniania wybranych klas pokrycia terenu na zdjęciach satelitarnych z wykorzystaniem granulometrii obrazowej, [in:] Dzięgielewski A., Szychowski D., Wernik J. (Eds.), Wybrane problemy techniki, 53-63.
  • Kupidura P., Popławski W., Sitko P., 2015b, Comparison of efficiency of extraction of built-up areas in aerial images using fractal analysis and morphological granulometry, Teledetekcja Środowiska 52(1), 29-37.
  • Lam N.S.N., 1990, Description and Measurement of Landsat TM Using Fractals, Photogramm. Eng. Remote Sens 56, 187-195.
  • Mallat S.G., 1989, A Theory for Multiresolution Signal Decomposition: The Wavelet Representation, IEEE Transactions on Pattern Analysis and Machine Intelligence 11(7), 674-693.
  • Mering C., Chopin F., 2002, Granulometric maps from high resolution satellite images, Image Anal. Stereol 21, 19-24.
  • Preston C.J., 1974, Gibbs States on Countable Sets, Cambridge University Press.
  • Ruiz L.A., Fdez-Sarria A., Recio J.A., 2004, Texture feature extraction for classification of remote sensing data using wavelet decomposition: a comparative study, International Archives of Photogrammetry and Remote Sensing 35.
  • Spitzer F., 1971, Random fields and interacting particle systems, M.A.A. Summer Seminar Notes.
  • Swain P.H., Davis S.M., 1978, Remote Sensing. The Quantitative Approach, Megraw-Hill College, 1-396.
  • Vincent L., 1996, Opening Trees and Local Granulometries, [in:] Proc. Mathematical Morphology and Its Applications to Signal Processing, Georgia, USA, 273-280.
  • Wawrzaszek A., Krupiński M., Aleksandrowicz S., Drzewiecki W., 2013, Fractal and multifractal characteristics of very high resolution satellite images, [in:] Proceedings of the 2013 IEEE International Geoscience and Remote Sensing Symposium - IGARSS, Melbourne, VIC, Australia, 21-26 July 2013, 1501-1504.
  • Weszka J.S., Dyer C.R., Rosenfeld A., 1976, A Comparative Study of Texture Measures for Terrain Classification, IEEE Trans. Syst. Man Cybern 6, 269-285.
Typ dokumentu
Bibliografia
Identyfikator YADDA
bwmeta1.element.baztech-7e49490d-d511-493e-9276-a15d9390d878
JavaScript jest wyłączony w Twojej przeglądarce internetowej. Włącz go, a następnie odśwież stronę, aby móc w pełni z niej korzystać.