Formalizm multifraktalny w analizie zobrazowań satelitarnych

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

Warianty tytułu

EN

Multifractal formalism in satellite image analysis

• Języki publikacji: PL

Abstrakty

PL

W pracy przedstawiamy formalizm multifraktalny, jako narzędzie wspomagające opis i ekstrakcję informacji z wysokorozdzielczych zobrazowań satelitarnych. Podejście to opiera się na założeniu, że na pojedynczy obraz (multifraktal) składa się wiele fraktali, każdy o innym wymiarze samopodobieństwa (wymiarze fraktalnym). Multifraktale stosuje się do opisu, modelowania, analizowania i przetwarzania różnych złożonych kształtów i sygnałów. W szczególności dekompozycja multifraktalna jest użyteczna w analizie niejednorodnych miar i struktur, typowych dla zobrazowań satelitarnych, pozwalając na bardziej dokładną charakterystykę (lokalną i globalną) oraz opis za pomocą relacji funkcyjnych. Wymienione zalety tej metody uzasadniają nasze ukierunkowanie się na opis multifraktalny rozważany w ramach niniejszej pracy. Pierwszą część pracy stanowi przegląd dotychczasowego zastosowania metod multifraktalnych w różnych obszarach teledetekcji. W dalszej części przedstawiamy wyniki własnej analizy multifraktalnej 159 fragmentów wysokorozdzielczych zobrazowań panchromatycznych satelity WorldView-2. Przedstawiają one jeden z czterech typów pokrycia terenu: wodę, las, zabudowę miejską lub tereny rolnicze. Przeprowadzone analizy pokazują, że wymiary uogólnione wyznaczone dla poszczególnych fragmentów zobrazowań różnią się w zależności od form pokrycia, także wartości poziomu multifraktalności wiążą się z typem pokrycia terenu i w ogólności pozwalają na automatyczne przypisanie rozważanych przypadków do poszczególnych klas. Pewne odstępstwa występują jedynie podczas procesu rozróżnienia terenów rolniczych od lasów, co poddane zostanie dalszym analizom. Dalej, największy poziom multifraktalności obserwujemy dla obszarów zabudowanych, najmniejszy dla wody, która może być rozważana, jako obiekt monofraktalny. Przeprowadzone analizy pokazują, że formalizm multifraktalny stwarza dodatkowe możliwości opisu i automatycznej klasyfikacji zobrazowań. Liczymy więc na jego zastosowanie w kontekście powstałych i dopiero planowanych danych obrazowych.

EN

In our work we present multifractal formalism as a tool for description and extraction of information on very high spatial resolution satellite images. This approach is based on an assumption that single image (multifractal) consists of number of fractals, each with different dimension. Multifractals are used for description, modelling, analysis and processing of different complex shapes and signals. In particular multifractal decomposition can be used in the analysis of heterogeneous measures and structures typical for satellite images. It allows for detailed characterisation (local and global) and description using functions. Listed advantages motivate our work on this topic. First part of our paper is a review of multifractal methods applied so far in remote sensing. Next we present our approach and results of analysis done on 159 subsets of images acquired by WorldView-2 satellite. Our test samples present different land cover types. Conducted analysis shows that generalised dimensions designated for individual fragments of images differs depending on the present land cover types. Also values of multifractality are connected to a land cover type. In general they allow for automatic assignment of land cover types to specific classes. Some deviations take place in case of discrimination between agricultural areas and forests – this will be a point for future investigation. The highest multifractality level can be observed for urban areas, the lowest for water that can be considered as a monofractal. Conducted analysis shows that multifractal formalism creates additional possibilities for the description and automatic classification of images.

Słowa kluczowe

PL

fraktal; formalizm multifraktalny; wymiar uogólniony; klasyfikacja; obraz satelitarny

EN

fractal; multifractal formalism; generalized dimension; classification; satellite imagery

• Wydawca: Zarząd Główny Stowarzyszenia Geodetów Polskich
• Czasopismo: Archiwum Fotogrametrii, Kartografii i Teledetekcji
• Rocznik: 2013
• Tom: Vol. 25
• Strony: 261--272
• Opis fizyczny: Bibliogr. 29 poz.

Twórcy

autor

Wawrzaszek A.

• Centrum Badań Kosmicznych PAN

autor

Krupiński M.

• Centrum Badań Kosmicznych PAN

autor

Aleksandrowicz S.

• Centrum Badań Kosmicznych PAN

autor

Drzewiecki W.

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

Bibliografia

• 1. Bourissou A., Pham K., Levy-Vehel J., (1994). A multifractal approach for terraincharacterization and classification on SAR images. IGARSS 1994, Surface and Atmospheric Remote Sensing, Vol. 3, s. 1609–1611.
• 2. Canus C., Vehel J.L., (1996). Change detection in sequences of images by multifractal analysis. IEEE International Conference on Acoustics, Speech, and Signal Processing (ICASSP-96), Vol. 4, s. 2172-2175.
• 3. 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.
• 4. Dong P., (2008). Fractal signatures for multiscale processing of hyperspectral image data. Advances in Space Research, 41, s. 1733-1743.
• 5. Evertsz C.J.G., Mandelbrot B.B., (1992). Multifractal measures. Springer Verlag Faculty of Civil Engineering, Czech Technical University in Prague.
• 6. Falco T., Francis F., Lovejoy S., Schertzer D., Kerman B., Drinkwater M., (1996). Universal Multifractal Scaling of Synthetic Aperture Radar Images of Sea-Ice. IEEE Transactions on Geoscience and Remote Sensing, 34, 4, s. 905-914.
• 7. Feder, J., (1988), Fractals. Plenum Press, New York and London.
• 8. Grazzini J., Turiel A., Yahia H., Herlin I., (2004). Edge-preserving Smoothing of Highresolution Images with a Partial Multifractal Reconstruction Scheme. International Archives of Photogrammetry and Remote Sensing, Vol. XXXV, B3, s.1125-1129.
• 9. Halsey T.C., Jensen M.H., Kadanoff L.P., Procaccia I., Shraiman B.I., (1989). Fractal measures and their singularities: The characterization of strange sets. Physical Review A, 33(2) , doi:10.1103/PhysRevA.33.1141, s. 1141–1151.
• 10. Hentschel H., Procaccia I., (1983). The infinite number of generalized dimensions of fractals and strange attractor. Physica D, 8, s. 435–444.
• 11. Hu M.G., Wang J.F., Ge Y., (2009). Super-Resolution Reconstruction of Remote Sensing Images Using Multifractal Analysis. Sensors, 9, s. 8669-8683.
• 12. Levy Vehel J., Mignot P., (1994). Multifractal segmentation of images. Fractals, Vol. 2, 3, s. 371-378.
• 13. Lopes R., Betrouni N., (2009). Fractal and multifractal analysis: A review, Medical Image Analysis, Vol. 13, s. 634-649.
• 14. Mandelbrot B.B., (1983). The fractal geometry of nature /Revised and enlarged edition/,W.H. Freeman and Co., New York.
• 15. Parrinello T., Vaughan R.A., (2002). Multifractal analysis and feature extraction in satellite imagery. International Journal of Remote Sensing, 23, 9, s. 1799-1825.
• 16. 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.
• 17. 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.
• 18. Stojić T., Reljin I., Reljin B., (2006). Adaptation of multifractal analysis to segmentation of microcalcifications in digital mammograms. Physica A, 367, s. 494–508.
• 19. Szczepaniak A., Macek W.M., (2008). Asymmetric multifractal model for solar wind intermittent turbulence, Nonlinear Processes in Geophysics, 15, s. 615-620.
• 20. Teng H.T., Ewe H.T., Tan S.L., (2004). A multifractal approach for classification of SAR image. 3rd National Microwave Remote Sensing Seminar, Malaysian Remote Sensing Agency.
• 21. Tso B., Mather P.M., (2009). Classification Methods for Remotely Sensed Data. CRC Press
• 22. Turiel A., Parga N., (2000). The multi-fractal structure of contrast changes in natural images: from sharp edges to textures. Neural Computation, 12, s. 763–793.
• 23. Turiel A., Del Pozo A., (2002). Reconstructing images from their most singular fractal set. IEEE Transactions on Image Processing, 11, s. 345–350.
• 24. Voorons M., Germain M., Benie G.B., Fung K., (2003). Segmentation of high resolution images based on the multifractal analysis. IEEE Geoscience & Remote Sensing Symposium (IGARSS) 2003, Vol. 6, s. 3531-3533.
• 25. Wawrzaszek A., Macek W.M., (2010). Observation of the multifractal spectrum in solar wind turbulence by Ulysses at high latitudes. Journal of Geophysical Research, 115, A07104, doi: 10.1029/2009JA015176.
• 26. Xia Y., Feng D., Zhao R., Zhang Y. (2010). Multifractal signature estimation for texture image segmentation. Pattern Recognition Letters, 31, s. 163-169.
• 27. Yahia H., Turiel A., Chrysoulakis N., Grazzini J., Prastacos P., Herlin I., (2008). Application of the multifractal microcanonical formalism to the detection of fire plumes in NOAA_AVHRR data. International Journal of Remote Sensing, 29, 14, s. 4189-4205.
• 28. Yeo T.S., Gan D., (2001). A multifractal approach for auto-segmentation of SAR images, IEEE Geoscience & Remote Sensing Symposium (IGARSS) 2001, Vol. 5, s. 2301-2303.
• 29. Ziyong Z., (2010). Multifractal based hyperion hyperspectral data mining. Seventh International Conference on Fuzzy Systems and Knowledge Discovery (FSKD 2010), s. 2109-2113.