Integracja obrazów radarowych i optycznych dla potrzeb tworzenia map pokrycia terenu

• Autorzy: Badurska M.

Warianty tytułu

Integration of radar and optical data for land cover mapping

• Języki publikacji: PL

Abstrakty

PL

Analizując wady i zalety danych pochodzących z różnych sensorów można stwierdzić, że dostarczane przez nie dane mogą okazać się często niekompletne lub niewystarczające. Dla danych optycznych ograniczeniem może okazać sie rejestracja w trudnych warunkach atmosferycznych, dla danych radarowych niewystarczająca rozdzielczość lub występowanie szumów radarowych. Biorąc pod uwagę te wszystkie czynniki, szczególnie interesujące wydaje sie być łączenie obrazów pochodzących z różnych źródeł i ich wspólne wykorzystanie. Korzyści płynące z integracji obrazów radarowych z optycznymi sprawdzono pod katem możliwości polepszenia wyników klasyfikacji obszarów miejskich. Próbowano odpowiedzieć na pytanie, w jakim stopniu dane radarowe mogą polepszyć wynik klasyfikacji i czy mogą być one alternatywnym źródłem w przypadku braku danych optycznych. Nie skupiono sie na samych technikach klasyfikacji, wykorzystano standardowe klasyfikatory w podejściu nadzorowanym. Zwrócono jednak uwagę na dynamicznie rozwijającą sie w ostatnim czasie klasyfikacje obiektowa i podjęto próbę porównania jej wyników z klasyczna klasyfikacja oparta na pikselach. Ponieważ w przypadku danych radarowych bardzo cennym źródłem informacji jest tekstura, to jej wykorzystaniu poświęcono główna część prac. W rezultacie, zastosowanie odpowiednio dobranych miar teksturalnych z tzw. macierzy zdarzeń (ang. Grey Level Co-occurence Matrix - GLCM) spowodowało wzrost dokładności wspólnej klasyfikacji w porównaniu do klasyfikacji uzyskanej dla poszczególnych sensorów.

EN

While analysing the advantages and drawbacks of data coming from different sensors , it can be observed that acquired data can be often incomplete or insufficient. Registration in difficult atmospheric conditions can be the limitation factor for optical data, whereas for the radar data it can be the insufficient resolution or occurring speckle effect. Taking into consideration all these factors, the integration of images from various sources and using them jointly seem to be very interesting. The benefits resulting from the integration of radar and optical images were checked for possible improvement of the results of classification of urban areas. The question is how radar images can improve the result of classification and whether they can be the alternative source in case of lack of optical images. The analysis of various techniques of classification was not the main concern, but the standard classification in supervised approach was used. The attention was also drawn to the objectbased classification developing very dynamically recently, and attempt was made to compare the results of pixel and object-based classification. Due to the fact that, for the radar data, the most important source of information is the texture, that was the main focus of the work. . Consequently, the use of suitably selected textural features from co-occurrence matrix (Grey Level Co-occurrence Matrix – GLMC) caused the increase of accuracy of joint classification, as compared to classification of images from individual sensors.

Słowa kluczowe

PL

klasyfikacja; integracja danych; SAR; tekstura

EN

classification; data fusion; SAR; texture

• Wydawca: Zarząd Główny Stowarzyszenia Geodetów Polskich
• Czasopismo: Archiwum Fotogrametrii, Kartografii i Teledetekcji
• Rocznik: 2007
• Tom: Vol. 17a
• Strony: 11--21
• Opis fizyczny: Bibliogr. 11 poz.

Twórcy

autor

Badurska M.

• Katedra Geoinformacji, Fotogrametrii i Teledetekcji Srodowiska, Akademia Górniczo-Hutnicza w Krakowie

Bibliografia

• 1.Amarsaikhan D., Ganzorig M., Ache P., Blotevogel H., 2007. The integrated use of optical and InSAR data for urban land-cover mapping, International Journal of Remore Sensing, Vo. 28, No. 6, 1161-1171.
• 2.Ban Y., Hu H., 2007. RADARSAT Fine-Beam SAR data for land-cover mapping and change detection in the rural-urban fringe of the greater Toronto area, Urban Remote Sensing Joint Event, IEEE, ISBN: 1-4244-0712-5.
• 3.Dekker R.J., 2003. Texture analysis and classification of ERS SAR images for map updating of urban areas in The Netherlands, IEEE Transactions on Geoscience and Remote Sensing, Vol. 41, No. 9. eCognition User Guide 3. „Concepts and Methods” Hall-Beyer M., 2000. GLCM Texture: A Tutorial.
• 4.http://www.cas.sc.edu/geog/rslab/Rscc/mod6/6-5/texture/tutorial.html#practical
• 5.Haralick R.M., Shanmugam K., Einstein I., 1979a. Textural features for image classification. IEEE Transactions on system, man and cybernetics, Vol. SMC-3, No. 6, s. 610-617
• 6.Haralick, R.M., 1979b. Statistical and Structural Approaches to Texture. Proceedings of the IEEE, 67:786-804
• 7.Materka A., Strzelecki M., 1998. Texture Analysis Methods – A Review, Technical
• 8.University of Lodz, Institute of Electronics, COST B11 report, Brussels
• 9.Remote Sensing Data Fusion Contest, 2007: http://tlclab.unipv.it/dftc/home.do
• 10.Rudnicki Z., 2002. Wybrane metody przetwarzania i analizy cech obrazów tekturowych. Informatyka w Technologii Materiałów, Nr 1, Tom 2, s. 1-18.
• 11.Zheng Z., JiXian Z., GuoMan H., Rong-bin W., 2004. The textural analysis and interpretation of high resolution AIRSAR images, XXth ISPRS Congress, 12-23 July 2004 Istanbul, Turkey, Commission 2