PL EN


Preferencje help
Widoczny [Schowaj] Abstrakt
Liczba wyników
Tytuł artykułu

Object-oriented classification of Landsat ETM+ satellite image

Autorzy
Treść / Zawartość
Identyfikatory
Warianty tytułu
PL
Klasyfikacja obiektowa zdjęcia satelitarnego Landsat ETM+
Języki publikacji
EN
Abstrakty
EN
This paper presents results of object-oriented classification of Landsat ETM+ satellite image conducted using eCognition software. The classified image was acquired on 7 May 2000. In this particular study, an area of 423 km² within the borders of Legionowo Community near Warsaw is considered. Prior to classification, segmentation of the Landsat ETM+ image is performed using panchromatic channel, fused multispectral and panchromatic data. The applied methods of classification enabled the identification of 18 land cover and land use classes. After the classification, generalization and raster to vector conversion, verification and accuracy assessment are performed by means of visual interpretation. Overall accuracy of the classification reached 94.6%. The verification and classification results are combined to form the final database. This is followed by comparing the object-oriented with traditional pixel-based classification. The latter is performed using the so-called hybrid classification based on both supervised and unsupervised classification approaches. The traditional pixel-based approach identified only 8 classes. Comparison of the pixel-based classification with the database obtained using the object-oriented approach revealed that the former reached 72% and 61% accuracy, according to the applied method.
PL
W artykule przedstawiono wyniki klasyfikacji obiektowej zdjęcia satelitarnego Landsat ETM+, uzyskane z zastosowaniem specjalistycznego oprogramowania eCognition. Klasyfikację wykonano na przykładzie zdjęcia zarejestrowanego 7 maja 2000 r., obrazującego obszar badawczy o powierzchni 423 km², znajdujący się w granicach powiatu legionowskiego w pobliżu Warszawy. Proces klasyfikacji obiektowej polega na rozpoznaniu obiektów, którymi są grupy pikseli spełniające założone kryterium jednorodności. Granice obiektów zostały zdefiniowane w czasie segmentacji zdjęcia, wykonanej na podstawie wartości pikseli kanału panchromatycznego skanera ETM+ oraz danych uzyskanych w wyniku połączenia wybranych kanałów wielospektralnych z kanałem panchromatycznym. Zastosowane metody klasyfikacyjne, związane nie tylko z wartościami spektralnymi charakteryzującymi poszczególne obiekty, lecz również z kryteriami parametrycznymi, umożliwiły identyfikację 18 klas pokrycia i użytkowania ziemi. Następnie wynik klasyfikacji został przetworzony funkcjami: generalizacji, konwersji formatu danych oraz poddany weryfikacji. Generalizację wykonano z zastosowaniem jednostki odniesienia wynoszącej 1 ha dla klas zabudowy i wody oraz 4 ha dla pozostałych klas. Następnie format klasyfikacji został zmieniony z rastrowego na wektorowy, w którym wykonano wygładzenie granic wydzieleń. Klasyfikacja została zakończona weryfikacją wektorowej bazy danych metodą interpretacji wizualnej. Całkowita dokładność klasyfikacji została oceniona na poziomie 94.6%. Po uwzględnieniu zmian wprowadzonych w czasie weryfikacji uzyskano końcową postać bazy danych. Wyniki klasyfikacji obiektowej zostały porównane z wynikami tradycyjnej (pikselowej) klasyfikacji, wykonanej z zastosowaniem algorytmu tzw. klasyfikacji hybrydowej, składającej się z następujących po sobie klasyfikacji nadzorowanej i nienadzorowanej. Rozpoznano jedynie 8 klas pokrycia i użytkowania ziemi. Dokładność tradycyjnej klasyfikacji oceniono przez porównanie jej z wynikami klasyfikacji obiektowej. Uzyskano wyniki na niskim poziomie, wynoszącym jedynie 72% i 61%, w zależności od przyjętej metody oceny.
Wydawca
Rocznik
Tom
Strony
91--106
Opis fizyczny
Bibliogr. 34 poz., fot., tab.
Twórcy
autor
Bibliografia
  • 1. BAATZ M., BANZ U., DEHGHANI S., HEYNEN M., HOLTJE A., HOFMANN P., LINGENFELDER I., MIMLER M., SOHLBACH M., WEBER M., WILLHAUCK G., 2001. eCognition user guide. Definiens imaging GmbH.
  • 2. BAATZ M., SCHAPE A., 1999. Object-oriented and Multi-scale image analysis in semantic networks. Proc.2nd Intern. Symp.: Oprerationalization of remote sensing, 16-20 Aug., ITC, The Netherlands.
  • 3. BAATZ M., SCHAPE A., 2000. Multiresolution segmentation - an optimization approach for high quality Multi-scale image segmentation. Angewandte Geogr. Informatiosverarbeitung 12, Beitrage zum AGIT - Symposium, Salzburg.
  • 4. BLASCHKE T., LANG S., LORUP E., STROBL J., ZEIL P., 2000. Object-oriented image processing in an integrated GIS/Remote Sensing environment and perspectives for environmental applications. Environmental information for planning, Politics and the public. Metropolis Verlag, Marburg, vol. 2: 555-570.
  • 5. CONGALTON R.G., 1991. A review of assessing the accuracy of classifications of remotely sensed data. Rem. Sens. Env. 7: 35-46.
  • 6. EHLERS M., MICHEL U., BOHMANN G., TOMOWSKI D., 2006. Decision based data fusion techniques for the analysis of settlement areas from multisensor satellite data. Proc. ASPRS 2006 Ann. Conf. Reno, Nevada; May 1-5.
  • 7. GOMES A., MARCAL A.R., 2003. Land cover revision through object based supervised classification of ASTER data. Proc. ASPRS 2003 annual conference, Anchorage, USA; May 5-9.
  • 8. GONZALEZ R. C., WINTZ P., 1977. Digital image processing. Addison-Wesley Publishing Company.
  • 9. GREIWE A., EHLERS M., 2005. Combined analysis of hyperspectral and high resolution image data in an object oriented classification approach. Proc. ISPRS WG VII/1 „Human Settlements and Impact Analysis” 3rd Intern. Symp. Rem. Sens. Data Fusion over Urban Areas (URBAN 2005) and 5th Intern. Symp. Rem. Sens. Urban Areas (URS 2005). Tempe, AZ, USA. March 14-16.
  • 10. Hall-Beyer M., 2005. GLCM texture: a tutorial. http://www.fp.ucalgary.ca/mhallbey/tutorial.htm
  • 11. HOFMANN P., 2001a. Detecting urban features from IKONOS data using an object-oriented approach. Rem. Sens. Photogrammetry Soc. (Editor): Proc. First Ann. Conf. Rem. Sens. Photogrammetry Society 12-14 September: 28-33.
  • 12. HOFMANN P., 2001b. Detecting buildings and roads from IKONOS data using additional elevation information. GeoBIT/GIS 6: 28-33.
  • 13. HUNG C-C., 1993. Competitive learning networks for unsupervised training. Intern. J. Rem. Sens. vol. 14 no. 12: 2411-2415.
  • 14. Image Analyst, 2002. IA User’s Guide. Z/I Imaging Corporation.
  • 15. JENSEN J.R., 1996. Introductory digital image processing, a remote sensing perspective. Second edition. Prentice Hall, Upper Saddle River, New Jersey.
  • 16. KELLNDORFER J.M., ULABY F.T., 2003. Forest biomass inversion from SAR using object oriented image analysis techniques. In: Proc. IGARSS 2003 IEEE, July 2003, Toulouse.
  • 17. KRESSLER, F.P., STEINNOCHER K., FRANZEN M., 2005. Object-oriented classification of orthophotos to support update of Spatial Databases. Proc. IGARSS 2005 Symp. Seoul, Korea. July 25-29, 2005.
  • 18. DE KOK R., BUCK A., SCHNEIDER T., AMMER U., 2000. Analysis of image objects from VHR imagery for forest GIS updating in the Bavarian Alps. Proc. ISPRS Amsterdam, July 2000, Working Group III/5.
  • 19. DE KOK R., WEVER T., FOCKELMANN R., 2003. Analysis of urban structure and development applying procedures for automatic mapping of large area data. In: Remote sensing of urban areas: 41-46.
  • 20. DE KOK R., KOZIOŁ K., WĘŻYK P., 2005. Zastosowanie klasyfikacji obiektowej wysokorozdzielczych obrazów teledetekcyjnych oraz analiz przestrzennych GIS w kartowaniu drzewostanów. (Application of object-oriented classification of high resolution remote images and of spatial GIS analyses in mapping tree stands). Rocz. Geomat. t. 3 z. 4: 99-108.
  • 21. LEWIŃSKI S., 2005. Klasyfikacja obiektowa narzędziem wspomagającym proces interpretacji zdjęć satelitarnych. (Object-oriented classification as a tool supporting the interpretation of satellite images) Rocz. Geomat. t. 3 z. 2: 97-106.
  • 22. LEWIŃSKI S., 2006. Land use classification of ASTER image - Legionowo test site. Proc. of the 25th Symp. Eur. Assoc. Rem. Sens. Laborat. Porto, Portugal, 6-9 June 2005. Global developments in environmental earth observation from space.
  • 23. MITRI G.H., GITAS I.Z., 2002. The development of an object-oriented classification model for operational burned area mapping on the Mediterranean island of Thasos using Landsat TM images. Proc. Intern. Conf. Forest Fire Research, Luso - Coimbra, Portugal, 18-23 November, 2002.
  • 24. NEUBERT M., 2001. Segment-based analysis of high resolution satellite and laser scanning data. In: Sustainability in the information society. Eds. L.M. Hilty, P.W. Gilgen. Proc. Intern. Symp. Inform. Env. Protect. Zurich, October 10-12, 2001. Marburg: 379-386.
  • 25. NUNES DE LIMA M. V., 2005. CORINE Land Cover updating for the year 2000. IMAGE2000 and CLC2000, products and methods. JRC-IES.
  • 26. REGO F.L., KOCH B., 2003. Automatic classification of land cover with high resolution data of the Rio de Janeiro city Brazil comparison between pixel and object classification. In: Remote sensing of urban areas. Ed. J. Carstens: 153-157.
  • 27. ROSSNER G., BOCK M., 2005. The aptness of landcover classifications for regional environmental planning: new orientation through objects? New strategies for European remote sensing. Proc. 24th ERSeL Symposium, Dubrovnik, Croatia, 25-27 May 2004.
  • 28. SCHNEIDER W., STEINWENDNER J., 1999. Landcover mapping by interrelated segmentation and classification of satellite images. Intern. Arch. Photogramm. Rem. Sens. (IAPRS) vol. 32 W6 7-4-3.
  • 29. SYED S., DARE P., JONES S., 2005. Automatic classification of land cover features with high resolution imagery and lidar data: an objectoriented approach. Proceedings of SSC2005 Spatial Intelligence, Innovation and Praxis: The national biennial Conf. Spatial Sci. Inst. September, 2005. Melbourne, Spatial Sciences Institute.
  • 30. TIEDE D., HEURICH M., BLASCHKE T., 2004. Object-based semi automatic mapping of forest stands with Laser scanner and Multi-spectral data. Intern. Arch. Photogramm. Rem. Sens. Spatial Inform. Sci. vol. 36-8W2, Freiburg: 328-333.
  • 31. WĘŻYK P., DE KOK R., ZAJĄCZKOWSKI G., 2004. The role of statistical and structural texture analysis in VHR image analysis for forest applications - A case study on quickbird data in Niepolomice Forest. In: Angewandte Geoinformatik. Eds. J. Strobl, T. Blaschke, G. Griesebner. Beiträge zum 16. AGIT-Symposium Salzburg 2004, Heidelberg, H. Wichmann Verlag: 770-775.
  • 32. WĘŻYK P., BEDNARCZYK P., 2005. Testowanie metod i algorytmów klasyfikacji wysokorozdzielczych zobrazowań satelitarnych Puszczy Niepołomickiej. (Testing methods and algorithms for the classification of high resolution satellite images of Niepołomicka Forest). Rocz. Geomat. t. 3 z. 2: 163-172.
  • 33. ZHANG Y., 1999. A new merging method and its spectral and spatial effects. Intern. J. Rem. Sens. vol. 20 No. 10: 2003-2014.
  • 34. ZHANG Y., 2002. Problems in the fusion of commercial high-resolution satellite images as well as Landsat 7 images and initial solutions. Intern. Arch. Photogramm. Rem. Sens. (IAPRS) vol. 34 p. 4.
Typ dokumentu
Bibliografia
Identyfikator YADDA
bwmeta1.element.baztech-article-BAT9-0020-0056
JavaScript jest wyłączony w Twojej przeglądarce internetowej. Włącz go, a następnie odśwież stronę, aby móc w pełni z niej korzystać.