Application of object-oriented method for classification of VHR satellite images using rule-based approach and texture measures

• Autorzy: Lewinski S. , Bochenek Z. , Turlej K.

Warianty tytułu

PL

Zastosowanie metody obiektowej klasyfikacji wysokorozdzielczych zdjęć satelitarnych z wykorzystaniem podejścia parametrycznego i informacji o teksturze

• Języki publikacji: EN

Abstrakty

EN

New approach for classification of high-resolution satellite images is presented in the article. That approach has been developed at the Institute of Geodesy and Cartography, Warsaw, within the Geoland 2 project - SATChMo Core Mapping Service. Classification algorithm, aimed at recognition of generic land cover categories, has been elaborated using the object-oriented approach. Its functionality was tested on the basis of KOMPSAT-2 satellite images, recorded in four multispectral bands (4 m ground resolution) and in panchromatic mode (1 m ground resolution). The structure of the algorithm resembles decision tree and consists of a sequence of processes. The main assumption of the presented approach is to divide image contents into objects characterized by high and low texture measures. The texture measures are generated on the basis of a panchromatic image transformed by Sigma filters. Objects belonging to the so-called high texture are classified at first steps. In the following step the classification of the remaining objects takes place. Applying parametric criteria of recognition at the first group of objects four generic land cover classes are classified: forests, sparse woody vegetation, urban / artificial areas and bare ground. Non-classified areas are automatically assigned to the second group of objects, which contains water and agricultural land. In the course of classification process a few segmentations are performed, which are dedicated to particular land cover categories. Classified objects, smaller than 0.25 ha are removed in the process of generalization.

PL

W artykule przedstawiona jest metoda klasyfikacji wysokorozdzielczych zdjęć satelitarnych. Została ona opracowana w Instytucie Geodezji i Kartografi i w ramach europejskiego projektu Geoland 2 - serwisu SATChMo. Algorytm klasyfikacyjny, którego celem jest rozpoznanie podstawowych klas pokrycia terenu, został opracowany z zastosowaniem podejścia obiektowego. Jego działanie zostało sprawdzone na podstawie zdjęć KOMPSAT-2 rejestrujących obrazy w czterech kanałach wielospektralnych (4 m) oraz w kanale panchromatycznym (1 m). Struktura algorytmu zbliżona jest do drzewa decyzyjnego i składa się z szeregu kolejno wykonywanych procesów. Podstawowe założenie przyjętego sposobu postępowania stanowi podział treści zdjęcia na obiekty charakteryzujące się niskimi i wysokimi wartościami tekstury. Jest on wykonywany na podstawie przetworzonego filtrami Sigma kanału panchromatycznego. Najpierw klasyfikowane są obiekty z grupy tzw. wysokiej tekstury a następnie pozostałe. Stosując parametryczne kryteria rozpoznania, w pierwszej grupie obiektów klasyfikowane są lasy, roślinność rozproszona, zabudowa oraz tereny pozbawione pokrywy roślinnej. Obiekty niesklasyfikowane są automatycznie dołączane do drugiej grupy obiektów, w ramach której rozpoznawane są wody oraz tereny rolnicze. W toku procesu klasyfikacji jest wykonywany szereg segmentacji dedykowanych poszczególnym klasom. Obiekty mniejsze od 0.25 ha są poddawane generalizacji.

Słowa kluczowe

EN

object oriented classification; land cover; KOMPSAT 2

PL

klasyfikacja obiektowa; pokrycie terenu; KOMPSAT 2

• Wydawca: Instytut Geodezji i Kartografii
• Czasopismo: Geoinformation Issues
• Rocznik: 2010
• Tom: Vol. 2, no. 1(2)
• Strony: 19--26
• Opis fizyczny: Bibliogr. 11 poz., rys., tab.

Twórcy

autor

Lewinski S.

autor

Bochenek Z.

autor

Turlej K.

• Institute of Geodesy and Cartography, 27 Modzelewskiego St., PL 02-679 Warsaw, Poland,

Bibliografia

• [1] de Kok R., Wezyk P., (2008): Principles of full autonomy in image interpretation. The basic architectural design for a sequential process with image objects, In: Object-Based Image Analysis, Th. Blaschke, S. Lang, G.J. Hay (Eds), Series: Lecture Notes in Geoinformation and Cartography, Springer Berlin Heidelberg, ISSN: 1863–2246, pp. 697–710.
• [2] de Kok R., Wezyk P., Weidenbach M., (2008): The role of edge objects in full autonomous image interpretation, Proceedings of GEOBIA 2008 –Pixels, Objects, Intelligence, GEOgraphic Object Based Image Analysis for the 21st Century, Calgary, Alberta, Canada. http://www.isprs.org/proceedings/XXXVIII/4-C1/Sessions/Session1/6717_DeKok_Proc_pap.pdf.
• [3] Elmqvist B., Ardo J., Olsson L., (2008): Land use studies in drylands: an evaluation of object-oriented classification of very high resolution panchromatic imagery, International Journal of Remote Sensing, Vol. 29, No 24, pp. 7129–7140.
• [4] Hajek F., (2005): Object-oriented classification of remote sensing data for the identification of tree species composition, Proceedings of ForestSat 2005 Conference, 31 May – 3 June 2005, Boras, Sweden. http://www.ecognition.com/sites/default/fi les/229_forestsat2005_20_20fi lip_20hajek.pdf.
• [5] Kressler F. P., Steinnocher K., Kim Y. S., (2005): Enhanced Semi-Automatic Image Classification of High-Resolution Data, Proceedings of the IGARSS 2005 Symposium, Seoul, Korea, 25–29 July 2005. http://www.ecognition.com/sites/default/fi les/240_igarsskressler2.pdf.
• [6] Lewinski St., Bochenek Z., (2008): Rule-based classification of SPOT imagery using object-oriented approach for detailed land cover mapping, Proceedings of 28th EARSeL Symposium „Remote sensing for a changing Europe”, Istanbul, Turkey, 2–5 June 2008, pp. 197–204.
• [7] Lucas R., Rowlands A., Brown A., Keyworth S., Bunting P., (2007): Rule-based classification of multi-temporal satellite imagery for habitat and agricultural land cover mapping, ISPRS Journal of Photogrammetry and Remote Sensing, Vol. 62, Issue 3, August 2007, pp. 165–185.
• [8] Su W., Li J., Chen Y., Liu Z., Zhang J., Low T. M., Suppiah I., Hashim S. A. M., (2008): Textural and local statistic for the object-oriented classification of urban areas using high-resolution imagery, International Journal of Remote Sensing, Vol. 29, No 1, pp. 3105–3117.
• [9] Wei W., Chen X., Ma A., (2005): Object-oriented Information Extraction and Application in High-resolution Remote Sensing Image, Proceedings of the IGARSS 2005 Symposium, Seoul, Korea, 25–29 July 2005, pp. 3803–3806.
• [10] Whiteside T., (2005): A multi-scale object-oriented approach to the classification of multi-sensor imagery for mapping land cover in the top end, Proceedings of NARGIS 2005 – Application in Tropical Spatial Science. 4–7 July 2005, Charles Darwin University, Darwin, NT, Australia. http://www.ecognition.com/sites/default/fi les/272_18.1_20whiteside__20tim.pdf.
• [11] Yuan F., Bauer M. E., (2006): Mapping impervious surface area using high resolution imagery: A comparison of object-based and per pixel classification, Proceedings of ASPRS 2006 Annual Conference, Reno, Nevada; 1–5 May 2006. http://www.ecognition.com/sites/default/fi les/184_asprs2006_0178.pdf.