According to the Google I/O 2018 key notes, in future artificial intelligence, which also includes machine learning and deep learning, will mostly evolve in healthcare domain. As there are lots of subdomains which come under the category of healthcare domain, the proposed paper concentrates on one such domain, that is breast cancer and pneumonia. Today, just classifying the diseases is not enough. The system should also be able to classify a particular patient’s disease. Thus, this paper shines the light on the importance of multi spectral classification which means the collection of several monochrome images of the same scene. It can be proved to be an important process in the healthcare areas to know if a patient is suffering from a specific disease or not. The convolutional layer followed by the pooling layer is used for the feature extraction process and for the classification process; fully connected layers followed by the regression layer are used.
Classification of roofing materials with the use of high resolution satellite imagery is a difficult issue, especially due to the fact that roofs are characterised by large diversity of shapes and textures, mainly caused by different roof surfaces illumination. To automate the process of roofing material types classification the influence of diversified illumination of individual roof surfaces should be eliminated. Topographic correction of satellite imagery may decrease influence of such effects and therefore leads to more accurate classification results. This paper presents classification results of roofing materials based on an 8-channel WorldView-2 satellite image. The digital terrain model and the digital surface model created with the use of aerial laser scanning data provided by the ISOK project were used for the topographic correction. The accuracy of the supervised classification of WorldView-2 image achieved for asbestos-cement roofing materials was at the level of 76-92%, (depending on the variant of classification). After grouping roofing materials by similar materials (e.g. painted sheet metal and metal tiles) it is possible to achieve classification results with the accuracy of ca. 70-80%.
3
Dostęp do pełnego tekstu na zewnętrznej witrynie WWW
Fast land use changes have strongly affected arid and semi-arid regions at a global scale, affecting food security of the inhabitants of these regions. This study evaluated the fragmentation degree in the Chihuahua´s desert region of Mexico by using data from the Landsat TM sensor. Nine scenes, taken with Landsat TM5 sensor from the years 1990, 2000, and 2012, were used for the analysis. The coverage of seven land uses (grasslands, shrubland, croplands, sandy desert vegetation, forest, water bodies, and urban areas) was obtained under supervised classification techniques and the accuracy level was evaluated through the Kappa multi-varied discrete index. The classification showed a good reliance level having global accuracies of 93, 93.2 and 90.3% for the years 1990, 2000 and 2012, respectively. The fragmentation analysis showed an increase in the number of patches, an indicator of the ecosystem degradation process. The patches number increased from 8,354.23 in 1990 to 9,658.36 in 2000 and to 11,469 in 2012. Simpson and Shannon diversity indexes proved a clear fragmentation process. During the period of 1990−2012, grasslands were the most affected vegetation type with a reduction of 30.7% in its area. Such reduction was mainly attributed to invasions of shrubland communities and to an increase in cropland areas.
Na promieniowanie dochodzące do sensora satelitarnego wpływa przede wszystkim atmosfera, znajdująca się na drodze od obiektu do detektora. Korekcja atmosferyczna jest jednak na ogół pomijana w procesie przetwarzania zdjęć satelitarnych. Wynika to m.in. z faktu, iż aby wpływ atmosfery oszacować w sposób poprawny, wymagana jest duża liczba danych pomiarowych i skomplikowany model atmosfery. W przypadku analizy zdjęć archiwalnych uzyskanie tego rodzaju danych często jest utrudnione, a czasami wręcz niemożliwe. Stosuje się więc na ogół tzw. średnie atmosfery klimatyczne, które charakteryzują średnie warunki atmosferyczne panujące na danym terenie. Wymóg wykonywania korekcji atmosferycznej zdjęć satelitarnych nie zawsze występuje (np. analizy jakościowe, interpretacja wizualna), ale w przypadku przeprowadzania analiz ilościowych lub wieloczasowych uwzględnienie wpływu atmosfery jest czynnikiem istotnym dla uzyskania prawidłowych wyników. Niniejsze opracowanie prezentuje wyniki badań nad wpływem uwzględnienia korekcji atmosferycznej w procesie klasyfikacji wielospektralnej. Okazuje się, że klasyfikacja obrazów skorygowanych ze względu na wpływ atmosfery pozwala na uzyskanie lepszej delimitacji klas, niż to jest w przypadku klasyfikacji zdjęć źródłowych.
EN
Atmosphere between an object and a satellite detector is the most important element, which decided about the radiation registered by satellite sensor. However, atmospheric correction is mostly neglected during satellite image processing. It's implicated by fact that to estimate the influence of atmospheric conditions, a lot of different meteorological parameters and model of atmosphere are needed. In case of archived images gathering this kind of data is often difficult or even impossible. Therefore standard atmosphere models which described average atmospheric conditions on different areas are used. In some application atmospheric correction is not needed (i.e. qualitative analyses, visual interpretation) but for quantitative analyses or multitemporal analyses this correction is very important to obtain correct results. This article presents results of researches on influence of atmospheric correction on the process of multispectral classification. It was found that classification of atmospheric corrected images make better classes delimitation possible.
Klasyfikacja cyfrowa jest najczęściej wykorzystywanym algorytmem do tworzenia map tematycznych na podstawie zdjęć satelitarnych, np. mapy pokrycia terenu. Jednak aby wynik klasyfikacji stał się materiałem kartometrycznym, należy go poddać transformacji geometrycznej do określonego układu współrzędnych. Możliwe jest również postępowanie odwrotne, tzn. najpierw następuje wykonanie transformacji geometrycznej zdjęć oryginalnych, a dopiero potem przeprowadza się proces klasyfikacji już zgeometryzowanych zdjęć. Jednak, zważywszy na naturę cyfrowego przetwarzania obrazów rastrowych, powstaje pytanie: czy rezultaty obu postępowań będą takie same? Niniejsze opracowanie prezentuje wyniki badań nad wpływem momentu wykonywania transformacji geometrycznej zdjęć na wynik klasyfikacji nadzorowanej. Prace badawcze przeprowadzono na dwóch scenach satelitarnych zarejestrowanych przez satelitę SPOT5. Wybrane pola testowe reprezentują dwa odmienne typy krajobrazu: o gospodarstwach wielkoobszarowych oraz o rozdrobnionej strukturze agrarnej. W wyniku prac badawczych okazało się, że istnieje wpływ korekcji geometrycznej zdjęć satelitarnych na wyniki klasyfikacji, jednak bardziej istotnym elementem przetwarzania jest wybór metody ponownego próbkowania oraz rozmiar piksela deklarowanego przy próbkowaniu obrazu podczas wykonywania transformacji geometrycznej.
EN
The multispectral classification is the most common algorithm, which is applied for the creation of thematic maps (like land use / land cover maps) based on the satellite images. To obtain the final classification result having quality of cartometric material, it is requisite to carry out the geometric correction process. It's possible to realize this process in two way: first of them consists in geometric image correction and to continue by classification of image being already georeferenced yet. Second way is to classify the source image and to continue by geometric correction of the image already classified. However, knowing the image digital treatment nature, we should ask - are the both results the same or not? The presented study show the results of the researches about impact of the moment of the image geometric correction versus of multispectral classification process. This study was done at the base of SPOT5 satellite images for two test sites in Poland: Żuławy (consolidate agrarian structure) and Wyszków (fine agrarian structure). According to the results the influence of the geometric correction of satellite images on the results of multispectral classification is exist. Nevertheless, the most important element of image processing is the algorithm, which is chosen for the image resampling and the pixel size of the resampled image.
JavaScript jest wyłączony w Twojej przeglądarce internetowej. Włącz go, a następnie odśwież stronę, aby móc w pełni z niej korzystać.