Статья поступила в редакцию 05.07.13. Ред. рег. № 1713
The article has entered in publishing office 05.07.13. Ed. reg. No. 1713
УДК 528.85:631.012
МЕТОДИКА ОБЪЕКТНО-ОРИЕНТИРОВАННОЙ КЛАССИФИКАЦИИ ИЗОБРАЖЕНИЙ НА ОСНОВЕ КОМБИНИРОВАНИЯ КОСМИЧЕСКИХ СНИМКОВ РАЗНОГО ПРОСТРАНСТВЕННОГО РАЗРЕШЕНИЯ
А. Т. Джамалов, Р.М. Рагимов, Э.Р. Алескеров
Азербайджанское Национальное аэрокосмическое агентство Азербайджан, Баку, AZ 1106, ул. С.С. Ахундова, д. 1 Тел.: + 99412570194, e-mail: rauffmahmud@yahoo.com
Заключение совета рецензентов: 10.07.13 Заключение совета экспертов: 15.07.13 Принято к публикации: 20.07.13
Представлен метод улучшения результатов классификации объектов путем интегрирования изображений с различным пространственным разрешением. Метод заключается в последовательном применении алгоритмов сегментации и классификации. Космические снимки WorldView-1 и Landsat TM были использованы с целью объектно-ориентированной классификации почвенного покрова в исследуемом регионе. Снимок TM был классифицирован с использованием классификатора максимального правдоподобия. Сегментированный WV1 снимок с применением алгоритма сегментации на основе региона был классифицирован с использованием в качестве эталона ранее классифицированного снимка TM.
Ключевые слова: классификация, сегментация, космические снимки, пространственное разрешение.
OBJECT-ORIENTED IMAGE CLASSIFICATION METHOD BY COMBINING SATELLITE IMAGERY OF DIFFERENT SPATIAL RESOLUTION
A.T. Djamalov, R.M. Ragimov, E.R. Alaskarov
Azerbaijan National Aerospace Agency 1 S. Akhundov str., Baku, AZ 1106, Azerbaijan Tel.: + 99412570194, e-mail: rauffmahmud@yahoo.com
Referred: 10.07.13 Expertise: 15.07.13 Accepted: 20.07.13
A method is proposed to improve the results of classification based on the integrated use of images with different spatial resolution. The method consists of a sequential application of segmentation and classification techniques. A WorldView-1 and a Landsat TM imagery have been used to obtain an object-oriented classification of the land cover of a study area. The TM image was classified using the maximum likelyhood classifier, the VW1 image was segmented by applying a region-based segmentation algorithm. Finally, the segmented VW1 image was classified using the previously classified TM image as a reference.
Keywords: classification, segmentation, space images, spatial resolution.
Методы объектно-ориентированной классификации, основанные на сегментации изображений, направлены на выявление и классификацию сегментов изображений, а не отдельных пикселей. Одним из главных ограничений в эффективном применении процесса сегментации изображений является пространственное разрешение изображения [1, 2].
Основной целью в данной работе является улучшение качества классификации архивных снимков среднего пространственного разрешения с применением метода объектно-ориентированной классификации. На сегодняшний день скопилось большое количество космических снимков среднего простран-
ственного разрешения, охватывающее значительный период времени. Исследование архивных снимков позволяет изучить временные изменения и тенденции, происходящие в окружающей среде. По своим пространственным характеристикам эти снимки уступают новым. Само по себе применение метода объектно-ориентированной классификации к архивным мультиспектральным изображениям среднего пространственного разрешения не дает ощутимого выигрыша по сравнению с другими методами из-за низкого пространственного разрешения. Комбинирование с панхроматическим снимком позволяет улучшить пространственные характеристики этих
Международный научный журнал «Альтернативная энергетика и экология» № 15 (137) 2013 © Научно-технический центр «TATA», 2013
снимков и тем самым улучшить результаты классификации. Этот метод не является новым, однако допускает различные модификации реализации.
В настоящей работе представлен способ улучшения качества результатов классификации изображений путем объединения космических снимков с различным пространственным разрешением. Способ основан на последовательном применении методов сегментации и классификации, в частности, изображение с высоким разрешением используется для автоматического определения и оконтуривания подходящих сегментов, в то время как изображение со средним разрешением используется в качестве эталона для классификации сегментов.
Исходные изображения исследуемого региона включают мультиспектральный снимок Landsat TM от 23 мая 2007 г. и панхроматический снимок WorldView-1 от 22 апреля 2008 г. сверхвысокого пространственного разрешения с размером пикселя 50 см (рис. 1).
При работе со спутниковыми данными замечено, что эффективность применения сегментации для разграничения и оконтуривания распознаваемых объектов зависит от пространственного разрешения исходных изображений [3]. В самом деле, объекты местности, как правило, покрыты лишь несколькими пикселями изображения, в результате чего сегменты включают в себя много смешанных пикселей и проблема классификации значительно затрудняется. Использование изображений с высоким пространственным разрешением заметно улучшает результат сегментации, позволяя получить более точное разграничение сегментов.
Процесс классификации может быть усовершенствован, если отдельно выполнять операции сегментации и классификации по разным каналам с последующим объединением результатов. Блок-схема применения предложенной методики показана на рис. 2.
Рис. 1. Космические снимки исследуемого района: а - WorldView-1 (панхроматический) и b - Landsat TM (мультиспектральный) Fig. 1. Images of the study area: a - WorldView-1 (panchromatic) and b - Landsat TM (multispectral)
Рис. 2. Блок-схема предложенной методики Fig. 2. The flow chart of proposed method
International Scientific Journal for Alternative Energy and Ecology № 15 (137) 2013
© Scientific Technical Centre «TATA», 2013
Предлагаемый подход состоит из выполнения следующих трех этапов:
1. Контролируемая классификация почвенно-рас-тительного покрова по снимку TM.
2. Сегментация снимка WorldView-1.
3. Классификация сегментированного изображения с использованием в качестве эталона результатов классификации ТМ.
Одной из важнейших задач дистанционного зондирования (ДЗ) является задача, связанная с классификацией типов почвенного покрытия. Цифровая классификация снимков заключается в анализе каждого пикселя на основе спектральной информации из различных спектральных диапазонов и отнесения его к тому или иному классу объектов.
Для района исследования были выбраны следующие классы объектов: застройки (поселения), пустая земля, растительность, в том числе поля сель-
скохозяйственных культур, пастбища, заболоченные участки, реки и каналы. Данные ДЗ по объектам классификации были разделены на две группы: данные для обучения классификатора и тестовые данные для проверки точности классификации. Обучающие данные были использованы для создания спектральных сигнатур для каждого типа земельного покрытия.
Классификация осуществлялась с использованием классификатора максимального правдоподобия с равной априорной вероятностью [4]. Окончательный результат классификации представлен на тематической карте (рис. 3).
Оценка точности классификации проводилась с использованием тестовых данных путем расчета соответствующей матрицы неточностей (табл. 1). Согласно матрице неточностей, средняя точность и достоверность классификации составляет около 80%.
Рис. 3. Классифицированный снимок ТМ Fig. 3. Classified TM image
Матрица неточностей для снимка ТМ Confusion matrix of the classification of the TM image
Таблица 1 Table 1
Объект Поселения Растительность Пастбища Пустая земля Реки Каналы Заболоченные участки Точность
Поселения 1553 120 5 179 11 7 6 0,82
Растительность 147 1248 37 17 0 12 98 0,8
Пастбища 36 86 593 38 0 0 0 0,79
Пустая земля 289 51 43 731 0 5 0 0,65
Реки 0 0 0 0 645 24 71 0,87
Каналы 0 7 0 3 60 312 31 0,76
Заболоченные участки 23 23 2 0 32 18 997 0,91
Достоверность 0,76 0,81 0,87 0,76 0,86 0,82 0,83
Средняя точность = 80%
Международный научный журнал «Альтернативная энергетика и экология» № 15 (137) 2013 © Научно-технический центр «TATA», 2013
Рис. 4. Фрагменты результатов сегментации снимка WV1 при разных значениях порога сегментации:
а - t = 3; b - t = 5; c - t = 10
Fig. 4. Fragments of segmentation results of WV1 image for different threshold value: а - t = 3; b - t = 5; c - t = 10
В настоящем исследовании сегментация была выполнена с применением алгоритма на основе областей. Степень спектральной неоднородности сегментов определяется критерием слияния. Этот критерий устанавливается порогом t, который выбирается пользователем [5].
Были апробированы различные значения порога t для нахождения оптимального варианта, при котором сегменты лучше всего отражают заданные объекты. Наилучшие результаты были получены при пороговых значениях t от 3 до 10. Для значений t > 10 выделенные сегменты, как правило, состоят из совокупности пикселей более чем одного из классифицируемых объектов. С другой стороны, пороговые значения t < 3 образуют сегменты, которые в основном характеризуются шумами. На рис. 4 показаны фрагменты результатов сегментации, полученные с использованием пороговых значений 3, 5 и 10.
В данной работе соответствующий набор правил был построен c помощью комбинирования результатов сегментации, соответствующих пороговым значениям t = 5 и t =10. В результате алгоритм для принятия решений основан на следующих предположениях [6]:
1. Сегмент принадлежит к определенному классу классифицируемых объектов, если хотя бы 75% его площади относится к этому классу.
2. Чем больше значение порога сегментации, тем выше минимальное число пикселей (п), необходимых для формирования сегмента, подходящего к классифицируемому объекту.
3. Если не удалось определить подходящие сегменты, то необходимо классифицировать отдельные пиксели, как они были классифицированы в эталонной карте.
В результате применения алгоритма принятия решений для классификации сегментированного изображения получена карта почвенно-растительного покрова исследуемого региона, показанная на рис. 5.
Рис. 5. Объектно-ориентированная классификация, полученная методом комбинирования снимков ТМ и WorldView-1 Fig. 5. Object-oriented classification by combining of images TM and WorlView-1
International Scientific Journal for Alternative Energy and Ecology № 15 (137) 2013
© Scientific Technical Centre «TATA», 2013
Таблица 2
Матрица неточностей объектно-ориентированной классификации
Table 2
Confusion matrix of the object oriented classification
Объект Поселения Растительность Пастбища Пустая земля Реки Каналы Заболоченные участки Точность
Поселения 1572 117 5 168 12 4 8 0,84
Растительность 139 1297 29 15 0 9 57 0,84
Пастбища 38 53 612 35 1 0 0 0,83
Пустая земля 278 44 35 749 0 5 0 0,67
Реки 0 0 0 0 663 16 58 0,9
Каналы 0 6 0 5 49 327 26 0,8
Заболоченные участки 23 21 3 0 26 18 1056 0,92
Достоверность 0,77 0,84 0,89 0,77 0,88 0,86 0,88
Средняя точность = 83%
Результаты точности классификации, представленные в табл. 2, свидетельствуют, что объектно-ориентированная классификация показывает лучшие результаты в распознавании практически всех классов покрытий, увеличивая как среднюю точность распознавания, так и среднюю достоверность примерно на 3%.
При визуальном сравнении результатов двух классификаций (рис. 3 и 5) выясняется, что основным отличительным фактором является разделяемость границ классов. Более достоверные результаты получены при применении объектно-ориентированной классификации за счет использования снимка более высокого пространственного разрешения WorldView-1.
Анализ полученной тематической карты почвен-но-растительного покрова выявил следующие особенности предложенного метода:
1. Метод позволяет получить набор геоданных, пригодных для создания электронной карты масштабом 1:50000. Использование снимка высокого разрешения WorldView-1 позволило более точно определить границы расположения объектов.
2. Объекты на местности должны быть достаточно большими, так как выделенные сегменты на снимке WorldView-1 также должны быть распознаваемы и классифицированы на снимке TM. Для небольших объектов данный метод практически не отличается от обычных методов классификации.
3. В отличие от попиксельной классификации объектно-ориентированный подход позволяет получать тематические карты с классами почвенно-расти-тельного покрова, которые могут быть сохранены непосредственно в базе данных ГИС и использованы для создания или обновления геоинформации.
4. Анализ полученной тематической карты показывает, что метод позволяет улучшить как точность, так и достоверность классификации. Почти все клас-
сы почвенного покрытия более точно распознаются при применении алгоритма классификации к сегментированным изображениям. Принятая процедура особенно эффективна для улучшения классификации сельскохозяйственных угодий в случае правильного определения границ полей (рис. 6).
b
Рис. 6. Сравнение фрагментов результатов классификации по снимку ТМ (а) и объектно-ориентированной классификации по снимку WorldView-1 (b) Fig. 6. Comparison of fragments TM image classification (a) and the WorldView-1 image object-oriented classification (b)
Международный научный журнал «Альтернативная энергетика и экология» № 15 (137) 2013 © Научно-технический центр «TATA», 2013
Сложность предлагаемого метода заключается в подборе подходящих значений порогов сегментации и выборе правил принятия решений для классификации выявленных сегментов.
Список литературы
1. Arton S.T. On unsupervised segmentation of remotely sensed imagery using nonlinear regression // Int. J. of Remote Sensing. 1996. Vol. 17. P. 1407-1415.
2. Gorte B.G.H. Multi-spectral quadtree based image segmentation // Proc. of the 18th ISPRS Congress, Vienna, Austria, 9-19 July 1996 (Vienna: ASPRS), Vol. XXXI-B3, P. 251-255.
3. Blaschke T. Object based image analysis for remote sensing // ISPRS Int. J. of Photogrammetry and Remote Sensing. 2010, 65 (1), 2-16.
4. Frohn R.C., Autrey B.C., Lane C.R. and Reif M. Segmentation and object-oriented classification of wetlands in a karst Florida landscape using multi-season Landsat-7 ETM+imagery // Int. J. of Remote Sensing. 2011, 32, 1471-1489.
5. Bruin de S., and Molenaar, M. Remote sensing and geographical information systems. In Spatial Statistics for Remote Sensing, edited by A. Stein, F. van der Meer and B. Gorte (Dordrecht: Kluwer Academic), 1999, P. 41-54.
6. Geneletti D., and Gorte B.G.H. A method for object-oriented land cover classification combining Landsat TM data and aerial photographs // Int. J. of Remote Sensing. 2003, 24, 1273-1286.
rxn
— TATA —
IXJ
International Scientific Journal for Alternative Energy and Ecology № 15 (137) 2013
© Scientific Technical Centre «TATA», 2013