Сегментация спутниковых изображений высокого разрешения по спектральным и текстурным признакам Текст научной статьи по специальности «Компьютерные и информационные науки»

ИНФОРМАТИВНОСТЬ СИСТЕМ ТЕКСТУРНЫХ ПРИЗНАКОВ ДЛЯ КЛАССИФИКАЦИИ СПУТНИКОВЫХ ИЗОБРАЖЕНИЙ С ВЫСОКИМ ПРОСТРАНСТВЕННЫМ РАЗРЕШЕНИЕМ

Игорь Алексеевич Пестунов

Институт вычислительных технологий СО РАН, 630090, Новосибирск, просп. Академика Лаврентьева, 6, заведующий лабораторией обработки данных, тел. (383)334-91-55, e-mail: pestunov@ict.nsc.ru

Павел Владимирович Мельников

Новосибирский государственный университет, 630090, г. Новосибирск, ул. Пирогова, 2, магистрант, e-mail: pvm96@yandex

В данной работе исследуется информативность систем текстурных признаков, которые построены с использованием четырех популярных методов, основанных на статистиках гистограммы абсолютных разностей и матрицы смежности уровней серого тона, а также авторегрессионной модели SAR и гауссовской марковской модели случайных полей GMRF.

Ключевые слова: спутниковое изображение, текстурные признаки, классификация изображений, качество классификации.

INFORMATIVITY OF SYSTEMS OF TEXTURAL FEATURES FOR CLASSIFICATION OF SATELLITE IMAGES WITH HIGH SPATIAL RESOLUTION

Igor A. Pestunov

Institute of Computational Technologies SB RAS, 6, Acad. Lavrentjev ave., Novosibirsk, 630090, Head of data processing laboratory, tel. (383)334-91-55, e-mail: pestunov@ict.nsc.ru

Pavel V. Melnikov

Novosibirsk State University, 2, Pirogova st., Novosibirsk, 630090, undergraduate, tel. (383)334-91-55, email: pvm96@yandex

Quality of 4 popular texture features extraction methods and their application in the field of classification of hi-resolution satellite images are studied. The discussed methods are: Gray Level Difference (GLD), Gray Level Co-occurrence Matrices (GLCM), Gaussian Markov Random Field (GLRM) model and Simultaneous Autoregressive (SAR) model. Quality of combined sets of textural features and minimization of these sets are also studied.

Key words: satellite imagery, textural features, image classification, classification quality.

Введение

В последние годы наблюдается непрерывный рост числа спутников, обеспечивающих поставку изображений высокого пространственного разрешения (5 м или меньше) [1]. При таком разрешении для многих классов земного покрытия (леса, болота, урбанизированные территории и др.) основная часть информации, используемая при дешифрировании, содержится в текстуре изображения.

К настоящему времени известно более десятка различных методов выделения текстурных признаков [2-4]. Однако универсального метода, позволяющего описать все разнообразие текстур, не существует [5].

Результаты экспериментальных исследований показывают [6], что благодаря комбинированию различных методов, можно добиться существенного повышения качества классификации текстурных изображений.

В данной работе анализируется информативность систем текстурных признаков, построенных с помощью четырех методов, которые хорошо зарекомендовали себя при решении реальных задач. Первые два метода основаны на использовании статистик, полученных с помощью гистограммы абсолютных разностей (Grey-Level Difference (GLD)) [7] и матрицы смежности уровней серого тона (Grey-Level Co-occurrence Matrix (GLCM)) [8]; третий метод - на гауссовской марковской модели случайных полей (Gaussian Markov Random field (GMRF)) [4], а четвертый - на авторегрессионной модели (Simultaneous Autoregressive Model (SAR)) [9].

1. Краткое описание используемых методов

Метод GLD [7]. Этот метод использует для описания текстуры гистограмму р(8,в) абсолютных разностей уровней серого тона соседних пикселей, расположенных на расстоянии 8 друг от друга по направлению в . В наших экспериментах параметр 8 = 1, а ве {0°,45о,90о,135°}. На основе гистограммы р(8,в) были вычислены следующие признаки: CON

= У?р,(8,в), ASM =£р,2(8,в), ENT =-£р,(8,в)log(р,(8,в)) и MEAN

= — У ip (8, в), где m - число уровней серого тона. Общее число m

сгенерированных признаков равнялось 16.

Метод GLCM [8]. В рамках этого метода текстура характеризуется матрицей смежности значений уровня серого тона. Элементами этой матрицы P (8,в) являются относительные частоты наличия на изображения соседних

точек с яркостями i и j, расположенных на расстоянии 8 друг от друга по направлению в. Значения параметров 8 и в выбиралась такими же, как и в методе GLD. В качестве текстурных признаков использовались четыре статистики, предложенные в работе [7]: контраст (CON), второй угловой момент (ASM), энтропия (ENT) и корреляция (COR). Общее число признаков, полученных с помощью этого метода, равнялось 16.

Метод GMRF [4]. Пусть 1 - значение уровня серого тона для пикселя с

координатами (х, у). Предполагается, что вероятность значения 1 зависит от пикселей, расположенных в окрестности N (рис. 1):

Í « \2Л

(1ху — Ум atSkl ,t )

Р (1ху I hl,(k, 1) е Nxy ) = I 2 exp

л/2я7Т

где sxy,1 /х—1,у + 1 х+1,у , ^ху,2 1 х,у—1 + 1 х,у+1 , ^»у,3 1 х-2,у + 1 х+2,у ,

£ . = I г, +1 ^, £ , = I , ,+ / , £ , = I , ^ + / , ,. Параметры

ху,4 х,у—2 х,у+2 ’ ху,5 х—1,у—1 х+1,у+1 5 ху,6 х—1,у+1 х+1,у—1 г г

а{= 1,...,6), характеризуют направленность текстуры, а а - ее зернистость. Эти параметры выступают в качестве текстурных признаков.

Рис. 1. Окрестность N для пикселя (х, у) выделена серым цветом

Для фрагмента изображения размером М х N параметры аг и а оцениваются с использованием метода наименьших квадратов следующим образом:

ґ f ^xy,l^xy,l * * * e e xy, 1 xy,« Л -1 / \ •V,v.l

... У — у s s • • • xy,n xy, 1 e e ху,и ху,и У xy s V xy,й й

уГі -уй

¿—І хУ Z-ut=1

= -XL

=1a<Sxy,t

(M - 2)(N - 2)

Метод SAR [9]. Предполагается, что значение I зависит от соседних пикселей: 1= у 6уіі + \[рю(х, у), где © - сложение по модулю M;

(i,j>N

g)(х, y) - независимые одинаково распределенные гауссовские случайные величины с нулевым средним и единичной дисперсией; М - размер квадратного фрагмента изображения; N = {(1,0), (-1,0), (ОД), (0,-1)} - множество координат

соседних точек. Параметры модели - веса в = со/(б?.у,(/',у')еЛ^ (здесь и далее

col (ау ,(i, j) є N) - вектор-столбец (а 0, Я-i о, Я i, ao- \f), характеризуют

зависимость уровня серого от уровней серого соседей; р - общая дисперсия шума. Эти параметры определяются итеративно по следующим формулам:

ґ і Vі / і Л

в(к +1)

R-

1

р(к)

■S

V -

1

V

р(к)

■и

1 M-YM-Y

’Р(к) =

JVi х=0 у=0

где в (к) = col (etJ(к),(i, j) є N^,k-номер итерации, 0(O) = S lÜ,

2

Г

xy " x®i,y® j

M-1M-1

- -7 - -Г

ее — С С

xy xy xy xy ’

x=0 y=0

s=EE-

x=0 y=0

- -T

T z

'xy xy

2ж

^=Z2X’ S=co/ C0ST7((х-1> + (3;-Ш)Д^7)е^

x=0 y=0 x=0 y=0 V M

K. = coi

<£ = 0.001.

Итерационный процесс прекращаются, когда в(к +1) - в(к)

В качестве текстурных признаков были выбраны параметры р, в10 и ^ 1, так как для данного N 610=6_10, а @01 = @0_1.

2. Исходные данные и методика исследования

Для экспериментального исследования использовались 40 текстурных изображений размером 640 х 640 пикселей, взятые из альбома Бродатца [10] (рис. 2), и пять фрагментов спутникового снимка QшckBird (рис. 3), представляющие пять классов земного покрытия - редкие сосновые леса (1), густые сосновые леса (2), лиственные леса (3), сельскохозяйственные угодья (4) и территории садоводческих обществ (5). Фрагменты получены путем преобразования псевдоцветного изображения, построенного с использованием 2, 3 и 4 каналов снимка QuickBird. Размер каждого из этих фрагментов составлял 256 х 256 пикселей.

Рис. 2. Текстурные изображения из альбома Бродатца

Оценка качества систем текстурных признаков производилась путем вычисления ошибки классификации, полученной на контрольной выборке с помощью классификатора максимального правдоподобия, встроенного в пакет RSI ENVI 4.5.

Рис. 3. Пять фрагментов снимка QuickBird

Для формирования обучающих и контрольных выборок на изображениях из альбома Бродатца с помощью скользящего окна с перекрытием 50 % выделялись фрагменты размером 32 х 32 пикселя; на каждом из пяти фрагментов снимка QuickBird с помощью скользящего окна с перекрытием 25 % выделялись фрагменты размером 16 х16. Треть всех выделенных фрагментов использовалась для формирования обучающей выборки, остальные составляли контрольную выборку.

Для сокращения вычислительных затрат при выборе наилучших систем признаков использовалось расстояние Джеффриса-Матусита [11].

3. Результаты экспериментальных исследований

В ходе исследований было установлено, что информативность признаков, получаемых с помощью метода GLCM, зависит от числа уровней квантования серого тона. Набор признаков, полученный при 16 уровнях квантования, обеспечивал минимальную ошибку классификации, поэтому во всех экспериментах использовались изображения с шестнадцатью градациями уровня серого тона.

В таблице представлены результаты классификации изображений, приведенных на рисунках 2 и 3, с использованием различных комбинаций текстурных признаков. Несложно заметить, что при классификации изображений из альбома Бродатца среди отдельных методов наилучшие результаты обеспечивают GLCM и GLD, среди пар методов - GLCM+GLD и GLD+GMRF, а среди троек - GLD+GLCM+GMRF. Использование всех четырех методов обеспечивает незначительное увеличение качества классификации.

Таблица. Результаты классификации

Использованные методы Число признаков Точность классификации, %

Альбом Бродатца QuickBird

GLD 16 90.77 95.43

GLCM 16 90.87 98.29

GMRF 7 71.63 97.40

SAR 3 57.97 92.13

GLD+GLCM 32 93.85 97.61

GLD+GMRF 23 93.04 96.59

GLD+SAR 19 92.83 97.39

GLCM+GMRF 23 92.75 98.41

GLCM+SAR 19 91.69 99.14

GMRF+SAR 10 84.34 97.93

GLD+GLCM+GMRF 39 95.10 97.98

GLD+GLCM+SAR 35 94.09 98.53

GLD+GMRF+SAR 26 94.34 97.55

GLCM+GMRF+SAR 26 93.30 99.01

GLD+GLCM+GMRF+SAR 42 95.20 98.70

В последнем столбце в таблицы представлены результаты классификации пяти фрагментов спутникового снимка QuickBird. В данном случае, среди отдельных методов наилучшие результаты обеспечивают GLCM и GMRF, среди пар методов - GLCM+SAR и GLCM+GMRF, а среди троек -GLCM+GMRF+SAR. Использование всех четырех методов приводит к ухудшению качества классификации.

Из всех 42 признаков были выбраны пары признаков, обеспечивающие максимальное среднее расстояние Джеффриса-Матусита между всеми парами классов. Наилучшие пары образованы признаками COR и ENT метода GLCM; параметр направления в существенного влияния не оказывал. Точность классификации с использованием пяти наилучших пар признаков варьировалась от 96.83 до 97.47 %. Использование наборов из трех, четырех и более признаков к существенному увеличению точности классификации не привело.

Заключение

Проведенные экспериментальные исследования показали, что при наличии большого числа текстурных классов точность классификации можно повысить путем комбинирования рассмотренных в работе методов. Кроме того, по их результатам можно также сделать следующие выводы: при классификации спутниковых изображений наилучшее качество обеспечивает статистический метод GLCM, использование модельных методов GMRF и SAR нецелесообразно ввиду их вычислительной трудоемкости.

БИБЛИОГРАФИЧЕСКИЙ СПИСОК

1. Болсуновский М.Л., Дворкин Б.А. Развитие систем ДЗЗ и информационноаналитического обеспечения данными космической съемки: ближайшие перспективы // Геоинформатика. - 2010. - № 4. - С. 11-17.

2. Харалик Р.М. Статистический и структурный подходы к описанию текстур // ТИИЭР. - 1979. - Т. 67. - №5 - С. 98-120.

3. Zhang J., Tan T. Brief review of invariant texture analysis methods // Pattern Recognition. -2002. - Vol. 35. - P. 735-747.

4. Petrou M., Garcia Sevilla P. Image Processing Dealing with Texture. London: Wiley. -

2006.

5. The Handbook of Patter Recognition and Computer Vision (2nd ed.) / C.H. Chen, L.F. Pau, P.S.P. Wang (eds.) - World Scientific Publishing Co. - 1998. - P. 207-248.

6. Al-Kadi O.S. Texture Measures Combination for Improved Meningioma Classification of Histopathological Images // Pattern Recognition. - 2010. - Vol. 43 (6) - P. 2043-2053.

7. Weszka J.S., Dyer C.R., Rosenfield A. A. Comparative Study of Texture Measures for Terrain Classification // IEEE Trans. on Syst., Man, and Cybernetics. - 1976. -Vol. SMC-6. - No. 4. - P. 269-285.

8. Haralick R. M., Shanmuga K., Dinstein I., Textural Features for Image Classification // IEEE Trans. on Syst. Man and Cybernetics. - 1973. - Vol. SMC3. - P. 610-621.

9. Kashyap R., Chellappa R. Estimation and Choice of Neighbors in Spatial-Interaction Models of Images // IEEE Trans. on Information Theory - 1983. - Vol. IT-29 (1). - P. 60-72.

10. Brodatz P. A. Photographic Album for Artists and Designers // New York: Dover. -

1996.

11. Дейвис Ш.М., Ландгребе Д.А., Филипс Т.Л. и др. Дистанционное зондирование: количественный подход // М.: Недра. - 1983. - 396 с.

© И.А. Пестунов, П.В. Мельников, 2012