بهبود طبقه بندی طیفی-مکانی تصاویر ابرطیفی با به کارگیری اطلاعات مکانی در انتخاب نشانه ها

نوع مقاله: مقاله پژوهشی

نویسندگان

1 دانشجوی دکتری سنجش از دور، گروه مهندسی نقشه برداری، دانشگاه تهران

2 دانشیار گروه ژئودزی، دانشکده مهندسی نقشه برداری و اطلاعات مکانی، دانشگاه تهران

3 استادیار سنجش از دور، گروه جغرافیا، دانشگاه اوتاوا، کانادا

چکیده

فنآوری سنجش از دور ابرطیفی دارای کاربردهای فراوان در طبقه‌ بندی پوشش‌ های زمین و بررسی تغییرات آنها است. معمولترین روش جهت طبقهبندی تصاویر ابرطیفی، طبقه‌ بندی مبتنی بر پیکسل بوده که در آن هر پیکسل فقط با اطلاعات طیفی خود و بدون در نظر گرفتن پیکسل های همسایه، به کلاس مشخصی اختصاص می‌ یابد. پیشرفتهای اخیر و ایجاد تصاویری با قدرت تفکیک مکانی بالا، لزوم استفاده توأم از اطلاعات طیفی و مکانی را در طبقه‌ بندی تصاویر ابرطیفی ایجاب می‌ کند. در این تحقیق روشی جدید برای طبقه‌ بندی طیفی-مکانی تصاویر ابرطیفی و بر اساس الگوریتم قطعه‌ بندی هرمیمبتنی بر نشانه معرفی میشود. در میان الگوریتمهای مختلف طبقهبندی طیفی-مکانی تصاویر ابرطیفی، تاکنون الگوریتم قطعهبندی هرمی مبتنی بر نشانه در ترکیب با الگوریتم طبقه‌ بندی ماشین بردار پشتیبان به بهترین نتایج دست یافته است. در روش پیشنهادی برای انتخاب نشانهها از ترکیب قطعهبندی واترشد (Watershed)و طبقهبندی ماشین بردار پشتیبان استفاده میشود. برای این منظور از میان پیکسلهای با بیشترین جمعیت برای هر ناحیه از نقشه قطعهبندی، آنهایی که دارای بالاترین درجه تعلق به یک کلاس هستند، به عنوان نشانه انتخاب میگردند. سپس بر روی نشانه‌ های بدست آمده، الگوریتم قطعهبندی هرمی پیادهسازی میشود. در نهایت نقشه قطعه‌ بندی بدست آمده به کمک قانون تصمیم رأی اکثریت با نقشه طبقهبندی ماشین بردار پشتیبان ترکیب می‌ گردد. روش پیشنهادی بر روی سه تصویر ابرطیفی Pavia، Berlin و DC Mall پیادهسازی شد، نتایج آزمایشات بدست آمده برتری روش پیشنهادی را در مقایسه با الگوریتم هرمی مبتنی بر نشانه اولیه نشان میدهد. این برتری برابر با 4، 6 و 5 درصد در پارامتر ضریب کاپا و به ترتیب برای تصاویر  Pavia، Berlin و DC Mall میباشد.

کلیدواژه‌ها


عنوان مقاله [English]

Improving the spectral-spatial classification of hyperspectral images using spatial information in selecting markers

نویسندگان [English]

  • Davood Akbari 1
  • Abdolreza Safari 2
  • Saeid Homayouni 3
1 Ph.D student remote sensing, surveying and geomatics engineering department, college of engineering,University of Tehran, Tehran, Iran
2 Associate professor of surveying and geospatial engineering, faculty of engineering, University of Tehran
3 Assistant professor, department of geography, environmental studies and geomatics, University of Ottawa, Ottawa, Canada
چکیده [English]

Abstract
Recently, a new approach, based on the Hierarchical SEGmentation (HSEG), grown from automatically selected markers using Support Vector Machines (SVM), has been proposed for spectral-spatial classification of hyperspectral images. The HSEG algorithm, which combines region object finding with region object clustering, has given good performances for hyperspectral image analysis. This technique produces at its output a hierarchical set of image segmentations. This paper aims at improving this approach by using image segmentation to integrate the spatial information into the marker selection process. In this study, the markers are extracted from the classification maps obtained by both SVM and watershed segmentation algorithm. The watershed algorithm is used in parallel and independently to segment the image. It is a powerful morphological approach to image segmentation. Moreover, the class’s pixels, with the largest population in the classification map, are kept for each region of the segmentation map. Lastly, the most reliable classified pixels are chosen from among the exiting pixels as markers. Then, a marker-based HSEG algorithm is applied. Each region from the segmentation map is classified by applying a majority vote rule over the pixel-wise SVM classification results. Three benchmark urban hyperspectral datasets are used for our comparisons: Pavia, Berlin and DC Mall. The results of our experiment indicate that, compared to the original hierarchical approach, the marker selection using segmentation algorithm leads in more accurate classification maps. Indeed, the proposed approach achieves an approximately 4%, 6% and 5% kappa coefficient higher than the original hierarchical-based algorithm for the Pavia, Berlin, and DC Mall datasets, respectively.

کلیدواژه‌ها [English]

  • Hyperspectral Image
  • Spectral-Spatial Classification
  • Marker Selection
  • Watershed Segmentation
  • Marker based hierarchical segmentation
1. Benediktsson, J.A., Palmason, J.A., & Sveinsson, J.R. (2005). Classification of hyperspectral data from urban areas based on extended morphological profiles. IEEE Trans. Geos. and Remote Sens., 43(3):480–491.

2. Benediktsson, J.A., Pesaresi, M., & Arnason, K. (2003). Classification and feature extraction for remote sensing images from urban areas based on morphological transformations. IEEE Trans. Geos. And Remote Sens., 41(9):1940–1949.

3. Bitam, A., & Ameur, S. (2013). A local-spectral fuzzy segmentation for MSG multispectral images. International Journal of Remote Sensing, 34: 8360–8372.

4. Cristianini, N. & Shawe-Taylor, J. (2000). An Introduction to Support Vector Machines and Other Kernel-based Learning Methods. Cambridge University Press.

5. Gómez, O.,  González, J.A., & Morales, E.F. (2007). Image segmentation using automatic seeded region growing and instance-based learning. in Proc. 12th Iberoamerican Congress Pattern Recognition, Valparaiso, Chile, 192–201.

6. Gonzalez, R.C., & Woods, R.E. (2002). Digital Image Processing. Prentice Hall, 617 – 626.

7. Homayouni, S., & Roux, M. (2003). Material Mapping from Hyperspectral Images using Spectral Matching in Urban Area. IEEE Workshop on Advances in Techniques for analysis of Remotely Sensed Data, NASA Goddard center, Washington DC, USA.

8. Huang, X., & Zhang, L. (2009). A comparative study of spatial approaches for urban mapping using hyperspectral rosis images over pavia city, northern Italy. International Journal of Remote Sensing, 30(12):3205–3221.

9. Jackson, Q., & Landgrebe, V. (2002). Adaptive bayesian contextual classification based on Markov random fields. IEEE Trans. Geos. And Remote Sens., 40(11):2454–2463.

10. Noyel, G. (2008). Filtrage, Réduction de Dimension, Classification et Segmentation Morphologique Hyperspectrale. Ph.D. dissertation, Ctr. Mathematical Morphology, Paris Sch. Mines, Paris, France.

11. Noyel, G., Angulo, J., & Jeulin, D. (2007). Morphological segmentation of hyperspectral images. Image Anal. Stereol., 26: 101–109.

12. Pesaresi, M., & Benediktsson, J.A. (2001). A new approach for the morphological segmentation of high-resolution satellite imagery. IEEE Trans. Geosci. Remote Sens., vol. 39, no. 2, pp. 309–320.

13. Richards, J.A., & Jia, X. (2006). Remote Sensing Digital Image Analysis: An Introduction. Springer- Verlag Berlin Heidelberg.

14. Soille, P. (2003). Morphological Image Analysis. 2nd ed. Berlin, Germany: Springer-Verlag.

15. Tarabalka, Y., Benediktsson, J.A., & Chanussot, J. (2009). Spectral-spatial classification of hyperspectral imagery based on partitional clustering techniques. IEEE Translation Geoscience Remote Sensing, 47(9): 2973–2987.

16. Tarabalka, Y., Benediktsson, J.A., Chanussot, J., & Tilton, J.C. (2010). Multiple spectral-spatial classification approach for hyperspectral data. IEEE Translation Geoscience Remote Sensing, 48(11): 4122–4132.

17. Tarabalka, Y., Chanussot, J., & Benediktsson, J.A., (2010a). Segmentation and classification of hyperspectral images using minimum spanning forest grown from automatically selected markers. IEEE Trans. Syst., Man, Cybern. B, Cybern., vol. 40, pp. 1267–1279.

18. Tarabalka, Y., Tilton, J.C., Benediktsson, J.A., & Chanussot, J. (2011). A Marker-Based Approach for the Automated Selection of a Single Segmentation from a Hierarchical Set of Image Segmentations. IEEE Journal of Selected Topics in Applied Earth Observations and Remote Sensing.

19. Tilton, J. (2003). Analysis of hierarchically related image segmentations. in Proc. IEEE Workshop Adv. Tech. Anal. Remotely Sensed Data, 60–69.

20. Tilton, J. (2009). RHSEG User’s Manual: Including the Core RHSEG Open Source Release, HSEGExtract, HSEGReader and HSEGViewer.

21. Van der Meer, F. (2006).  The effectiveness of spectral similarity measures for the analysis of hyperspectral imagery. Int. J. Appl. Earth Observation Geoinformation, vol. 8, no. 1, pp. 3–17.

22. Vapnik, V. (1995). The Nature of Statistical Learning Theory. New York, NY: Springer-Verlag.

23. Varshney, P.K., & Arora, M.K. (2004). Advanced Image Processing Techniques for Remotely Sensed Hyperspectral Data. Springer Berlin Heidelberg New York.

24. Vincent, L., & Soille, P. (1991). Watersheds in digital spaces: an efficient algorithm based on immersion simulations. IEEE Translation Pattern Anal. Mach. Intell., 583–598.