Classificação hierárquica orientada a objeto em imagens de alta resolução espacial empregando atributos espaciais e espectrais

Abstract

A alta resolução espacial, incorporada aos novos sensores remotos imageadores, apresenta um cenário que promove uma captura excessiva das variações espectrais das classes, funcionando mais como ruído e aumentando desnecessariamente a variância interna das classes. Estas características geram prejuízos no processo de classificação, pois aumentam o erro de Bayes e conseqüentemente pioram a acurácia da classificação. Por isso, a necessidade de abandonar o pixel como unidade de classificação e passar adotar regiões obtidas por segmentação prévia da imagem. Buscando introduzir no processo de classificação variáveis que pudessem se adequar a essas novas características, o presente estudo propõe-se investigar a utilização de atributos de forma e textura em adição aos atributos espectrais. Para poder avaliar a eficácia de cada atributo no processo de classificação, será utilizado um algoritmo de classificação em múltiplos estágios e entre os possíveis critérios de separabilidade será utilizada a distância de Bhattacharrya. A aplicação do algoritmo proposto foi testado sobre os dados imagem do sistema Quickbird e a implementação em ambiente Matlab.

High spatial resolution image data are becoming increasingly available to the users community. The obvious advantages introduced by high resolution data also pose some new challenges. Chief among them is the problem of digital image classification. The traditional pixel based classification procedures frequently yield poor results when applied to high spatial resolution image data. The small ground pixel size frequently captures an unnecessary high level of detail resulting in large class-variances which increase the confusion among classes. In this context, it is normally more convenient to replace individual pixels by image segments, also known as objects, as individuals to be labeled according with the existing classes. One of the main advantages of employing smaller pixels is the ability of capturing spatial information such as shape and texture which may be conveniently added to the spectral data to increase the accuracy in the resulting thematic map. In this study, it is investigated the combined use of spectral and spatial attributes in a classifier. As the data dimensionality may increase substantially due to the larger amount of data used, a feature extraction process are used in the classification procedure, rather than the original spectral and spatial data themselves. A binary decision tree classifier is used in this study to label every image segment. In a binary tree, only two classes are considered at a time on every node. The feature extraction procedure has to optimize the distance between a pair of classes. In this study, the criterion used to define the linear transformation for feature extraction is the Bhattacharyya distance. The proposed methodology is tested using high spatial resolution image data acquired by the sensor system Quickbird. Results are presented and commented.