Zastosowanie metody parametrycznej w klasyfikacji obiektowej obrazu satelitarnego SPOT

W artykule przedstawione są wyniki klasyfikacji obiektowej zdjęcia satelitarnego SPOT, o rozdzielczości przestrzennej 20 m. W klasyfikacji zastosowano zasady postępowania zbliżone do stosowanych w metodzie tzw. drzewa decyzyjnego. Podstawowe klasy pokrycia terenu są identyfikowane podczas sekwencji niezależnych procesów, w czasie których analizowane są obiekty jeszcze niesklasyfikowane w toku poprzednich procesów. Dodatkowo przyjęto założenie wykonania klasyfikacji bez stosowania metody Najbliższego Sąsiada (dostępnej w oprogramowaniu eCognition). Treść zdjęcia satelitarnego została podzielona z zastosowaniem parametrów charakteryzujących w sposób bezpośredni obiekty. Wykorzystano również specjalnie w tym celu opracowane funkcje. Algorytm postępowania rozpoczyna się od rozpoznania klasy wody, której obiekty są definiowane w wyniku procesu wielopoziomowej segmentacji. Następnie wykonywana jest nowa segmentacja dla pozostałych klas. Z treści zdjęcia zostaje wydzielana ogólna klasa lasów a po niej zabudowa; obie klasy dzielone są później na podklasy. Pozostałe, jeszcze nierozpoznane, obiekty dzielone są na łąki i pola. W drugim etapie klasyfikacji, na podstawie już sklasyfikowanych obiektów wyłaniane są dodatkowe klasy: tereny podmokłe, działki i sady, zieleń miejska, place budów oraz zmiany w lesie. W sumie rozpoznano 13 klas. Końcowy wynik klasyfikacji został opracowany z zastosowaniem procedury generalizacji mającej na celu uzyskanie danych spełniających kryterium jednostki odniesienia o wielkości 4 ha. Całkowita dokładność klasyfikacji wyniosła ponad 89%.

The paper presents results of object-oriented classification of whole 20-meter resolution SPOT scene covering the Kujawy region. The classification approach applied in this work was similar to that used in the so-called decision tree method. The main land cover classes were identified in a sequence of independent processes, assuming that each subsequent process deals solely with objects not classified yet. Another assumption was to implement rule-based approach rather than the Standard Nearest Neighbor classifier (available in eCognition software). In this approach, contents of satellite image were characterized by various spectral/texture parameters directly describing individual land cover/land use classes; in addition, by pre-defined functions, determined on the basis of graphical analysis of feature space constructed for particular terrain objects were used. The classification process begins with recognition of water class the objects of which were delineated using multiresolution segmentation. New segmentation is prepared for the remaining land cover classes. Subsequently, the general forest class and the urban class are discriminated; at the next stage, both classes are divided into sub-categories. Consequently, broad agricultural and grassland classes are determined. At the second stage of classification, more detailed classes are discriminated within the general land cover categories: wetlands, orchards, urban green areas, construction sites, and deforestations. Overall, 13 land cover/land use categories were discriminated in the work presented. The final classification map was prepared using the aggregation procedure to obtain a map resolution fulfilling the 4ha size of Minimum Mapping Unit. The accuracy was assessed using the method of randomly distributed points; the number of points assigned to each class for checking was proportional to the acreage of that class. The overall accuracy of all classes checked in the verification process reached 89%. The method presented was applied to two other test sites in Poland: the regions of Podlasie and Wielkopolska. Despite differences in land cover/land use patterns, both regions were classified with a comparable, high accuracy.