Classification of satellite images by including spectral and textural information

Abstract

Mit den Fortschritten in der Sensortechnologie auf dem Gebiet der Fernerkundung aus dem Weltraum tauchen neue Herausforderungen auf. Die hochauflösenden Bilder eröffnnen einen weiten neuen Anwendungsbereich, aber im gleichen Tempo erfordert die Interpretation neue Ansätze, von reiner spektralen Interpretation hin zu einer mehr ganzheitlichen. Diese Arbeit stellt nur einen kleinen Aspekt der Interpretationsart in den Mittelpunkt und nur eine spezielle Anwendung, welche heute wichtig geworden ist, wo die Kohlendioxid-Bilanz ein Anliegen wurde. Wälder sind wichtige CO2 Verbraucher und deshalb ist es sinnvoll sich auf die Interpretation von Waldbeständen zu konzentrieren, in diesem Fall auf ein Gebiet in Mitteleuropa. Der Hauptzweck dieser Untersuchung richtet sich auf die Waldklassifizierung und auf die Interpretation von verschiedenen Arten von Waldbeständen aus hochauflösenden Satellitenbildern. Die verwendeten Bilder wurden durch den Satelliten Pléiades 1B aufgenommen, der für eine gute Texturinterpretation geeignete räumliche Auflösung bietet, mit deren Hilfe man zwischen verschiedenen Waldbereichen unterscheiden kann. Zusammen mit der spektralen Information erwartet man sogar eine Verbesserung der Klassifizierungsqualität im Vergleich zur Interpretation der reinen multispektralen Objekteigenschaften. Daher befasst sich diese Studie mit der Beurteilung von Standardstrategien der Bildinterpretation, wenn sowohl spektrale auch texturale Information berücksichtigt wird. Der Schlüssel für die Texturcharakterisierung von Forstgebieten wurde in den Haralick Texturmerkmale gefunden, die seit Jahrzehnten bekannt sind, daher wurde für den speziellen Zweck eine gründliche Untersuchung durchgeführt in Bezug auf die Ableitung geeigneter Texturmerkmale und das Studium ihrer Eigenheiten. Einer der Standardklassifizierungsalgorithmen ist die Maximum Likelihood Klassifikation. Natürlich stellt sich die Frage, ob die Maximum Likelihood Klassifikation für Texturklassifikation gut genug wäre. Daher wurde die Verteilung der Klassen im Merkmalsraum der Texturmerkmale untersucht und es wurde dann entschieden, Maximum Likelihood für die Klassifizierung sowohl der multispektralen als auch der texturalen Parameter zu verwenden, von denen Mean, Contrast und Entropy vielversprechende Ergebnisse lieferten, welche auch schon in früheren Forschungen mit anderen Satellitendaten sich als wertvoll erwiesen. Des Weiteren wurde eine Qualitätsbeurteilung der Daten durchgeführt, bei welcher die erhaltenen Genauigkeiten recht hoch waren, um die 80%, und im erwarteten Rahmen lagen, wenn auch eine signifikante Verbesserung der Genauigkeiten durch Einbeziehung der Texturinformation nicht beobachtet werden konnte. Für diese Untersuchungen wurde kommerzielle Software (ENVI Bildanalyse (The Environment for Vizualizing Images)), Open Source Produkte und andere kleinere Werkzeuge für die Visualisierung, Analyse und Prozessierung verwendet nebst selbst entwickelter Software. Es gibt noch ein paar offene Fragen für zukünftige Forschung, deren Untersuchung den Rahmen einer Diplomarbeit gesprengt hätte, und zwar den Einfluss bei der Kombination verschiedener Haralick-Merkmale und beim Variieren der Parameter für deren Herleitung.

With the advance in sensor technology in the field of remote sensing from space, new challenges emerge. The high-resolution images offer a wide range of new applications, but at the same pace, the interpretation requires new approaches, from pure spectral interpretation to a more holistic one. This thesis focuses only on a small aspect of that sort of interpretation and on one specific application, which has been gaining increasing importance nowadays, where the carbon dioxide balance has become an issue. Forests are important CO2 sinks, and therefore, it makes sense to concentrate on the interpretation of forest stands, in this case in the area of central Europe. Thus, the principal objective of this investigation is to focus on forest classification and to interpret different types of forest stands in high-resolution satellite images. The used images have been captured by Pléiades 1B satellites, whose spatial resolution provides quite good textural information, which may be utilized to distinguish between different types of forest patches. Together with the spectral information, one may expect even an improvement of the classification quality compared to the interpretation of sole multispectral object properties. Therefore, this research concentrates on assessing standard strategies for image classification if the spectral and textural information is to be taken into consideration. The key for characterizing texture in forest areas was found in using a set of Haralick textural features known already for many decades, therefore for the special purpose a thorough investigation of generating suitable textural features has been carried out and their properties have been studied. One of the standard classification algorithms in remote sensing is the Maximum Likelihood classification. The question arises of course, whether the Maximum Likelihood classification would be appropriate enough for the textural classification. Therefore, the distribution of the classes in the feature space for the textural parameters has been investigated and then the decision has been made to use the Maximum Likelihood for classifying the multispectral as well as for textural parameters, from which Mean, Contrast, and Entropy delivered promising results, which have proved of value in previous research with other satellite data. Further, the quality assessment of the data has been made, where the resulted accuracies are quite high, around 80%, and lie in the expected range, although a significant improvement by including textural features cannot be observed. In the frame of these investigations, commercial software (ENVI Image Analysis (the Environment for Visualizing Images)), open source products, and a few other minor tools have been used for visualization, analysis, and processing, besides own software developments. There are still a few open issues for future work, whose investigation would have exceeded the effort for a diploma thesis, in particular, the influence of combining various Haralick features and of varying the parameters for their generation.