Semivariogram calculation optimization for object-oriented image classification

• Autores: A. Balaguer Beser , Txomin Hermosilla, J. Recio, L.A. Ruiz
• Localización: Modelling in Science Education and Learning, ISSN-e 1988-3145, Nº. 4, 2011, págs. 91-104
• Idioma: inglés
• DOI: 10.4995/msel.2011.3057
• Enlaces
  • Texto completo
• Dialnet Métricas: 1 Cita
• Resumen
  • español

    En este trabajo se proponen y evalúan diferentes parámetros matemáticos extraídos del semivariograma experimental para la clasificación de los usos del suelo mediante imágenes de alta resolución, usando los límites catastrales para la definición de los objetos de análisis. En primer lugar, se describe el proceso de cálculo del semivariograma a partir de los valores de niveles de gris del objeto imagen. Con el fin de optimizar el tiempo de cálculo se presentan dos técnicas de selección de píxeles que conservan la forma original del semivariograma. A continuación se definen varios parámetros del semivariograma. Final- mente, se usan diferentes técnicas estadísticas para la selección de los parámetros más discriminantes. La última sección muestra los resultados obtenidos con las imágenes digitales aéreas de una zona agrícola en la costa mediterránea de España. El estudio de la aplicación práctica que se presenta facilita la comprensión de la relación entre el comportamiento del semivariograma experimental y la variabilidad de los valores de intensidad en una imagen digital. Con el fin de seguir el desarrollo de este trabajo, el lector debe conocer algunos métodos estadísticos de clasificación y algunas técnicas de procesamiento digital de imágenes.

  • English

    In this paper we propose and evaluate different mathematical parameters extracted from the experimental semivariogram for land use/land cover classification using high-resolution images and cadastral mapping limits for the definition of the objects of analysis. First, we describe the process of calculating the semivariogram from the gray level values in an image object. In order to optimize the computation time we present two pixel selection techniques that preserve the original shape of the semivariogram.  Several parameters are then extracted from the semivariogram. Finally, we use various statistical techniques to select the most discriminant parameters. Last section shows the results obtained using aerial digital images of an agricultural area on the Mediterranean coast of Spain. The study of the practical application presented in this paper facilitates the understanding of the relationship between the behaviour of the experimental semivariogram and the variability of the intensity values in a digital image. In order to follow the development of this work, the reader should know some basis of classification methods and digital image processing techniques.

• Referencias bibliográficas
  • P.M. Atkinson, P. Lewis, 2000, Geostatistical classification for remote sensing: an introduction. Computers and Geosciences 26, 361-371. http://dx.doi.org/10.1016/S0098-3004(99)00117-X
  • A. Balaguer, L.A. Ruiz, T. Hermosilla, J.A. Recio, 2010, Definition of a comprehensive set of texture semivariogram features and their evaluation...
  • J.S. Borak, and A.H. Strahler, 1999, Feature selection and land cover classification of a MODIS-like data set for a semiarid environment....
  • J.R. Carr, F.P. Miranda, 1998, The semivariogram in comparison to the cooccurrence matrix for classification of image texture. IEEE Transactions...
  • P. Curran, 1988, The semivariogram in remote sensing: an introduction: Remote Sensing of Environment 24, 493-507. http://dx.doi.org/10.1016/0034-4257(88)90021-1
  • J.P. Chilés, P. Delfinder, 1999, Geostatistics. Modeling Spatial Uncertainty, John Wiley and Sons, New York.
  • Y. Freund, 1995, Boosting a weak learning algorithm for majority. Information and Computation 121(2), 256-285. http://dx.doi.org/10.1006/inco.1995.1136
  • P. Goovaerts, 1997, Geostatistics for Natural Resources Evaluation. Oxford University Press: New York.
  • E.H. Isaaks, R.M. Srivastava, 1989, An introduction to applied geostatistics. Oxford. [10] D.K. McIver, M.A. Friedl, 2002, Using prior probabilities...
  • C. Portalés, N. Boronat-Zarce-o, J.E. Pardo-Pascual, A. Balaguer-Beser, 2009, Seasonal precipitation interpolation at the valencia region...
  • M.J. Pyrcz, C.V. Deutsch, 2003, The Whole Story on the Hole Effect. In: Searston, S. (Eds.) Geostatistical Association of Australasia, Newsletter...
  • J.R. Quinlan, 1993, C4.5: Programs For Machine Learning. Morgan Kaufmann, Los Altos.
  • J. Recio, 2009, Técnicas de extracción de características y clasificación de imágenes orientada a objetos aplicadas a la actualización de...
  • L.A. Ruiz, J.A. Recio, T. Hermosilla, 2007, Methods for automatic extraction of regularity patterns and its application to object-oriented...
  • M. Story, R. G. Congalton, 1986, Accuracy assessment: a user's perspective, Photogram- metric Engineering and Remote Sensing, 52(3), 397-399.