DOI QR코드

DOI QR Code

The Classification Accuracy Improvement of Satellite Imagery Using Wavelet Based Texture Fusion Image

웨이브릿 기반 텍스처 융합 영상을 이용한 위성영상 자료의 분류 정확도 향상 연구

  • Hwang, Hwa-Jeong (Dept. of Earth Science Education, Seoul National University) ;
  • Lee, Ki-Won (Dept. of Information System Engineering, Hansung University) ;
  • Kwon, Byung-Doo (Dept. of Earth Science Education, Seoul National University) ;
  • Yoo, Hee-Young (Dept. of Earth Science Education, Seoul National University)
  • 황화정 (서울대학교 사범대학 지구과학교육과) ;
  • 이기원 (한성대학교 정보시스템공학과) ;
  • 권병두 (서울대학교 사범대학 지구과학교육과) ;
  • 류희영 (서울대학교 사범대학 지구과학교육과)
  • Published : 2007.04.30

Abstract

The spectral information based image analysis, visual interpretation and automatic classification have been widely carried out so far for remote sensing data processing. Yet recently, many researchers have tried to extract the spatial information which cannot be expressed directly in the image itself. Using the texture and wavelet scheme, we made a wavelet-based texture fusion image which includes the advantages of each scheme. Moreover, using these schemes, we carried out image classification for the urban spatial analysis and the geological structure analysis around the caldera area. These two case studies showed that image classification accuracy of texture image and wavelet-based texture fusion image is better than that of using only raw image. In case of the urban area using high resolution image, as both texture and wavelet based texture fusion image are added to the original image, the classification accuracy is the highest. Because detailed spatial information is applied to the urban area where detail pixel variation is very significant. In case of the geological structure analysis using middle and low resolution image, the images added by only texture image showed the highest classification accuracy. It is interpreted to be necessary to simplify the information such as elevation variation, thermal distribution, on the occasion of analyzing the relatively larger geological structure like a caldera. Therefore, in the image analysis using spatial information, each spatial information analysis method should be carefully selected by considering the characteristics of the satellite images and the purpose of study.

지금까지 위성영상 정보 처리 분야에서는 분광정보를 이용한 영상분석과 시각적 해석 및 자동 분류에 대한 연구가 주로 수행되었으나, 최근에는 영상자료에서 시각적으로 나타나지 않는 특성이나 공간정보의 추출을 위한 여러 시도가 이루어지고 있다. 본 연구에서는 영상정보의 특성 추출기법인 텍스처 영상 생성기법과 웨이브릿 변환을 연계하여 웨이브릿 기반 텍스처 융합 영상에 대한 연구를 수행하였다. 또한 이러한 영상이 분류 정확도에 어떻게 기여하는 가를 분석하기 위한 적용 사례로 도심지 공간분석과 칼데라 주변지역의 지질학적 구조분석을 수행하였다 영상 분석 시 공간정보 활용을 위한 텍스처 영상 생성기법과 웨이브릿 기반 텍스처 융합 영상 생성기법을 사용하면 원본영상만을 사용하였을 때보다 높은 분류정확도를 보였다. 고해상도 영상을 사용한 도심지의 경우 원본영상에 텍스처영상과 웨이브릿 기반 텍스처 융합 영상을 모두 활용한 경우의 분류정확도가 가장 높은 값을 보였다. 이는 상세화소의 변화가 매우 중요한 도심지의 특성상, 세밀한 공간정보가 최대로 활용되었기 때문으로 해석되어진다. 또한 중 저해상도 영상을 사용한 지질학적 구조분석의 경우 원본영상에 텍스처 영상만을 활용한 경우가 가장 높은 분류정확도를 보였다. 이는 칼데라를 중심으로 한 비교적 크기가 큰 지질학적 구조 분석 시 고도변화와 지열분포 등의 정보가 적당히 단순화 될 필요가 있었기 때문인 것으로 해석된다. 따라서 이러한 기법들을 실제 연구에 적용하기 위해서는 연구의 목적과 위성영상의 해상도 등의 정보를 모두 고려하여 적절한 기법을 잘 적용하는 것이 중요하다.

Keywords

References

  1. Arivazhagan, S. and L. Ganesan, 2003. Texture segmentation using wavelet transform, Pattern Recognition Letters, 24: 3197-3203 https://doi.org/10.1016/j.patrec.2003.08.005
  2. Haralick, R. M., K. Shanmugam, and I. Dinstein, 1973. Textural features for image classification, IEEE Transactions on Systems, Man and Cybernetics, SMC -3: 610-621 https://doi.org/10.1109/TSMC.1973.4309314
  3. Huang P. W. and S. K. Dai, 2004. Texture segmentation using wavelet transform, Information Processing and Management, 40: 81-96 https://doi.org/10.1016/S0306-4573(02)00097-3
  4. Jeon, S. H., K. Lee, and B.-D. Kwon, 2004. Implementation for Texture Imaging Algorithm based on GLCM/GLDV and Use Case Experiments with High Resolution Imagery, Proceedings of International Symposium Remote Sensing 2004, Jeju, Korea, Nov: 626-629
  5. Lu, D. and Q. Weng, 2003. Urban Classification Using Full Spectral Information of Landsat EMT+ imagery in Marion Country, Indiana, Photogrammetric Engineering and Remote Sensing, 71(11): 1275-1284
  6. Mallat, S. G., 1989. A theory of multi-resolution signal decomposition: The wavelet representation, IEEE Transaction on Pattern Analysis Machine Intelligence, 11(7): 674-693 https://doi.org/10.1109/34.192463
  7. Myint, S. W., 2003. The Use of Wavelets for Feature Extraction of Cities in Satellite Images, Remotely Sensed Cities (Victor Mesev, editor), Taylors Frances, New York, USA
  8. Seisuke F. and H. Hirosawa, 1999. A Wavelet-Based Texture Feature Set Applied to Classification of Multifrequency Polarimetric SAR Images, IEEE Transactions on Geoscience and Remote Sensing, 37(5): 2282-2286 https://doi.org/10.1109/36.789624
  9. Sgrenzaroli, M., A. Baraldi, G. D. De Grandi, H. Eva, and F. Achard, 2004. A Novel Approach to the Classification of Regional-Scale Radar Mosaics for Tropical Vegetation Mapping, IEEE Transactions on Geoscience and Remote Sensing, 42(11): 2654-2669 https://doi.org/10.1109/TGRS.2004.836816
  10. Yoo H. Y. and K. Lee, 2005. Texture Fusion on Wavelet Scheme with Space Borne High Resolution Imagery: An Experimental Study, Korean Journal of Remote Sensing, 21(3): 243-252 https://doi.org/10.7780/kjrs.2005.21.3.243
  11. Zhang, Y., 1999. Optimization of building detection in satellite images by combining multispectral classification and texture filtering, Photogrammetry and Remote Sensing, 54(1): 50-60 https://doi.org/10.1016/S0924-2716(98)00027-6