Author: JUAN FRANCISCO ROBLES CAMACHO

Extracción de mapas temáticos a partir de la clasificación en imágenes satelitales

JUAN FRANCISCO ROBLES CAMACHO (2007)

A method for classifying multi-spectral satellite images based on some knowledge,

called Multi-Model Classification Scheme (MMCS), is presented in this work. The

MMCS is divided into two parts: Descriptive and Contextual. The descriptive part

refers to the texture, geometrical shape and spectral features of a region. The contextual

part refers to the topological relationships among the image regions. Data

mining techniques are used to discover both types of knowledge.

The extracted knowledge from the regions of interest, coming from their descriptive

features (texture, shape and spectral) and contextual features (topological relationships),

is organized in a knowledge representation scheme based on semantic

networks. The MMCS reclassifies the previously classified regions by the parametric

algorithms (Minimum Mean Distance, Parallelepiped, Maximum Similarity and Mahalanobis Distance) in order to improve the algorithm classification results that only

take into account the spectral features of the satellite image.

The Halcon Image-Analysis System (version. 7,1) was used to process satellite

images. Matlab was used to preclassify a satellite image using parametric algorithm.

C++ was used to classify the regions in the MMCS.

Experiments were done over 30 segments of multi-spectral satellite images (SPOT-

5) from two areas in Mexico, specifically the coastal zones of the Port of Veracruz and

Campeche. 20 segments were used during the training processes and the remaining

10 at the classifiers testing processes. The quantitative classification testing results

obtained by parametric algorithms went from 84 to 95 percent of precision. At the

reclassification process, using the nominated MMCS, the precision percentage reached

was between 95% and 98 %. It was observed that the MMCS increases the classification

percentages obtained by the parametric algorithms between 3-15% depending

on the complexity on the image, also the proposed algorithm tends to normalize the

precision percentages over 95% at the parametric algorithms classification. However,

the qualitative evaluation performed to the thematic images, obtained from the classification and reclassification, is low. This is mainly due to the fact that the thematic

maps contain classified regions without a well defined shape.

En este trabajo se presenta un método de clasificación de imágenes satelitales multiespectrales basado en conocimiento, llamado, Esquema de Clasificación Multi Modelos o MMCS. El conocimiento del MMCS es dividido en dos partes: Conocimiento Descriptivo y Conocimiento Contextual. El Conocimiento Descriptivo se refiere a las características Espectrales, de Textura y de Forma Geométrica de una región. El conocimiento Contextual se refiere a las relaciones topológicas entre las regiones de la imagen. Técnicas de Minería de datos son usadas para el descubrimiento del conocimiento Descriptivo Contextual de las Regiones de interés. El conocimiento extraído de las regiones de interés, a partir de sus características descriptivas (Espectrales, Textura y Forma) y su características contextuales (relaciones Topológicas) se organizan en un Esquema de representación de Conocimiento basado en Redes Semánticas. El MMCS realiza la reclasificación de las regiones previamente clasificadas por los algoritmos paramétricos (Distancia Mínima a la Media, Paralelepípedo, Máxima Similaridad y Distancia Mahalanobis), con la finalidad de mejorar los resultados de clasificación de los algoritmos que sólo toman en cuenta las características espectrales de la imagen satelital. Para el tratamiento de las imágenes satelitales se usó el sistema de análisis de imágenes Halcón en su versión 7.1. Para la preclasificación de las imágenes satelitales por los algoritmos paramétricos se utilizó Matlab. Y la clasificación de las regiones en el MMCS se realizó en C++. Los experimentos se realizaron sobre 30 segmentos de Imágenes Satelitales Multiespectrales SPOT-5 en dos áreas de estudio dentro de la Republica Mexicana, que comprenden zonas costeras del puerto de Veracruz y Campeche. Para los procesos de entrenamiento se utilizaron 20 segmentos y los 10 segmentos restantes se utilizaron para los procesos de pruebas de los clasificadores.

Master thesis

Satellite tracting Image processing Data mining INGENIERÍA Y TECNOLOGÍA CIENCIAS TECNOLÓGICAS TECNOLOGÍA DE LOS ORDENADORES BANCOS DE DATOS

Minería de datos con información de contexto para la clasificación de imágenes satelitales

Data mining with context information for satellite image classification

JESUS ANTONIO GONZALEZ BERNAL LEOPOLDO ALTAMIRANO ROBLES JUAN FRANCISCO ROBLES CAMACHO (2008)

En este artículo se presenta un esquema de clasificación multi-modelos para imágenes satelitales apoyado con información de contexto con el que se mejora la precisión de una pre-clasificación obtenida con algoritmos paramétricos. El nuevo esquema utiliza una red semántica como representación de conocimiento que almacena patrones creados con un ensamble de árboles de decisión (alimentado con características espectrales, de textura y geométricas para describir a las regiones de interés) y por otro lado patrones espaciales creados a partir de una representación basada en grafos (con información de contexto a partir de relaciones espaciales entre las regiones de interés). Los resultados experimentales muestran que el esquema de clasificación propuesto mejora la precisión de la pre-clasificación de los algoritmos paramétricos al utilizar información de contexto.

This paper presents a multi-model classification schema for satellite images supported with context information to enhance the accuracy of a pre-classification obtained with parametric algorithms. This new scheme uses a semantic network as knowledge representation that stores the patterns created with a decision tree ensemble (fed with spectral, texture and geometric descriptive characteristics to describe the regions of interest) and spatial patterns created with a graph-based representation (with context information obtained from spatial relations among regions of interest). Our experimental results show that the proposed classifi cation scheme enhances the pre-classification accuracy obtained with parametric algorithms when we use context information.

Article

Percepción remota Mapas temáticos Minería de datos Clasificación Información de contexto Remote sensing Thematic maps Data mining Classification Context information CIENCIAS FÍSICO MATEMÁTICAS Y CIENCIAS DE LA TIERRA MATEMÁTICAS CIENCIA DE LOS ORDENADORES