Indexing of satellite images using structural information
Indexation des images satellitaires en utilisant des informations structurelles
Résumé
The properties of road networks vary considerably from one geographical environment to another. The networks pertaining in a satellite image can therefore be used to classify and retrieve such environments. In this work, we propose to classy geographical environment using geometrical and topological features computed from the road networks. The limitations of road extraction methods in dense urban areas was circumvented by segmenting the urban regions and computing a second set of geometrical and topological features from them. The small images forming our database were extracted from images of the SPOT5 satellite with 5m resolution (each image of size 512x512 pixels). The set of geometrical and topological features computed from the road networks and urban regions are used to classify the pre-defined geographical classes. In order to avoid the burden of feature dimensionality and reduce the classification performance, feature selection was performed using Fisher Linear Discriminant (FLD) analysis and an one-vs-rest linear Support Vector Machine (SVM) classification was performed on the selected feature set. The impact of spatial resolution and size of images on the feature set have been explored. Tests were performed on a database with images of 10m resolution and on a database with 5m resolution images each of size 256x256 pixels. This approach allows also to classify large SPOT5 images with patches of size 512x512. In this case, a one-vs-rest Gaussian kernel SVM classification method was used to classify this large image. The classification labels the image patches with the one having the maximum geographical coverage of the area associated in the large image.
Les propriétés des réseaux routiers varient considérablement d'un milieu géographique à l'autre. Elles peuvent donc être utilisées pour classer et rechercher de tels environnements. Dans ce travail, nous proposons de classer ces environnements à l'aide d'attributs géométriques et topologiques, calculés à partir des réseaux routiers. Les limites des méthodes d'extraction des routes en milieu urbain dense ont été contournées par la segmentation des zones urbaines et le calcul d'une seconde série d'attributs géométriques et topologiques calculés sur ces masques urbains. Les imagettes formant notre base de données proviennent d'images du satellite SPOT5 de résolution 5m et ont une taille de 512x512 pixels. L'ensemble des attributs géométriques et topologiques, calculés à partir des réseaux routiers et des masques urbains permettent de répartir les imagettes dans des classes géographiques prédéfinies. Afin de réduire la dimension des attributs qui peut nuire aux performances de la classication, un dispositif de sélection des attributs a été mis en place. Il repose sur une analyse linéaire discriminante de Fisher et une classication 'un contre tous' par séparateur à vastes marges (SVM). L'impact de la résolution spatiale et de la taille des images sur les différents attributs a été étudié sur une base de données constituée d'images à 10 m de résolution ainsi que sur une base de données à 5m de résolution pour des imagettes de taille de 256x256 pixels. L'approche a permis la classification complète d'images SPOT5 à partir des imagettes qu'elles contiennent. Dans ce cas, un SVM 'un contre tous' avec un noyau Gaussien, a été utilisé pour classer la scène dans son intégralité.
Loading...