Portal de Periódicos da CAPES

Likelihood-based image segmentation and classification: a framework for the integration of expert knowledge in image classification procedures

2000; Elsevier BV; Volume: 2; Issue: 2 Linguagem: Francês

10.1016/s0303-2434(00)85004-7

1872-826X

Ali-Akbar Abkar, Mohammed Ali Sharifi, Nanno Mulder,

Remote Sensing in Agriculture

This paper describes a likelihood-based segmentation and classification method for remotely sensed images. It is based on optimization of a utility function that can be described as a cost-weighted likelihood for a collection of objects and their parameters. As the likelihood or posterior probabilities are calculated per object rather than per pixel, the variance in (spectral) likelihoods will be greatly reduced. From a user's point of view the result was either a maximum probability for truth (likelihood) or maximum utility (benefit). The method includes a new approach for segmentation, which is based on criteria derived from local average likelihoods, instead of local means or variances, making the segmentation method much less sensitive to radiometric outliers. As likelihoods are defined in the probability for spectral class domain, the method avoids problems with the segmentation of multi-spectral data encountered in methods based on edge detection. Due to these capabilities, the method represents a significant step towards operationalization of remote sensing. This approach can also be seen as a framework for integration of external knowledge with image classification procedures. To evaluate the concept, a software tool was designed and used for experimentation. The result showed that per-object maximum likelihood performs much better than the per-pixel method. It led to higher classification accuracy and explicit utilization of the geometrical and topological information about land use objects and land use processes. For generation and testing of the geometric models, the problem of deforestation in Thailand was used. L'article décrit une méthode de segmentation et de classification basée sur la vraisemblance pour des images de télédétection. Elle est basée sur une optimisation d'une fonction d'utilité qui peut être décrite comme une vraisemblance des coûts pondérés pour une collection d'objets et de leurs paramètres. Comme la vraisemblance ou les probabilités postérieures sont calculées par objet plutôt que par pixel, la variance dans les vraisemblances (spectrales) va être fortement réduite. Du point de vue de l'utilisateur le résultat était soit une probabilité maximale pour la vérité (vraisemblance) soit une utilité maximale (bénéfice). La méthode inclue une nouvelle approche de segmentation, basée sur des critères dérivés de vraisemblances moyennes locales, au lieu de moyennes et variances locales, rendant la méthode de segmentation beaucoup moins sensible aux valeurs radiométriques hors tolérances. Comme les vraisemblances sont définies dans la probabilité pour un domaine de classe spectrale, la méthode évite les problèmes avec la segmentation de données multi-spectrales rencontrées dans des méthodes basées sur la détection de limite. Grâce à ces capacités la méthode représente un pas important pour rendre la télédétection opérationnelle. Cette approache peut aussi être vue comme un cadre de travail pour l'intégration de connaissance externe avec des procédures de classification d'images. Pour évaluer le concept, un logiciel a été développé et utilisé pour les essais. Le résultat a montré que la méthode de vraisemblance maximale par objet donne de meilleurs résultats que la méthode par pixel. Elle conduit à une précision de classification plus élevée et rend explicite l'utilisation de l'information géométrique et topologique concernant les objets et les procédés d'utilisation des terres. Pour la création et les tests des modèles géométriques, le problème du déboisement en Thailande a été utilisé. Este articulo describe un método basado en la verosimilitud para la clasificación de imágenes de teledetección. El método se basa en la optimización de una función de utilidad, que puede ser descrita como una verosimilitud de costo ponderado para una colección de objetos y de sus parámetros. Como la verosimilitud o probabilidades a-posteriori se calculan por objeto más bien que por pixel (celda), la varianza de las verosimilitudes (espectrales) se reduce considerablemente. Desde el punto de vista del usuario, el resultado es una probabilidad máxima de veracidad (verosimilitud) o una utilidad máxima (beneficio). El método incluye un nuevo enfoque para la segmentación, el cual se encuentra basado en criterios derivados de las verosimilitudes medias locales, en vez de las medias o varianzas locales, lo que hace el método de segmentación menos sensible a valores radiométricos extremos. Como las verosimilitudes se definen en términos de probabilidad para el dominio de las clases espectrales, el método permite evitar los problemas que se encuentran con la segmentación de datos multi-espectrales cuando se utilizan métodos basados en la detección de extremidades. Gracias a estas capacidades, el método representa un paso significativo hacia la operacionalización de la teledetección. Este enfoque puede también considerarse como un marco para la integración de conocimiento contextual en los procedimientos de clasificación de imágenes. Para evaluar el concepto, un programa fue diseñado y ensayado. Con esto se demostró que la máxima verosimilitud por objeto dió mejores resultados que el método por pixel. Este enfoque mejoró la exactitud de la clasificación y permitió una utilización explícita de la informatión geométrica y topológica, que caracteriza los objetos y procesos de uso de las tierras. Se usó el problema de la deforestación en Tailandia para generar y ensayar los modelos geométricos.