Evaluación de parámetros de segmentación en OBIA para la clasificación de coberturas del suelo a partir de imágenes VANT

• Hinojosa-Espinoza, Susana I. ^[1] ; Gallardo-Salazar, José L. ^[1] ; Hinojosa-Espinoza, Félix J. C. ^[1] ; Meléndez-Soto, Anulfo ^[1]
  1. [1] Universidad Juárez del Estado de Durango

     Universidad Juárez del Estado de Durango

     México

     
• Localización: Revista de teledetección: Revista de la Asociación Española de Teledetección, ISSN 1133-0953, Nº. 58, 2021, págs. 89-103
• Idioma: español
• Títulos paralelos:
  • Evaluation of segmentation parameters in OBIA for classification of land covers from UAV images
• Enlaces
  • Texto completo
• Resumen
  • español

    Los Vehículos Aéreos No Tripulados (VANT) han otorgado un nuevo auge a la teledetección y a las técnicas d clasificación de imágenes debido al alto nivel de detalle entre otros factores. El análisis de imágenes basado en objetos (OBIA) puede mejorar la precisión en la clasificación a diferencia de la basada en píxeles, especialmente en imágenes de alta resolución. La aplicación de OBIA para la clasificación de imágenes consta de tres etapas i.e., segmentación, definición de clases y polígonos de entrenamiento y clasificación. No obstante, en la etapa de segmentación es necesario definir los parámetros: radio espacial (RE), radio de rango (RR) y tamaño mínimo de la región (TMR). Los cuales, pese a su relevancia, suelen ser ajustados de manera visual, lo que conlleva a una interpretación subjetiva. Por lo anterior, es de suma importancia generar conocimiento enfocado a evaluar las combinaciones de estos parámetros. Este estudio describe el uso del algoritmo de segmentación de desplazamiento medio, seguido del clasificador Random Forest mediante el software Orfeo Toolbox. Se consideró un ortomosaico multiespectral derivado de VANT para generar un mapa de cobertura de suelo sub-urbano en la localidad El Pueblito, Durango, México. El objetivo principal fue evaluar la eficiencia y calidad de segmentación de nueve combinaciones de parámetros anteriormente reportadas en estudios científicos. Ello en términos de número de polígonos generados, tiempo de procesamiento, medidas de discrepancia de segmentación y métricas de precisión de la clasificación. Los resultados obtenidos lograron evidenciar la importancia de ajustar los parámetros de entrada en los algoritmos de segmentación. La mejor combinación fue RE=5, RR=7 y TMR=250, con un índice de Kappa de 0,90 y el menor tiempo de procesamiento. Por otro lado, el RR presentó  un grado de asociación fuerte e inversamente proporcional con las métricas de precisión de clasificación.

  • English

    Unmanned Aerial Vehicles (UAVs) have given a new boost to remote sensing and image classification techniques due to the high level of detail among other factors. Object-based image analysis (OBIA) could improve classification accuracy unlike to pixel-based, especially in high-resolution images. OBIA application for image classification consists of three stages i.e., segmentation, class definition and training polygons, and classification. However, defining the parameters: spatial radius (SR), range radius (RR) and minimum region size (MR) is necessary during the segmentation stage. Despite their relevance, they are usually visually adjusted, which leads to a subjective interpretation. Therefore, it is of utmost importance to generate knowledge focused on evaluating combinations of these parameters. This study describes the use of the mean-shift segmentation algorithm followed by Random Forest classifier using Orfeo Toolbox software. It was considered a multispectral orthomosaic derived from UAV to generate a suburban map land cover in town of El Pueblito, Durango, Mexico. The main aim was to evaluate efficiency and segmentation quality of nine parameter combinations previously reported in scientific studies.This in terms of number generated polygons, processing time, discrepancy measures for segmentation and classification accuracy metrics. Results evidenced the importance of calibrating the input parameters in the segmentation algorithms. Best combination was RE=5, RR=7 and TMR=250, with a Kappa index of 0.90 and shortest processing time. On the other hand, RR showed a strong and inversely proportional degree of association regarding the classification accuracy metrics.