Comparative Analysis of Classification Methods for High-Resolution Optical Satellite Images
Loading...
Date
2024
Journal Title
Journal ISSN
Volume Title
Publisher
Khmelnytskyi National University, Khmelnytskyi
Abstract
ENG: High-resolution satellite image classification is used in various applications, such as urban planning, environmental monitoring, disaster management, and agricultural assessment. Traditional classification methods are ineffective due to the complex characteristics of high-resolution multichannel images: the presence of shadows, complex textures, and overlapping objects. This necessitates selecting an efficient classification method for further thematic data analysis. In this study, a comprehensive assessment of the accuracy of the most well-known classification methods (parallelepiped, minimum distance, Mahalanobis distance, maximum similarity, spectral angle map, spectral information difference, binary coding, neural network, decision tree, random forest, support vector machine, K-nearest neighbour, and spectral correlation map) is performed. This study comprehensively evaluates various classification algorithms applied to high-resolution satellite imagery, focusing on their accuracy and suitability for different use cases. To ensure the robustness of the evaluation, high-quality WorldView-3 satellite imagery, known for its exceptional spatial and spectral resolution, was utilized as the dataset. To assess the performance of these methods, error matrices were generated for each algorithm, providing detailed insights into their classification accuracy. The average values along the main diagonal of these matrices, representing the proportion of correctly classified pixels, served as a key metric for evaluating overall effectiveness. Results indicate that advanced machine learning approaches, such as neural networks and support vector machines, consistently outperform traditional techniques, achieving superior accuracy across various classes. Despite their high average accuracy, a deeper analysis revealed that only some algorithms are universally optimal. For instance, some methods, such as random forests or spectral angle mappers, exhibited strength in classifying specific features like vegetation or urban structures but performed less effectively for others. This underscores the importance of tailoring algorithm selection to the specific objectives of individual classification tasks and the unique characteristics of the target datasets. This study can be used to select the most effective method of classifying the earth's surface, depending on the tasks of further thematic analysis of high-resolution satellite imagery. Furthermore, it highlights the potential of integrating machine learning-based approaches to enhance the accuracy and reliability of classification outcomes, ultimately contributing to more practical applications.
UKR: Класифікація супутникових зображень високої роздільної здатності використовується в різноманітних сферах, таких як міське планування, екологічний моніторинг, боротьба зі стихійними лихами та оцінка сільського господарства. Традиційні методи класифікації є неефективними через складні характеристики багатоканальних зображень високої роздільної здатності: наявність тіней, складні текстури та взаємне перекриття різних об'єктів. Це зумовлює необхідність вибору ефективного методу класифікації для подальшого тематичного аналізу даних. У цьому дослідженні проводиться комплексна оцінка точності найбільш відомих методів класифікації (паралелепіпед, мінімальна відстань, відстань Махаланобіса, максимальна подібність, карта спектрального кута, розходження спектральної інформації, двійкове кодування, нейронна мережа, дерево рішень, випадковий ліс, метод опорних векторів, K-найближчий сусід і карта спектральної кореляції). Для проведення оцінки використано супутникові знімки високої роздільної здатності космічного апарату WorldView-3. Для усіх досліджуваних методів класифікації побудовано матриці помилок. Аналіз результатів дозволив зробити висновок, що нейронні мережі та метод опорних векторів мають вищу загальну точність класифікації порівняно з іншими методами. Частина розглянутих методів, при загальній низькій точності класифікації, продемонструвала високу точність виділення окремих класів, зокрема, таких як рослинність та об’єкти міської забудови. Результати роботи можуть бути використані для вибору найбільш ефективного методу класифікації земної поверхні в залежності від завдань подальшого тематичного аналізу даних супутникової зйомки високої роздільної здатності.
UKR: Класифікація супутникових зображень високої роздільної здатності використовується в різноманітних сферах, таких як міське планування, екологічний моніторинг, боротьба зі стихійними лихами та оцінка сільського господарства. Традиційні методи класифікації є неефективними через складні характеристики багатоканальних зображень високої роздільної здатності: наявність тіней, складні текстури та взаємне перекриття різних об'єктів. Це зумовлює необхідність вибору ефективного методу класифікації для подальшого тематичного аналізу даних. У цьому дослідженні проводиться комплексна оцінка точності найбільш відомих методів класифікації (паралелепіпед, мінімальна відстань, відстань Махаланобіса, максимальна подібність, карта спектрального кута, розходження спектральної інформації, двійкове кодування, нейронна мережа, дерево рішень, випадковий ліс, метод опорних векторів, K-найближчий сусід і карта спектральної кореляції). Для проведення оцінки використано супутникові знімки високої роздільної здатності космічного апарату WorldView-3. Для усіх досліджуваних методів класифікації побудовано матриці помилок. Аналіз результатів дозволив зробити висновок, що нейронні мережі та метод опорних векторів мають вищу загальну точність класифікації порівняно з іншими методами. Частина розглянутих методів, при загальній низькій точності класифікації, продемонструвала високу точність виділення окремих класів, зокрема, таких як рослинність та об’єкти міської забудови. Результати роботи можуть бути використані для вибору найбільш ефективного методу класифікації земної поверхні в залежності від завдань подальшого тематичного аналізу даних супутникової зйомки високої роздільної здатності.
Description
Vol. Hnatushenko: ORCID 0000-0003-3140-3788; V. Kashtan: ORCID 0000-0002-0395-5895; D. Chumychov: ORCID 0009-0005-2729-0735; S. Nikulin: ORCID 0000-0003-1795-3599
Keywords
high-resolution optical satellite images, geoinformation systems, classification, supervised classification methods, unsupervised classification methods, adaptive input methods, confusion matrices, оптичні супутникові зображення високої роздільної здатності, геоінформаційні системи, класифікація, контрольовані методи класифікації, неконтрольовані методи класифікації, матриці помилок, КІТС
Citation
Hnatushenko Vol., Kashtan V., Chumychov D., Nikulin S. Comparative Analysis of Classification Methods for High-Resolution Optical Satellite Images. Computer Systems and Information Technologies. 2024. No. 4. P. 134–142. DOI: https://doi.org/10.31891/csit-2024-4-16.