Original paper

A General Framework for Fast and Interactive Classification of Optical VHR Satellite Imagery Using Hierarchical and Planar Markov Random Fields

Kersten, Jens; Gähler, Monika; Voigt, Stefan

Abstract

In this paper a general framework for fast and interactive classification of very high resolution satellite imagery for emergency and crisis mapping applications as well as several other applications is proposed. Multiscale image information as well as hierarchical and spatial context information is incorporated into the classification process using a hybrid Markov model, which combines a hierarchical directed as well as a planar undirected Markov random field (MRF). Classification is carried out using the standard non-iterative maximum a posteriori (MAP) and marginal posterior mode (MPM) inference. Additionally, a modified MAP computation, which is able to outperform the original methods under certain conditions, is proposed. Here uncertain image information, for example from class transition areas, is not incorporated during the inference procedure. The effectiveness of both the framework and the modified MAP inference is demonstrated by two examples.

Kurzfassung

In diesem Artikel wird ein Rahmenwerk von Methoden für eine rasche und interaktive Klassifikation hochauflösender optischer Satellitenbilder im Rahmen von Notfall- und Krisenkartierungen sowie einer Vielzahl anderer Anwendungen vorgestellt. Mittels eines hybriden Markov-Modells, welches ein hierarchisches, gerichtetes und ein ungerichtetes, planares Markov-Zufallsfeld (MRF) kombiniert, werden Bildinformationen auf mehreren Skalen sowie hierarchische und räumliche Kontextinformationen in den Klassifikationsprozess einbezogen. Die Klassifikation erfolgt mittels der bekannten Maximum a Posteriori (MAP) sowie der Marginal Posterior Mode (MPM) Inferenz. Des Weiteren wird ein modifizierter MAP Ansatz vorgestellt, welcher unter bestimmten Voraussetzungen bessere Ergebnisse als die ursprünglichen Methoden liefern kann. Dabei wird ,,unsichere“ Bildinformation, wie zum Beispiel aus Bereichen, welche Mischklassen aufweisen, nicht in den Inferenzprozess einbezogen. Die Effektivität des Rahmenwerks sowie der modifizierten MAP Berechnung wird an zwei Beispielen demonstriert.

Keywords

markov random fieldsoptical remote sensingregion labelingcrisis mapping