Original paper

Change Detection in Peri-urban Areas Based on Contextual Classification

Hermosilla, Txomin; Gil-Yepes, José L.; Recio, Jorge A.; Ruiz, Luis A.

Abstract

This paper presents a methodology for change detection in peri-urban areas using high spatial resolution image and lidar data, founded on object-based image classification and a comparison of the classification results from two epochs. The definition of the objects is based on cadastral boundaries obtained from a geospatial database. An exhaustive set of descriptive features is computed, characterising each object for both epochs regarding spectral, texture, geometrical, and three-dimensional (3D) aspects. In addition, contextual features describing the object at two levels are defined. Internal context features describe the relations between different land cover elements within the object, whereas external context features describe each object considering the common properties of neighbouring objects, usually coinciding in urban areas with an urban block. Both the classification and the change detection process are thoroughly evaluated, and the specific contribution of 3D features to the accuracy of the processes is analysed. The results show that 3D information enables to improve the classification results, remarkably increasing the accuracy values of certain classes, and allowing for an enhanced discrimination of building typologies. Moreover, the change detection efficiency is notably improved by a significant reduction of both commission and omission errors.

Kurzfassung

Dieser Beitrag beschreibt eine Methodik zur Erkennung von Änderungen in Stadtrandgebieten mit Hilfe von räumlich hoch aufgelösten Bild- und Laserscannerdaten, die auf einer objektbasierten Klassifikation und einem anschließenden Vergleich der Klassifikationsergebnisse für zwei Epochen auf baut. Die De nition der Objekte basiert auf Katastergrenzen aus einer räumlichen Datenbasis. Ein umfangreicher Satz von Merkmalen wird berechnet, der jedes Objekt aus beiden Epochen hinsichtlich seiner spektralen, texturellen, geometrischen und dreidimensionalen (3D) Aspekte charakterisiert. Zusätzlich werden Kontext-Merkmale, welche das Objekt auf zwei Ebenen beschreiben, de niert. Die internen Kontext-Merkmale beschreiben die Beziehungen zwischen verschiedenen Landbedeckungsarten innerhalb eines Objekts, während die externen Kontext-Merkmale jedes Objekt hinsichtlich der gemeinsamen Eigenschaften von benachbarten Objekten beschreiben; letztere sind für Objekte innerhalb eines Gebäudeblocks normalerweise ähnlich. Sowohl die Klassifikation als auch die Änderungsdetektion werden sorgfältig evaluiert, und der Ein uss der 3D Merkmale auf die Genauigkeit dieser Prozesse wird analysiert. Die Ergebnisse zeigen, dass die 3D Information dabei hilft, die Genauigkeit der Klassifikation zu steigern, wobei diese Steigerung für einige Klassen bemerkenswert ausfällt und insbesondere eine verbesserte Unterscheidung von Bebauungsarten erlaubt. Darüber hinaus wird die Ef zienz der Änderungsdetektion deutlich erhöht, indem sowohl die Zahl der nicht erkannten Änderungen als auch jene der falschen Alarme signi kant reduziert wird.

Keywords

change detectionobject-based classificationperi-urban areaslidar