Original paper

Wavelet-based texture measures for object-based classification of aerial images

Toscani, Philipp; Immitzer, Markus; Atzberger, Clement

Abstract

Object-based approaches permit the use of textural information in addition to the spectral signatures. However, it is not yet clear which textural features and which spatial resolution offer the highest information content. The aim of the research was to evaluate textural features based on discrete stationary wavelet transformation (DSWT) against metrics from gray level co-occurrence matrices (GLCM) within a typical land cover classification setting using 4-band UltraCam data with up to 20 cm ground resolution. The study clearly demonstrated the superiority of wavelet based approaches compared to classical GLCM-features both in terms of classification accuracy and necessary computer resources. The random forest (RF) based classification of three broad land cover classes (forest, open land and pinus mugo plus shadows) of the Bavarian Alps (Germany) using the coiflet-wavelet-family in addition to the spectral data gave for example an overall classification accuracy >90% with all individual class accuracies (user and producer accuracies) being >88%. Using the spectral data alone, the corresponding overall classification accuracy was 87%. The positive effect of the textural measures was particularly noticeable with the highest ground resolution. With decreasing resolution, the positive effect of the tested textures vanished and overall classification accuracies decreased. Both feature selection criteria offered by RF (mean decrease in accuracy and mean decrease in gini) permitted the identification of a small subset of features (∼10) yielding similar or higher classification accuracies compared to the use of all textural features. This permits to significantly reduce the processing time for large scale applications.

Kurzfassung

Bei der Klassifikation der Landbedeckung mittels objektbasierten Ansätzen bietet sich die Möglichkeit, die spektrale Information durch Textur beschreibende Parameter zu ergänzen. Dafür stehen verschiedenste Texturmaße zur Verfügung, welche zusätzlich auf unterschiedlicher räumlicher Auflösung berechnet werden können. In dieser Arbeit wurden auf Basis von diskreter stationärer Wavelet Transformation (DSWT) generierte Maße mit den weitverbreiteten Texturmaßen aus Gray Level Co-occurrence Matrizen (GLCM) verglichen. Für die Klassifikation der drei Landbedeckungsklassen Wald, Latsche und Offenland (+ Schatten) in den Bayerischen Alpen (Deutschland) wurden 4-Kanal-Orthophotos (UltraCam) mit 20 cm Bodenauflösung verwendet. Die DSWT-Maße zeigten deutliche Vorteile in Bezug auf Klassifikationsgenauigkeit und Rechenzeit. Bei der Klassifikation mittels Random Forest (RF) anhand spektraler Information und Kennwerten der Coiflet-Wavelet-Familie wurden Gesamtgenauigkeiten von über 90% erreicht. Dabei lagen alle klassenspezifischen Nutzer- und Produzentengenauigkeiten über 88%. Der positive Effekt der Texturmaße war bei der Klassifikation der Bilder mit der höchsten räumlichen Auflösung am deutlichsten und nahm mit abnehmender Auflösung bedeutend ab. Zusätzlich konnte gezeigt werden, dass sich die bei der Klassifikation mit RF ermittelten Wichtigkeitsmaße (Mean Decrease in Accuracy und Mean Decrease in Gini) für eine Variablenselektion eignen, wobei Mean Decrease in Accuracy Vorteile zeigte. Die Klassifikationsgenauigkeiten bei Verwendung der 10 wichtigsten Texturmaße lagen immer über den mit allen Variablen erzielten Werten. Die Variablenselektion verringert zusätzlich die Rechenzeiten, was vor allem bei großflächigen Anwendungen Vorteile bringt.

Keywords

texturegray level co-occurrence matrices (glcm)discrete stationary wavelet transformation (dswt)random forestland cover classification