Accuracy assessment and classification efficiency of object-based image analysis of aerial imagery

Abstract

Following text is focused on finding a proper balance between classification accuracy and classification efficiency of object based image analysis of aerial imagery. For image classification were used tools of Feature Analyst, an ArcGIS extension, which are based on image filtering and searching for homogeneous segments corresponding to the threshold values defined by the training areas and corrected with tools of object recognition. The classification accuracy was assessed using the error matrices and calculating user’s and producer’s accuracy. To evaluate the time and work consumption, index of classification efficiency was introduced, which is a weighted value of accuracy and number of objects. To evaluate the tools of object recognition, the principle of fuzzy logic was used, which calculates accuracy with inclusion of alternative category. For the study was used a cut of aerial imagery of protected area of Křivoklatsko as a typical example of the character of available image data in the territory of Czech Republic – large area of fields, forests and meadows with a very heterogeneous character, water body with sun reflection, net of narrow roads and small villages. From the final values of accuracy is obvious, that Feature analyst provides comparable results with other authors. From the point of view of classification efficiency, application of tools of object recognition and its effect on the time and work consumption, it is a question of the extent of study area and the heterogeneity of the features of the physical world on the image data. <b>Přesnost a efektivita objektové klasifikace leteckých snímků</b> Článek se zabývá objektovou klasifikací výřezu leteckých snímků z území CHKO Křivoklátsko v okolí obce Kalinova Ves. Sledována je především přesnost objektové klasifikace v porovnání s její efektivitou, pracností a časovou náročností zpracování. Pro zpracování leteckých snímků byly použity nástroje extenze Feature Analyst pro ArcGIS, pracující na základě vyhledávání homogenních ploch v rámci obrazu, které odpovídají kriteriím nastaveným pomocí trénovacích ploch a pomocí tzv. rozpoznávání objektů. Přesnost klasifikace byla stanovena pro jednotlivé sledované kategorie krajinného krytu pomocí kontingenčních tabulek a chybových matic na základě referenčního souboru objektů, který z hlediska počtu a velikosti objektů odpovídal rozložení objektů v jednotlivých kategoriích. Byla sledována přesnost jak z hlediska uživatele (zda všechny vektorové objekty, které reprezentují objekty reálného světa v rámci jedné kategorie, byly klasifikovány správně), tak z hlediska zpracovatele (zda objekty v rámci jedné kategorie byly klasifikovány správně). Zároveň byl definován index efektivity, který přesnost klasifikace váží počtem objektů v rámci kategorie, čímž je do výpočtu zahrnuta i pracnost a časová náročnost zpracování. Přesnost klasifikace byla rozšířena i o tzv. alternativní kategorii využívanou v rámci fuzzy principu, tedy druhou možnou kategorii, do které mohl být objekt zařazen s ohledem na radiometrické hodnoty definované pomocí trénovacích ploch. Porovnáním výsledků přesnosti klasifikace se započtením alternativní kategorie a bez jejího započtení je možné posoudit úspěšnost rozpoznávání objektů v jednotlivých kategoriích. Z hlediska zpracování je možné rozdělit výsledné kategorie krajinného krytu na kategorie, které jsou tvořeny několika velkými plochami s heterogenním charakterem na obrazových datech (pole, les, louky), kategorie, které jsou tvořeny velkým počtem plošně malých objektů s radiometricky homogenním obrazem (komunikace, zastavěná plocha), a kategorie, které mají podobnou radiometrickou definici jako jiné kategorie a je možné je identifikovat pouze pomocí funkce rozpoznávání objektů (zahrada vs. louka, telené pásy podél toků vs. les). Obrazově heterogenní kategorie byly klasifikovány v první fázi a pro následné zpracování byly z klasifikační masky odstraněny. Z porovnání přesnosti se započítáním alternativní kategorie, přesnosti bez jejího započítání a s efektivitou klasifikace vychází, že z hlediska pracnosti a časové náročnosti (s ohledem na rozsah zpracovávaných dat) je vhodnější vytvořit vektorový obraz těchto kategorií pomocí manuální vektorizace. Oproti tomu plošně malé a radiometricky homogenní objekty jsou poté v obrazových datech identifikovány bez pracného několikanásobného definování trénovacích ploch, časově náročné vícenásobné iterace a rozpoznávání objektů. Z hlediska přesnosti zpracování jsou výsledky dosažené pomocí extenze Feature Analyst porovnatelné s výsledky, které byly dosaženy v pracích jiných autorů.