Evaluate the impact of Majority filter kernel size on increasing the accuracy of remotely sensed images

Document Type : Original Article

Authors

1 Associated professor of remote sensing and GIS, kharazmi university

2 Kharazmi university

Abstract

Classification of remotely sensed images is one of the most important operations in image processing, and various methods have been proposed to increase the accuracy of the data classification. The aim of this study is to evaluate the impact of the kernel size of the Majority filter on improving the accuracy of the final classification of images. For this reason, a window of Landsat 8, OLI image from Ardabil County was selected. After applying the required preprocessing, the multispectral and panchromatic bands of this sensor were combined with the FFT-IHS method. The image was classified using the maximum likelihood algorithm with 8 classes. The overall accuracy and Kappa coefficient of this classification were 88.3 and 0.87, respectively. The size of the 3 * 3, 5 * 5, 7 * 7, 9 * 9, 11 * 11 and 13 * 13 kernels were selected to perform the post-processing operations to increase the accuracy of classification. The results showed that by increasing the size of the kernel to 5 * 5 and 7 * 7, the overall accuracy and kappa coefficients increased to 91.6, 91.8 and 0.91 for both kernels, respectively. Applying a larger kernel size reduces the overall accuracy and Kappa coefficient as in it's down to 77.2 and 0.74 in the 13 * 13 kernel, respectively. Therefore, the size of the 5 * 5 and 7 * 7 kernels will be introduced as the optimal kernel depending on the nature of the images that used.

Keywords

References

امیرانتخابی، شهرام. جوان، فرهاد. حسنی مقدم، حسن(1396)، آشکارسازی تغییرات کاربری اراضی و عوامل مؤثر بر آن با استفاده از شبکه عصبی مصنوعی. مجله کاربرد سیستم اطلاعات جغرافیایی و سنجش‌ازدور در برنامه‌ریزی، دوره(8)، شماره 3. 1-11.
پل ام میدز. پردازش کامپیوتری تصاویر ماهواره‌ای، ترجمه محمد نجفی دیسفانی، چاپ اول، 1377، انتشارات سمت: تهران.
تراهی، علی‌اصغر. عدلی عتیق، رسول. حسنی مقدم، حسن(1394). ارزیابی قابلیت الگوریتم‌های طبقه‌بندی نظارت‌شده در تهیه نقشه کاربری اراضی. اولین کنفرانس ملی مهندسی فناوری اطلاعات مکانی، دانشگاه خواجه‌نصیرالدین طوسی، تهران. ایران.
تراهی، علی‌اصغر. حسنی مقدم، حسن. عدلی عتیق، رسول(1395)، ارزیابی عملکرد الگوریتم ماشین بردار پشتیبان در تهیه نقشه کاربری اراضی. دومین کنفرانس ملی مهندسی فناوری اطلاعات مکانی، دانشگاه خواجه‌نصیرالدین طوسی، تهران. ایران.
جوان، فرهاد. حسنی مقدم، حسن(1396). آشکارسازی میزان تخریب جنگل‌های هیرکانی با استفاده از تصاویر ماهواره‌ای و الگوریتم ماشین بردار پشتیبان. مجله استراتژی راهبردی جنگل، دوره(2)، شماره5. 1-11.
حسنی مقدم، حسن(1396). ارزیابی عملکرد تبدیل موجک با الگوریتم‌های سطح اتخاذ تصمیم در ادغام تصاویر فرا طیفی با تصاویر دارای قدرت تفکیک مکانی بالا، پایان‌نامه کارشناسی ارشد سنجش‌ازدور ، دانشگاه خوارزمی تهران، استاد راهنما، دکتر علی‌اصغر تراهی.
حسنی مقدم، حسن. تراهی، علی‌اصغر(1397). افزایش صحت استخراج اطلاعات از داده‌های سنجنده OLI با استفاده از روش FFT-IHS. مجله جغرافیا و روابط انسانی، دوره(1)، شماره1. 64-79.
روزبهانی، مهری. فارسی زاده، ندا. فتحیان، ونوس. حاجب، محمد(1394). تهیه خودکار نقشه عوارض شهری با استفاده از داده‌های سنجش‌ازدوری. اولین همایش علمی پژوهشی افق‌های نوین در علوم جغرافیا و برنامه‌ریزی، معماری و شهرسازی ایران.
فاطمی، سید باقر. مباشری، محمدرضا. آبکار، علی‌اکبر(1393). تأثیر استفاده از اطلاعات همسایگی مکانی در دقت خوشه‌بندی تصاویر ماهواره‌ای. علوم و فنون نقشه‌برداری. دوره(3)، 77-89.
Akctay, O., & Avsar, E, O. (2017). The effect of image enhancement methods during feature detection and matching of thermal images.  The International Archives of the Photogrammetry, Remote Sensing and Spatial Information Science. 575- 578.
Alikhah Asl, M., Frootan, E., & Namdar, M. (2014). Evaluation of different enhanvement remote sensing techniques. Agriculture innovation and research, Vol(3), 33-37.
Csillik, O., & Belgiu, M. (2017). Cropland mapping from Sentinel-2 time series data using object based image analysis. AGILE, 9-12 May, Wageningen.
Duarte, D., Nex, F., Kerle, N., & Vosselman, G. (2018). Satellite image classification of building damages using airborne and satellite images samples in deep learning approach. ISPRS, Vol(4). 89- 96.
Gonzales, R, C., & Woods, R, E.(2007). Digital image processing, prentice hall publication.
Hasani Moghaddam, H., Adli Atiq, R., Gholami, J., Abasi Ghadim, M., & Ziaeian Firoozabadi, P. (2018). Performance analysis of support vector machine, Neural network and maximum likelihood in land use cover mapping. 2nd International Conference on New Horizons in the Engineering Science, 9th August 2018 - Istanbul Turkey.Yildiz Technical University.
Kumar Singla, S., Garg, R. D., Dubey, O. P., & Bala, N. (2018). Extraction of crop information from reconstructed Landsat data in Himalayan foothills Procedia computer science, Vol(125), 99-106.
Pohl, Ch., & Van Genderen, J. (2017). Remote sensing image fusion. CRC press, New York, united states. 133.
Shen, H., Lin, Y., Tian, Q., Xu, K., & Jiao, J.(2018). A comparison of multiple classifier combinations using different weights for remote sensing image classification. International journal of remote sensing, Vol(39), 3705- 3722.    
Su, T, Ch. (2017). A filter base post processing technique for improving homogeneity pf pixel wise classification data. European journal of remote sensing, Vol(49), 531-552.
Wang, W., Li, W., Zhang, Ch., & Zhang, W. (2018). Improving object based land use/ cover classification from medium resolution imagery by Markov chain geostatistical post classification. Land magazine, Vol(7), 1-16.
Watanabe, F., Alcantara, E., Rodrigues, Th., Rotta, L., Bernardo, N., & Imai, N. (2017). Remote sensing of the chlorophyll-a based on OLI/ Landsat8 and MSI/ Sentinel-2. Annual of the Brazilian Academy of science. 1-14.
Geography and Human Relationships
Volume 1, Issue 2 - Serial Number 2
October 2018
Pages 806-817

Files

History

  • Receive Date: 21 October 2018
  • Revise Date: 03 November 2018
  • Accept Date: 10 November 2018

Share

How to cite

Statistics