A Comparison of Clustering Strategies for Unsupervised Classification
Authors:
- J. CihlarJCJ. Cihlar
- R. LatifovicRLR. Latifovic
- J. BeaubienJBJ. Beaubien
- 1 October 2000
- journal article
- research article
- Published by Taylor & Francis in Canadian Journal of Remote Sensing
- Vol. 26 (5) , 446-454
Abstract
Une stratégie de classification d'image fréquemment utilisée consiste à produire un grand nombre d'agrégats spectraux Toutefois, on préfère utiliser seulement un petit nombre d'agrégats pour l'étiquetage afin de minimiser l'effort de l'analysete et la quantité d'information indépendante pouvant être obtenue. Dans cette étude, nous avons comparé divers algorithmes de classification non dirigée afin de déterminer leur capacité à définir des agrégats spectralement homogènes et spatialement compacts. Après une évaluation préalable de plusieurs algorithmes, nous avons mis l'accent sur deux algorithmes qui utilisent des stratégies différentes pour localiser les moyennes des agrégats: une approche itérative représentée par la méthode de K-moyennage (FKM) et une approche séquentielle telle qu'utilisée dans la classification par généralisation progressive (CPG). Nous avons aussi testé une combinaison de ces deux techniques. Dans les tests initiaux, nous avons trouvé que parmi les algorithmes itératifs, le FKM a donné plus d'agrégats spectralement homogènes que les autres. Nous avons alors comparé les agrégats initiaux dérivés de FKM et de CPG dans trois ensembles de données Landsat TM d'été représentant différents types de couverts et de patrons de diverses éco-régions du Canada. Après avoir classifié les données en fonction de 50 agrégats, l'homogénéité spectrale moyenne était généralement (mais pas toujours) meilleure pour les agrégats FKM, alors que la compacité spatiale moyenne était toujours plus élevée pour CPG. L'ampleur des différences spectrales et spatiales variait selon les images. Nous avons aussi trouvé qu'une approche combinée, où un grand nombre d'agrégats (80 dans ce cas) est produit par FKM pour être ensuite intégrés selon CPG, a produit les agrégats les plus cohérents parmi les images en termes d'homogénéité spectrale et de cohérence spatiale. Bien que les différences spectrales et spatiales des agrégats n'étaient pas considérables (∼10%), elles sont considérées significatives dans le contexte de la cartographie du couvert. Quoique l'on n'ait pas comparé la performance pour un nombre plus petit d'agrégats, en fonction des principes mêmes des deux méthodes, l'approche combinée devrait procurer une meilleure performance pour moins d'agrégats. Toutefois, même aussi peu que 50 agrégats sont suffisants pour pouvoir être étiquetés efficacement en utilisant des données auxiliaires. La pertinence de cette procédure pour un ensemble de données spécifiques peut être établie facilement au moyen des équations fournies.Keywords
This publication has 9 references indexed in Scilit:
- Land cover mapping of large areas from satellites: Status and research prioritiesInternational Journal of Remote Sensing, 2000
- Land cover from multiple thematic mapper scenes using a new enhancement‐classification methodologyJournal of Geophysical Research: Atmospheres, 1999
- Clustering Methods for Unsupervised Classification1999
- Classification by progressive generalization: A new automated methodology for remote sensing multichannel dataInternational Journal of Remote Sensing, 1998
- Finding optimal neural networks for land use classificationIEEE Transactions on Geoscience and Remote Sensing, 1998
- ART neural networks for remote sensing: vegetation classification from Landsat TM and terrain dataIEEE Transactions on Geoscience and Remote Sensing, 1997
- A digital land cover map of Wyoming, USA: a tool for vegetation analysisJournal of Vegetation Science, 1997
- Indices of landscape patternLandscape Ecology, 1988
- Visual interpretation of vegetation through digitally enhanced LANDSAT‐MSS imagesRemote Sensing Reviews, 1986