Návrh klasifikačního přístupu pro obrazová data s velmi vysokým prostorových rozlišením

Ing. Jakub Jech

Doctoral thesis

Proposal of the Classification Approach for Image Data with Very High Spatial Resolution

Abstract:

Identifikace povrchu je jednou z metod zpracování geografických dat získaných dálkovým průzkumem. V dnešním světe se běžně setkáváme s obrazovými daty s velkým detailem, která mají vypovídající hodnotu o prozkoumávaném území, ale vypovídající hodnota lze zvýšit za pomoci různých metod zpracování nad těmito daty. A právě klasifikace dat je jednou z těchto metod. V dálkovém průzkumu existuje mnoho typů nosičů a snímačů obrazových dat, některé poskytují více komplexní data, ale také bývají dražší. Jiné zase poskytují pouze obrazová data ve viditelné části světelného záření. Právě tyto snímače nebo celé systémy dálkového průzkumu získávající RGB obrazová data s velmi vysokým prostorovým detailem jsou zajímavé. Pro tyto systémy zatím existuje malý počet aplikací nad takovýmito daty a tím i vznikají nové výzvy zpracování RGB obrazových dat. Cílem disertační práce je tedy navržení a ověření nového způsobu klasifikace RGB obrazových dat s velmi vysokým prostorovým rozlišením (méně než 10 cm na pixel). V první části předložené disertační práci je uvedení do problematiky dálkového průzkumu a jsou vysvětleny základní pojmy z oblasti pořizování dat, zpracování dat a více do hloubky je vysvětlena klasifikace dat. Dále je v disertační práci uvedena hluboká analýza současného stavu v oblasti klasifikace obrazových dat s velmi vysokým prostorovým rozlišením. Ze současného stavu řešené problematiky vyplývají určité výzvy v této oblasti. Jde například o využívání konvenčních a moderních klasifikačních přístupů pro identifikaci typů pokryvu nad daty s vysokým nebo velmi vysokým prostorovým rozlišením. Po definování výzev je práce zaměřena na výběr vhodných metod a navržení klasifikačního přístupu pro dosažení cíle disertační práce. Těmito metodami jsou konvenční metody. Jde o především o tradiční řízené klasifikační metody: Maximum Likelihood, Random Trees a Support Vector Machine (SVM). Pomocí těchto metod je pak realizováno následné klasifikování pomocí navrženého klasifikačního přístupu CMCA. Vzájemné porovnání celkové přesnosti klasifikace je poté provedeno pomocí vybraných případových studií v části ověření a následně pomocí nově vytvořených případových studií v části aplikování navrženého klasifikačního přístupu CMCA.

Abstract:

Surface identification is one of the methods of processing geographic data obtained by remote sensing. In today's world, it is common to encounter image data with great detail that have a telling value about the area being explored, but the telling value can be increased by using various processing methods on top of these data. Data classification is one of these methods. In remote sensing, there are many types of image data carriers and sensors, some provide more complex data but also tend to be more expensive, while others provide only image data in the visible part of the light. These sensors or entire remote sensing systems that acquire RGB image data with very high spatial detail that are interesting. For these systems, there is still a small number of applications over such data, and thus new challenges of processing RGB image data arise. Thus, the aim of this dissertation is to propose and validate a new method for classifying RGB image data with very high spatial resolution (less than 10 cm per pixel). The first part of the dissertation introduces remote sensing and explains the basic concepts of data acquisition, data processing and more in-depth explanation of data classification. Furthermore, an in-depth analysis of the state-of-the-art in the classification of very high spatial resolution image data is presented in the dissertation. The current state of the state of art raises some challenges in this area. These include the use of conventional and modern classification approaches to identify coverage types over high or very high spatial resolution image data. After defining the challenges, the thesis focuses on selecting appropriate methods and designing a classification approach to achieve the dissertation objective. These methods are conventional methods. These are mainly traditional supervised classification methods: Maximum Likelihood, Random Trees and Support Vector Machine (SVM). These methods are then used to perform the subsequent classification using the proposed CMCA classification approach. The inter-comparison of the overall classification accuracy is then performed using the selected case studies in the validation part and then using the newly created case studies in the application part of the proposed CMCA classification approach.

Keywords

Obrazová data, bezpilotní prostředky, klasifikace, klasifikace obrazových dat, řízená klasifikace, návrh klasifikačního přístupu, velmi vysoké prostorové rozlišení, CMCA

Language used: Czech

Date on which the thesis was submitted / produced: 27. 6. 2024

Accessible from:: 31. 12. 2999

Thesis defence

• Supervisor: prof. Ing. Jitka Komárková, Ph.D.

University of Pardubice

Faculty of Economics and Administration

Doctoral programme / field:
Applied Informatics / Applied Informatics