Abstract
Object-oriented image classification has tremendous potential to improve classification accuracies of land use and land cover (LULC), yet its benefits have only been minimally tested in peer-reviewed studies. We aim to quantify the benefits of an object-oriented method over a traditional pixel-based method for the mixed urban–suburban–agricultural landscape surrounding Gettysburg, Pennsylvania. To do so, we compared a traditional pixel-based classification using maximum likelihood to the object-oriented image classification paradigm embedded in eCognition Professional 4.0 software. This object-oriented paradigm has at least four components not typically used in pixel-based classification: (1) the segmentation procedure, (2) nearest neighbor classifier, (3) the integration of expert knowledge, and (4) feature space optimization. We evaluated each of these components individually to determine the source of any improvement in classification accuracy. We found that the combination of segmentation into image objects, the nearest neighbor classifier, and integration of expert knowledge yields substantially improved classification accuracy for the scene compared to a traditional pixel-based method. However, with the exception of feature space optimization, little or no improvement in classification accuracy is achieved by each of these strategies individually.
La clasificación de imágenes orientadas a objetos tiene un enorme potencial para mejorar la precisión en la clasificación de los usos y coberturas del suelo (land use and land cover, LULC); sin embargo, sus beneficios solo se han probado mínimamente en estudios revisados por expertos en el campo. Nuestro objetivo es cuantificar los beneficios de un método orientado a objetos en comparación con un método tradicional basado en pixeles en la región mixta urbana-suburbana-agrícola que circunda a Gettysburg, Pensilvania. Para hacerlo, comparamos la clasificación tradicional basada en pixeles usando la máxima probabilidad con el paradigma de la clasificación por imágenes orientadas a objetos integrada en el programa eCognition Professional 4.0. Este paradigma orientado a objetos tiene al menos cuatro componentes que típicamente no se usan en la clasificación basada en pixeles: (1) el procedimiento de segmentación, (2) el clasificador por el vecino más cercano, (3) la integración de conocimiento experto, y (4) la optimización del espacio de trabajo. Evaluamos individualmente cada uno de estos componentes para determinar la fuente de cualquier mejora en la precisión de la clasificación. Encontramos que la combinación de la segmentación en objetos imágenes, el clasificador por el vecino más cercano y la integración de conocimiento experto dan como resultado una precisión en la clasificación substancialmente mejorada para la escena cuando se compara con el método basado en pixeles. Sin embargo, con excepción de la optimización del espacio de trabajo, se logra poca o ninguna mejora en la precisión de la clasificación con cada una de estas estrategias implementadas de manera individual.
Notes
∗Thanks to Gettysburg College for supporting this research through a Research and Professional Development Grant.