A genetic algorithm (GA) based automated classifier for remote sensing imagery

Abstract

Conventional unsupervised classification divides all pixels within an image into corresponding classes based on the distance between pixels and the cluster centres. The number of classes must be selected a priori but is seldom ascertainable with little information. To analyze a large dataset, such as a remote sensing dataset, requires an automatic unsupervised classifier which needs no human effort during the process of image clustering. A genetic algorithm (GA) is adopted to search the cluster centres and choose a suitable cluster number for digital images to overcome the disadvantages of the conventional unsupervised classifier. The GA-based automated classifier was executed on several test images for validity and SPOT satellite imagery for practical application. The satellite images classified by the GA-based classifier and iterative self-organizing data analysis technique (ISODATA) were compared with a classified result through a supervised classification. According to the estimation of classification accuracy by error matrices and K statistic, the GA-based classifier performed better than the unsupervised ISODATA and as good as a supervised classifier, even without manipulation by an analyst. A modified GA-based classifier using maximum likelihood (represented by the z score) as a clustering criterion was also proposed and proven to be capable of performing automatically as well as a supervised classifier.

La classification non dirigée conventionnelle divise tous les pixels à l'intérieur de l'image en classes correspondantes sur la base de la distance entre les pixels et les centres des regroupements. Le nombre de classes doit être sélectionné a priori, mais ce nombre est difficile à évaluer lorsque l'on dispose de peu d'information. Pour analyser un gros ensemble de données comme c'est le cas en télédétection, il est nécessaire d'avoir un classifieur automatique non dirigé qui ne requiert aucune intervention humaine durant le processus d'analyse des regroupements de l'image. L'algorithme génétique (AG) est adopté pour rechercher les centres des regroupements ainsi qu'un nombre satisfaisant de regroupements pour que les images numériques puissent s'affranchir des inconvénients du classifieur non dirigé conventionnel. Le classifieur automatisé basé sur l'AG a été utilisé sur plusieurs images tests pour la validation et sur des images de SPOT pour une application plus pratique. Les images satellitaires classifiées au moyen du classifieur AG et d'ISODATA (« iterative self organizing data analysis technique ») ont été comparées avec un résultat de classification par le biais d'une classification dirigée. L'estimation de la précision de classification utilisant les matrices d'erreur et les statistiques K a montré que le classifieur basé sur l'AG affiche une meilleure performance que l'ISODATA non dirigé et une aussi bonne performance que le classifieur dirigé même sans manipulation par l'analyste. Un classifieur modifié basé sur l'AG utilisant le maximum de vraisemblance (représenté par la note z) comme critère de regroupement a aussi été proposé et a montré sa capacité d'agir également de façon automatique comme classifieur dirigé.[Traduit par la Rédaction]