Optimization of road detection from high-resolution satellite images using texture parameters in neural network classifiers

Abstract

AbstractThe aim of road detection is to discriminate between road and background pixels. This discrimination is considered to be the most important stage in automatic road network extraction from satellite imagery. In this paper, neural networks are applied to high-resolution IKONOS and QuickBird images for road detection. This paper has endeavored to optimize the functionality of neural networks using a variety of texture parameters. These parameters had different window sizes and gray level numbers, not only from the source but also from the preclassified image. It was discovered that using texture parameters from a preclassified image accompanied by primary spectral information in reclassifying the source image could improve both road and background detection ability of the neural network. Accuracy assessment parameters were evaluated on several pan-sharpened IKONOS and QuickBird images. The obtained results attest to the efficiency of the proposed method.L'objectif de la détection de routes consiste à discriminer entre les pixels de route et de fond. Cette discrimination est considérée comme constituant l'étape la plus importante dans l'extraction automatique du réseau de routes à partir d'images satellitaires. Dans cet article, les réseaux de neurones sont appliqués à des images haute résolution d'IKONOS et de QuickBird pour la détection de routes. Dans cet article, on cherchait à optimiser la fonctionnalité des réseaux de neurones en utilisant une variété de paramètres de texture. Ces paramètres de texture avaient des dimensions de fenêtre et un nombre de niveaux de gris différents non seulement à l'origine mais également au niveau de l'image pré-classifiée. Il a été découvert que l'utilisation des paramètres de texture à partir de l'image pré-classifiée conjointement avec l'information spectrale primaire dans la reclassification de l'image d'origine pouvait améliorer la capacité de détection des routes et du fond du réseau de neurones. Les paramètres d'évaluation de la précision ont été évalués à l'aide de plusieurs images fusionnées d'IKONOS et de QuickBird. Les résultats obtenus attestent de l'efficacité de la méthode proposée.[Traduit par la Rédaction]