Normalization of remote sensing imagery for automatic information extraction

Abstract

[ANGLÈS] For the time being, Remote Sensing automatized techniques are conventionally designed to be used exclusively on data captured by a particular sensor system. This convention was only adopted after evidence suggested that, in the field, algorithms that yield great results on data from one specific satellite or sensor, tend to underachieve on data from similar sensors. With this effect in mind, we will refer to remote sensing imagery as heterogeneous. There have been attempts to compensate every effect on the data and obtain the underlying physical property that carries the information, the ground reflectance. Because of their improvement of the informative value of each image, some of them have even been standardized as common preprocessing methods. However, these techniques generally require further knowledge on certain atmospheric properties at the time the data was captured. This information is generally not available and has to be estimated or guessed by experts, a very time consuming, inaccurate and expensive task. Moreover, even if the results do improve in each of the treated images, a significant decrease of their heterogeneity is not achieved. There have been more automatized proposals to treat the data in the literature, which have been broadly named RRN (Relative Radiometric Normalization) algorithms. These consider the problem of heterogeneity itself and use properties strictly related to the statistics of remote sensing imagery to solve it. In this master thesis, an automatic algorithm to reduce heterogeneity in generic imagery is designed, characterized and evaluated through crossed classification results on remote sensing imagery.

[CASTELLÀ] Actualmente, las técnicas para extraer información de forma automática de imágenes capturadas por satélite se diseñan para funcionar con un sistema de sensores específico. Esta convención se basa en el conocimiento experimental de que, cuando se aplican algoritmos que obtienen muy buen resultado en datos de un cierto sensor, a sensores similares, los resultados no son, en general, igualmente buenos. Para referirnos a este efecto, diremos que las imágenes por satélite son datos heterogéneos. En la investigación del ámbito, hay muchas y diversas técnicas que intentan compensar esta heterogeneidad. La mayoría de estas, intentan recuperar una característica física intrínseca del terreno, la reflectividad del suelo. Evidentemente, todas estas técnicas mejoran el valor informativo de cada imagen, y por lo tanto, se usan a menudo como parte del preprocessado de las imágenes. Aún así, resultados experimentales prueban que estas técnicas, no completamente automáticas, caras, y difíciles de aplicar, no compensan la heterogeneidad de los datos de forma robusta. La literatura del ámbito incluye también propuestas más automatizadas, también con el objetivo de compensar al heterogeneidad inherente de las imágenes de Teledetección. Estas técnicas se agrupan bajo el nombre de algoritmos RRN (Relative Radiometric Normalization). En general, las técnicas RRN se basan en propiedades estadísticas específicas de las imágenes por satélite para intentar compensar este efecto. En este proyecto de final de carrera, se diseñará, caracterizará y evaluará un algoritmo automático para reducir la heterogeneidad de un conjunto de imágenes de la misma zona. La verificación experimental se basará en los resultados de clasificación automática cruzada sobre imágenes de satélite de la región de Gran Canaria.

[CATALÀ] Actualment, les tècniques per extreure informació de forma automàtica d'imatges capturades per satèl·lit es dissenyen per funcionar amb un sistema de sensors específic. Aquesta convenció prové del fet que, quan s'apliquen algorismes que obtenen molts bons resultats en dades provinents d'un cert sensor a sensors hipotèticament similars, els resultats no son, en general, igualment bons. Per referir-nos a aquest efecte, ens referirem a les imatges per satèl·lit com a dades heterogènies. En la recerca de l'àmbit, hi ha moltes i diverses tècniques que intenten compensar aquesta heterogeneïtat. La majoria d'aquestes, intenten recuperar una característica física intrínseca del terreny, la refractivitat del sòl. Evidentment, totes aquestes tècniques milloren el valor informatiu de cadascuna de les imatges, i per tant sovint s'utilitzen com a part del preprocessat de les imatges. Tot i així, els resultats experimentals demostren que aquestes tècniques, no completament automàtiques, cares i difícils de dur a terme, no compensen la heterogeneïtat de les dades de forma robusta. La literatura de l'àmbit també inclou propostes més automatitzades, que també intenten compensar aquesta heterogeneïtat inherent de les imatges de teledetecció. Aquestes tècniques s'agrupen sota el nom "algorismes RRN" (Relative Radiometric Normalization). En general, les tècniques RRN es basen en propietats estadístiques específiques de les imatges per satèl·lit per intentar compensar aquest efecte. En aquest projecte de final de carrera, es dissenyarà, caracteritzarà, i s'avaluarà un algorisme automàtic per reduir la heterogeneïtat d'un conjunt d'imatges per satèl·lit de la mateixa zona. La verificació experimental es basarà en els resultats de classificació automàtica creuada sobre imatges de satèl·lit de la regió de Gran Canaria.