Multiple-class land-cover mapping at the sub-pixel scale using a Hopfield neural network

Abstract

Land cover class composition of image pixels can be estimated using soft classification techniques. However, their output provides no indication of how such classes are distributed spatially within the instantaneous field of view represented by the pixel. Robust techniques to provide an improved spatial representation of land cover have yet to be developed. The use of a Hopfield neural network technique to map the spatial distributions of classes reliably using information of pixel composition determined from soft classification was investigated in previous papers by Tatem et al. The network converges to a minimum of an energy function defined as a goal and several constraints. The approach involved designing the energy function to produce a ‘best guess’ prediction of the spatial distribution of class components in each pixel. Tatem et al described the application of the technique to target mapping at the sub-pixel scale, but only for single classes. We now show how this approach can be extended to map multiple classes at the sub-pixel scale, by adding new constraints into the energy formulation. The new technique has been applied to simulated SPOT HRV and Landsat TM agriculture imagery to derive accurate estimates of land cover. The results show that this extension of the neural network now represents a simple efficient tool for mapping land cover and can deliver requisite results for the analysis of practical remotely sensed imagery at the sub pixel scale.

Résumé

Une composition de classe d’image pixels de couverture du sol peut être estimée à l’aide de l’utilisation de techniques de classification “soft”. Cependant, leur sortie ne fournit aucune indication sur le nombre de telles classes distribuées spatialement dans l’angle de champ de l’optique représenté par le pixel. Des techniques robustes pour fournir une représentation spatiale améliorée de couverture du sol restent à développer. L’utilisation de la technique de réseau neural Hopfield pour cartographier les distributions spatiales de classes de manière fiable en utilisant l’information de composition de pixel déterminée à partir d’une classification “soft” a été étudiée dans des articles antérieurs de Tatem et autres. Le réseau converge vers un minimum d’une fonction énergie définie comme un but et différentes contraintes. L’approche entraînait le développement d’une fonction énergie pour prédire la “meilleure estimation” de la distribution spatiale des composants de classe dans chaque pixel. Tatem et autres ont décrit l’application de la technique pour une cartographie ciblée à l’échelle du sous-pixel, mais seulement pour des classes uniques. Nous montrons maintenant comment cette approche peut être étendue pour cartographier des classes multiples à l’échelle du sous-pixel, en ajoutant de nouvelles contraintes dans la formulation de l’énergie. La nouvelle technique a été appliquée à une imagerie agricole simulée de SPOT HRV et Landsat TM pour dériver des estimations précises de couverture du sol. Les résultats montrent que cette extension du réseau-neural représente maintenant un outil simple et efficace pour cartographier la couverture du sol et peut fournir des résultats indispensables pour l’analyse d’images de télédétection pratique à l’échelle du sous-pixel.

Resumen

La composición de las celdas de imágenes satelitárias en cuanto a clases de cobertura de las tierras puede ser estimada mediante técnicas de clasificación blandas. Sin embargo, los resultados generados no indican como estas clases se distribuyen espacialmente dentro del área de observación instantánea representada por una celda. Todavía hace falta desarrollar técnicas robustas capaces de suministrar una representación espacial mejorada de la cobertura de las tierras. En artículos anteriores, Tatem et al. investigan el uso de una técnica de red neural de Hopfield, para obtener una cartografía confiable de la distribución espacial de clases en base a información sobre la composición de las celdas determinada mediante clasificación blanda. La red converge hacia un valor mínimo de una función de energía definido como una meta con varias limitaciones. El enfoque requirió el diseño de la función de energía, para producir la predicción más acertada de la distribución espacial de los componentes de clases en cada celda. Tatem et al. describieron la aplicación de la técnica para mapear objetos seleccionados a nivel de sub-celda, pero solamente para clases individuales. Aqui mostramos como se puede extender este enfoque para mapear clases múltiples a nivel de sub-celda, agregándole más limitaciones a la formulación energética. Se aplicó la nueva técnica a imágenes SPOT HRV y Landsat TM simuladas en áreas agricolas para derivar estimaciones precisas de la cobertura de las tierras. Los resultados muestran que esta extensión de la red neural constituye ahora un instrumento simple pero eficiente para cartografiar la cobertura de las tierras y que el mismo puede generar resultados necesarios para el análisis de imágenes de teledetección a nivel de sub-celda.