The thesis explores the application of a advanced feature extraction technique, called "histogram of oriented gradients" (HOG), applied to multispectral VHR images. The algorithm, widely used in the human detection area, but new in this context of remote sensing, has been thoroughly analyzed in each phase, highlighting the correspondance between different parameter sets and different accuracy variations.
Feature Extraction for High Resolution Remote Sensing Image Classification using Histograms of Oriented Gradients
1. Introduzione e obiettivi Approccio sviluppato Risultati sperimentali Conclusioni
Estrazione di parametri per classificazione di
immagini telerilevate ad alta risoluzione
mediante istogrammi di gradienti orientati
Margherita Piccini, Simone Rossi,
Eugenio Zuccarelli
Universit`a degli Studi di Genova - Scuola Politecnica
Relatore: Prof. Gabriele Moser
Correlatore: Dott. Vladimir Krylov
Piccini, Rossi, Zuccarelli Estrazione di parametri tramite algoritmo HOG 1 / 22
2. Introduzione e obiettivi Approccio sviluppato Risultati sperimentali Conclusioni
Struttura della presentazione
1 Introduzione e obiettivi
2 Approccio sviluppato
Histograms of oriented gradients (HOG)
Support Vector Machine (SVM)
3 Risultati sperimentali
Dataset
Setup sperimentale
Discussione dei risultati
4 Conclusioni
Piccini, Rossi, Zuccarelli Estrazione di parametri tramite algoritmo HOG 2 / 22
3. Introduzione e obiettivi Approccio sviluppato Risultati sperimentali Conclusioni
Estrazione di parametri per classificazione di immagini
telerilevate ad alta risoluzione mediante istogrammi di
gradienti orientati
Telerilevamento: estrazione
remota di informazioni
EO - Earth Observation
Sensori di acquisizione passivi
ottici
Alta risoluzione spaziale (ordine
di qualche metro)
Piccini, Rossi, Zuccarelli Estrazione di parametri tramite algoritmo HOG 3 / 22
4. Introduzione e obiettivi Approccio sviluppato Risultati sperimentali Conclusioni
Estrazione di parametri per classificazione di immagini
telerilevate ad alta risoluzione mediante istogrammi di
gradienti orientati
) Costruzione automatica di mappe tematiche necessarie in
svariati ambiti tra cui:
analisi di sviluppo urbano
mappatura di aree agricole
gestione e salvaguardia ambientale
Piccini, Rossi, Zuccarelli Estrazione di parametri tramite algoritmo HOG 3 / 22
5. Introduzione e obiettivi Approccio sviluppato Risultati sperimentali Conclusioni
Estrazione di parametri per classificazione di immagini
telerilevate ad alta risoluzione mediante istogrammi di
gradienti orientati
Feature: parametri calcolati per ogni pixel utili per
discriminare classi
Feature di tessitura ) Obiettivo: estrarre informazioni sulla
distribuzione spaziale delle intensit`a dei pixel
+
Informazione aggiuntiva e complementare ai canali (feature)
spettrali dell’immagine telerilevata
Piccini, Rossi, Zuccarelli Estrazione di parametri tramite algoritmo HOG 3 / 22
6. Introduzione e obiettivi Approccio sviluppato Risultati sperimentali Conclusioni
Estrazione di parametri per classificazione di immagini
telerilevate ad alta risoluzione mediante istogrammi di
gradienti orientati
Obiettivo della tesi: esplorare l’applicabilit`a degli HOG
nell’ambito della mappatura di copertura del suolo in area
urbana
Piccini, Rossi, Zuccarelli Estrazione di parametri tramite algoritmo HOG 3 / 22
7. Introduzione e obiettivi Approccio sviluppato Risultati sperimentali Conclusioni
Histograms of oriented gradients (HOG)
Schema generale dell’algoritmo
Immagine in ingresso
Riduzione
rumore
Calcolo
gradiente
Costruzione
istogrammi
Normalizz.
contrasto
Costruzione
vettore
feature
Classificatore
Idea chiave: descrivere il comportamento locale del gradiente
di un’immagine per enfatizzare strutture geometriche
Piccini, Rossi, Zuccarelli Estrazione di parametri tramite algoritmo HOG 4 / 22
8. Introduzione e obiettivi Approccio sviluppato Risultati sperimentali Conclusioni
Histograms of oriented gradients (HOG)
Riduzione del rumore
(a) Immagine originale con
rumore
(b) Risultato di filtraggio
gaussiano
Figura: Riduzione del rumore con filtraggio gaussiano 2D
.
Piccini, Rossi, Zuccarelli Estrazione di parametri tramite algoritmo HOG 5 / 22
9. Introduzione e obiettivi Approccio sviluppato Risultati sperimentali Conclusioni
Histograms of oriented gradients (HOG)
Calcolo del gradiente
Operativamente:
I(j, k)
hx
Gx = I ⇤ hx
hy
Gy = I ⇤ hy
G =
q
G2
x + G2
y
✓ = atan(
Gy
Gx
)
G(j, k)
Piccini, Rossi, Zuccarelli Estrazione di parametri tramite algoritmo HOG 6 / 22
10. Introduzione e obiettivi Approccio sviluppato Risultati sperimentali Conclusioni
Histograms of oriented gradients (HOG)
Calcolo del gradiente
Figura: Calcolo delle componenti del gradiente
Piccini, Rossi, Zuccarelli Estrazione di parametri tramite algoritmo HOG 6 / 22
11. Introduzione e obiettivi Approccio sviluppato Risultati sperimentali Conclusioni
Histograms of oriented gradients (HOG)
Costruzione degli istogrammi
Immagine
Matrice di celle
Istogrammi
Figura: Schema esemplificativo della distribuzione spaziale di
istogrammi e celle
Piccini, Rossi, Zuccarelli Estrazione di parametri tramite algoritmo HOG 7 / 22
12. Introduzione e obiettivi Approccio sviluppato Risultati sperimentali Conclusioni
Histograms of oriented gradients (HOG)
Costruzione degli istogrammi
Si costruiscono gli istogrammi (k = 1, . . . , n✓):
H0(c, k) =
X
i
X
j
f [G(i, j)] ( k 1 < ✓(i, j) k) (1)
quantizzazione su n✓ angle bin spaziati uniformemente
voto pesato rispetto all’intensit`a del gradiente tramite la
funzione f (G)
Piccini, Rossi, Zuccarelli Estrazione di parametri tramite algoritmo HOG 7 / 22
13. Introduzione e obiettivi Approccio sviluppato Risultati sperimentali Conclusioni
Histograms of oriented gradients (HOG)
Normalizzazione
Matrice di celle
Matrice di blocchi
Istogrammi
Motivazione: riduzione artefatti dovuti a illuminazione e
contrasto.
Piccini, Rossi, Zuccarelli Estrazione di parametri tramite algoritmo HOG 8 / 22
14. Introduzione e obiettivi Approccio sviluppato Risultati sperimentali Conclusioni
Histograms of oriented gradients (HOG)
Normalizzazione
Schema di normalizzazione:
H(c, k) =
H0(c, k)
⇣P
ci 2Nc
p
kH0(ci )k2
2 + "2
⌘ (2)
dove Nc `e l’insieme delle celle del blocco considerato.
Piccini, Rossi, Zuccarelli Estrazione di parametri tramite algoritmo HOG 8 / 22
15. Introduzione e obiettivi Approccio sviluppato Risultati sperimentali Conclusioni
Histograms of oriented gradients (HOG)
Costruzione del descrittore vettoriale
1 Feature HOG estratte
separatamente su ogni
canale spettrale tra i B
presenti
2 Immagine finale derivata
dalla concatenazione di
canali spettrali e feature
HOG
Red
Green
Blue
HOG over Red
HOG over Green
HOG over Blue
Dimensione complessiva: B + B · n✓
Piccini, Rossi, Zuccarelli Estrazione di parametri tramite algoritmo HOG 9 / 22
16. Introduzione e obiettivi Approccio sviluppato Risultati sperimentali Conclusioni
Support Vector Machine (SVM)
Cos’`e un classificatore
{xi , yi }
Training set
Addestramento Regola di decisione
PredizioneX(m, n)
Immagine Mappa di classificazione
Y (m, n)
Figura: Schema funzionale di un classificatore
Piccini, Rossi, Zuccarelli Estrazione di parametri tramite algoritmo HOG 10 / 22
17. Introduzione e obiettivi Approccio sviluppato Risultati sperimentali Conclusioni
Support Vector Machine (SVM)
Training set linearmente separabile
x2
x1
Figura: Training set linearmente separabile
Piccini, Rossi, Zuccarelli Estrazione di parametri tramite algoritmo HOG 11 / 22
18. Introduzione e obiettivi Approccio sviluppato Risultati sperimentali Conclusioni
Support Vector Machine (SVM)
Training set linearmente separabile
x2
x1
w
·x
+
b
=
0
w
·x+
+
b
=
1w
·x
+
b
=
1
2
kw
k
b
kw
k
w
Figura: Margine tra i campioni di training di due classi linearmente
separabili
Piccini, Rossi, Zuccarelli Estrazione di parametri tramite algoritmo HOG 11 / 22
19. Introduzione e obiettivi Approccio sviluppato Risultati sperimentali Conclusioni
Support Vector Machine (SVM)
SVM lineare binaria
Addestramento:
max
↵
L(↵) =
X
i
↵i
1
2
X
i
X
j
↵i ↵j yi yj xi · xj (3)
Predizione:
f (u) =
X
i
↵i yi xi · u + b (4)
Piccini, Rossi, Zuccarelli Estrazione di parametri tramite algoritmo HOG 12 / 22
20. Introduzione e obiettivi Approccio sviluppato Risultati sperimentali Conclusioni
Support Vector Machine (SVM)
SVM non lineare
x1
x2
x1
x2
x3
Figura: Situazione esemplificativa della funzione di trasformazione
: Rd
! H (5)
Piccini, Rossi, Zuccarelli Estrazione di parametri tramite algoritmo HOG 13 / 22
21. Introduzione e obiettivi Approccio sviluppato Risultati sperimentali Conclusioni
Support Vector Machine (SVM)
SVM non lineare
Giustificazione
Un problema di classificazione complesso, formulato attraverso
una trasformazione non-lineare dei dati in uno spazio ad alta
dimensionalit`a, ha maggiore probabilit`a di essere linearmente
separabile che in uno spazio a bassa dimensionalit`a.
Piccini, Rossi, Zuccarelli Estrazione di parametri tramite algoritmo HOG 13 / 22
22. Introduzione e obiettivi Approccio sviluppato Risultati sperimentali Conclusioni
Support Vector Machine (SVM)
SVM non lineare
Addestramento:
max
↵
L(↵) =
X
i
↵i
1
2
X
i
X
j
↵i ↵j yi yj K(xi , xj ) (5)
Predizione:
f (u) =
X
i
↵i yi K(xi , u) + b (6)
con K : Rd
⇥ Rd
! R tale che K(x1, x2) = (x1) · (x2)
Piccini, Rossi, Zuccarelli Estrazione di parametri tramite algoritmo HOG 13 / 22
23. Introduzione e obiettivi Approccio sviluppato Risultati sperimentali Conclusioni
Support Vector Machine (SVM)
SVM non lineare
Kernel usato per la fase di classificazione:
radiale gaussiano (RBF)
K(x1, x2) = exp
⇣
||x1 x2||2
2 2
⌘
(5)
Piccini, Rossi, Zuccarelli Estrazione di parametri tramite algoritmo HOG 13 / 22
24. Introduzione e obiettivi Approccio sviluppato Risultati sperimentali Conclusioni
Dataset
Descrizione dei dataset
Progetto europeo dedicato all’identificazione di aree urbane
attualmente non usate e potenzialmente riqualificabili.
Tre casi analizzati tutti acquisiti da SPOT 5 HRG a 3 bande
(NIR, R, G):
Amiens 2006 - 5 m - 10 classi
Amiens 2012 - 2.5 m - 7 classi
Amiens 2006 - 2.5 m - 7 classi
Piccini, Rossi, Zuccarelli Estrazione di parametri tramite algoritmo HOG 14 / 22
25. Introduzione e obiettivi Approccio sviluppato Risultati sperimentali Conclusioni
Dataset
Descrizione dei dataset
Figura: Amiens 2006 5 m a 10 classi
Piccini, Rossi, Zuccarelli Estrazione di parametri tramite algoritmo HOG 14 / 22
26. Introduzione e obiettivi Approccio sviluppato Risultati sperimentali Conclusioni
Dataset
Descrizione dei dataset
Figura: Amiens 2012 2.5 m a 7 classi
Piccini, Rossi, Zuccarelli Estrazione di parametri tramite algoritmo HOG 14 / 22
27. Introduzione e obiettivi Approccio sviluppato Risultati sperimentali Conclusioni
Dataset
Descrizione dei dataset
Figura: Amiens 2006 2.5 m a 7 classi
Piccini, Rossi, Zuccarelli Estrazione di parametri tramite algoritmo HOG 14 / 22
28. Introduzione e obiettivi Approccio sviluppato Risultati sperimentali Conclusioni
Dataset
Di colt`a del dataset
Problema di classificazione complesso a causa di
e↵etto sfocatura causato da processi di pre-elaborazione
presenza di ombre nell’area urbana
classi spettralmente sovrapposte
classi di uso del suolo e non di copertura del suolo
numero di canali spettrali limitato (solo 3)
Piccini, Rossi, Zuccarelli Estrazione di parametri tramite algoritmo HOG 15 / 22
29. Introduzione e obiettivi Approccio sviluppato Risultati sperimentali Conclusioni
Setup sperimentale
Setup sperimentale
Algoritmo HOG:
Riduzione del rumore: filtro gaussiano passabasso 15 ⇥ 15
Maschera derivativa [ 1, 0, 1]
Numero di bin: 4
Grandezze delle celle: 2 ⇥ 2 pixel per dimensione del pixel
di 2.5 m e 4 ⇥ 4 pixel per 5 m
Grandezze dei blocchi: 16 ⇥ 16 pixel
Piccini, Rossi, Zuccarelli Estrazione di parametri tramite algoritmo HOG 16 / 22
30. Introduzione e obiettivi Approccio sviluppato Risultati sperimentali Conclusioni
Setup sperimentale
Setup sperimentale
SVM:
Soft Margin SVM
Kernel RBF (Radial Basis Function)
I parametri C e della SVM sono ottenuti tramite un
processo di ottimizzazione automatica che minimizza un
maggiorante sull’errore di generalizzazione del classificatore
Piccini, Rossi, Zuccarelli Estrazione di parametri tramite algoritmo HOG 16 / 22
31. Introduzione e obiettivi Approccio sviluppato Risultati sperimentali Conclusioni
Discussione dei risultati
Amiens 2006 - 5 m
Mappa di classificazione con
feaure HOG a 4 bin, celle 4 ⇥ 4
pixel, blocchi a 16 ⇥ 16
Piccini, Rossi, Zuccarelli Estrazione di parametri tramite algoritmo HOG 17 / 22
32. Introduzione e obiettivi Approccio sviluppato Risultati sperimentali Conclusioni
Discussione dei risultati
Amiens 2006 - 5 m
Accuratezze di classificazione sui campioni di test
Area urbana
ad alta
densit`a
Area urbana
a bassa
densit`a Strade
Area urbana
verde
Suolo
nudo
80.39% 72.91% 11.82% 0% 86.33%
Terreno
coltivabile
Aree
vegetate Alberi
Corsi
d’acqua
Specchi
d’acqua
90.96% 60.41% 73.62% 0% 67.15%
Piccini, Rossi, Zuccarelli Estrazione di parametri tramite algoritmo HOG 17 / 22
33. Introduzione e obiettivi Approccio sviluppato Risultati sperimentali Conclusioni
Discussione dei risultati
Amiens 2006 - 5 m
Confronto di classificazione con e senza HOG
per casi significativi
Area urbana
ad alta densit`a
Area urbana
a bassa densit`a
Acc +10.87% +18.15%
Piccini, Rossi, Zuccarelli Estrazione di parametri tramite algoritmo HOG 17 / 22
34. Introduzione e obiettivi Approccio sviluppato Risultati sperimentali Conclusioni
Discussione dei risultati
Amiens 2006 - 5 m
(a) Mappa con HOG (b) Mappa senza HOG
Figura: Confronto su una porzione dell’area urbana di 250 ⇥ 250
pixel della mappa di classificazione con e senza estrazione di feature
Piccini, Rossi, Zuccarelli Estrazione di parametri tramite algoritmo HOG 17 / 22
35. Introduzione e obiettivi Approccio sviluppato Risultati sperimentali Conclusioni
Discussione dei risultati
Amiens 2012 - 2.5 m
Mappa di classificazione con
feaure HOG a 4 bin, celle 2 ⇥ 2
pixel, blocchi a 16 ⇥ 16
Piccini, Rossi, Zuccarelli Estrazione di parametri tramite algoritmo HOG 18 / 22
36. Introduzione e obiettivi Approccio sviluppato Risultati sperimentali Conclusioni
Discussione dei risultati
Amiens 2012 - 2.5 m
Accuratezze di classificazione sui campioni di test
Edifici Strade
Area
vegetata
Suolo
nudo
52.78% 10.65% 26.48% 81.24%
Terreno
coltivabile Alberi Acqua
91.78% 68.30% 70.10%
Per questo dataset nessuna classe ha registrato un calo o un aumento di
accuratezza significativo nel confronto con e senza HOG
Piccini, Rossi, Zuccarelli Estrazione di parametri tramite algoritmo HOG 18 / 22
37. Introduzione e obiettivi Approccio sviluppato Risultati sperimentali Conclusioni
Discussione dei risultati
Amiens 2012 - 2.5 m
(a) Mappa senza
HOG
(b) Mappa con
HOG
(c) Mappa con
HOG e cartografia
Figura: Confronto su una porzione della periferia di Amiens di
250 ⇥ 250 pixel della mappa di classificazione con e senza HOG e
con l’aggiunta di una feature ulteriore estratta dalla cartografia a
2.5 m.
Piccini, Rossi, Zuccarelli Estrazione di parametri tramite algoritmo HOG 18 / 22
38. Introduzione e obiettivi Approccio sviluppato Risultati sperimentali Conclusioni
Discussione dei risultati
Amiens 2006 - 2.5 m
Mappa di classificazione con
feaure HOG a 4 bin, celle 2 ⇥ 2
pixel, blocchi a 16 ⇥ 16
Piccini, Rossi, Zuccarelli Estrazione di parametri tramite algoritmo HOG 19 / 22
39. Introduzione e obiettivi Approccio sviluppato Risultati sperimentali Conclusioni
Discussione dei risultati
Amiens 2006 - 2.5 m
Accuratezze di classificazione sui campioni di test
Edifici Strade
Area
vegetata
Suolo
nudo
61.18% 65.77% 59.75% 89.32%
Terreno
coltivabile Alberi Acqua
87.30% 58.81% 72.14%
Piccini, Rossi, Zuccarelli Estrazione di parametri tramite algoritmo HOG 19 / 22
40. Introduzione e obiettivi Approccio sviluppato Risultati sperimentali Conclusioni
Discussione dei risultati
Amiens 2006 - 2.5 m
Confronto di classificazione con e senza HOG
per casi significativi
Strade Suolo nudo Alberi
Acc +22.10% 5.34% 13.47%
Piccini, Rossi, Zuccarelli Estrazione di parametri tramite algoritmo HOG 19 / 22
41. Introduzione e obiettivi Approccio sviluppato Risultati sperimentali Conclusioni
Conclusioni
Punti di forza
Miglioramento di accuratezza per alcune classi
caratterizzate da contorni ben marcati
Algoritmo computazionalmente poco oneroso
Punti di debolezza
Peggioramento di accuratezza per alcune classi
caratterizzate da texture omogenee o regioni non
geometriche
Necessit`a di una fase di ottimizzazione dei parametri
dell’algoritmo HOG
Piccini, Rossi, Zuccarelli Estrazione di parametri tramite algoritmo HOG 20 / 22
42. Introduzione e obiettivi Approccio sviluppato Risultati sperimentali Conclusioni
Conclusioni
Sviluppi futuri
Sperimentazione congiunta con altri estrattori di feature
sensibili a informazioni non di contorno
Sperimentazione con altri classificatori
Piccini, Rossi, Zuccarelli Estrazione di parametri tramite algoritmo HOG 20 / 22
43. Introduzione e obiettivi Approccio sviluppato Risultati sperimentali Conclusioni
Bibliografia I
Chang, C.-C., and Lin, C.-J.
Working set selection using second order information for training svm.
Journal of Machine Learning Research 6 (May 2005), 1889–1918.
Dalal, N., and Triggs, B.
Histograms of oriented gradientes for human detection.
In Computer Vision and Pattern Recognition (June 2005), vol. 1, pp. 886–893.
Moser, G.
Analisi di immagini telerilevate per osservazione della terra.
Ecig Universitas, 2007.
Moser, G., Serpico, S., and Benediktsson, J. A.
Land-cover mapping by markov modeling of spatial-contextual information in
very-high-resolution remote sensing images.
Proceedings of the IEEE 101, 3 (March 2013), 631–651.
Vapnik, V.
The Nature of Statistical Learning Theory, 2 ed.
Springer-Verlag New York, 2000.
Piccini, Rossi, Zuccarelli Estrazione di parametri tramite algoritmo HOG 21 / 22