KLASIFIKASI BERORIENTASI OBYEK PADA CITRA SATELIT QUICKBIRD

KLASIFIKASI BERORIENTASI OBYEK PADA CITRA SATELIT

QUICKBIRD

Teguh Tri Erawanta1_{, Aryono Prihandito}2_{, Harintaka}3

1)_{Departemen Keuangan RI, Alumni Magister Teknik Geomatika FT-UGM} 2, 3_{Jurusan Teknik Geodesi FT-UGM. JL. Grafika 2 Yogyakarta 55281}

ABSTRACT

QuickBird Satellite, which has been launced at 2001, has high spatial resolution. However, urban objects recognition using high spatial resolution imagery remains a challenge due to high diversity of spectral responses in urban areas. Information extraction using pixel based classification method found obstacle to the internal variability in urban objects.

This research explores performance of two object oriented classifiers, ECHO (Extraction and Classification of Homogeneous Object) and region based classifier on QuickBird imagery. Image segmentation is a preliminary step in object-oriented image classification. Region growing and ECHO are applied to segment an image. After image objects are generated, Bhattacharya and Maximum Likelihood algorithm is utilized to classify them. Error matrix is computed to measure classification accuracy. Finally, geometric mean or g-mean for each class is calculated to examine performance of different classes individually.

Result shows that choice of segmentation parameters is very important and has significant influence on classification results. ECHO algorithm in MultiSpec is very sensitive to spectral variability. And, among 2 algorithm, region based algorithms in SPRING has superior accuracy.

Key words: object oriented classifiers, region based algorithms, classification accuracy. PENGANTAR

Latar Belakang

Ekstraksi informasi tematik dari citra satelit merupakan esensi dari penginderaan jauh yang umumnya dilakukan secara otomatis menggunakan teknik klasifikasi kuantitatif. Keefektifan pemisah klas berdasarkan piksel seperti parallelepiped, minimum distance dan maximum likelihood akan menurun pada klasifikasi citra resolusi tinggi dengan detil perkotaan yang sangat heterogen karena menimbulkan variasi spektral internal klas yang sangat besar (Kux and Pinho, 2005). Fenomena alam yang kompleks, beragamnya komposisi tutupan lahan pada kawasan perkotaan serta rendahnya resolusi spektral menjadi penyebab sulitnya membedakan beberapa obyek di wilayah perkotaan karena memperlihatkan panjang gelombang tampak yang hampir sama.

Adaptasi teknik klasifikasi melalui proses segmentasi citra yang memperhitungkan informasi spasial diperlukan untuk membentuk obyek dari tingkatan

hirarkhi yang berbeda. Metode klasifikasi berorientasi obyek merupakan pendekatan yang dapat digunakan untuk menyelesaikan masalah penggunaan klasifikasi berdasar piksel pada citra resolusi tinggi (Definiens Imaging, 2004).

Tujuan Penelitian

Penelitian ini bertujuan untuk mengkaji kinerja dua algoritma klasifikasi berorientasi obyek berdasarkan kesamaan obyek (homogeneous object) dan pemisah klas berdasar daerah (region based classifier) pada citra satelit QuickBird multispektral yang memiliki resolusi spasial 60 cm.

Tinjauan Pustaka

Manakos et. al (2000) meneliti kemampuan algoritma klasifikasi berdasarkan piksel dan berorientasi obyek pada citra Airborne Thematic Mapper (ATM) untuk mendeteksi tutupan lahan daerah pertanian di wilayah Fakultas Pertanian Universitas Munich. Algoritma klasifikasi berorientasi obyek yang digunakan pada perangkat lunak eCognition menghasilkan identifikasi klas dan delineasi batas klas tutupan lahan yang lebih baik dibandingkan dengan algoritma klasifikasi ISODATA dari perangkat lunak Xpace 6.3.0.

Meinel dan Neubert (2004) mengevaluasi kualitas segmentasi beberapa paket program pada citra IKONOS multispektral resolusi spasial 1 meter. Area penelitian berukuran 2.000 x 2.000 piksel yang mewakili wilayah urban dan sub urban. Hasil penelitian memperlihatkan bahwa perangkat lunak komersial eCognition 2.1 dan freeware SPRING 4.0 memberikan hasil segmentasi terbaik. Evaluasi lebih lanjut pada area yang sama dilakukan Neubert et. al. (2006) terhadap enam paket program segmentasi. Hasil penelitian ini memperlihatkan tidak satupun kinerja algoritma segmentasi yang diteliti melebihi kinerja algoritma segmentasi pada penelitian tahun 2004.

Eksplorasi pendekatan klasifikasi berorientasi obyek juga dilakukan oleh Bauer dan Yuan (2006) pada permukaan yang tidak dapat diinfiltrasi oleh air seperti atap bangunan, jalan dan trotoar menggunakan eCognition 4.0. Algoritma klasifikasi maximum likelihood pada perangkat lunak ERDAS Imagine 8.7 digunakan sebagai pembanding. Data citra yang digunakan adalah QuickBird multispektral resolusi spasial 2,4 m dan pankromatik resolusi spasial 0,6 m wilayah kampus Mankato, Universitas

Minnesota. Hasil penelitian memperlihatkan klasifikasi berdasarkan obyek memiliki akurasi keseluruhan yang lebih baik dibanding klasifikasi berdasarkan piksel.

METODOLOGI Dasar Teori

Klasifikasi berdasarkan obyek banyak menarik perhatian di bidang penginderaan jauh dekade terakhir ini karena tidak seperti metode klasifikasi klasik yang beroperasi secara langsung pada piksel tunggal, pendekatan ini beroperasi pada obyek yang sebelumnya telah dikelompokkan melalui proses segmentasi. Ide dasar dari proses ini adalah mengelompokkan piksel-piksel berdampingan menjadi obyek spektral yang homogen melalui segmentasi kemudian dilanjutkan proses klasifikasi pada obyek sebagai unit proses terkecil (Schirokauer et. al, 2006).

Kettig dan Landgrebe (1976) dalam Chubey (2006) adalah yang pertama kali melakukan analisis citra multispektral berdasarkan obyek pada penginderaan jauh dengan mengembangkan pemisah klas ECHO (Extraction and Classification of Homogeneous Object). ECHO terdapat dalam perangkat lunak MultiSpec. Algoritma klasifikasi ECHO melalui empat tahapan yaitu membagi piksel menjadi kelompok yang lebih kecil berukuran n x n piksel, misalnya 4 unit piksel baru berukuran 2x2, yang dinamakan sel sebagai kriteria awal keseragaman. Tahap selanjutnya adalah uji keseragaman/homogenitas sel untuk mendeteksi batas sel yang saling tumpang tindih menggunakan persamaan (1). Jika Y adalah sampel yang terdiri atas (Y1, , Ym), maka

sel Y akan homogen jika:

2 1 1( −µ )

∑

( −µ )≤χα

∑

− = j T _j k j m k Yk Y _____________________________________ (1)

dalam hal ini: 2

α

χ : batas yang ditetapkan dengan probabilitas α% pada distribusi χ2

m, n : dimensi sel

Tahap ketiga adalah penggabungan bidang. Jika X dan Z adalah dua daerah yang berbatasan, maka dapat digabungkan menjadi daerah X jika memenuhi persamaan (2).

t Z p Y p Z p Y p j i i i j i i _>10− ) ( max ) ( max ) ( ) ( max ω ω ω ω _______________________________________ (2)

dalam hal ini t≥0 adalah sebuah batas penajaman. Penggabungan sel yang berbatasan secara berturut-turut menyebabkan tiap bidang akan meluas hingga mencapai batas tertentu. Hasil akhir diperoleh melalui penggabungan kumpulan piksel dan piksel tunggal dengan algoritma maximum likelihood.

Perangkat lunak SPRING yang dikembangkan oleh DPI-INPE Brasil menggunakan algoritma region growing untuk proses segmentasi dan Bhattacharya untuk proses klasifikasinya. Prosedur segmentasi region growing yang digunakan pada perangkat lunak SPRING menurut Bins et. al. (1996) adalah pertama pembuatan daftar kelompok piksel {R_i, i = 1,… , n} dengan n adalah jumlah piksel pada citra. Tahap berikutnya untuk tiap daerah R_i maka daerah yang berdekatan N(R_i) diuji dan daerah berdekatan yang paling serupa R_iεN(R_i) dipilih “the best neighbor” dariR_i jika

) ( ) ,

(R R T t

D _{i k} < , jika terdapat R_i danR_k maka kedua daerah digabungkan. Prosedur yang sama diulangi hingga tidak ada lagi daerah yang bisa digabungkan. Pada tahap akhir, daerah kecil digabungkan dengan daerah lebih besar yang berbatasan, sesuai dengan nilai batas area yang ditentukan oleh pengguna.

Penentuan Kombinasi Parameter Segmentasi

Penentuan parameter segmentasi, seperti pada penentuan daerah pelatihan, umumnya menggunakan metode coba-coba. Penelitian ini menggunakan fungsi obyektif untuk menentukan kombinasi parameter yang menghasilkan segmentasi terbaik pada algoritma region growing. Fungsi obyektif (Espindola et. al., 2006) pada persamaan (3) adalah gabungan ukuran varian dan autokorelasi yang akan menghasilkan nilai pada rentang 0 hingga 2. Nilai fungsi obyektif 2 menggambarkan kualitas terbaik sebuah hasil segmentasi yang memiliki keseimbangan homogenitas dalam daerah serta heterogenitas dengan daerah lain yang maksimal.

) ( ) ( ) , (v I F v F I F = + ____________________________________________ (3) dalam hal ini fungsi F(v) dan F(I) diperoleh dengan persamaan (4).

min max max ) ( X X X X x F − − = ____________________________________________ (4)

Fungsi obyektif dibentuk dari komponen varian intrasegmen yang mengukur seberapa homogen tiap daerah yang terbentuk pada proses segmentasi, dihitung dengan persamaan (5). ∑ ∑ = = ⋅ = _n i i n i i i a v a v 1 1 _____________________________________________________ (5)

dalam hal ini:

v : varian intrasegmen vi : adalah varian i

ai : area daerah i

Pada dasarnya, v juga merupakan rata-rata tertimbang dengan area dari tiap daerah (ai)

sebagai bobotnya.

Komponen kedua adalah heterogenitas intersegmen yang mengukur derajat hubungan spasial hasil segmentasi, dihitung dengan indeks autokorelasi Moran dengan menggunakan persamaan (6).

(

∑ ∑

)

∑ ∑ ∑ ≠ ≠ = = =       ₋ − − = j i ij j i n i i n j j i ij n i w y y y y y y w n I 1 2 1 1 ) ( ) )( ( _________________________________________ (6)

dalam hal ini :

n : jumlah total region

yi : rata-rata nilai keabuan region Ri

y : rata-rata nilai keabuan dari citra wij : kedekatan spasial region Ri dan Rj

Penilaian Kualitas Hasil Klasifikasi

Ukuran kualitas hasil klasifikasi berorientasi obyek yang diturunkan dari matriks kesalahan didasarkan pada penelitian Zhan (2003) yaitu:

1. Kualitas keseluruhan obyek pada persamaan (7) adalah prosentase jumlah obyek yang sesuai dari keseluruhan obyek hasil klasifikasi dan data referensi.

kk k k kk obyek n n n n OQ − + = + + __________________________________________ (7)

2. Akurasi pengguna pada persamaan (8) mengukur estimasi dari kemungkinan sebuah obyek diklasifikasikan sebagai sebuah klas.

+ = K kk n n Pengguna Akurasi ______________________________________ (8)

3. Akurasi produser pada persamaan (9) mengukur seberapa baik hasil klasifikasi dibanding klasifikasi referensi.

K kk n n oduser Akurasi + = Pr ______________________________________ (9)

dalam hal ini:

nkk : jumlah obyek yang terdapat pada hasil klasifikasi dan referensi

nk+ : jumlah total obyek yang terdapat pada hasil klasifikasi

nk+ : jumlah total obyek yang terdapat pada data referensi

Algoritma klasifikasi perangkat lunak SPRING dan MultiSpec juga dievaluasi kinerjanya pada klas-klas berbeda menggunakan rata-rata geometrik (g-mean). Nila rata-rata geometrik mendekati 1 menunjukkan keberhasilan algoritma memprediksi klas penggunaan lahan dengan benar. Rata-rata geometrik didefinisikan oleh Kubat et al. (1998) pada persamaan (10).

TPxP mean

g− = ____________________________________________ (10) dalam hal ini:

TP : tingkat kebenaran positif atau akurasi produser P : indeks presisi atau akurasi pengguna.

3. Metodologi Bahan dan Alat

Bahan yang digunakan dalam penelitian ini adalah citra satelit QuickBird 3 saluran RGB (Red, Green, Blue) dengan resolusi spasial 60 cm yang mencakup sebagian wilayah Kelurahan Maguwoharjo yang direkam pada tanggal 26 Juli 2005.Adapun peralatan yang digunakan dalam penelitian ini adalah:

1. Satu unit komputer prosesor Intel Pentium 5 Core Duo kecepatan 2,66GHz (chipset intel 945G), RAM 2GB DDR2 800 MHz dengan kapasitas harddisk 80 GB.

2. Perangkat lunak SPRING 5.0.3 versi Windows untuk klasifikasi citra berorientasi obyek dengan algoritma klasifikasi berdasar daerah, MultiSpec 3.3 versi Macintosh untuk klasifikasi citra berorientasi obyek dengan algoritma ECHO, Parbat 0.32 untuk grafik 3D distribusi nilai spektral citra, dan Geoda 0.9.5-iBeta untuk penilaian kualitas kombinasi parameter segmentasi dengan indeks Moran

Pelaksanaan

Diagram alir pada Gambar 1 memperlihatkan proses pengolahan citra yang dimulai dengan kajian pustaka terkait dengan penelitian serta pengumpulan data citra. Tahap prapengolahan meliputi pembuatan penggunaan lahan referensi/acuan. Tahap berikutnya adalah klasifikasi dan uji kualitas hasil klasifikasi berbasis kesamaan obyek (MultiSpec 3.3) dan region growing (SPRING 5.0.3).

Gambar 1. Pelaksanaan penelitian.

HASIL DAN PEMBAHASAN

Gambar 2(a) adalah citra QuickBird area studi sedangkan Gambar 2(b) memperlihatkan penggunaan lahan referensi hasil digitasi on screen dengan teknik interpretasi visual. Hasil klasifikasi berorientasi obyek menggunakan perangkat lunak

SPRING 5.0.3 pada Gambar 2(c) secara visual lebih baik bila dibandingkan dengan hasil klasifikasi menggunakan MultiSpec 3.3 (Gambar 2d).

Gambar 2. Hasil klasifikasi berorientasi obyek

Hasil klasifikasi berorientasi obyek pada kedua perangkat lunak non komersial juga diperbandingkan secara kuantitatif menggunakan ukuran dari nilai kualitas keseluruhan obyek, akurasi produser, akurasi pengguna dan rata-rata geometriknya. Grafik perbandingan kualitas keseluruhan obyek pada Gambar 3(a) memperlihatkan kinerja algoritma berdasar daerah pada SPRING 5.0.3 jauh melebihi kemampuan algoritma ECHO pada MultiSpec 3.3. Semua obyek penggunaan lahan pada SPRING 5.0.3 menghasilkan nilai kualitas keseluruhan obyek mencapai 100% kecuali

a b

penggunaan lahan jalan dan parkir dengan nilai 0% karena kedua obyek penggunaan lahan ini memang tidak terekstraksi. Kinerja kualitas keseluruhan obyek pada MultiSpec 3.3 berada dibawah 50% kecuali obyek bayangan, artinya hanya 50% jumlah obyek yang sesuai dari keseluruhan obyek hasil klasifikasi dan data referensi.

Grafik perbandingan akurasi produser pada Gambar 3(b) juga memperlihatkan kinerja klasifikasi menggunakan SPRING 5.0.3 lebih baik dibandingkan kinerja MultiSpec 3.3. Prosentase 100% obyek pada data referensi yang dapat dijelaskan dengan benar oleh klasifikasi MultiSpec pada keseluruhan obyek tercapai pada klas penggunaan lahan perdagangan dan bayangan, sedangkan akurasi produser penggunaan lahan lainnya berada dibawah hasil klasifikasi menggunakan SPRING 5.0.3.

Grafik perbandingan akurasi pengguna pada Gambar 3(c) memperlihatkan prosentase obyek terekstraksi yang diklasifikasikan dengan benar pada penggunaan lahan gudang menggunakan MultiSpec 3.3 mencapai 100%. Nilai yang sama dicapai oleh klasifikasi dengan SPRING 5.0.3, meskipun pada klas penggunaan lahan yang lainnya kinerja klasifikasi ECHO masih berada dibawah klasifikasi berdasarkan daerah.

Gambar 3. Grafik perbandingan hasil klasifikasi berorientasi obyek

Kinerja algoritma pada klas-klas berbeda pada Gambar 3(d) memperlihatkan bahwa SPRING 5.0.3 masih unggul pada semua klas penggunaan lahan. Nila rata-rata geometrik yang dihasilkan menggunakan algoritma klasifikasi berdasar daerah

a

d c

mendekati 1 menunjukkan keberhasilan algoritma ini memprediksi klas penggunaan lahan dengan benar.

Hasil perbandingan kinerja pada keempat grafik menunjukkan kinerja algoritma klasifikasi berdasar daerah pada SPRING 5.0.3 unggul karena menggunakan algoritma segmentasi region growing yang banyak digunakan pada perangkat lunak komersial dan penggunaan klasifikasi terselia berdasar daerah menjadi efektif mengatasi variasi spektral obyek yang tinggi pada citra QuikBird.

KESIMPULAN DAN SARAN

Berdasarkan hasil penelitian ini, maka dapat disimpulkan:

1. Kinerja algoritma klasifikasi berdasar kesamaan daerah yang ada dalam SPRING 5.0.3 pada citra QuickBird lebih baik dibandingkan kinerja algoritma ECHO dalam MultiSpec 3.3. Semua ukuran kualitas hasil klasifikasi yaitu kualitas keseluruhan obyek, akurasi produser, akurasi pengguna dan rata-rata geometrik pada SPRING 5.0.3 menunjukkan nilai yang lebih tinggi dibandingkan algoritma ECHO pada MultiSpec 3.3.

2. Kombinasi parameter segmetasi region growing yaitu similarity 40 dan area 15 mampu mengekstraksi obyek pada area studi yang heterogen dengan nilai rata-rata geometrik mendekati 1 dan kriteria kualitas keseluruhan obyek, akurasi produser serta akurasi pengguna yang lebih optimal dibandingkan MultiSpec 3.3.

Terkait dengan penelitian ini, beberapa hal yang dapat disarankan untuk penelitian sejenis adalah:

1. Penelitian ini menggunakan citra dengan kuantisasi 8 bit dari 11 bit spesifikasi citra QuickBird, sehingga menyebabkan berkurangnya keterpisahan diantara obyek penggunaan lahan. Studi lebih lanjut menggunakan citra QuickBird 11 bit diperlukan untuk mengetahui respon spektral, efek tonal serta tekstural dari material yang membentuk obyek dalam wilayah perkotaan.

2. Segmentasi ulang diperlukan untuk meningkatkan kualitas hasil segmentasi region growing pada perangkat lunak SPRING 5.0.3 yang cenderung tersegmentasi berlebih.

DAFTAR PUSTAKA

Bauer, M.E. and Yuan, F. 2006. Mapping Impervious Surface Area Using High Resolution Imagery: A Comparison of Object-Based and Per Pixel Classification, ASPRS 2006 Annual Conference Reno, Nevada, May 1-5, 2006.

Bins, S.L., Fonseca, G.L., Erthal, J.G., Mitsuo, F. 1996. Satellite Imagery Segmentation: A Region Growing Approach, National Institute for Space Research, Image Processing Division, São José dos Campos, Brasil. Tersedia di http://marte.dpi.inpe.br/ col/ sid.inpe.br/ deise/ 1999/ 02.05.09.30/ doc/T205.pdf, diakses tanggal 26 April 2007.

Blaschke, T. and Lang, S. 2006. Bridging Remote Sensing And Gis – What Are The Main Supportive Pillars?, 1st International Conference on Object-based Image Analysis (OBIA 2006). Tersedia di http://www.commission4. isprs.org/ obia06/ Papers/ 01_Opening% 20session/ OBIA2006_Lang_ Blaschke.pdf, diakses tanggal 28 Agustus 2008.

Chubey, M.S., Franklin, S.E., Wulder, M.A., 2006. Object-based Analysis of Ikonos-2 Imagery for Extraction of Forest Inventory Parameter, Photogrammetric Engineering & Remote Sensing. Vol. 72, No.4, April 2006, pp.383-394. Tersedia di http://www.asprs.org/ publications /pers/ 2006journal/ april/ 2006_apr_383-394.pdf, diakses tanggal 16 Maret 2008.

Definiens Imaging, 2004. Whitepaper-eCognition Professional 4.0, Definiens Imaging, GmbH, Munich, Germany. Tersedia di http://www.gis.unbc.ca/ help/ software/ ecognition4/ ELuserguide.pdf , diakses tanggal 5 Desember 2006.

Espindola, G.M., Camara, G., Reis, I.A., Bins, L.S., and Monteiro, A.M., 2006. Parameter Selection for Region-Growing Image Segmentation Algorithms Using Spatial Autocorrelation, International Journal of Remote Sensing, Vol. 27, No. 14, pp. 3035-3040, 20 July 2006. Tersedia di http://mtc-m12.sid.inpe.br/ col/ sid.inpe.br/ mtcm12@80/ 2006/ 12.18.20.52/ doc/ espinola%20-%20parameter.pdf, diakses tanggal 12 Nopember 2007.

Kettig, R.L and Landgrebe, D.A., 1976. Classification of Multispectral Image Data by Extraction and Classification of Homogeneous Objects, Institute of Electrical and Electronics Engineers. Reprinted from IEEE Transactions on Geoscience Electronics, Vol. GE-14, No. 1, pp. 19-26, January 1976, Tersedia di http://cobweb.ecn.purdue.edu/ ~landgreb/ ECHO.pdf, diakses tanggal 13 Juli 2007. Kubat, M., Holte, R., Matwin, S., 1998. Machine Learning for The Detection of Oil

Spills In Satellite Radar Images, Machine Learning 2(30): 195—215.

Kux, H.J. and Pinho, C.M.D., 2005. Object-Oriented Analysis Of High-Resolution Satellite Images for Intra-Urban Land Cover Classification: Case Study In São José Dos Campos, São Paulo State, Brazil. INPE – Instituto Nacional de Pesquisas Espaciais, São José dos Campos, Brazil. Tersedia di http://www.commission4.isprs.org/ obia06/ Papers/ 05_Automated% 20classification% 20Urban/ OBIA2006_ Kux_Pinho.pdf, diakses tanggal 29 Juni 2007.

Manakos, I., Schneider, T., Ammer. U., 2000: A Comparison Between The ISODATA and The eCognition Classification Methods On Basis Of Field Data, ISPRS 2000,

Vol. XXXIII, Amsterdam. Teresdia di http:// ikb.weihenstephan.de/ publications/ tp_5/ isprs2000d.pdf, diakses tanggal 10 Desember 2007

Meinel, G. and Neubert, M., 2004, A Comparison of Segmentation Programs for High Resolution Remote Sensing Data, Proceedings XXth ISPRS Congress, Istanbul, 14.-23. July 2004, International Archives of Photogrammetry, Remote Sensing and Spatial Information Sciences, Vol. XXXV-B4, p. 1097-1102, ISSN 1682-1750. Tersedia di http://www.isprs.org/ istanbul2004/ comm4/ papers/506.pdf, diakses tanggal 20 Juni 2007.

Neubert, M., Herold, H. & Meinel, G., 2006, Evaluation of Remote Sensing Image Segmentation Quality – Further Results and Concepts. – dalam: Lang, S.; Blaschke, T. & Schöpfer, E. (Eds.): Proceedings 1st International Conference on Object-based Image Analysis (OBIA 2006), 4.-5. July 2006 Salzburg, International Archives of Photogrammetry, Remote Sensing and Spatial Information Sciences, Vol.

XXXVI-4/C42, Tersedia di http://www.commission4.isprs.org/obia06/Papers/10_Adaption%20and%20

further%20development%20II/OBIA2006_Neubert_Herold_Meinel.pdf, diakses tanggal 28 Januari 2008.

Schirokauer, D., Yu. Q., Gong, P., Clinton, N., Biging, G., Kelly, M., 2006. Object-based Detailed Vegetation Classification with Airborne High Spatial Resolution Remote Sensing Imagery. PE&RS Vol. 72, No. 7, July 2006, pp. 799-811. Tersedia di http://www.clas.ufl.edu/ lueci/southworth/RS-class-advanced/ Discussion-readings/ Yu%20et%20al.% 20%202006.pdf, diakses tanggal 14 Mei 2007.

Silva, F.C., Korting, S.T., Luciano, M.F., and Dutra L.V., 2008. Image Re-Segmentation Applied To Urban Imagery. The International Archives of the Photogrammetry, Remote Sensing and Spatial Information Sciences. Vol. XXXVII. Part B3b. Beijing 2008. Tersedia di http:// www.isprs.org/ congresses/ beijing2008/ proceedings/ 3b_pdf/76.pdf, diakses tanggal 17 Agustus 2008.

Zan, Q., 2003. A Hierarchical Object-Based Approach for Urban Land-Use Classification from Remote Sensing Data, ITC Dissertation No.103.