Influence of local binary pattern configurations and XGBoost on the quality of satellite image classification with noise and compression: experimental study
The paper addresses the relevant task of pixel-wise classification of multispectral satellite images under conditions of critical data quality degradation caused by additive sensor noise and lossy compression artifacts. A method for spatial feature extraction based on Local Binary Patterns (LBP) usi...
Збережено в:
| Дата: | 2026 |
|---|---|
| Автори: | , |
| Формат: | Стаття |
| Мова: | Українська |
| Опубліковано: |
Scientific Centre for Aerospace Research of the Earth Institute of Geological Science National Academy of Sciences of Ukraine, Kyiv, Ukraine
2026
|
| Теми: | |
| Онлайн доступ: | https://ujrs.org.ua/ujrs/article/view/303 |
| Теги: |
Додати тег
Немає тегів, Будьте першим, хто поставить тег для цього запису!
|
| Назва журналу: | Ukrainian Journal of Remote Sensing of the Earth |
Репозитарії
Ukrainian Journal of Remote Sensing of the Earth| _version_ | 1861046662634405888 |
|---|---|
| author | Rybnytskyi, Maksym Kryvenko, Sergii |
| author_facet | Rybnytskyi, Maksym Kryvenko, Sergii |
| author_sort | Rybnytskyi, Maksym |
| baseUrl_str | https://ujrs.org.ua/ujrs/oai |
| collection | OJS |
| datestamp_date | 2026-03-29T21:59:46Z |
| description | The paper addresses the relevant task of pixel-wise classification of multispectral satellite images under conditions of critical data quality degradation caused by additive sensor noise and lossy compression artifacts. A method for spatial feature extraction based on Local Binary Patterns (LBP) using various configurations (1:8, 2:16, 3:24) and their combinations to improve class separation accuracy is considered. An experimental study was conducted on Sentinel-2 image fragments (Kharkiv region) distorted by additive Gaussian noise with a variance of σ² = 100 and subjected to per-channel compression using the BPG encoder. The XGBoost decision tree ensemble was used as a classifier. Simulation results confirmed that the application of mono-scale LBP patterns is insufficient for reliable segmentation of heterogeneous objects under conditions of strong noise. It is proven that forming an extended feature vector by concatenating multi-scale LBP configurations (1:8, 2:16, 3:24) ensures an increase in the F1-score metric to 0.9530, which exceeds the indicators of basic configurations by more than 1%. A detailed analysis of metric dynamics by class revealed that the "Water" class demonstrates the highest stability (F1 > 0.99) due to spectral homogeneity. At the same time, for structurally complex classes "Urbanization" and "Vegetation," incorporating large-radius features proved critically important, allowing to minimize the influence of local brightness fluctuations and stabilize the AUC metric at a level > 0.99. An important empirical result was the detection of a positive effect of compression on the classification accuracy of noisy images: coefficient quantization by the BPG encoder acted as a low-pass filter, partially compensating for the high-frequency component of Gaussian noise. Additional research around the optimal operating point revealed that the method remains robust under moderate changes (Q=31). Furthermore, it continues to exhibit high stability and maintain segmentation accuracy even with a substantial amplification of compression artifacts (Q=43), thereby confirming the reliability and efficiency of the algorithm throughout the entire evaluated range of compression distortions. It was established that the integration of texture features of different scales allows the XGBoost model to form robust decision rules, while the optimal balance between computational complexity and accuracy is achieved when limiting ensemble parameters (n_estimators=200, max_depth=8), as further model complexity does not lead to a statistically significant increase in recognition quality.
Author Contributions: Conceptualization – M. A. Rybnytskyi and S. S. Kryvenko; Methodology – M. A. Rybnytskyi; Formal Analysis and Data Processing – M. A. Rybnytskyi; Investigation – M. A. Rybnytskyi; Writing – Original Draft Preparation – M. A. Rybnytskyi; Writing – Review & Editing – M. A. Rybnytskyi and S. S. Kryvenko. All authors have read and agreed to the published version of the manuscript.
Funding: This research received no external funding.
Data Availability Statement: Data available on reasonable request from the authors.
Acknowledgments: The authors express sincere gratitude to the reviewers and editors for their valuable comments, recommendations, and attention to the work.
Conflicts of Interest: The authors declare no conflict of interest. |
| doi_str_mv | 10.36023/ujrs.2026.13.1.303 |
| first_indexed | 2026-03-30T01:00:03Z |
| format | Article |
| id | uajuacgovua-article-303 |
| institution | Ukrainian Journal of Remote Sensing of the Earth |
| keywords_txt_mv | keywords |
| language | Ukrainian |
| last_indexed | 2026-03-30T01:00:03Z |
| publishDate | 2026 |
| publisher | Scientific Centre for Aerospace Research of the Earth Institute of Geological Science National Academy of Sciences of Ukraine, Kyiv, Ukraine |
| record_format | ojs |
| spelling | uajuacgovua-article-3032026-03-29T21:59:46Z Influence of local binary pattern configurations and XGBoost on the quality of satellite image classification with noise and compression: experimental study Вплив конфігурацій локальних бінарних шаблонів та XGBoost на якість класифікації супутникових зображень із шумом і стисненням: експериментальне дослідження Rybnytskyi, Maksym Kryvenko, Sergii дистанційне зондування Землі супутникові зображення Sentinel-2 попіксельна класифікація XGBoost локальні бінарні шаблони (LBP) текстурний аналіз стиснення зображень BPG кодер remote sensing Sentinel-2 satellite imagery pixel-wise classification XGBoost Local Binary Patterns (LBP) texture analysis image compression BPG encoder The paper addresses the relevant task of pixel-wise classification of multispectral satellite images under conditions of critical data quality degradation caused by additive sensor noise and lossy compression artifacts. A method for spatial feature extraction based on Local Binary Patterns (LBP) using various configurations (1:8, 2:16, 3:24) and their combinations to improve class separation accuracy is considered. An experimental study was conducted on Sentinel-2 image fragments (Kharkiv region) distorted by additive Gaussian noise with a variance of σ² = 100 and subjected to per-channel compression using the BPG encoder. The XGBoost decision tree ensemble was used as a classifier. Simulation results confirmed that the application of mono-scale LBP patterns is insufficient for reliable segmentation of heterogeneous objects under conditions of strong noise. It is proven that forming an extended feature vector by concatenating multi-scale LBP configurations (1:8, 2:16, 3:24) ensures an increase in the F1-score metric to 0.9530, which exceeds the indicators of basic configurations by more than 1%. A detailed analysis of metric dynamics by class revealed that the "Water" class demonstrates the highest stability (F1 > 0.99) due to spectral homogeneity. At the same time, for structurally complex classes "Urbanization" and "Vegetation," incorporating large-radius features proved critically important, allowing to minimize the influence of local brightness fluctuations and stabilize the AUC metric at a level > 0.99. An important empirical result was the detection of a positive effect of compression on the classification accuracy of noisy images: coefficient quantization by the BPG encoder acted as a low-pass filter, partially compensating for the high-frequency component of Gaussian noise. Additional research around the optimal operating point revealed that the method remains robust under moderate changes (Q=31). Furthermore, it continues to exhibit high stability and maintain segmentation accuracy even with a substantial amplification of compression artifacts (Q=43), thereby confirming the reliability and efficiency of the algorithm throughout the entire evaluated range of compression distortions. It was established that the integration of texture features of different scales allows the XGBoost model to form robust decision rules, while the optimal balance between computational complexity and accuracy is achieved when limiting ensemble parameters (n_estimators=200, max_depth=8), as further model complexity does not lead to a statistically significant increase in recognition quality. Author Contributions: Conceptualization – M. A. Rybnytskyi and S. S. Kryvenko; Methodology – M. A. Rybnytskyi; Formal Analysis and Data Processing – M. A. Rybnytskyi; Investigation – M. A. Rybnytskyi; Writing – Original Draft Preparation – M. A. Rybnytskyi; Writing – Review & Editing – M. A. Rybnytskyi and S. S. Kryvenko. All authors have read and agreed to the published version of the manuscript. Funding: This research received no external funding. Data Availability Statement: Data available on reasonable request from the authors. Acknowledgments: The authors express sincere gratitude to the reviewers and editors for their valuable comments, recommendations, and attention to the work. Conflicts of Interest: The authors declare no conflict of interest. У роботі вирішується актуальна задача попіксельної класифікації мультиспектральних супутникових зображень в умовах критичного зниження якості даних, спричиненого адитивним шумом сенсорів та артефактами стиснення з втратами. Розглядається метод виділення просторових ознак на основі локальних бінарних шаблонів (LBP) з використанням різних конфігурацій (1:8, 2:16, 3:24) та їх комбінацій для підвищення точності розділення класів. Експериментальне дослідження проведено на фрагментах знімків Sentinel-2 (Харківська область), спотворених адитивним гаусівським шумом з дисперсією σ² = 100 та підданих поканальному стисненню кодером BPG. Як класифікатор використано ансамбль дерев рішень XGBoost. Результати моделювання підтвердили, що застосування мономасштабних шаблонів LBP є недостатнім для надійної сегментації гетерогенних об'єктів в умовах сильного шуму. Доведено, що формування розширеного вектора ознак шляхом конкатенації мультимасштабних конфігурацій LBP (1:8, 2:16, 3:24) забезпечує підвищення метрики F1-міра до 0.9530, що більш ніж на 1% перевищує показники базових конфігурацій. Детальний аналіз динаміки метрик у розрізі класів виявив, що клас «Вода» демонструє найвищу стабільність (F1 > 0.99) завдяки спектральній однорідності. Водночас для структурно складних класів «Урбанізація» та «Рослинність» критично важливим виявилося залучення ознак великого радіусу, що дозволило мінімізувати вплив локальних флуктуацій яскравості та стабілізувати метрику AUC на рівні > 0.99. Важливим емпіричним результатом стало виявлення позитивного впливу стиснення на точність класифікації зашумлених зображень: квантування коефіцієнтів кодером BPG спрацювало як низькочастотний фільтр, частково компенсуючи високочастотну складову гаусівського шуму. Додаткове дослідження в околицях оптимальної робочої точки показало, що метод зберігає робастність при помірних змінах (Q=31), а також продовжує демонструвати високу стабільність та збереження точності сегментації навіть при значному посиленні артефактів стиснення (Q=43), що підтверджує надійність та ефективність алгоритму в усьому дослідженому діапазоні компресійних спотворень. Встановлено, що інтеграція текстурних ознак різного масштабу дозволяє моделі XGBoost формувати стійкі вирішальні правила, при цьому оптимальний баланс між обчислювальною складністю та точністю досягається при обмеженні параметрів ансамблю (дерева=200, глибина=8), оскільки подальше ускладнення моделі не призводить до статистично значущого приросту якості розпізнавання. Внесок авторів: Концептуалізація – М.А. Рибницький та С.С. Кривенко; методологія – М.А. Рибницький; формальний аналіз та оброблення даних – М.А. Рибницький; дослідження – М.А. Рибницький, підготовка тексту статті – М.А. Рибницький; рецензування та редагування – М.А. Рибницький, С.С. Кривенко. Всі автори прочитали та погодилися з опублікованою версією рукопису. Фінансування: Це дослідження не отримало зовнішнього фінансування. Доступність даних: Дані можуть бути надані авторами за обґрунтованим запитом. Подяки: Автори висловлюють щиру подяку та вдячні рецензентам і редакторам за їхні цінні коментарі, рекомендації та увагу до роботи. Конфлікти інтересів: Автори заявляють, що не мають конфлікту інтересів. Scientific Centre for Aerospace Research of the Earth Institute of Geological Science National Academy of Sciences of Ukraine, Kyiv, Ukraine 2026-03-30 Article Article application/pdf https://ujrs.org.ua/ujrs/article/view/303 10.36023/ujrs.2026.13.1.303 Ukrainian journal of remote sensing; Vol. 13 No. 1 (2026); 31-51 Украинский журнал дистанционного зондирования Земли; Том 13 № 1 (2026); 31-51 Український журнал дистанційного зондування Землі; Том 13 № 1 (2026); 31-51 2313-2132 uk https://ujrs.org.ua/ujrs/article/view/303/305 Copyright (c) 2026 Ukrainian journal of remote sensing |
| spellingShingle | remote sensing Sentinel-2 satellite imagery pixel-wise classification XGBoost Local Binary Patterns (LBP) texture analysis image compression BPG encoder Rybnytskyi, Maksym Kryvenko, Sergii Influence of local binary pattern configurations and XGBoost on the quality of satellite image classification with noise and compression: experimental study |
| title | Influence of local binary pattern configurations and XGBoost on the quality of satellite image classification with noise and compression: experimental study |
| title_alt | Вплив конфігурацій локальних бінарних шаблонів та XGBoost на якість класифікації супутникових зображень із шумом і стисненням: експериментальне дослідження |
| title_full | Influence of local binary pattern configurations and XGBoost on the quality of satellite image classification with noise and compression: experimental study |
| title_fullStr | Influence of local binary pattern configurations and XGBoost on the quality of satellite image classification with noise and compression: experimental study |
| title_full_unstemmed | Influence of local binary pattern configurations and XGBoost on the quality of satellite image classification with noise and compression: experimental study |
| title_short | Influence of local binary pattern configurations and XGBoost on the quality of satellite image classification with noise and compression: experimental study |
| title_sort | influence of local binary pattern configurations and xgboost on the quality of satellite image classification with noise and compression: experimental study |
| topic | remote sensing Sentinel-2 satellite imagery pixel-wise classification XGBoost Local Binary Patterns (LBP) texture analysis image compression BPG encoder |
| topic_facet | дистанційне зондування Землі супутникові зображення Sentinel-2 попіксельна класифікація XGBoost локальні бінарні шаблони (LBP) текстурний аналіз стиснення зображень BPG кодер remote sensing Sentinel-2 satellite imagery pixel-wise classification XGBoost Local Binary Patterns (LBP) texture analysis image compression BPG encoder |
| url | https://ujrs.org.ua/ujrs/article/view/303 |
| work_keys_str_mv | AT rybnytskyimaksym influenceoflocalbinarypatternconfigurationsandxgboostonthequalityofsatelliteimageclassificationwithnoiseandcompressionexperimentalstudy AT kryvenkosergii influenceoflocalbinarypatternconfigurationsandxgboostonthequalityofsatelliteimageclassificationwithnoiseandcompressionexperimentalstudy AT rybnytskyimaksym vplivkonfíguracíjlokalʹnihbínarnihšablonívtaxgboostnaâkístʹklasifíkacíísuputnikovihzobraženʹízšumomístisnennâmeksperimentalʹnedoslídžennâ AT kryvenkosergii vplivkonfíguracíjlokalʹnihbínarnihšablonívtaxgboostnaâkístʹklasifíkacíísuputnikovihzobraženʹízšumomístisnennâmeksperimentalʹnedoslídžennâ |