Remote Sensing Object Based Image Analysis

RSOBIA

Version 7.183

Dr Tim Le Bas

National Oceanography Centre, UK.

tim.lebas@noc.ac.uk 

   

1. Installation

 From the website www.codemap.eu/Outputs there are two files to download: 

RSOBIA_setup.exe (about 138Mb) RSOBIA.esriaddin (about 350Kb) 

It is most likely that the version of ArcMap you are using is set to 32bit.  An easy check may be to see where it is installed: if the base directory name is “Program Files (x86) this is a 32 bit installation.  64 bit machines can run ArcGIS Pro and will therefore require RSOBIA_setup64.exe but has not been rigorously tested.  Stage 1: Double click to run the RSOBIA_setup.exe Executable   

• Accept the license agreement 

• Enter the user information 

• Install the software in C:\Python27 

(default) or anywhere else if 

required 

• You may need about 450Mb of 

diskspace 

• A shortcut folder will be created on 

the Start Menu called RSOBIA 

• You may need about 450Mb of 

diskspace 

 

  An uninstall executable is created too.  Over 5000 files are installed in the selected folder.    The next stage of the RSOBIA setup is the installation of a new version of python (Version 2.7.9). If you have an even newer version of python (e.g. 2.7.10) you may cancel this part of the installation (as long as the installation folder was set to Python27).  

 Python 2.7.9 setup 

• It is recommended that python2.7.9  is installed 

for all users  

• Install the software in the same directory as 

RSOBIA setup – both defaults are C:\Python27 

• You have to accept overwriting of existing files 

 

 Once the Python installation is complete you should get: 

     If you were to see the change repair or remove python window instead of the initial setup, use the repair option.            

• Finally click on the Finish button for Python 2.7.9 and RSOBIA 

                       

 Stage 2: Double click the RSOBIA.esriaddin 

• Install Add‐in • It is not digitally signed  

Stage 3: Run ArcMap • Right click in the grey toolbar area and select the “RSOBIA Toolbar” 

 

 

If you are re‐installing the toolbar with a newer version you will need to remove the older version 

first.  Reinstallation of the RSOBIA setup executable is not required. 

Stage 1: Run ArcMap • From the Customize Tab select the Add‐in Manager… • Select the Python Addin called Remote Sensing OBIA • Click “Delete this Add‐in”.  It has been noticed that occasionally that this has to be done more than once. • Right click in the grey toolbar area and deselect the “RSOBIA Toolbar” • Exit ArcMap 

Stage 2: Double click the RSOBIA.esriaddin • Install Add‐in 

 

For further installation problems please e‐mail tim.lebas@noc.ac.uk  Please include as many error messages as possible together with details of the computer environment (such operating system, ArcMap version, computer type). It has been noticed that installations in languages other than English can cause issues.  Please try changing the ArcMap license to English before connecting help. 

This can be done via the ArcGIS Administrator. Changing the language of the user interface does not require administrator privileges on the Windows operating system.  

1. Using the ArcGIS Administrator, click the ArcGIS node in the table of contents.  2. Click Advanced. 3. Select the language (English) and click Save. 4. Click Apply to set your changes without closing the ArcGIS Administrator or OK to apply 

changes and close the ArcGIS Administrator.  

 

Once running ArcMap you should see the RSOBIA toolbar. 

 

Please Note:  File names and Directory names should NOT include spaces.  Use the underscore 

character as a substitute if required. 

 

   

 

2. Derivatives

 

The functions offered by the derivatives menu are essentially standard grid manipulation techniques 

but brought together for ease of use, and in some cases modified to work more successfully with 

partial coverage maps such as multibeam bathymetry. Input files must be single layered datafiles 

(e.g. tif, img, jpg) with a projected coordinate system (e.g. UTM, Mercator, National Grid) preferably 

in metres. 

 

There are 7 derivative functions offered: 

i) Slope:   Calculates the maximum slope (in any direction) in degrees.  Values are real 

numbers between 0.0 and 90.0 but a value of ‐1.0 is used for areas of no data.  Input is a 

single layer file – not a geodatabase.  Output is a single layer file and its default filename 

is the input basename plus “Slope”.  Format output is .img.   This function differs from a 

shaded relief which is a slope derivative from a particular direction.  Slope maps are 

occasionally used for pseudo‐3D display – using the greyscale slope map with the high 

slope as black, and placed under a colour bathymetry map with partial transparency.   

ii) Terrain Ruggedness (sometimes referred to as Rugosity):   Calculates the variation in 

bathymetry datasets within a neighbourhood.  This technique combines the variability of 

slope and aspect in an area.  It is taken from the “Benthic Terrain Modeller” developed 

by Shaun Wallbridge (Wright et al. 2012).  It requires 2 parameters – a neighbourhood 

size (in pixels) for which 5 is suggested and a workspace directory where temporary files 

can be made and removed. 

 Output values are usually between 0.0 (meaning smooth) and 0.6 (meaning rough). .  

Input is a single layer file – not a geodatabase.  Output is a single layer file and its default 

filename is the input basename plus “Rugged”.  Format output is .img.    

iii) Northness:  This is the calculation of the aspect of the slope.  Aspect is often calculated is 

terms of the compass direction 0‐360 degrees.  For terrain calculations the zero and 360 

degree boundary can create issues and so the Northness is calculated being the cosine 

of the aspect.  Values are from 1.0 (fully north facing) to ‐1 (south facing). Output is a 

single layer file and its default filename is the input basename plus “Cos”. Format output 

is .img.    

iv) Eastness:  This is the complement to Northness being the sine of the Aspect. Values are 

from 1.0 (fully east facing) to ‐1 (west facing). Output is a single layer file and its default 

filename is the input basename plus “Sin”. Format output is .img.    

v) Curvature: Calculates the curvature in the direction of maximum slope of a bathymetry 

dataset. It is taken from the spatial analyst toolbox.  This is useful for highlighting crests 

and depressions. Values often are between 30.0 (convex crest) and ‐30.0 (concave 

depressions). 

vi) GLCM:  This calculates Grey Level Co‐ocurrence Matrices for an image and can return 

values for  Contrast, Dissimilarity, Homogeneity, Energy, Correlation or ASM (Angular 

Second Momentun) – see Chapter 9 for more information 

vii) Polygon GLCM:  Instead of calculating GLCMs for a whole image mean values of GLCMs 

can be calculated from imagery within individual polygons.  Only GLCM values that are 

calculated from entirely within the polygon are used.  This removes polygon edge 

effects. 

 

   

 

3. Layering

 

The layering function is a preparation step for segmentation.  This function can combine many single 

layered files as required and create a multi‐layered raster image.  The output filename is the first 

input file basename plus “Layered”.  Format output is .img.  Layer order is not important but all 

layers must have the same projection and datum.  Files can be added by the drop‐down arrow or 

explicitly by the browse directory function.  The tool also requires a workspace directory where 

temporary files can be made and removed.  Different coverages are accepted though not 

recommended as the segmentation process will find areas of no data and classify them as significant 

classes 

 

Viewing of the output of the layering process can be difficult as each layer may have differing ranges 

and statistics (e.g. Terrain Ruggedness).  In addition there may be more than 3 layers in the Layered 

output but the display only allows 3 layers in a RGB composite display.  Computationally this is not 

an issue for segmentation. 

Do note the order of the layers added as this may be required to understand the segmentation 

output.  Once segmentation has been done each polygon can be attributed will the layer statistics of 

mean and standard deviation of each layer for each polygon. 

 

  

   

 

4. Segmentation

 

Segmentation is a method to aggregate pixels together to create a thematic map.  The segmentation 

process is a licensed tool taking a multi‐layered image and creates a set of polygons defined by the 

statistics associated with the layered image. Clusters of the imagery pixels are created in n‐

dimensional space and created into classes. Aggregation into geographic regions (polygons)  is done 

according to a minimum polygon size rule, and clustering rules.  Input is a single multi‐layered file – 

not a geodatabase.  Output is a single polygon vector shapefile and its default filename is the same 

as the input basename but with a different filetype.  Format output is .shp (plus its associated 

companion files).    

 

There are 4 parameters required: 

i. Number of Clusters:  This is the most important parameter and depends on the complexity 

of the data.   Estimates of the number of clusters can be done by the user judging  the 

number of classes that can be seen manually  in the imagery, or the number of classes that 

are hoped to be seen in the imagery or simply a guess.  Often a high number of clusters will 

be reduced when calculations are done finding less classes than expected due to small (and 

possibly insignificant) cluster sizes. Default value is 30. 

ii. Minimum Object Size:  This is the minimum size of any output polygon in terms of pixels.  

Again this is a very important parameter and depends of the level of aggregation required. 

Knowledge of the pixel resolution is key.  For more detailed interpretation polygons lower 

values can be used, whereas higher values provide more regional interpretation.  Default 

value is 2000 pixels (approximately equivalent to a circle of 25 pixels radius).   

iii. Layer Weights:  During the standard segmentation process each layer is given equal 

weighting regardless of the differing units used on each layer.  Generally the minimum and 

maximum of each layer are found and data scaled to a common standard.  The user can 

provide their own layer weights if, for example,  one layer is deemed to provide more 

important or better imagery. A second example might be if two layers are inextricably 

correlated that to give equal weighting would give undue prominence to one data source.  

Default is 1,1,1 (i.e. equal weighting).  Examples of other weighting might be 1,1,2 or 1,1,3,1.  

If layers weights are omitted (e.g. more than 3 layers) the system will assume a value of 1 

unless defined explicitly. Layer weights must have integer values between 1 and 32. At least 

one layer should have a weighting factor of 1. 

iv. Temporary Workspace:  A directory where temporary files can be made and removed.  

Default is the directory of the Input file.  All temporary files should be deleted automatically 

on completion of the segmentation process.  Should segmentation fail these files will remain 

and should be deleted manually. 

The segmentation process uses a technique of k‐means clustering and uses the iterative removal of 

outliers (Shepherd et al., 2014).  This technique is incorporated in a large software library RSGISLib 

(Bunting et al., 2014). Currently the library is defined to be in the directory C:/RSGIS and is accessed 

directly by the RSOBIA toolbar to the directory name. 

The resulting shapefile of polygons may take a minute or two to create, the time depending on the 

data complexity, filesize, and number of clusters.  Each polygon will have attributes of: 

(1) ID  Consecutive number of polygon (useful for identification) 

(2) AREA  Size of polygon (in units of the original imagery – possibly square metres) 

(3) MEAN  Average of classes of all pixels in polygon (useful for finding outliers) 

(4) STD  Standard deviation of classes of all pixels in polygon (low values show  good 

cluster correspondence) 

(5) SUM  Sum of all classes of all pixels I polygon 

(6) MAJORITY  Most common class of all pixels in polygon (this is the main class for 

interpretation.  If the class distribution is skewed, this could give a false class). 

 

When displaying the data the default symbology is a single symbol feature.  This should be changed 

to Categories of Unique values and where the Value Field is set to MAJORITY.  Add all the values to 

the categories and use a distinct colour palette of your choice. 

   

Example: 

              Layered Imagery (4 layers, 1,2,3 in RGB)    Segmented map (10 classes) 

The choice of number of clusters is often difficult.  To this end a optimisation process is available 

using a modified Calinski‐Harabasz calculation (Calinski and Harabasz, 1974). If a value of 0 is entered 

for the number of clusters, the software will attempt to evaluate the optimal number of classes.  

 

The Calinski‐Harabasz criterion value is then maximised.  It is a ratio of the overall between‐cluster 

variance and the internal‐cluster variance.  Well defined clusters have a large between‐cluster 

variance and a small within‐cluster variance. The larger the ratio, the better the data partition. The 

method calculates a series of cluster values and attempt to find a maximum value. Changing the 

minimum object size will also affect the ratio and so will require recalculation. 

If the segmentation results are not pleasing to the eye or seem to omit features, set the parameters 

differently and try again.  The system will not allow overwriting of output files and thus the user will 

have to edit output filenames too. 

 

0

0.5

1

1.5

2

2.5

3

3.5

0 5 10 15 20 25

Calinski‐Harabasz Ratio

Number of Clusters

 

5. Adding of Attributes

 

Following segmentation, the attributes for each polygon only relate to the polygon shape and class.  

It is often required to view and use the values of initial raster layers.  These can be aggregated for 

each polygon as an attribute value of the mean and standard deviation of the pixel values within the 

polygon for each layer.   

 

Inputs required are the original multi‐layered raster imagery file and the segmented polygon 

shapefile and a directory where temporary files can be made and removed.  Default is the directory 

of the Input file.  Output is a shapefile with a default filename made from the input basename plus 

“Attrib”. Format output is .shp.  This process can be a bit slower than segmentation and is the reason 

why it is not included in the segmentation process (especially if segmentation is trialled several 

times). 

The attribute table will have several extra columns with labels of Layer1, Layer2 etc.  It is here where 

it is important to know the layer order that was used in the layering process, so that understanding 

of the meaning of the values. 

 

 

   

 

6. Adding of Groundtruth Samples

 

The attributes for each polygon can be extended if groundtruth point data is available.  This is a very 

simple join of two datasets and effectively adds the attributes of a groundtruth data point to the 

relevant polygon.   In this way the samples may be utilised to characterise the class type.  Some 

polygons may not have groundtruth samples and will therefore be left blank.  Hopefully enough of 

the polygons will have groundtruth points to inform the class descriptions.  

 

   

 

7. Multibeam Echosounder (MBES) Wizard

 

A specific wizard is available for multibeam echosounder bathymetry and backscatter imagery.  It is 

designed to carry out a series of operations that are all available in the RSOBIA toolbar.  The 

advantage of this is an easier and quicker method for the novice user and does not clutter up disk 

space with intermediate files such as derivatives, a layered file, or without attributes.  The wizard 

tool has been designed to have as few input parameters are possible: 

(1) Input Bathymetry grid (Single layer format .tif or .img) 

(2) Input Backscatter grid (Single layer format .tif or .img) 

(3) Number of Clusters – (see section 4 for details – default is 20 clusters) 

(4) Minimum Object size – (see section 4 for details – default is 10000 pixels) 

(5) Output  Segment Polygon file (format .shp) 

The wizard is programmed to work at any pixel resolution and will produce results at the resolution 

of the largest pixel of the two input files.  The units of both input files are not important as the 

imagery will be scaled to get best  differentiation of features.  Geographic projection of the two 

datafiles must be identical.  The filesizes of the input files are not restricted but successful processing 

will depend on the size of the computer’s memory. Initial trials are suggested at the 5‐10 million 

pixels filesize, to test the results against expectations. 

Processing in the wizard is as follows: 

1) Calculation of slope from the bathymetry data 

2) Calculation of Terrain roughness from the bathymetry data (assumes a neighbouthood area of 5 

pixels) 

3) Layering of the slope data, roughness data and backscatter data 

4) Segmentation of the layered data using a layer weighting of (1,1,2) i.e. giving the backscatter 

data the same weighting as the combined two datasets of slope and roughness (because both 

are derivatives of the bathymetry), which would otherwise give the bathymetric data undue 

prominence.  

5) Attributes of the slope (layer 1), roughness (layer 2) and backscatter (layer 3) are added to the 

segment polygons. 

 

As with the other tools the wizard does create several intermediate files and this it places in the 

same directory as the bathymetry data.  All the files have “tmp” in their names and are deleted on 

successful completion of the process. 

   

 

8. Classification

 

A manual classification tool is available for labelling polygons with a class name (e.g. Sandy Mud).   In 

the Data pulldown select the shape file you wish to add classification interpretation. This will be the 

segmented  polygon shapefile. 

 

Next either choose one of the pre‐defined classification classes or type in your own class name. 

 

This is now ready for “painting”. Use the paintbrush icon to draw a square (Click and Drag) on the 

map and each polygon selected by the square will be attributed the classification name (e.g. Sandy 

Mud). The attribute will be given to the appropriate polygon in an attribute called “Class”.  The paint 

brush can be used as many times as required. 

 

If a new class is required, type the new name and continue painting.  The previous class name is 

retained and can be used when required. 

 

 

   

 

9. GLCMs (Grey Level Co-occurrence Matrices)

 

Texture measurement such as GLCMs (Haralick et al., 1973) are very useful for image analysis.  They 

are a statistical calculation designed to “look” at imagery in a similar way that the human eye can 

discern differences in pictures.  For example a speckly texture will have large differences between 

high and low points, whereas a smooth texture will have only small differences between high and 

low points.  The distance between points (in pixel space) must also be considered, as the texture also 

depends on the level of amalgamation (scale) that is being used. 

GLCMs are calculated using the pixel values and a kernel window over which the variable is 

calculated.  This is because GLCMs are second order texture calculations and consider pixel 

neighbour relationships.  It is therefore required to define the offset between pixels and a window 

to measure the texture over.  The combination of pixels is defined in a matrix for the defined 

window and then normalised giving the probability of occurrence. 

There are3 main independent groups of measures of texture using GLCMs:  

i) Contrast ‐ The Contrast group measures weighted related to distance between pixels.  

Three values are available: Contrast, Dissimilarity and Homogeneity 

ii) Orderliness or regularity – The group measures how orderliness or regularity of the 

image pixels spatial arrangement.  Two values are available: ASM and Energy 

iii) Statistical – This group measures statistics derived from the GLC matrix. One value is 

available – Correlation. 

Contrast – weighting is measured exponentially with distance. A value of zero would be an entirely 

uniform image. 

 

Dissimilarity – weighting is measured linearly with distance 

 

Homogeneity (sometimes known as Inverse Difference Moment) and weighs values by the inverse of 

the contrast weights 

 

 

ASM (Angular Second Moment) uses a weighting of itself rather than a distance. Maximum value of 

1 is when all pixels in the window are identical. 

 

Energy is a measure of uniformity or order of an image.  It is the square root of ASM. 

 Correlation measures the linear dependency of pixel values on neighbouring pixels. Zero value 

means uncorrelated or value 1 is perfectly correlated. 

 

 

   

 

10. Troubleshooting

 

The toolbar has been tested on several platforms but issues can still arise.  The following are 

solutions for a variety of error messages found by users: 

1) Make sure the workspace area has been cleared of previous temporary intermediate files 

(usually have “tmp” in the name) 

2) Spatial Analyst Extension  not licensed – Click “Customise” and then “Extensions…” and turn 

Spatial Analyst off and on. 

3) Check re‐installation guide (see section 1) if a newer version is installed. 

4) Filename not found – Remove spaces in directory names and filenames 

5) When combining files make sure they have the same geographic projection and datum.  The files 

may look the same projection in the display window but may have been transformed “on‐the‐

fly”. 

6) Bad allocation – This usually means you have run out of memory  ‐ try  smaller files. 

 

   

 

11. References

 

Bunting, P.; Clewley, D.; Lucas, R.M.; Gillingham, S. The Remote Sensing and GIS Software Library (RSGISLib). Comput. Geosci. 2014, 62, 216–226. 

Calinski, T., and J. Harabasz. "A dendrite method for cluster analysis." Communications in Statistics. 

Vol. 3, No. 1, 1974, pp. 1–27. 

Haralick, R.M., K. Shanmugam and I. Dinstein. Textural Features for Image Classification. IEEE Transactions on Systems, Man and Cybernetics. 1973 SMC vol. 3, no. 6, pp.610‐620.    

Shepherd, J.D.; Bunting, P.; Dymond, J.R., Operational large‐scale segmentation of imagery based on iterative elimination. J. Appl. Remote Sens. 2014, in press. 

Wright, D.J., Pendleton, M., Boulware, J., Walbridge, S., Gerlt, B., Eslinger, D., Sampson, D., and 

Huntley, E. 2012. ArcGIS Benthic Terrain Modeler (BTM), v. 3.0, Environmental Systems Research 

Institute, NOAA Coastal Services Center, Massachusetts Office of Coastal Zone Management. 

Available online at http://esriurl.com/5754.