«Ταξινόμηση και εξαγωγή χαρακτηριστικών δορυφορικών εικόνων αστικών περιοχών βάση μορφολογικών μετασχηματισμών»
Από RemoteSensing Wiki
Δημοσίευση Εφαρμογής Τηλεπισκόπισης: «Classification and Feature Extraction for Remote Sensing Images From Urban Areas Based on Morphological Transformations», «Ταξινόμηση και εξαγωγή χαρακτηριστικών δορυφορικών εικόνων αστικών περιοχών βάση μορφολογικών μετασχηματισμών» Συγγραφείς: Jon Atli Benediktsson, Senior Member, IEEE, Martino Pesaresi, and Kolbeinn Arnason.
Ανάλυση – Παρουσίαση:
Αντικείμενο της εφαρμογής είναι η ταξινόμηση και η εξαγωγή χαρακτηριστικών τηλεπισκοπικών εικόνων αστικών περιοχών. Στόχος της είναι να καθοριστούν τα στοιχεία της εικόνας βάση των εγγενών μορφολογικών χαρακτηριστικών τους, αντί των ορίου τους. Η μέθοδος επικεντρώνεται στις διαρθρωτικές πληροφορίες της εικόνας, οι οποίες συλλέγονται από την εφαρμογή μορφολογικών χειρισμών με προσέγγιση πολλών κλιμάκων (multiscale) και από την εξέταση των υπολειμμάτων μεταξύ των μορφολογικών μετασχηματισμών της εικόνας και της πρωτότυπης. Στην εφαρμογή έγινε χρήση δυο τηλεπισκοπικών εικόνων υψηλής ευκρίνειας. Η πρώτη ήταν επιμέρους δείγμα των 800x800 εικονοστοιχείων (4 χλμ.x4 χλμ.) από αρχική σκηνή περίπου 15x15 εικονοστοιχείων (75 χλμ.x75 χλμ.) δορυφορικής εικόνας IRS-1C παγχρωματικού αισθητήρα με χωρική διακριτική ικανότητα 5 μέτρων. Η εικόνα ήταν λήψη από γεωργική περιοχή διάσπαρτου διακανονισμού από την Αθήνα Ελλάδας (σχήμα 1α). Επίσης χρησιμοποιήθηκε αναφορικός χάρτης με διαχωρισμό έξι τάξεων πληροφορίας (σχήμα 1β). Η δεύτερη εικόνα που χρησιμοποιήθηκε ήταν 975x639 εικονοστοιχείων επιμέρους δείγμα εικόνας IKONOS με 1 μέτρο χωρική ανάλυση, ημερομηνία λήψης 9/8/2001, ανύψωση ηλίου 42 ̊ και λήψη από το Reykjavik της Ισλανδίας (σχήμα 2).
Η προτεινόμενη προσέγγιση βασίζεται σε τρία στάδια. Στο πρώτο έγινε σύνθεση γεωδαιτικών μετασχηματισμών ανοίγματος και κλεισίματος διαφόρων μεγεθών, προκειμένου να κατασκευαστεί ένα διαφορικό μορφολογικά προφίλ που θα εγγράφει τις δομικές πληροφορίες της εικόνας. Παρά το γεγονός ότι, η αρχική παγχρωματική εικόνα έχει μόνο ένα κανάλι δεδομένων, η χρήση των εργασιών σύνθεσης έδωσε πολλά άλλα κανάλια, που περιείχαν πλεονασμό. Η ιδέα πίσω από το άνοιγμα είναι η διαστολή μιας διαβρωμένης εικόνας για να ανακτήσει όσο το δυνατόν περισσότερο από τη διαβρωμένη εικόνα. Αντίθετα, η ιδέα πίσω από το κλείσιμο είναι η διάβρωση μιας διεσταλμένης εικόνας για να ανακτήσει το αρχικό σχήμα των δομών εικόνας που έχουν διασταλεί. Το φιλτράρισμα των τελεστών ανοίγματος και κλεισίματος (opening and closing operators) βασίζεται στο γεγονός ότι δεν θα ανακτηθούν όλες οι δομές από την αρχική εικόνα κατά την εφαρμογή του και αποτελούν κοινή πρακτική για την απομόνωση φωτεινών (άνοιγμα) και σκοτεινών (κλείσιμο) δομών σε εικόνες, όπου φωτεινό/σκοτεινό σημαίνει φωτεινότερο/πιο σκούρο από το γύρω χαρακτηριστικά στις εικόνες. Στην μελέτη επιλέχθηκε η προσέγγιση με φιλτράρισμα από ανασυγκρότηση, λόγω της καλύτερης κατάσταση διατήρησης που προσφέρουν, τα οποία εισάγουν ονομαστικά σχήματα χωρίς θόρυβο, δεδομένου ότι το σχήμα του δομικού στοιχείου που χρησιμοποιείται στο φιλτράρισμα, προσαρμόζεται σε σχέση με τις δομές που εμφανίζονται στην ίδια την εικόνα. Ορισμένες δομές μπορεί να έχουν μεγάλη ανταπόκριση για ένα συγκεκριμένο μέγεθος SE και χαμηλότερη για άλλα μεγέθη SE, ανάλογα με την αλληλεπίδραση μεταξύ του μεγέθους SE και του μέγεθος της δομής. Για το λόγο αυτό προτείνεται η χρήση σύνθεσης μετασχηματισμών στην την ανίχνευση των διαφόρων αστικών δομών. Έπειτα από συνθετικές δοκιμές προτάθηκε και εφαρμόστηκε στην μελέτη μια μέθοδος, πιο γενική και πιο ισχυρή από ό, τι οι προηγούμενες, η οποία βασίζεται στα διαφοροποιημένα μορφολογικά χαρακτηριστικά (DMPs) (σχήμα 3). Τα τελευταία χρησιμοποιήθηκαν για τη δημιουργία ενός διανυσματικού χαρακτηριστικού από μια ενιαία εικόνα, δημιουργία ενός συνόλου χαρακτηριστικών εικόνας, πιο αποτελεσματικό στην διάκριση των επιμέρους αστικών χαρακτηριστικών. Στηρίζονται στην επαναλαμβανόμενη χρήση των μετασχηματισμών ανοίγματος και κλεισίματος, οι οποίοι χρησιμοποιούνται συνήθως σε μαθηματική μορφολογία.
Στο δεύτερο στάδιο εφαρμόστηκε, εξαγωγή χαρακτηριστικών ή επιλογή χαρακτηριστικών. Το χαρακτηριστικό εξαγωγή μπορεί να θεωρηθεί ως ανίχνευση μιας σειράς διανυσμάτων που αντιπροσωπεύουν μια παρατήρηση με ταυτόχρονη μείωση των διαστάσεων. Στην αναγνώριση προτύπων, είναι σκόπιμο να εξαχθούν τα χαρακτηριστικά που είναι επικεντρωμένα σε διακρίσεις μεταξύ των τάξεων. Αν και η μείωση των διαστάσεων είναι επιθυμητή, το σφάλμα αυξάνεται επειδή η μείωση των διαστάσεων πρέπει να γίνεται χωρίς να θυσιάζεται η διακριτική ισχύς των ταξινομητών. Οι μέθοδοι εξαγωγής μπορεί να είναι επιβλεπόμενοι ή μη επιβλεπόμενοι, καθώς επίσης και γραμμικοί ή μη γραμμικοί. Η μελέτη επικεντρώθηκε στη γραμμική εξαγωγή χαρακτηριστικών, στην οποία ο αριθμός των διαστάσεων εισροής αντιστοιχεί στον αριθμό των επιλεγμένων ιδιοδιανυσμάτων. Ελέγχθηκε αν η εξαγωγή χαρακτηριστικών ή επιλογή χαρακτηριστικών μπορεί να βοηθήσει την ανίχνευση των σημαντικότερων χαρακτηριστικών του χώρου και αν μπορούν να επιτύχουν ανάλογη ακρίβεια ταξινόμησης με περιορισμένο σύνολο χαρακτηριστικών όπως και στα αρχικά χωρικά χαρακτηριστικά. Στην μελέτη διερευνήθηκε η χρήση δύο μεθόδων εξαγωγής χαρακτηριστικών, η διακριτική ανάλυση χαρακτηριστικού εξαγωγής (DAFE) και η απόφαση ορίων χαρακτηριστικών εξαγωγής (DBFE) για νευρωνικά δίκτυα, καθώς και μια απλή προσέγγιση που βασίζεται στην ταξινόμηση των δεικτών των μορφολογικών χαρακτηριστικών. Η DAFE χρησιμοποιήθηκε στην ενίσχυση της διαχωριστικότητας αλλά έχοντας την αδυναμία να μην σχετίζεται άμεσα με την πιθανότητα λάθους στην ταξινόμηση, χρησιμοποιήθηκε η DBFE για να ξεπεράσει πολλά από τα προβλήματα της DAFE (σχήμα 4, 5).
Στο τρίτο στάδιο χρησιμοποιήθηκε ένα συζευγμένο νευρωνικό δίκτυο με ένα κρυμμένο επίπεδο για την ταξινόμηση των χαρακτηριστικών που προέκυψαν από το προηγούμενο στάδιο.
[[Εικόνα:tx7.jpg|thumb|right|Σχήμα 7α: IRS-1C δεδομένα. Δοκιμή Ακρίβειας σε ποσοστό %, για DAFE κανάλια] [[Εικόνα:tx7b.jpg|thumb|right|Σχήμα 7β: IRS-1C δεδομένα. Δοκιμή Ακρίβειας σε ποσοστό% για τα DBFE κανάλια]
Και στις δύο εικόνες, δημιουργήθηκε ένα μορφολογικό προφίλ 17 διαστάσεων (οκτώ κλεισίματα, οκτώ ανοίγματα μαζί με την αρχική εικόνα) κάνοντας χρήση κυκλικών μορφολογικών δομικών στοιχείων με αύξηση της διαμέτρου. Ένα συζευγμένο νευρωνικό δίκτυο χρησιμοποιήθηκε για την ταξινόμηση. Οι δύο προσεγγίσεις εξαγωγής χαρακτηριστικών, DAFE και DBFE, εφαρμόστηκαν σε συνδυασμό με την επιλογή χαρακτηριστικών με βάση την ταξινόμηση των δεικτών. Η ακρίβεια ταξινόμησης για τα διαφορετικά σύνολα χαρακτηριστικών συγκρίθηκαν με την ακρίβεια που επετεύχθει για το πλήρες διαφορικό μορφολογικό προφίλ (σχήμα 6α, 6β, 7α, 7β, 8α, 8β). Σε κάθε περίπτωση, ο αριθμός των κρυφών νευρώνων στο νευρωνικό δίκτυο ταξινόμησης επιλέχθηκε με βάση τα εμπειρικά πειράματα. Ο γενικός κανόνας ήταν να επιλέγεται ο διπλάσιος αριθμός κρυφών νευρώνων από τον αριθμό των χαρακτηριστικών εισόδου.
Η ταξινόμηση και εξαγωγή χαρακτηριστικών για αστικά δεδομένα ερευνήθηκε. Η προτεινόμενη μέθοδος εμφάνισε καλές επιδόσεις όσον αφορά την ακρίβεια της ταξινόμησης. Διαπιστώθηκε ότι χρειάζονται σχετικά λίγα στοιχεία - χαρακτηριστικά για να επιτευχθεί η ίδια ακρίβεια ταξινόμησης όπως στα πρωτότυπα χωρικά στοιχεία.
Add Your Content Here
