Έρευνα σχετικά με την αντικειμενοστρεφή συγχώνευση αποφάσεων για ανίχνευση πετρελαιοκηλίδας στην επιφάνεια της θάλασσας.

Από RemoteSensing Wiki

Πηγή: J. Yang, J. Wan, Y. Ma and Y. Hu (2019) "Research on Object-Oriented Decision Fusion for Oil Spill Detection on Sea Surface," IGARSS 2019 - 2019 IEEE International Geoscience and Remote Sensing Symposium, Yokohama, Japan, pp. 9772-9775

Διαθέσιμο στο: https://ieeexplore.ieee.org/stamp/stamp.jsp?tp=&arnumber=8899010

Τίτλος άρθρου: Research on Object-Oriented Decision Fusion for Oil Spill Detection on Sea Surface

Λέξεις κλειδιά: ανίχνευση πετρελαιοκηλίδας, συγχώνευση αποφάσεων, αντικειμενοστρεφής

Εισαγωγή

Οι θαλάσσιες πετρελαιοκηλίδες προκαλούν μεγάλη ζημιά στο περιβάλλον και η οπτική τηλεπισκόπηση τους αποτελεί σημαντικό μέσο για την παρακολούθηση τους. Λόγω των καιρικών συνθηκών και του περιορισμού της περιόδου επανάληψης των δορυφορικών εικόνων, μπορούν να ληφθούν μόνο περιορισμένα δεδομένα δειγμάτων. Στην περίπτωση περιορισμένων δειγμάτων, η ικανότητα εκμάθησης χαρακτηριστικών δειγμάτων χρησιμοποιώντας έναν ενιαίο επιβλεπόμενο ταξινομητή είναι περιορισμένη και δεν μπορεί να ικανοποιήσει τις ανάγκες της ακριβούς παρακολούθησης της πετρελαιοκηλίδας. Η παρούσα έρευνα λαμβάνει την εικόνα πετρελαιοκηλίδας GF-1 WFV (περιοχή του κόλπου Jiaozhou στις 26 Νοεμβρίου 2013) ως πηγή δεδομένων και χρησιμοποιεί τέσσερις κλασσικούς αλγόριθμους επιβλεπόμενης ταξινόμησης για την εξαγωγή πληροφοριών σχετικά με την πετρελαιοκηλίδα.

Μεθοδολογία

Η ζώνη υπέρυθρης ακτινοβολίας του GF-1 μπορεί να διακρίνει το θαλάσσιο νερό από τη γη και η μέθοδος κατωφλίου (threshold method) χρησιμοποιείται για την κάλυψη της γης και των πλοίων. Με βάση τις εικόνες που έχουν υποβληθεί σε μάσκες, επιλέγεται ένας ορισμένος αριθμός δειγμάτων κατάρτισης και τέσσερις κλασσικοί επιτηρημένοι ταξινομητές Μέγιστη Πιθανότητα (ML), Νευρωνικό Δίκτυο (NN), Support Vector Machine (SVM) και Mahalanobis Distance (MD) χρησιμοποιούνται για την εξαγωγή πληροφοριών πετρελαιοκηλίδας. Στη συνέχεια πραγματοποιείται συγχώνευση επιπέδου απόφασης η οποία αφορά την εξαγωγή πληροφοριών ξεχωριστά για κάθε ταξινομητή, την εξαγωγή προκαταρκτικών συμπερασμάτων σχετικά με τα παρατηρούμενα αντικείμενα και ακολούθως τη χρήση ορισμένων κριτηρίων για τη συγχώνευση και ανάλυση αυτών των προκαταρκτικών αποτελεσμάτων, ώστε να επιτευχθεί μια πιο λογική ερμηνεία των παρατηρούμενων στόχων. Οι λεπτομερείς κανόνες συγχώνευσης αποφάσεων έχουν ως εξής:

• Πρώτον, συγκρίνοντας δύο διαφορετικά αποτελέσματα της ταξινόμησης ,αν ο ίδιος τύπος αντικειμένου εικονοστοιχείου είναι ίσος, δηλαδή Cm [i, j] = Cm + 1 [i, j] τότε τα εικονοστοιχεία συγχωνευμένης εικόνας παραμένουν αμετάβλητα,

εάν ο τύπος δεν είναι ίσος, μετράται η τάξη maxCm ή maxCm + 1 με τον μεγαλύτερο αριθμό τύπων αντικειμένων στο παράθυρο με το κεντρικό μέγεθος του εικονοστοιχείου 3 * 3 για να προσδιοριστεί αν ο τύπος pixel είναι ίσος με την κλάση με τον μεγαλύτερο αριθμό τύπων αντικειμένων στο αντίστοιχο παράθυρο σε άλλη εικόνα, όπως Cm [i, j] = maxCm + 1, τότε το εικονοστοιχείο συγχώνευσης F [i, j] = Cm [i, j]

• Για τα εικονοστοιχεία που δεν μπορούν να διακριθούν σύμφωνα με τους παραπάνω κανόνες, μετράται ο βαθμός συμμετοχής Pn m των m-pixels της εικόνας που προκύπτει από την ταξινόμηση χαρακτηριστικών ενός στόχου ανήκει στην κατηγορία n.

Αποτελέσματα

Τα αποτελέσματα της συγχώνευσης φαίνονται στην Εικόνα 1. Για την ταξινόμηση των αποτελεσμάτων του μοναδικού ταξινομητή, η ακρίβεια της ταξινόμησης NN είναι η υψηλότερη, φτάνοντας 0,7814, ακολουθούμενη από SVM, (0,7814), ενώ η ακρίβεια των MD και ML είναι μικρή, φθάνοντας τα 0,5346 και 0,5067 αντίστοιχα. Για την ταξινόμηση των αποτελεσμάτων της ταξινόμησης της συγχώνευσης πολλαπλών ταξινομητών, η ακρίβεια ταξινόμησης του SVM-NN είναι η υψηλότερη, φτάνοντας τα 0,7879, ακολουθούμενη από το SVM-NN-ML (0,7813). Ωστόσο, η επίδραση ταξινόμησης του SVMNN-ML-MD είναι φτωχότερη με ακρίβεια ταξινόμησης μόνο 0,7322, γεγονός που καταδεικνύει ότι δεν ισχύει η θεώρηση ότι, όσο περισσότεροι ταξινομητές ,τόσο υψηλότερη ακρίβεια ταξινόμησης.

Aναγνωρίζονται λοιπόν, οι ακόλουθοι κανόνες:

(1) Η ακρίβεια ταξινόμησης της συγχώνευσης απόφασης των μεμονωμένων ταξινομητών με υψηλή ακρίβεια ταξινόμησης είναι υψηλότερη από αυτή των μεμονωμένων ταξινομητών. (2) Για τους μεμονωμένους ταξινομητές με υψηλή και χαμηλή ακρίβεια ταξινόμησης, η ακρίβεια ταξινόμησης της συγχώνευσης απόφασης είναι πολύ υψηλότερη από εκείνη των μεμονωμένων ταξινομητών με χαμηλή ακρίβεια ταξινόμησης, αλλά ελαφρώς χαμηλότερη από εκείνη των μεμονωμένων ταξινομητών υψηλής ακρίβειας ταξινόμησης. (3) Για τους μεμονωμένους ταξινομητές με κακή ταξινομική ακρίβεια, η ακρίβεια ταξινόμησης της συγχώνευσης απόφασης είναι ελαφρώς υψηλότερη από εκείνη των μεμονωμένων ταξινομητών.