Μελέτη της ταξινόμησης της κάλυψης του εδάφους με βάση τους κανόνες της γνώσης με χρήση τηλεπισκοπικών εικόνων υψηλής ευκρίνειας

Από RemoteSensing Wiki

Παρούσα αναθεώρηση της 03:08, 11 Φεβρουαρίου 2011

Μελέτη της ταξινόμησης της κάλυψης του εδάφους με βάση τους κανόνες της γνώσης με χρήση τηλεπισκοπικών εικόνων υψηλής ευκρίνειας

Study of land cover classification based on knowledge rules using high-resolution remote sensing images

Συγγραφείς: Rongqun Zhang, Daolin Zhu

Πηγή: Expert Systems with Applications, In Press, Corrected Proof, Available online 18 September 2010

Στόχος εφαρμογής

Η εφαρμογή αυτή ασχολείται με τους περιορισμούς της οπτικής ερμηνείας των υψηλής ευκρίνειας τηλεπισκοπικών εικόνων και της αυτόματης ταξινόμησης που εκτελεί ο υπολογιστής που εξαρτάται πλήρως από την φασματικά δεδομένα. Προτείνεται μια μέθοδος γνώσης που βασίζεται σε φασματικά χαρακτηριστικά, χαρακτηριστικά υφής και σχήματος. Τηλεπισκοπικά δεδομένα χρησιμοποιήθηκαν για την πειραματική μελέτη της ταξινόμησης των χρήσεων γης στη ζώνη συνδυασμού ανάμεσα στις αστικές και προαστιακές περιοχές στο Πεκίνο.

Δεδομένα που χρησιμοποιήθηκαν

Τα πειραματικά δεδομένα που χρησιμοποιήθηκαν ήταν δορυφορικές εικόνες QuickBird, που καλύπτουν την περιοχή Baijiatuan στη ζώνη συνδυασμού μεταξύ των αστικών και προαστιακών περιοχών του Πεκίνου που λήφθηκαν τον Ιούλιο, 2004 (βλέπε εικόνα 1). Οι δορυφορικές εικόνες που χρησιμοποιήθηκαν περιλαμβάνουν τέσσερα φασματικά κανάλια (Band 1: μπλε, band 2: πράσινο, band 3: κόκκινο, band 4: κοντά στο υπέρυθρο, με ανάλυση 2,4 m) (πολύφασματική απεικόνιση) καθώς και ένα παγχρωματικό κανάλι (με ανάλυση 0,61 m).

Επεξεργασία τηλεπισκοπικών δεδομένων

Εικόνα 1: Εικόνα από δορυφόρο QuickBird μετά τη σύντηξη με τη μέθοδο PCA που λήφθηκε τον Ιούλιο του 2004.

Για την σύντηξη των εικόνων QuickBird χρησιμοποιήθηκε η μέθοδος PCA (Principal Component Analysis) η οποία είναι μια πολυδιάστατη ορθογώνια γραμμική μετατροπή βασισμένη σε στατιστικά χαρακτηριστικά η οποία χρησιμοποιείται κυρίως για τη συμπίεση δεδομένων και την ενίσχυση της εικόνας σε εφαρμογές τηλεπισκόπησης. Αρχικά, έγινε γεωμετρική διόρθωση των δορυφορικών εικόνων έγινε αρχικά και στη συνέχεια, χρησιμοποιήθηκε η PCA για την συμπίεση των πολυφασματικών και παγχρωματικών δεδομένων. Έτσι επετεύχθητε η χρήση μιας πολυφασματικής εικόνας ευκρίνειας 0,61m (βλέπε εικόνα 1).

Ανάλυση τηλεπισκοπικών δεδομένων

Εικόνα 2: Διάγραμμα ανακλαστικότητας των στοιχείων του εδάφους της εικόνας 1.

Όσον αφορά τα φασματικά χαρακτηριστικά υπολογίστηκαν οι φασματικές καμπύλες απόκρισης του συνόλου των αντικειμένων εδάφους σε διαφορετικές ζώνες (βλέπε εικόνα 2). Επιπλέον έγινε ανάλυση της υφής και του σχήματος.

Ταξινόμηση

Εικόνα 3: Η εικόνα που προέκυψε μετά την ταξινόμηση.

Από την ανάλυση των φασματικών και των χωρικών χαρακτηριστικών των αντικειμένων του εδάφους με βάση τα KnowledgeEngineer εξήχθησαν κανόνες ταξινόμησης.

Για τις δασικές εκτάσεις και χωράφια:

• Κανόνας 1: Δείκτης βλάστησης RVI = band 4/band 3>1,
• Κανόνας 2: 200<band 4<600
• Κανόνας 3: band 4>600

Για τα υδάτινα σώματα:

• Κανόνας 4: RVI<1
• Κανόνας 5: band 2 – band a >180
• Κανόνας 6: Ομοιογένεια HOMO>140 και Εντροπία ENT<120 Ονομαστική αντίθεση CON<30

Για τις μη συνηθισμένες μάζες και σκιές:

• Κανόνας 7: band 4<200 και band 3<180
• Κανόνας 8: band 2 – band 3>150
• Κανόνας 9: area>11.000
• Κανόνας 10: Δείκτης σχήματος k>0.27

Για τους δρόμους και τα κτήρια:

• Κανόνας 11: HOMO>90 και CON<70 και Γωνιακή δεύτερη στιγμή ASM<70
• Κανόνας 12: Δείκτης καμπυλότητας c>70

Η εικόνα της ταξινόμησης που προέκυψε τελικά φαίνεται στην εικόνα 3.

Συμπεράσματα

• Στις εικόνες μετά τη σύντηξη, δεν ήταν μόνο τα φασματικά χαρακτηριστικά σημαντικά, αλλά και γεωμετρική δομή και οι πληροφορίες για την υφή τους. Ως εκ τούτου, τα φασματικά και τα χωρικά δεδομένα θα μπορούσαν να εφαρμόζονται ευρέως στις μελέτες ταξινόμησης.
• Πολλά αντικείμενα με παρόμοιες φασματικές υπογραφές δεν μπορούν να διαφοροποιηθούν μόνο βάσει των φασμάτων. Ωστόσο, η κατάταξη τους με τη χρησιμοποίηση της υφής και το σχήματος μπορεί να επιλύσει αποτελεσματικά τα προβλήματα της διαφοροποίησης, καθώς και να αυξήσει ακρίβεια αναγνώρισής του.
• Η μέθοδος ταξινόμησης που περιγράφεται στη παρούσα εφαρμογή μπορεί να αυξήσει την ακρίβεια της ταξινόμησης των αντικειμένων έδαφος, και θα μπορούσε να προσφέρει θεωρητικές βάσεις και προσεγγίσεις για την αυτοαναναγνώρισης της κάλυψης της γης.