Ανίχνευση αμπελώνων με φίλτρα Gabor, από εναέριες φωτογραφίες, χρησιμοποιώντας μια μη-επιβλεπόμενη προσέγγιση.

Από RemoteSensing Wiki

Αναθεώρηση της 14:28, 2 Μαρτίου 2011

Ανίχνευση αμπελώνων με φίλτρα Gabor [5], από εναέριες φωτογραφίες, χρησιμοποιώντας μια μη-επιβλεπόμενη προσέγγιση.
Πρωτότυπος τίτλος : A non-supervised approach using Gabor filters for vine-plot detection in aerial images
Πηγή : Gilles Rabatel, Carole Delenne, Michel Deshayes, Computers and Electronics in Agriculture, volume 62, issue 2, July,2008, pp 159–168 [6]

Περίληψη

Η χαρτογράφηση χρήσεων γης και ιδιαίτερα ο εντοπισμός και η αναγνώριση των αμπελώνων αποτελεί ιδιαίτερα χρήσιμο εργαλείο σε περιοχές που κυριαρχούν τέτοιου είδους καλλιέργειες, όπως για παράδειγμα στη Γαλλία. Σε αυτό το πλαίσιο, η διαθεσιμότητα ενός αυτόματου εργαλείου για την ανίχνευση των αμπελώνων θα ήταν πολύ χρήσιμο. Λόγω των επαναλαμβανόμενων (περιοδικών) σχημάτων αυτών των καλλιεργιών, η ανάλυση συχνότητας φαίνεται να είναι ένα πολύτιμο εργαλείο για την ανίχνευσή τους στις εναέριες εικόνες. Αναπτύχθηκε μία επαναλαμβανόμενη διαδικασία που χρησιμοποιεί τον αλγόριθμο μετασχηματισμού κατά Fourier [7] ώστε να ικανοποιήσει αυτή την ανάγκη. Αυτό οδηγεί στον ευκρινή χωρισμό των αμπελώνων κάνοντας διακριτά τα όριά τους (της πολυγωνικής μορφής τους) και έχοντας ακριβή εκτίμηση του πλάτους και του προσανατολισμού των σειρών των αμπελιών. Τελικά πραγματοποιείται η ανίχνευση, περισσότερων από 84% των επιφανειών αυτών, από δεδομένα πολύ υψηλών χωρικών συχνοτήτων.

Η περιοχή μελέτης

Τα πειράματα πραγματοποιήθηκαν σε μία έκταση 200 εκταρίων (2000 στρεμμάτων) η οποία αποτελεί υποσύνολο του υδροκρίτη La Peyne και βρίσκεται στην περιοχή Languedoc–Roussillon της Γαλλίας[8]. Αυτή η ζώνη αποτελεί αντιπροσωπευτική ζώνη της γαλλικής μεσογειακής παράκτιας πεδιάδας όσον αφορά τις γεωργικές πρακτικές και τη διαχείριση των αμπελώνων. Παρά τη γενική μείωση στις μέρες μας, η καλλιέργεια των αμπελώνων είναι ακόμη κυρίαρχη στην περιοχή μελέτης με ποσοστό 70% έναντι άλλου είδους καλλιεργειών. Τα δεδομένα συλλέχθηκαν κατά τη διάρκεια της πρώτης εβδομάδας του Ιουλίου το 2005 όπου η άνθιση τους ήταν ορατή από τις αεροφωτογραφίες καθώς και η περιοδικότητα των σχεδίων τους. Χρησιμοποιήθηκε μία ψηφιακή κάμερα (SONY dsc-P1509) και αποκτήθηκαν εικόνες στα φυσικά χρώματα (κόκκινο, πράσινο, μπλέ -RGB). Οι εικόνες αυτές διορθώθηκαν γεωμετρικά και λόγω αναγλύφου, από το Γεωγραφικό Γαλλικό Ινστιτούτο [9], ώστε να προκύψουν ορθοφωτογραφίες χωρικής ανάλυσης 50cm.

Εικόνα 1 : La Peine, 11240 Escueillens-et-Saint-Just-de-Bélengard, Γαλλία, πηγή : Google Earth, La Peine, 11240 Escueillens-et-Saint-Just-de-Bélengard, Γαλλία, 43° 5'49.10"Β, 2° 1'54.30"Α

Μεθοδολογία

Η παρούσα μελέτη είναι βασισμένη στις τεχνικές επεξεργασίας εικόνας που εξετάζουν αποκλειστικά τη χωρική δομή των αμπελώνων στις εναέριες εικόνες και όχι τις ραδιομετρικές ιδιότητές τους. Οι τεχνικές αυτές χρησιμοποιούν εικόνες τόνων του γκρι, με την απαίτηση (προϋπόθεση) ικανοποιητικής χρωματικής αντίθεσης μεταξύ των σειρών των αμπελώνων. Επιπλέον παρουσιάζεται ένα βήμα τυποποίησης της διαδικασίας, ώστε τα αποτελέσματα να καταστούν ανεξάρτητα (όσο αυτό είναι δυνατόν) από το αρχικό επίπεδο χρωματικής αντίθεσης. Ως αποτέλεσμα, η προτεινόμενη μέθοδος μπορεί να εφαρμοστεί σε διαφορετικούς τύπους πηγών εικόνας. Ανάλογα με τις φασματικές διαθέσιμες ζώνες σε ένα δεδομένο πλαίσιο εφαρμογής, οι τόνοι του γκρι, μπορούν να χρησιμοποιηθούν για παράδειγμα σε έναν υπολογισμό NDVI [10](ομαλοποιημένος δείκτης διαφοράς βλάστησης, συνδυάζοντας τις κόκκινες και εγγύς υπέρυθρες περιοχές του ηλεκτρομαγνητικού φάσματος) ή στον υπολογισμό της φωτεινότητας ων εικονοστοιχείων για μια ιδιαίτερη υποπεριοχή μιας εικόνας. Η βασική ιδέα είναι να απομονωθεί κάθε μεμονωμένη εμφάνιση μιας υποπεριοχής της εικόνας (θα την ονομάζω πλοκή από δω και πέρα), με την επιλογή των αντίστοιχων συχνοτήτων στο φάσμα Fourier [11], χρησιμοποιώντας ένα συγκεκριμένο φίλτρο Gabor [12]. Τα φίλτρα Gabor έχουν χρησιμοποιηθεί ευρέως και ως θεμελιώδης λειτουργία αποσύνθεσης κυματιδίων και για την κατάτμηση υφής. Έχει βρεθεί ότι η διαδικασία φιλτραρίσματος μέσω του φίλτρου Gabor, πρέπει να εφαρμοστεί σε περιορισμένο μέγεθος εικόνας (έως 500x500 pixels) και για υπολογιστικούς λόγους αλλά και για να παρθούν τα εκμεταλλεύσιμα φάσματα Fourier. Επειδή η περιοχή μελέτης είναι πολύ μεγάλη, αρχικά γίνεται ένας χωρισμός της εικόνας σε επιμέρους περιοχές. Για να ανιχνευθεί η κάθε πλοκή αμπελώνων, το φίλτρο πρέπει να εφαρμοστεί διαδοχικά στις κύριες συνιστώσες διεύθυνσης της χρωματικής αντίθεσης του αμπελώνα, με τη ρύθμιση της κεντρικής συχνοτητάς του φίλτρου Fourier. Μετά την εφαρμογή του φίλτρου Gabor, ένα φασματικό κατώφλι περιορισμού συχνοτήτων, εφαρμόζεται στην παραγόμενη εικόνα. Ως αποτέλεσμα, λαμβάνουμε μια δυαδική εικόνα [13], στην οποία κάθε αντικείμενο το οποίο εμφανίζεται, είναι πιθανό να είναι αμπελώνας με τα χαρακτηριστικά του προσανατολισμού και του πλάτους που του προσέδωσε το φίλτρο. Βασικός παράγοντας της πιθανότητας μιας τέτοιας αβεβαιότητας, αποτελεί η αρχική διαδικασία χωρισμού της εικόνας σε περιοχές. Σε αυτή τη περίπτωση, κάθε υποψήφια πλοκή (όπως αναφέρεται παραπάνω) υποβάλλεται σε επαναληπτική διαδικασία φιλτραρίσματος μέσω ενός νέου φίλτρου Gabor.

Εικόνα 2 :Φάσμα Fourier εφαρμοσμένο στις πλοκές αμπελώνων, [1]πηγή

Εικόνα 3 :Εφαρμογή φίλτρου Gabor στις αντίστοιχες πλοκές αμπελώνων [2]πηγή

Για την επικύρωση των αποτελεσμάτων, έγιναν επίγειοι έλεγχοι και συλλέχθηκαν πληροφορίες όπως η κάλυψη του εδάφους, η σύσταση του χώματος, οι διαστάσεις των αμπελώνων και του τρόπου χωροθέτησής τους μέσα στο κάθε αμπέλι κ.α. Οι 160 συστάδες αμπελώνων έχουν εισαχθεί σε μια βάση δεδομένων GIS. Οι επικυρωμένες αυτές συστάδες θα θεωρηθούν ως πλοκές στη διαδικασία επικύρωσης του αμπελιού (με τον τρόπο που αναφέρθηκε παραπάνω). Ο κύριος στόχος της αυτόματης ανίχνευσης αμπελιών, είναι ο προσδιορισμός των ορίων τους. Με τη διαδικασία που αναφέρθηκε, έχει εκτελεστεί μια αυτοματοποιημένη επικύρωση συστάδων οι οποίες έχουν τα χαρακτηριστικά των αμπελώνων, συγκρίνοντας τα αποτελέσματα της αυτοματοποιημένης διαδικασίας και με φωτοερμηνεία, όπου ανάλογα γίνεται η επιβεβαίωσή τους (σε αμπελώνες ή όχι). Έχουν καθοριστεί κάποιες κατηγορίες στο τελικό αποτέλεσμα, όπως καλή ή μέτρια κατάτμηση, ανάλογα το ποσοστό εμφάνισης (ανίχνευσης) της πλοκής (με τον τρόπο που αναφέρθηκε παραπάνω) στην τελική εικόνα, μετά την εφαρμογή του φίλτρου.

Αποτελέσματα

Οι τρεις πιο αντιπροσωπευτικοί τύποι αποτελεσμάτων είναι οι ορθά ανιχνευμένες συστάδες (πλοκές) με ποσοστό 64%, οι μερικώς εντοπισμένες με ποσοστό 15,8% και οι μη εντοπισμένες συστάδες, με ποσοστό 11,4%. Οι μερικώς εντοπισμένες, αντιστοιχούν στην ομαδοποίηση από τις γειτονικές συστάδες που έχουν τον ίδιο προσανατολισμό σειρών και πλάτους και διαχωρίζονται μόνο από ένα στενό δρόμο ή τάφρο. Μερικοί από αυτούς δεν είναι χωρικά διαχωρισμένοι και διαφέρουν μόνο στη σύσταση χώματος της επιφάνειας μεταξύ των σειρών η από μερικά χαρακτηριστικά δυσδιάκριτα στις εναέριες εικόνες, όπως η ηλικία ή το ύψος των αμπελώνων. Η αναλογία έλλειψης ανίχνευσης είναι σχετικά μικρή (περίπου 11,4%) και αφορά κυρίως τις μικρές συστάδες. Πράγματι 9 στις 13 μη ανιχνεύσιμες συστάδες είναι μικρότερες από 2 στρέμματα. Συνεπώς, λιγότερο από 5% της συνολικής επιφάνειας των αμπελώνων δεν ανιχνεύεται ορθά με το φίλτρο Gabor. Γενικά η χρωματική αντίθεση των εικόνων που χρησιμοποιούνται αλλά και η εσωτερική δομή των αμπελώνων αναλογικά με τις διαστάσεις των αμπελιών και του τρόπου που είναι χωροθετημένα, βελτιώνει ή όχι, τα αποτελέσματα αυτόματης ανίχνευσής τους με την παραπάνω μεθοδολογία, προσθέτοντας σφάλματα στη μέθοδο.

Εικόνα 4 :Manual and automatic segmentation [3]πηγή

Συμπεράσματα

Εικόνα 5 :Ποσοστό αποτελεσμάτων ανά κατηγορία [4]πηγή