Αυτόματη αναγνώριση των πετρελαιοκηλίδων σε δορυφορικές εικόνες

Από RemoteSensing Wiki

Αναθεώρηση της 16:56, 16 Φεβρουαρίου 2010

Automatic identification of oil spills on satellite images

Ιφιγένεια Κεραμιτσόγλου, Κωνσταντίνος Καρτάλης, Χρήστος Τ. Κυρανούδης

1.Εισαγωγή

Στην παρούσα εργασία παρουσιάζεται ένα πλήρως αυτοματοποιημένο σύστημα για τον προσδιορισμό πιθανών πετρελαιοκηλίδων. Οι εικόνες SAR διαβάζονται, εντοπίζονται, land masked, φιλτράρονται και thresholded έτσι ώστε να εξάγονται οι κατάλληλες σκοτεινές περιοχές. Οι υποψήφιες πετρελαιοκηλίδες κατατάσσονται με ασαφή τρόπο έτσι ώστε να καθορίσουν την ομοιότητα κάθε μεμονωμένου αντικειμένου να αποτελεί πετρελαιοκηλίδα. Οι εικόνες και οι πίνακες που προκύπτουν παρέχουν στο χρήστη όλες τις σχετικές πληροφορίες για την κατάλληλη λήψη αποφάσεων. Η περιοχή μελέτης ήταν το Αιγαίο Πέλαγος. Το σύστημα ανταποκρίθηκε πολύ ικανοποιητικά για όλες τις 35 εικόνες που επεξεργάστηκαν.

2. Προεπεξεργασία εικόνας

H αυτόματη ανίχνευση πετρελαιοκηλίδων χρησιμοποιώντας εικόνες SAR υλοποιήθηκε μέσα από μια σειρά υπολογιστικών διαδικασιών που αφορούν την ανάκτηση και την αποθήκευση του περιεχομένου της εικόνας SAR, τον εντοπισμό, την κάλυψη εδάφους, την εξομάλυνση (φιλτράρισμα), το κατώφλι ορίων, την κατάτμηση και την ταξινόμηση. Σχεδόν σε κάθε βήμα μία οπτική ή συνοπτική παραγωγή είναι στη διάθεση του χρήστη. Η πλήρης αλγοριθμική διαδικασία κωδικοποιείται στην MS Visual C++ 6,0 σε μία αυτόνομη δυναμική βιβλιοθήκη συνδέσεων (dll) που συνδέεται με οποιοδήποτε είδος της εφαρμογής κάτω από οποιαδήποτε παραλλαγή του λειτουργικού συστήματος MS Windows.

Χαμηλής ανάλυσης ERS -1 και -2 εικόνες SAR (μέγεθος εικονοστοιχείου σε εύρος και αζιμούθιο ίσο με 100m και 79,5m αντίστοιχα) χρησιμοποιούνται για τη μελέτη αυτή. Ο προσδιορισμός των σχεδίων και οι μορφές στις εικόνες SAR απαιτούν την αξιολόγηση του εύρους σημάτων ραντάρ από τη σύνθετη αξία του εικονοστοιχείου καθώς επίσης και τις αντίστοιχες γεωμετρικές διορθώσεις που είναι απαραίτητες για την ακεραιότητα της εικόνας. Οι εικόνες χαμηλής ανάλυσης SAR προέρχονται από προεπεξεργασμένες εικόνες εικονοστοιχείου 5 / 5 bit σύνθετες ακατέργαστες που λαμβάνονται ως δείγμα εκ νέου κατάλληλα για ένα προ-διευκρινισμένο μέγεθος ενός μη-επικαλυπτόμενου κινούμενου παραθύρου πέρα από την εικόνα. Τέτοιες εικόνες διορθώνονται γεωμετρικά και το εύρος σημάτων εισάγεται ως δεκαεξάμπιτος αριθμός ακέραιων αριθμών. Το σχήμα των εικόνων SAR χαμηλής ανάλυσης περιλαμβάνει μια κύρια επιγραφή και μια σειρά ψηφιολέξεων που αντιπροσωπεύουν τις τιμές του εικονοστοιχείου στις σειρές όπως ανιχνεύονται από την ακτίνα ραντάρ. Οι πληροφορίες επιγραφών είναι σημαντικές να εισαγάγουν σωστά το αρχείο και να το εντοπίσουν κατάλληλα όσον αφορά ένα προ-διευκρινισμένο ισότιμο σύστημα, δεδομένου ότι διάφορα ζωτικής σημασίας τμήματα εικόνας συμπεριλαμβάνονται, όπως τα ζευγάρια γεωγραφικού πλάτους γεωγραφικού μήκους των τεσσάρων γωνιών που οριοθετούν την εικόνα καθώς επίσης και το της κέντρο βάρους της, τις ακριβείς διαστάσεις εικόνας στα εικονοστοιχεία, τον ακριβή χρόνο που λήφθηκε και αρκετές ακόμα συγκεκριμένες πληροφορίες.

Οι πληροφορίες από την κύρια επιγραφή αρχείων χρησιμοποιούνται για να παραγάγουν τις ακριβείς συντεταγμένες της οριοθέτησης της εικόνας και επομένως να εντοπίσουν αυτόματα την εικόνα σε έναν ισότιμο χάρτη. Για να αποκαταστήσει την εικόνα στη σωστή θέση της όσον αφορά το υπόβαθρο, κάποια περαιτέρω επεξεργασία απαιτείται ανάλογα με την πορεία του δορυφόρου. Διάφορες διαφορετικές εικόνες SAR μπορούν να αντιμετωπισθούν ταυτόχρονα μέσα στο γραφικό ενδιάμεσο με την χρήση του εργαλείου. Το εργαλείο είναι εξοπλισμένο με τις πολυάριθμες γραφικές εγκαταστάσεις για την κατάλληλη μεγέθυνση και το χειρισμό των εικόνων και των δυαδικών αρχείων εικόνας που μελετώνται.

Η κάλυψη εδάφους (Land masking) είναι μια πολύ σημαντική λειτουργία εξαιτίας του γεγονότος ότι οι περιοχές εδάφους που είναι παρούσες στην εικόνα περιλαμβάνουν διάφορες σκοτεινές περιοχές και έτσι, η ύπαρξή τους μπορεί να εξαπατήσει τη διαδικασία ταξινόμησης. Επιπλέον, στις περιπτωσιολογικές μελέτες μας που περιλαμβάνουν συνήθως τις εικόνες του Αιγαίου Πελάγους, η κατάσταση είναι πιο περίπλοκη επειδή οι εικόνες καλύπτουν τα μέρη των μικρού και μεσαίου μεγέθους νησιών συνήθως που είναι πολύ κοντά στο ένα άλλο. Η αυτόματη κάλυψη εδάφους (Land masking) εκτελείται με κατάλληλη επίστρωση ενός θέματος πολυγώνου GIS ολόκληρου του χάρτη της Ελλάδας και της Τουρκίας στην εικόνα. Κάθε πολύγωνο της συλλογής μετασχηματίζεται σε μια τοπική περιοχή εφαρμογής lMS Windows API και κάθε ένα από αυτά αφαιρείται κατάλληλα από την αρχική περιοχή της εικόνας. Αυτό που παραμένει είναι το θέμα seamask.AcoarseGIS το οποίο μπορεί να χρησιμοποιηθεί ακίνδυνα για αυτόν το λόγο για την επιτάχυνση των υπολογισμών. Οι αρχικές περιοχές πολυγώνων δημιουργήθηκαν μιά φορά και χρησιμοποιήθηκαν για όλες τις εικόνες επεξεργασμένες.

Τα εικονοστοιχεία της εικόνας της θάλασσας λειαίνονται χρησιμοποιώντας ένα τυποποιημένο Gaussian φίλτρο. Ο Gaussian συντελεστής λείανσης είναι ένας 2 - D συντελεστής συνελίξεων που χρησιμοποιείται για τις ‘θαμπάδες’ των εικόνων και αφαιρεί τη λεπτομέρεια και το θόρυβο (Davies, 1990 Gonzalez and Woods, 1992). Χρησιμοποιεί έναν κινούμενο πυρήνα που αντιπροσωπεύει τη μορφή ενός Gaussian εξογκώματος. Κατά συνέπεια, το greylevel thresholding χρησιμοποιήθηκε για να τμήσει την εικόνα σε δύο κατηγορίες: μία που έχουν τα εικονοστοιχεία κάτω από μια καθορισμένη από το χρήστη τιμή και μία από πάνω.

Το αποτέλεσμα του thresholding ήταν ο χωρισμός του αρχικού μέρους της εικόνας της θάλασσας στις περιοχές που χαρακτηρίστηκαν όπως σκοτεινές και φωτεινές. Η εξαγωγή των ομάδων εικονοστοιχείων που θα ήταν υποψήφια αντικείμενα τροφοδότησε τον ταξινομητή του συστήματος. Αυτό εκτελέσθηκε αυτόματα μέσω της κατάλληλης κατάτμησης των αρχικών αντικειμένων της ομάδας. Η κατάτμηση εκτελέσθηκε με τον καθορισμό των Κ-ομάδων μέσα στα αποσπασματικές σκοτεινές περιοχές αντικειμένων (PAL and PAL, 1993). Αυτός ο τύπος ομάδων χαρακτηρίζεται από μια ορισμένη ιδιότητα προσέγγισης για τα εικονοστοιχεία της ομάδας, δηλαδή, κάθε εικονοστοιχείο στην ομάδα έχει τουλάχιστον ένα γειτονικό εικονοστοιχείο που είναι κοντά στο πρώτο από μια απόσταση των εικονοστοιχείων Κ σε οποιαδήποτε κατεύθυνση. Αυτή η μετρική απόσταση που υιοθετήθηκε ήταν πραγματικά η νόρμα του επεξεργασμένου ψηφιακού διαστήματος (εικόνα). Κατά αυτόν τον τρόπο, ανάλογα με την τιμή του Κ, οι μικρότερες ομάδες θα μπορούσαν να συγχωνευθούν σε μεγαλύτερες. Στο σύστημά μας, η άπληστη προσέγγιση των 1 – ομάδων υιοθετήθηκε (κάθε εικονοστοιχείο είχε τουλάχιστον έναν γείτονα σε μια απόσταση ενός εικονοστοιχείου). Αυτή η διαδικασία διαρκεί μερικά δευτερόλεπτα. Ένας αλγόριθμος πολυπλοκότητας Ο (NM) χρησιμοποιήθηκε για το διαχωρισμό των αποκτηθεισών ομάδων. Ο αλγόριθμος χρησιμοποίησε έναν πολύπλοκο κώδικα όπου κάθε εικονοστοιχείο που ελέγχθηκε για τους γείτονές του, το οποίο έλεγξε στη συνέχεια για δικούς τους με έναν επαναλαμβανόμενο τρόπο.

3. Εκτίμηση της πιθανότητας ενός αντικειμένου να είναι μία πετρελαιοκηλίδα

Η πιθανότητα κάθε αντικειμένου που εξάγεται με τις τεχνικές που αναφέρονται στην προηγούμενη ενότητα να είναι πετρελαιοκηλίδα ήταν υπολογισμένη με το τεχνητής νοημοσύνης σύστημα μοντελοποίησης fuzzy logic.

3.1. H Fuzzy logic ως εργαλείο μοντελοποίησης

Το πιο δημοφιλές fuzzy μοντέλο που προτείνεται στη βιβλιογραφία, και το οποίο χρησιμοποιείται και εδώ, είναι αυτό που προτάθηκε από τον Mandami (1974).

3.2. Ανάπτυξη ενός fuzzy ταξινομητή για την ανίχνευση πετρελαιοκηλίδων στις εικόνες SAR

Ο τύπος του Mandami ως fuzzy μοντέλου επιλέγη και η ανάπτυξη του συστήματος ολοκληρώθηκε σε τρία βήματα. 1) Βήμα 1 – Επιλογή των εισερχόμενων παραμέτρων:

Η πιθανότητα ενός σκούρου αντικειμένου σε μία εικόνα SAR να είναι πετρελαιοκηλίδα είναι συνάρτηση πολλών παραγόντων. Η λίστα των επιλεγόμενων εισερχόμενων μεταβλητών περιέχει τις ακόλουθες παραμέτρους:

- Ο συνολικός αριθμός των αντικειμένων που προσδιορίζονται στην εικόνα - ο αριθμός των σκοτεινών αντικειμένων στην εγγύτητα ενός σκοτεινού υποψήφιου αντικειμένου

- η περιοχή του υποψήφιου σκοτεινού

- η εκκεντρότητα της μορφής του αντικειμένου

- η εγγύτητα του αντικειμένου στο έδαφος

2) Βήμα 2 – Ανάπτυξη της βάσης δεδομένων:

Σε αυτό το βήμα, τα ασαφή σύνολα καθορίστηκαν για όλες τις παραμέτρους εισαγωγής, καθώς επίσης και για τη μόνη μεταβλητή εξόδου, δηλαδή, την πιθανότητα ενός σκοτεινού αντικειμένου για να είναι πετρελαιοκηλίδα. Μια πιο λεπτομερής περιγραφή των ασαφών συνόλων που προσδιορίζονται σε κάθε μεταβλητή εισαγωγής ή εξόδου ακολουθεί:

Ο συνολικός αριθμός των αντικειμένων που προσδιορίζονται στην εικόνα.

Ο αριθμός των σκούρων αντικειμένων που βρίσκονται κοντά του υποψηφίου σκούρου αντικειμένου

Η περιοχή του υποψηφίου σκοτεινού αντικειμένου σε km2: (Εύρος από 5–10 km2). Όσο μεγαλύτερο είναι το αντικείμενο τόσο μικρότερη είναι η πιθανότητα να είναι μια πετρελαιοκηλίδα.

Εκκεντρότητα του αντικειμένου

Η εγγύτητα του αντικειμένου στο έδαφος

Πιθανότητα ενός αντικειμένου να είναι πετρελαιοκηλίδα

3) Βήμα 3 – Ανάπτυξη των βασικών κανόνων:

Εξετάζουμε τις συνθήκες τριών από τις 35 διαθέσιμες εικόνες SAR για το Αιγαίο πέλαγος.

Ένα παράδειγμα του fuzzy κανόνα παρουσιάζεται παρακάτω: ‘‘Αν ο συνολικός αριθμός των σκούρων αντικειμένων στην εικόνα είναι μικρός ΚΑΙ ο αριθμός των αντικειμένων στην εγγύτητα του υποψήφιου αντικειμένου είναι μικρή ΚΑΙ η περιοχή είναι μικρή ΚΑΙ η εκκεντρότητα είναι μεγάλη ΚΑΙ η απόσταση από την ξηρά είναι μεγάλη ΤΟΤΕ η πιθανότητα του υποψήφιου σκούρου αντικειμένου να είναι πετρελαιοκηλίδα είναι ΜΕΓΑΛΗ.’’

Εικόνα SAR με επιβεβαιωμένη πετρελαιοκηλίδα και μικρά σκούρα αντικείμενα (σύνολο13): (a) αρχική εικόνα, (b) land masked image, (c) οπτική παραγωγή με τις σκοτεινές περιοχές να χρωματίζονται σύμφωνα με την πιθανότητά τους να αποτελούν πετρελαιοκηλίδες (πράσινο είναι χαμηλή, κόκκινο είναι υψηλή)

Η ανωτέρω διαδικασία των τριών σταδίων καθορίζει τη βάση γνώσεων του ασαφούς συστήματος. Όταν το συγκεχυμένο πρότυπο πρόκειται να εφαρμοστεί σε ένα σύνολο τιμών παραμέτρων εισαγωγής, οι ροές πληροφοριών παρέχονται μέσω των διαδικασιών fuzzification και defuzzification προκειμένου να παραχθεί η ασαφής εκτίμηση πιθανότητας του σκοτεινού υποψήφιου αντικειμένου να αποτελεί πετρελαιοκηλίδα.

Η εφαρμογή προγραμματισμού, του fuzzification, του βασισμένου στους κανόνες και defuzzification ως μέρους του αλγορίθμου βασίστηκε στις αριθμητικές προσεγγίσεις ανάλυσης του προβλήματος. Πιο συγκεκριμένα, η περιοχή που καλύφθηκε μέσα στις συναρτήσεις συμμετοχής, όπως υπολογίζονται από τους κανόνες, καθορίστηκε και υπολογίστηκε ως ολοκλήρωμα χρησιμοποιώντας τον κανόνα του Simpson. Το σύστημα ασαφούς λογικής που αναπτύσσεται χρησιμοποιώντας αυτήν την προσέγγιση δίνει τα πολύ ικανοποιητικά αποτελέσματα. Η δοκιμή επίσης απέδειξε ότι το σύστημα μπορεί να χρησιμοποιηθεί για να ορίσει μια πιθανότητα ότι το παρατηρηθέν αντικείμενο είναι μια πετρελαιοκηλίδα δεδομένου οποιουδήποτε συνδυασμού τιμών εισαγωγής μέσα στα διευκρινισμένα εύρη.

4. Η περίπτωση

Η αρχική εικόνα SAR παρουσιάζεται στο σχήμα. 5 (α) και είναι η πρώτη οπτική παραγωγή του αλγορίθμου. Η εικόνα αποκτιέται πέρα από το νησί της Μύλου στις Κυκλάδες, Ελλάδα. Η εικόνα παρουσιάζει μόνο έναν μικρό αριθμό σκοτεινών περιοχών (13 στο σύνολο) που οφείλονται στις μέτριες συνθήκες αέρα. Η εικόνα με το έδαφος που καλύπτεται έξω (land masked out) παρουσιάζεται στο σχήμα 5 (β)۠ αυτό είναι η δεύτερη οπτική παραγωγή με το σχήμα δυαδικών αρχείων εικόνας. Μετά από thresholding, την κατάτμηση και ασαφείς διαδικασίες ταξινόμησης, το αποτέλεσμα βγαίνει ως τρίτη οπτική παραγωγή (σχ. 5 (γ)). Σε αυτόν το σχήμα, τα υποψήφια αντικείμενα είναι χρωματισμένα με τα χρώματα που κυμαίνονται από πράσινο ως το κόκκινο, παρουσιάζοντας την πιθανότητα του αντικειμένου να είναι μια διαρροή πετρελαίου: πράσινη είναι η χαμηλή πιθανότητα (0%) ενώ το κόκκινο είναι πολύ υψηλή πιθανότητα (100%). Επομένως, όταν χρησιμοποιείται το λογισμικό σε έναν λειτουργικό τρόπο, ο χρήστης μπορεί αμέσως να απεικονίσει τις περιοχές που επισκέπτονται για την κανονική ή εναέρια επιθεώρηση. Ο αλγόριθμος παράγει επίσης μια συνοπτική παραγωγή (πίνακας 1) που δίνει στις χρήσιμες πληροφορίες για τη σκηνή, όπως ο αριθμός σκοτεινών αντικειμένων γύρω από την υποψήφια πετρελαιοκηλίδα, την περιοχή κάθε υποψήφιου αντικειμένου (σε km2), της εκκεντρότητας και της εγγύτητας στο έδαφος καθώς επίσης και τις γεωγραφικές συντεταγμένες της (γεωγραφικό πλάτος και γεωγραφικό μήκος). Ο πίνακας περιέχει τη μορφή κάθε χρωματισμένου σκοτεινού αντικειμένου σύμφωνα με την πιθανότητά του για να είναι μια πετρελαιοκηλίδα. Ο αλγόριθμος απεικόνισε σωστά την πιστοποιημένη διαρροή πετρελαίου που είδε στη γωνία SE της εικόνας και όρισε σε αυτήν μια πιθανότητα 80% να είναι πετρελαιοκηλίδα.

Πίνακας 1: Συνοπτικά αποτελέσματα

5.Συμπεράσματα

Ένα πλήρως αυτοματοποιημένο σύστημα για τον προσδιορισμό των πιθανών πετρελαιοκηλίδων έχει αναπτυχθεί. Το λογισμικό είναι μια αυτόνομη εφαρμογή για τα windows.Τροφοδοτείται μόνο από ένα ΑΚΑΤΕΡΓΑΣΤΟ αρχείο εικόνας βάσης δεδομένων δορυφόρου και επιστρέφει έναν συναγερμό καθώς επίσης και όλες τις πληροφορίες σχετικές με τα αντικείμενα που ανιχνεύονται. Το σύστημα περιλαμβάνει από τις ενότητες της συμπληρωματικής λειτουργίας και χρησιμοποιεί τις εκπαιδευτικές ενότητες για την ανάλυση και την εργασία της πιθανότητας μιας σκοτεινής μορφής εικόνας να είναι πετρελαιοκηλίδα. Οι εικόνες SAR διαβάζονται, εντοπίζονται, land masked, φιλτράρονται και έτσι ώστε οι κατάλληλες σκοτεινές περιοχές να εξάγονται. Τα υποψήφια αντικείμενα διαρροών πετρελαίου ασαφή ταξινομούνται προκειμένου να αποφασίσουν την ομοιότητα κάθε μεμονωμένου αντικειμένου να είναι πετρελαιοκηλίδα. Οι προκύπτουσες εικόνες και οι πίνακες παρέχουν στο χρήστη όλες τις σχετικές πληροφορίες για την υποστήριξη της λήψης των αποφάσεων.

Το σύστημα μπορεί να επεκταθεί εύκολα για να καλύψει άλλες γεωγραφικές περιοχές. Ο χρόνος που απαιτείται για ολόκληρη τη διαδικασία (προεπεξεργασία και ασαφή ταξινόμηση) που ολοκληρώνεται είναι της τάξης των 2-3 λ. ανά εικόνα, ανάλογα με την ταχύτητα των υπολογιστών. Επιπλέον, σε περίπτωση συναγερμού διαρροών πετρελαίου, το σύστημα παρέχει στο χειριστή τα χαρακτηριστικά γνωρίσματα των πετρελαιοκηλίδων απαραίτητα ως εισαγωγή για τα πρότυπα προσομοίωσης της τροχιάς και μοίρας, όπως το μέγεθος, η μορφή, η θέση, και η απόσταση από το έδαφος. Η αυτοματοποίηση όλων των ανωτέρω καθιστά το σύστημα αυτόνομο και κατά συνέπεια, μπορεί να εργαστεί συνεχώς σε ένα μεγάλο ποσό δορυφορικών εικόνων και να προειδοποιήσει το χειριστή σε περίπτωση συναγερμού. Επομένως, το προτεινόμενο σύστημα μπορεί να χρησιμοποιηθεί αποτελεσματικά σε διαδικασίες πραγματικού χρόνου.