Ανίχνευση αμπελώνων με φίλτρα Gabor, από εναέριες φωτογραφίες, χρησιμοποιώντας μια μη-επιβλεπόμενη προσέγγιση.
Από RemoteSensing Wiki
| Γραμμή 3: | Γραμμή 3: | ||
<b> Ανίχνευση αμπελώνων με φίλτρα Gabor, από εναέριες φωτογραφίες, χρησιμοποιώντας μια μη-επιβλεπόμενη προσέγγιση.</b><br> | <b> Ανίχνευση αμπελώνων με φίλτρα Gabor, από εναέριες φωτογραφίες, χρησιμοποιώντας μια μη-επιβλεπόμενη προσέγγιση.</b><br> | ||
Πρωτότυπος τίτλος : A non-supervised approach using Gabor filters for vine-plot detection in aerial images<br> | Πρωτότυπος τίτλος : A non-supervised approach using Gabor filters for vine-plot detection in aerial images<br> | ||
| - | Πηγή : Gilles Rabatel, Carole Delenne, Michel Deshayes, Computers and Electronics in Agriculture 62 | + | Πηγή : Gilles Rabatel, Carole Delenne, Michel Deshayes, Computers and Electronics in Agriculture, volume 62, issue 2, July,2008, pp 159–168 [http://www.sciencedirect.com/science?_ob=MImg&_imagekey=B6T5M-4RWB0PX-1-N&_cdi=5006&_user=83473&_pii=S0168169907002487&_origin=search&_zone=rslt_list_item&_coverDate=07%2F31%2F2008&_sk=999379997&wchp=dGLzVlz-zSkWA&md5=779b60008c2984f2efd5a060d62e0c11&ie=/sdarticle.pdf] |
<br><br> | <br><br> | ||
<b>Περίληψη</b><br><br> | <b>Περίληψη</b><br><br> | ||
Αναθεώρηση της 20:14, 11 Δεκεμβρίου 2010
Ανίχνευση αμπελώνων με φίλτρα Gabor, 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 [5]
Περίληψη
Η χαρτογράφηση χρήσεων γης και ιδιαίτερα ο εντοπισμός και η αναγνώριση των αμπελώνων αποτελεί χρήσιμο εργαλείο ιδιαίτερα σε περιοχές που κυριαρχούν τέτοιου είδους καλλιέργειες όπως η Γαλλία. Σ αυτό το πλαίσιο, η διαθεσιμότητα ενός αυτόματου εργαλείου για την ανίχνευση των αμπελώνων θα ήταν πολύ χρήσιμο. Λόγω των περιοδικών σχεδίων 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 ώστε να ικανοποιήσει αυτή την ανάγκη. Αυτό οδηγεί στον χωρισμό των αμπελώνων με τα όρια της πολυγωνικής μορφής και τον χαρακτηρισμό της ακριβής εκτίμησης τους πλάτους interrow και τον προσανατολισμό των σειρών. 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 που αποτελεί υποσύνολο του υδροκρίτη La Peyne και βρίσκεται στην περιοχή Languedoc–Roussillon της Γαλλίας[6]. 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 αεροφωτπγραφίες καθώς και η περιοδικότητα των σχεδίων τους. Χρησιμοποιήθηκε μία ψηφιακή κάμερα SONY dsc-P1509) και αποκτήθηκαν εικόνες στα φυσικά χρώματα (κόκκινο, πράσινο, μπλέ). Οι εικόνες αυτές διορθώθηκαν γεωμετρικά από το Γεωγραφικό Γαλλικό Ινστιτούτο ώστε να προκύψουν ορθοφωτογραφίες χωρικής ανάλυσης 50cm.
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 γκρίζων τόνων με την προϋπόθεση ικανοποιητικής αντίθεσης μεταξύ των σειρών αμπελώνων και των interrows for the discontinue structure to be visible. Επιπλέον παρουσιάζεται ένα βήμα κανονικοποίησης ώστε τα αποτελέσματα να καταστούν ανεξάρτητα από το αρχικό επίπεδο αντίθεσης. Επομένως η προτεινόμενη μέθοδος μπορεί να εφαρμοστεί με διάφορους τύπους πηγών εικόνας. Ανάλογα με τις φασματικές διαθέσιμες ζώνες σε ένα δεδομένο πλαίσιο εφαρμογής, οι τλονοι του γκρι μπορούν να είναι για παράδειγμα ένας υπολογισμός NDVI [7]( ομαλοποιημένος δείκτης διαφοράς βλάστησης, συνδυάζοντας τις κόκκινες και near-infraded ζώνες), η φωτεινότητα υπολογίζεται από μια RGB εικόνα, η μια ιδιαίτερη ζώνη μιας εικόνας.
Η βασική ιδέα είναι να απομονωθεί κάθε μεμονωμένη πλοκή με την επιλογή των αντίστοιχων συχνοτήτων στο φάσμα Fourier [8], χρησιμοποιώντας ένα συγκεκριμένο φίλτρο Gabor [9]. Τα φίλτρα Gabor έχουν χρησιμοποιηθεί ευρέως και ως θεμελιώδης λειτουργία αποσύνθεσης κυματιδίων και για την κατάτμηση υφής. Η διαδικασία φιλτραρίσματος του Gabor, πρέπει να εφαρμοστεί σε περιορισμένο μέγεθος εικόνας (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. Για να ανιχνευθεί η κάθε πλοκή αμπελώνων το φίλτρο πρέπει να εφαρμοστεί διαδοχικά στις κύριες αιχμές εύρους στο φάσμα Fourier με τη ρύθμιση της κεντρικής συχνοτητάς του. Μετά την εφαρμογή του φίλτρου Gabor, ένα threshold εφαρμόζεται στην παραγόμενη εικόνα. Kατά συνέπεια λαμβάνουμε μια δυαδική εικόνα, στην οποία κάθε αντικείμενο είναι πιθανό να είναι αμπελώνας με τα χαρακτηριστικά του προσανατολισμού και του πλάτους interrow του τρέχοντος φίλτρου. Εντούτοις, η υποψήφια πλοκή μπορεί να μην περιλαμβάνει πλήρως τα ακριβή χαρακτηριστικά αλλά παραπλήσια. Βασικός παράγοντας τέτοιας αβεβαιότητας είναι πιθανό να είναι η αρχική διαδικασία χωρισμού των εικόνων. Σ αυτή τη περίπτωση, κάθε υποψήφια πλοκή υποβάλλεται σε επαναληπτική διαδικασία φιλτραρίσματος μέσω ενός νέου φίλτρου Gabor.
Για την επικύρωση των αποτελεσμάτων, συλλέχθηκαν πληροφορίες επίγειας έρευνας ταυτόχρονα με την απόκτηση της εικόνας, όπως η χρήση εδάφους, σύσταση χώματος επιφάνειας, πλάτος σειρών και interrows κ.α. Οι 160 πλοκές αμπελώνων έχουν μετατραπεί πλέον σε μια βάση δεδομένων GIS. Οι επικυρωμένες αυτές πλοκές θα θεωρηθούν ως πλοκές στη διαδικασία επικύρωσης.Ο κύριος σκοπός της αυτόματης ανίχνευσης πλοκών είναι ο προσδιορισμός των ορίων τους. επομένως έχει εκτελεστεί μια αυτοματοποιημένη επικύρωση βάσης πλοκών, συγκρίνοντας τα αυτόματα με το χέρι, σύμφωνα με το επικαλυπτόμενο ποσοστό τους. διαφορετικές περιπτώσεις έχουν καθοριστεί όπως καλή κατάτμηση, κατάτμηση, κατάτμηση κατά της οποία μία πλοκή εμφανίζεται σαν αρκετές ανιχνευμένες πλοκές, μόνο ένα μέρος της πλοκής έχει ανιχνευθεί, πλοκές δεν έχουν καθόλου ανιχνευθεί κ.α.
Αποτελέσματα
Οι τρεις πιο αντιπροσωπευτικοί τύποι αποτελεσμάτων είναι η σωστά ανιχνευμένες πλοκές με ποσοστό 64%, οι under-segmented πλοκές με ποσοστό 15,8% και οι μη εντοπισμένες πλοκές με ποσοστό 11,4%. Οι under-segmented πλοκές αντιστοιχούν στην ομαδοποίηση από τις γειτονικές πλοκές που έχουν τον ίδιο προσανατολισμό σειρών and πλάτος interrows και χωρίζονται μόνο από ένα στενό δρόμο ή τάφρο. Μερικοί από αυτούς δεν είναι χωρικά χωρισμένοι 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. Η αναλογία έλλειψης ανίχνευσης είανι σχετικά μικρή 11,4% και αφορά κυρίως τις μικρές πλοκές. Πράγματι 9 στις 13 μη ανιχνευμένες πλοκές είναι μικρότερες από 0,2 εκτάρια. Συνεπώς, λιγότερο από 5% της συνολικής περιοχής αμπελώνων δεν ανιχνεύεται. Μέσα στις τέσσερις άλλες μη-ανιχνευμένες πλοκές, one has most of its vinetrees
missing, και η άλλη έχει ένα μικρό πλάτος interrow (1.7 μ), κοντά στο όριο ανίχνευσης σύμφωνα με την ανάλυση εικόνας, ενώ τα δύο άλλα έχουν πολύ κακή αντίθεση στην εικόνα.
τέσσερεις πλοκές έχουν λανθασμένα segmented. Μία από αυτές είναι λόγω υψηλής διαμήκους μετάβασης επιπέδου γκρι ενός δρόμου, ο οποίος παράγει τις αιχμές εύρους στη σειρά αναζήτησης. Οι άλλες κατηγοριοποιούνται σε μη-καλλιεργημένες πλοκές, αλλά έχουν οργωθεί πρόσφατα και επομένως παρουσιάζουν μια παράλληλη δομή.
Συμπεράσματα
