Αντικειμενοστραφείς μέθοδοι ΕτΑ

Από RemoteSensing Wiki

Αναθεώρηση της 14:12, 15 Φεβρουαρίου 2021

ΜΕΘΟΔΟΙ ΔΙΑΧΡΟΝΙΚΗΣ ΑΝΑΛΥΣΗΣ ΑΛΛΑΓΩΝ ΤΩΝ ΧΑΡΑΚΤΗΡΙΣΤΙΚΩΝ ΤΗΣ ΕΠΙΦΑΝΕΙΑΣ ΤΗΣ ΓΗΣ ΜΕΣΩ ΤΗΛΕΠΙΣΚΟΠΗΣΗΣ (συνέχεια): Αντικειμενοστραφείς μέθοδοι ΕτΑ (Object-based change detection – OBCD)

ΠΡΩΤΟΤΥΠΟΣ ΤΙΤΛΟΣ : Ερευνητική εργασία/ ΜΕΘΟΔΟΙ ΔΙΑΧΡΟΝΙΚΗΣ ΑΝΑΛΥΣΗΣ ΑΛΛΑΓΩΝ ΤΩΝ ΧΑΡΑΚΤΗΡΙΣΤΙΚΩΝ ΤΗΣ ΕΠΙΦΑΝΕΙΑΣ ΤΗΣ ΓΗΣ ΜΕΣΩ ΤΗΛΕΠΙΣΚΟΠΗΣΗΣ

ΣΥΓΓΡΑΦΕΙΣ : ΧΑΤΖΟΠΟΥΛΟΣ-ΒΟΥΖΟΓΛΑΝΗΣ ΚΩΝΣΤΑΝΤΙΝΟΣ, ΕΠΙΒΛΕΠΩΝ ΚΑΘΗΓΗΤΗΣ Α.Π.Θ.: Σ. ΣΤΥΛΙΑΝΙΔΗΣ

ΠΗΓΗ : [1] ΛΕΞΕΙΣ ΚΛΕΙΔΙΑ : τηλεπισκόπηση, μέθοδοι Ετα, αλλαγές

ΕΙΣΑΓΩΓΗ

Οι παραδοσιακές μέθοδοι ΕτΑ χρησιμοποιούν τα εικονοστοιχεία ως κύρια αντικείμενα ανάλυσης και ως εκ τούτου ονομάζονται μέθοδοι βασισμένες στα εικονοστοιχεία (pixel-based) (Chen et al. 2012). Τα τελευταία χρόνια, με την ανάπτυξη υπολογιστικών συστημάτων υψηλών επιδόσεων και αποδοτικότερων λογισμικών και αλγορίθμων, αυξάνονται οι ευκαιρίες για κατάτμηση (segmentation) και εξαγωγή χαρακτηριστικών/πληροφορίας από πολυφασματικά και πολυδιάστατα τηλεπισκοπικά δεδομένα, το οποίο με τη σειρά του διευκολύνει τον συνδυασμό τεχνικών επεξεργασίας εικόνας με διανυσματικά δεδομένα και λειτουργίες των ΣΓΠ (Blaschke 2010). Επιπλέον, αυτές οι εξελίξεις επέτρεψαν την ανάπτυξη μιας νέας κατηγορίας ΕτΑ, την αντικειμενοστραφή (OBCD). H ΟΒCD εξελίχθηκε από την αντικειμενοστραφή ανάλυση εικόνας (object-based image analysis – OBIA or GEographicOBIA/GEOBIA), η οποία συνδυάζει την κατάτμηση και τη χωρική, φασματική και γεωγραφική πληροφορία με την εμπειρία του αναλυτή σχετικά με τα «εικονικά αντικείμενα» για τον εντοπισμό γεωγραφικών οντοτήτων (Hay and Castilla 2008). Τα εικονικά αντικείμενα είναι ομάδες εικονοστοιχείων στην εικόνα που αντιπροσωπεύουν πραγματικά αντικείμενα στο χώρο. Ένα χαρακτηριστικό της OBCD είναι η εξαγωγή τέτοιων αντικειμένων μέσω της κατάτμησης (δύο ή περισσότερων) δορυφορικών εικόνων (Chen et al. 2012). Γενικά, οι μέθοδοι OBCD εντοπίζουν αντικείμενα εξετάζοντας τις ομογενείς περιοχές στην εικόνα και στη συνέχεια υπολογίζουν στατιστικούς και χωρικούς δείκτες. Ακολουθεί η ταξινόμηση των αλγορίθμων OBCD σε τέσσερις κατηγορίες σύμφωνα με τους Chen et al. (2012):

ΕτΑ εικονικών αντικειμένων (Image-object change detection): Όπως και στις μεθόδους που είναι βασισμένες στα εικονστοιχεία (pixel-based ΕτΑ), ο OBCD μπορεί να πραγματοποιηθεί από την απευθείας σύγκριση των αντικειμένων της εικόνας, με βασικό πλεονέκτημα την άμεση και απλή σύγκριση των αντικειμένων με απλούς στην εφαρμογή αλγορίθμους. Κρίσιμη είναι και η διαδικασία της αναζήτησης αντικειμένων χωρικής αντιστοιχίας στις διαχρονικές εικόνες όταν αυτά έχουν διαφορετικά μεγέθη. Παράλληλα, πρόκληση αποτελεί και η ανάγκη για θέσπιση των κατάλληλων ορίων αλλαγής. Δεδομένου ότι η τιμή του ορίου ορίζεται συνήθως εμπειρικά από τους ερευνητές, υπάρχει η πιθανότητα «πόλωσης» των αποτελεσμάτων.

ΕτΑ αντικειμένων ανά κλάση (class-object change detection): Η απευθείας σύγκριση των εικονικών αντικειμένων δεν μπορεί να υποδείξει εύκολα την κατεύθυνση της αλλαγής στις κλάσεις, η οποία απαιτεί πρόσθετες πληροφορίες από την ταξινόμηση. Η σύγκριση γίνεατι από αλγόριθμους που εντοπίζουν τις αλλαγές στο τοπίο, συγκρίνοντας ξεχωριστά τα ταξινομημένα αντικείμενα διαχρονικών εικόνων και παρέχοντας πληροφορίες αλλαγής. Η μεθοδος χρησιμοποιείται για την ενημέρωση υφιστάμενων χαρτών ή δεδομένων ΣΓΠ. Η απόδοση του OBCD επηρεάζεται όμως, και από την αρχική διαδικασία ταξινόμησης αλλά και κατάτμησης (Chen et al. 2012).

ΕτΑ διαχρονικών αντικειμένων (Multitemporal-object change detection): Τα αντικείμενα που παράγονται από την κατάτμηση διαφορετικών λήψεων συχνά διαφέρουν γεωμετρικά, παρά το γεγονός ότι απεικονίζουν το ίδιο στοιχείο, γιατί η διαφορετική ημερομηνία επηρεάζει την αποτύπωση του ίδιου αντικειμένου. Η μέθοδος αυτή λοιπόν, εκμεταλλεύεται όλες τις διαχρονικές καταστάσεις της σκηνής/του τοπίου. Συγκεκριμένα, οι διαχρονικές εικόνες συνδυάζονται και κατατέμνονται μαζί, παράγοντας χωρικά τα αντίστοιχα μεταβλημένα αντικείμενα, με συνέπεια ως προς το μέγεθος και την θέση με την πάροδο του χρόνου.

Υβριδικός ΕτΑ (Hybrid change detection): Μια ευρέως χρησιμοποιημένη προσέγγιση βασίζεται στην ιδέα ότι η αρχική πληροφορία για την αλλαγή πρέπει να εξάγεται από τα εικονοστοιχεία, ενώ αντικειμενοστραφείς διαδικασίες θα πρέπει να εφαρμόζονται στη συνέχεια για τη βελτιστοποίηση των αποτελεσμάτων αλλαγής. Ακόμα, οι υβριδικοί αλγόριθμοι μειώνουν με επιτυχία τις «θορυβώδεις» αλλαγές, καθώς και τις μικρές και αλλοιωμένες αλλαγές που οφείλονται στην ασυνέπεια της οριοθέτησης των αντικειμένων (McDermid et al. 2008).

Εικόνα 1: Διάγραμμα Μεθοδολογίας

ΠΡΟΚΛΗΣΕΙΣ ΚΑΙ ΕΥΚΑΙΡΙΕΣ ΣΤΗΝ ΧΡΗΣΗ OBCD

Στον ΟBCD, ο ΕτΑ πραγματοποιείται μέσω κατάτμησης της εικόνας σε αντικείμενα με ίδια χωρικά ή/και φασματικά χαρακτηριστικά. Πέραν όμως της ύπαρξης διαφόρων αλγορίθμων κατάτμησης είναι δυνατή και η χρήση pixel-based μεθόδων. Για παράδειγμα, η έννοια της σύγκρισης τιμών εικονοστοιχείων μπορεί να χρησιμοποιηθεί στην σύγκριση τιμών αντικειμένων. Η Chen et al. (2012) προχώρησαν σε μια ομαδοποίηση αυτών των προκλήσεων και των ευκαιριών για τον χρήστη που παρέχει αυτή η μέθοδος: Σύγκριση αντικειμένων εικόνας Εφόσον τα αντικείμενα των εικόνων είναι το αντικείμενο μελέτης του OBCD, το σημαντικότερο ζήτημα που προκύπτει είναι ο προσδιορισμός των αλλαγών μεταξύ αυτών. Μια άμεση λύση είναι η σύγκριση των αντικειμένων που βρίσκονται στην ίδια γεωγραφική θέση σε διαφορετικές ημερομηνίες. Η σύγκριση αυτή παρέχει μεγάλες πιθανότητες για την καλύτερη ανίχνευση αλλαγών στην κάλυψη γης από την χρήση μόνο της φασματικής πληροφορίας. Πολύγωνα αγκίδες (Sliver polygons) Η χρήση αντικειμενοστραφούς ΕτΑ, αναπόφευκτα έχει ως αποτέλεσμα πολύγωνα-αγκίδες, που οφείλονται σε σφάλματα γεωαναφοράς ή/και ασυνεπούς κατάτμησης. Συνεπώς, υπάρχει η προβληματική της αδυναμίας δημιουργίας αντικειμένων που έχουν ακριβώς τα ίδια όρια στο τοπίο. Αξιολόγηση των αποτελεσμάτων Η κρίσιμη διαφορά των OBCD μεθόδων παραμένει ο τύπος των δεδομένων αναφοράς, ο οποίος μπορεί να είναι σημεία (δηλαδή εικονοστοιχεία) ή αντικείμενα. Από μελέτες που χρησιμοποιούν αντικείμενα, προκύπτει ότι η χρήση τους είναι κατάλληλη για την αξιολόγηση των αποτελεσμάτων όταν μελετάται μόνο μια κατηγορία αντικειμένων (π.χ. κτήρια, δέντρα κτλ.), η όλη διαδικασία είναι πιο πολύπλοκη από όταν χρησιμοποιούνται εικονοστοιχεία. Πέρα από την εξαφάνιση ή εμφάνιση διαφόρων στοιχείων, τα αντικείμενα μπορεί να αλλάζουν και μερικώς. Για παράδειγμα, μια ομογενής δασική έκταση μπορεί να αφαιρεθεί ολοκληρωτικά ή να τροποποιηθεί μερικώς για εποχιακούς λόγους. Ο OBCD προσφέρει ευκαιρίες αξιολόγησης διαφορετικών επιπέδων αλλαγής, χρησιμοποιώντας χαρακτηριστικά όπως το μέγεθος, το σχήμα και η μεταβλητότητα/ποικιλομορφία (variability) εντός των ορίων ενός αντικειμένου.

Εικόνα 1: Χάρτης αλλαγής με CVA

ΠΑΡΑΔΕΙΓΜΑ ΑΝΤΙΚΕΙΜΕΝΟΣΤΡΑΦΗΣ ΕΤΑ ΣΕ ΔΙΑΧΡΟΝΙΚΕΣ ΔΟΡΥΦΟΡΙΚΕΣ ΕΙΚΟΝΕΣ, LIU ET AL. (2010)

Οι περιοχές μελέτης είναι η πανεπιστημιούπολη Nanhu και μια περιοχή εξόρυξης στην πόλη Xuzhou στην επαρχία Jiangsu της Κίνας Χρσιμοποιούνται εικόνες ALOS του πολυφασματικού αισθητήρα AVNIR-2 (10μ multi, 2,5μ pan) για το 2006 και το 2008.Μετά την ραδιομετρική και γεωμετρική διόρθωση (RMSE 0,3), ακολούθησε η συγχώνευση (data fusion) της παγχρωματικής και της πολυφασματικής εικόνας, η κατάτμησή τους σε διάφορες αναλύσεις και η εξαγωγή αντικειμένων ανά φασματικά, σχηματικά χαρακτηριστικά και χαρακτηριστικά υφής (texture) σε μορφή πολυγώνων. Στην συνέχεια έγινε σύγκριση των πολυγώνων μέσω επικάλυψης, ανάλυση των αποτελεσμάτων και επιλογή ορίων για τον προσδιορισμό των αλλαγμένων πολυγώνων. Ύστερα, πραγματοποιήθηκε σύγκριση των ακριβειών του OBCD με pixel-based τεχνικές ανά περιοχή. Στην πρώτη περιοχή εφαρμόστηκε PCA με συνολική ακρίβεια 85,4% και συντελεστή kappa 0,644 έναντι συνολικής ακρίβειας 86,9% και συντελεστή kappa 0,732 (OBCD), ενώ στην δεύτερη περιοχή εφαρμόστηκε CVA με συνολική ακρίβεια 87,7% και συντελεστή kappa 0,754 έναντι 86,2% και συντελεστή kappa 0,724 (OBCD). (Πραγματοποιήθηκε στο λογισμικό e-cognition.)

Εικόνα 1: Χάρτης αλλαγής με OBCD