Βελτιστοποίηση της ακρίβειας ταξινόμησης στην ψηφιακή τηλεπισκόπηση χρησιμοποιώντας μορφολογικό φίλτρο

Από RemoteSensing Wiki

Μετάβαση σε: πλοήγηση, αναζήτηση


Βελτιστοποίηση της ακρίβειας ταξινόμησης στην ψηφιακή τηλεπισκόπηση χρησιμοποιώντας μορφολογικό φίλτρο
Πρωτότυπος τίτλος : Improvement of classification accuracy in remote sensing using morphological filter Πηγή : Isa Yıldırım, Okan K. Ersoy, Bingul Yazgan, 2005 COSPAR. Published by Elsevier Ltd. [2]

Περίληψη

Ο σκοπός της εφαρμογής είναι η ανάπτυξη ενός αλγορίθμου ταξινόμησης βασισμένο στα pixel μιας πολυφασματικής εικόνας. Αρχικά χρησιμοποιείται ένα φίλτρο μείωσης θορύβου [3] χρησιμοποιώντας τη μαθηματική μορφολογία [4] και έπειτα εφαρμόζεται ένας αλγόριθμος ταξινόμησης [5] όπως αυτός της μέγιστης πιθανοφάνειας [6] στην φιλτραρισμένη εικόνα. Οι θεματικοί χάρτες που προκύπτουν από τον προτεινόμενο αυτό αλγόριθμο είναι περισσότερο ομαλοποιημένοι και αποδεκτοί από άλλες μεθόδους.

Εικόνα 1 :Η περιοχή μελέτης, πηγή : Google Earth, Tippecanoe County, 40°20'26.20"Β, 81°13'6.78"Δ

Η περιοχή μελέτης

Η περιοχή στην οποία έγινε η εργασία αυτή, είναι στην Ιντιάνα των ΗΠΑ, στο νότιο τμήμα της περιοχής Tippecanoe County. Ο αλγόριθμος εξετάζεται χρησιμοποιώντας τη Flightline C1 data set,μια ιστορική σημαντική βάση δεδομένων. Aποτελείται από 949 scan lines με 220 pixels ανά scan line (συνολικά 208780 pixels). Στα πειράματα που καταγράφηκαν, 9 ήταν τα είδη των κατηγοριών: Alfalfa, Br χώμα, κόκκινο C1, σίκαλη, σίτος, σίτος-2.(συνολικός αριθμός των training samples kai test samples einai 5957 k 55349 respectively.)

Μεθοδολογία

Αρχικά εφαρμόστηκαν στις ψηφιακές εικόνες διαφόρων ειδών αλγόριθμοι φιλτραρίσματος όπως η mean, median και τα μορφολογικά φίλτρα. Αποδείχθηκε ότι τα καλύτερα αποτελέσματα αποκτήθηκαν χρησιμοποιώντας έναν αλγόριθμο φιλτραρίσματος ο οποίος χρησιμοποιεί μορφολογικούς χειριστές. Αυτό οφείλεται στο ότι επιτυγχάνει τη διατήρηση των ακμών, λεπτές γραμμές (οριογραμμές) και μικρά χαρακτηριστικά ενώ ομαλοποιεί τις επιφάνειες μεταξύ αυτών των χαρακτηριστικών. Είναι πολύ δύσκολο να επιτύχεις ταυτόχρονα και τους δύο αυτούς στόχους χρησιμοποιώντας ένα μοναδικό χωρικό φίλτρο επομένως αναπτύχθηκαν αρκετοί προσαρμοστικοί αλγόριθμοι φιλτραρίσματος. Αυτές οι μέθοδοι αρχικά χρησιμοποιούν ένα αλγόριθμο ανίχνευσης ακμών σαν πρώτο βήμα φιλτραρίσματος αλλά παρόλ’ αυτά υπάρχουν προβλήματα όπως μη ανιχνευμένες επιφάνειες. Στο πρόβλημα έρχεται να δώσει λύση ένα μορφολογικό φίλτρο το οποίο διατηρεί τις ακμές και τις λεπτές γραμμές και λειαίνει ταυτόχρονα την εικόνα. Η βασική ιδέα αυτής της μεθόδου είναι ο διαχωρισμός της βασικής εικόνας σε χαρακτηριστικά γνωρίσματα και θόρυβο και η παραγόμενη εικόνα είναι η διαφορά της αρχικής εικόνας και της ομαλοποιημένης. Τα χαρακτηριστικά γνωρίσματα της παραγόμενης εικόνας προσθέτονται ξανά στην ομαλοποιημένη εικόνα. Αφού λοιπόν φιλτραριστεί η εικόνα, σειρά έχει η εφαρμογή ενός Maximum Likelihood ταξινομητή. Ελέγχεται ο αλγόριθμος σε τέσσερα βήματα. Αρχικά εξετάζεται πως ο αλγόριθμος συμπεριφέρεται στις ακμές λόγω του ότι η διατήρηση τους παίζει καθοριστικό ρόλο στην ακρίβεια ταξινόμησης και στους θεματικούς χάρτες. Έπειτα παρατηρήθηκε πως παρουσιάζονται οι τελικοί θεματικοί χάρτες με χρήση του προτεινόμενου αλγορίθμου, της Fisher Linear Likelihood, της ελάχιστης ευκλείδιας απόστασης και του ECHO αλγορίθμου ταξινόμησης. Στη συνέχεια ερευνήθηκε πως το φιλτράρισμα επιδρά στην κάθε κατηγορία. Τέλος, έγινε σύγκριση μεταξύ της test and training data ακρίβειας του προτεινόμενου αλγορίθμου με άλλους αλγορίθμους ταξινόμησης.
Αποτελέσματα-Αξιολόγηση

Στην εικόνα1 που ακολουθεί παρουσιάζεται το κανάλι 1 της FLC1 με τους θεματικούς χάρτες του προτεινόμενου αλγορίθμου,ECHO, Fisher linear likelihood, καθώς και ελάχιστης ευκλείδιας απόστασης. Ο θεματικός χάρτης που αποκτήθηκε με τον προτεινόμενο αλγόριθμο είναι περισσότερο ομαλοποιημένος από τους υπολοίπους.

Εικόνα 1: Κανάλι 1 της FLC1 με τους θεματικούς χάρτες του προτεινόμενου αλγορίθμου,ECHO, Fisher linear likelihood, και της ελάχιστης ευκλείδιας απόστασης, [1]πηγή
Προσωπικά εργαλεία