RemoteSensing Wiki - Συνεισφορές χρήστη [el]

Πολλαπλών κλιμάκων συγχώνευση (MTF-tailored) σε πολλαπλής ανάλυσης και πανχρωματικές εικόνες υψηλής ανάλυσης

2011-03-16T10:10:12Z

Argyropoulou Grigoria:

[[category:Ψηφιακή Τηλεπισκόπηση]]

 MTF-tailored πολλαπλών κλιμάκων συγχώνευση σε πολλαπλής ανάλυσης και πανχρωματικές εικόνες υψηλής ανάλυσης. 
Πρωτότυπος τίτλος : MTF-tailored Multiscale Fusion of
High-resolution MS and Pan Imagery

Πηγή : B. Aiazzi, L. Alparone, S. Baronti, A. Garzelli, and M. Selva, Photogrammetric Engineering & Remote Sensing
Vol. 72, No. 5, May 2006, pp. 591–596 [http://www.asprs.org/publications/pers/2006journal/may/2006_may_591-596.pdf]
 
Περίληψη 
Εδώ παρουσιάζεται ένα πλαίσιο πολλαπλής ανάλυσης για τη συγχώνευση μιας πολυφασματικής εικόνας με αυθαίρετο αριθμό καναλιών με μία υψηλότερης ανάλυσης παγχρωματική παρατήρηση. Η μέθοδος συγχώνευσης στηρίζεται στη γενική πυραμίδα Laplacian (GLP) [http://sepwww.stanford.edu/~morgan/texturematch/paper_html/node3.html], η οποία είναι μια πολλαπλής κλίμακας κατασκευή. Ο στόχος είναι να εκτελεστεί επιλεκτικά η έγχυση των χωρικών συχνοτήτων από μία εικόνα σε μία άλλη με τον περιορισμό της λεπτομερούς διατήρησης των φασματικών πληροφοριών των χονδροειδών στοιχείων. Η νέα ιδέα είναι ότι ένα πρότυπο των λειτουργιών μεταφοράς διαμόρφωσης (MTF) [http://en.wikipedia.org/wiki/MTF]του πολυφασματικού ανιχνευτή αξιοποιείται για να σχεδιάσει το φίλτρο μείωσης GLP. Κατά συνέπεια το interband structure model (IBSM) [http://www.sciencedirect.com/science?_ob=ArticleURL&_udi=B6W76-4D4VD6P-2&_user=83473&_coverDate=09%2F30%2F2005&_rdoc=1&_fmt=high&_orig=search&_origin=search&_sort=d&_docanchor=&view=c&_searchStrId=1584647997&_rerunOrigin=google&_acct=C000059671&_version=1&_urlVersion=0&_userid=83473&md5=ed4c41cdd981914c10b616bd8f9656b8&searchtype=a], το οποίο υπολογίζεται στη πιο χονδροειδή κλίμακα, όπου και τα πολλαπλής κλίμακας και παγχρωματικά δεδομένα είναι διαθέσιμα, μπορεί να επεκταθεί στη λεπτότερη κλίμακα χωρίς το μειονέκτημα της μικρής αύξησης που εμφανίζεται όταν MTFs ήταν ιδανικά φίλτρα. Τα πειράματα που πραγματοποιούνται από δεδομένα Quickbird δείχνουν ότι μια ανώτερη χωρική αύξηση, εκτός από τη φασματική ποιότητα χαρακτηριστική των μεθόδων συγχώνευσης, επιτυγχάνεται με τη βοήθεια της MTF ρυθμισμένης συγχώνευσης.
 
Περιοχή μελέτης 
Η προτεινόμενη διαδικασία συγχώνευσης έχει εφαρμοστεί σε εικόνα πολύ υψηλής ανάλυσης που αποκτήθηκε στις 23 Ιουνίου 2002 στις 10:25:59 GMT +2 από δορυφόρο Quickbird στην περιοχή Pavia της Ιταλίας [http://el.wikipedia.org/wiki/%CE%A0%CE%B1%CE%B2%CE%AF%CE%B1]. Τα 4 MS κανάλια ονομαζόμενα, B1, B2, B3, B4, συνδέουν τα εμφανή και κοντινά-υπέρυθρα μήκη κύματος και είναι φασματικά μη-συνδυασμένα. . Το παγχρωματικό κανάλι περιλαμβάνει το διάστημα 450-900 nm. Όλα τα δεδομένα δοκιμάζουν τις επίγειες ομοιόμορφες αναλύσεις των 2.8m και 0.7m GSD για τα MS και PAN. Τα MS και PAN δεδομένα είναι χωρικά υποβιβασμένα από 4 υποχωρώντας στα 2.8m για τις PAN και 11,2m για τις MS, και χρησιμοποιούνται για να συνθέσουν τα κανάλια MS των2.8m.
 
Μεθοδολογία 
Όπως γνωρίζουμε, η προσομοίωση στα δεδομένα του χωρικού υποβιβασμού στοχεύει στην προσαρμογή του αλγορίθμου συγχώνευσης με τρόπο τέτοιο ώστε μόλις ληφθεί το καλύτερο αντικειμενικό ακριβές αποτέλεσμα με τα πρωτότυπα αναφοράς, ο ίδιος αλγόριθμος θα τρέξει στα πραγματικά δεδομένα υψηλής-ανάλυσης και θα παραχθούν τα καλύτερα αποτελέσματα. Παρά την προσπάθεια να αποκτήσουμε τα καλύτερα αποτελέσματα, είναι σημαντικό να μετρήσουμε πόσο πολύ μία μέθοδος συγχώνευσης είναι ικανή να βελτιώσει την ποιότητα του συγχωνευμένου προϊόντος με την προϋπόθεση των ξανά-δοκιμασμένων MS δεδομένων, τα οποία αποτελούν την αφετηρία του. Έτσι, ένα ιδανικό φίλτρο και τα MTF- ταιριάσματος φίλτρα χρησιμοποιήθηκαν για το αρχικό φιλτράρισμα των MT δεδομένων πριν τον αποδεκατισμό. Ο αλγόριθμος συγχώνευσης χρησιμοποιεί μια συμβατική πολυδιακριτή ανάλυση ή multiresolution analysis (MRA). Έπειτα, το φίλτρο μείωσης των GLP, συνδέει το MTF σε κάθε MS κανάλι. Τα παγχρωματικά δεδομένα πάντα υποβιβάζονταν με το ιδανικό φίλτρο. Προκειμένου να αξιολογηθεί εύκολα η ποιοτική αύξηση, είτε με η χωρίς την MTF προσαρμογής του MRA, θα χρησιμοποιηθούν μόνο σφαιρικά αποτελέσματα, όπως ο αλγόριθμος Φασματικής Γωνίας SAM, ERGAS, Q4 [http://www.isprs.org/proceedings/XXXVII/congress/7_pdf/6_WG-VII-6/09.pdf].
Πραγματοποιήθηκε μια σύγκριση των μεθόδων GLP-based με αυτή των προτύπων έγχυσης ESDM και ECB με δύο μεθόδους: πολλαπλή ανάλυση IHS με προσθετικό πρότυπο βασισμένο σε ATWF, και υψιπερατό φιλτράρισμα για την απόκτηση ιδανικών η MTF-υποβιβασμένα MS κανάλια. Παρά τη τυπική διαφορά ( AWF χειρίζεται στην περιοχή HPF, ενώ το HPF στην φασματική περιοχή), η όλη πρακτική διαφορά μεταξύ του HPF και AWL είναι το χαμηλοδιαβατό φίλτρο που χρησιμοποιείται για την ανάπτυξη μιας χαμηλότερης ανάλυσης προσέγγιση.
(Για περισσότερες πληροφορίες βλέπε εδώ:http://www.asprs.org/publications/pers/2006journal/may/2006_may_591-596.pdf)
[[Εικόνα:garg_MTF_1_06.jpg|center|thumb||Πίνακας 1 :Μέσοι συσσωρευτικοί ποιοτικοί δείκτες, [http://www.asprs.org/publications/pers/2006journal/may/2006_may_591-596.pdf]πηγή]]
 
Οι παράμετροι στον Πίνακα1 μετρούν τη σφαιρική παραμόρφωση των διανυσμάτων του pixel, ή με ραδιομετρική, ή με φασματική, ή και με τα δύο φασματική και ραδιομετρική θα δώσει μια περιεκτική μέτρηση της απόδοσης έγχυσης. Το EXP υπογραμμίζει την περίπτωση όπου τα υποβιβασμένα δεδομένα MS είναι resampled μέσα από 23-taps expansion filter of GLP, και δεν συνέβη καμία έγχυση λεπτομερειών. Εξαρτώμενο από το πότε ο υποβιβασμός είναι ιδανικός η MTF-based, η ποιότητα όλων των προϊόντων έγχυσης, περιλαμβανωμένων και των resampled MS καναλιών (EXP)που αλλάζουν σημαντικά, ενώ γίνονται χαμηλότερα στην τελευταία περίπτωση, επειδή η έναρξη των δεδομένων MS είναι φτωχότερη και στο φασματικό και στο γεωμετρικό περιεχόμενο. Μόνο το AWL είναι λίγο αναγκασμένο στην τελευταία περίπτωση, εξαιτίας του MRA που ενσωματώνει το MTF πρότυπο. Το SAM που επιτεύχθηκε από το ECB είναι χαμηλότερο από εκείνο του ESDM, χάρη στις μη αναμειγμένες ικανότητες του former συγκρινόμενου με το τελευταίο. Είναι αξιοσημείωτο ότι οι συγχωνευμένες εικόνες που παρήχθησαν από τις προσαρμοσμένες μεθόδους MTF , επιδεικνύουν μία ποιότητα προσαύξησης with respect to that of resampled MS data, το οποίο είναι καλύτερο από αυτό που σημειώθηκε όταν ο υποβιβασμός είναι ιδανικός και γι αυτό οι μέθοδοι δεν χρειάζονται MTF προσαρμογή.
[[Εικόνα:garg_MTF_2_06.jpg|center|thumb||Εικόνα 1 :Παραδείγματα του πραγματικού μεγέθους χωρικής αύξησης των αλγορίθμων συγχώνευσης που επιδεικνύονται ως 512 x 512 πραγματικής έκθεσης χρωμάτων στο διάστημα 0,7m pixels, [http://www.asprs.org/publications/pers/2006journal/may/2006_may_591-596.pdf]πηγή]]
 
Η Εικόνα1 επιδεικνύει την σύνθεση φυσικών χρωμάτων του resampled 2,8m καναλιών και τα χωρικά προσαυξημένα κανάλια, όλα των 0,7m. Η απεικόνιση πραγματικών χρωμάτων έχει σκοπίμως επιλεγεί, επειδή η PAN όξυνση των MS καναλιών εμπίπτει εν μέρει εξωτερικά του μήκους καναλιού του παγχρωματικού, όπως στην περίπτωση του μπλέ καναλιού (Β1). Το υψιπερατό φιλτράρισμα HPF αποφέρει μία εικόνα συγχωνευμένη παρόμοια με αυτή του AWL, αν και είναι λίγο λιγότερο ακριβές.
Επομένως, το κάθε αποτέλεσμα δεν είναι απεικονισμένο στην εικόνα1. Τα ESDM και ECB πρότυπα εφαρμόζονται στο GLP, επιτυγχάνοντας με ή χωρίς MTF- matched φίλτρα. Ένας οπτικός έλεγχος ότι όλες οι φασματικές υπογραφές των αρχικών δεδομένων MS ενσωματώνονται προσεκτικά στις ζώνες όξυνσης. Χάρη στα δύο πρότυπα εγχύσεων, η υφή των θόλων, τα οποία τονίζονται από την παγχρωματική εικόνα, αλλά συνήθως προέρχεται από το κανάλι near-infrared NIR το οποίο είναι έξω από τα ορατά μήκη κύματος, εμφανίζεται να μετριάζεται στα προϊόντα τήξης ESDM και ECB. To ΑWL , το οποίο υπολογίζει για το MTF στο MRA, είναι γεωμετρικά πλούσιο και λεπτομερές, αλλά υπερ-ενισχυμένο, ειδικά στις περιοχές βλάστησης. Πραγματοποιείται μια οπτική ανάλυση σε ένα μικρό τετράγωνο που περιβάλλεται από δέντρα και αποκαλύπτει ότι οι μέθοδοι που εκμεταλλεύονται MTF-ετικέτες MRA αποφέρουν αιχμηρότερες και καθαρότερες γεωμετρικές δομές από εκείνους που χρησιμοποιούν τα ιδανικά φίλτρα MRA.
 
Συμπεράσματα 
Εδώ, έχει αποδειχθεί ότι οι μέθοδοι συγχώνευσης εικόνων που βασίζονται στο MRA μπορούν να βελτιωθούν αν η συχνότητα ανάλυσης της παγχρωματικής πραγματοποιείται χρησιμοποιώντας ψηφιακά φίλτρα με τις απαντήσεις συχνότητας που ταιριάζουν με ένα πρότυπο του MTF του συστήματος απεικόνισης. Αν και τα συγκεκριμένα παραδείγματα προτύπων έγχυσης έχουν πραγματοποιηθεί, η προτεινόμενη προσέγγιση μπορεί να χρησιμοποιηθεί με οποιαδήποτε μέθοδο συγχώνευσης, υπό τον όρο ότι το MRA δεν είναι αυστηρά subsampled. Κατά αυτό τον τρόπο, οι μέθοδοι που βελτιστοποιούνται εμπειρικά σε μια μεγαλύτερη κλίμακα, δηλαδή χωρικά υποβιβασμένα δεδομένα των οποίων τα πρότυπα αναφοράς είναι διαθέσιμα για την αξιολόγηση της απόδοσης, είναι ακόμα αποτελεσματικές όταν πραγματοποιείται η συγχώνευση στην πραγματική κλίμακα. Με βάση αυτή τη προοπτική, έχει καθοριστεί ένας βαθμός ελευθερίας για την ποιοτική αξιολόγηση στο πρωτόκολλο Wald.
Παρά την αξίωση ότι οι αποδόσεις συγχώνευσης μπορούν αν προκύψουν από μια μεγαλύτερη κλίμακα, στην πραγματική κλίμακα, δεν αναφέρεται ποτέ πιο είδος φίλτρου χρησιμοποιείται για την υποβάθμιση της εικόνας. Τώρα είναι δυνατό να δηλωθεί ότι το φίλτρο πρέπει να ταιριάξει με τη μορφή του αναλογικού φίλτρου μέσω του οποίου η ακτινοβολία μεταβιβάζεται. Συμπερασματικά, η παρούσα μελέτη προσπαθεί να εξηγήσει γιατί ενώ υπάρχουν τόσοι πολλοί αλγόριθμοι συγχώνευσης εικόνας, χρησιμοποιούνται τόσοι λίγοι. Σαν παράδειγμα, υπενθυμίζεται ότι στη φασματική μέθοδο όξυνσης Gram-Schmidt, που εφαρμόζεται στην ENVI, η οποία δεν εκμεταλλεύεται το MRA, αλλά ένα είδος ορθογώνιας συστατικής αντικατάστασης της PC αντικατάστασης.

Τεχνικές για την αξιολόγηση της ακρίβειας των θέσεων των δέντρων τα οποία προκύπτουν από τη χαρτογράφιση ψηφιακών απεικονίσεων.

2011-03-16T10:06:04Z

Argyropoulou Grigoria:

[[category:Ψηφιακή Τηλεπισκόπηση]]

 Τεχνικές για την αξιολόγηση της ακρίβειας των θέσεων των δένδρων τα οποία προκύπτουν από την χαρτογράφιση ψηφιακών απεικονίσεων.
 
Πρωτότυπος τίτλος : Techniques for accuracy assessment of tree locations extracted
from remotely sensed imageryΠηγή : Trisalyn Nelson , Barry Boots, Michael A. Wulder, Journal of Environmental Management 74 (2005) 265–271
[http://www.sciencedirect.com/science?_ob=MImg&_imagekey=B6WJ7-4F1HBPM-2-9&_cdi=6871&_user=83473&_pii=S0301479704002233&_origin=search&_zone=rslt_list_item&_coverDate=02%2F01%2F2005&_sk=999259996&wchp=dGLzVtb-zSkzV&md5=44ed50b1648ae3627ecde3edc90122f0&ie=/sdarticle.pdf]
 
Περίληψη 
Οι δορυφορικές εικόνες έχουν γίνει μια συνηθισμένη και αξιόπιστη πηγή περιβαλλοντικών δεδομένων. Αν και έχουν σχεδιαστεί αρκετές τεχνικές με στόχο να εξάγουν δεδομένα περιβάλλοντος από τις απεικονίσεις αυτές, εργαλεία τα οποία να είναι ικανά για την αξιολόγηση της ακρίβειας των αποτελεσμάτων τους, είναι περιορισμένα. Αντιστοιχίζοντας δέντρα εξαγόμενα από ψηφιακές λήψεις, με τα δέντρα όπως εμφανίζονται σε μια επίγεια απεικόνιση, μπορούμε να καθορίσουμε το ποσοστό ακρίβειας των θέσεων των δέντρων. Παρόλα αυτά, το ποσοστό αυτό δεν μας δίνει πληροφορία για τη φύση του σφάλματος. Θα ήταν ιδιαίτερα χρήσιμο να γνωρίζαμε αν το σφάλμα συνδέεται τυχαία ή είναι σχετικό με τα χαρακτηριστικά του αντικειμένου (δέντρα). Στην παρούσα λοιπόν εργασία, παρουσιάζεται ένας συνδυασμός χωρικών και μη μεθόδων, χρήσιμων για την έρευνα και τη φύση του σφάλματος, ακόμη και για τα χαρακτηριστικά γνωρίσματα του περιβάλλοντος, εφαρμοσμένος σε ψηφιακές απεικονίσεις.
 
Η περιοχή μελέτης και ο στόχος για την περιοχή 
Προκειμένου να πραγματοποιηθεί η μελέτη, συλλέχθηκαν δεδομένα της τοποθεσίας και των χαρακτηριστικών των μεμονομένων δένδρων για μία επιφάνεια 0,72 εκταρίων στο Sooke Watershed που βρίσκεται κοντά στη Βικτώρια της Βρετανικής Κολομβίας. Μια επίγεια έρευνα έλαβε χώρα σε μια περιοχή με μικρή τοπογραφική μεταβλητότητα ώστε να παραχθεί ένας χάρτης συνολικών επιφανειών όπου τα δέντρα απέχουν μεταξύ τους 10cm και άνω. Συνολικά χαρτογραφήθηκαν 199 δέντρα από τα οποία 150 ταξινομήθηκαν ως νέα σε ηλικία ενώ τα 49 ως ώριμα. Τα νεότερα σε ηλικία αποτελούνται από έλατα (Douglas fir) και δυτικό κόκκινο κέδρο, ενώ τα ώριμα μόνο από έλατα (Douglas fir). Καταγράφηκαν επίσης τα χαρακτηριστικά κάθε δέντρου όπως το ύψος, η ακτίνα κορμών και η στηθιαία διάμετρος DBH, (περιφέρεια κορμού δέντρων σε 1,3m ύψος πάνω από το έδαφος). Το Local Maximum φίλτρο (LM Filter) πραγματοποιήθηκε σε 1 ορθοκανονική εικόνα IKONOS, υψηλής χωρικής ανάλυσης, η οποία λήφθηκε στις 19:05 GMT, 3 Ιουνίου του 2000. Το ηλιακό ύψος και το αζιμούθιο τη στιγμή της λήψης του δορυφόρου ήταν 60° και 146°αντίστοιχα. Η εικόνα είναι παγχρωματική με φασματικό εύρος 450-900nm, χωρικής ανάλυσης 1m όπου τα δέντρα εμφανίζονται σκούρα σε αντίθεση με το φωτεινό φόντο.
 
[[Εικόνα:garg_lmf_1_04.jpg|right|thumb||Εικόνα 1 :Η περιοχή μελέτης Sooke Watershed : Google Earth, Sooke, Βρετανική Κολούμπια, Καναδάς, 48°22'34.16"Β, 123°44'16.41"Δ]]

Μεθοδολογία 
Το φίλτρο που χρησιμοποιείται προκειμένου να επιτευχθεί ο προαναφερόμενος στόχος, ονομάζεται Local Maximum Filter. Το LM φίλτρο αυτοματοποιεί την εξαγωγή των θέσεων των μεμονωμένων δέντρων από ψηφιακές εικόνες πολύ υψηλής χωρικής ανάλυσης. Ένας πίνακας 3x3 κινείται πάνω από τον πίνακα της εικόνας και τα δέντρα τοποθετούνται όταν η κεντρική ψηφιακή τιμή του παραθύρου του πίνακα είναι υψηλότερη από όλες τις υπόλοιπες τιμές. Η θεωρία του LM φίλτρου βασίζεται στην υπόθεση ότι η αντίθεση είναι μέγιστη στην κορυφή των δέντρων και μειώνεται προς της άκρη της κόμης του δέντρου. To LM φίλτρο περιορίζει τον προσδιορισμό των δέντρων σε pixels που δεν αγγίζει, περιορίζοντας τον μέγιστο αριθμό των δέντρων που μπορούν να βρεθούν σε οποιαδήποτε ψηφιακή εικόνα.
Υπάρχουν τριών ειδών αποτελέσματα που μπορεί να επιφέρει η χρήση ενός LM φίλτρου: α) επιτυχής προσδιορισμός δέντρου, β) μη επιτυχής προσδιορισμός δέντρου που στην πραγματικότητα υφίσταται (omission error) και γ) προσδιορισμός δέντρου που δεν υφίσταται στην πραγματικότητα (commission error). Αν τo μέγεθος των δέντρων είναι μικρό σε σχέση με αυτό του pixel της εικόνας, μειώνοντας το μέγεθος του πίνακα μεγιστοποιείται η ακρίβεια ενώ αν τα δέντρα είναι σχετικά μεγάλα εν συγκρίσει με το μέγεθος pixel, λειένοντας ή χρησιμοποιώντας μεγαλύτερο πίνακα τα αποτελέσματα βελτιώνονται. Στόχος είναι να προταθεί μια μέθοδος για την αξιολόγηση της ακρίβειας του LM φιλτραρίσματος, και άλλων τεχνικών εξαγωγής χαρακτηριστικών που παρουσιάζουν αντικείμενα ως σημεία.
Αξίζει να σημειωθεί, ότι η εικόνα IKONOS, υπέστη ένα πρώτο φιλτράρισμα με ένα φίλτρο μέσου όρου 3χ3 (averaging filter), προκειμένου να απαλλαχθεί από τον ραδιομετρικό θόρυβο και έπειτα ακολουθήθηκε το βασικό LM filter.
(Περισσότερες λεπτομέρειες μπορείτε να δείτε εδώ: Techniques for accuracy assessment of tree locations extracted
from remotely sensed imagery
Trisalyn Nelsona,b,*, Barry Bootsa, Michael A. Wulder )
Οι χαρτογραφημένες θέσεις των δέντρων αρχικά χωρίστηκαν σε εντοπισμένες και μη και με τη βοήθεια της μη χωρικής ανάλυσης ελέγχθηκε αν υπάρχουν διαφορές μεταξύ των χαρακτηριστικών των δύο κατηγοριών. Έπειτα χρησιμοποιήθηκε η στατιστική σχέση Mann-Whitney[http://en.wikipedia.org/wiki/Mann%E2%80%93Whitney_U] προκειμένου να βρεθούν τα χαρακτηριστικά στα οποία διαφέρουν (ύψος δέντρων, στηθιαία διάμετρος, ακτίνα δέντρου) όταν τα δέντρα εντοπίζονται η όχι.
Στη συνέχεια πραγματοποιήθηκε χωρική ανάλυση ώστε να ερευνηθεί περαιτέρω αν η φύση του σφάλματος (μη εντοπισμού δέντρων) είναι τυχαία. Στο στάδιο αυτό, προηγείται μια μετατροπή των τοποθεσιών των δέντρων σε Voronoi Polygons[http://www.spatialanalysisonline.com/output/html/VoronoiThiessenpolygons.html]. Τα VPs έχουν το πλεονέκτημα του καθορισμού των χωρικών ιδιοτήτων όπως το εμβαδό του VP, την περίμετρο, τη μορφή και την αναλογία των εντοπισμένων γειτονικών από τα μη δέντρα. Βάσει των τιμών των ιδιοτήτων πραγματοποιήθηκε χωρική αυτοσυσχέτιση. Παρατηρήθηκε ότι για κάθε δέντρο και VP χαρακτηριστικό, προέκυψαν σημαντικές διαφορές μεταξύ των εντοπισμένων και μη δέντρων.
Έπειτα αναλύθηκαν οι εμπεριεχόμενες πληροφορίες των εντοπισμένων δέντρων από το LM Filter. Η διαδικασία αυτή πραγματοποιήθηκε επικαλύπτοντας τα VPs δημιουργημένα από τις χαρτογραφημένες θέσεις των δέντρων (SM-VPs) με αυτά αυτά των αποτελεσμάτων από το LM Filter (LM-VPs). Τα εμβαδά των πρώτων αφαιρέθηκαν από αυτά των δεύτερων και αν το αποτέλεσμα είναι 1 τα πολύγωνα είναι ισεμβαδικά, αν μικρότερο από 1 το LM-VPs είναι μεγαλύτερο από το SM-VPs ενώ αν το αποτέλεσμα μεγαλύτερο του ενός ισχύει το αντίστροφο.
 
[[Εικόνα:garg_lmf_2_04.jpg|right|thumb||Εικόνα 2 :Voronoi Polygons for stem mapped trees, [http://www.sciencedirect.com/science?_ob=MImg&_imagekey=B6WJ7-4F1HBPM-2-9&_cdi=6871&_user=83473&_pii=S0301479704002233&_origin=search&_zone=rslt_list_item&_coverDate=02%2F01%2F2005&_sk=999259996&wchp=dGLzVtb-zSkzV&md5=44ed50b1648ae3627ecde3edc90122f0&ie=/sdarticle.pdf]πηγή]]
 
[[Εικόνα:garg_lmf_3_04.jpg|right|thumb||Εικόνα 3 :Voronoi Polygons surface for mapped trees with LM filter, [http://www.sciencedirect.com/science?_ob=MImg&_imagekey=B6WJ7-4F1HBPM-2-9&_cdi=6871&_user=83473&_pii=S0301479704002233&_origin=search&_zone=rslt_list_item&_coverDate=02%2F01%2F2005&_sk=999259996&wchp=dGLzVtb-zSkzV&md5=44ed50b1648ae3627ecde3edc90122f0&ie=/sdarticle.pdf]πηγή]]

 
Αποτελέσματα 
Όταν αναλύθηκαν όλα τα δέντρα, οι διαφορές στη στηθιαία διάμετρο DBH, στην ακτίνα των κορμών και στα ύψη των δέντρων ήταν σημαντικές μεταξύ των εντοπισμένων και μη δέντρων. Τα ώριμα δέντρα παρουσίασαν σημαντικές διαφορές στα DBH και στα ύψη ενώ τα νεότερα στα DBH, στην ακτίνα των κορμών, στο εμβαδό του VP και στην περίμετρο.
Ανεξαρτήτου ηλικίας, οι διαφορές στις VPs μορφές δεν ήταν στατιστικά σημαντικές. Σε όλες τις κατηγορίες, το RNFO είναι χαμηλότερο για τα εντοπισμένα δέντρα. Να σημειωθεί ότι τα περισσότερα από τα ώριμα δέντρα είναι αρκετά μεγάλα και εντοπίζονται εύκολα από το LM filter επομένως λαμβάνονται εύκολα από τον δέκτη και γι’ αυτό το σφάλμα είναι πιο τυχαίο από αυτό των νεότερων.
Τα νεότερα δέντρα έχουν ακτίνα κορμού που είναι παρόμοια με τη χωρική ανάλυση της εικόνας. Όταν το μέγεθος του αντικειμένου (δέντρο) είναι παρόμοιο με της χωρικής ανάλυσης της εικόνας, τότε απεικονίζεται μεταξύ μερικών pixels μειώνοντας την επιρροή της ανάλυσης του LM και επιτυγχάνοντας μεγαλύτερα σφάλματα παράλειψης κατά την διάρκεια εξαγωγής χαρακτηριστικών. Το εμβαδό των VPs, φαίνεται να είναι πιο σημαντικό εργαλείο για τον σωστό εντοπισμό των δέντρων. Περισσότερα συμπεράσματα παρατίθενται στον Πίνακα1.
Κατά τα χωρικό σχεδιασμό των εντοπισμένων και μη δέντρων παρατηρήθηκαν τα εξής:
Η διασπορά στο σφάλμα παράλειψης των νέων δέντρων οφείλεται κατά βάση στο LM φίλτρο, το οποίο απαγορεύει την τοποθέτηση δέντρων στα γειτονικά pixels. Αυτό δείχνει ότι το εμβαδό που καλύπτει κάθε δέντρο είναι το λιγότερο αυτό των 9 pixels, που καταλήγει σε μία διάμετρο 3m. Επομένως, στη κλίμακα των pixels, το φίλτρο επιβάλλει ένα συγκεκριμένο επίπεδο διασποράς. Απ’ τη στιγμή που μερικά νέα δέντρα έχουν ακτίνα κορμών μικρότερη των 3m, το φίλτρο επιβάλει προσδιορισμό δέντρων, επομένως σφάλμα παράλειψης, για να σκορπιστεί. Απ την άλλη πλευρά, τα ώριμα δέντρα, τυπικά έχουν ακτίνα κορμών μεγαλύτερη του μεγέθους ενός pixel, κι έτσι το χωρικό σχέδιο του λάθους δεν είναι δυνατά επηρεασμένο από το γειτονικό αναγκασμό του φίλτρου. Η χωρική φύση του σφάλματος μη υφιστάμενου αντικειμένου, εξηγεί γιατί η μη χωρική ανάλυση εμφανίζει το RNFO (Ratio of Neighbors Found and Omitted) να είναι σημαντικά διαφορετικό για νέα μη εντοπισμένα δέντρα και για τα εντοπισμένα αλλά όχι για τα ώριμα σε ηλικία δέντρα
 
[[Εικόνα:garg_lmf_4_04.jpg|right|thumb||Πίνακας 1 :Μη χωρική ανάλυση της διανομής των χαρακτηριστικών γνωρισμάτων για τα εντοπισμένα και μη δέντρα, [http://www.sciencedirect.com/science?_ob=MImg&_imagekey=B6WJ7-4F1HBPM-2-9&_cdi=6871&_user=83473&_pii=S0301479704002233&_origin=search&_zone=rslt_list_item&_coverDate=02%2F01%2F2005&_sk=999259996&wchp=dGLzVtb-zSkzV&md5=44ed50b1648ae3627ecde3edc90122f0&ie=/sdarticle.pdf]πηγή]]

 
Συμπεράσματα 

Έχει περιγραφεί ένα σύνολο εργαλείων, για την αξιολόγηση της ακρίβειας των τεχνικών εξαγωγής γνωρισμάτων από δορυφορικές εικόνες υψηλής ανάλυσης. Αν τα χαρακτηριστικά γνωρίσματα αντιπροσωπεύονται από σημεία, και μια συγκρινόμενη επιφάνεια αντιπροσωπεύει την πραγματική επιφάνεια, αυτές οι μέθοδοι μπορούν να χρησιμοποιηθούν ώστε να αναλύονται και η φύση του σφάλματος και η εμπεριεχόμενη πληροφορία. Όμως το LM φίλτρο είναι περιοριστικό, απαγορεύοντας σε δέντρα να τοποθετούνται σε παρακείμενα pixels, επιτυγχάνοντας τη διασπορά σφάλματος για τα νέα δέντρα αλλά όχι για τα ώριμα. Όταν το μέγεθος του αντικειμένου είναι παρόμοιο με το μέγεθος του pixel,τα γειτονικά δέντρα αυτομάτως χάνονται. Παρόλ’ αυτά, όταν το μέγεθος του αντικειμένου είναι πολύ μεγαλύτερο του pixel, αυτός ο αναγκασμός δεν είναι πρόβλημα και το σφάλμα είναι τυχαίο.
Αν και τα LM σημεία(υψηλής φωτεινότητας, μεγάλης ψηφιακής τιμής) αντιπροσωπεύουν συχνά την θέση μεμονομένων δέντρων, δεν είναι πάντα αυτό το πρόβλημα. Για παράδειγμα, δημιουργούνται προβλήματα στον προσδιορισμό των δένδρων, στα νέα δάση, όπου πολλά pixel της δορυφορικής απεικόνισης έχουν υψηλές ψηφιακές τιμές. Αυτό το πρόβλημα επιδεινώνεται από τον τρόπο εφαρμογής του LM στην ψηφιακή απεικόνιση, με αποτέλεσμα ακόμα κι όταν τα σημεία που αναδεικνύονται από το LM φίλτρο, αντιπροσωπεύουν ένα και μοναδικό δέντρο, είναι πιθανό ότι το εμβαδό που συνδέεται με το σημείο αυτό, να αφορά σύνολο νέων σε ηλικία δέντρων. Ακόμη και εάν εφαρμοσθεί κάποιο φίλτρο εξομάλυνσης της εικόνας για να μειωθεί το σφάλμα μη υφιστάμενου αντικειμένου, πάντοτε χάνεται πληροφορία, η οποία μπορεί να βοηθήσει στον προσδιορισμό νέων δέντρων.
Αν και το δέντρο και τα χαρακτηριστικά του VP είναι σημαντικά για τον καθορισμό του εντοπισμού ή και μη των δέντρων, η χωρική φύση των χαρακτηριστικών αυτών δεν σχετίζονται με αυτά των σφαλμάτων παράλειψης. Όταν ένα δέντρο είναι μικρό σε σχέση με το μέγεθος του pixel( ιδίως στην περίπτωση των νέων δέντρων), είναι λιγότερο πιθανό να απεικονιστεί ολόκληρο από τους αισθητήρες και γι αυτό είναι λιγότερο πιθανό να εξαχθεί από την εικόνα. Σχετίζοντας το περιεχόμενο της εικόνας με την επιρροή του LM filter, εξηγείται γιατί τα νέα δέντρα είναι πιο ευαίσθητα σε διαφορές σε μεμονωμένο δέντρο και τα VP χαρακτηριστικά, απ’ ότι είναι στα ώριμα δέντρα.

Προσδιορισμός των ορίων της ιστορικής τοποθεσίας της Περσέπολης χρησιμοποιώντας μεθόδους ψηφιακής τηλεπισκόπησης

2011-03-16T10:03:18Z

Argyropoulou Grigoria:

[[category:Ψηφιακή Τηλεπισκόπηση]]

Προσδιορισμός των ορίων της ιστορικής τοποθεσίας της Περσέπολης χρησιμοποιώντας μεθόδους ψηφιακής τηλεπισκόπησης 
Πρωτότυπος τίτλος : AIdentifying the boundaries of the historical site of Persepolis using remote sensing

Πηγή : Behnaz Aminzadeh, Firuzeh Samani, Remote Sensing of Environment 102 (2006) 52–62 [http://faculty.ksu.edu.sa/archaeology/Publications/Remote%20sensing/Identifying%20the%20boundaries%20of%20the%20historical%20site%20of%20Persepolis%20using%20remote%20sensing.pdf]
 
Περίληψη 
Η Περσέπολη που βρίσκεται 70 χιλιόμετρα βορειοανατολικά της σύγχρονης πόλης Σιράζ στο Ιράν, είναι μια από τις γνωστές αρχαιολογικές περιοχές παγκόσμιων κληρονομιών που χρονολογούνται από την αχαιμενική περίοδο (560-330 Π.Χ.). Ο χαρακτηρισμός της περιοχής και η σημασία της ως διεθνής παγκόσμια κληρονομιά διακρίθηκε από την UNESCO ως πρώτη μεταξύ των πέντε επιλεγμένων ιστορικών περιοχών στο Ιράν και καταχωρήθηκε το 1979. H περιοχή είναι ελκυστική για τους εθνικούς και διεθνείς τουρίστες καθώς επίσης και τους αρχαιολόγους και τους ιστορικούς από τον κόσμο. Παρότι θεωρείται από τις σημαντικότερες ιστορικές και αρχαιολογικές περιοχές, καμία έρευνα μέχρι τώρα δεν έχει εστιάσει στην ακριβή οριοθέτηση αυτής της περιοχής ενώ ταυτόχρονα βρίσκεται υπό αμφισβήτηση η ύπαρξη ενός τοίχους και πύργων για την προστασία αυτού του σημαντικού κέντρου. Προκειμένου να εξεταστεί το πρόβλημα αυτό, χρησιμοποιείται μια ανάλυση στοιχείων τηλεπισκόπησης, μια φωτογεωλογία, και μια μελέτη πεδίου. Για το χαρακτηρισμό του αρχαιολογικού τοπίου και των θέσεων της καταρρέουσας δομής οι αεροφωτογραφίες και οι δορυφορικές εικόνες έχουν αποδειχθεί ιδιαίτερα πολύτιμο εργαλείο. Η κατασκευή της Περσέπολης άρχισε από το Δαρείο, συνεχίστηκε από το γιο του Ξέρξη και τον εγγονό του Αρταξέρξη και καταστράφηκε από το Μέγα Αλέξανδρο. Αποτελούσε έναν εθνικό ιερό τόπο και είχε ως πρωτεύουσα πόλη την Parse. Το γενικό πλάνο των παλατιών και ο περιβάλλων χώρος παρουσιάζονται στην Εικόνα 1.
 
[[Εικόνα:garg_laplace_1_12.jpg|right|thumb||Εικόνα 1 : Περσέπολις.Γενικό πλάνο των παλατιών, [http://faculty.ksu.edu.sa/archaeology/Publications/Remote%20sensing/Identifying%20the%20boundaries%20of%20the%20historical%20site%20of%20Persepolis%20using%20remote%20sensing.pdf]πηγή]]
 
Είναι τοποθετημένη σε μία φυσικά προστατευμένη περιοχή, καθώς περιβάλλεται από τη λίμνη Tashk από τα ανατολικά και από κορυφογραμμές από τα βόρεια. Βάσει των δεδομένων τηλεπισκόπισης και της φωτογεωλογίας, η περιοχή αυτή διαθέτει ειδική γεωμορφολογία με μεγάλες καλλιεργήσιμες εκτάσεις και διασκορπισμένα χωριά που περιβάλλονται ανατολικά από το όρος Rahmat, δυτικά από τον ποταμό Kor, βόρεια από το όρος Hossein και νότια από την οροσειρά Zarghan (βλ. εικόνα 2).
 
[[Εικόνα:garg_laplace_2_12.jpg|right|thumb||Εικόνα 2 : Δορυφορική εικόνα της οροσειράς Zagros, [http://faculty.ksu.edu.sa/archaeology/Publications/Remote%20sensing/Identifying%20the%20boundaries%20of%20the%20historical%20site%20of%20Persepolis%20using%20remote%20sensing.pdf]πηγή]]
 
Μεθοδολογία 
Προκειμένου να επιτευχθεί ο στόχος αυτός, χρησιμοποιήθηκαν διάφορα ενσωματωμένα θεματικά σύνολα. Η πλειοψηφία αυτών ήταν μη διαθέσιμα από τις παραδοσιακές πηγές. Αυτή η έρευνα επιτυγχάνει μια επεξεργασία συνδιασμού των ETM+ δεδομένων ψηφιακής τηλεπισκόπησης παράγοντας θεματικές εικόνες, ενισχύει σημαντικά την κατανόηση των αρχαιολογικών πόρων, των τοποθεσιών και των ιστορικών εξελίξεων από τις περιβαλλοντικές αλλαγές. Για την έρευν χρησιμοποιήθηκαν δεδομένα ΕΤΜ+, ασπρόμαυρες αεροφωτογραφίες και τοπογραφικοί χάρτες κλίμακας 1:50000 και 1:25000. H Διεθνής Εγκάρσια Μερκατορική Προβολή UTM [http://en.wikipedia.org/wiki/Universal_Transverse_Mercator_coordinate_system] οι προβολές, και το στοιχείο WGS84 έχουν χρησιμοποιηθεί για την προβολή, τη διόρθωση, και τις διαδικασίες συλλογής δεδομένων. Η διόρθωση έχει γίνει με τη χρησιμοποίηση της γεωδιαμόρφωσης. Το GPS έχει καθοριστεί από GPS χειρός που μεταλλάσσει τους τοπογραφικούς χάρτες των 1:50000 και 1:25000 που διορθώνονται από το λάθος μέσης τετραγωνικής τιμής (RMSE) 4 έως 10 μέτρων. Έχει επίσης καθοριστεί ένας συνδυασμός γεωλογίας τηλεπισκόπησης, φωτογεωλογίας, και η αξιολόγηση πληροφοριών έχουν γίνει για τον καθορισμό των αρχαιολογικών χαρακτηριστικών γνωρισμάτων και τα υπόλοιπα της πιθανής ύπαρξης του τοίχου και των παρατηρητηρίων φρουράς. Η επεξεργασία εικόνας περιλαμβάνει τους διάφορους ραδιομετρικούς αλγορίθμους διορθώσεων και αφαίρεσης θορύβου. Περιλαμβάνει επίσης την εγγραφή της εικόνας, ή τη βαθμολόγηση γεω-κωδικοποίησης και στοιχείων καλιμπρρίσματος. Συνήθως, η ζώνη του αριθμητή επιλέγεται βάσει ποιό υλικό είναι ιδιαίτερα αντανακλαστικό και επιλέγεται ως παρονομαστής ένα κανάλι που καλύπτει ένα χαρακτηριστικό γνώρισμα απορρόφησης για εκείνο το υλικό . Το TM 5/7 που κάνει διακρίσεις στα υλικά που περιέχουν τα υδροξύλια μεταλλεύματα (argillic υλικά) και το ανθρακικό άλας με την απορρόφηση χαρακτηρίζεται στην περιοχή 2.2 έως 2.3 μm. Η αναλογία του TM 5/4 χρησιμοποιήθηκε για να διακρίνει τους βράχους και τα χώματα για να ενισχύσει το αρχαιολογικό υπόλειμμα στις καλλιεργημένες ζώνες. Αυτή η αναλογία έχει χρησιμοποιηθεί για να δώσει έμφαση στο αρχαιολογικό υπόλειμμα μέσα στις καλλιεργημένες περιοχές, όπου εμφανίστηκαν ως ελαφριά σημεία στο γκρίζο υπόβαθρο. Αυτά τα χαρακτηριστικά γνωρίσματα έχουν ενισχυθεί επίσης στις RGB (b5/b7, b5/b4, b3/b2) συνθετικές εικόνες. Η μετατροπή IHS χρησιμοποιείται επίσης για τη RGB σύνθετη εικόνα (b5/b7, b3/b2, b5), η οποία αντικαθιστώντας το b5 αναγκάζει την ένταση να κάνει διακρίσεις στους δείκτες βλάστησης. Αυτή η λειτουργία έχει χεησιμοποιηθεί για να μειώσει την εδαφική φωτεινότητα και τις ατμοσφαιρικές παραλλαγές. Η συνέλιξη ενός υψιπερτού φίλτρου (3x3 πίνακα) έχει εφαρμοστεί στα κανάλια TM b5, b4, b7, και προστέθηκν στην αρχική εικόνα ώστε να παραχθεί η ενίσχυση των ακμών. Έχουν εφαρμοστεί επίσης κατευθυντικά φίλτρα σε διαφορετικές κατευθύνσεις για την ενίσχυση των χωρικών χαρακτηριστικών γνωρισμάτων. Η ανάλυση κύριων τμημάτων έχει εφαρμοστεί για να καθορίσει την collapsed clayey matrix, allocthonous carbonate rock fragments, και τα χαρακτηριστικά των καλλιεργειών. Οι διαφορές στην εδαφολογική σύσταση αποκαλύπτονται από τις κλασματικές παραλλαγές της θερμοκρασίας. Κατά συνέπεια, είναι δυνατό να προσδιορίσει το χαλαρό χώμα που ήταν ενδεχομένως προϊστορικός γεωργικός τομέας ή που καλύπτει τώρα τις θαμμένες καταστροφές. Σε πολλές περιπτώσεις, οι θαμμένες δομές μπορούν να ανιχνευθούν στις υπέρυθρες φωτογραφίες και τις εικόνες που καθορίζουν καλύτερα τα σχέδια τοπίων και τη ζωτικότητα της βλάστησης. Οι πολυφασματικοί αισθητήρες μπορούν να ανιχνεύσουν τάφρους γεμάτους με τα ιζήματα, δεδομένου ότι τα ιζήματα στις τάφρους περιέχουν περισσότερη υγρασία και οι θερμοκρασίες τους είναι διαφορετικές στο γειτονικό χώμα. Το έδαφος επάνω από έναν θαμμένο πέτρινο τοίχο μπορεί για παράδειγμα να είναι ελαφρώς θερμότερη από την περιβάλλουσα έκταση επειδή η πέτρα απορροφά περισσότερη θερμότητα. Ο κρυμμένος ή καταρρεσμένος τοίχος μπορεί να έχει μια ζώνη μολυσμένου υλικού, όπως το κονίαμα, ο άργιλος, και τα τεμάχια βράχου ανθρακικού άλατος και τα τούβλα που έχουν τη διαφορετική ηλεκτρομαγνητική διασπορά αντανάκλασης, και οι ιδιότητες απορρόφησης που θα ανιχνευθούν από τα φάσματα που καταγράφονται στα δορυφορικά συστήματα. Στην περίπτωση των θαμμένων τοίχων, οι συμπαγείς πέτρες και το κονίαμα χαρακτηριστικά δεν αποθηκεύουν οποιοδήποτε νερό και το χώμα ξεραίνεται πολύ εύκολα. Αυτοί που περιτοιχίζουν τη διαμόρφωση των υλικών μπορούν να εκτεθούν με το όργωμα, οπότε σ'αυτή την περίπτωση απορροφούν και απεικονίζουν την ακτινοβολία από τον ήλιο, ο οποίος κάνει τους θαμμένους τοίχους να παρουσιάζονται φωτεινότεροι από τις περιβάλλουσες περιοχές μέσα από τις δορυφορικές εικόνες και τις αεροφωτογραφίες. Το ETM+ πανγχρωματικό κανάλι 8 (0.52-0.90 μm) από την υψηλή ανακλαστικότητα στην ορατή και υπέρυθρη φασματική περιοχή έχει υποβληθεί σε επεξεργασία για την αύξηση των υπολειμμάτων. Λόγω της πυκνής καλλιέργειας και της εκτενούς βλάστησης, δεν είναι δυνατό να ενισχυθούν οι αρχαιολογικές περιοχές με τη χρησιμοποίηση της κανονικής σύνθεσης RGB και της αναλογίες-καναλιών ψευδοχρωματικών εικόνων. Για να εξεταστεί αυτό το πρόβλημα, η ανάλυση κύριων τμημάτων (PCA), που ομαλοποιείται ο δείκτης βλάστησης διαφοράς (NDVI) και οι διαφορές μεταξύ PC2 και NDVI έχουν χρησιμοποιηθεί για να ενισχύσουν τις αρχαιολογικές περιοχές σε αυτήν την περιοχή. Λόγω του χαμηλού χωρικού ψηφίσματος ETM+ των στοιχείων για τη μεγάλης κλίμακας μελέτη και του απρόσιτου των υψηλότερων χωρικών στοιχείων ανάλυσης, έχουν χρησιμοποιηθεί σε αυτήν την μελέτη διαφορετικής ηλικίας αεροφωτογραφίες. Οι αεροφωτογρααφίες σκαναρίστηκαν σε μορφή jpg. Αυτά τα στοιχεία έχουν υποβληθεί σε επεξεργασία από τη χρησιμοποίηση υψιπερατού φίλτρου Laplacian , το τέντωμα ιστογράμμων, τα υπολείμματα χρώματος, και τα ημι-κρυμμένα χαρακτηριστικά γνωρίσματα.
 
Αποτελέσματα 
Υπάρχει ένα κατάλοιπο που σχηματίζει καμπυλωτή γραμμή στην πλαγιά του όρους Rahmat (εικ.3), που μπορεί να αναπαριστά ένα τοίχος που κάποτε περιέβαλλε είτε την πόλη Parse ή το σύμπλεγμα της Περσέπολης. Αυτά τα κατάλοιπα αποτελούνται από τους λίθους, το κονίαμα, το αμμοχάλικο, και τον άργιλο βράχου. Η θέση των αρχαίων καταστροφών έχει ανιχνευθεί βασισμένη στη νέα περιβαλλοντική αποκατάσταση. Για την ανίχνευση αυτού του τοίχους αναλύθηκαν οι αεροφωτογραφίες και τα τηλεσκοπικά δεδομένα.
 
[[Εικόνα:garg_laplace_3_12.jpg|right|thumb||Εικόνα 3 : Εικόνα Landsat ETM+, κανάλι 8. Τα χρώματα μωβ-πράσινο-κίτρινο αποδίδονται στα αρχαιολογικά κατάλοιπα κατασκευών που έχουν καταρρεύσει., [http://faculty.ksu.edu.sa/archaeology/Publications/Remote%20sensing/Identifying%20the%20boundaries%20of%20the%20historical%20site%20of%20Persepolis%20using%20remote%20sensing.pdf]πηγή]]
 
Εφαρμόσθηκε ανεπίβλεπτη ταξινόμηση και χρησιμοποιήθηκε το λογισμικό ENVI [http://www.marathondata.gr/products/itt.htm] για την ανάλυση εικόνας. Οι αεροφωτογραφίες και οι επεξεργασμένες εικόνες ΕΤΜ υποδεικνύουν ότι υπάρχει αλλαγή στον τόνο του χώματος που σχετίζεται με ελάχιστη τοπογραφική άνοδο και υλικά κατασκευών που έχουν καταρρεύσει πάνω σε θαμμένες δομές. Αυτή η διαφορά παράγει μερικά αδύνατα γραμμικά σχέδια με μικρά σημεία της χαοτικής σύστασης. Αυτά τα σημεία θα μπορούσαν να αφορούν κατάλοιπα των πύργων φρούρησης κατά μήκος του τοίχου του παλατιού, όπου ένα τμήμα από αυτά είναι ορατό στη βουνοπλαγιά, στο βόρειο τμήμα της περιοχής. Η κοιλάδα Farvardin στην οποία βρίσκονται η πόλη Parse και η Περσέπολις αποτελεί εντατική ζώνη καλλιέργειας, που ελέγχεται από την εύφορη εδαφολογική κάλυψη και το σύστημα άρδευσης, με αποτέλεσμα να κρύβονται τα ιστορικά κατάλοιπα λόγω του υψηλού περιεχομένου βιομάζας. Για να λυθεί αυτό το πρόβλημα, το ΕΤΜ+ παγχρωματικό κανάλι 8 έχει υποβληθεί σε επεξεργασία για να ενισχύσει τον ασβεστόλιθο στο στρώμα του βράχου, το μικτό τεμάχιο βράχου, και τον πίνακα λάσπης στα αρχαιολογικά υπολείμματα στην υψηλότερη χωρική ανάλυση.
 
[[Εικόνα:garg_laplace_4_12.jpg|right|thumb||Εικόνα 4 : Ψευδοχρωματική σύνθετη εικόνα υποδεικνύει κάποιες καλυμμένες άγνωστες αρχαιολογικές τοποθεσίες, καθώς και την Περσέπολη, [http://faculty.ksu.edu.sa/archaeology/Publications/Remote%20sensing/Identifying%20the%20boundaries%20of%20the%20historical%20site%20of%20Persepolis%20using%20remote%20sensing.pdf]πηγή]]
 
Η εικόνα 4 δείχνει το αποτέλεσμα αυτής της ανάλυσης. Στο σημείο Α, το κατάλοιπο του τοίχους φρούρησης φαίνεται καθαρά. Παρόμοια χαρακτηριστικά βλέπουμε στα σημεία Β και C. Στην εικόνα 5a, που προέλυψε από την επεξεργασία της αντίστοιχης αεροφωτογραφίας (1950), διάφορες τοποθεσίες έχουν ενισχυθεί, όπως το κέντρο της Περσέπολης (F). H ζώνη επιρροής της Περσέπολης παρουσιάζεται με κόκκινο χρώμα. Η εικόνα 5b, που προέκυψε από την επεξεργασία της αεροφωτογραφίας του 1970, υποδεικνύει σοβαρές ζημιές και παραμορφώσεις στην τοποθεσία λόγω του εορτασμού των 2500 ετών της ιρανικής αυτοκρατορίας το 1971 και λόγω της παραπλάνησης στον καθορισμό της ουδέτερης ζώνης της Περσέπολης.
 
[[Εικόνα:garg_laplace_5a_12.jpg|right|thumb||Εικόνα 5a : Εικόνα που έχει προκύψει από την εφαρμογή μεθόδου Laplace 5x5 (convolution) σε αεροφωτογραφία (1957). Το κόκκινο και το σκούρο μπλε και πράσινο χρώμα αντιστοιχεί σε αρχαιολογικά κατάλοιπα. Τα σημεία (A,B,C,D,E..) αντιστοιχούν σε κατάλοιπα των αρχαίου τοίχους φρούρησης και των πύργων, [http://faculty.ksu.edu.sa/archaeology/Publications/Remote%20sensing/Identifying%20the%20boundaries%20of%20the%20historical%20site%20of%20Persepolis%20using%20remote%20sensing.pdf]πηγή]]
 
 
[[Εικόνα:garg_laplace_5b_12.jpg|right|thumb||Εικόνα 5b : Εικόνα που έχει προκύψει από την επεξεργασία αεροφωτογραφίας (1970). Τα κυκλικά σημεία και τα γραμμικά χαρακτηριστικά αντιστοιχούν στους πύργους και στο τοίχος. Το κίτρινο χρώμα αποδίδεται (αρ.1-34) στα κατάλοιπα επαναδουλευμένων πετρωμάτων όπως αυτά κατανέμονται στους αγρούς, [http://faculty.ksu.edu.sa/archaeology/Publications/Remote%20sensing/Identifying%20the%20boundaries%20of%20the%20historical%20site%20of%20Persepolis%20using%20remote%20sensing.pdf]πηγή]]
 
Και οι δύο εικόνες εμφανίζουν το γραμμικό χαρακτηριστικό που υποδεικνύει την ύπαρξη τοίχους και κάποια σημεία που υποδεικνύουν την ύπαρξη των πύργων φρούρησης. Οι αρχικές αεροφωτογραφίες και η σχετική επεξεργασμένη εικόνα αντιπροσωπεύουν τα κατάλοιπα του γραμμικού χαρακτηριστικού γνωρίσματος που εκφράζει τον αρχαίο τοίχο φρουράς και τα τονισμένα σημεία που μοιάζουν με στη θέση των παρατηρητηρίων που περιβάλλουν την Περσέπολη. Από την επεξεργασία και την ανάλυση των αεροφωτογραφιών και των δορυφορικών εικόνων, επισημαίνονται μερικά χαρακτηριστικά γνωρίσματα και κάποια διασκορπισμένα σημεία που δείχνουν την ανώμαλη σύσταση και τον τόνο σε ορισμένα σχέδια που αντιπροσωπεύουν έναν τοίχο και τα παρατηρητήρια φρουράς.
 
[[Εικόνα:garg_laplace_6_12.jpg|right|thumb||Εικόνα 6 : Χάρτης της θέσης του τοίχους και των πύργων φρούρησης που περιβάλλουν την Περσέπολη, [http://faculty.ksu.edu.sa/archaeology/Publications/Remote%20sensing/Identifying%20the%20boundaries%20of%20the%20historical%20site%20of%20Persepolis%20using%20remote%20sensing.pdf]πηγή]]
 
Τα χαρακτηριστικά που αντιστοιχούν στο τοίχος και τους πύργους έχουν ορθογώνιο σχήμα. Ύστερα από την ανάλυση των εικόνων προκύπτουν 34 κυκλικά σημεία με διαφορετικά μεγέθη, όπου 17 είναι τοποθετημένα στα λοφώδη ανατολικά και βόρεια σημεία, και τα άλλα 17 είναι διασκορπισμένα στην πεδιάδα (εικ.6). Φαίνεται
ότι το μέγεθος και το σχέδιο των παρατηρητηρίων ήταν σχεδιασμένο και κατασκευασμένο σύμφωνα με την αμυντική χρήση τους.
 
Συμπεράσματα 
Αυτή η μελέτη πραγματοποιήθηκε χρησιμοποιώντας στοιχεία τηλεπισκόπησης και ασπρόμαυρες αεροφωτογραφίες , με περιορισμένη φασματική και χωρική ανάλυση. Τα υψηλής ανάλυσης τηλεπισκοπικά δεδομένα και η υπερφασματική επισκόπιση μπορούν να συνταυτιστούν με άλλους τύπους αρχαιολογικών δεδομένων για την καλύτερη ανάλυση και κατανόηση των χαρακτηριστικών τους, των προτύπων τους, της συσχέτισής τους κτλ. Για τον ακριβή προσδιορισμό του συστήματος άρδευσης, των προτύπων των οικισμών και της κοινωνικής ζωής, όπως αντικατοπτρίζονται στο πλαίσιο της Περσέπολης, χρειάζονται εκτενέστερες επιφανειακές και υπο-επιφανειακές έρευνες. Η χρήση νέων γεωφυσικών και φασματικών τεχνικών είναι απαραίτητη για τον προσδιορισμό της έκτασης, της αρχιτεκτονικής δομής και των προτύπων δόμησης του αρχαίου πολιτισμού περιφερειακά της Περσέπολης. Οι εν λόγω έρευνες μπορούν να διαλευκάνουν πολλές πλευρές της αχαιμενικής περιόδου και των σταδίων κατασκευής της Περσέπολης.

Προσδιορισμός των ορίων της ιστορικής τοποθεσίας της Περσέπολης χρησιμοποιώντας μεθόδους ψηφιακής τηλεπισκόπησης

2011-03-16T10:00:02Z

Argyropoulou Grigoria:

Οδική ανίχνευση από δορυφορικές εικόνες υψηλών και χαμηλών αναλύσεων

2011-03-16T09:58:04Z

Argyropoulou Grigoria:

[[category:Ψηφιακή Τηλεπισκόπηση]]

Οδική ανίχνευση από δορυφορικές εικόνες υψηλών και χαμηλών αναλύσεων 
Πρωτότυπος τίτλος : ROAD DETECTION FROM HIGH AND LOW RESOLUTION SATELLITE IMAGES.Πηγή : R.Gecen, G.Sarp, The International Archives of the Photogrammetry, Remote Sensing and Spatial Information Sciences. Vol. XXXVII. Part B4. Beijing 2008.
[http://www.isprs.org/proceedings/XXXVII/congress/4_pdf/62.pdf]
 
 Περίληψη 
Η εξαγωγή οδικού δικτύου από δορυφορικές εικόνες αποτελούν τα τελευταία χρόνια αντικείμενο έρευνας. Χρησιμοποιείται ειδικά στον προγραμματισμό πόλεων, στη χαρτογραφία και στην ενημέρωση ήδη ανιχνευμένων δρόμων στο γεωγραφικό συστημάτων πληροφοριών (GIS). Έχουν προταθεί πολλοί τρόποι της οδικής εξαγωγής και διαφέρουν μεταξύ τους λόγω των διαφορετικών στρατηγικών τους, τον τύπο και την ανάλυση των εικόνων εισαγωγής, τις διαμορφώσεις του πειράματος, τους τρόπους της επεξεργασίας τις γενικές υποθέσεις, κ.λπ. Τα κύρια πλεονεκτήματα της αυτόματης οδικής εξαγωγής είναι η δυνατότητά της ομοιόμορφης προσέγγισης στις διαφορετικές εικόνες, η εκτέλεση των διαδικασιών επεξεργασίας σε σύντομο χρονικό διάστημα και η δυνατότητά εξαγωγής δρόμων που δεν αναγνωρίζονται από το ανθρώπινο μάτι.
Στην ημι-αυτοματοποιημένη μέθοδο εξαγωγής, οι δρόμοι εξάγονται από τη δορυφορική εικόνα με τη χρησιμοποίηση της οπτικής ερμηνείας. Υπάρχουν διάφορες τεχνικές αύξησης της εικόνας που συμβάλλουν στην ημι-αυτοματοποιημένη οδική εξαγωγή όπως το φιλτράρισμα, η ταξινόμηση, οι λόγοι καναλιών. Ο Zheng και οι λοιποί (1998), ανίχνευσαν δρόμους από δορυφορικές εικόνες με τη διαδικασία φιλτραρίσματος και την ανίχνευση ακμών. Η ανάλυση των δορυφορικών εικόνων έχει σημαντική επίδραση στην ανίχνευση των δρόμων ή άλλων αντικειμένων που καλούνται για διάκριση. Οι εικόνες που έχουν διαφορετική ανάλυση περιλαμβάνουν διαφορετικούς τύπους δρόμων. Σε μια εικόνα χαμηλής ανάλυσης, οι δρόμοι απεικονίζονται ως μια μοναδική γραμμή ενώ στις εικόνες υψηλής ανάλυσης οι δρόμοι έχουν συγκεκριμένο πλάτος και τα pixels είναι τοποθετημένα και στις δύο πλευρές του δρόμου και έχουν ανομοιόμορφο σχέδιο λόγω της ύπαρξης των δέντρων, των αυτοκινήτων και των σπιτιών κατά μήκος των δρόμων.
Στόχος αυτής της μελέτης είναι να ανιχνευθούν οι δρόμοι στις αστικές περιοχές από τις δορυφορικές εικόνες με διαφορετικές αναλύσεις με τη χρησιμοποίηση των αυτοματοποιημένων και ημιαυτόματων μεθόδων και να ερευνηθεί η επιρροή της ανάλυσης σχετικά με την οδική εξαγωγή. Η μελέτη που αυτοματοποιείται στην τεχνική οδικής εξαγωγής εφαρμόζεται σε τέσσερις διαφορετικές δορυφορικές εικόνες (SPOT, IKONOS, QUICKBIRD, ASTER) με διαφορετικές αναλύσεις που ανήκουν στην πόλη της Άγκυρας στην Τουρκία. Κατά αυτόν τον τρόπο οι δρόμοι εξάγονται από αυτές τις τέσσερις δορυφορικές εικόνες χωριστά. Τέλος, η ακρίβεια των αποτελεσμάτων εξετάστηκε με το στρώμα στοιχείων GIS που αντιπροσωπεύει την πραγματικότητα.

 
Η περιοχή μελέτης-Τηλεπισκοπικά δεδομένα 
Η μελέτη πραγματοποιήθηκε στην δυτική Άγκυρα, την πρωτεύουσα της Τουρκίας, σε επιφάνεια 6km² (εικ.1). Χρησιμοποιήθηκαν πέντε διαφορετικές δορυφορικές εικόνες με διαφορετική ανάλυση και διαφορετικά χαρακτηριστικά (QUICKBIRD 2.4 m, IKONOS 4 m, SPOT-PAN 10 m, ASTER 15 m και LANDSAT-ETM 30 m.) και οι δρόμοι προσπάθησαν να ανιχνευθούν χρησιμοποιώντας αυτοματοποιημένες ή ημι-αυτόματες μεθόδους.
 
[[Εικόνα:garg_sobel-prewitt_1_13.jpg|right|thumb||Εικόνα 1 :Άγκυρα, Τουρκία. Περιοχή μελέτης, [http://www.isprs.org/proceedings/XXXVII/congress/4_pdf/62.pdf]πηγή]]
 
Μεθοδολογία 
Αρχικά θα αναφερθούμε στις αυτοματοποιημένες μεθόδους. Υπάρχουν αρκετές διαφορετικές μέθοδοι αυτοματοποιημένης εξαγωγής οδικού δικτύου από εικόνες. Γενικά, η αυτοματοποιημένη εξαγωγή δρόμων, αποτελείται από τέσσερα διαφορετικά βήματα: εστίαση στους δρόμους (sharpening), εντοπισμός δρόμων, σχεδιασμός δρόμων και συσχετισμός με άλλους εξαγώμενους δρόμους. Αυτή η μελέτη αυτοματοποίησε την οδική εξαγωγή που πραγματοποιήθηκε με τη χρησιμοποίηση της ενότητας γραμμών του λογισμικού PCI Geomatica [http://www.pcigeomatics.com/] (εικ.2). Σύμφωνα με τα αυτοματοποιημένα αποτελέσματα εξαγωγής, οι δρόμοι μέσω των γυμνών αγροτικών περιοχών θα μπορούσαν να ανιχνευθούν ευκολότερα και ακριβέστερα. Αυτό συμβαίνει λόγω της βασικής και κανονικής δομής των δρόμων σε γυμνές αγροτικές περιοχές και λόγω του ότι είναι μακριά από τακτοποιήσεις. Σε μια υψηλής ανάλυσης εικόνα, η αυτοματοποιημένη ανίχνευση δρόμων είναι ιδιαίτερα πολύπλοκη. Αυτό οφείλεται στη μη γραμμική και ανομοιόμορφη δομή και στις σκιές των κτιρίων γύρω από αυτούς τους δρόμους. Σε μια εικόνα χαμηλής ανάλυσης, το μέγεθος του pixel θα μπορούσε να είναι μεγαλύτερο από το πλάτος του δρόμου, έτσι όσο χαμηλότερη είναι η ανάλυση της εικόνας τόσο δυσκολότερο είναι να ανιχνεύσει τους δρόμους.
 
[[Εικόνα:garg_sobel-prewitt_2_13.jpg|right|thumb||Εικόνα 2 :Εξαγωγή δρόμων, διαφορετικών δορυφορικών εικόνων με χρήση αυτοματοποιημένων μεθόδων, [http://www.isprs.org/proceedings/XXXVII/congress/4_pdf/62.pdf]πηγή]]
 
Στην ημι-αυτόματη εξαγωγή δρόμων, τα πράγματα είναι λίγο διαφορετικά. Όσον αφορά το φιλτράρισμα. Η χωρική συχνότητα περιγράφεται ως αριθμός παραλλαγών μεταξύ των τιμών των pixels σε μια συγκεκριμένη περιοχή πέρα από το σύνολο δεδομένων ράστερ. Εάν αυτή η παραλλαγή είναι χαμηλή από ότι η εικόνα μπορεί να περιγραφεί ως χαμηλής συχνότητας εικόνα, ή εάν η παραλλαγή είναι υψηλή, τότε η εικόνα περιγράφεται ως εικόνα υψηλής συχνότητας. Τα υψιπερατά φίλτρα χρησιμοποιούνται για την αύξηση της χωρικής συχνότητας των εικόνων ενώ τα χαμηλής διέλευσης φίλτρα χρησιμοποιούνται για τη μείωση ή την καταστολή της χωρικής συχνότητας των εικόνων. Στο φιλτράρισμα επεξεργάζεται κάθε pixel που αξιολογείται με τον ιδιαίτερο αριθμό γειτονικών του pixels και εξαρτάται από το βάρος που η νέα αξία κάθε pixel υπολογίζεται και ορίζεται έπειτα σε καθένα. Σε αυτήν την μελέτη προκειμένου να επιλεγούν τα φίλτρα ανίχνευσης οδικών ακμών που είναι οι τύποι υψιπερατών φίλτρων (Prewitt και Sobel), διευθύνονται στις δορυφορικές εικόνες διαφορετική χωρική ανάλυση. Κατά αυτόν τον τρόπο η χωρική συχνότητα κάθε εικόνας αυξήθηκε και έτσι οι δρόμοι τονίστηκαν και εξήχθησαν έπειτα από κάθε εικόνα (εικ.3)
 
[[Εικόνα:garg_sobel-prewitt_3_13.jpg|right|thumb||Εικόνα 3 :Εφαρμογή των υψιπερατών φίλτρων Sobel, Prewitt στις δορυφορικές εικόνες, [http://www.isprs.org/proceedings/XXXVII/congress/4_pdf/62.pdf]πηγή]]
 
Σύμφωνα με τα αποτελέσματα των διαδικασιών, στις εικόνες υψηλής ανάλυσης όπως αυτές των Quickbird και Ikonos όπου οι κύριοι και δευτεροβάθμιοι δρόμοι ανιχνεύονται ακριβέστερα, ενώ στις εικόνες χαμηλής ανάλυσης (Spot, Aster and Landsat-ETM) οι λεπτομέρειες μειώνονται και η ανίχνευση των δρόμων γίνεται δυσκολότερη, επομένως σε κάποια περιοχή μπόρεσαν να ανιχνευθούν μόνο οι κύριοι δρόμοι. (Λεπτομέρειες για τη διαδικασία της ταξινόμησης θα βρείτε εδώ: http://www.isprs.org/proceedings/XXXVII/congress/4_pdf/62.pdf)
 
Αποτελέσματα 
Τα αποτελέσματα και τα συμπεράσματα μπορούμε να να συνοψίσουμε ως εξής:
1)Πολλά αντικείμενα που μπορούν να αναγνωριστούν από υψηλής ανάλυσης εικόνες δεν μπορούν να ανιχνευθούν ευδιάκριτα σε χαμηλής ανάλυσης εικόνες. 2)Σε μια εικόνα χαμηλής ανάλυσης οι δρόμοι μπορούν να εξαχθούν χρησιμοποιώντας τις βασικές μεθόδους αλλά τα αποτελέσματα έχουν χαμηλή ακρίβεια. 3)Σε μια εικόνα υψηλής ανάλυσης μπορούν να ληφθούν πολλές λεπτομεριακές πληροφορίες και οι δρόμοι μπορούν να ανιχνευθούν με καλύτερη ακρίβεια. Εντούτοις οι σύνθετες μέθοδοι απαιτούνται για αυτήν την διαδικασία. 4) Τέλος, η ακρίβεια της οδικής εξαγωγής από τις εικόνες υψηλής ανάλυσης είναι καλύτερη από αυτές της χαμηλής ανάλυσης.

Μια τεχνική φιλτραρίσματος για το σημείο ενδιαφέροντος προκειμένου να βελτιωθεί η επαναληπτικότητα και η εμπεριεχόμενη πληροφορία

2011-03-16T09:55:58Z

Argyropoulou Grigoria:

[[category:Ψηφιακή Τηλεπισκόπηση]]

Μια τεχνική φιλτραρίσματος για το σημείο ενδιαφέροντος προκειμένου να βελτιωθεί η επαναληπτικότητα και η εμπεριεχόμενη πληροφορία 
Πρωτότυπος τίτλος : A Filtering Strategy for Interest Point Detecting
to Improve Repeatability and Information Content.Πηγή : Qing Zhu, Bo Wu, and Neng Wan, Photogrammetric Engineering & Remote Sensing
Vol. 73, No. 5, May 2007, pp. 547–553.
[http://www.lsgi.polyu.edu.hk/staff/Bo.Wu/publications/zhu&wu07_pe&rs_filtering.pdf]
 
Περίληψη 
Η εξαγωγή των χαρακτηριστικών γνωρισμάτων παίζει σημαντικό ρόλο στον τομέα της αντιστοίχησης των εικόνων, της περιγραφής των αντικειμένων, στην εκτίμηση της μετακίνησης και στην παρακολούθηση των αντικειμένων στο χώρο. Τα σημεία ενδιαφέροντος είναι τα απαραίτητα στοιχεία μιας εικόνας αφού ένα σημείο ενδιαφέροντος αφορά ένα οποιοδήποτε διακριτό σημείο στην εικόνα όπου το σήμα αλλάζει βάσει δύο διαστάσεων. Στην ανάλυση της εικόνας και στην στερεοσκοπική παρατήρηση, είναι ιδιαίτερα σημαντική η επιλογή ενός ανιχνευτή-σημείου ενδιαφέροντος για να εξετάσει τις διαφορετικές απαιτήσεις της εφαρμογής. Με σκοπό τη στερεοσκοπική αντιστοίχηση των εικόνων και την επόμενη τρισδιάστατη αναδημιουργία, εξετάστηκε λεπτομερώς στο παρελθόν κατά την επιλογή ενός ανιχνευτή-σημείου ενδιαφέροντος η ακρίβεια ανίχνευσης της αποδοτικότητας και της θέσης. O Schmid et all (2000), επισήμαναν ότι η επιλογή ενός ανιχνευτή σημείου ενδιαφέροντος πρέπει να βασιστεί στο περιεχόμενό της επαναληπτικότητας και των πληροφοριών που περιλαμβάνει. (Περισσότερες πληροφορίες σχετικά με την επαναληπτικότητα και τις εμπεριεχόμενες πληροφορίες θα βρείτε εδώ:http://www.lsgi.polyu.edu.hk/staff/Bo.Wu/publications/zhu&wu07_pe&rs_filtering.pdf).Η επαναληπτικότητα των σημείων ενδιαφέροντος καθορίζει την αξιοπιστία της αντιστοιχίας, ενώ το περιεχόμενο των πληροφοριών δείχνει τη σημασία των σημείων ενδιαφέροντος στην τρισδιάστατη αναδημιουργία του αντικειμένου. Στις δορυφορικές εικόνες και στις αεροφωτογραφίες μεγάλης κλίμακας, πολλά σημεία χαμηλού ενδιαφέροντος μπορούν να εντοπιστούν από τον ανιχνευτή Harris σε εικόνες με χαμηλή υφή και μερικά σημαντικά σημεία με χαμηλό ενδιαφέρον μειώνουν την επαναληπτικότητα και το περιεχόμενο των πληροφοριών ενώ αυξάνει τη πιθανότητα κακής αντιστοιχίας και μειώνει την αποδοτικότητα της αντιστοιχίας της επόμενης εικόνας. Παρότι μερικές βελτιωμένες μέθοδοι του ανιχνευτή Harris όπως αυτή των Mikolajczk και Schmid (2004)προτείνονται για να ενισχύσουν τη σταθερότητά του στην κλίμακα και να καθαρίσει τους μετασχηματισμούς, η ανίχνευση των ενδιαφερόντων σημείων με καλή επαναληπτικότητα και πληροφορία για τη στερεοσκοπική αντιστοιχία και τη τρισδιάστατη αναδημιουργία δεν μελετάται λεπτομερώς. Αυτό το έγγραφο προτείνει μια μέθοδο φιλτραρίσματος σχετική με τα τοπικά χαρακτηριστικά γνωρίσματα της υφής της εικόνας για να διαλέξει εκείνα τα σημεία που θα μειώσουν το γενικό περιεχόμενο επανάληπτικότητας και πληροφοριών. Αυτή η μέθοδος λαμβάνει υπόψη και τη δύναμη ενδιαφέροντος και συγχρόνως το τοπικό χαρακτηριστικό γνώρισμα του σημείου ενδιαφέροντος. Παρουσιάζεται μια διατύπωση φιλτραρίσματος για να υπολογίσει την απάντηση κάθε pixel και έπειτα ένα κατώτατο όριο σχεδιάζεται για επιλογή των σημείων ενδιαφέροντος. Αυτό το έγγραφο έχει δύο συνεισφορές. Κατ' αρχάς, περιγράφονται οι έννοιες της επαναληπτικότητας και του περιεχομένου της πληροφορίας όπως εφαρμόζεται στην ανίχνευση του σημείου ενδιαφέροντος του στερεοζεύγους, και στο επόμενο μέρος συγκρίνει αρκετούς χαρακτηριστικούς ανιχνευτές, οι οποίοι περιλαμβάνουν τις παραδοσιακές και ενημερωμένες μεθόδους, και παρουσιάζουν τα αποτελέσματα σύγκρισης στο περιεχόμενο επανάληψης και πληροφοριών χρησιμοποιώντας τις τυποποιημένες εικόνες δοκιμής. Η δεύτερη συμβολή είναι με τη χρησιμοποίηση του χαρακτηριστικού γνωρίσματος ανάλυσης της εικόνας βασισμένη στην εντροπία των πληροφοριών όπου μια μέθοδος φιλτραρίσματος επιλέγει τα σημεία ενδιαφέροντος σχετικά με το τοπικό χαρακτηριστικό γνώρισμα εικόνας.
 
Τηλεπισκοπικά δεδομένα 
Στη μελέτη αυτή, χρησιμοποιούνται τρία στερεοζεύγη εικόνων, των οποίων κάποιες ιδιότητες είναι ίδιες, το μέγεθός τους είναι 1000x1000 pixels, η κλίμακα είναι 1:10.000, η επικάλυψη είναι 65%, αλλά διαφέρουν σημαντικά στην πολυπλοκότητα υφής. Τα πειράματα πραγματοποιούνται σε αυτά τα στερεοζεύγη για να συγκριθούν με τους ανιχνευτές Moravec, Förstner, Harris, τη μέθοδο DOG, τον ανιχνευτή Harris-Laplace, για να αναλυθεί η επαναληπτικότητα και το περιεχόμενο της πληροφορίας των εξαγώμενων σημείων ενδιαφέροντος. Στα πειράματα αυτά, το όριο της παραμέτρου του ανιχνευτή Moravec και Förstner έχουν επιλεγεί σύμφωνα με τις τιμές που έχουν συστηθεί από τον Moravec (1977) και Förstner (1994) και είναι οι εξής: η παράμετρος σ του Gaussian weight template in Harris είναι 0.5, a equal to 0.04, και η μάσκα φιλτραρίσματος είναι 5x5. Όσον αφορά τη μέθοδο DOG (difference-of-Gaussian), συμμετέχουν δύο οκτάδες, με τέσσερις επιλεγμένες κλίμακες σε κάθε οκτάδα. Ο απλουστευμένος αλγόριθμος Mikolajczk and Schmid (2004) χρησιμοποιείται για να ολοκληρώσει τον ανιχνευτή Ηarris-Laplace.
 
Μεθοδολογία 
Τα σημεία ενδιαφέροντος που είναι ανιχνευμένα από τον ανιχνευτή Harris-Laplace μπορούν να φιλτραριστούν χρησιμοποιώντας το μέγεθος της δύναμης ενδιαφέροντος τους. Εντούτοις, δεν θα μελετηθεί λεπτομερώς ο αριθμός των σημείων ενδιφέροντος που παραλείπονται και η μέθοδος καλού καθορισμού σημείων. ενδιαφέροντος. Αυτό γίνεται αναγκαίο στις μεγάλες κλίμακες αεροφωτογραφιών ή δορυφορικών εικόνων που πρέπει να αντιστοιχηθούν. Η πληροφορία σχετικά με την εντορπία [http://el.wikipedia.org/wiki/%CE%95%CE%BD%CF%84%CF%81%CE%BF%CF%80%CE%AF%CE%B1] γενικά χρησιμοποιείται στην κατανόηση και την ανάλυση της εικόνας. Οι Kadir and Brady (2001) χρησιμοποίησαν την πληροφορία αυτή για να πάρουν μια εμφανή περιοχή, ενώ αυτό το έγγραφο την χρησιμοποιεί για να περιγράψει το τοπικό χαρακτηριστικό γνώρισμα της εικόνας. Η διακριτική ικανότητα του σημείου ενδιαφέροντος δεν σχετίζεται μόνο με τη ισχύ του βάσει όλης της εικόνας αλλά και με τα τοπικά χαρακτηριστικά του σημείου. Έτσι χρησιμοποιείται μια στρατηγική πλέγματος για να χαρακτηριστεί αυτό το είδος των τοπικών χαρακτηριστικών. Για να σχεδιάσουμε ένα πλέγμα σε μια εικόνα με ρυθμισμένη ανάλυση, παίζει ρόλο η εντροπία η οποία και περιγράφει τα χαρακτηριστικά γνωρίσματα του κάθε κελιού του πλέγματος. Έτσι ολόκληρη η εικόνα έχει μετατραπεί σε ένα πίνακα εντροπιών όπου κάθε κελί του περιγράφει διφορετική εντροπία κι έτσι ο πίνακας περιγράφει όχι μόνο τα γενικά χαρακτηριστικά της εικόνας αλλά και τα τοπικά. (Περισσότερες πληροφορίες για το σχέδιο εισαγωγής της εντροπίας θα βρειτε εδώ: http://www.lsgi.polyu.edu.hk/staff/Bo.Wu/publications/zhu&wu07_pe&rs_filtering.pdf).
 
[[Εικόνα:garg_harrislaplace_1_14.jpg|right|thumb||Εικόνα 1 :Παρουσίαση εικόνας σε αρχική μορφή, μορφή πλέγματος 30x40, ταξινομημένη εικόνα. [http://www.lsgi.polyu.edu.hk/staff/Bo.Wu/publications/zhu&wu07_pe&rs_filtering.pdf]πηγή]]
Η Εικόνα 1a προβάλλεται σε ένα πλέγμα με ανάλυση 30x40 (εικόνα 1b), και υπολογίζεται έπειτα η εντροπία κάθε κελιού. Οι διαφορετικές γκρίζες τιμές χρησιμοποιούνται για να δείξουν τη διαφορά της εντροπίας των κελιών, όπου ο ανοιχτός τόνος αντιπροσωπεύει την υψηλή εντροπία, και ο σκούρος τόνος δείχνει τη μικρή εντροπία, δίνοντας μια ταξινομημένη ,βάσει των χαρακτηριστικών της, εικόνα (Eικ.1c). Από την Eικόνα 1c, η εντροπία του κάθε κελιού μπορεί να χρησιμοποιηθεί για να αναλύσει κατάλληλα τα χαρακτηριστικά των εικόνων. Όταν χρησιμοποιείται ένας πίνακας εντροπίας προκειμένου να αναλυθούν τα χαρακτηριστικά η ακρίβεια συσχετίζεται προφανώς με την ανάλυση του πλέγματος. Όσο μεγαλύτερη είναι η ανάλυση του πλέγματος, τόσο πιο ακριβή είναι τα χρακτηριστικά της εικόνας και επομένως η επεξεργασία των πινάκων εντροπίας θα ήταν πιό χρονοβόρα. Με δοκιμαστικές ενέργειες, αποδεικνύει ότι για μια εικόνα 256x256 pixel είναι κατάλληλα να χρησιμοποιηθούν τα κελιά πλέγματος 16x16 pixels. Μετά την ανάλυση τα χαρακτηριστικά της εικόνας χρησιμοποιώντας την τοπική εντροπία των κελιών μπορούμε να θεωρήσουμε όλα τα σημεία (pixels) σε ένα κελί ως το ίδιο τοπικό χαρακτηριστικό γνώρισμα. Στον ανιχνευτή Harris-Laplace, τα βασικό κριτήριο ανίχνευσης ενός σημείου ενδιαφέροντος είναι ότι η δύναμη αυτού του σημείου πρέπει να είναι η μέγιστη όλων των σημείων σε μια 5x5 (ή 3x3) μάσκα με το σημείο στο κέντρο της. Έτσι η σχετική με τα χαρακτηριστικά γνωρίσματα μέθοδος φίλτρων καθορίζεται ως εξής: <math>Εισαγωγή τύπου εδώ</math> , όπου το ''Ν'' είναι ο αριθμός των σημείων στο πίνακα της μάσκας και το''S[i]'' είναι η ισχύς του σημείου i υπολογίζοντας την εξίσωση 4 που θα βρέιτε εδώ:[http://www.lsgi.polyu.edu.hk/staff/Bo.Wu/publications/zhu&wu07_pe&rs_filtering.pdf] Το ''F[i]'' είναι το τοπικό χαρακτηριστικό του σημείου ''i'' και το ''e'' και το ''Τ'' είναι σταθερές που καθορίζουν την ποικιλία των χαρακτηριστικών της εικόνας και των αριθμό των σημείων ενδιαφέροντος που έχουν επιλεγεί αντίστοιχα. Η σταθερά Τ σχετίζεται με το μέγεθος της μάσκας φιλτραρίσματος. Όταν το μέγεθος της μάσκας αυτής είναι 5x5 το Τ μπορεί να τεθεί στο [2,5], ενώ όταν πρόκειται για μέγεθος 3x3 τότε τίθεται στο [1,4] και έπειτα το ποσοστό μείωσης των σημείων ενδιαφέροντος είναι περίπου 25-50%. Η σταθερά e κυμένεται από 1-3 και σχετίζεται με την τοπική υφή της εικόνας, όσο πολυπλοκότερη η υφή της εικόνας τόσο μεγαλύτερη η αξία της. Οι τιμές των e και T είναι εμπειρικές τιμές που υπολογίζονται με βάση τα εκτενή πειράματα με τις διαφορετικές εικόνες, και μπορούν επίσης να καθοριστούν από τους χρήστες σύμφωνα με τις απαιτήσεις τους.
 
[[Εικόνα:garg_harrislaplace_2_14.jpg|right|thumb||Εικόνα 2 :Εικόνες με τα σημεία ενδιαφέροντος από τον ανιχνευτή Harris-Laplace. [http://www.lsgi.polyu.edu.hk/staff/Bo.Wu/publications/zhu&wu07_pe&rs_filtering.pdf]πηγή]]
Στην εικόνα 2 φαίνονται τα διαφορετικά αποτελέσματα της ανίχνευσης των σημείων ενδιφέροντος με τις διαφορετικές στρατηγικές. Η εικόνα 2a είναι η αναφορά της εικόνας, η 2b παρουσιάζει τα σημεία ενδιαφέροντος ανιχνευμένα από τον ανιχνευτή Harris-Laplace χωρίς να έχουν φιλτραριστεί (ο αριθμός των σημείων ενδιφέροντος είναι 4.993). Η εικόνα 2c παρουσιάζει τα σημεία ενδιφέροντος μετά το φιλτράρισμα λαμβάνοντας υπόψη το τοπικό χαρακτηριστικό γνώρισμα της εικόνας (Τ=3.5, e= 1.5). Ο αριθμός σημείων ενδιαφέροντος είναι 3.637, δηλ. σχεδόν το 1/3 των αρχικών σημείων με τη χαμηλότερη δύναμη φιλτραρίστηκαν. Ο αριθμός των εναπομένοντων σημείων ενδιαφέροντος σε περιοχές χαμηλής υφής (όπως στην περιοχή παιδικών χαρών και λιμνών που μαρκάρονται με έναν κύκλο και μια έλλειψη, αντίστοιχα, στον αριθμό 2b) είναι αντίστοιχα μικρός, αλλά στις περιοχές καλής υφής (κοντά στους δρόμους και τα κτίρια), υπάρχουν περισσότερα σημεία ενδιαφέροντος που παραμένουνν μετά το φιλτράρισμα.
 
Ανάλυση αποτελεσμάτων 
Βάσει αυτής της στρατηγικής φιλτραρίσματος με τον ανιχνευτή Harris-Laplace αρκετά στερεοζεύγη της εικόνας (πίνακας 1 και εικόνα 3) αναλύονται, το στερεοζεύγος 5 μεταφορτώθηκε από τον επίσημο ιστοχώρο ISPRS [http://www.isprs.org/data/avenches/].
 
[[Εικόνα:garg_harrislaplace_3_14.jpg|right|thumb||Πίνακας 1 :Αποτελέσματα των πειραμάτων των στερεοζευγών. [http://www.lsgi.polyu.edu.hk/staff/Bo.Wu/publications/zhu&wu07_pe&rs_filtering.pdf]πηγή]]
 
[[Εικόνα:garg_harrislaplace_4_14.jpg|right|thumb||Εικόνα 3 :Στερεοζεύγη 5 και 6 της στρατηγικής φιλτραρίσματος. [http://www.lsgi.polyu.edu.hk/staff/Bo.Wu/publications/zhu&wu07_pe&rs_filtering.pdf]πηγή]]
Το όριο της αξιοπιστίας της αντιστοιχίας τίθεται στο 0.8 ώστε να εξασφαλίσει μια υψηλή αντιστοιχία ποιότητας και το μέγεθος κελιού είναι 100 για τον υπολογισμό του περιεχομένου πληροφοριών. Αφού έχουν αντιστοιχιθεί όλα τα απιτούμενα σημεία μπορεί έπειτα να ληφθεί το DSMs και 46 σημεία ελέγχου για κάθε στερεοζεύγος, επιλέγονται από έναν ψηφιακό φωτογραμμομετρικό τερματικό σταθμό, το μεγαλύτερος μέρος του οποίου εντόπιζεται στο έδαφος και χρησιμοποιούνται για να υπολογίσουν το λάθος μέσης τετραγωνικής τιμής (RMSE) με την παρεμβολή των τιμών ανύψωσης αυτών των σημείων ελέγχου από το παραγόμενο DSM. Τα αποτελέσματα του ανιχνευτή Harris-Standard, της μεθόδου DOG και των Harris-Laplace συγκρίνονται και παρουσιάζονται στον Πίνακα2.
 
[[Εικόνα:garg_harrislaplace_5_14.jpg|right|thumb||Πίνακας 2 :Αποτελέσματα πειραμάτων διαφορετικών ανιχνευτών. [http://www.lsgi.polyu.edu.hk/staff/Bo.Wu/publications/zhu&wu07_pe&rs_filtering.pdf]πηγή]]
Από τα πειράματα, ο ανιχνευτής Harris-Laplace στρατηγική φιλτραρίσματος σχετική με τα χαρακτηριστικά γνωρίσματα δίνει καλύτερα αποτελέσματα από άλλους ανιχνευτές από άποψη επαναληπτικότητας και περιεχομένου πληροφοριών, όπως στο στερεοζεύγος 4, το οποίο καλύπτει μεγάλη δασική περιοχή χαμηλής υφής και σύστασης νερού, η επαναληπτικότητα αυξάνεται από 18.63% του ανιχνευτή Harris-Laplace σε 23.93% και στη indistinctive και ομοιογενή υφή του στερεοζεύγους 6, η επανάληπτικότητα και το περιεχόμενο πληροφοριών αυξάνονται από 2.318% του ανιχνευτή Harris-Laplace σε 25.79% και 3.108% αντίστοιχα. Η πυκνότητα των σημείων αντιστοιχίας, είναι προτιμότερο να παραγάγει DSMS επειδή το RMSE των σημείων ελέγχου του ανιχνευτή Harris-Laplace με το φιλτράρισμα είναι επίσης καλύτερο από αυτό του ανιχνευτή Harris-Laplace, καθώς επίσης και καλύτερα από άλλα.
 
Συμπεράσματα 
Αυτό το άρθρο κατέληξε στα εξής συμπεράσματα: 1) Με σκοπό την αντιστοιχία του στερεοζεύγους και την τρισδιάστατη αναδημιουργία του αντικειμένου, η επαναληπτικότητα και το περιεχόμενο πληροφοριών είναι τα δύο σημαντικότερα κριτήρια κατά την αξιολόγηση των ανιχνευτών σημείου ενδιαφέροντος. 2)Ο ανιχνευτής Harris-Laplace αποδίδει καλύτερα στις πτυχές του περιεχομένου επαναληπτικότητας και πληροφοριών από άλλους ανιχνευτές στους τομείς της καλής υφής. 3)Ο ανιχνευτής Harris-Laplace με τη στρατηγική φιλτραρίσματος σχετικά με τα χαρακτηριστικά γνωρίσματα που παρουσιάζεται σε αυτό το έγγραφο όχι μόνο δίνει το καλύτερο περιεχόμενο επανάληπτικότητας και πληροφοριών από άλλους ανιχνευτές, αλλά είναι και καταλληλότερος για την αντιστοιχία στερεοζευγών εικόνας και για την επόμενη τρισδιάστατη αναδημιουργία.

Μια τεχνική φιλτραρίσματος για το σημείο ενδιαφέροντος προκειμένου να βελτιωθεί η επαναληπτικότητα και η εμπεριεχόμενη πληροφορία

2011-03-16T09:54:50Z

Argyropoulou Grigoria:

[[category:Ψηφιακή Τηλεπισκόπηση]]

Μια τεχνική φιλτραρίσματος για το σημείο ενδιαφέροντος προκειμένου να βελτιωθεί η επαναληπτικότητα και η εμπεριεχόμενη πληροφορία 
Πρωτότυπος τίτλος : A Filtering Strategy for Interest Point Detecting
to Improve Repeatability and Information Content.Πηγή : Qing Zhu, Bo Wu, and Neng Wan, Photogrammetric Engineering & Remote Sensing
Vol. 73, No. 5, May 2007, pp. 547–553.
[http://www.lsgi.polyu.edu.hk/staff/Bo.Wu/publications/zhu&wu07_pe&rs_filtering.pdf]
 
Περίληψη 
Η εξαγωγή των χαρακτηριστικών γνωρισμάτων παίζει σημαντικό ρόλο στον τομέα της αντιστοίχησης των εικόνων, της περιγραφής των αντικειμένων, στην εκτίμηση της μετακίνησης και στην παρακολούθηση των αντικειμένων στο χώρο. Τα σημεία ενδιαφέροντος είναι τα απαραίτητα στοιχεία μιας εικόνας αφού ένα σημείο ενδιαφέροντος αφορά ένα οποιοδήποτε διακριτό σημείο στην εικόνα όπου το σήμα αλλάζει βάσει δύο διαστάσεων. Στην ανάλυση της εικόνας και στην στερεοσκοπική παρατήρηση, είναι ιδιαίτερα σημαντική η επιλογή ενός ανιχνευτή-σημείου ενδιαφέροντος για να εξετάσει τις διαφορετικές απαιτήσεις της εφαρμογής. Με σκοπό τη στερεοσκοπική αντιστοίχηση των εικόνων και την επόμενη τρισδιάστατη αναδημιουργία, εξετάστηκε λεπτομερώς στο παρελθόν κατά την επιλογή ενός ανιχνευτή-σημείου ενδιαφέροντος η ακρίβεια ανίχνευσης της αποδοτικότητας και της θέσης. O Schmid et all (2000), επισήμαναν ότι η επιλογή ενός ανιχνευτή σημείου ενδιαφέροντος πρέπει να βασιστεί στο περιεχόμενό της επαναληπτικότητας και των πληροφοριών που περιλαμβάνει. (Περισσότερες πληροφορίες σχετικά με την επαναληπτικότητα και τις εμπεριεχόμενες πληροφορίες θα βρείτε εδώ:http://www.lsgi.polyu.edu.hk/staff/Bo.Wu/publications/zhu&wu07_pe&rs_filtering.pdf).Η επαναληπτικότητα των σημείων ενδιαφέροντος καθορίζει την αξιοπιστία της αντιστοιχίας, ενώ το περιεχόμενο των πληροφοριών δείχνει τη σημασία των σημείων ενδιαφέροντος στην τρισδιάστατη αναδημιουργία του αντικειμένου. Στις δορυφορικές εικόνες και στις αεροφωτογραφίες μεγάλης κλίμακας, πολλά σημεία χαμηλού ενδιαφέροντος μπορούν να εντοπιστούν από τον ανιχνευτή Harris σε εικόνες με χαμηλή υφή και μερικά σημαντικά σημεία με χαμηλό ενδιαφέρον μειώνουν την επαναληπτικότητα και το περιεχόμενο των πληροφοριών ενώ αυξάνει τη πιθανότητα κακής αντιστοιχίας και μειώνει την αποδοτικότητα της αντιστοιχίας της επόμενης εικόνας. Παρότι μερικές βελτιωμένες μέθοδοι του ανιχνευτή Harris όπως αυτή των Mikolajczk και Schmid (2004)προτείνονται για να ενισχύσουν τη σταθερότητά του στην κλίμακα και να καθαρίσει τους μετασχηματισμούς, η ανίχνευση των ενδιαφερόντων σημείων με καλή επαναληπτικότητα και πληροφορία για τη στερεοσκοπική αντιστοιχία και τη τρισδιάστατη αναδημιουργία δεν μελετάται λεπτομερώς. Αυτό το έγγραφο προτείνει μια μέθοδο φιλτραρίσματος σχετική με τα τοπικά χαρακτηριστικά γνωρίσματα της υφής της εικόνας για να διαλέξει εκείνα τα σημεία που θα μειώσουν το γενικό περιεχόμενο επανάληπτικότητας και πληροφοριών. Αυτή η μέθοδος λαμβάνει υπόψη και τη δύναμη ενδιαφέροντος και συγχρόνως το τοπικό χαρακτηριστικό γνώρισμα του σημείου ενδιαφέροντος. Παρουσιάζεται μια διατύπωση φιλτραρίσματος για να υπολογίσει την απάντηση κάθε pixel και έπειτα ένα κατώτατο όριο σχεδιάζεται για επιλογή των σημείων ενδιαφέροντος. Αυτό το έγγραφο έχει δύο συνεισφορές. Κατ' αρχάς, περιγράφονται οι έννοιες της επαναληπτικότητας και του περιεχομένου της πληροφορίας όπως εφαρμόζεται στην ανίχνευση του σημείου ενδιαφέροντος του στερεοζεύγους, και στο επόμενο μέρος συγκρίνει αρκετούς χαρακτηριστικούς ανιχνευτές, οι οποίοι περιλαμβάνουν τις παραδοσιακές και ενημερωμένες μεθόδους, και παρουσιάζουν τα αποτελέσματα σύγκρισης στο περιεχόμενο επανάληψης και πληροφοριών χρησιμοποιώντας τις τυποποιημένες εικόνες δοκιμής. Η δεύτερη συμβολή είναι με τη χρησιμοποίηση του χαρακτηριστικού γνωρίσματος ανάλυσης της εικόνας βασισμένη στην εντροπία των πληροφοριών όπου μια μέθοδος φιλτραρίσματος επιλέγει τα σημεία ενδιαφέροντος σχετικά με το τοπικό χαρακτηριστικό γνώρισμα εικόνας.
 
Τηλεπισκοπικά δεδομένα 
Στη μελέτη αυτή, χρησιμοποιούνται τρία στερεοζεύγη εικόνων, των οποίων κάποιες ιδιότητες είναι ίδιες, το μέγεθός τους είναι 1000x1000 pixels, η κλίμακα είναι 1:10.000, η επικάλυψη είναι 65%, αλλά διαφέρουν σημαντικά στην πολυπλοκότητα υφής. Τα πειράματα πραγματοποιούνται σε αυτά τα στερεοζεύγη για να συγκριθούν με τους ανιχνευτές Moravec, Förstner, Harris, τη μέθοδο DOG, τον ανιχνευτή Harris-Laplace, για να αναλυθεί η επαναληπτικότητα και το περιεχόμενο της πληροφορίας των εξαγώμενων σημείων ενδιαφέροντος. Στα πειράματα αυτά, το όριο της παραμέτρου του ανιχνευτή Moravec και Förstner έχουν επιλεγεί σύμφωνα με τις τιμές που έχουν συστηθεί από τον Moravec (1977) και Förstner (1994) και είναι οι εξής: η παράμετρος σ του Gaussian weight template in Harris είναι 0.5, a equal to 0.04, και η μάσκα φιλτραρίσματος είναι 5x5. Όσον αφορά τη μέθοδο DOG (difference-of-Gaussian), συμμετέχουν δύο οκτάδες, με τέσσερις επιλεγμένες κλίμακες σε κάθε οκτάδα. Ο απλουστευμένος αλγόριθμος Mikolajczk and Schmid (2004) χρησιμοποιείται για να ολοκληρώσει τον ανιχνευτή Ηarris-Laplace.
 
Μεθοδολογία 
Τα σημεία ενδιαφέροντος που είναι ανιχνευμένα από τον ανιχνευτή Harris-Laplace μπορούν να φιλτραριστούν χρησιμοποιώντας το μέγεθος της δύναμης ενδιαφέροντος τους. Εντούτοις, δεν θα μελετηθεί λεπτομερώς ο αριθμός των σημείων ενδιφέροντος που παραλείπονται και η μέθοδος καλού καθορισμού σημείων. ενδιαφέροντος. Αυτό γίνεται αναγκαίο στις μεγάλες κλίμακες αεροφωτογραφιών ή δορυφορικών εικόνων που πρέπει να αντιστοιχηθούν. Η πληροφορία σχετικά με την εντορπία [http://el.wikipedia.org/wiki/%CE%95%CE%BD%CF%84%CF%81%CE%BF%CF%80%CE%AF%CE%B1] γενικά χρησιμοποιείται στην κατανόηση και την ανάλυση της εικόνας. Οι Kadir and Brady (2001) χρησιμοποίησαν την πληροφορία αυτή για να πάρουν μια εμφανή περιοχή, ενώ αυτό το έγγραφο την χρησιμοποιεί για να περιγράψει το τοπικό χαρακτηριστικό γνώρισμα της εικόνας. Η διακριτική ικανότητα του σημείου ενδιαφέροντος δεν σχετίζεται μόνο με τη ισχύ του βάσει όλης της εικόνας αλλά και με τα τοπικά χαρακτηριστικά του σημείου. Έτσι χρησιμοποιείται μια στρατηγική πλέγματος για να χαρακτηριστεί αυτό το είδος των τοπικών χαρακτηριστικών. Για να σχεδιάσουμε ένα πλέγμα σε μια εικόνα με ρυθμισμένη ανάλυση, παίζει ρόλο η εντροπία η οποία και περιγράφει τα χαρακτηριστικά γνωρίσματα του κάθε κελιού του πλέγματος. Έτσι ολόκληρη η εικόνα έχει μετατραπεί σε ένα πίνακα εντροπιών όπου κάθε κελί του περιγράφει διφορετική εντροπία κι έτσι ο πίνακας περιγράφει όχι μόνο τα γενικά χαρακτηριστικά της εικόνας αλλά και τα τοπικά. (Περισσότερες πληροφορίες για το σχέδιο εισαγωγής της εντροπίας θα βρειτε εδώ: http://www.lsgi.polyu.edu.hk/staff/Bo.Wu/publications/zhu&wu07_pe&rs_filtering.pdf).
 
[[Εικόνα:garg_harrislaplace_1_14.jpg|right|thumb||Εικόνα 1 :Παρουσίαση εικόνας σε αρχική μορφή, μορφή πλέγματος 30x40, ταξινομημένη εικόνα. [http://www.lsgi.polyu.edu.hk/staff/Bo.Wu/publications/zhu&wu07_pe&rs_filtering.pdf]πηγή]]
Η Εικόνα 1a προβάλλεται σε ένα πλέγμα με ανάλυση 30x40 (εικόνα 1b), και υπολογίζεται έπειτα η εντροπία κάθε κελιού. Οι διαφορετικές γκρίζες τιμές χρησιμοποιούνται για να δείξουν τη διαφορά της εντροπίας των κελιών, όπου ο ανοιχτός τόνος αντιπροσωπεύει την υψηλή εντροπία, και ο σκούρος τόνος δείχνει τη μικρή εντροπία, δίνοντας μια ταξινομημένη ,βάσει των χαρακτηριστικών της, εικόνα (Eικ.1c). Από την Eικόνα 1c, η εντροπία του κάθε κελιού μπορεί να χρησιμοποιηθεί για να αναλύσει κατάλληλα τα χαρακτηριστικά των εικόνων. Όταν χρησιμοποιείται ένας πίνακας εντροπίας προκειμένου να αναλυθούν τα χαρακτηριστικά η ακρίβεια συσχετίζεται προφανώς με την ανάλυση του πλέγματος. Όσο μεγαλύτερη είναι η ανάλυση του πλέγματος, τόσο πιο ακριβή είναι τα χρακτηριστικά της εικόνας και επομένως η επεξεργασία των πινάκων εντροπίας θα ήταν πιό χρονοβόρα. Με δοκιμαστικές ενέργειες, αποδεικνύει ότι για μια εικόνα 256x256 pixel είναι κατάλληλα να χρησιμοποιηθούν τα κελιά πλέγματος 16x16 pixels. Μετά την ανάλυση τα χαρακτηριστικά της εικόνας χρησιμοποιώντας την τοπική εντροπία των κελιών μπορούμε να θεωρήσουμε όλα τα σημεία (pixels) σε ένα κελί ως το ίδιο τοπικό χαρακτηριστικό γνώρισμα. Στον ανιχνευτή Harris-Laplace, τα βασικό κριτήριο ανίχνευσης ενός σημείου ενδιαφέροντος είναι ότι η δύναμη αυτού του σημείου πρέπει να είναι η μέγιστη όλων των σημείων σε μια 5x5 (ή 3x3) μάσκα με το σημείο στο κέντρο της. Έτσι η σχετική με τα χαρακτηριστικά γνωρίσματα μέθοδος φίλτρων καθορίζεται ως εξής: <math>Εισαγωγή τύπου εδώ</math> , όπου το ''Ν'' είναι ο αριθμός των σημείων στο πίνακα της μάσκας και το''S[i]'' είναι η ισχύς του σημείου i υπολογίζοντας την εξίσωση 4 που θα βρέιτε εδώ:[http://www.lsgi.polyu.edu.hk/staff/Bo.Wu/publications/zhu&wu07_pe&rs_filtering.pdf] Το ''F[i]'' είναι το τοπικό χαρακτηριστικό του σημείου ''i'' και το ''e'' και το ''Τ'' είναι σταθερές που καθορίζουν την ποικιλία των χαρακτηριστικών της εικόνας και των αριθμό των σημείων ενδιαφέροντος που έχουν επιλεγεί αντίστοιχα. Η σταθερά Τ σχετίζεται με το μέγεθος της μάσκας φιλτραρίσματος. Όταν το μέγεθος της μάσκας αυτής είναι 5x5 το Τ μπορεί να τεθεί στο [2,5], ενώ όταν πρόκειται για μέγεθος 3x3 τότε τίθεται στο [1,4] και έπειτα το ποσοστό μείωσης των σημείων ενδιαφέροντος είναι περίπου 25-50%. Η σταθερά e κυμένεται από 1-3 και σχετίζεται με την τοπική υφή της εικόνας, όσο πολυπλοκότερη η υφή της εικόνας τόσο μεγαλύτερη η αξία της. Οι τιμές των e και T είναι εμπειρικές τιμές που υπολογίζονται με βάση τα εκτενή πειράματα με τις διαφορετικές εικόνες, και μπορούν επίσης να καθοριστούν από τους χρήστες σύμφωνα με τις απαιτήσεις τους.
 
[[Εικόνα:garg_harrislaplace_2_14.jpg|right|thumb||Εικόνα 2 :Εικόνες με τα σημεία ενδιαφέροντος από τον ανιχνευτή Harris-Laplace. [http://www.lsgi.polyu.edu.hk/staff/Bo.Wu/publications/zhu&wu07_pe&rs_filtering.pdf]πηγή]]
Στην εικόνα 2 φαίνονται τα διαφορετικά αποτελέσματα της ανίχνευσης των σημείων ενδιφέροντος με τις διαφορετικές στρατηγικές. Η εικόνα 2a είναι η αναφορά της εικόνας, η 2b παρουσιάζει τα σημεία ενδιαφέροντος ανιχνευμένα από τον ανιχνευτή Harris-Laplace χωρίς να έχουν φιλτραριστεί (ο αριθμός των σημείων ενδιφέροντος είναι 4.993). Η εικόνα 2c παρουσιάζει τα σημεία ενδιφέροντος μετά το φιλτράρισμα λαμβάνοντας υπόψη το τοπικό χαρακτηριστικό γνώρισμα της εικόνας (Τ=3.5, e= 1.5). Ο αριθμός σημείων ενδιαφέροντος είναι 3.637, δηλ. σχεδόν το 1/3 των αρχικών σημείων με τη χαμηλότερη δύναμη φιλτραρίστηκαν. Ο αριθμός των εναπομένοντων σημείων ενδιαφέροντος σε περιοχές χαμηλής υφής (όπως στην περιοχή παιδικών χαρών και λιμνών που μαρκάρονται με έναν κύκλο και μια έλλειψη, αντίστοιχα, στον αριθμό 2b) είναι αντίστοιχα μικρός, αλλά στις περιοχές καλής υφής (κοντά στους δρόμους και τα κτίρια), υπάρχουν περισσότερα σημεία ενδιαφέροντος που παραμένουνν μετά το φιλτράρισμα.
 
Ανάλυση αποτελεσμάτων 
Βάσει αυτής της στρατηγικής φιλτραρίσματος με τον ανιχνευτή Harris-Laplace αρκετά στερεοζεύγη της εικόνας (πίνακας 1 και εικόνα 3) αναλύονται, το στερεοζεύγος 5 μεταφορτώθηκε από τον επίσημο ιστοχώρο ISPRS [http://www.isprs.org/data/avenches/].
 
[[Εικόνα:garg_harrislaplace_3_14.jpg|right|thumb||Πίνακας 1 :Αποτελέσματα των πειραμάτων των στερεοζευγών. [http://www.lsgi.polyu.edu.hk/staff/Bo.Wu/publications/zhu&wu07_pe&rs_filtering.pdf]πηγή]]
 
[[Εικόνα:garg_harrislaplace_4_14.jpg|right|thumb||Εικόνα 3 :Στερεοζεύγη 5 και 6 της στρατηγικής φιλτραρίσματος. [http://www.lsgi.polyu.edu.hk/staff/Bo.Wu/publications/zhu&wu07_pe&rs_filtering.pdf]πηγή]]
Το όριο της αξιοπιστίας της αντιστοιχίας τίθεται στο 0.8 ώστε να εξασφαλίσει μια υψηλή αντιστοιχία ποιότητας και το μέγεθος κελιού είναι 100 για τον υπολογισμό του περιεχομένου πληροφοριών. Αφού έχουν αντιστοιχιθεί όλα τα απιτούμενα σημεία μπορεί έπειτα να ληφθεί το DSMs και 46 σημεία ελέγχου για κάθε στερεοζεύγος, επιλέγονται από έναν ψηφιακό φωτογραμμομετρικό τερματικό σταθμό, το μεγαλύτερος μέρος του οποίου εντόπιζεται στο έδαφος και χρησιμοποιούνται για να υπολογίσουν το λάθος μέσης τετραγωνικής τιμής (RMSE) με την παρεμβολή των τιμών ανύψωσης αυτών των σημείων ελέγχου από το παραγόμενο DSM. Τα αποτελέσματα του ανιχνευτή Harris-Standard, της μεθόδου DOG και των Harris-Laplace συγκρίνονται και παρουσιάζονται στον Πίνακα2.
 
[[Εικόνα:garg_harrislaplace_5_14.jpg|right|thumb||Πίνακας 2 :Αποτελέσματα πειραμάτων διαφορετικών ανιχνευτών. [http://www.lsgi.polyu.edu.hk/staff/Bo.Wu/publications/zhu&wu07_pe&rs_filtering.pdf]πηγή]]
Από τα πειράματα, ο ανιχνευτής Harris-Laplace στρατηγική φιλτραρίσματος σχετική με τα χαρακτηριστικά γνωρίσματα δίνει καλύτερα αποτελέσματα από άλλους ανιχνευτές από άποψη επαναληπτικότητας και περιεχομένου πληροφοριών, όπως στο στερεοζεύγος 4, το οποίο καλύπτει μεγάλη δασική περιοχή χαμηλής υφής και σύστασης νερού, η επαναληπτικότητα αυξάνεται από 18.63% του ανιχνευτή Harris-Laplace σε 23.93% και στη indistinctive και ομοιογενή υφή του στερεοζεύγους 6, η επανάληπτικότητα και το περιεχόμενο πληροφοριών αυξάνονται από 2.318% του ανιχνευτή Harris-Laplace σε 25.79% και 3.108% αντίστοιχα. Η πυκνότητα των σημείων αντιστοιχίας, είναι προτιμότερο να παραγάγει DSMS επειδή το RMSE των σημείων ελέγχου του ανιχνευτή Harris-Laplace με το φιλτράρισμα είναι επίσης καλύτερο από αυτό του ανιχνευτή Harris-Laplace, καθώς επίσης και καλύτερα από άλλα.
 
Συμπεράσματα 
Αυτό το άρθρο κατέληξε στα εξής συμπεράσματα: 1) Με σκοπό την αντιστοιχία του στερεοζεύγους και την τρισδιάστατη αναδημιουργία του αντικειμένου, η επαναληπτικότητα και το περιεχόμενο πληροφοριών είναι τα δύο σημαντικότερα κριτήρια κατά την αξιολόγηση των ανιχνευτών σημείου ενδιαφέροντος. 2)Ο ανιχνευτής Harris-Laplace αποδίδει καλύτερα στις πτυχές του περιεχομένου επαναληπτικότητας και πληροφοριών από άλλους ανιχνευτές στους τομείς της καλής υφής. 3)Ο ανιχνευτής Harris-Laplace με τη στρατηγική φιλτραρίσματος σχετικά με τα χαρακτηριστικά γνωρίσματα που παρουσιάζεται σε αυτό το έγγραφο όχι μόνο δίνει το καλύτερο περιεχόμενο επανάληπτικότητας και πληροφοριών από άλλους ανιχνευτές, αλλά είναι και καταλληλότερος για το αντιχτοιχία στερεοζευγών εικόνας και για την επόμενη τρισδιάστατη αναδημιουργία.

Μια τεχνική φιλτραρίσματος για το σημείο ενδιαφέροντος προκειμένου να βελτιωθεί η επαναληπτικότητα και η εμπεριεχόμενη πληροφορία

2011-03-16T09:53:49Z

Argyropoulou Grigoria:

[[category:Ψηφιακή Τηλεπισκόπηση]]

Μια τεχνική φιλτραρίσματος για το σημείο ενδιαφέροντος προκειμένου να βελτιωθεί η επαναληπτικότητα και η εμπεριεχόμενη πληροφορία 
Πρωτότυπος τίτλος : A Filtering Strategy for Interest Point Detecting
to Improve Repeatability and Information Content.Πηγή : Qing Zhu, Bo Wu, and Neng Wan, Photogrammetric Engineering & Remote Sensing
Vol. 73, No. 5, May 2007, pp. 547–553.
[http://www.lsgi.polyu.edu.hk/staff/Bo.Wu/publications/zhu&wu07_pe&rs_filtering.pdf]
 
Περίληψη 
Η εξαγωγή των χαρακτηριστικών γνωρισμάτων παίζει σημαντικό ρόλο στον τομέα της αντιστοίχησης των εικόνων, της περιγραφής των αντικειμένων, στην εκτίμηση της μετακίνησης και στην παρακολούθηση των αντικειμένων στο χώρο. Τα σημεία ενδιαφέροντος είναι τα απαραίτητα στοιχεία μιας εικόνας αφού ένα σημείο ενδιαφέροντος αφορά ένα οποιοδήποτε διακριτό σημείο στην εικόνα όπου το σήμα αλλάζει βάσει δύο διαστάσεων. Στην ανάλυση της εικόνας και στην στερεοσκοπική παρατήρηση, είναι ιδιαίτερα σημαντική η επιλογή ενός ανιχνευτή-σημείου ενδιαφέροντος για να εξετάσει τις διαφορετικές απαιτήσεις της εφαρμογής. Με σκοπό τη στερεοσκοπική αντιστοίχηση των εικόνων και την επόμενη τρισδιάστατη αναδημιουργία, εξετάστηκε λεπτομερώς στο παρελθόν κατά την επιλογή ενός ανιχνευτή-σημείου ενδιαφέροντος η ακρίβεια ανίχνευσης της αποδοτικότητας και της θέσης. O Schmid et all (2000), επισήμαναν ότι η επιλογή ενός ανιχνευτή σημείου ενδιαφέροντος πρέπει να βασιστεί στο περιεχόμενό της επαναληπτικότητας και των πληροφοριών που περιλαμβάνει. (Περισσότερες πληροφορίες σχετικά με την επαναληπτικότητα και τις εμπεριεχόμενες πληροφορίες θα βρείτε εδώ:http://www.lsgi.polyu.edu.hk/staff/Bo.Wu/publications/zhu&wu07_pe&rs_filtering.pdf).Η επαναληπτικότητα των σημείων ενδιαφέροντος καθορίζει την αξιοπιστία της αντιστοιχίας, ενώ το περιεχόμενο των πληροφοριών δείχνει τη σημασία των σημείων ενδιαφέροντος στην τρισδιάστατη αναδημιουργία του αντικειμένου. Στις δορυφορικές εικόνες και στις αεροφωτογραφίες μεγάλης κλίμακας, πολλά σημεία χαμηλού ενδιαφέροντος μπορούν να εντοπιστούν από τον ανιχνευτή Harris σε εικόνες με χαμηλή υφή και μερικά σημαντικά σημεία με χαμηλό ενδιαφέρον μειώνουν την επαναληπτικότητα και το περιεχόμενο των πληροφοριών ενώ αυξάνει τη πιθανότητα κακής αντιστοιχίας και μειώνει την αποδοτικότητα της αντιστοιχίας της επόμενης εικόνας. Παρότι μερικές βελτιωμένες μέθοδοι του ανιχνευτή Harris όπως αυτή των Mikolajczk και Schmid (2004)προτείνονται για να ενισχύσουν τη σταθερότητά του στην κλίμακα και να καθαρίσει τους μετασχηματισμούς, η ανίχνευση των ενδιαφερόντων σημείων με καλή επαναληπτικότητα και πληροφορία για τη στερεοσκοπική αντιστοιχία και τη τρισδιάστατη αναδημιουργία δεν μελετάται λεπτομερώς. Αυτό το έγγραφο προτείνει μια μέθοδο φιλτραρίσματος σχετική με τα τοπικά χαρακτηριστικά γνωρίσματα της υφής της εικόνας για να διαλέξει εκείνα τα σημεία που θα μειώσουν το γενικό περιεχόμενο επανάληπτικότητας και πληροφοριών. Αυτή η μέθοδος λαμβάνει υπόψη και τη δύναμη ενδιαφέροντος και συγχρόνως το τοπικό χαρακτηριστικό γνώρισμα του σημείου ενδιαφέροντος. Παρουσιάζεται μια διατύπωση φιλτραρίσματος για να υπολογίσει την απάντηση κάθε pixel και έπειτα ένα κατώτατο όριο σχεδιάζεται για επιλογή των σημείων ενδιαφέροντος. Αυτό το έγγραφο έχει δύο συνεισφορές. Κατ' αρχάς, περιγράφονται οι έννοιες της επαναληπτικότητας και του περιεχομένου της πληροφορίας όπως εφαρμόζεται στην ανίχνευση του σημείου ενδιαφέροντος του στερεοζεύγους, και στο επόμενο μέρος συγκρίνει αρκετούς χαρακτηριστικούς ανιχνευτές, οι οποίοι περιλαμβάνουν τις παραδοσιακές και ενημερωμένες μεθόδους, και παρουσιάζουν τα αποτελέσματα σύγκρισης στο περιεχόμενο επανάληψης και πληροφοριών χρησιμοποιώντας τις τυποποιημένες εικόνες δοκιμής. Η δεύτερη συμβολή είναι με τη χρησιμοποίηση του χαρακτηριστικού γνωρίσματος ανάλυσης της εικόνας βασισμένη στην εντροπία των πληροφοριών όπου μια μέθοδος φιλτραρίσματος επιλέγει τα σημεία ενδιαφέροντος σχετικά με το τοπικό χαρακτηριστικό γνώρισμα εικόνας.
 
Τηλεπισκοπικά δεδομένα 
Στη μελέτη αυτή, χρησιμοποιούνται τρία στερεοζεύγη εικόνων, των οποίων κάποιες ιδιότητες είναι ίδιες, το μέγεθός τους είναι 1000x1000 pixels, η κλίμακα είναι 1:10.000, η επικάλυψη είναι 65%, αλλά διαφέρουν σημαντικά στην πολυπλοκότητα υφής. Τα πειράματα πραγματοποιούνται σε αυτά τα στερεοζεύγη για να συγκριθούν με τους ανιχνευτές Moravec, Förstner, Harris, τη μέθοδο DOG, τον ανιχνευτή Harris-Laplace, για να αναλυθεί η επαναληπτικότητα και το περιεχόμενο της πληροφορίας των εξαγώμενων σημείων ενδιαφέροντος. Στα πειράματα αυτά, το όριο της παραμέτρου του ανιχνευτή Moravec και Förstner έχουν επιλεγεί σύμφωνα με τις τιμές που έχουν συστηθεί από τον Moravec (1977) και Förstner (1994) και είναι οι εξής: η παράμετρος σ του Gaussian weight template in Harris είναι 0.5, a equal to 0.04, και η μάσκα φιλτραρίσματος είναι 5x5. Όσον αφορά τη μέθοδο DOG (difference-of-Gaussian), συμμετέχουν δύο οκτάδες, με τέσσερις επιλεγμένες κλίμακες σε κάθε οκτάδα. Ο απλουστευμένος αλγόριθμος Mikolajczk and Schmid (2004) χρησιμοποιείται για να ολοκληρώσει τον ανιχνευτή Ηarris-Laplace.
 
Μεθοδολογία 
Τα σημεία ενδιαφέροντος που είναι ανιχνευμένα από τον ανιχνευτή Harris-Laplace μπορούν να φιλτραριστούν χρησιμοποιώντας το μέγεθος της δύναμης ενδιαφέροντος τους. Εντούτοις, δεν θα μελετηθεί λεπτομερώς ο αριθμός των σημείων ενδιφέροντος που παραλείπονται και η μέθοδος καλού καθορισμού σημείων. ενδιαφέροντος. Αυτό γίνεται αναγκαίο στις μεγάλες κλίμακες αεροφωτογραφιών ή δορυφορικών εικόνων που πρέπει να αντιστοιχηθούν. Η πληροφορία σχετικά με την εντορπία [http://el.wikipedia.org/wiki/%CE%95%CE%BD%CF%84%CF%81%CE%BF%CF%80%CE%AF%CE%B1] γενικά χρησιμοποιείται στην κατανόηση και την ανάλυση της εικόνας. Οι Kadir and Brady (2001) χρησιμοποίησαν την πληροφορία αυτή για να πάρουν μια εμφανή περιοχή, ενώ αυτό το έγγραφο την χρησιμοποιεί για να περιγράψει το τοπικό χαρακτηριστικό γνώρισμα της εικόνας. Η διακριτική ικανότητα του σημείου ενδιαφέροντος δεν σχετίζεται μόνο με τη ισχύ του βάσει όλης της εικόνας αλλά και με τα τοπικά χαρακτηριστικά του σημείου. Έτσι χρησιμοποιείται μια στρατηγική πλέγματος για να χαρακτηριστεί αυτό το είδος των τοπικών χαρακτηριστικών. Για να σχεδιάσουμε ένα πλέγμα σε μια εικόνα με ρυθμισμένη ανάλυση, παίζει ρόλο η εντροπία η οποία και περιγράφει τα χαρακτηριστικά γνωρίσματα του κάθε κελιού του πλέγματος. Έτσι ολόκληρη η εικόνα έχει μετατραπεί σε ένα πίνακα εντροπιών όπου κάθε κελί του περιγράφει διφορετική εντροπία κι έτσι ο πίνακας περιγράφει όχι μόνο τα γενικά χαρακτηριστικά της εικόνας αλλά και τα τοπικά. (Περισσότερες πληροφορίες για το σχέδιο εισαγωγής της εντροπίας θα βρειτε εδώ: http://www.lsgi.polyu.edu.hk/staff/Bo.Wu/publications/zhu&wu07_pe&rs_filtering.pdf).
 
[[Εικόνα:garg_harrislaplace_1_14.jpg|right|thumb||Εικόνα 1 :Παρουσίαση εικόνας σε αρχική μορφή, μορφή πλέγματος 30x40, ταξινομημένη εικόνα. [http://www.lsgi.polyu.edu.hk/staff/Bo.Wu/publications/zhu&wu07_pe&rs_filtering.pdf]πηγή]]
Η Εικόνα 1a προβάλλεται σε ένα πλέγμα με ανάλυση 30x40 (εικόνα 1b), και υπολογίζεται έπειτα η εντροπία κάθε κελιού. Οι διαφορετικές γκρίζες τιμές χρησιμοποιούνται για να δείξουν τη διαφορά της εντροπίας των κελιών, όπου ο ανοιχτός τόνος αντιπροσωπεύει την υψηλή εντροπία, και ο σκούρος τόνος δείχνει τη μικρή εντροπία, δίνοντας μια ταξινομημένη ,βάσει των χαρακτηριστικών της, εικόνα (Eικ.1c). Από την Eικόνα 1c, η εντροπία του κάθε κελιού μπορεί να χρησιμοποιηθεί για να αναλύσει κατάλληλα τα χαρακτηριστικά των εικόνων. Όταν χρησιμοποιείται ένας πίνακας εντροπίας προκειμένου να αναλυθούν τα χαρακτηριστικά η ακρίβεια συσχετίζεται προφανώς με την ανάλυση του πλέγματος. Όσο μεγαλύτερη είναι η ανάλυση του πλέγματος, τόσο πιο ακριβή είναι τα χρακτηριστικά της εικόνας και επομένως η επεξεργασία των πινάκων εντροπίας θα ήταν πιό χρονοβόρα. Με δοκιμαστικές ενέργειες, αποδεικνύει ότι για μια εικόνα 256x256 pixel είναι κατάλληλα να χρησιμοποιηθούν τα κελιά πλέγματος 16x16 pixels. Μετά την ανάλυση τα χαρακτηριστικά της εικόνας χρησιμοποιώντας την τοπική εντροπία των κελιών μπορούμε να θεωρήσουμε όλα τα σημεία (pixels) σε ένα κελί ως το ίδιο τοπικό χαρακτηριστικό γνώρισμα. Στον ανιχνευτή Harris-Laplace, τα βασικό κριτήριο ανίχνευσης ενός σημείου ενδιαφέροντος είναι ότι η δύναμη αυτού του σημείου πρέπει να είναι η μέγιστη όλων των σημείων σε μια 5x5 (ή 3x3) μάσκα με το σημείο στο κέντρο της. Έτσι η σχετική με τα χαρακτηριστικά γνωρίσματα μέθοδος φίλτρων καθορίζεται ως εξής: <math>Εισαγωγή τύπου εδώ</math> , όπου το ''Ν'' είναι ο αριθμός των σημείων στο πίνακα της μάσκας και το''S[i]'' είναι η ισχύς του σημείου i υπολογίζοντας την εξίσωση 4 που θα βρέιτε εδώ:[http://www.lsgi.polyu.edu.hk/staff/Bo.Wu/publications/zhu&wu07_pe&rs_filtering.pdf] Το ''F[i]'' είναι το τοπικό χαρακτηριστικό του σημείου ''i'' και το ''e'' και το ''Τ'' είναι σταθερές που καθορίζουν την ποικιλία των χαρακτηριστικών της εικόνας και των αριθμό των σημείων ενδιαφέροντος που έχουν επιλεγεί αντίστοιχα. Η σταθερά Τ σχετίζεται με το μέγεθος της μάσκας φιλτραρίσματος. Όταν το μέγεθος της μάσκας αυτής είναι 5x5 το Τ μπορεί να τεθεί στο [2,5], ενώ όταν πρόκειται για μέγεθος 3x3 τότε τίθεται στο [1,4] και έπειτα το ποσοστό μείωσης των σημείων ενδιαφέροντος είναι περίπου 25-50%. Η σταθερά e κυμένεται από 1-3 και σχετίζεται με την τοπική υφή της εικόνας, όσο πολυπλοκότερη η υφή της εικόνας τόσο μεγαλύτερη η αξία της. Οι τιμές των e και T είναι εμπειρικές τιμές που υπολογίζονται με βάση τα εκτενή πειράματα με τις διαφορετικές εικόνες, και μπορούν επίσης να καθοριστούν από τους χρήστες σύμφωνα με τις απαιτήσεις τους.
 
[[Εικόνα:garg_harrislaplace_2_14.jpg|right|thumb||Εικόνα 2 :Εικόνες με τα σημεία ενδιαφέροντος από τον ανιχνευτή Harris-Laplace. [http://www.lsgi.polyu.edu.hk/staff/Bo.Wu/publications/zhu&wu07_pe&rs_filtering.pdf]πηγή]]
Στην εικόνα 2 φαίνονται τα διαφορετικά αποτελέσματα της ανίχνευσης των σημείων ενδιφέροντος με τις διαφορετικές στρατηγικές. Η εικόνα 2a είναι η αναφορά της εικόνας, η 2b παρουσιάζει τα σημεία ενδιαφέροντος ανιχνευμένα από τον ανιχνευτή Harris-Laplace χωρίς να έχουν φιλτραριστεί (ο αριθμός των σημείων ενδιφέροντος είναι 4.993). Η εικόνα 2c παρουσιάζει τα σημεία ενδιφέροντος μετά το φιλτράρισμα λαμβάνοντας υπόψη το τοπικό χαρακτηριστικό γνώρισμα της εικόνας (Τ=3.5, e= 1.5). Ο αριθμός σημείων ενδιαφέροντος είναι 3.637, δηλ. σχεδόν το 1/3 των αρχικών σημείων με τη χαμηλότερη δύναμη φιλτραρίστηκαν. Ο αριθμός των εναπομένοντων σημείων ενδιαφέροντος σε περιοχές χαμηλής υφής (όπως στην περιοχή παιδικών χαρών και λιμνών που μαρκάρονται με έναν κύκλο και μια έλλειψη, αντίστοιχα, στον αριθμό 2b) είναι αντίστοιχα μικρός, αλλά στις περιοχές καλής υφής (κοντά στους δρόμους και τα κτίρια), υπάρχουν περισσότερα σημεία ενδιαφέροντος που παραμένουνν μετά το φιλτράρισμα.
 
Ανάλυση αποτελεσμάτων 
Βάσει αυτής της στρατηγικής φιλτραρίσματος με τον ανιχνευτή Harris-Laplace αρκετά στερεοζεύγη της εικόνας (πίνακας 1 και εικόνα 3) αναλύονται, το στερεοζεύγος 5 μεταφορτώθηκε από τον επίσημο ιστοχώρο ISPRS [http://www.isprs.org/data/avenches/].
 
[[Εικόνα:garg_harrislaplace_3_14.jpg|right|thumb||Πίνακας 1 :Αποτελέσματα των πειραμάτων των στερεοζευγών. [http://www.lsgi.polyu.edu.hk/staff/Bo.Wu/publications/zhu&wu07_pe&rs_filtering.pdf]πηγή]]
 
[[Εικόνα:garg_harrislaplace_4_14.jpg|right|thumb||Εικόνα 3 :Στερεοζεύγη 5 και 6 της στρατηγικής φιλτραρίσματος. [http://www.lsgi.polyu.edu.hk/staff/Bo.Wu/publications/zhu&wu07_pe&rs_filtering.pdf]πηγή]]
Το όριο της αξιοπιστίας της αντιστοιχίας τίθεται στο 0.8 ώστε να εξασφαλίσει μια υψηλή αντιστοιχία ποιότητας και το μέγεθος κελιού είναι 100 για τον υπολογισμό του περιεχομένου πληροφοριών. Αφού έχουν αντιστοιχιθεί όλα τα απιτούμενα σημεία μπορεί έπειτα να ληφθεί το DSMs και 46 σημεία ελέγχου για κάθε στερεοζεύγος, επιλέγονται από έναν ψηφιακό φωτογραμμομετρικό τερματικό σταθμό, το μεγαλύτερος μέρος του οποίου εντόπιζεται στο έδαφος και χρησιμοποιούνται για να υπολογίσουν το λάθος μέσης τετραγωνικής τιμής (RMSE) με την παρεμβολή των τιμών ανύψωσης αυτών των σημείων ελέγχου από το παραγόμενο DSM. Τα αποτελέσματα του ανιχνευτή Harris-Standard, της μεθόδου DOG και των Harris-Laplace συγκρίνονται και παρουσιάζονται στον Πίνακα2.
 
[[Εικόνα:garg_harrislaplace_5_14.jpg|right|thumb||Πίνακας 2 :Αποτελέσματα πειραμάτων διαφορετικών ανιχνευτών. [http://www.lsgi.polyu.edu.hk/staff/Bo.Wu/publications/zhu&wu07_pe&rs_filtering.pdf]πηγή]]
Από τα πειράματα, ο ανιχνευτής Harris-Laplace στρατηγική φιλτραρίσματος σχετική με τα χαρακτηριστικά γνωρίσματα δίνει καλύτερα αποτελέσματα από άλλους ανιχνευτές από άποψη επαναληπτικότητας και περιεχομένου πληροφοριών, όπως στο στερεοζεύγος 4, το οποίο καλύπτει μεγάλη δασική περιοχή χαμηλής υφής και σύστασης νερού, η επαναληπτικότητα αυξάνεται από 18.63% του ανιχνευτή Harris-Laplace σε 23.93% και στη indistinctive και ομοιογενή υφή του στερεοζεύγους 6, η επανάληπτικότητα και το περιεχόμενο πληροφοριών αυξάνονται από 2.318% του ανιχνευτή Harris-Laplace σε 25.79% και 3.108% αντίστοιχα. Η πυκνότητα των σημείων αντιστοιχίας, είναι προτιμότερο να παραγάγει DSMS επειδή το RMSE των σημείων ελέγχου του ανιχνευτή Harris-Laplace με το φιλτράρισμα είναι επίσης καλύτερο από αυτό του ανιχνευτή Harris-Laplace, καθώς επίσης και καλύτερα από άλλα.
 
Συμπεράσματα 
Αυτό το άρθρο κατέληξε στα εξής συμπεράσματα: 1) Με σκοπό την αντιστοιχία του στερεοζεύγους και την τρισδιάστατη αναδημιουργία του αντικειμένου, η επαναληπτικότητα και το περιεχόμενο πληροφοριών είναι τα δύο σημαντικότερα κριτήρια κατά την αξιολόγηση των ανιχνευτών σημείου ενδιαφέροντος. 2)Ο ανιχνευτής Harris-Laplace αποδίδει καλύτερα στις πτυχές του περιεχομένου επαναληπτικότητας και πληροφοριών από άλλους ανιχνευτές στους τομείς της καλής υφής. 3)Ο ανιχνευτής Harris-Laplace με τη στρατηγική φιλτραρίσματος σχετικά με τα χαρακτηριστικά γνωρίσματα που παρουσιάζεται σε αυτό το έγγραφο όχι μόνο δίνει το καλύτερο περιεχόμενο επανάληπτικότητας και πληροφοριών από άλλους ανιχνευτές, αλλά είναι και καταλληλότερος για το αντιχτοιχία στερεοζευγών εικόνας και για την επόμενη τρισδιάστατη αναδημιουργία.

Μια προσαρμοστική τεχνική μείωσης θορύβου για τη βελτίωση της χρησιμότητας υπερφασματικών στοιχείων

2011-03-16T09:49:33Z

Argyropoulou Grigoria:

[[category:Ψηφιακή Τηλεπισκόπηση]]

 Μια προσαρμοστική τεχνική μείωσης θορύβου για τη βελτίωση της χρησιμότητας υπερφασματικών στοιχείων.
 
Πρωτότυπος τίτλος : AN ADAPTIVE NOISE REDUCTION TECHNIQUE FOR IMPROVING
THE UTILITY OF HYPERSPECTRAL DATA

Πηγή : Rhonda D. Phillips and Layne T.Watson, Christine E. Blinn and Randolph H.Wynne, Departments of Computer Science and Mathematics
Virginia Polytechnic Institute and State University, Department of Forestry
Virginia Polytechnic Institute and State University
November 18 – 20, 2008 • Denver, Colorado [http://www.asprs.org/publications/proceedings/pecora17/0028.pdf]
 
Περίληψη 
Αν και τα υπερφασματικά στοιχεία μπορούν να συμβάλλουν στην διάκριση μεταξύ των φασματικά παρόμοιων αντικειμένων στο χώρο, περιορίζει τη χρησιμότητα τους λόγω της θορυβώδους φύσης των στοιχείων από τους αερομεταφερόμενους ανιχνευτές ο (AVIRIS). Το ελάχιστο ποσοστό θορύβου (MNF) είναι ένας μετασχηματισμός στοιχείων που συνήθως χρησιμοποιείται στην υπερφασματική επεξεργασία εικόνας προκειμένου να ευθυγραμμίσει τα στοιχεία κατά μήκος των αξόνων της μειωμένης αναλογίας σήματος/ διαταραχής (SNR). Αν και τα υψηλότερα τμήματα διαταγής MNF έχουν χαμηλό SNR και ενώ η σημασία του σήματος υποβιβάζεται ιδιαίτερα από το θόρυβο, υπάρχουν σημαντικά δεδομένα σ αυτές τις ζώνες MNF που συμβάλλουν σε εφαρμογές όπως η ταξινόμηση. Αυτή η εργασία προτείνει τη χρησιμοποίηση ενός μεσαίου φίλτρου με μέγεθος πυρήνα που σχετίζεται αντιστρόφως με τις αναλογίες SNR των MNF καναλιών προκειμένου να φιλτραριστεί πιο αποτελεσματικά ο θόρυβος στις ζώνες με χαμηλό SNR. Οι εικόνες που αποκτιούνται από τους υπερφασματικούς δέκτες περιέχουν πολλά περισσότερα κανάλια και ενδεχομένως περισσότερες πληροφορίες από τις πολυφασματικές εικόνες, αλλά οι υπερφασματικές εικόνες τείνουν να περιέχουν περισσότερο θόρυβο, ειδικά όταν λαμβάνονται από μικρά αεροσκάφη. Μία τεχνική που εισάγεται από Green και λοιποί, εξετάζει το θόρυβο και το μεγάλο αριθμό καναλιών που εντοπίζεται στις υπερφασματικές εικόνες είναι το μέγιστο μέρος θορύβου, και επίσης καλείται ως ελάχιστο ποσοστό θορύβου (MNF). Το μέγιστο ποσοστό θορύβου είναι παρόμοιο με την ανάλυση κύριων τμημάτων (PCA) που μετασχηματίζει τις εικόνες στους άξονες που μεγιστοποιούν τη διαφορά σε κάθε διαδοχική ζώνη, αλλά το MNF μεγιστοποιεί τις εκτιμούμενες υπολογισμένες αναλογίες SNRs. Λίγα φίλτρα θορύβου εκμεταλλεύονται αυτή την ιδιότητα του MNF.
 
Περιοχή μελέτης 
Η περιοχή μελέτης βρίσκεται στο κρατικό δάσος Appomattox Buckingham State forest στην Βιρτζίνια των Ηνωμένων Πολιτειών[http://translate.google.gr/translate?hl=el&langpair=en|el&u=http://en.wikipedia.org/wiki/Appomattox-Buckingham_State_Forest]. Τρεις αερογραμμές από (AVIRIS) και 224 κανάλια εικόνας αποκτήθηκαν το χειμώνα του 1999. Η χωρική ανάλυση αυτού του συνόλου δεδομένων είναι 3,4m και η φασματική ανάλυση είναι 10nm, με τη σειρά αισθητήρων του AVIRIS που είναι μεταξύ 400-2500nm. Τα στοιχεία κατάρτισης αποτελέσθηκαν από 142 τομείς συλλεχθέντων θέσεων, που περιλαμβάνονται από τις ομοιογενείς περιοχές των ενιαίων ειδών πεύκων με διαφορετικά διορθωμένες συντεταγμένες, σε συστήματα παγκόσμιας πλοήγησης (GPS). Τα είδη πεύκων είναι τρία, Loblolly, Shortleaf και το πεύκο της Βιρτζίνια με 64, 30 και 48 θέσεις αντίστοιχα και συλλέχθηκαν τον Αύγουστο του 1999. Αυτή η εικόνα περιέχει τις διαφορετικές στάσεις των δέντρων που περιλαμβάνουν τα τρία είδη των πεύκων, σκληρών ξύλων και μικτών.
 
Μεθοδολογία 
Το MNF συχνά χρησιμοποιείται στη ψηφιακή τηλεπισκόπηση για την μείωση και την απομάκρυνση θορύβου. Το ΜΝF μιας εικόνας μπορεί να περικοπεί ενώ ακόμη παραμένουν οι περισσότερες πληροφορίες της εικόνας, το οποίο είναι εξαιρετικά χρήσιμο στην υπερφασματική εικόνα, επεξεργάζοντας την περιοχή ως εικόνες που εμπεριέχουν εκατοντάδες υψηλά συσχετισμένα κανάλια και θόρυβο. Τα υψηλότερα κανάλια διαταγής που είναι περικομμένες περιέχουν πολύ χαμηλό SNRs και η περικοπή του MNF μπορεί να έχει την προστιθέμενη επίδραση της εξάλειψης ενός μεγάλου μέρους του θορύβου χωρίς απώλεια μεγάλου σήματος. Ο καθορισμός της ακριβούς θέσης για να περικόψει το MNF είναι δύσκολος και οι ιδιοτιμές των ιδιοδιανυσμάτων του πίνακα συσχέτισης, ο οποίος δημιουργείται, αφορούν τον αριθμό των καναλιών της απεικόνισης και δίνουν στοιχεία για το πότε η καμπύλη αρχίζει να πλησιάζει μια ασυμπτωτικά τους αρχικούς άξονες. Στην πράξη αυτή η αποκοπή εκτελείται ως μέσο μείωσης του γενικού θορύβου μέσα στην εικόνα, αλλά αυτή η μέθοδος δεν εκμεταλλεύεται πλήρως τις ιδιότητες του MNF. Εάν η αποκοπή περιλαμβάνει πάρα πολλά κανάλια, πάρα πολύς θόρυβος αφήνεται στην εικόνα, και εάν η περικοπή περιλαμβάνει πολύ λίγα κανάλια, το χρήσιμο σήμα μπορεί να αποκλείεται από την προκύπτουσα εικόνα. Ένα πιθανό σενάριο θα ήταν ότι η αποκοπή περιλαμβάνει το θόρυβο στα κανάλια που κρατούνται (δεν απορρίπτονται από τη διαδικασία), απορρίπτοντας τα άλλα.
Μια άλλη προσέγγιση για τη μείωση του θορύβου σε μία εικόνα είναι να εφαρμοστεί ένα μικρό (π.χ. 3x3 πίνακας) χωρικό φίλτρο όπως το μέσης και διάμεσης τιμής φίλτρο. Εντούτοις, η εφαρμογή ενός φίλτρου ομοιόμορφα σε όλα τα κανάλια μέσα στο MNF δεν θα εκμεταλλευτεί τη συγκεκριμένη διαταγή καναλιών. Τα κανάλια με τα χαμηλότερα SNRs ίσως ωφεληθούν από ένα φίλτρο με μεγαλύτερο παράθυρο, ενώ τα κανάλια με τα υψηλά SNRs απαιτούν ελάχιστη η καμία διήθηση (φιλτράρισμα). Τα κανάλια με τα χαμηλά SNRs έχουν το συγκριτικά χαμηλότερο σήμα σχετικά με το θόρυβο, μπορούν όμως να έχουν αρκετό σήμα για να επιτρέψουν την απομάκρυνση του θορύβου. Ένα μεγάλο φίλτρο θα υποβιβάσει εκείνο το σήμα, αλλά έχει περισσότερες επιπτώσεις στο θόρυβο, με συνέπεια ένα μεγαλύτερο σήμα σχετικά με το θόρυβο. Η εργασία των χωρικών φίλτρων ενδιάμεσης τιμής γίνεται μειώνοντας τη διαφορά μεταξύ ενός μικρού πίνακα αναθέτοντας σε ένα pixel τη μεσαία τιμή των γειτονικών pixels. Για παράδειγμα, χρησιμοποιώντας ένα πίνακα 3x3, ένα φίλτρο ενδιάμεσης τιμής θα όριζε σε ένα pixel τη μεσαία αξία του και των οκτώ άμεσων γειτονικών του. Δεδομένου ότι τα γεωγραφικά στοιχεία σχετίζονται ιδιαίτερα, η διαφορά του σήματος μέσα σε ένα παράθυρο θα είναι μικρή και ο θόρυβος θα είναι τυχαίος και όχι συσχετισμένος με τα γειτονικά, καθιστώντας μια μεγάλη διαφορά ικανή.
Με την υπόθεση ότι η διαφορά του θορύβου είναι μεγαλύτερη από ότι το σήμα σε αυτά τα μικρά χωρικά παράθυρα, ένα χωρικό φίλτρο όπως αυτό της ενδιάμεσης τιμής θα διατηρούσε περισσότερο σήμα ενώ αποβάλλει αρκετό μέρος του θορύβου. Ένα φίλτρο με μεγαλύτερο παράθυρο (το οποίο προφανώς εφαρμόζεται σε περισσότερα pixel) έχει μεγαλύτερα αποτελέσματα λείανσης από ότι ένα φίλτρο με μικρό μέγεθος παραθύρου, επιτυγχάνοντας σε ένα μεγαλύτερο SNR στo διασκορπισμό του σήματος. Ένα φίλτρο ενδιάμεσης τιμής έχει την ιδιότητα της διατήρησης των αρχικών τιμών, σε αντίθεση με το φίλτρο μέσης τιμής.
(Περισσότερες πληροφορίες θα βρείτε εδώ: http://www.asprs.org/publications/proceedings/pecora17/0028.pdf)
 
Αποτελέσματα 
Τα AF (Adaptive Filter)[http://en.wikipedia.org/wiki/Adaptive_filter], AFD (Adaptive Filter with Derivative), τα περικομμένα AF, AFD, εφαρμόστηκαν στην εικόνα δοκιμής πρίν από την κατασκευή ενός προτύπου ταξινόμησης. Η επίδραση του αριθμού δοχείων και των μεγεθών των φίλτρων στα αποτελέσματα ταξινόμησης μελετήθηκε με την εφαρμογή των AF χρησιμοποιώντας δύο δοχεία μέσω 13 δοχείων (που αντιστοιχούν σε ένα μέγιστο μέγεθος φίλτρωμ 25x25).
Μια ανάλυση διακρίνουσας χρησιμοποιήθηκε προκειμένου να παράγει τις λειτουργίες της ταξινόμησης για κάθε φιλτραρισμένο και μη σύνολο δεδομένων χρησιμοποιώντας τη SAS[]. Αρχικά η διαδικάσία STEPDISC [http://www.technion.ac.il/docs/sas/stat/chap60/index.htm] χρησιμοποιήθηκε για να προσδιορίσει τις ζώνες που συμβάλλουν στη διάκριση μεταξύ των τριών ειδών πεύκων. Η διαδικασία αυτή αρχίζει χωρίς τις μεταβλητές στο πρότυπο. Η μεταβλητή που συμβάλλει περισσότερο στη διάκριση αυτή εισάγει το μοντέλο εάν το επίπεδο σημασίας Ftest είναι πάνω από το διευκρινισμένο όριο. Σε κάθε επόμενο βήμα, η μεταβλητή μέσα στο πρότυπο που συμβάλλει λιγότερο, εξετάζεται αρχικά για την απομάκρυνση. Αν καμία μεταβλητή δεν αφαιρεθεί, από τις υπόλοιπες που δεν περιλαμβάνονται στο πρότυπο, η μεταβλητή που συμβάλλει περισσότερο στη διάκριση του προτύπου σε περίπτωση που πληρεί να κριτήρια. Η διαδικασία τελειώνει όταν δεν υπάρχουν άλλες μεταβλητές η όταν επιτυγχάνεται ένας μέγιστος αριθμός βημάτων.
Το DISCRIM παράγει μια λειτουργία διάκρισης (ταξινόμηση) όταν δίνεται ένα σύνολο ποσοτικών μεταβλητών και αντίστοιχων ταξινομήσεων για κάθε παρατήρηση. Οι ακρίβειες της ταξινόμησης καθορίζονται χρησιμοποιώντας τη παραγόμενη διακρίνουσα λειτουργίας για να ταξινομήσουν κάθε παρατήρηση, η οποία είναι μια προκατειλημμένη δοκιμή. Η καλύτερη μέτρηση της ακρίβειας είναι η διαγώνια ακρίβεια επικύρωσης όπου κάθε παρατήρηση είναι ταξινομημένη χρησιμοποιώντας το πρότυπο ταξινόμησης που προέρχεται από άλλες παρατηρήσεις.
Τα αποτελέσματα της ταξινόμησης σε αυτό το έγγραφο παρήχθησαν χρησιμοποιώντας STEPDISC με σταδιακή επιλογή, και οι μεταβήτές (κανάλια) που προσδιορίστηκαν χρησιμοποιήθηκαν για να παράγουν τη λειτουργία διακρίνουσας χρησιμοποιώντας DISCRIM. Η προκαθορισμένη αξία είναι 0.15 και χρησιμοποιήθηκε ως μεγάλη μονάδα για την είσοδο και την εξαγωγή του προτύπου σε STEPDISC, και η υπόθεση προεπιλογής της κανονικότητας χρησιμοποιήθηκε για να παράγει τη διακρίνουσα λειτουργεία σε DISCRIM. Προκειμένου να επιλεχθούν διαφορετικοί αριθμοί υπερφασματικών καναλιών, το επίπεδο για Ftest κυμάνθηκε μεταξύ 0.1-0.00001 για τις διαφορετικές ταξινομήσεις με συνέπεια διαφορετικοί αριθμοί καναλιών για κάθε ταξινόμηση. (Η ακρίβεια του ποσοστού των δειγμάτων που ταξινομήθηκαν σωστά και η ακρίβεια των pixels που ταξινομήθηκαν σωστά βρίσκονται εδώ: http://www.asprs.org/publications/proceedings/pecora17/0028.pdf
 
Συμπεράσματα 
Συμπερασματικά, οι ακρίβειες της ταξινόμησης βελτιώνονται σημαντικά χρησιμοποιώντας οποιεσδήποτε μεθόδους φιλτραρίσματος, πέρα από τη χρήση του μετασχηματισμού δεδομένων MNF, κατά τη σύγκριση των συνόλων δεδομένων με παρόμοιους αριθμούς καναλιών. Οι ακρίβειες βελτιώνονται ιδιαίτερα με τη χρήση του AFD, των περικομένων AF, και των περικομένων φίλτρων AFD. Επίσης να σημειωθεί ότι οι ακρίβειες των χρηστών και παραγωγών είναι σημαντικά χαμηλότερες όταν δεν χρησιμοποιείται κανένα φίλτρο από όταν χρησιμοποιούνται οποιαδήποτε από τα προσαρμοστικά φίλτρα. Οι εκτιμήσεις ακρίβειας του K (με τη μέθοδο Kappa) ενισχύουν τις ακρίβειες ταξινόμησης όπως οι υψηλότερες εκτιμήσεις του Κ αντιστοιχούν στις υψηλότερες ακρίβειες ταξινόμησης: δεδομένου ότι η ακρίβεια ταξινόμησης βελτιώνεται, έτσι και οι μεμονωμένες ακρίβειες ταξινόμησης κατά είδος. Υπάρχει μια σημαντική διαφορά στην ακρίβεια μεταξύ της εισόδου των AF (6 είσοδοι) και της εισόδου των AF (8 είσοδοι), καθώς και στις δύο ταξινομήσεις που χρησιμοποιήθηκαν 9 κανάλια. Επιπλέον, παρατηρείται ότι τα ιεραρχικά υψηλότερα κανάλια εμφανίζονται λιγότερο συχνά, όταν δεν χρησιμοποιείται κανένα φίλτρο και όταν χρησιμοποιούνται λιγότερες είσοδοι. Δεδομένου ότι ο αριθμός των εισόδων αυξάνει όσο περισσότερα κανάλια υψηλής ιεράρχισης MNF συμπεριλαμβάνονται στην ταξινόμηση. Τα κανάλια υψηλής ιεράρχισης αντιστοιχούν σε κανάλια με χαμηλό SNR. Τα κανάλια αυτά μπορούν να έχουν χαμηλό SNR, εντούτοις, περιέχουν το σήμα, και αυτά τα κανάλια μπορούν αν είναι χρήσιμα στις εφαρμογές όπως η ταξινόμηση. Το υπερφασματικό κανάλι 36 δεν συμπεριλαμβάνεται στην ταξινόμηση εάν δεν έχει εφαρμοστεί τουλάχιστον ένα 5x5 φίλτρο ενδιάμεσης τιμής και δεν έχει σημειωθεί επίσης η σημαντική αύξηση στην ακρίβεια ταξινόμησης που αντιστοιχεί στη χρησιμοποίηση ενός ενδιάμεσου φίλτρου 7x7 στο κανάλι 36.
Στην Εικόνα1 που ακολουθεί απεικονίζεται το MNF κανάλι χωρίς να χρησιμοποιηθεί φίλτρο, χρησιμοποιώντας το AF(5x5), και το AFD. Τα κανάλια 44 και 45 επίσης στοχεύουν στην ενίσχυση της διάκρισης των πεύκων στην εικόνα και οι υψηλότερες ακρίβειες ταξινόμησης αντιστοιχούν στην εφαρμογή ενός φίλτρου ενδιάμεσης τιμής μεγέθους το λιγότερο 9x9 σ αυτό το κανάλι.
[[Εικόνα:garg_hyper_1_07.jpg|right|thumb||Εικόνα 1 : Ζώνη 36 της κρατικής δασικής εικόνας Appomattox Buckingham στις συντεταγμένες MNF, [http://www.asprs.org/publications/proceedings/pecora17/0028.pdf]πηγή]]

Αυτά τα ΜNF κανάλια σ αυτό το ιδιαίτερο σύνολο δεδομένων δεν εμφανίζονται για να μειώσουν τη χρησιμότητα όπως το μέγεθος του φίλτρου ενδιάμεσης τιμής αυξανόμενο μέσω πίνακα 13x13.
[[Εικόνα:garg_hyper_2_07.jpg|right|thumb|| Πίνακας 1 :Η διανομή των καναλιών προσδιοριζόμενοι μέσω της διακρίνουσας ανάλυσης χρησιμοποιώντας διαφορετικό αριθμό δοχείων για το προσαρμοστικό φιλτροο FM, [http://www.asprs.org/publications/proceedings/pecora17/0028.pdf]πηγή]]
Τέλος, ο Πίνακας1 δίνει έμφαση στη διανομή των καναλιών που χρησιμοποιούνται στην ταξινόμηση στα δοχεία. Να σημειωθεί ότι στην κάτω αριστερή γωνία του πίνακα, τα λίγα χαμηλά ιεραρχημένα κανάλια ΜΝF συμπεριλαμβάνονται στο πρότυπο για μεγάλους αριθμούς εισόδων. Αυτή η εφαρμογή που κάνει διακρίσεις μεταξύ των φασματικά παρόμοιων ειδών δέντρων, πιθανόν δεν ωφελείται πολύ από τα κανάλια με υψηλό SNR και την γενική υψηλή διαφορά, και τη λείανση αυτών των καναλιών με συνέπεια τον αποκλεισμό τους από το πρότυπο που υφίσταται τουλάχιστον ένα φίλτρο μεγέθους 11x11 για εφαρμογές όπου απαιτείται εκτενής χρήση χαμηλής ιεράρχησης καναλιών MNF, ένας μικρότερος αριθμός εισόδων θα ήταν προτιμότερος για την διατήρηση υψηλών SNR καναλιών, ενώ ακόμη λειαίνονται κανάλια με χαμηλό SNRs.
Στη μελέτη αυτή αποδείχθηκε ότι ένα προσαρμοστικό φίλτρο μπορεί επιθετικά να φιλτράρει κανάλια MNF με χαμηλό SNR, διατηρώντας το σήμα στις ζώνες με το υψηλό SNR, με συνέπεια καλύτερες ακρίβειες ταξινόμησης. Οι προσαρμοστικές μέθοδοι φιλτραρίσματος, βελτίωσαν την ταξινόμηση των ειδών των δέντρων, σε ακρίβειες από 86%-99% για την περιοχή μελέτης. Σε αυτό το άρθρο, αποδείχθηκε ότι αυξάνοντας τον αριθμό των γραμμών και στηλών (του μεγέθους) των φίλτρων τα οποία εφαρμόζονται στη λείανση των δεδομένων, βελτιώθηκε η ακρίβεια της ταξινόμησης για το σύνολο των δεδομένων. Για τα ιδιαίτερα «θορυβώδη» σύνολα στοιχείων και τις εφαρμογές που απαιτούν υψηλά κανάλια ιεράρχησης MNF όπως η μεμονωμένη ιεράρχηση ειδών δέντρων, είναι κατάλληλος ένας μεγάλος αριθμός εισόδων.

Ενίσχυση ακμών σε εικόνα ψηφιακής τηλεπισκόπησης σε DCT πεδίο

2011-03-16T09:44:43Z

Argyropoulou Grigoria:

[[category:Ψηφιακή Τηλεπισκόπηση]]

 Ενίσχυση ακμών σε εικόνα ψηφιακής τηλεπισκόπησης σε DCT πεδίο
. 
Πρωτότυπος τίτλος : Edge enhancement of remote sensing image data in the DCT domain

Πηγή : Biao Chena, Shahram Latifia, Junichi Kanai, Image and Vision Computing 17 (1999) 913–921 [http://www.sciencedirect.com/science?_ob=MImg&_imagekey=B6V09-3XCFR5S-6-25&_cdi=5641&_user=10&_pii=S0262885698001656&_origin=search&_zone=rslt_list_item&_coverDate=10%2F31%2F1999&_sk=999829987&wchp=dGLbVtz-zSkzV&md5=64db83cdae6fb0e2658a54054a4d6593&ie=/sdarticle.pdf]
 
Περίληψη 
Η ενίσχυση των ακμών αποτελεί σημαντική μέθοδο επεξεργασίας της ψηφιακής τηλεπισκόπησης. Πολλές εικόνες συμπιέζονται με χρήση των προτύπων JPED τα οποία χρησιμοποιούν το πεδίο DCT (Διακριτό Μετασχηματισμό Συνημιτόνου). Δεδομένου ότι αρκετοί συντελεστές είναι μικροί και μπορούν να κβαντοποιηθούν σε μηδέν τα στοιχεία χειρισμού στα DCT πεδία είναι ένα αποδοτικός τρόπος αποθήκευσης πληροφοριών. Σε αυτό το άρθρο αναπτύσσονται νέοι και γρήγοροι αλγόριθμοι για την ανίχνευση ακμών σε εικόνες ψηφιακής τηλεπισκόπησης μορφής DCT και εφαρμόζονται σε 3 βήματα: εφαρμογή υψιπερατού φίλτρου, πρόσθεση ξανά μέρους η ολόκληρου του επιπέδου των γκρίζων τιμών στην αρχική εικόνα και αύξηση αντίθεσης. Τα αποτελέσματα του πειράματος θα δείξουν ότι η ποιότητα των εικόνων που δημιουργείται από τους νέους αλγορίθμους είναι συγκρίσιμη με τις εικόνες που δημιουργούνται από τις προτεινόμενες μεθόδους στη πεδίο του χώρου.
 
[[Εικόνα:garg_DCT_1_05.jpg|right|thumb||Εικόνα 1 :Τμήμα Ηνωμένου Βασιλείου ως περιοχή μελέτης, [http://www.sciencedirect.com/science?_ob=MImg&_imagekey=B6V09-3XCFR5S-6-25&_cdi=5641&_user=10&_pii=S0262885698001656&_origin=search&_zone=rslt_list_item&_coverDate=10%2F31%2F1999&_sk=999829987&wchp=dGLbVtz-zSkzV&md5=64db83cdae6fb0e2658a54054a4d6593&ie=/sdarticle.pdf]πηγή]]
Μεθοδολογία 
Το χωρικό φιλτράρισμα προσπαθεί να τροποποιήσει τις τιμές των pixels σύμφωνα με τα γκρίζα επίπεδα των γειτονικών pixes. Εδώ εξετάστηκαν μόνο το χαμηλοδιαβατό και το υψιπερατό φίλτρο. Το χαμηλοδιαβατό χωρικό φιλτράρισμα μπορεί να αντιμετωπιστεί σαν υπολογισμός χωρικού μέσου όρου το οποίο μπορεί να λειάνει και να θολώσει μια εικόνα, ενώ το χωρικό υψιπερατό φίλτρο είναι χρήσιμο στην εξαγωγή και τον τονισμό των ακμών της εικόνας. Ο χωρικός υπολογισμός του μέσου όρου σε μια εικόνα σημαίνει αντικατάσταση του τρέχοντος pixel με τον μέσο όρο των τιμών των γειτονικών pixel για να τονίσει τα χαμηλής συχνότητας χαρακτηριστικά γνωρίσματα. Το φίλτρο μπορεί να εφαρμοστεί στο πεδίο του χώρου με χρήση χωρικών φίλτρων. Ο πίνακας του φίλτρου είναι μια σειρά με κατάλληλα ορισμένους συντελεστές μεγέθους 3x3, 5x5, 7x7. Η λειτουργία συνελίξεων είναι να κινηθεί ένας τέτοιος πίνακας σε όλη την αρχική εικόνα και η εξαγώμενη τιμή του pixel στο κέντρο του πυρήνα υπολογίζεται ως σταθμισμένο ποσό των αντίστοιχων τιμών του pixel.
Το υψιπερατό φίλτρο από την άλλη μεριά, δίνει έμφαση στα τμήματα υψηλής συχνότητας της εικόνας. Οι υψιπερατές φιλτραρισμένες εικόνες μπορούν να ληφθούν είτε με αφαίρεση της χαμηλής διέλευσης παραγωγής φίλτρων από την αρχική εικόνα, είτε ο υψιπερατός πίνακας φίλτρων με την αρχική εικόνα άμεσα. Γραμμικό υψιπερατό φιλτράρισμα σε DCT πεδίο: Όταν ένας πίνακας είναι ευδιαχώριστος, η διαδικασία συνέλιξης μπορεί να αντικατασταθεί από τη λειτουργία πολλαπλασιασμού των πινάκων, η οποία είναι γραμμική. Εν ολίγης μπορούμε να αποσυνθέσουμε το δισδιάστατο φίλτρο ως δύο μονοδιάστατα που μπορούν να εφαρμοστούν σε μία κατεύθυνση, έπειτα σε άλλη. Από τη στιγμή που το DCT είναι ορθογώνιο, ευδιαχώριστο και γραμμικά τροποποιημένο, μπορεί να πραγματοποιηθεί δισδιάστατο ευδιαχώριστο γραμμικό φιλτράρισμα στο DCT πεδίο από πολλαπλασιασμό με τον αρχικό-πίνακα και με τον τελικό-πίνακα για το κάθετο και οριζόντιο φιλτράρισμα κατεύθυνσης [2, 4, 5]. Παρουσιάζονται δύο λύσεις για τα υψιπερατά φίλτρα. Μία λύση για γραμμικό υψιπερατό φιλτράρισμα είναι να αφαιρεθεί μια χαμηλοδιαβατή φιλτραρισμένη εικόνα από την αρχική.
Let Bi, BLi and BHi be an 8-by-8 image sub-block and the
corresponding sub-blocks after lowpass and highpass filtering,
respectively.
Ι) Μία λύση για γραμμικό υψιπερατό φιλτράρισμα είναι να αφαιρεθεί μια χαμηλοδιαβατή φιλτραρισμένη εικόνα από την αρχική.
[[Εικόνα:garg_DCT_2_05.jpg|right|thumb||Εικόνα 2 :Χαμηλοδιαβατό 3x3 φίλτρο στη χωρική περιοχή, [http://www.sciencedirect.com/science?_ob=MImg&_imagekey=B6V09-3XCFR5S-6-25&_cdi=5641&_user=10&_pii=S0262885698001656&_origin=search&_zone=rslt_list_item&_coverDate=10%2F31%2F1999&_sk=999829987&wchp=dGLbVtz-zSkzV&md5=64db83cdae6fb0e2658a54054a4d6593&ie=/sdarticle.pdf]πηγή]]
[[Εικόνα:garg_DCT_3_05.jpg|right|thumb||Εικόνα 3 :Εφαρμογή χαμηλοδιαβατού φίλτρου στη DCT περιοχή χρησιμοποιώντας Vl3, Hl3, [http://www.sciencedirect.com/science?_ob=MImg&_imagekey=B6V09-3XCFR5S-6-25&_cdi=5641&_user=10&_pii=S0262885698001656&_origin=search&_zone=rslt_list_item&_coverDate=10%2F31%2F1999&_sk=999829987&wchp=dGLbVtz-zSkzV&md5=64db83cdae6fb0e2658a54054a4d6593&ie=/sdarticle.pdf]πηγή]]
ΙΙ) Η δεύτερη εναλλάκτική λύση είναι να χρησιμοποιηθεί άμεσα ένα υψιπερατό γραμμικό φίλτρο παίρνοντας τη διαφορά μεταξύ των γειτονικών pixel.
 
Ενίσχυση ακμών:
Τα υψηλών συχνοτήτων συστατικά τονίζουν μόνο την τοπική αντίθεση της αρχικής εικόνας, αλλά δεν διατηρούν τη χαμηλή συχνότητα φωτεινότητας που εμπεριέχεται στην εικόνα. η ενίσχυση των ακμών τείνει να κρατήσει και τις ακμές και τις πληροφορίες χαμηλών συχνοτήτων. Συχνά στην επεξεργασία δεδομένων της ψηφιακής τηλεπισκόπησης, η διατήρηση των ακμών εφαρμόζεται σε τρία στάδια:
α)Συστατικά εικόνας υψηλών συχνοτήτων αποκτούνται από εξαγωγή ακμών υψηλών συχνοτήτων. Η τραχύτητα της εικόνας αποφασίζει το μέγεθος του πίνακα του φίλτρου.
β)Ολόκληρη, ή ένα τμήμα των γκρίζων τιμών της αρχικής εικόνας προστίθεται πίσω στην υψιπερατή φιλτραρισμένη εικόνα, ώστε η τοπική αντίθεση της νέας εικόνας βελτιώνεται και οι χωρικές λεπτομέρειες είναι σαφέστερες εν συγκρίσει με πριν.
γ)Αύξηση αντίθεσης στη σύνθετη εικόνα.
[[Εικόνα:garg_DCT_4_05.jpg|right|thumb||Εικόνα 4 :Εφαρμογή υψιπερατού φίλτρου 3x3 στη χωρική περιοχή, [http://www.sciencedirect.com/science?_ob=MImg&_imagekey=B6V09-3XCFR5S-6-25&_cdi=5641&_user=10&_pii=S0262885698001656&_origin=search&_zone=rslt_list_item&_coverDate=10%2F31%2F1999&_sk=999829987&wchp=dGLbVtz-zSkzV&md5=64db83cdae6fb0e2658a54054a4d6593&ie=/sdarticle.pdf]πηγή]]
 
Όπως αναφέρθηκε προηγουμένως, και τα τρία βήματα μπορούν να εκτελεστούν άμεσα στην DCT περιοχή. Το βήμα ένα μπορεί να εφαρμοστεί χρησιμοποιώντας οποιαδήποτε από τις δύο λύσεις που προαναφέθηκαν. Έχουν χρησιμοποιήσει όλα τα φίλτρα που αναφέρθηκαν πρίν για την λειτουργία του τονισμού των ακμών όπως περιγράφεται εδώ:
- Εφαρμογή της πρώτης λύσης:
Στην πρώτη μέθοδο, η αρχική εικόνα, φιλτραρίστηκε πρώτα με ένα χαμηλοδιαβατό φίλτρο από φίλτρα διαφορετικών μεγεθών. Έπειτα, από τη θολωμένη εικόνα αφαιρείται από την αρχική για να επιτευχθεί στην υψιπερατή φιλτραρισμένη εικόνα, η ενίσχυση των ακμών. Μετά από αυτό, το 100% των γκρίζων τιμών της αρχικής εικόνας προστίθενται πίσω και εκτελείται η αύξηση της αντίθεσης.
-Εφαρμογή της δεύτερης λύσης:
Στην δεύτερη προσέγγιση, η αρχική εικόνα φιλτράρεται με ένα υψιπερατό φίλτρο Vh3 και Hh3. Το 100% των κλιμάκων του γκρί της αρχικής εικόνας προστίθεται πίσω σε κάθε pixel της υψιπερατής φιλτραρισμένης εικόνας.
 
Αποτελέσματα 
Η αύξηση της αντίθεσης μπορεί αποτελεσματικά να βελτιώσει την ποιότητα της εικόνας και οι μέθοδοι στο πεδίο του χώρου και στο πεδίο DCT μπορούν να δημιουργήσουν την ίδια απεικόνιση των ακμών. Η διαφορά μπορεί να μετρηθεί από το μέσο τετραγωνικό σφάλμα (MSE, Mean Squared Error). Η τιμή του MSE των αυξήσεων της έντασης ανάμεσα στις δύο οριακές τιμές είναι 0.39. Ο ψηφιακός «θόρυβος» (artifacts), λόγω των τεχνικών φιλτραρίσματος μειώνεται, υποθέτοντας ότι οι τιμές των pixels έξω από τη νοητή γραμμή η οποία υλοποιεί το «θορύβο», είναι ίδιες με αυτές των εσωτερικών τιμών. Συγκρίθηκαν το τελικό αποτέλεσμα με το αρχικό σχέδιο, στο οποίο υποθέσαμε ότι οι τιμές των εξωτερικών pixels είναι όλες 0, και είδαμε ότι ο πίνακας του φίλτρου μπορεί να είναι ακόμα συμμετρικός.
 
[[Εικόνα:garg_DCT_5_05.jpg|right|thumb||Εικόνα 5 :Αύξηση φιλτραρίσματος στη DCT ΠΕΡΙΟΧΉ ΜΈΣΩ Vl5, Hl5 και Vl7, Hl7 αντίστοιχα, [http://www.sciencedirect.com/science?_ob=MImg&_imagekey=B6V09-3XCFR5S-6-25&_cdi=5641&_user=10&_pii=S0262885698001656&_origin=search&_zone=rslt_list_item&_coverDate=10%2F31%2F1999&_sk=999829987&wchp=dGLbVtz-zSkzV&md5=64db83cdae6fb0e2658a54054a4d6593&ie=/sdarticle.pdf]πηγή]]
 
Επιπλέον, με την εξέταση των χαμηλής διέλευσης φιλτραρισμένων εικόνων, με πινάκες, το μέγεθος των οποίων διαφέρει σημαντικά από το μέγεθος του φίλτρου, στις εικόνες, αναδεικνύεται ότι ο πλέον κοντινός στο «θόρυβο» (στα artifacts) πίνακας, είναι ένας υποπίνακς διαστάσεων 3x3. Δεδομένου ότι αναπτύσσονται δραστηριότητες και συμπιεσμένα στοιχεία εικόνας άμεσα, δεν χρειάζεται να κάνουμε αντίστροφο διακριτό μετασχηματισμό συνημιτόνου (ICDT) και ευθύ μετασχηματισμό ημιτόνου (FDCT) για να αποσυμπιέσουμε και να επανα-συμπιέσουμε τα στοιχεία της εικόνας. Επιπλέον, σύμφωνα με την υπόθεσή μας, οι υψιπερατοί και χαμηλοδιαβατοί πίνακες φίλτρων που αναπτύχθηκαν είναι συμμετρικοί και οι αντίστοιχοι FDCT πίνακες είναι διαγώνιοι. Επομένως η λειτουργία V x Bi x H μπορεί να επιτευχθεί από έναν απλό πολλαπλασιασμό πινάκων.
 
Συμπεράσματα 
Προτάθηκε ένα σύνολο γρήγορων αλγορίθμων για την ενίσχυση της εικόνας στο DCT πεδίο. Η αύξηση της αντίθεσης, το υψιπερατό φίλτρο και η ενίσχυση των ακμών, αποδείχθηκαν εκτελέσιμα στο DCT πεδίο με το πολλαπλασιασμό των πινάκων βάσει των ιδιοτήτων του DCT. Επιπλέον η υπολογιστική πολυπλοκότητα μπορεί να απλοποιηθεί περαιτέρω με πολλαπλασιασμούς που χρησιμοποιούν τον πίνακα «στοιχείο επί στοιχείο» για τις περιπτώσεις στις οποίες το FDCT διαθέτει διαγώνιο πίνακα. Το κριτήριο παραγωγής του FDCT πίνακα του φίλτρου, για να είναι διαγώνιο, είναι να αποσυντεθεί ο πίνακας φίλτρων σε ένα συμμετρικό πίνακα. «Ο θόρυβος» μπορεί να μειωθεί ικανοποιητικά, με την υπόθεση ότι η αξία του pixel έξω από το όριο, είναι η ίδια με εκείνης μέσα στο όριο, αντί να υποτεθεί ότι είναι μηδέν. Επιπλέον, τα artifacts αντικείμενα (στην ουσία ο ψηφιακός θόρυβος» μπορούν να μειωθούν περαιτέρω με την εφαρμογή ενός πίνακα - φίλτρου 3x3. Μελλοντικά, θα εστιάσουν περισσότερο στους χειρισμούς στην περιοχή DCT που είναι χρήσιμοι για την ανάλυση των στοιχείων τηλεπισκόπησης.

Ενίσχυση ακμών σε εικόνα ψηφιακής τηλεπισκόπησης σε DCT πεδίο

2011-03-16T09:44:02Z

Argyropoulou Grigoria:

[[category:Ψηφιακή Τηλεπισκόπηση]]

 Ενίσχυση ακμών σε εικόνα ψηφιακής τηλεπισκόπησης σε DCT πεδίο
. 
Πρωτότυπος τίτλος : Edge enhancement of remote sensing image data in the DCT domain

Πηγή : Biao Chena, Shahram Latifia, Junichi Kanai, Image and Vision Computing 17 (1999) 913–921 [http://www.sciencedirect.com/science?_ob=MImg&_imagekey=B6V09-3XCFR5S-6-25&_cdi=5641&_user=10&_pii=S0262885698001656&_origin=search&_zone=rslt_list_item&_coverDate=10%2F31%2F1999&_sk=999829987&wchp=dGLbVtz-zSkzV&md5=64db83cdae6fb0e2658a54054a4d6593&ie=/sdarticle.pdf]
 
Περίληψη 
Η ενίσχυση των ακμών αποτελεί σημαντική μέθοδο επεξεργασίας της ψηφιακής τηλεπισκόπησης. Πολλές εικόνες συμπιέζονται με χρήση των προτύπων JPED τα οποία χρησιμοποιούν το πεδίο DCT (Διακριτό Μετασχηματισμό Συνημιτόνου). Δεδομένου ότι αρκετοί συντελεστές είναι μικροί και μπορούν να κβαντοποιηθούν σε μηδέν τα στοιχεία χειρισμού στα DCT πεδία είναι ένα αποδοτικός τρόπος αποθήκευσης πληροφοριών. Σε αυτό το άρθρο αναπτύσσονται νέοι και γρήγοροι αλγόριθμοι για την ανίχνευση ακμών σε εικόνες ψηφιακής τηλεπισκόπησης μορφής DCT και εφαρμόζονται σε 3 βήματα: εφαρμογή υψιπερατού φίλτρου, πρόσθεση ξανά μέρους η ολόκληρου του επιπέδου των γκρίζων τιμών στην αρχική εικόνα και αύξηση αντίθεσης. Τα αποτελέσματα του πειράματος θα δείξουν ότι η ποιότητα των εικόνων που δημιουργείται από τους νέους αλγορίθμους είναι συγκρίσιμη με τις εικόνες που δημιουργούνται από τις προτεινόμενες μεθόδους στη πεδίο του χώρου.
 
[[Εικόνα:garg_DCT_1_05.jpg|right|thumb||Εικόνα 1 :Τμήμα Ηνωμένου Βασιλείου ως περιοχή μελέτης, [http://www.sciencedirect.com/science?_ob=MImg&_imagekey=B6V09-3XCFR5S-6-25&_cdi=5641&_user=10&_pii=S0262885698001656&_origin=search&_zone=rslt_list_item&_coverDate=10%2F31%2F1999&_sk=999829987&wchp=dGLbVtz-zSkzV&md5=64db83cdae6fb0e2658a54054a4d6593&ie=/sdarticle.pdf]πηγή]]
Μεθοδολογία 
Το χωρικό φιλτράρισμα προσπαθεί να τροποποιήσει τις τιμές των pixels σύμφωνα με τα γκρίζα επίπεδα των γειτονικών pixes. Εδώ εξετάστηκαν μόνο το χαμηλοδιαβατό και το υψιπερατό φίλτρο. Το χαμηλοδιαβατό χωρικό φιλτράρισμα μπορεί να αντιμετωπιστεί σαν υπολογισμός χωρικού μέσου όρου το οποίο μπορεί να λειάνει και να θολώσει μια εικόνα, ενώ το χωρικό υψιπερατό φίλτρο είναι χρήσιμο στην εξαγωγή και τον τονισμό των ακμών της εικόνας. Ο χωρικός υπολογισμός του μέσου όρου σε μια εικόνα σημαίνει αντικατάσταση του τρέχοντος pixel με τον μέσο όρο των τιμών των γειτονικών pixel για να τονίσει τα χαμηλής συχνότητας χαρακτηριστικά γνωρίσματα. Το φίλτρο μπορεί να εφαρμοστεί στο πεδίο του χώρου με χρήση χωρικών φίλτρων. Ο πίνακας του φίλτρου είναι μια σειρά με κατάλληλα ορισμένους συντελεστές μεγέθους 3x3, 5x5, 7x7. Η λειτουργία συνελίξεων είναι να κινηθεί ένας τέτοιος πίνακας σε όλη την αρχική εικόνα και η εξαγώμενη τιμή του pixel στο κέντρο του πυρήνα υπολογίζεται ως σταθμισμένο ποσό των αντίστοιχων τιμών του pixel.
Το υψιπερατό φίλτρο από την άλλη μεριά, δίνει έμφαση στα τμήματα υψηλής συχνότητας της εικόνας. Οι υψιπερατές φιλτραρισμένες εικόνες μπορούν να ληφθούν είτε με αφαίρεση της χαμηλής διέλευσης παραγωγής φίλτρων από την αρχική εικόνα, είτε ο υψιπερατός πίνακας φίλτρων με την αρχική εικόνα άμεσα. Γραμμικό υψιπερατό φιλτράρισμα σε DCT πεδίο: Όταν ένας πίνακας είναι ευδιαχώριστος, η διαδικασία συνέλιξης μπορεί να αντικατασταθεί από τη λειτουργία πολλαπλασιασμού των πινάκων, η οποία είναι γραμμική. Εν ολίγης μπορούμε να αποσυνθέσουμε το δισδιάστατο φίλτρο ως δύο μονοδιάστατα που μπορούν να εφαρμοστούν σε μία κατεύθυνση, έπειτα σε άλλη. Από τη στιγμή που το DCT είναι ορθογώνιο, ευδιαχώριστο και γραμμικά τροποποιημένο, μπορεί να πραγματοποιηθεί δισδιάστατο ευδιαχώριστο γραμμικό φιλτράρισμα στην DCT πεδίο από πολλαπλασιασμό με τον αρχικό-πίνακα και με τον τελικό-πίνακα για το κάθετο και οριζόντιο φιλτράρισμα κατεύθυνσης [2, 4, 5]. Παρουσιάζονται δύο λύσεις για τα υψιπερατά φίλτρα. Μία λύση για γραμμικό υψιπερατό φιλτράρισμα είναι να αφαιρεθεί μια χαμηλοδιαβατή φιλτραρισμένη εικόνα από την αρχική.
Let Bi, BLi and BHi be an 8-by-8 image sub-block and the
corresponding sub-blocks after lowpass and highpass filtering,
respectively.
Ι) Μία λύση για γραμμικό υψιπερατό φιλτράρισμα είναι να αφαιρεθεί μια χαμηλοδιαβατή φιλτραρισμένη εικόνα από την αρχική.
[[Εικόνα:garg_DCT_2_05.jpg|right|thumb||Εικόνα 2 :Χαμηλοδιαβατό 3x3 φίλτρο στη χωρική περιοχή, [http://www.sciencedirect.com/science?_ob=MImg&_imagekey=B6V09-3XCFR5S-6-25&_cdi=5641&_user=10&_pii=S0262885698001656&_origin=search&_zone=rslt_list_item&_coverDate=10%2F31%2F1999&_sk=999829987&wchp=dGLbVtz-zSkzV&md5=64db83cdae6fb0e2658a54054a4d6593&ie=/sdarticle.pdf]πηγή]]
[[Εικόνα:garg_DCT_3_05.jpg|right|thumb||Εικόνα 3 :Εφαρμογή χαμηλοδιαβατού φίλτρου στη DCT περιοχή χρησιμοποιώντας Vl3, Hl3, [http://www.sciencedirect.com/science?_ob=MImg&_imagekey=B6V09-3XCFR5S-6-25&_cdi=5641&_user=10&_pii=S0262885698001656&_origin=search&_zone=rslt_list_item&_coverDate=10%2F31%2F1999&_sk=999829987&wchp=dGLbVtz-zSkzV&md5=64db83cdae6fb0e2658a54054a4d6593&ie=/sdarticle.pdf]πηγή]]
ΙΙ) Η δεύτερη εναλλάκτική λύση είναι να χρησιμοποιηθεί άμεσα ένα υψιπερατό γραμμικό φίλτρο παίρνοντας τη διαφορά μεταξύ των γειτονικών pixel.
 
Ενίσχυση ακμών:
Τα υψηλών συχνοτήτων συστατικά τονίζουν μόνο την τοπική αντίθεση της αρχικής εικόνας, αλλά δεν διατηρούν τη χαμηλή συχνότητα φωτεινότητας που εμπεριέχεται στην εικόνα. η ενίσχυση των ακμών τείνει να κρατήσει και τις ακμές και τις πληροφορίες χαμηλών συχνοτήτων. Συχνά στην επεξεργασία δεδομένων της ψηφιακής τηλεπισκόπησης, η διατήρηση των ακμών εφαρμόζεται σε τρία στάδια:
α)Συστατικά εικόνας υψηλών συχνοτήτων αποκτούνται από εξαγωγή ακμών υψηλών συχνοτήτων. Η τραχύτητα της εικόνας αποφασίζει το μέγεθος του πίνακα του φίλτρου.
β)Ολόκληρη, ή ένα τμήμα των γκρίζων τιμών της αρχικής εικόνας προστίθεται πίσω στην υψιπερατή φιλτραρισμένη εικόνα, ώστε η τοπική αντίθεση της νέας εικόνας βελτιώνεται και οι χωρικές λεπτομέρειες είναι σαφέστερες εν συγκρίσει με πριν.
γ)Αύξηση αντίθεσης στη σύνθετη εικόνα.
[[Εικόνα:garg_DCT_4_05.jpg|right|thumb||Εικόνα 4 :Εφαρμογή υψιπερατού φίλτρου 3x3 στη χωρική περιοχή, [http://www.sciencedirect.com/science?_ob=MImg&_imagekey=B6V09-3XCFR5S-6-25&_cdi=5641&_user=10&_pii=S0262885698001656&_origin=search&_zone=rslt_list_item&_coverDate=10%2F31%2F1999&_sk=999829987&wchp=dGLbVtz-zSkzV&md5=64db83cdae6fb0e2658a54054a4d6593&ie=/sdarticle.pdf]πηγή]]
 
Όπως αναφέρθηκε προηγουμένως, και τα τρία βήματα μπορούν να εκτελεστούν άμεσα στην DCT περιοχή. Το βήμα ένα μπορεί να εφαρμοστεί χρησιμοποιώντας οποιαδήποτε από τις δύο λύσεις που προαναφέθηκαν. Έχουν χρησιμοποιήσει όλα τα φίλτρα που αναφέρθηκαν πρίν για την λειτουργία του τονισμού των ακμών όπως περιγράφεται εδώ:
- Εφαρμογή της πρώτης λύσης:
Στην πρώτη μέθοδο, η αρχική εικόνα, φιλτραρίστηκε πρώτα με ένα χαμηλοδιαβατό φίλτρο από φίλτρα διαφορετικών μεγεθών. Έπειτα, από τη θολωμένη εικόνα αφαιρείται από την αρχική για να επιτευχθεί στην υψιπερατή φιλτραρισμένη εικόνα, η ενίσχυση των ακμών. Μετά από αυτό, το 100% των γκρίζων τιμών της αρχικής εικόνας προστίθενται πίσω και εκτελείται η αύξηση της αντίθεσης.
-Εφαρμογή της δεύτερης λύσης:
Στην δεύτερη προσέγγιση, η αρχική εικόνα φιλτράρεται με ένα υψιπερατό φίλτρο Vh3 και Hh3. Το 100% των κλιμάκων του γκρί της αρχικής εικόνας προστίθεται πίσω σε κάθε pixel της υψιπερατής φιλτραρισμένης εικόνας.
 
Αποτελέσματα 
Η αύξηση της αντίθεσης μπορεί αποτελεσματικά να βελτιώσει την ποιότητα της εικόνας και οι μέθοδοι στο πεδίο του χώρου και στο πεδίο DCT μπορούν να δημιουργήσουν την ίδια απεικόνιση των ακμών. Η διαφορά μπορεί να μετρηθεί από το μέσο τετραγωνικό σφάλμα (MSE, Mean Squared Error). Η τιμή του MSE των αυξήσεων της έντασης ανάμεσα στις δύο οριακές τιμές είναι 0.39. Ο ψηφιακός «θόρυβος» (artifacts), λόγω των τεχνικών φιλτραρίσματος μειώνεται, υποθέτοντας ότι οι τιμές των pixels έξω από τη νοητή γραμμή η οποία υλοποιεί το «θορύβο», είναι ίδιες με αυτές των εσωτερικών τιμών. Συγκρίθηκαν το τελικό αποτέλεσμα με το αρχικό σχέδιο, στο οποίο υποθέσαμε ότι οι τιμές των εξωτερικών pixels είναι όλες 0, και είδαμε ότι ο πίνακας του φίλτρου μπορεί να είναι ακόμα συμμετρικός.
 
[[Εικόνα:garg_DCT_5_05.jpg|right|thumb||Εικόνα 5 :Αύξηση φιλτραρίσματος στη DCT ΠΕΡΙΟΧΉ ΜΈΣΩ Vl5, Hl5 και Vl7, Hl7 αντίστοιχα, [http://www.sciencedirect.com/science?_ob=MImg&_imagekey=B6V09-3XCFR5S-6-25&_cdi=5641&_user=10&_pii=S0262885698001656&_origin=search&_zone=rslt_list_item&_coverDate=10%2F31%2F1999&_sk=999829987&wchp=dGLbVtz-zSkzV&md5=64db83cdae6fb0e2658a54054a4d6593&ie=/sdarticle.pdf]πηγή]]
 
Επιπλέον, με την εξέταση των χαμηλής διέλευσης φιλτραρισμένων εικόνων, με πινάκες, το μέγεθος των οποίων διαφέρει σημαντικά από το μέγεθος του φίλτρου, στις εικόνες, αναδεικνύεται ότι ο πλέον κοντινός στο «θόρυβο» (στα artifacts) πίνακας, είναι ένας υποπίνακς διαστάσεων 3x3. Δεδομένου ότι αναπτύσσονται δραστηριότητες και συμπιεσμένα στοιχεία εικόνας άμεσα, δεν χρειάζεται να κάνουμε αντίστροφο διακριτό μετασχηματισμό συνημιτόνου (ICDT) και ευθύ μετασχηματισμό ημιτόνου (FDCT) για να αποσυμπιέσουμε και να επανα-συμπιέσουμε τα στοιχεία της εικόνας. Επιπλέον, σύμφωνα με την υπόθεσή μας, οι υψιπερατοί και χαμηλοδιαβατοί πίνακες φίλτρων που αναπτύχθηκαν είναι συμμετρικοί και οι αντίστοιχοι FDCT πίνακες είναι διαγώνιοι. Επομένως η λειτουργία V x Bi x H μπορεί να επιτευχθεί από έναν απλό πολλαπλασιασμό πινάκων.
 
Συμπεράσματα 
Προτάθηκε ένα σύνολο γρήγορων αλγορίθμων για την ενίσχυση της εικόνας στο DCT πεδίο. Η αύξηση της αντίθεσης, το υψιπερατό φίλτρο και η ενίσχυση των ακμών, αποδείχθηκαν εκτελέσιμα στο DCT πεδίο με το πολλαπλασιασμό των πινάκων βάσει των ιδιοτήτων του DCT. Επιπλέον η υπολογιστική πολυπλοκότητα μπορεί να απλοποιηθεί περαιτέρω με πολλαπλασιασμούς που χρησιμοποιούν τον πίνακα «στοιχείο επί στοιχείο» για τις περιπτώσεις στις οποίες το FDCT διαθέτει διαγώνιο πίνακα. Το κριτήριο παραγωγής του FDCT πίνακα του φίλτρου, για να είναι διαγώνιο, είναι να αποσυντεθεί ο πίνακας φίλτρων σε ένα συμμετρικό πίνακα. «Ο θόρυβος» μπορεί να μειωθεί ικανοποιητικά, με την υπόθεση ότι η αξία του pixel έξω από το όριο, είναι η ίδια με εκείνης μέσα στο όριο, αντί να υποτεθεί ότι είναι μηδέν. Επιπλέον, τα artifacts αντικείμενα (στην ουσία ο ψηφιακός θόρυβος» μπορούν να μειωθούν περαιτέρω με την εφαρμογή ενός πίνακα - φίλτρου 3x3. Μελλοντικά, θα εστιάσουν περισσότερο στους χειρισμούς στην περιοχή DCT που είναι χρήσιμοι για την ανάλυση των στοιχείων τηλεπισκόπησης.

Ενίσχυση ακμών σε εικόνα ψηφιακής τηλεπισκόπησης σε DCT πεδίο

2011-03-16T09:42:03Z

Argyropoulou Grigoria:

[[category:Ψηφιακή Τηλεπισκόπηση]]

 Ενίσχυση ακμών σε εικόνα ψηφιακής τηλεπισκόπησης σε DCT πεδίο
. 
Πρωτότυπος τίτλος : Edge enhancement of remote sensing image data in the DCT domain

Πηγή : Biao Chena, Shahram Latifia, Junichi Kanai, Image and Vision Computing 17 (1999) 913–921 [http://www.sciencedirect.com/science?_ob=MImg&_imagekey=B6V09-3XCFR5S-6-25&_cdi=5641&_user=10&_pii=S0262885698001656&_origin=search&_zone=rslt_list_item&_coverDate=10%2F31%2F1999&_sk=999829987&wchp=dGLbVtz-zSkzV&md5=64db83cdae6fb0e2658a54054a4d6593&ie=/sdarticle.pdf]
 
Περίληψη 
Η ενίσχυση των ακμών αποτελεί σημαντική μέθοδο επεξεργασίας της ψηφιακής τηλεπισκόπησης. Πολλές εικόνες συμπιέζονται με χρήση των προτύπων JPED τα οποία χρησιμοποιούν το πεδίο DCT (Διακριτό Μετασχηματισμό Συνημιτόνου). Δεδομένου ότι αρκετοί συντελεστές είναι μικροί και μπορούν να κβαντοποιηθούν σε μηδέν τα στοιχεία χειρισμού στα DCT πεδία είναι ένα αποδοτικός τρόπος αποθήκευσης πληροφοριών. Σε αυτό το άρθρο αναπτύσσονται νέοι και γρήγοροι αλγόριθμοι για την ανίχνευση ακμών σε εικόνες ψηφιακής τηλεπισκόπησης μορφής DCT και εφαρμόζονται σε 3 βήματα: εφαρμογή υψιπερατού φίλτρου, πρόσθεση ξανά μέρους η ολόκληρου του επιπέδου των γκρίζων τιμών στην αρχική εικόνα και αύξηση αντίθεσης. Τα αποτελέσματα του πειράματος θα δείξουν ότι η ποιότητα των εικόνων που δημιουργείται από τους νέους αλγορίθμους είναι συγκρίσιμη με τις εικόνες που δημιουργούνται από τις προτεινόμενες μεθόδους στη πεδίο του χώρου.
 
[[Εικόνα:garg_DCT_1_05.jpg|right|thumb||Εικόνα 1 :Τμήμα Ηνωμένου Βασιλείου ως περιοχή μελέτης, [http://www.sciencedirect.com/science?_ob=MImg&_imagekey=B6V09-3XCFR5S-6-25&_cdi=5641&_user=10&_pii=S0262885698001656&_origin=search&_zone=rslt_list_item&_coverDate=10%2F31%2F1999&_sk=999829987&wchp=dGLbVtz-zSkzV&md5=64db83cdae6fb0e2658a54054a4d6593&ie=/sdarticle.pdf]πηγή]]
Μεθοδολογία 
Το χωρικό φιλτράρισμα προσπαθεί να τροποποιήσει τις τιμές των pixels σύμφωνα με τα γκρίζα επίπεδα των γειτονικών pixes. Εδώ εξετάστηκαν μόνο το χαμηλοδιαβατό και το υψιπερατό φίλτρο. Το χαμηλοδιαβατό χωρικό φιλτράρισμα μπορεί να αντιμετωπιστεί σαν υπολογισμός χωρικού μέσου όρου το οποίο μπορεί να λειάνει και να θολώσει μια εικόνα, ενώ το χωρικό υψιπερατό φίλτρο είναι χρήσιμο στην εξαγωγή και τον τονισμό των ακμών της εικόνας. Ο χωρικός υπολογισμός του μέσου όρου σε μια εικόνα σημαίνει αντικατάσταση του τρέχοντος pixel με τον μέσο όρο των τιμών των γειτονικών pixel για να τονίσει τα χαμηλής συχνότητας χαρακτηριστικά γνωρίσματα. Το φίλτρο μπορεί να εφαρμοστεί στο πεδίο του χώρου με χρήση χωρικών φίλτρων. Ο πίνακας του φίλτρου είναι μια σειρά με κατάλληλα ορισμένους συντελεστές μεγέθους 3x3, 5x5, 7x7. Η λειτουργία συνελίξεων είναι να κινηθεί ένας τέτοιος πίνακας σε όλη την αρχική εικόνα και η εξαγώμενη τιμή του pixel στο κέντρο του πυρήνα υπολογίζεται ως σταθμισμένο ποσό των αντίστοιχων τιμών του pixel.
Το υψιπερατό φίλτρο από την άλλη μεριά, δίνει έμφαση στα τμήματα υψηλής συχνότητας της εικόνας. Οι υψιπερατές φιλτραρισμένες εικόνες μπορούν να ληφθούν είτε με αφαίρεση της χαμηλής διέλευσης παραγωγής φίλτρων από την αρχική εικόνα, είτε ο υψιπερατός πίνακας φίλτρων με την αρχική εικόνα άμεσα. Γραμμικό υψιπερατό φιλτράρισμα σε DCT πεδίο: Όταν ένας πίνακας είναι ευδιαχώριστος, η διαδικασία συνέλιξης μπορεί να αντικατασταθεί από τη λειτουργία πολλαπλασιασμού των πινάκων, η οποία είναι γραμμική. Εν ολίγης μπορούμε να αποσυνθέσουμε το δισδιάστατο φίλτρο ως δύο μονοδιάστατα που μπορούν να εφαρμοστούν σε μία κατεύθυνση, έπειτα σε άλλη. Από τη στιγμή που το DCT είναι ορθογώνιο, ευδιαχώριστο και γραμμικά τροποποιημένο, μπορεί να πραγματοποιηθεί δισδιάστατο ευδιαχώριστο γραμμικό φιλτράρισμα στην DCT πεδίο από πολλαπλασιασμό με τον αρχικό-πίνακα και με τον τελικό-πίνακα για το κάθετο και οριζόντιο φιλτράρισμα κατεύθυνσης [2, 4, 5]. Παρουσιάζονται δύο λύσεις για τα υψιπερατά φίλτρα. Μία λύση για γραμμικό υψιπερατό φιλτράρισμα είναι να αφαιρεθεί μια χαμηλοδιαβατή φιλτραρισμένη εικόνα από την αρχική.
Let Bi, BLi and BHi be an 8-by-8 image sub-block and the
corresponding sub-blocks after lowpass and highpass filtering,
respectively.
Ι) Μία λύση για γραμμικό υψιπερατό φιλτράρισμα είναι να αφαιρεθεί μια χαμηλοδιαβατή φιλτραρισμένη εικόνα από την αρχική.
[[Εικόνα:garg_DCT_2_05.jpg|right|thumb||Εικόνα 2 :Χαμηλοδιαβατό 3x3 φίλτρο στη χωρική περιοχή, [http://www.sciencedirect.com/science?_ob=MImg&_imagekey=B6V09-3XCFR5S-6-25&_cdi=5641&_user=10&_pii=S0262885698001656&_origin=search&_zone=rslt_list_item&_coverDate=10%2F31%2F1999&_sk=999829987&wchp=dGLbVtz-zSkzV&md5=64db83cdae6fb0e2658a54054a4d6593&ie=/sdarticle.pdf]πηγή]]
[[Εικόνα:garg_DCT_3_05.jpg|right|thumb||Εικόνα 3 :Εφαρμογή χαμηλοδιαβατού φίλτρου στη DCT περιοχή χρησιμοποιώντας Vl3, Hl3, [http://www.sciencedirect.com/science?_ob=MImg&_imagekey=B6V09-3XCFR5S-6-25&_cdi=5641&_user=10&_pii=S0262885698001656&_origin=search&_zone=rslt_list_item&_coverDate=10%2F31%2F1999&_sk=999829987&wchp=dGLbVtz-zSkzV&md5=64db83cdae6fb0e2658a54054a4d6593&ie=/sdarticle.pdf]πηγή]]
ΙΙ) Η δεύτερη εναλλάκτική λύση είναι να χρησιμοποιηθεί άμεσα ένα υψιπερατό γραμμικό φίλτρο παίρνοντας τη διαφορά μεταξύ των γειτονικών pixel.
 
Ενίσχυση ακμών:
Τα υψηλών συχνοτήτων συστατικά τονίζουν μόνο την τοπική αντίθεση της αρχικής εικόνας, αλλά δεν διατηρούν τη χαμηλή συχνότητα φωτεινότητας που εμπεριέχεται στην εικόνα. η ενίσχυση των ακμών τείνει να κρατήσει και τις ακμές και τις πληροφορίες χαμηλών συχνοτήτων. Συχνά στην επεξεργασία δεδομένων της ψηφιακής τηλεπισκόπησης, η διατήρηση των ακμών εφαρμόζεται σε τρία στάδια:
α)Συστατικά εικόνας υψηλών συχνοτήτων αποκτούνται από εξαγωγή ακμών υψηλών συχνοτήτων. Η τραχύτητα της εικόνας αποφασίζει το μέγεθος του πίνακα του φίλτρου.
β)Ολόκληρη, ή ένα τμήμα των γκρίζων τιμών της αρχικής εικόνας προστίθεται πίσω στην υψιπερατή φιλτραρισμένη εικόνα, ώστε η τοπική αντίθεση της νέας εικόνας βελτιώνεται και οι χωρικές λεπτομέρειες είναι σαφέστερες εν συγκρίσει με πριν.
γ)Αύξηση αντίθεσης στη σύνθετη εικόνα.
[[Εικόνα:garg_DCT_4_05.jpg|right|thumb||Εικόνα 4 :Εφαρμογή υψιπερατού φίλτρου 3x3 στη χωρική περιοχή, [http://www.sciencedirect.com/science?_ob=MImg&_imagekey=B6V09-3XCFR5S-6-25&_cdi=5641&_user=10&_pii=S0262885698001656&_origin=search&_zone=rslt_list_item&_coverDate=10%2F31%2F1999&_sk=999829987&wchp=dGLbVtz-zSkzV&md5=64db83cdae6fb0e2658a54054a4d6593&ie=/sdarticle.pdf]πηγή]]
 
Όπως αναφέρθηκε προηγουμένως, και τα τρία βήματα μπορούν να εκτελεστούν άμεσα στην DCT περιοχή. Το βήμα ένα μπορεί να εφαρμοστεί χρησιμοποιώντας οποιαδήποτε από τις δύο λύσεις που προαναφέθηκαν. Έχουν χρησιμοποιήσει όλα τα φίλτρα που αναφέρθηκαν πρίν για την λειτουργία του τονισμού των ακμών όπως περιγράφεται εδώ:
- Εφαρμογή της πρώτης λύσης:
Στην πρώτη μέθοδο, η αρχική εικόνα, φιλτραρίστηκε πρώτα με ένα χαμηλοδιαβατό φίλτρο από φίλτρα διαφορετικών μεγεθών. Έπειτα, από τη θολωμένη εικόνα αφαιρείται από την αρχική για να επιτευχθεί στην υψιπερατή φιλτραρισμένη εικόνα, η ενίσχυση των ακμών. Μετά από αυτό, το 100% των γκρίζων τιμών της αρχικής εικόνας προστίθενται πίσω και εκτελείται η αύξηση της αντίθεσης.
-Εφαρμογή της δεύτερης λύσης:
Στην δεύτερη προσέγγιση, η αρχική εικόνα φιλτράρεται με ένα υψιπερατό φίλτρο Vh3 και Hh3. Το 100% των κλιμάκων του γκρί της αρχικής εικόνας προστίθεται πίσω σε κάθε pixel της υψιπερατής φιλτραρισμένης εικόνας.
 
Αποτελέσματα 
Η αύξηση της αντίθεσης μπορεί αποτελεσματικά να βελτιώσει την ποιότητα της εικόνας και οι μέθοδοι στο πεδίο του χώρου και στο πεδίο DCT μπορούν να δημιουργήσουν την ίδια απεικόνιση των ακμών. Η διαφορά μπορεί να μετρηθεί από το μέσο τετραγωνικό σφάλμα (MSE, Mean Squared Error). Η τιμή του MSE των αυξήσεων της έντασης ανάμεσα στις δύο οριακές τιμές είναι 0.39. Ο ψηφιακός «θόρυβος» (artifacts), λόγω των τεχνικών φιλτραρίσματος μειώνεται, υποθέτοντας ότι οι τιμές των pixels έξω από τη νοητή γραμμή η οποία υλοποιεί το «θορύβο», είναι ίδιες με αυτές των εσωτερικών τιμών. Συγκρίθηκαν το τελικό αποτέλεσμα με το αρχικό σχέδιο, στο οποίο υποθέσαμε ότι οι τιμές των εξωτερικών pixels είναι όλες 0, και είδαμε ότι ο πίνακας του φίλτρου μπορεί να είναι ακόμα συμμετρικός.
 
[[Εικόνα:garg_DCT_5_05.jpg|right|thumb||Εικόνα 5 :Αύξηση φιλτραρίσματος στη DCT ΠΕΡΙΟΧΉ ΜΈΣΩ Vl5, Hl5 και Vl7, Hl7 αντίστοιχα, [http://www.sciencedirect.com/science?_ob=MImg&_imagekey=B6V09-3XCFR5S-6-25&_cdi=5641&_user=10&_pii=S0262885698001656&_origin=search&_zone=rslt_list_item&_coverDate=10%2F31%2F1999&_sk=999829987&wchp=dGLbVtz-zSkzV&md5=64db83cdae6fb0e2658a54054a4d6593&ie=/sdarticle.pdf]πηγή]]
 
Επιπλέον, με την εξέταση των χαμηλής διέλευσης φιλτραρισμένων εικόνων, με πινάκες, το μέγεθος των οποίων διαφέρει σημαντικά από το μέγεθος του φίλτρου, στις εικόνες, αναδεικνύεται ότι ο πλέον κοντινός στο «θόρυβο» (στα artifacts) πίνακας, είναι ένας υποπίνακς διαστάσεων 3x3. Δεδομένου ότι αναπτύσσονται δραστηριότητες και συμπιεσμένα στοιχεία εικόνας άμεσα, δεν χρειάζεται να κάνουμε αντίστροφο διακριτό μετασχηματισμό συνημιτόνου (ICDT) και ευθύ μετασχηματισμό ημιτόνου (FDCT) για να αποσυμπιέσουμε και να επανα-συμπιέσουμε τα στοιχεία της εικόνας. Επιπλέον, σύμφωνα με την υπόθεσή μας, οι υψιπερατοί και χαμηλοδιαβατοί πίνακες φίλτρων που αναπτύχθηκαν είναι συμμετρικοί και οι αντίστοιχοι FDCT πίνακες είναι διαγώνιοι. Επομένως η λειτουργία V x Bi x H μπορεί να επιτευχθεί από έναν απλό πολλαπλασιασμό πινάκων.
 
Συμπεράσματα 
Προτάθηκε ένα σύνολο γρήγορων αλγορίθμων για την ενίσχυση της εικόνας στην DCT περιοχή. Η αύξηση της αντίθεσης, το υψιπερατό φίλτρο και η ενίσχυση των ακμών, αποδείχθηκαν εκτελέσιμα στην περιοχή DCT με το πολλαπλασιασμό των πινάκων βάσει των ιδιοτήτων του DCT. Επιπλέον η υπολογιστική πολυπλοκότητα μπορεί να απλοποιηθεί περαιτέρω με πολλαπλασιασμούς που χρησιμοποιούν τον πίνακα «στοιχείο επί στοιχείο» για τις περιπτώσεις στις οποίες το FDCT διαθέτει διαγώνιο πίνακα. Το κριτήριο παραγωγής του FDCT πίνακα του φίλτρου, για να είναι διαγώνιο, είναι να αποσυντεθεί ο πίνακας φίλτρων σε ένα συμμετρικό πίνακα. «Ο θόρυβος» μπορεί να μειωθεί ικανοποιητικά, με την υπόθεση ότι η αξία του pixel έξω από το όριο, είναι η ίδια με εκείνης μέσα στο όριο, αντί να υποτεθεί ότι είναι μηδέν. Επιπλέον, τα artifacts αντικείμενα (στην ουσία ο ψηφιακός θόρυβος» μπορούν να μειωθούν περαιτέρω με την εφαρμογή ενός πίνακα - φίλτρου 3x3. Μελλοντικά, θα εστιάσουν περισσότερο στους χειρισμούς στην περιοχή DCT που είναι χρήσιμοι για την ανάλυση των στοιχείων τηλεπισκόπησης.

Ενίσχυση ακμών σε εικόνα ψηφιακής τηλεπισκόπησης σε DCT περιοχή

2011-03-16T09:37:06Z

Argyropoulou Grigoria: Η Ενίσχυση ακμών σε εικόνα ψηφιακής τηλεπισκόπησης σε DCT περιοχή μετονομάστηκε σε Ενίσχυση ακμών σε εικόνα ψηφιακής τηλεπισκόπησης σε DCT π�

#REDIRECT [[Ενίσχυση ακμών σε εικόνα ψηφιακής τηλεπισκόπησης σε DCT πεδίο]]

Ενίσχυση ακμών σε εικόνα ψηφιακής τηλεπισκόπησης σε DCT πεδίο

2011-03-16T09:37:06Z

[[category:Ψηφιακή Τηλεπισκόπηση]]

 Ενίσχυση ακμών σε εικόνα ψηφιακής τηλεπισκόπησης σε DCT περιοχή
. 
Πρωτότυπος τίτλος : Edge enhancement of remote sensing image data in the DCT domain

Πηγή : Biao Chena, Shahram Latifia, Junichi Kanai, Image and Vision Computing 17 (1999) 913–921 [http://www.sciencedirect.com/science?_ob=MImg&_imagekey=B6V09-3XCFR5S-6-25&_cdi=5641&_user=10&_pii=S0262885698001656&_origin=search&_zone=rslt_list_item&_coverDate=10%2F31%2F1999&_sk=999829987&wchp=dGLbVtz-zSkzV&md5=64db83cdae6fb0e2658a54054a4d6593&ie=/sdarticle.pdf]
 
Περίληψη 
Η ενίσχυση των ακμών αποτελεί σημαντική μέθοδο επεξεργασίας της ψηφιακής τηλεπισκόπησης. Πολλές εικόνες συμπιέζονται από πρότυπα JPED τα οποία χρησιμοποιούν Διακριτό Μετασχηματισμό Συνημιτόνου (DCT). Δεδομένου ότι αρκετοί συντελεστές είναι μικροί και μπορούν να κβαντοποιηθούν σε μηδέν τα στοιχεία χειρισμού στα DCT δεδομένα είναι ένα αποδοτικός τρόπος αποθήκευσης πηγών υπολογιστών. Σ' αυτό το άρθρο αναπτύσσονται νέοι και γρήγοροι αλγόριθμοι για την ανίχνευση ακμών σε εικόνες ψηφιακής τηλεπισκόπησης μορφής DCT και εφαρμόζονται σε 3 βήματα: εφαρμογή υψιπερατού φίλτρου, πρόσθεση ξανά μέρους η ολόκληρου του επιπέδου των γκρίζων τιμών στην αρχική εικόνα και αύξηση αντίθεσης. Τα αποτελέσματα του πειράματος θα δείξουν ότι η ποιότητα των εικόνων που δημιουργείται από τους νέους αλγορίθμους είναι συγκρίσιμη με τις εικόνες που δημιουργούνται από τις προτεινόμενες μεθόδους στη χωρική περιοχή.
 
[[Εικόνα:garg_DCT_1_05.jpg|right|thumb||Εικόνα 1 :Τμήμα Ηνωμένου Βασιλείου ως περιοχή μελέτης, [http://www.sciencedirect.com/science?_ob=MImg&_imagekey=B6V09-3XCFR5S-6-25&_cdi=5641&_user=10&_pii=S0262885698001656&_origin=search&_zone=rslt_list_item&_coverDate=10%2F31%2F1999&_sk=999829987&wchp=dGLbVtz-zSkzV&md5=64db83cdae6fb0e2658a54054a4d6593&ie=/sdarticle.pdf]πηγή]]
Μεθοδολογία 
Το χωρικό φιλτράρισμα προσπαθεί να τροποποιήσει τις τιμές των pixels σύμφωνα με τα γκρίζα επίπεδα των γειτονικών pixes. Εδώ εξετάστηκαν μόνο το χαμηλοδιαβατό και το υψιπερατό φίλτρο. Το χαμηλοδιαβατό χωρικό φιλτράρισμα μπορεί να αντιμετωπιστεί σαν υπολογισμός χωρικού μέσου όρου το οποίο μπορεί να λειάνει και να θολώσει μια εικόνα, ενώ το χωρικό υψιπερατό φίλτρο είναι χρήσιμο στην εξαγωγή και τον τονισμό των ακμών της εικόνας.
Ο χωρικός υπολογισμός του μέσου όρου σε μια εικόνα σημαίνει αντικατάσταση του τρέχοντος pixel με τον μέσο όρο των τιμών των γειτονικών pixel για να τονίσει τα χαμηλής συχνότητας χαρακτηριστικά γνωρίσματα. Το φίλτρο μπορεί να εφαρμοστεί στη χωρική περιοχή επικαλύπτοντας μια εικόνα με ένα πίνακα φίλτρου. Ο πίνακας του φίλτρου είναι μια σειρά με κατάλληλα ορισμένους συντελεστές μεγέθους 3x3, 5x5, 7x7. Η λειτουργία συνελίξεων είναι να κινηθεί ένας τέτοιος πίνακας σε όλη την αρχική εικόνα και η εξαγώμενη τιμή του pixel στο κέντρο του πυρήνα υπολογίζεται ως σταθμισμένο ποσό των αντίστοιχων τιμών του pixel.
Το υψιπερατό φίλτρο από την άλλη μεριά, δίνει έμφαση στα τμήματα υψηλής συχνότητας της εικόνας. Οι υψιπερατές φιλτραρισμένες εικόνες μπορούν να ληφθούν είτε με αφαίρεση της χαμηλής διέλευσης παραγωγής φίλτρων από την αρχική εικόνα, είτε ο υψιπερατός πίνακας φίλτρων με την αρχική εικόνα άμεσα.
Γραμμικό υψιπερατό φιλτράρισμα σε DCT δεδομένα:
Όταν ένας πίνακας είναι ευδιαχώριστος, η διαδικασία συνέλιξης μπορεί να αντικατασταθεί από τη λειτουργία πολλαπλασιασμού των πινάκων, η οποία είναι γραμμική. Εν ολίγης μπορούμε να αποσυνθέσουμε το δισδιάστατο φίλτρο ως δύο μονοδιάστατα που μπορούν να εφαρμοστούν σε μία κατεύθυνση, έπειτα σε άλλη. Από τη στιγμή που το DCT είναι ορθογώνιο, ευδιαχώριστο και γραμμικά τροποποιημένο, μπορεί να πραγματοποιηθεί δισδιάστατο ευδιαχώριστο γραμμικό φιλτράρισμα στην DCT περιοχή από πολλαπλασιασμό με τον προ-πίνακα και μετά-πίνακα για το κάθετο και οριζόντιο φιλτράρισμα κατεύθυνσης [2, 4, 5]. Παρουσιάζονται δύο λύσεις για τα υψιπερατά φίλτρα.
Let Bi, BLi and BHi be an 8-by-8 image sub-block and the
corresponding sub-blocks after lowpass and highpass filtering,
respectively.
Ι) Μία λύση για γραμμικό υψιπερατό φιλτράρισμα είναι να αφαιρεθεί μια χαμηλοδιαβατή φιλτραρισμένη εικόνα από την αρχική.
[[Εικόνα:garg_DCT_2_05.jpg|right|thumb||Εικόνα 2 :Χαμηλοδιαβατό 3x3 φίλτρο στη χωρική περιοχή, [http://www.sciencedirect.com/science?_ob=MImg&_imagekey=B6V09-3XCFR5S-6-25&_cdi=5641&_user=10&_pii=S0262885698001656&_origin=search&_zone=rslt_list_item&_coverDate=10%2F31%2F1999&_sk=999829987&wchp=dGLbVtz-zSkzV&md5=64db83cdae6fb0e2658a54054a4d6593&ie=/sdarticle.pdf]πηγή]]
[[Εικόνα:garg_DCT_3_05.jpg|right|thumb||Εικόνα 3 :Εφαρμογή χαμηλοδιαβατού φίλτρου στη DCT περιοχή χρησιμοποιώντας Vl3, Hl3, [http://www.sciencedirect.com/science?_ob=MImg&_imagekey=B6V09-3XCFR5S-6-25&_cdi=5641&_user=10&_pii=S0262885698001656&_origin=search&_zone=rslt_list_item&_coverDate=10%2F31%2F1999&_sk=999829987&wchp=dGLbVtz-zSkzV&md5=64db83cdae6fb0e2658a54054a4d6593&ie=/sdarticle.pdf]πηγή]]
ΙΙ) Η δεύτερη εναλλάκτική λύση είναι να χρησιμοποιηθεί άμεσα ένα υψιπερατό γραμμικό φίλτρο παίρνοντας τη διαφορά μεταξύ των γειτονικών pixel.
 
Ενίσχυση ακμών:
Τα υψηλών συχνοτήτων συστατικά τονίζουν μόνο την τοπική αντίθεση της αρχικής εικόνας, αλλά δεν διατηρούν τη χαμηλή συχνότητα φωτεινότητας που εμπεριέχεται στην εικόνα. η ενίσχυση των ακμών τείνει να κρατήσει και τις ακμές και τις πληροφορίες χαμηλών συχνοτήτων. Συχνά στην επεξεργασία δεδομένων της ψηφιακής τηλεπισκόπησης, η διατήρηση των ακμών εφαρμόζεται σε τρία στάδια:
α)Συστατικά εικόνας υψηλών συχνοτήτων αποκτούνται από εξαγωγή ακμών υψηλών συχνοτήτων. Η τραχύτητα της εικόνας αποφασίζει το μέγεθος του πίνακα του φίλτρου.
β)Ολόκληρη, ή ένα τμήμα των γκρίζων τιμών της αρχικής εικόνας προστίθεται πίσω στην υψιπερατή φιλτραρισμένη εικόνα, ώστε η τοπική αντίθεση της νέας εικόνας βελτιώνεται και οι χωρικές λεπτομέρειες είναι σαφέστερες εν συγκρίσει με πριν.
γ)Αύξηση αντίθεσης στη σύνθετη εικόνα.
[[Εικόνα:garg_DCT_4_05.jpg|right|thumb||Εικόνα 4 :Εφαρμογή υψιπερατού φίλτρου 3x3 στη χωρική περιοχή, [http://www.sciencedirect.com/science?_ob=MImg&_imagekey=B6V09-3XCFR5S-6-25&_cdi=5641&_user=10&_pii=S0262885698001656&_origin=search&_zone=rslt_list_item&_coverDate=10%2F31%2F1999&_sk=999829987&wchp=dGLbVtz-zSkzV&md5=64db83cdae6fb0e2658a54054a4d6593&ie=/sdarticle.pdf]πηγή]]
 
Όπως αναφέρθηκε προηγουμένως, και τα τρία βήματα μπορούν να εκτελεστούν άμεσα στην DCT περιοχή. Το βήμα ένα μπορεί να εφαρμοστεί χρησιμοποιώντας οποιαδήποτε από τις δύο λύσεις που προαναφέθηκαν. Έχουν χρησιμοποιήσει όλα τα φίλτρα που αναφέρθηκαν πρίν για την λειτουργία του τονισμού των ακμών όπως περιγράφεται εδώ:
- Εφαρμογή της πρώτης λύσης:
Στην πρώτη μέθοδο, η αρχική εικόνα, φιλτραρίστηκε πρώτα με ένα χαμηλοδιαβατό φίλτρο από φίλτρα διαφορετικών μεγεθών. Έπειτα, από τη θολωμένη εικόνα αφαιρείται από την αρχική για να επιτευχθεί στην υψιπερατή φιλτραρισμένη εικόνα, η ενίσχυση των ακμών. Μετά από αυτό, το 100% των γκρίζων τιμών της αρχικής εικόνας προστίθενται πίσω και εκτελείται η αύξηση της αντίθεσης.
-Εφαρμογή της δεύτερης λύσης:
Στην δεύτερη προσέγγιση, η αρχική εικόνα φιλτράρεται με ένα υψιπερατό φίλτρο Vh3 και Hh3. Το 100% των κλιμάκων του γκρί της αρχικής εικόνας προστίθεται πίσω σε κάθε pixel της υψιπερατής φιλτραρισμένης εικόνας.
 
Αποτελέσματα 
Η αύξηση της αντίθεσης μπορεί αποτελεσματικά να βελτιώσει την ποιότητα της εικόνας και οι μέθοδοι και στη χωρική και στη DCT περιοχή μπορούν να αποτελέσουν στην ίδια απεικόνιση των ακμών. Η διαφορά μπορεί να μετρηθεί από το μέσο τετραγωνικό σφάλμα (MSE, Mean Squared Error). Η τιμή του MSE των αυξήσεων της έντασης των δύο τιμών είναι 0.39
Blocky artifacts των τεχνικών φιλτραρίσματος μειώνονται υποθέτοντας ότι οι τιμές των pixels έξω από το block είναι ίδιες με αυτές των εσωτερικών τιμών με το όριο φραγμών όπως ένας καθρέφτης. Συγκρίθηκαν το αποτέλεσμα με το αρχικό σχέδιο, στο οποίο υποθέσαμε ότι οι τιμές των εξωτερικών pixels είναι όλες 0, και είδαμε ότι ο πίνακας του φίλτρου μπορεί να είναι ακόμα συμμετρικός.
 
[[Εικόνα:garg_DCT_5_05.jpg|right|thumb||Εικόνα 5 :Αύξηση φιλτραρίσματος στη DCT ΠΕΡΙΟΧΉ ΜΈΣΩ Vl5, Hl5 και Vl7, Hl7 αντίστοιχα, [http://www.sciencedirect.com/science?_ob=MImg&_imagekey=B6V09-3XCFR5S-6-25&_cdi=5641&_user=10&_pii=S0262885698001656&_origin=search&_zone=rslt_list_item&_coverDate=10%2F31%2F1999&_sk=999829987&wchp=dGLbVtz-zSkzV&md5=64db83cdae6fb0e2658a54054a4d6593&ie=/sdarticle.pdf]πηγή]]
 
Επιπλέον, με την εξέταση των χαμηλής διέλευσης φιλτραρισμένων εικόνων με διαφορετικό μέγεθος πινάκων, στις εικόνες , φαίνεται καθαρά ότι το κοντινότερο στο 3x3 είναι το μέγεθος του πίνακα φίλτρου, the less are the blocky artifacts. Δεδομένου ότι αναπτύσσονται δραστηριότητες και συμπιεσμένα στοιχεία εικόνας άμεσα, δεν χρειάζεται να κάνουμε αντίστροφο διακριτό μετασχηματισμό συνημιτόνου ICDT και Forward Discrete Cosine Transform FDCT για να αποσυμπιέσουμε και ξανα-συμπιέσουμε τα στοιχεία της εικόνας. Επιπλέον, σύμφωνα με την υπόθεσή μας, οι υψιπερατοί και χαμηλοδιαβατοί πίνακες φίλτρων που αναπτύχθηκαν είναι συμμετρικοί, και οι αντίστοιχοι FDCT πίνακες είναι διαγώνιοι. Επομένως η λειτουργία V x Bi x H μπορεί να επιτευχθεί από ένα πολλαπλασιασμό πινάκων.
 
Συμπεράσματα 
Προτάθηκε ένα σύνολο γρήγορων αλγορίθμων για την ενίσχυση της εικόνας στην DCT περιοχή. Η αύξηση της αντίθεσης, το υψιπερατό φίλτρο και η ενίσχυση των ακμών, αποδείχθηκαν εκτελέσιμα στην περιοχή DCT με το πολλαπλασιασμό των πινάκων βάσει των ιδιοτήτων του DCT. Επιπλέον η υπολογιστική πολυπλοκότητα μπορεί να απλοποιηθεί περαιτέρω σε πολλαπλασιασμούς που χρησιμοποιούν τον πίνακα στοιχείο επί στοιχείο για τις περιπτώσεις στις οποίες το FDCT διαθέτει διαγώνιο πίνακα. Το κριτήριο παραγωγής του FDCT του πίνακα του φίλτρου για να είναι διαγώνιο είναι να αποσυντεθεί ο πίνακας φίλτρων στο συμμετρικό πίνακα. Τα blocky αντικείμενα μπορούν να μειωθούν πολύ με την υπόθεση ότι η αξία του pixel έξω από το φραγμό είναι η ίδια με εκείνης μέσα στο φραγμό, αντί να υποθέσουν ότι είναι μηδέν. Επιπλέον, τα blocky αντικείμενα μπορούν να μειωθούν περαιτέρω με την εφαρμογή πίνακα φίλτρου 3x3. Μελλοντικά, θα εστιάσουν περισσότερο στους χειρισμούς στην περιοχή DCT που είναι χρήσιμοι για την ανάλυση των στοιχείων τηλεπισκόπησης.

Δημιουργία και αξιολόγηση μοντέλων για τον υπολογισμό της πυκνότητας του πληθυσμού

2011-03-16T09:36:09Z

Argyropoulou Grigoria:

[[category:Ψηφιακή Τηλεπισκόπηση]]

Δημιουργία και αξιολόγηση μοντέλων για τον υπολογισμό της πυκνότητας του πληθυσμού 
Πρωτότυπος τίτλος : Building and Evaluating Models to
Estimate Ambient Population Density.Πηγή : Steven M. Kloiber, Patrick L. Brezonik, Leif G. Olmanson, Marvin E. Bauer, Photogrammetric Engineering & Remote Sensing
Vol. 69, No. 5, May 2003, pp. 545–553.
[http://www.asprs.org/publications/pers/2003journal/may/2003_may_545-552.pdf]
 
Περίληψη 
Η πυκνότητα του πληθυσμού αποτελεί ένα συνηθισμένο χαρακτηρισμό του
γεωγραφικού διαστήματος σε ένα ευρύ φάσμα κλιμάκων.
Οι μετρήσεις της πυκνότητας του πληθυσμού είναι χρήσιμες σε πολλές εφαρμογές όπως στην εκτίμηση της περιβαλλοντικής επίδρασης, στον προγραμματισμό μεταφορών, στην λήψη αποφάσεων οικονομικής φύσεως, και σε πολλές άλλες εφαρμογές.
Οι χρήσιμες μετρήσεις της πυκνότητας του πληθυσμού πρέπει να πραγματοποιούνται σε κατάλληλες, συγκεκριμένες χωρικές και χρονικές κλίμακες εφαρμογής. Εντούτοις, τα δεδομένα του πληθυσμού δεν είναι πάντα διαθέσιμα στις χωρικές και χρονικές αναλύσεις που απαιτούνται. Σ αυτό το έγγραφο ερευνήθηκαν κάποιες εμπειρικές και θεωρητικές προσεγγίσεις ώστε να υπάρχει η δυνατότητα υπολογισμού της πυκνότητας του πληθυσμού του περιβάλλοντος. Η περιβαλλοντική πυκνότητα πληθυσμών είναι ένα χρονικά υπολογισμένο κατά μέσο όρο μέγεθος της πυκνότητας πληθυσμών που ενσωματώνει την ανθρώπινη κινητικότητα. Ποια είναι η κατάλληλη μέθοδος για να χαρακτηρίσει την πυκνότητα του πληθυσμού ενός pixel στο χώρο και στο χρόνο; Θα μπορούσαν όλα τα pixels να σταθεροποιηθούν στην πυκνότητα του πληθυσμού κατά στη διάρκεια της ίδιας χρονικής περιόδου; Ένα pixel σε μια διάβαση πεζών σε μια πολυσύχναστη διατομή της πόλης μπορεί να φτάσει σε μια σταθερή πυκνότητα πληθυσμού κατά τη διάρκεια μιας μέρας, αυτό όμως μπορεί να χρειαστεί ένα διάστημα εβδομάδων, μηνών κτλ. για ένα pixel σε ένα συνεδριακό κέντρο που σταθεροποιεί λόγω περισσότερων ακραίων διακυμάνσεων τη ροή των ανθρώπων. Δηλαδή, η χρονική μεταβλητότητα είναι ένα ζήτημα που πρέπει να ληφθεί καλά υπόψην στην εκτίμηση της πυκνότητας των πληθυσμών.
 
Η περιοχή μελέτης-Τηλεπισκοπικά δεδομένα 
Τα τρία μοντέλα της πυκνότητας πληθυσμών που χρησιμοποιούνται σε αυτή τη μελέτη είναι το GPW (Gridded Population of the World), το LandScan , και ένα μοντέλο που προέρχεται από δορυφορικές νυχτερινές εικόνες και παρέχεται από τον δορυφόρο DMSP-OLS. Τα δεδομένα που χρησιμοποιήθηκαν για να αξιολογήσουν αυτές τις εκτιμήσεις της πυκνότητας πληθυσμών ήταν ένα πλέγμα του 1 km²της πυκνότητας του πληθυσμού που προήλθαν από δεδομένα απογραφής του 1990 των Ηνωμένων Πολιτειών και από το δημόσιας χρήσης Microstation της απασχόλησης των εργαζομένων στην περιοχή του Λος Άντζελες.
 
Μεθοδολογία 
Τα πρότυπα πυκνότητας του πληθυσμού χρησιμοποιήθηκαν για να επικυρώσουν αυτά τα πρότυπα του πλέγματος της πυκνότητας των πληθυσμών, που προήλθαν από τα διοικητικά όρια της Αμερικανικής απογραφής το 1990. Αυτά τα στοιχεία αναφοράς αξιοποιήθηκαν με τρεις τρόπους ώστε να συλληφθεί η κινητικότητα και να προσεγγιστεί η περιβαλλοντική πυκνότητα των πληθυσμών: 1)χωρική συνάθροιση στα μεγαλύτερα pixels, 2) χρήση φίλτρων μέσης τιμής, 3) χρήση των δεδομένων απασχόλησης και κατοικίας στη δεδομένη περιοχή. Η συνολική πυκνότητα των πληθυσμών προήλθε από το PUMS για την περιοχή του Los Angeles. Οι δύο πρώτοι χειρισμοί είναι ισοτροπικοί, ενώ στην πραγματικότητα θα ποικίλλουν περιφερειακά τα ανισότροπα σχέδια κινητικότητας που θα επηρεάσουν οποιαδήποτε ακριβή αντιπροσώπευση του περιβαλλοντος σε αντίθεση με την κατοικία στην πυκνότητα πληθυσμών.
Η χωρική αυτοσυσχέτιση είναι μια ιδιότητα του συνόλου δεδομένων της πυκνότητας που παρουσιάζει τα προβλήματα για τα ακριβή πρότυπα για να υπολογίσει τον υψηλό βαθμό της χωρικής μεταβλητότητάς του. Η χωρική συνάθροιση μειώνει τη μεταβλητότητα των τιμών του pixel προς το μέσο όρο τους. Χαρακτηριστικά, οι τιμές του pixel έχουν την υψηλή μεταβλητότητα στις μικρές αναλύσεις και χαμηλότερη μεταβλητότητα στις πιο υψηλές αναλύσεις ενώ η συνεχής συνάθροιση οδηγεί τελικά σε μια μέση πυκνότητα των πληθυσμών για ολόκληρο τον πλανήτη. Η λείανση διατηρεί το χωρικό ψήφισμα του συνόλου δεδομένων αλλά μειώνει την μεταβλητότητα των pixels τοπικά. Σε αυτή τη μελέτη τα επίγεια δεδομένα που συλλέχθηκαν λειάνθηκαν χρησιμοποιώντας ένα φίλτρο μέσης τιμής μεγέθους 5x5 και ένα άλλο μεγέθους 11x11. Η αιτιολόγηση της μέσης λείανσης είναι ότι το στοιχείο απογραφής καταγράφει που είναι οι άνθρωποι τη νύχτα. Ένα μέσο χωρικό φίλτρο αποτελεί μια μέθοδο λείανσης που στην πραγματικότητα προσπαθεί να συλλάβει την κίνηση των ανθρώπων από το σπίτι προς το γραφείο, προς το κατάστημα ή και το σχολείο. Στις Ηνωμένες Πολιτείες το 1975 η μέση απόσταση της διαδρομής σπίτι-εργασιακός χώρος ήταν περίπου 9 μίλια. Να σημειωθεί ότι το φιλτράρισμα είναι ένα μέσο προσέγγισης της περιβαλλοντικής πυκνότητας των πληθυσμών που προκύπτει από τις ανθρώπινες μετακινήσεις. Η χρήση ενός φίλτρου λείανσης εξυπηρετεί σε δύο σκοπούς. Αρχικά, η λείανση μπορεί να παράγει μια εικόνα που είναι περισσότερο αντιπροσωπευτική της περιβαλλοντικής πυκνότητας του πληθυσμού μέσω του χρόνου. Δεύτερον, η λείανση αυξάνει τη χωρική αυτοσυσχέτιση των στοιχείων,, μειώνοντας στην ουσία τη ραγδαία εξέλιξη των αποσυνθέσεων. Μια περιοχή που εξηγεί το πρόβλημα την υψηλής χωρικής μεταβλητότητας των μετρήσεων της πυκνότητας των κατοικιών του πληθυσμού, είναι αυτή του πανεπιστημίου της Καλιφόρνιας στην Πανεπιστημιούπολη Santa Barbara (UCSB) και της κοντινής κοινότητας των σπουδαστών Vista Isla. Τα αρχεία απογραφής παρουσιάζουν το UCSB έχοντας μια πολύ χαμηλή πυκνότητα πληθυσμού, ενώ η Vista Isla έχει μερικά από τα πιο πυκνά κομμάτια απογραφής στα δυτικά του Μισισιπή. Μια μέση λείανση της εικόνας της πυκνότητας του πληθυσμού αυξάνει αυτή τη πυκνότητα των περιοχών όπως στην πανεπιστημιούπολη UCSB και ιδιαίτερα όπου οριοθετούν τη περιοχή Vista Isla. Επιπλέον, η προαναφερόμενη κοινότητα έχει χαμηλή πυκνότητα πληθυσμού εμπορικής φύσης δίπλα στις κατοικημένες περιοχές υψηλής πυκνότητας που επιλύονται από τα πολύγωνα φραγμών απογραφής και το αποτέλεσμα του πλέγματος είναι 1 km² που προέρχονται από αυτές. Αυτό αποτελεί καλό παράδειγμα υψηλής χωρικής μεταβλητότητας στη λεπτή κλίμακα. Το φίλτρο λείανσης παράγει μια αντιπροσώπευση της πυκνότητας πληθυσμών στη Vista Isla που διαδίδει τον πληθυσμό πιό ομοιόμορφα μεταξύ των εμπορικών και των κατοικήσιμων περιοχών στην κοινότητα. Το μοντέλο της πυκνότητας πληθυσμών που προήλθε από τα νυχτερινές δορυφορικές εικόνες αξιολογήθηκε στο σύνολο δεδομένων πυκνότητας πληθυσμών 1 km², και στις συναθροίσεις του συνόλου δεδομένων στα pixels με πλευρές 5-10 km². Οι εικόνες μεγαλύτερων pixels απλά σημαίνουν συναθροίσεις της λεπτομερούς ανάλυσης της εικόνας. Το αποτέλεσμα ‘προβλέψεις’ της πυκνότητας του πληθυσμού συγκρίθηκε έπειτα και με την φιλτραρισμένη εικόνα και με τη μη-φιλτραρισμένη πυκνότητα των πληθυσμών των βάσεων δεδομένων αναφοράς.
Η τρίτη μέθοδος για την αξιολόγηση των εκτιμήσεων πληθυσμού GPW, LandScan και Nighttime-Image εστίασε στην μητροπολιτική περιοχή του Λος Άντζελες. Η βάση δεδομένων αναφοράς’ της περιβαλλοντικής πυκνότητας πληθυσμού που χρησιμοποιήθηκε για την περιοχή μετρό του Λος Άντζελες ήταν ένας απλός αριθμητικός μέσος όρος της μέτρησης βάσης-κατοικίας της πυκνότητας πληθυσμών που προέκυψαν από τα στοιχεία απογραφής του 1990 και μιας μέτρησης βάσης-απασχόλησης πληθυσμού που προέκυψε από τα στοιχεία PUMS.
 
Αποτελέσματα και ανάλυση 
Η αστική περιοχή που αποτελεί τη Μινεάπολη και το Σεντ Πολ παρέχει μια καλή απεικόνιση της εμφάνισης αυτών των μοντέλων και προτύπων με τα οποία συγκρίθηκαν (εικόνα1). Η εικόνα περιλαμβάνει την μη-φιλτραρισμένη πυκνότητα του πληθυσμού που προέρχεται από τα πολύγωνα της ομάδας φραγμών της απογραφής των ΗΠΑ, 1990, από τα φίλτρα μέσης τιμής 5x5, 11x11 εκείνων των στοιχείων, το μοντέλο που προήλθε από τα στοιχεία εικόνας DMSP OLS και το σφαιρικό πρόγραμμα δημογραφίας 5x5 λεπτών.
 
[[Εικόνα:garg_mean_1_08.jpg|right|thumb||Εικόνα 1 :Παρουσίαση των περιβαλλοντικών πυκνοτήτων του πληθυσμού σύμφωνα με τις προτεινόμενες μεθόδους στην περιοχή Minneapolis-St. Paul, [http://www.asprs.org/publications/pers/2003journal/may/2003_may_545-552.pdf]πηγή]]
 
Λόγω του ότι τα μοντέλα που προέρχονται από το DMSP OLS νυχτερινών εικόνων, παράγονται μόνο πέρα από τις αστικές περιοχές, τα αποτελέσματα της Εικόνας 1 περιορίζονται στις περιοχές του DMSP OLS εικόνων. Εστιάζοντας σε αυτά τα pixels, αναλύουμε το 10% του εδάφους που περιέχει σχεδόν το 80% των ανθρώπων. Οι ηπειρωτικές Ηνωμένες Πολιτείες είχαν 5.881 αστικές συστοιχίες με μέσο όρο πληθυσμού 32.952. Σαν εκτίμηση του αστικού πληθυσμού, είναι 4% από την τιμή του γραφείου αναφοράς πληθυσμού των 75%. Τα πρότυπα συγκρίθηκαν στην ανάλυση των 1,5,11 km². Ο Πίνακας 1 συνοψίζει τις συγκρίσεις των μοντέλων GPW και DMSP OLS του πληθυσμού και στα χωρικά αθροισμένα και στα φιλτραρισμένα πρότυπα. Τα πρότυπα είναι της μέτρησης των km² της πυκνότητας του πληθυσμού που προκύπτουν από την απογραφή του 1990 και την έκδοση του 5x5 φίλτρου μέσης τιμής του συνόλου δεδομένων. Οι εκτιμήσεις του DMSP μοντέλου ξεπέρασε τις σφαιρικές εκτιμήσεις του προγράμματος δημογραφίας σχεδόν στις κλίμακες κάθε κατηγορίας, συμπεριλαμβανομένης της κλίμακας των σφαιρικών στοιχείων προγράμματος δημογραφίας.
 
[[Εικόνα:garg_mean_2_08.jpg|right|thumb||Πίνακας 1 :Σύγκριση των προτύπων GPW, DMSP OLS στα πρότυπα όλων των αστικών Αμερικανικών περιοχών, [http://www.asprs.org/publications/pers/2003journal/may/2003_may_545-552.pdf]πηγή]]
 
Στην Εικόνα 2 παρουσιάζονται τα λάθη της DMSP OLS συγκρινόμενα με τη μη-φιλτραρισμένη εικόνα πυκνότητας πληθυσμού στην περιοχή του Λος Αντζελες. Τα λάθη εντοπίστηκαν από τη χωρική μη-κατανεμημένη περιοχή. Οι υπερεκτιμήσεις (μπλε) παρουσιάστηκαν στις περιοχές που έχουν χαμηλές πυκνότητες πληθυσμού σύμφωνα με τα στοιχεία απογραφής, ενώ αυτές που εκτιμήθηκαν σωστά εμφανίστηκαν στα υψηλά εμπορικά κέντρα πυκνότητας πληθυσμών. Πολλά από τα λάθη είναι εύκολα να ερμηνευθούν. Για παράδειγμα, η πυκνότητα πληθυσμού στα αστικά κέντρα είναι σωστά υπολογισμένη. Αυτές οι περιοχές τείνουν να παρουσιάζονται σωστά στην εικόνα. Εντούτοις, το γραμμικό ποσοστό του πληθυσμού που διατίθεται σ αυτές τις περιοχές βασισμένες στην ελαφριά ένταση είναι ανεπαρκές για να αποτελέσει πραγματική πυκνότητα πληθυσμού. Αυτά τα λάθη θα μπορούσαν να μετριαστούν με τη χρήση μιας μη-γραμμικής κατανομής της πυκνότητας πληθυσμών αλλά θα αύξανε τα υπάρχοντα λάθη της υπερεκτίμησης. Τα δύο μεγάλα αεροδρόμια στη συστοιχία είναι σημαντικά υπερεκτιμημένα. Η περιοχή γύρω από το διεθνές αεροδρόμιο του Λος Άντζελες (LAX) αποτελεί ένα μεγάλο λάθος υπερεκτίμησης της πυκνότητας πληθυσμών. Το αεροδρόμιο αυτό είναι ένας από τους μεγαλύτερους εργοδότες της πόλης και δεκάδες χιλιάδες άνθρωποι πετούν από αυτό, προς αυτό ή μέσω αυτού σε καθημερινή βάση, αλλά παρόλα αυτά η περιοχή έχει σχετικά χαμηλή πυκνότητα πληθυσμού σύμφωνα με την κατοικημένη περιοχή (στοιχεία που προκύπτουν από την απογραφή).
 
[[Εικόνα:garg_mean_3_08.jpg|right|thumb||Εικόνα 2 :Απεικόνιση του σφάλματος της αστικής συστοιχίας του Los Angeles, [http://www.asprs.org/publications/pers/2003journal/may/2003_may_545-552.pdf]πηγή]]
 
Θεωρητικά καλύτερα πρότυπα της περιβαλλοντικής πυκνότητας θα μπορούσαν να επιτευχθούν από το χρονικά υπολογισμένο μέσο όρο της χωρικής συμπεριφοράς όλων των προσώπων παρόντων μες στην περιοχή του Λος Άντζελες για εκείνο το δεδομένο χρόνο. Το οικονομικό και πρακτικό εμπόδιο στην απόκτηση ενός τέτοιου συνόλου δεδομένων είναι προς το παρόν αξεπέραστο, εντούτοις ένα βελτιωμένο πρότυπο της περιβαλλοντικής πυκνότητας πληθυσμών, αποκτήθηκε από το συνδυασμό της μέτρησης του 1990 των βασισμένων σε κατοικίες πυκνοτήτων πληθυσμών και του 1990 των βασισμένων σε απασχόληση που προήλθαν από τα στοιχεία PUMS. Η χωρική συνάθροιση και το φίλτρο μέσης τιμής είναι κάπως ειδικής προσπάθειας στην παραγωγή περιβαλλοντικών προτύπων πυκνότητας πληθυσμών από μία μέτρηση σε βασισμένη-κατοικία της πυκνότητας πληθυσμού. Είναι ισοτροπικοί στη φύση, και η γνώση της ανθρώπινης και χωρικής συμπεριφοράς μας λέει ότι η περιβαλλοντική πυκνότητα του πληθυσμού δεν μπορεί να προέλθει από ένα ισοτροπικό χειρισμό μιας βασισμένης σε κατοικία πυκνότητα πληθυσμού.
Τα τελικά πρότυπα από την περιβαλλοντική πυκνότητα αποκτήθηκαν υπολογίζοντας κατά μέσο όρο μιας μέτρησης σε κατοικία και μιας μέτρησης πυκνότητας πληθυσμών για την περιοχή του Λος Άντζελες. Αυτός ο χειρισμός ενσωματώνει τα πρόσθετα εμπειρικά στοιχεία και συλλαμβάνει συνεπώς μερικές από τις ανισότροπες φύσεις της διαφοράς μεταξύ της βασισμένης σε κατοικία πυκνότητας πληθυσμών και της περιβαλλοντικής πυκνότητας των πληθυσμών. Η εκτίμηση της περιβαλλοντικής πυκνότητας αποκτήθηκε από το DMSP OLS νυχτερινής εικόνας και ήταν η μόνη εκτίμηση η οποία σχετίζεται με τα πρότυπα που προήλθαν από την βασισμένα στην απασχόληση και στην κατοικία και ήταν υψηλότερο από το συσχετισμό του είτε με την κτοικία είτε μόνο στην απασχόληση. Η Εικόνα 3 συνοψίζει τις συγκρίσεις του DMSP OLS προτύπου που αποκτήθηκε και των προτύπων βασισμένων σε κατοικία και απασχόληση της περιοχής του Λος Άντζελες. Είναι σημαντικό να σημειωθεί ότι το χωρικό σχέδιο του λάθους στην εικόνα2 είναι περισσότερο τυχαίο από το λάθος που παρουσιάστηκε από τη μέτρηση της βασισμένης σε κατοικία της εικόνας1.Μια ανάλυση συχευτισμού του DMSP OLS, GPW, LandScan προτύπων βασισμένων σε κατοικία και απασχόληση προτύπων της πυκνότητας πληθυσμών στη περιοχή του μετρό του Λος Άντζελες διευθύνθηκε για να αξιολογηθεί η ακρίβεια αυτών των τριών αντιπροσωπεύσεων από την περιβαλλοντική πυκνότητα πληθυσμών. Το GPW και το DMSP OLS είχε την πιο ισχυρή συσχέτιση με τα πρότυπα της περιβαλλοντικής πυκνότητας πληθυμσού που αποκτήθηκαν από τις μετρήσεις των βασισμένων σε απασχόληση και κατοικίας πυκνοτήτων πληθυσμού. To GPW έχει την πιο υψηλή συσχέτιση με την μέτρηση του βασισμένο σε κατοικία και το DMSP OLS πρότυπο έχει τη μεγαλύτερη συχέτιση με τη μέτρηση του βασισμένου σε απασχόληση. Το DMSP OLS πρότυπο είναι το μοναδικό πρότυπο του οποίου η συχέτιση με το πρότυπο της περιβαλλοντικής πυκνότητας είναι υψηλότερο με είτε των βασισμένων σε κατοικίες είτε στα πρότυπα των βασισμένων σε απασχόληση μόνο. Το πρότυπο DMSP OLS έχει τη μεγαλύτερη διαφορά μεταξύ της αναμενόμενη αξία του συσχετισμού του με τα περιβαλλοντικά πρότυπα και τις παρατηρηθείσες αξίες του.
 
[[Εικόνα:garg_mean_4_08.jpg|right|thumb||Εικόνα 3: Συγκρίσεις της DMSP OLS εικόνας νυχτερινής ελαφριάς έντασης πέρα από το Λος Άντζελες των μετρήσεων πυκνοτήτων πληθυσμού των βασισμένων σε κατοικίες και χώρους εργασίας, [http://rsl.gis.umn.edu/Documents/RικSE%2082-2002_Kloiber_Regional%20lake%20clarity.pdf]πηγή]]
Αξιολόγηση 
Οι περισσότερες υπάρχουσες μετρήσεις της πυκνότητας του πληθυσμού προκύπτουν από αυθαίρετες χωρικές μονάδες μιας εθνικής απογραφής και αντιπροσωπεύουν την κατοικημένη πυκνότητα πληθυσμών. Η χρονική ποιότητα αυτών των μετρήσεων είναι διπλή υπό την έννοια ότι αυτοί μετρούν καλύτερα μια νυχτερινή πυκνότητα πληθυσμού και ο κύκλος επανάληψης της μέτρησης καθορίζεται από την πυκνότητα της απογραφής. Ενώ αυτό αποτελεί μια νόμιμη και χρήσιμη μέτρηση της πυκνότητας πληθυσμών, υπάρχουν διάφορα μειονεκτήματα σε αυτή τη μέτρηση που τα πρότυπα που περιγράφονται εδώ μπορούν να μετριάσουν. Μερικά από τα πλεονεκτήματα των GPW, LandScan και DMSP OLS της πυκνότητας των πληθυσμών είναι (1) ομοιόμορφες χωρικές μονάδες που ικανοποιούν τις ανάγκες για τις μελέτες των ανθρώπινων διαστάσεων της σφαιρικής αλλαγής, (2) ένα χρονικά υπολογισμένο κατά μέσο όρο μέτρο της πυκνότητας πληθυσμών βασισμένο στην ανθρώπινη κινητικότητα και (3) οι παραλλαγές αυτών των προτύπων που μπορούν να παρέχουν αυτή τη σφαιρική κάλυψη σε ένα συχνότερο επαναλαμβανόμενο κύκλο. Οι τρεις αντιπροσωπεύσεις της πυκνότητας των πληθυσμών που περιγράφηκαν εδώ έχουν διαφορετικές δυνάμεις. Το GPW και το LandScan καλύπτουν τις αγροτικές και αστικές περιοχές εκτιμώντας ότι το DMSP OLS μοντέλο έχει αναπτυχθεί μόνο για αστικές περιοχές. Η χωρική ανάλυση του DMSP OLS και του LandScan είναι καλύτερη από του GPW. Το GPW είναι στην ουσία μια ξανά-αντιπροσώπευση των υπαρχόντων στοιχείων απογραφής ενώ το LandScan είναι ουσιασικά ένας χειρισμός GPW που αυξάνει τη χωρική μεταβλητότητα και την ανάλυση και προσπαθεί να ληφθεί περιβαλλοντικά σε αντίθεση με την βασισμένη σε κατοικία πυκνότητα πληθυσμών. Από την άλλη μεριά, το DMSP OLS πρότυπο χρησιμοποιεί μόνο ένα μεταβλητό και μπορούν να εφαρμοστούν ως ανεξάρτητη εκτίμηση του πληθυσμού και της πυκνότητάς τους.
Γενικότερα, η αναγνώριση των δυνατοτήτων και των αδυναμιών αυτών των προτύπων που αναλύθηκαν, επιτρέπει τη συνεχή ανεξάρτητη βελτίωση τους ακόμη και για πιθανή συνεφαρμογή τους. Το GPW πρέπει να παραμείνει ως gridded (πλέγμα) αντιπροσώπευση των δημογραφικών δεδομένων που παράγονται από τα αξιόπιστα, καλύτερα εκτιμώμενα επίσημα όρια, εθνικά καταγεγραμένων αριθμών στην καλύτερη διαθέσιμη χωρική ανάλυση. Το GPW θα μπορούσε να εξυπηρετήσει ως τμήμα του πλαισίου στοιχείων για την ανάπτυξη μιας γεωγραφικής βάσης δεδομένων των Ηνωμένων Εθνών. Ιδανικά η προσπάθεια θα εστιάσει στην κάλυψη του κενού στους τομείς της οικονομίας, της δημογραφίας ιδιαίτερα στις αναπτυσσόμενες χώρες. Το Landscan προέρχεται πλήρως από ψηφιακές δορυφορικές εικόνες και τα χαρτογραφικά προιόντα που είναι καλύτερης (finer) χωρικής και χρονικής ανάλυσης από τα παραδοσιακά στοιχεία απογραφής. Να σημειωθεί επίσης ότι οι χαρτογραφικές και ψηφιακής τηλεπισκόπησης απεικονίσεις είναι πιο οικονομικές και πιο εύκολες να αποκτηθούν σε αντίθεση με τους παραδοσιακούς τρόπους απογραφής. Η θεωρία έπρεπε να μετατρέψει αυτά τα στοιχεία σε πρόσθετες εκτιμήσεις, κοινωνικές, οικονομικές, δημογραφικές ιδιότητες εκτός από την πυκνότητα που εξελίσσεται γρήγορα. Το DMSP OLS είναι ένα άριστο σχετικό παράδειγμα. Οι σφαιρικές DMSP OLS εικόνες χρησιμοποιούνται για να παράγουν καλύτερη χωρική ανάλυση χαρτών των ανθρώπινων τακτοποιήσεων, χαρτογραφούν το αστικό ποσοστό και γενικότερα χρησιμεύουν σαν μέτρο πληρεξούσιου της οικονομικής δραστηριότητας, της κατανάλωσης ενέργειας, και τις εκπομπές του διοξειδίου του άνθρακα.

Δημιουργία και αξιολόγηση μοντέλων για τον υπολογισμό της πυκνότητας του πληθυσμού

2011-03-16T09:35:18Z

Argyropoulou Grigoria:

Βελτιστοποίηση της ανίχνευσης κτιρίων σε δορυφορικές εικόνες Landsat και Spot συνδυάζοντας πολυφασματική ταξινόμηση και φίλτρα υφής.

2011-03-16T09:27:19Z

Argyropoulou Grigoria:

[[category:Ψηφιακή Τηλεπισκόπηση]]

 Βελτιστοποίηση ανίχνευσης κτιρίων σε δορυφορικές εικόνες Landsat και Spot συνδυάζοντας πολυφασματική ταξινόμηση και φίλτρα υφής. 
Πρωτότυπος τίτλος : Optimisation of building detection in satellite images by combining multispectral classification and texture filtering 
Πηγή : Yun Zhang, ISPRS Journal of Photogrammetry & Remote Sensing 54_199 pp 50–60 [http://www.sciencedirect.com/science?_ob=MImg&_imagekey=B6VF4-3W4XJ1F-5-H&_cdi=6000&_user=83473&_pii=S0924271698000276&_origin=search&_zone=rslt_list_item&_coverDate=02%2F28%2F1999&_sk=999459998&wchp=dGLzVlz-zSkWb&md5=cb172db6ff6d255a5119e0813c601a59&ie=/sdarticle.pdf]
 
Περίληψη 
Οι συμβατικές πολυφασματικές μέθοδοι, παρουσιάζουν μέτρια επίδοση όσον αφορά την ανίχνευση των αντικειμένων αστικών κατηγοριών, όπως κτίρια σε δορυφορικές εικόνες υψηλής χωρικής ανάλυσης. Αυτό οφείλεται στο ότι τα αντικείμενα στις αστικές περιοχές έχουν περίπλοκα χωρικά και φασματικά χαρακτηριστικά. Η πολυφασματική ταξινόμηση ανιχνεύει κατηγορίες αντικειμένων μόνο σύμφωνα με τις φασματικές πληροφορίες μεμονωμένων pixels, ενώ οι χωρικές πληροφορίες παραμελούνται. Εδώ, περιγράφεται μια τεχνική η οποία προσπαθεί να ανιχνεύσει τα αστικά κτίρια σε δύο φάσεις. Αρχικά πραγματοποιείται η συμβατική πολυφασματική ταξινόμηση. Στη συνέχεια, η ταξινόμηση των κτιρίων βελτιώνεται με τη βοήθεια των χωρικών πληροφοριών μέσω ενός τροποποιημένου φίλτρου co-occurrence (συνεμφάνισης). Η προτεινόμενη αυτή μέθοδος είναι πολύ χρήσιμη για μια γρήγορη εκτίμηση των αστικών κτιρίων και της ανάπτυξης των πόλεων, ειδικά στις μητροπολιτικές περιοχές των αναπτυσσόμενων χωρών.
 

Η περιοχή μελέτης και ο στόχος για την περιοχή 
Η περιοχή μελέτης είναι η πόλη της Σαγκάη στην Κίνα[http://el.wikipedia.org/wiki/%CE%A3%CE%B1%CE%B3%CE%BA%CE%AC%CE%B7]. Καλύπτει μια περιοχή των 30x30 χιλιομέτρων προσεγγιστικά . Τα κτίρια της πόλης που είναι περίπου 12-20m πλάτους, είναι κατά βάση κατοικημένα πρόκειται για σπίτια που χτίζονται από το 1949 και ιδιαίτερα από το 1979. Aυτό το είδος κτιρίων διαμορφώνει τα συνηθισμένα αστικά χαρακτηριστικά γνωρίσματα στις δορυφορικές εικόνες. Καλύπτουν το 50% ολόκληρης της κατοικήσιμης περιοχής και αναπτύσσονται όλο και πιο δυναμικά γι’ αυτό και η ανίχνευσή τους είναι και ο βασικός στόχος της μελέτης αυτής. Τα άλλα είδη κτιρίων στην περιοχή αυτή είναι ψηλά κτίρια με περισσότερα από 10 πατώματα, παλαιά μικρά κτίρια, τοποθετημένα πολύ κοντά το ένα στο άλλο αλλά και μικρά παραδοσιακά και ακανόνιστα σπίτια. Τα παλαιά μικρά κτίρια και όσα είναι φτιαγμένα από παραδοσιακά υλικά (π.χ. πέτρες), λόγω μικρού μεγέθους και κοντινής απόστασης μεταξύ τους δεν μπορούν να αναγνωριστούν ούτε με οπτική ερμηνεία (φωτοερμηνεία) στην συγχωνευμένη (merged) εικόνα η οποία προέκυψε από την απεικόνιση Landsat TM (30m διακριτική ικανότητα) και Spot παγχρωματική (10m διακριτική ικανότητα), και γι’ αυτό το λόγο δεν μπορούν να εξαχθούν (να χαρτογραφηθούν, να αναγνωρισθούν στη δορυφορική εικόνα) στην παρούσα εργασία.
 
[[Εικόνα:garg_texture_1_03.jpg|right|thumb||Εικόνα 1 : Κτίρια ανιχνευμένα με πολυφασματική ταξινόμηση από συγχωνευμένα TM-SPOT δεδομένα στη πόλη Shangai,βόρειο και νότιο τμήμα, [http://www.sciencedirect.com/science?_ob=MImg&_imagekey=B6VF4-3W4XJ1F-5-H&_cdi=6000&_user=83473&_pii=S0924271698000276&_origin=search&_zone=rslt_list_item&_coverDate=02%2F28%2F1999&_sk=999459998&wchp=dGLzVlz-zSkWb&md5=cb172db6ff6d255a5119e0813c601a59&ie=/sdarticle.pdf]πηγή]]
 
Μεθοδολογία 
Για την ανίχνευση των κτιρίων που αποτελούνται από 12-20 μέτρα πλάτος, χρησιμοποιήθηκαν συγχωνευμένες TM-SPOT (μέγεθος pixel 10m) εικόνες. Η μέθοδος συγχώνευσης ήταν η μετατροπή IHS[http://www.sciencedirect.com/science?_ob=ArticleURL&_udi=B6VF4-4MM8BC3-2&_user=83473&_coverDate=02%2F28%2F2007&_rdoc=1&_fmt=high&_orig=search&_origin=search&_sort=d&_docanchor=&view=c&_searchStrId=1576191612&_rerunOrigin=google&_acct=C000059671&_version=1&_urlVersion=0&_userid=83473&md5=1d4de1956e3040a73947964df0d75d21&searchtype=a]. Τα στοιχεία που χρησιμοποιήθηκαν για την συγχώνευση ήταν τα TM κανάλια 3, 4 και 7 παρμένα από LANDSAT 5 στις 18 Μαϊου 1987 και τα SPOT παγχρωματικά δεδομένα λήφθηκαν από δέκτες HRV2 του STOT 1 στις 25 Οκτώβρη 1989. Eξαιτίας της περιορισμένης επιλογής η πηγή δεδομένων που χρησιμοποιήθηκε έχει μια χρονική διαφορά δύo ετών. Η διαφορά της χρονικής διάρκειας μειώνει την ακρίβεια της πολυφασματικής ταξινόμησης αλλά όχι το φιλτράρισμα υφής, το βασικό κομμάτι της μελέτης. Η μη επιβλεπόμενη ISODATA μέθοδος συγκέντρωσης χρησιμοποιήθηκε για την πολυφασματική ταξινόμηση των κτιρίων. Οι μέθοδοι της ανάλυσης υφής συχνά χρησιμοποιούνται για την αναγνώριση και τη διάκριση διαφορετικών χωρικών χαρακτηριστικών σε ψηφιακές εικόνες. Η εικόνα παραγωγής από την ανάλυση υφής ταξινομείται άμεσα ή χρησιμοποιείται ως πρόσθετη ζώνη μαζί με άλλα πολυφασματικά κανάλια στην ταξινόμηση. Εδώ, ο πίνακας συνεμφάνισης (co-occurrence), χρησιμοποιήθηκε για να ανιχνεύσει αντικείμενα με διαφορετικά μεγέθη και κατευθύνσεις. Οι τιμές του co-occurrence πίνακα σε 4 διαγώνιες κατευθύνσεις υπολογίστηκαν με απόσταση ανά ένα pixel και μέγεθος παραθύρου 3x3 και 5x5 και έπειτα ακολούθησαν οι μετρήσεις των τεσσάρων γνωρισμάτων υφής από κάθε πίνακα co-occurrence, ενέργεια, αντίθεση, εντροπία, ομοιογένεια. Όλες οι παραπάνω εικόνες μέτρου υφής για κάθε κατεύθυνσης είναι των 8 bit. Οι γκρίζες τιμές αυτών των εικόνων αντιπροσωπεύουν το μέγεθος του αντικειμένου, δηλαδή όσο μεγαλύτερο είναι το μέγεθος του αντικειμένου, τόσο εντονότερη η γκρίζα απόχρωση κι έτσι τα αντικείμενα διαφορετικών μεγεθών διαχωρίζονται εύκολα. Οι εικόνες γκρίζων τιμών υποδιαιρέθηκαν σε ομάδες χρησιμοποιώντας την ISODATA μέθοδο συγκέντρωσης. Αυτές οι 50 ομάδες ερμηνεύτηκαν χειροκίνητα, επικαλύπτοντας ακριβώς στη συγχώνευση έγχρωμης εικόνας TM-SPOT και χρησιμοποιώντας τις τεχνικές για κάθε ομάδα για να ελεγχθεί αν αυτό ανήκει στην κατηγορία να ταξινομηθεί στην πρότυπη εικόνα.
Στην παρούσα εργασία, τα κτίρια αποτελούνται από 6 ομάδες ενώ άλλες ομάδες ορίστηκαν σε θορυβώδεις περιοχές ή σε ραδιομετρικά «θορυβώδεις» περιοχές (περιοχές background). Βέβαια οι εικόνες θα μπορούσαν να υποδιαιρεθούν σε περισσότερες από 50 ομάδες, αλλά η ερμηνεία θα γινόταν πιο δύσκολη και χρονοβόρα. Οι 4 διαγώνιες κατευθύνσεις χρησιμοποιήθηκαν επειδή οι τοίχοι των περισσότερων κτιρίων στην περιοχή μελέτης βρίσκονταν στις διαγώνιες κατευθύνσεις της εικόνας. Χρησιμοποιώντας αυτή τη παραδοχή, τα κτίρια μπορούν να διαχωριστούν καλύτερα από το θόρυβο. Τα αποτελέσματα του φιλτραρίσματος φαίνονται στον πίνακα που επισυνάπτω, χρησιμοποιώντας ένα πίνακα 3x3 και την μέτρηση της υφής της ομοιογένειας. Η εξάρτηση κατεύθυνσης των πινάκων συνεμφάνισης (co-occurred) φαίνεται ξεκάθαρα στα αποτελέσματα φιλτραρίσματος του αερολιμένα στα δεξιά και στο σιδηρόδρομο στο κατώτατο σημείο δεξιά για κάθε κατεύθυνση, όπου η μία πλευρά αιχμής των αντικειμένων δεν μπορεί να φιλτραριστεί. Κατά συνέπεια, οι αιχμές μεγάλων μη κτιριακών αντικειμένων, είναι ταξινομημένες ως κτίρια. Με τη συγχώνευση των αποτελεσμάτων των κτιριακών κατηγοριών σε κάθε μια από τις 4 κατευθύνσεις που χρησιμοποιούν ένα λογικό AND, αυτό το πρόβλημα είναι ικανό να λυθεί. Ομοίως, οι περιοχές θορύβου στις 4 κατευθύνσεις συγχωνεύονται από ένα λογικό OR, ενώ η υπόλοιπη περιοχή ορίζεται στις ραδιομετρικά «θορυβώδεις» περιοχές. Το καλύτερο αποτέλεσμα, μεταξύ των 2 διαφορετικών μεγεθών παραθύρων και των τεσσάρων μετρήσεων υφής, επιτεύχθηκε με τη χρήση ενός 3x3 μεγέθους pixel και της μέτρου υφής ομογένειας (βλ. Εικόνα2)
 
[[Εικόνα:garg_texture_2_03.jpg|right|thumb||Εικόνα 2 : Αποτελέσματα της ανίχνευσης εικόνων μετά τη χρήση του co-occurrence πίνακα φιλτραρίσματος σε κάθε μία από τις τέσσερεις διαγώνιες κατευθύνσεις, [http://www.sciencedirect.com/science?_ob=MImg&_imagekey=B6VF4-3W4XJ1F-5-H&_cdi=6000&_user=83473&_pii=S0924271698000276&_origin=search&_zone=rslt_list_item&_coverDate=02%2F28%2F1999&_sk=999459998&wchp=dGLzVlz-zSkWb&md5=cb172db6ff6d255a5119e0813c601a59&ie=/sdarticle.pdf]πηγή]]
Για λόγους σύγκρισης (των διαφορετικών μεθόδων φίλτρων υφής), χρησιμοποιήθηκε επίσης μια κανονική μέθοδος ανάλυσης υφής για να φιλτράρει τα πολυφασματικά ταξινομημένα κτίρια χρησιμοποιώντας τα ίδια μέτρα υφής και τα μεγέθη παραθύρων. Οι μετρήσεις υφής υπολογίστηκαν όπως πριν μόνο που χρησιμοποιήθηκαν οι δυαδικές τιμές της πολυφασματικής ταξινόμησης αντί των τιμών των (co-occurrence) πινάκων συνεμφάνισης. Τα καλύτερα αποτελέσματα επιτεύχθηκαν με τη χρήση ενός παραθύρου pixel 3x3 και των μετρήσεων υφής ενέργειας και ομοιογένειας. Η οπτική σύγκριση των εικόνων στην εικόνα 1b και 5a,c,e δείχνουν καθαρά ότι το αεροδρόμιο, η σιδηροδρομική τροχιά, τα τμήματα των δρόμων και τα γυμνάσια φιλτραρίστηκαν πολύ καθαρά. Αντίθετα, μόνο κάποια αποκλείστηκαν στην εικόνα 5c,e. Το πλεονέκτημα του co-occurrence πίνακα βασισμένου στο φιλτράρισμα , πέρα από το κανονικό φιλτράρισμα ανάλυσης, παρουσιάζεται ξεκάθαρα μέσω αυτής της σύγκρισης. Στις εικόνες 1a και 5b παρουσιάζεται ένα ακόμη τμήμα των αποσπασματικών κτιρίων πρίν και μετά το φίλτρο υφής. Μέσω της οπτικής παρατήρησης είναι ευδιάκριτο το μεγάλο μέρος της περιοχής του θορύβου που βρίσκεται μέσα στο αποτέλεσμα της πολυφασματικής ταξινόμησης. the co-occurrence matrix based filtering and the normal texture analysis filtering is also clearly visible by comparing Fig. 5b and f, αντίστοιχα. Η ίδια μέτρηση υφής ομοιογένειας χρησιμοποιήθηκε και στις δύο μεθόδους.
 
[[Εικόνα:garg_texture_3_03.jpg|right|thumb||Εικόνα 3 : Σύγκριση αποτελεσμάτων ανίχνευσης κτιρίων χρησιμοποιώντας διαφορετικές μεθόδους φιλτραρίσματος με πίνακα μέγεθος 3x3 ((500x360 τμήματος pixel). [http://www.sciencedirect.com/science?_ob=MImg&_imagekey=B6VF4-3W4XJ1F-5-H&_cdi=6000&_user=83473&_pii=S0924271698000276&_origin=search&_zone=rslt_list_item&_coverDate=02%2F28%2F1999&_sk=999459998&wchp=dGLzVlz-zSkWb&md5=cb172db6ff6d255a5119e0813c601a59&ie=/sdarticle.pdf]πηγή]]
 Αξιολόγηση 
Προκειμένου να αξιολογηθεί η ακρίβεια των αποτελεσμάτων η συγχωνευμένη κοντινή και φυσικού χρώματος εικόνα, TM-SPOT χρησιμοποιήθηκε ως αναφορά. Η μέθοδος των τυχαίων σημείων εφαρμόστηκε σε τρεις περιοχές των 600x400 pixels. Η πρώτη εξεταζόμενη περιοχή ήταν στο νότιο μέρος της πόλης όπου τα πρόσφατα χτισμένα κατοικημένα σπίτια που έχουν περίπου πλάτος 12-20m, υπερισχύουν. Η δεύτερη περιοχή ήταν στη βόρεια πλευρά της πόλης, όπου η πλειοψηφία των κτιρίων είναι πρόσφατα χτισμένα κατοικημένα σπίτια και μόνο ένα μέρος τους είναι παλαιά. Η τρίτη περιοχή ήταν στη μέση της πόλης, όπου τα παλαιά μικρά κτίρια επικρατούν με μερικά μεγάλα κτίρια διασκορπισμένα ανάμεσά τους. Τα κτίρια καλύπτουν κατά μέσο όρο το 10% των τριών αυτών περιοχών. Τα κτίρια ήταν κατά βάση 1-2 pixels πλάτους. Συνολικά 400 τυχαία σημεία συλλέχθηκαν ως pixels αναφοράς σε κάθε μία από τις τρείς περιοχές δοκιμής και ταξινομήθηκαν με το χέρι. Η χρονική διαφορά μεταξύ TM και SPOT εικόνων δεν επηρέασε την οπτική ανίχνευση των κτιρίων, δεδομένου ότι μπόρεσε να γίνει με τη χρησιμοποίηση της υψηλότερης χωρικής ανάλυσης από το SPOT, ανεξάρτητα από τη φασματική πληροφορία των εικόνων TM. Το μικτό ποσοστό των pixels ήταν πολύ υψηλό στις εικόνες TM-SPOT. Γι’ αυτό ήταν δύσκολο να καθοριστεί με ακρίβεια πότε ένα τυχαίο σημείο των αιχμών κτιρίων ανήκε σε ένα κτίριο ή στο background. Σε καμία από τις τρεις περιοχές δεν υπήρξε τέτοιο λάθος αφού τα αυτόματα ανιχνευμένα κτίρια επιστρώθηκαν στις εικόνες αναφοράς.
Η ακρίβεια χρηστών για μία κατηγορία ορίζεται ως η αναλογία των σωστά ταξινομημένων αντικειμένων από το συνολικό αριθμό των αντικειμένων (pixels) καταταγμένο σε αυτή τη κατηγορία και σχετίζεται με τα λάθη της commission. Η ακρίβεια χρηστών και το k στατιστικό των εξαγόμενων κτιρίων μετά τον co-occurrence πίνακα βασισμένο στο φιλτράρισμα είναι σημαντικά υψηλότερο από πρίν σε όλες τις εξεταζόμενες περιοχές. Μετά τη βελτίωση του co-occurrence πίνακα, η μέση ακρίβεια χρηστών των τριών περιοχών αυξάνεται από 59% σε 86% και η μέση τιμή κ αυξάνεται από 0,54 σε 0,85 βελτιώνοντας και τις δύο μετρήσεις ακρίβειας αντίστοιχα. Τα αποτελέσματα της 1ης περιοχής είναι καλύτερα από της 2ης , αφού η 2η έχει αναλογικά τα περισσότερα μη οικοδομήσιμα κτίρια. Τα αποτελέσματα της 3ης περιοχής ήταν τα καλύτερα διότι τα μεγάλα κτίρια είχαν διαφορετικά υλικά στεγών από αυτά των μικρών με τις σκοτεινές στέγες. Κατά συνέπεια, είχαν διαφορετικά φασματικά χαρακτηριστικά επομένως ήταν και πιο ευδιάκρτιτα. Η βελτίωση ακρίβειας μέσω του κανονικού φιλτραρίσματος ανάλυσης υφής με την ομοιογένεια μέτρου υφής αξιολογήθηκε στην πρώτη εικόνα προκειμένου να το συγκρίνει με τον πίνακα co-occurrence βασισμένο στο φιλτράρισμα. Η μέθοδος αξιολόγησης ήταν όπως παραπάνω και τα αποτελέσματα ακρίβειας παρουσιάζονται στον Πίνακα 1. Η ακρίβεια των χρηστών αυξάνεται από 49% σε 69% με το κανονικό φιλτράρισμα ανάλυσης υφής και σε 86% με τον πίνακα co-occurrence βασισμένο στο φιλτράρισμα, δηλαδή προκύπτει βελτίωση της ακρίβειας της τελευταίας μεθόδου έναντι της πρώτης κατά 25%.
 Συμπεράσματα 
Είναι προφανές ότι η ακρίβεια της ανίχνευσης κτιρίων σε δορυφορικές εικόνες δεν είναι ιδιαίτερα ικανοποιητική για λεπτομερή έρευνα της αστικής περιοχής η για τις εφαρμογές μεγάλης κλίμακας των GIS. Παρόλα αυτά, το αποτέλεσμα αυτής της μελέτης είναι πού χρήσιμο για μια γρήγορη εκτίμηση των αστικών κτισμάτων και της ανάπτυξης των πόλεων.

Βελτιστοποίηση της ακρίβειας ταξινόμησης στην ψηφιακή τηλεπισκόπηση χρησιμοποιώντας μορφολογικό φίλτρο

2011-03-16T09:20:35Z

Argyropoulou Grigoria:

[[category:Ψηφιακή Τηλεπισκόπηση]]

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.
[http://www.sciencedirect.com/science?_ob=MImg&_imagekey=B6V3S-4GM4692-2-B&_cdi=5738&_user=83473&_pii=S0273117705005764&_origin=search&_coverDate=12%2F31%2F2005&_sk=999639994&view=c&wchp=dGLzVzz-zSkzV&md5=703bc3335844c319a720559d9c99ebf7&ie=/sdarticle.pdf]
 
Περίληψη 
Ο σκοπός της εφαρμογής είναι η ανάπτυξη ενός αλγορίθμου ταξινόμησης βασισμένο στα pixel μιας πολυφασματικής εικόνας. Αρχικά χρησιμοποιείται ένα φίλτρο μείωσης θορύβου [http://en.wikipedia.org/wiki/Noise_reduction], ένα μορφολογικό φίλτρο [http://www.worldlingo.com/ma/enwiki/el/Mathematical_morphology] και έπειτα εφαρμόζεται ένας αλγόριθμος ταξινόμησης [http://en.wikipedia.org/wiki/Category:Classification_algorithms] όπως αυτός της μέγιστης πιθανοφάνειας [http://rst.gsfc.nasa.gov/Sect1/Sect1_19.html] στην ήδη φιλτραρισμένη εικόνα. Οι θεματικοί χάρτες που προκύπτουν από τον προτεινόμενο αυτό αλγόριθμο είναι περισσότερο ομαλοποιημένοι και αποδεκτοί από άλλες μεθόδους.
 
[[Εικόνα:garg_morphological_1_01.jpg|right|thumb||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 τεχνικά στοιχεία από την πτήση του δορυφόρου. Η απεικόνιση που παίρνουμε από τον παράπaνω δορυφόρο αποτελείται από 949 γραμμές με 220 στήλες (συνολικά 208780 pixels). Στα πειράματα που καταγράφηκαν, τα είδη των κατηγοριών ήταν 9: Alfalfa, Br χώμα, κόκκινο C1, σίκαλη, σίτος, σίτος-2 (συνολικός αριθμός των πολυγώνων εκπαίδευσης ελέγχων και των επιγείων ελέγχων είναι 5957 k 55349 αντίστοιχα).
 

Μεθοδολογία 
Αρχικά εφαρμόστηκαν στις ψηφιακές εικόνες διαφόρων ειδών αλγόριθμοι φιλτραρίσματος όπως η mean[http://www.imagemet.com/WebHelp/spip.htm#hid_filters_smoothing_mean.htm], median[http://en.wikipedia.org/wiki/Median_filter] και τα μορφολογικά φίλτρα [http://www.spm.genebee.msu.ru/manual/en/node108.html]. 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. Δεν είναι εφικτή η ταυτόχρονη επίτευξη των στόχων ατυτών 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 ταξινομητή μεγίστης πιθανοφάνειας (Maximum Likelihood), [http://rst.gsfc.nasa.gov/Sect1/Sect1_19.html]. Ελέγχεται ο αλγόριθμος σε τέσσερα βήματα. Αρχικά εξετάζεται πως συμπεριφέρεται ο αλγόριθμος 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 [http://en.wikipedia.org/wiki/Maximum_likelihood], της ελάχιστης ευκλείδιας απόστασης [http://www.mar.aegean.gr/greek/student%20notes/%CE%91%CE%BD%CE%AC%CE%BB%CF%85%CF%83%CE%B7%20%CE%A0%CE%B5%CF%81%CE%B9%CE%B2%CE%B1%CE%BB%CE%BB%CE%BF%CE%BD%CF%84%CE%B9%CE%BA%CF%8E%CE%BD%20%CE%94%CE%B5%CE%B4%CE%BF%CE%BC%CE%AD%CE%BD%CF%89%CE%BD/4%CE%97%20%CE%AD%CE%BD%CE%BD%CE%BF%CE%B9%CE%B1%20%CF%84%CE%B7%CF%82%20%CE%B1%CF%80%CF%8C%CF%83%CF%84%CE%B1%CF%83%CE%B7%CF%82.pdf] και του ECHO αλγορίθμου ταξινόμησης. Στη συνέχεια ερευνήθηκε πως επιδρά το φιλτράρισμα στην κάθε κατηγορία. Τέλος, έγινε σύγκριση μεταξύ της ακρίβειας των δεδομένων αξιολόγησης και εκαπίδευσης του προτεινόμενου αλγορίθμου με άλλους αλγορίθμους ταξινόμησης.
 
<Αποτελέσματα-Αξιολόγηση 
Στην Εικόνα 1 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:garg_morphological_2_01.jpg|right|thumb||Εικόνα 1 : Θεματικοί χάρτες του προτεινόμενου αλγορίθμου,ECHO, Fisher linear likelihood, καθώς και της ελάχιστης ευκλείδιας απόστασης [2005 COSPAR. Published by Elsevier Ltd.]πηγή]]
Στον Πίνακα 1 που ακολουθεί παρουσιάζονται οι συνέπειες του φιλτραρίσματος για τις μέσες και κυμαινόμενες τιμές (mean and variance values). Όταν το φίλτρο διατηρεί τις μέσες τιμές των βάσεων δεδομένων της σόγιας, μειώνει την αντίθεση σημαντικά το οποίο σημαίνει βελτίωση της φασματικής διαχωριστικότητας. Για την ακρίβεια, αυτό είναι που προσδοκούμε από έναν καλό αλγόριθμο φιλτραρίσματος.
[[Εικόνα:garg_morphological_3_01.jpg|right|thumb||Πίνακας1 :Ακρίβεια χρήστη και εκτίμηση συντ/τη K της ανίχνευσης κτιρίων πριν και μετά την εφαρμογή του φίλτρου υφής. [2005 COSPAR. Published by Elsevier Ltd]πηγή]]
Μετά την διατήρηση ακμών, τους θεματικούς χάρτες, τις μέσες και κυμαινόμενες τιμές αξιολόγησης, συγκρίνουμε τις ακρίβειες των δεδομένων αξιολόγησς και εκαπίδευσης του προτεινόμενου LM αλγορίθμου με την Ελάχιστη Ευκλείδια Απόσταση, Fisher Linear Likelihood pixel based & ECHO region based αλγορίθμων ταξινόμησης. Στον Πίνακα 2 φαίνονται οι ακρίβειες της αξιολόγησης και εκαπίδευσης. Η προτεινόμενη μέθοδος τελικά επιτυγχάνει τα καλύτερα αποτελέσματα σε όλες τις περιπτώσεις. Τέλος χρησιμοποιήθηκε η Bhattacharyya μέτρηση στατιστικής απόστασης[http://en.wikipedia.org/wiki/Bhattacharyya_distance] για να μετρηθούν τα καλύτερα 3,6 και 12 features sets. Τα τρία καλύτερα αποτελέσματα είναι τα κανάλια 1,9,12 ενώ τα καλύτερα 6 τα κανάλια 1,5,6,9,10,11.
[[Εικόνα:garg_morphological_4_01.jpg|right|thumb||Πίνακας2 :Training and test data accuracy statistics. [2005 COSPAR. Published by Elsevier Ltd]πηγή]]
Συμπεράσματα 
Προτάθηκε ένας καινούριος πολυφασματικός αλγόριθμος ταξινόμησης. Συγκρήθηκαν οι αλγορίθμοι ταξινόμησης που ήταν βασισμένοι στα χαρακτηριστικά των περιοχών και των pixels και τα αποτελέσματα των πειραμάτων έδειξαν ότι αυτός ο αλγόριθμος δίνει τα καλύτερα αποτελέσματα από πολλές απόψεις μιας καλής ταξινόμησης όπως η διατήρηση των ακμών, μείωση της αντίθεσης, ομαλοποίηση θεματικών χαρτών και αύξηση των ακριβειών των training and test data

Αυτοματοποιημένη διαχείριση νεφοσκεπών περιοχών

2011-03-16T09:15:22Z

Argyropoulou Grigoria:

[[category:Ψηφιακή Τηλεπισκόπηση]]

 Αυτοματοποιημένη διαχείριση σκιασμένων από σύννεφα περιοχών. 
Πρωτότυπος τίτλος : Landsat 7 Automatic Cloud Cover Assessment
Πηγή : Richard R. Irish, Science Systems and Applications, Inc.
[http://landsathandbook.gsfc.nasa.gov/handbook/pdfs/ACCA_SPIE_paper.pdf]
 
Περίληψη 
Αρχικός στόχος της εργασίας ήταν να δημιουργηθεί ένα εποχικό, πλήρες αρχείο περιοχών νεφοκάλυψης του εδάφους. Για να επιτευχθεί αυτός ο στόχος, αποκτήθηκαν 250 φωτογραφίες Landsat 7 ΕΤΜ+ οι οποίες αρχειοθετήθηκαν αναλυτικά σε βάση δεδομένων. Δημιουργήθηκε ένας αυτοματοποιημένος αλγόριθμος αξιολόγησης της νεφοκάλυψης (ACCA) για τον προσδιορισμό του τμήματος κάθε ETM+ απεικόνισης, το οποίο εμφανίζει νεφοκάλυψη. Τα αποτελέσματα της κάλυψης των νεφών που προέκυψαν, χρησιμοποιούνται στη συνέχεια για να προσδιορίζονται επιτυχώς οι περιοχές αυτές, στη βάση δεδομένων των εικόνων. O διαχωρισμός των νεφών από την υπόλοιπη επιφάνεια της απεικόνισης, η οποία εμφανίζεται κάτω από την έκταση τους, σκιασμένη, είναι σχετικά απλή. Τα σύννεφα είναι λευκά και εμφανίζουν χαμηλή θερμοκρασία από την επιφάνεια του εδάφους και αυτές οι ιδιότητες μπορούν να τονισθούν χρησιμοποιώντας τα πολυφασματικά χαρακτηριστικά των απεικονίσεων Landsat ETM+.
Εντούτοις, οι ψηφιακές τιμές που εμφανίζουν τα σύννεφα και η μεταβλητότητα των ψηφιακών τιμών της επιφάνειας του εδάφους, όπως έχουν καταγραφεί στις Landsat ETM απεικονίσεις, δημιουργούν τις συνθήκες με τη βοήθεια των διαγραμμάτων ανακλαστικότητας τα οποία δημιουργούνται από τον υπολογισμό του συντελεστή ανάκλασης και θερμοκρασίας στις περιοχές που εμφανίζονται τα σύννεφα, συντελούν στον πιθανο θεωρητικό προσδιορισμό πιθανών (αναμενόμενα πιθανών) τιμών pixel των σκιασμένων από νέφη περιοχών. Βέβαια στη μέθοδο, εμφανίζονται διάφορα προβλήματα, όπως η λανθασμένη αυτόματη ταυτοποίηση των νεφών σε κάποιες απεικονίσεις, ενώ σε άλλες απεικονίσεις οι ταυτοποιήσεις των σκιασμένων επιφανειών, είναι εξαίρετες. Η ακρίβεια του προσδιορισμού των ψηφιακών τιμών των σκιασμένων pixel επηρεάζεται από τα χαρακτηριστικά της επιφάνειας του εδάφους (εδαφοκάλυψη, ύπαρξη βλάστησης, τεχνικών έργων κτλ.) που έχουν συντελεστή ανάκλασης που είναι όμοιος και σε μερικές περιπτώσεις πολύ κοντά σε αριθμητική τιμή, με τις ψηφιακές τιμές που εμφανίζουν τα νέφη, στα κανάλια της κάθε απεικόνισης. Η μεθοδολογία που αναπτύχθηκε προσπαθεί να εξομαλύνει και να ελαχιστοποιήσει τα αποτελέσματα της της μεταβλητότητας των ψηφιακών τιμών που εμφανίζονται στις σκιασμένες περιοχές. Ο αυτοματοποιημένος αλγόριθμος χειρίζεται τον πληθυσμό των ψηφιακών τιμών των υποκείμενων των νεφών περιοχών, σε κάθε δορυφορική απεικόνιση μεμονωμένα, και επαναλαμβάνει δυο φορές τον έλεγχο αυτόν. Το πρώτο αλγοριθμικό πέρασμα μέσω των δεδομένων της βάσης, συντελείται για να προσδιοριστούν τα νέφη (επομένως και οι υποκείμενες σκιασμένες επιφάνειες). Οκτώ διαφορετικά φίλτρα χρησιμοποιούνται διαδοχικά, για να προσδιορίσουν και να ενισχύσουν τις ψηφιακές τιμές των σκιασμένων επιφανειών.

 
[[Εικόνα:garg_8filters_1_15.jpg|right|thumb||Εικόνα 1 : Εικόνα Landsat της Κασπίας θάλασσας,[http://landsathandbook.gsfc.nasa.gov/handbook/pdfs/ACCA_SPIE_paper.pdf]πηγή]]
 
Μεθοδολογία 
Αρχικά, πραγματοποιείται ένα "πέρασμα" μέσω των ραδιομετρικά διορθωμένων pixels της κάθε απεικόνισης, για να απομονώσει τα νέφη και τις υποκείμενες σκιασμένες επιφάνειες. Με τον τρόπο αυτόν διαπιστώνονται τρεις βασικές κατηγορίες περιοχών, αυτές με νέφη, αυτές χωρίς νέφη και κάποιες περιοχές που τίθενται σε αμφιβολία. Στη συνέχεια εφαρμόζονται οκτώ διαφορετικά φίλτρα στα εικονοστοιχεία των απεικονίσεων και για τις περιοχές οι οποίες έχουν διαπιστευτεί ως περιοχές νεφοκάλυψης. Η δδ/δι των 30 μέτρων των pixel των Landsat απεικονίσεων σε όλα τα κανάλια εκτός του θερμικού βοηθά στη σύγκριση των στατιστικών των ψηφιακών τιμών. Όλα τα pixel σε μια Landsat ETM+ απεικόνιση υποβάλλονται διαδοχικά σε επεξεργασία. Το φιλτράρισμα εκτελείται σε κάθε pixel έως ότου απορριφθεί (ή γίνει δεκτή) η μηδενική υπόθεση που έχει τεθεί ή ταξινομηθεί ως ψηφιακή τιμή σκιασμένης επιφάνειας. Ακολουθεί μια σύντομη περιγραφή του κάθε φίλτρου που εφαρμόζεται:
 
1)Όριο φωτεινότητας (Brightness Threshold). Κάθε υποπίνακας (χωρική περιοχή ψηφιακών τιμών) τριών pixel αρχικά συγκρίνεται με ένα όριο φωτεινότητας. Τα pixel που είναι κάτω αυτού του ορίου, προσδιορίζονται ως μη εντοπισμένες ψηφιακές τιμές νεφών. Τα pixel των οποίων οι ψηφιακές τιμές περνούν το κατώφλι του φίλτρου 1, υφίστανται το φίλτρο 2.
 
2)Ομαλοποιημένο φίλτρο (δείκτης) διαφοράς χιονιού (Normalized Snow Difference Index). Οι τιμές των pixel από τα κανάλια 2 και 5 χρησιμοποιούνται για να δημιουργήσουν το ομαλοποιημένο φίλτρο / δείκτη χιονιού (NDSI). Το NDSI εκφράζεται ως εξής: NDSI = (κανάλι 2 – κανάλι 5) / (κανάλι 2 + κανάλι 5). Αυτό το φίλτρο / δείκτης είναι ιδιαίτερα χρήσιμο για την αυτόματη αφαίρεση του χιονιού από μια απεικόνιση. Ο συντελεστής ανάκλασης των νεφών και του χιονιού είναι παρόμοιος στο κανάλι 2. Εντούτοις, στο κανάλι 5, ο συντελεστής ανάκλασης για τα νέφη είναι πολύ υψηλός ενώ για το χιόνι είναι χαμηλός. Ο Hall βρήκε εμπειρικά ότι η NSDI τιμή που είναι μεγαλύτερη από 0.40 αντιπροσωπεύει αρκετά καλά την κάλυψη χιονιού. Αυτή η τιμή (0.40) δοκιμάστηκε αρχικά από την αυτοματοποιημένη διαδικασία ACCA για να αποβάλει τις χιονισμένες επιφάνειες αλλά αποβλήθηκαν επίσης και νεφοσκεπείς επιφάνειες, οπότε το κατώτατο όριο (κατώφλι) αυξήθηκε σε 0.70, τιμή που έδωσε συνολικά καλύτερα αποτελέσματα στο διαχωρισμό χιονισμένων από νεφοσκεπείς περιοχές. Τα pixel που φιλτράρονται με αυτόν τον τρόπο, περνούν στο φίλτρο 3.
 
3)Όριο θερμοκρασίας. Αυτό το φίλτρο εξετάζει τις θερμικές ψηφιακές τιμές (του καναλιού 6) για τα πιθανά pixel. Χαμηλές ψηφιακές τιμές και πάντως κάτω από ένα συγκεκριμένο εμπειρικό κατώφλι, προωθούν τα εξεταζόμενα pixel στο φίλτρο 4.
 
4)Φίλτρο από το λόγο κανάλι5/κανάλι6. Οι τιμές των pixel από τα κανάλια 5 και 6 χρησιμοποιούνται για να δημιουργήσουν ένα φίλτρο, ως εξής: (1 – κανάλι 5) * κανάλι 6. Αυτό το φίλτρο λειτουργεί πολύ καλά στο διαχωρισμό και είναι ιδιαίτερα χρήσιμο για την εξάλειψη των "κρύων" χαρακτηριστικων γνωρισμάτων της επιφάνειας εδάφους που παρουσιάζει ο συντελεστής ανάκλασης στο κανάλι 5. Τα pixel που προκρίνονται από αυτό το φίλτρο περνούν στο φίλτρο 6.
 
5)Φίλτρο από το λόγο αναλογίας κανάλι4/κανάλι3. Αυτός ο λόγος τονίζει ιδιαίτερα της περιοχές με υψηλή υγρασία, ιδιαίτερα τις περιοχές έντονης βλάστησης. Στο κοντινό υπέρυθρο (κανάλι 4) ο συντελεστής ανάκλασης για την πράσινη βλάστηση είναι υψηλός. Στην περιοχή του ορατού (κανάλι 3) η χλωροφύλλη της βλάστησης απορροφά περισσότερο την ηλιακή ενέργεια κι έτσι ο συντελεστής ανάκλασης είναι χαμηλός. Η αναλογία κανάλι4/κανάλι3 οδηγεί τις ψηφιακές τιμές της βλάστησης σε υψηλότερες τιμές, απ'ό, τι για άλλα χαρακτηριστικά γνωρίσματα της απεικόνισης, συμπεριλαμβανομένων των νεφών. Εμπειρικά και έπειτα από δοκιμές, οριοθετείται ένα κατώφλι (στη τιμή 2) οπότε τα pixel που υπερβαίνουν αυτό το κατώφλι χαρακτηρίζονται διφορούμενα και ξαναεξετάζονται στο δεύτερο στάδιο επεξεργασίας. Τα pixel με ψηφιακές τιμές κάτω από αυτό το κατώφλι περνούν στο φίλτρο 6.
 
6)Φίλτρο από το λόγο αναλογίας κανάλι4/κανάλι2
Αυτό το φιλτράρισμα των ψηφιακών τιμών αποβάλλει την ιδιαίτερα ανακλαστική βλάστηση και διαμορφώνεται από τις τιμές που προκύπτουν από τη διαίρεση του καναλιού 4, από το κανάλι 2. Στο υπέρυθρο κανάλι 4, τα πράσινα φύλλα εμφανίζονται ιδιαίτερα ανακλαστικά. Στην περιοχή του καναλιού 2 συμβαίνει ακριβώς το αντίθετο. Οι τιμές του λόγου κανάλι4/κανάλι2 είναι υψηλότερες για τη βλάστηση από ότι άλλα χαρακτηριστικά συμπεριλαμβανομένων των νεφών. Και εδώ τίθεται ένα κατώφλι (στη τιμή 2) και λειτουργεί αποτελεσματικά. Τα pixel που υπερβαίνουν αυτόν τον αριθμό χαρακτηρίζονται διφορούμενα και περνούν στο στάδιο 2. Τα pixel με ψηφιακές τιμές κάτω από αυτό το κατώφλι περνούν στο φίλτρο 7.
 
7)Φίλτρο από το λόγο αναλογίας κανάλι 4/κανάλι5. Αυτό το φιλτράρισμα διαχωρίζει τις ψηφιακές τιμές των βράχων και του πετρώδους εδάφους από αυτές των νεφών, αλλά και τις ψηφιακές τιμές του αμμώδους εδάφους. Τα εδάφη αυτά παρουσιάζουν υψηλότερο συντελεστή ανάκλασης στο κανάλι 5 απ' ό,τι στο κανάλι 4, ενώ ισχύει το αντίστροφο για τα νέφη. Το κατώφλι στην περίπτωση αυτή τίθεται στο 1 και λειτουργεί αποτελεσματικά. Τα pixel διαχωρίζονται όπως και στα προηγούμενα φιλτραρίσματα και όσα υπερβαίνουν αυτό το κατώφλι περνούν στο φίλτρο 8.
 
8)Φίλτρο από το λόγο κανάλι 5/κανάλι6. Όλα τα pixel που φθάνουν σε αυτό το επίπεδο φιλτραρίσματος είναι βασικά χαρακτηρισμένα ως νέφη. Ένας περαιτέρω διαχωρισμός σε δύο κατηγορίες, επιτυγχάνεται με τη χρησιμοποίηση του λόγου κανάλι 5/κανάλι6, ως φίλτρου. Εμπειρικά τίθεται ένα κατώφλι τιμών στο 210. Τα pixel πάνω και κάτω από αυτό το όριο χαρακτηρίζονται ως θερμά και κρύα νέφη, αντίστοιχα.
 
Μια απεικόνιση Landsat από την Κασπία θάλασσα παρουσιάζεται στην Εικόνα 1. Εκτελέσθηκε η ACCA (automatic cloud cover assessment) και παρήχθη μια μάσκα συννέφων (Εικόνα 2).
 
[[Εικόνα:garg_8filters_2_15.jpg|right|thumb||Εικόνα 2 : Μάσκα συννέφων πρώτου σταδίου,[http://landsathandbook.gsfc.nasa.gov/handbook/pdfs/ACCA_SPIE_paper.pdf]πηγή]]
 
Η μάσκα έχει τέσσερις διαφορετικές κατηγορίες. Το λευκό αντιπροσωπεύει τα θερμά νέφη ενώ το γκρίζο αντιπροσωπεύει τα πιό κρύα νέφη. Το σκούρο γκρι αντιπροσωπεύει τις περιοχές μη-εντοπισμού νεφών που αποκλείονται από την περαιτέρω ανάλυση. Οι χαρακτηρισμένες ως διφορούμενες περιοχές της εικόνας, που επανεξετάζονται στο στάδιο 2, εμφανίζονται μαύρες. Το δεύτερο στάδιο περιλαμβάνει τη θερμική ανάλυση χρησιμοποιώντας αποκλειστικά το κανάλι 6. Μια αξιόπιστη κατά το δυνατόν θερμική υπογραφή αναπτύσσεται αρχικά από τη μια ή και τις δύο κατηγορίες νεφών που προσδιορίζονται στο στάδιο 1. Οι δύο κατηγορίες συνδιάζονται και χρησιμοποιούνται από κοινού εάν στην έκταση που απεικονίζεται, είμαστε σίγουροι ότι δεν εμφανίζεται χιόνι (το χιόνι δημιουργεί προβλήματα στην ταξινόμηση των νεφών και η παρουσία του δικαιολογεί τη χρήση μιας πιό συντηρητικής φασματικής υπογραφής νεφών). Εάν το χιόνι σε μια απεικόνιση είναι λιγότερο από 1% τότε θεωρείται αμελητέο. Εάν το χιόνι υπάρχει σε μια σκηνή, τότε η κρύα κατηγορία νεφών χρησιμοποιείται αποκλειστικά για την απόδοση της τυπικής φασματικής υπογραφής των νεφών. Για αυτές τις σκηνές, τα θερμότερα νέφη χαρακτηριζονται ως διφορούμενα και ξαναεξετάζονται με όλα τα άλλα διφορούμενα pixel που προσδιορίστηκαν κατά τη διάρκεια του πρώτου περάσματος του αλγορίθμου. Περισσότερες και αναλυτικές πληροφορίες για το δεύτερο στάδιο επεξεργασίας μπορείτε να βρείτε εδώ:http://landsathandbook.gsfc.nasa.gov/handbook/pdfs/ACCA_SPIE_paper.pdf).
 
Συμπεράσματα 
Ο αλγόριθμος ACCA ο οποίος δημιουργήθηκε από την παραπάνω μεθοδολογία σε απεικονίσεις Landsat 7, σχεδιάστηκε για να παράγει γρήγορα και αξιόπιστα συμπεράσματα στην προσπάθεια αξιολόγησης της νεφοκάλυψης και έμμεσα των σκιασμένων υφιστάμενων από νέφη, περιοχών. Ο αλγόριθμος στηρίζεται σε εμπειρικές μετρήσεις και επαναληπτικές δοκιμές. Ο βελτιωμένος αλγόριθμος χρησιμοποιεί δύο πρόσθετα κανάλια, εξετάζει όλα τα pixel σε μια σκηνή, και εκμεταλλεύεαι τη χωρική ανάλυση του ενισχυμένου καναλιού 6(60 μέτρα για ETM+ αντί των 120 μέτρων για τον TM). Ο αλγόριθμος υιοθετεί επίσης μια συγκεκριμένη προσέγγιση δύο σταδίων σκηνής που εξετάζει τα σύννεφα μεμονωμένα για κάθε εικόνα. Ο αλγόριθμος λειτουργεί ικανοποιητικά για τις περισσότερες περιοχές της γης αλλά πάντοτε εμφανίζονται προβληματικές περιοχές, κυρίως σε περιοχές χιονοσκεπείς ή σε περιοχές όπου για διάφορους φυσικούς λόγους, εμφανίζονται ιδιαίτερα υψηλές τιμές ανακλαστικότητας.
 
[[Εικόνα:garg_8filters_3_15.jpg|right|thumb||Εικόνα 3 : Μάσκα συννέφων δεύτερου σταδίου,[http://landsathandbook.gsfc.nasa.gov/handbook/pdfs/ACCA_SPIE_paper.pdf]πηγή]]

Αυτοματοποιημένη διαχείριση νεφοσκεπών περιοχών

2011-03-16T09:14:30Z

Argyropoulou Grigoria:

[[category:Ψηφιακή Τηλεπισκόπηση]]

 Αυτοματοποιημένη διαχείριση σκιασμένων από σύννεφα περιοχών. 
Πρωτότυπος τίτλος : Landsat 7 Automatic Cloud Cover Assessment
Πηγή : Richard R. Irish, Science Systems and Applications, Inc.
[http://landsathandbook.gsfc.nasa.gov/handbook/pdfs/ACCA_SPIE_paper.pdf]
 
Περίληψη 
Αρχικός στόχος της εργασίας ήταν να δημιουργηθεί ένα εποχικό, πλήρες αρχείο περιοχών νεφοκάλυψης του εδάφους. Για να επιτευχθεί αυτός ο στόχος, αποκτήθηκαν 250 φωτογραφίες Landsat 7 ΕΤΜ+ οι οποίες αρχειοθετήθηκαν αναλυτικά σε βάση δεδομένων. Δημιουργήθηκε ένας αυτοματοποιημένος αλγόριθμος αξιολόγησης της νεφοκάλυψης (ACCA) για τον προσδιορισμό του τμήματος κάθε ETM+ απεικόνισης, το οποίο εμφανίζει νεφοκάλυψη. Τα αποτελέσματα της κάλυψης των νεφών που προέκυψαν, χρησιμοποιούνται στη συνέχεια για να προσδιορίζονται επιτυχώς οι περιοχές αυτές, στη βάση δεδομένων των εικόνων. O διαχωρισμός των νεφών από την υπόλοιπη επιφάνεια της απεικόνισης, η οποία εμφανίζεται κάτω από την έκταση τους, σκιασμένη, είναι σχετικά απλή. Τα σύννεφα είναι λευκά και εμφανίζουν χαμηλή θερμοκρασία από την επιφάνεια του εδάφους και αυτές οι ιδιότητες μπορούν να τονισθούν χρησιμοποιώντας τα πολυφασματικά χαρακτηριστικά των απεικονίσεων Landsat ETM+.
Εντούτοις, οι ψηφιακές τιμές που εμφανίζουν τα σύννεφα και η μεταβλητότητα των ψηφιακών τιμών της επιφάνειας του εδάφους, όπως έχουν καταγραφεί στις Landsat ETM απεικονίσεις, δημιουργούν τις συνθήκες με τη βοήθεια των διαγραμμάτων ανακλαστικότητας τα οποία δημιουργούνται από τον υπολογισμό του συντελεστή ανάκλασης και θερμοκρασίας στις περιοχές που εμφανίζονται τα σύννεφα, συντελούν στον πιθανο θεωρητικό προσδιορισμό πιθανών (αναμενόμενα πιθανών) τιμών pixel των σκιασμένων από νέφη περιοχών. Βέβαια στη μέθοδο, εμφανίζονται διάφορα προβλήματα, όπως η λανθασμένη αυτόματη ταυτοποίηση των νεφών σε κάποιες απεικονίσεις, ενώ σε άλλες απεικονίσεις οι ταυτοποιήσεις των σκιασμένων επιφανειών, είναι εξαίρετες. Η ακρίβεια του προσδιορισμού των ψηφιακών τιμών των σκιασμένων pixel επηρεάζεται από τα χαρακτηριστικά της επιφάνειας του εδάφους (εδαφοκάλυψη, ύπαρξη βλάστησης, τεχνικών έργων κτλ.) που έχουν συντελεστή ανάκλασης που είναι όμοιος και σε μερικές περιπτώσεις πολύ κοντά σε αριθμητική τιμή, με τις ψηφιακές τιμές που εμφανίζουν τα νέφη, στα κανάλια της κάθε απεικόνισης. Η μεθοδολογία που αναπτύχθηκε προσπαθεί να εξομαλύνει και να ελαχιστοποιήσει τα αποτελέσματα της της μεταβλητότητας των ψηφιακών τιμών που εμφανίζονται στις σκιασμένες περιοχές. Ο αυτοματοποιημένος αλγόριθμος χειρίζεται τον πληθυσμό των ψηφιακών τιμών των υποκείμενων των νεφών περιοχών, σε κάθε δορυφορική απεικόνιση μεμονωμένα, και επαναλαμβάνει δυο φορές τον έλεγχο αυτόν. Το πρώτο αλγοριθμικό πέρασμα μέσω των δεδομένων της βάσης, συντελείται για να προσδιοριστούν τα νέφη (επομένως και οι υποκείμενες σκιασμένες επιφάνειες). Οκτώ διαφορετικά φίλτρα χρησιμοποιούνται διαδοχικά, για να προσδιορίσουν και να ενισχύσουν τις ψηφιακές τιμές των σκιασμένων επιφανειών.

 
[[Εικόνα:garg_8filters_1_15.jpg|right|thumb||Εικόνα 1 : Εικόνα Landsat της Κασπίας θάλασσας,[http://landsathandbook.gsfc.nasa.gov/handbook/pdfs/ACCA_SPIE_paper.pdf]πηγή]]
 
Μεθοδολογία 
Αρχικά, πραγματοποιείται ένα "πέρασμα" μέσω των ραδιομετρικά διορθωμένων εικονοστοιχείων της κάθε απεικόνισης, για να απομονώσει τα νέφη και τις υποκείμενες σκιασμένες επιφάνειες. Με τον τρόπο αυτόν διαπιστώνονται τρεις βασικές κατηγορίες περιοχών, αυτές με νέφη, αυτές χωρίς νέφη και κάποιες περιοχές που τίθενται σε αμφιβολία. Στη συνέχεια εφαρμόζονται οκτώ διαφορετικά φίλτρα στα εικονοστοιχεία των απεικονίσεων και για τις περιοχές οι οποίες έχουν διαπιστευτεί ως περιοχές νεφοκάλυψης. Η δδ/δι των 30 μέτρων των pixel των Landsat απεικονίσεων σε όλα τα κανάλια εκτός του θερμικού βοηθά στη σύγκριση των στατιστικών των ψηφιακών τιμών. Όλα τα pixel σε μια Landsat ETM+ απεικόνιση υποβάλλονται διαδοχικά σε επεξεργασία. Το φιλτράρισμα εκτελείται σε κάθε pixel έως ότου απορριφθεί (ή γίνει δεκτή) η μηδενική υπόθεση που έχει τεθεί ή ταξινομηθεί ως ψηφιακή τιμή σκιασμένης επιφάνειας. Ακολουθεί μια σύντομη περιγραφή του κάθε φίλτρου που εφαρμόζεται:
 
1)Όριο φωτεινότητας (Brightness Threshold). Κάθε υποπίνακας (χωρική περιοχή ψηφιακών τιμών) τριών pixel αρχικά συγκρίνεται με ένα όριο φωτεινότητας. Τα pixel που είναι κάτω αυτού του ορίου, προσδιορίζονται ως μη εντοπισμένες ψηφιακές τιμές νεφών. Τα pixel των οποίων οι ψηφιακές τιμές περνούν το κατώφλι του φίλτρου 1, υφίστανται το φίλτρο 2.
 
2)Ομαλοποιημένο φίλτρο (δείκτης) διαφοράς χιονιού (Normalized Snow Difference Index). Οι τιμές των pixel από τα κανάλια 2 και 5 χρησιμοποιούνται για να δημιουργήσουν το ομαλοποιημένο φίλτρο / δείκτη χιονιού (NDSI). Το NDSI εκφράζεται ως εξής: NDSI = (κανάλι 2 – κανάλι 5) / (κανάλι 2 + κανάλι 5). Αυτό το φίλτρο / δείκτης είναι ιδιαίτερα χρήσιμο για την αυτόματη αφαίρεση του χιονιού από μια απεικόνιση. Ο συντελεστής ανάκλασης των νεφών και του χιονιού είναι παρόμοιος στο κανάλι 2. Εντούτοις, στο κανάλι 5, ο συντελεστής ανάκλασης για τα νέφη είναι πολύ υψηλός ενώ για το χιόνι είναι χαμηλός. Ο Hall βρήκε εμπειρικά ότι η NSDI τιμή που είναι μεγαλύτερη από 0.40 αντιπροσωπεύει αρκετά καλά την κάλυψη χιονιού. Αυτή η τιμή (0.40) δοκιμάστηκε αρχικά από την αυτοματοποιημένη διαδικασία ACCA για να αποβάλει τις χιονισμένες επιφάνειες αλλά αποβλήθηκαν επίσης και νεφοσκεπείς επιφάνειες, οπότε το κατώτατο όριο (κατώφλι) αυξήθηκε σε 0.70, τιμή που έδωσε συνολικά καλύτερα αποτελέσματα στο διαχωρισμό χιονισμένων από νεφοσκεπείς περιοχές. Τα pixel που φιλτράρονται με αυτόν τον τρόπο, περνούν στο φίλτρο 3.
 
3)Όριο θερμοκρασίας. Αυτό το φίλτρο εξετάζει τις θερμικές ψηφιακές τιμές (του καναλιού 6) για τα πιθανά pixel. Χαμηλές ψηφιακές τιμές και πάντως κάτω από ένα συγκεκριμένο εμπειρικό κατώφλι, προωθούν τα εξεταζόμενα pixel στο φίλτρο 4.
 
4)Φίλτρο από το λόγο κανάλι5/κανάλι6. Οι τιμές των pixel από τα κανάλια 5 και 6 χρησιμοποιούνται για να δημιουργήσουν ένα φίλτρο, ως εξής: (1 – κανάλι 5) * κανάλι 6. Αυτό το φίλτρο λειτουργεί πολύ καλά στο διαχωρισμό και είναι ιδιαίτερα χρήσιμο για την εξάλειψη των "κρύων" χαρακτηριστικων γνωρισμάτων της επιφάνειας εδάφους που παρουσιάζει ο συντελεστής ανάκλασης στο κανάλι 5. Τα pixel που προκρίνονται από αυτό το φίλτρο περνούν στο φίλτρο 6.
 
5)Φίλτρο από το λόγο αναλογίας κανάλι4/κανάλι3. Αυτός ο λόγος τονίζει ιδιαίτερα της περιοχές με υψηλή υγρασία, ιδιαίτερα τις περιοχές έντονης βλάστησης. Στο κοντινό υπέρυθρο (κανάλι 4) ο συντελεστής ανάκλασης για την πράσινη βλάστηση είναι υψηλός. Στην περιοχή του ορατού (κανάλι 3) η χλωροφύλλη της βλάστησης απορροφά περισσότερο την ηλιακή ενέργεια κι έτσι ο συντελεστής ανάκλασης είναι χαμηλός. Η αναλογία κανάλι4/κανάλι3 οδηγεί τις ψηφιακές τιμές της βλάστησης σε υψηλότερες τιμές, απ'ό, τι για άλλα χαρακτηριστικά γνωρίσματα της απεικόνισης, συμπεριλαμβανομένων των νεφών. Εμπειρικά και έπειτα από δοκιμές, οριοθετείται ένα κατώφλι (στη τιμή 2) οπότε τα pixel που υπερβαίνουν αυτό το κατώφλι χαρακτηρίζονται διφορούμενα και ξαναεξετάζονται στο δεύτερο στάδιο επεξεργασίας. Τα pixel με ψηφιακές τιμές κάτω από αυτό το κατώφλι περνούν στο φίλτρο 6.
 
6)Φίλτρο από το λόγο αναλογίας κανάλι4/κανάλι2
Αυτό το φιλτράρισμα των ψηφιακών τιμών αποβάλλει την ιδιαίτερα ανακλαστική βλάστηση και διαμορφώνεται από τις τιμές που προκύπτουν από τη διαίρεση του καναλιού 4, από το κανάλι 2. Στο υπέρυθρο κανάλι 4, τα πράσινα φύλλα εμφανίζονται ιδιαίτερα ανακλαστικά. Στην περιοχή του καναλιού 2 συμβαίνει ακριβώς το αντίθετο. Οι τιμές του λόγου κανάλι4/κανάλι2 είναι υψηλότερες για τη βλάστηση από ότι άλλα χαρακτηριστικά συμπεριλαμβανομένων των νεφών. Και εδώ τίθεται ένα κατώφλι (στη τιμή 2) και λειτουργεί αποτελεσματικά. Τα pixel που υπερβαίνουν αυτόν τον αριθμό χαρακτηρίζονται διφορούμενα και περνούν στο στάδιο 2. Τα pixel με ψηφιακές τιμές κάτω από αυτό το κατώφλι περνούν στο φίλτρο 7.
 
7)Φίλτρο από το λόγο αναλογίας κανάλι 4/κανάλι5. Αυτό το φιλτράρισμα διαχωρίζει τις ψηφιακές τιμές των βράχων και του πετρώδους εδάφους από αυτές των νεφών, αλλά και τις ψηφιακές τιμές του αμμώδους εδάφους. Τα εδάφη αυτά παρουσιάζουν υψηλότερο συντελεστή ανάκλασης στο κανάλι 5 απ' ό,τι στο κανάλι 4, ενώ ισχύει το αντίστροφο για τα νέφη. Το κατώφλι στην περίπτωση αυτή τίθεται στο 1 και λειτουργεί αποτελεσματικά. Τα pixel διαχωρίζονται όπως και στα προηγούμενα φιλτραρίσματα και όσα υπερβαίνουν αυτό το κατώφλι περνούν στο φίλτρο 8.
 
8)Φίλτρο από το λόγο κανάλι 5/κανάλι6. Όλα τα pixel που φθάνουν σε αυτό το επίπεδο φιλτραρίσματος είναι βασικά χαρακτηρισμένα ως νέφη. Ένας περαιτέρω διαχωρισμός σε δύο κατηγορίες, επιτυγχάνεται με τη χρησιμοποίηση του λόγου κανάλι 5/κανάλι6, ως φίλτρου. Εμπειρικά τίθεται ένα κατώφλι τιμών στο 210. Τα pixel πάνω και κάτω από αυτό το όριο χαρακτηρίζονται ως θερμά και κρύα νέφη, αντίστοιχα.
 
Μια απεικόνιση Landsat από την Κασπία θάλασσα παρουσιάζεται στην Εικόνα 1. Εκτελέσθηκε η ACCA (automatic cloud cover assessment) και παρήχθη μια μάσκα συννέφων (Εικόνα 2).
 
[[Εικόνα:garg_8filters_2_15.jpg|right|thumb||Εικόνα 2 : Μάσκα συννέφων πρώτου σταδίου,[http://landsathandbook.gsfc.nasa.gov/handbook/pdfs/ACCA_SPIE_paper.pdf]πηγή]]
 
Η μάσκα έχει τέσσερις διαφορετικές κατηγορίες. Το λευκό αντιπροσωπεύει τα θερμά νέφη ενώ το γκρίζο αντιπροσωπεύει τα πιό κρύα νέφη. Το σκούρο γκρι αντιπροσωπεύει τις περιοχές μη-εντοπισμού νεφών που αποκλείονται από την περαιτέρω ανάλυση. Οι χαρακτηρισμένες ως διφορούμενες περιοχές της εικόνας, που επανεξετάζονται στο στάδιο 2, εμφανίζονται μαύρες. Το δεύτερο στάδιο περιλαμβάνει τη θερμική ανάλυση χρησιμοποιώντας αποκλειστικά το κανάλι 6. Μια αξιόπιστη κατά το δυνατόν θερμική υπογραφή αναπτύσσεται αρχικά από τη μια ή και τις δύο κατηγορίες νεφών που προσδιορίζονται στο στάδιο 1. Οι δύο κατηγορίες συνδιάζονται και χρησιμοποιούνται από κοινού εάν στην έκταση που απεικονίζεται, είμαστε σίγουροι ότι δεν εμφανίζεται χιόνι (το χιόνι δημιουργεί προβλήματα στην ταξινόμηση των νεφών και η παρουσία του δικαιολογεί τη χρήση μιας πιό συντηρητικής φασματικής υπογραφής νεφών). Εάν το χιόνι σε μια απεικόνιση είναι λιγότερο από 1% τότε θεωρείται αμελητέο. Εάν το χιόνι υπάρχει σε μια σκηνή, τότε η κρύα κατηγορία νεφών χρησιμοποιείται αποκλειστικά για την απόδοση της τυπικής φασματικής υπογραφής των νεφών. Για αυτές τις σκηνές, τα θερμότερα νέφη χαρακτηριζονται ως διφορούμενα και ξαναεξετάζονται με όλα τα άλλα διφορούμενα pixel που προσδιορίστηκαν κατά τη διάρκεια του πρώτου περάσματος του αλγορίθμου. Περισσότερες και αναλυτικές πληροφορίες για το δεύτερο στάδιο επεξεργασίας μπορείτε να βρείτε εδώ:http://landsathandbook.gsfc.nasa.gov/handbook/pdfs/ACCA_SPIE_paper.pdf).
 
Συμπεράσματα 
Ο αλγόριθμος ACCA ο οποίος δημιουργήθηκε από την παραπάνω μεθοδολογία σε απεικονίσεις Landsat 7, σχεδιάστηκε για να παράγει γρήγορα και αξιόπιστα συμπεράσματα στην προσπάθεια αξιολόγησης της νεφοκάλυψης και έμμεσα των σκιασμένων υφιστάμενων από νέφη, περιοχών. Ο αλγόριθμος στηρίζεται σε εμπειρικές μετρήσεις και επαναληπτικές δοκιμές. Ο βελτιωμένος αλγόριθμος χρησιμοποιεί δύο πρόσθετα κανάλια, εξετάζει όλα τα pixel σε μια σκηνή, και εκμεταλλεύεαι τη χωρική ανάλυση του ενισχυμένου καναλιού 6(60 μέτρα για ETM+ αντί των 120 μέτρων για τον TM). Ο αλγόριθμος υιοθετεί επίσης μια συγκεκριμένη προσέγγιση δύο σταδίων σκηνής που εξετάζει τα σύννεφα μεμονωμένα για κάθε εικόνα. Ο αλγόριθμος λειτουργεί ικανοποιητικά για τις περισσότερες περιοχές της γης αλλά πάντοτε εμφανίζονται προβληματικές περιοχές, κυρίως σε περιοχές χιονοσκεπείς ή σε περιοχές όπου για διάφορους φυσικούς λόγους, εμφανίζονται ιδιαίτερα υψηλές τιμές ανακλαστικότητας.
 
[[Εικόνα:garg_8filters_3_15.jpg|right|thumb||Εικόνα 3 : Μάσκα συννέφων δεύτερου σταδίου,[http://landsathandbook.gsfc.nasa.gov/handbook/pdfs/ACCA_SPIE_paper.pdf]πηγή]]

Ανίχνευση γραμμικών χαρακτηριστικών χρησιμοποιώντας πολλαπλής ανάλυσης κυματιδιακά φίλτρα

2011-03-16T09:11:14Z

Argyropoulou Grigoria:

[[category:Ψηφιακή Τηλεπισκόπηση]]

Ανίχνευση γραμμικών χαρακτηριστικών χρησιμοποιώντας πολλαπλής ανάλυσης κυματιδιακά φίλτρα 
Πρωτότυπος τίτλος : Lineal Feature Detection Using
Multi-resolution Wavelet Filters.Πηγή : Samuel P. Kozaitis and R.H. Cofer, Photogrammetric Engineering & Remote Sensing
Vol. 71, No. 6, June 2005, pp. 689–697.
[http://www.asprs.org/publications/pers/2005journal/june/2005_june_689-697.pdf]
 
Περίληψη 
Σε αυτό το έγγραφο, ανιχνεύονται οδικά pixels σε εναέριες φωτογραφίες χρησιμοποιώντας μια πολλαπλής-ανάλυσης κυματιδιακή προσέγγιση. Η μέθοδος περιλαμβάνει μια διαφορική γεωμετρική προσέγγιση για την ανίχνευση των pixels που αποτελούν οδικό δίκτυο βάσει των μετατροπών των κυματιδίων. Χρησιμοποιώντας τη προσέγγιση αυτή, μας επιτρέπει να επεκτείνουμε τη διαφορική προσέγγιση γεωμετρίας προκειμένου να ενσωματώσει τις πολλαπλές κλίμακες. Οι γραμμικοί αλγόριθμοι ανίχνευσης χαρακτηριστικών γνωρισμάτων είναι ευαίσθητοι στις αλλαγές των εικόνων. Επομένως, απαιτείται μια μέθοδος ισχυρή στις παραλλαγές των εικόνων κι έτσι θα βελτιωνόταν η πιθανότητα της επιτυχίας της επόμενης επεξεργασίας. Η μετατροπή των κυματιδίων αποτελεί μια κατάλληλη μέθοδο για τις πληροφορίες στις διαφορετικές αναλύσεις εικόνας. Παραδείγματος χάριν, έχει αποδειχθεί ότι η εξέλιξη των τοπικών μεγίστων κυματιδίων στις κλίμακες χαρακτηρίζει την τοπική μορφή των δομών. Λόγω του ότι οι ιδιομορφίες μπορούν να εμφανιστούν σε όλες τις κλίμακες, οι μετατροπές κυματιδίων πολλαπλών-κλιμάκων έχουν χρησιμοποιηθεί για να ανιχνεύσουν τις ακμές, τα όρια και τους δρόμους. Έχει αποδειχθεί ότι τα προϊόντα των συντελεστών πολλαπλών-κλιμάκων της μετατροπής κυματιδίων μειώνουν γενικά το συσχετισμό του εισαγώμενου θορύβου διότι έχουν μια έμφυτη δυνατότητα να καταστείλουν τις απομονωμένες ωθήσεις και τους στενούς σφυγμούς, ανάλογα με το ποσό της χρησιμοποιούμενης λείανσης. Επιπλέον,έχει αναπτυχθεί μια ισχυρή μέθοδος για την ανίχνευση ακμών για τις θορυβώδεις εικόνες, χρησιμοποιώντας τα προϊόντα της μετατροπής κυματιδίων στις κλίμακες. Εξετάστηκε μια διαφορική προσέγγιση γεωμετρίας για την ανίχνευση των οδικών pixels σε ενιαία κλίμακα. Σε αυτή τη προσέγγιση, χρησιμοποιήθηκαν για να ανιχνεύσουν τα pixels των γραμμών οι μεγάλες τιμές της απόλυτης αξίας του δεύτερου παραγώγου κατεύθυνσης μιας εικόνας, η χρησιμοποίηση ενός δεύτερου παραγώγου ενός γκαουσσιανού φίλτρου και η εξαφάνιση των πρώτων παραγώγων κατεύθυνσης σε μια κανονική κατεύθυνση . Αναδιατυπώθηκε αυτή η προσέγγιση στα πλαίσια ενός συνεχούς πλαισίου κυματιδίων έτσι ώστε να μπορούμε να χρησιμοποιήσουμε μια αντίστοιχη πρσέγγιση για την οδική ανίχνευση. Χρησιμοποιήθηκε αυτή η διαφορική προσέγγιση γεωμετρίας πολλαπλών-κλιμάκων για να παραχθούν τα χωρικά φίλτρα περιοχών για την εξαγωγή οδικών pixels. Ένας ανθρώπινος χειριστής προτείνει την υπόθεση ότι μεταξύ δύο σημείων υπάρχει δρόμος. Κατόπιν, ο υπολογιστής εκτελεί το χαμηλού επιπέδου στόχο για την εύρεση των οδικών pixels. Σε αυτήν την προσέγγιση, απαιτείται μια υψηλής-πιθανότητας μέθοδος που ανιχνεύει τα χαρακτηριστικά γνωρίσματα, όπως τα pixels οδικού δικτύου. Έπειτα, εξετάζεται η θεωρία πίσω από τη προσέγγισή αυτή και συγκρίνει τα αποτελέσματα της προσέγγισης πολλαπλής-κλίμακάς με αυτή μιας ενιαίας κλίμακας και έπειτα επικυρώνεται με τη χρήση συνθετικών εικόνων.

Μεθοδολογία 
Προσπαθώντας να αξιολογηθεί η προτεινόμενη μέθοδος, εφαρμόστηκαν τα πειράματα σε συνθετικές εικόνες με αρκετές διαβαθμίσεις θορύβου. Χρησιμοποιήσαμε δύο εικόνες, όπου κάθε μια αποτελείται από μια ενιαία περιοχή κύκλων διαμέτρου 147 pixels και το πλάτος τους είναι ένα και επτά pixels αντίστοιχα, σε ένα σταθερό (μηδέν) υπόβαθρο. Χρησιμοποιήσαμε τις εικόνες των κύκλων για να διατηρηθούν αμετάβλητες όλες οι γωνίες ενός δρόμου. Ποικίλαμε την αναλογία σήματος προς θόρυβο (Signal to Noise Radio ή SNR) των συνθετικών εικόνων χρησιμοποιώντας τον πρόσθετο γκαουσσιανό λευκό θόρυβο. Μετά από την επεξεργασία των συνθετικών εικόνων που χρησιμοποιούν τον αλγόριθμό μας, συγκρίναμε τα αποτελέσματα με μια αναφορά. Χρησιμοποιήσαμε ένα μοναδικό pixel απαλαγμένο από θόρυβο πλάτος κύκλου επειδή είναι το ιδανικό αποτέλεσμα. Βρέθηκε το μέσο τετραγωνικό σφάλμα (Mean Square Error ή MSE) μεταξύ της αναφοράς και των εικόνων που υποβάλονται σε επεξεργασία από τον αλγόριθμό μας ώστε να δώσει μια γενική ιδέα για την απόδοση της μεθόδου παρουσία του θορύβου. Αρχικά, υπολογίσαμε το MSE στην περιοχή που καταλήφθηκε μόνο από την περιοχή των κύκλων στην εικόνα αναφοράς και στην αντίστοιχη περιοχή στις επεξεργασμένες εικόνες. Ο υπολογισμός του MSE σε αυτή τη περιοχή έδωσε μια ένδειξη μη-εντοπισμένων οδικών pixels ή λανθασμένα εντοπισμένων. Υπολογίσαμε επίσης το MSE στην περιοχή του κύκλου στην εικόνα αναφοράς και την αντίστοιχη περιοχή στις επεξεργασμένες εικόνες. Ο υπολογισμός του MSE σε αυτήν την περιοχή έδωσε την ένδειξη των ανιχνευμένων οδικών pixels χωρίς να υπάρχουν (ή αλλιώς false positives). Συγκρήθηκαν τα αποτελέσματα της επεξεργασίας των δύο κλιμάκων με αυτές της μίας κλίμακας. Στην πολλαπλή κλίμακα χρησιμοποιήσαμε αυτή που χρησιμοποιήθηκε στην ενιαία κλίμακα a και a1.5 .
 
[[Εικόνα:garg_wavelet_1_09.jpg|right|thumb||Εικόνα 1 :Δορυφορικές εικόνες πριν και μετά την επεξεργασία, [http://www.asprs.org/publications/pers/2005journal/june/2005_june_689-697.pdf]πηγή]]
 
Τα αποτελέσματα έδειξαν ότι το σφάλμα στην πολλαπλή κλίμακα ήταν το μισό σε σύγκριση με αυτό της ενιαίας κλίμακας με τη διαφορά ότι αυξάνεται όπου η αναλογία σήματος προς θόρυβο μειώνεται. Οπτικά, οι διαφορές μεταξύ της ενιαίας-κλίμακας και των προσεγγίσεων πολλαπλής-κλίμακας παρουσιάζονται στην Εικόνα 14, όπου χρησιμοποιήθηκε στα πειράματα μια δορυφορική εικόνα 256x256 pixels. Το αποτέλεσμα της επεξεργασίας που χρησιμοποιεί μόνο μια κλίμακα για τρία pixels δρόμων, a0 = 6, φαίνεται στην Εικόνα 14b καθώς και των δύο κλιμάκων (ao=6, ao=9). Yπολογίσαμε το MSE μεταξύ των Εικόνων 14b και 14c, και το προϊόν ενός σχεδιασμένου με το χέρι οδικού δικτύου και της αρχικής εικόνας. Το ΜSE της Εικόνας 14c ήταν 6.2 % λιγότερο από αυτό της Εικόνας 14b. Όταν εξετάζονται μόνο τα pixels που αφορούν οδικό δίκτυο, το MSE αυξάνεται κατά 8% όταν επεξεργάζεται με τις πολλαπλές κλίμακες. Εν τούτοις, κατά την εξέταση των pixels μη οδικού δικτύου, το MSE μειώθηκε κατά 34.7% όταν χρησιμοποιήθηκαν οι πολλαπλές κλίμακες.
 
Αποτελέσματα Οδικού Δικτύου 
Καταφέραμε να εντοπίσουμε οδικά δίκτυα χρησιμοποιώντας προσεγγίσεις μέσω υπολογιστή. Για να ανιχνευθεί ένας δρόμος χρησιμοποιώντας αυτή τη πρσέγγιση , ένας χρήστης «βουρτσίζει» μια πορεία μεταξύ των pixels έναρξης και λήξης που βρίσκονται σε ένα γραμμικό χαρακτηριστικό γνώρισμα. Το βήμα βουρτσίσματος μπορεί να γίνει πολύ γρήγορα χρησιμοποιώντας ένα εργαλείο-στυλό το πλάτος του οποίου μπορεί να ρυθμιστεί. Κατόπιν, ένας δυναμικός προγραμματιστικός αλγόριθμος λειτουργεί μόνο στη βουρτσισμένη περιοχή για να βρεί την πορεία που αποτελείται από το επιθυμητό χαρακτηριστικό γνώρισμα μεταξύ των pixels έναρξης και λήξης. Η βουρτσισμένη εικόνα παρουσιάζεται στην εικόνα 2α όπου τονίζεται η «βουρτσισμένη» περιοχή.
 
[[Εικόνα:garg_wavelet_2_09.jpg|right|thumb||Εικόνα 2 :Δορυφορικές εικόνες επεξεργασμένες με τον προτεινόμενο αλγόριθμο, [http://www.asprs.org/publications/pers/2005journal/june/2005_june_689-697.pdf]πηγή]]
 
Ο δυναμικός προγραμματισμός του αλγορίθμου λειτουργεί πραγματικά στο αποτέλεσμα ανίχνευσης οδικού pixel. Ουσιαστικά ο αλγόριθμος ορίζει την πιθανότητα ενός pixel να είναι μέρος του δρόμου. Οι μέθοδοι προγραμματισμού για τις κοντινότερες-πορείες μεταξύ δύο pixels είναι πολύ επιτυχείς στην ανίχνευση μεγάλων χαρακτηριστικών γνωρισμάτων των γραμμών στις εικόνες. Αλγόριθμοι με δυνατές προγραμματιστικές ικανότητες είναι απλοί στο να τους προγραμματίσεις και είναι ιδιαίτερα αποδοτικοί, χαρακτηριστικά που το καθιστούν ικανό για τον εντοπισμό της βέλτιστης συνολικής πορείας. Ο αλγόριθμος του Dijkstra λύνει το πρόβλημα της κοντινότερης πορείας από ένα σημείο μιας γραφικής παράστασης σε έναν προορισμό. Πραγματικά, οι κοντινότερες πορείες από μια δεδομένη πηγή σε όλα τα σημεία μιας γραφικής παράστασης βρίσκονται συγχρόνως και αυτό σχετίζεται με το πρόβλημα της παρουσίας δέντρων. (Περισσότερες πληροφορίες για την εφαρμογή του αλγορίθμου Dijkstra θα βρείτε εδω: http://www.asprs.org/publications/pers/2005journal/june/2005_june_689-697.pdf) Όσο χρησιμοποιούμε το περιβάλλον του υπολογιστή μας, γνωρίζουμε τη γενική θέση των pixels του οδικού δικτύου και θέλουμε να τη προσδιορίσουμε χωρίς σφάλμα. H πιο χρήσιμη μέτρηση είναι το μήκος ενός δρόμου που μπορεί να σχεδιαστεί σωστά. Τα pixels με τις τιμές που παρεκκλίνουν από το ιδανικό αποτέλεσμα μπορεί να κοντύνουν το μήκος του δρόμου που μπορεί σχεδιαστεί.
 
[[Εικόνα:garg_wavelet_3_09.jpg|right|thumb||Εικόνα 3 :Βελτιστοποίηση του MSE των κύκλων των εικόνων ως λειτουργία των SNR, [http://www.asprs.org/publications/pers/2005journal/june/2005_june_689-697.pdf]πηγή]]
 
Επομένως, χρησιμοποιήσαμε το μέσο τετραγωνικό σφάλμα MSΕ ως μέτρο. Βρήκαμε ότι η αναλογία του συνολικού MSE για την πολλαπλή κλίμακα και τα αποτελέσματα της ενιαίας κλίμακας επιδεικνύουν τα αποτελέσματα στο σχήμα 10 σαν λειτουργία των SNR. Αυτά τα αποτελέσματα δίνουν μια ένδειξη αύξησης στο μήκος του δρόμου που μπορεί να αποτυπωθεί. Τα αποτελέσματα δείχνουν ότι η προσέγγισή μας αυξάνει το μήκος για τους δρόμους ενός και επτά pixels ευρέως.
 
Συμπεράσματα 
Η ομαλοποίηση των φίλτρων σε μια διαφορική προσέγγιση γεωμετρίας τους επιτρέπει να χρησιμοποιηθεί σε ένα πλαίσιο κυματιδίων. Κατά αυτόν τον τρόπο, επεκτείναμε μια διαφορική προσέγγιση γεωμετρίας που χρησιμοποιήθηκε για την ανίχνευση pixels οδικού δικτύου στις πολλαπλές κλίμακες. Αυτό οδήγησε σε μια βελτίωση στην ανίχνευση των pixels του οδικού δικτύου. Διαπιστώσαμε ότι η χρησιμοποίηση των πολλαπλάσιων κλιμάκων μείωσε σημαντικά τον αριθμό πιθανών λανθασμένων εντοπισμών. Η προσέγγιση λειτούργησε καλά με μια υπολογιστική προσέγγιση, όπου ο σπόρος ή τα πιθανά pixles που μας ενδιαφέρουν θα πρέπει να έχουν ένα υψηλό επίπεδο εμπιστοσύνης ώστε να είναι σωστό. Διαπιστώσαμε ότι η προσέγγισή μας οδήγησε σε μια αποτελεσματική μέθοδο για τους δρόμους στις εναέριες εικόνες.

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

2011-03-16T09:06:37Z

Argyropoulou Grigoria:

[[category:Ψηφιακή Τηλεπισκόπηση]]

 Ανίχνευση αμπελώνων με φίλτρα Gabor [http://en.wikipedia.org/wiki/Gabor_filter], 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 [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]
 
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 [http://en.wikipedia.org/wiki/Fourier_transform] 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 [http://fr.wikipedia.org/ wiki/Languedoc - Roussillon]. 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 του προτύπου. 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 [http://en.wikipedia.org/wiki/Institut_G%C3%A9ographique_National], ώστε να προκύψουν ορθοφωτογραφίες χωρικής ανάλυσης 50cm.
[[Εικόνα:garg_gabor_1_02.jpg|right|thumb||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 [http://en.wikipedia.org/wiki/ Normalized_Difference_Vegetation_Index] (ομαλοποιημένος δείκτης διαφοράς βλάστησης, συνδυάζοντας τις κόκκινες και εγγύς υπέρυθρες περιοχές του ηλεκτρομαγνητικού φάσματος) ή στον υπολογισμό της φωτεινότητας των pixels για μια ιδιαίτερη υποπεριοχή μιας εικόνας.
Η βασική ιδέα είναι να απομονωθεί κάθε μεμονωμένη εμφάνιση μιας υποπεριοχής της εικόνας (θα την ονομάζω αγροτεμάχιο από δω και πέρα), με την επιλογή των αντίστοιχων συχνοτήτων στο φάσμα Fourier [http://en.wikipedia.org/wiki/Fourier_analysis], χρησιμοποιώντας ένα συγκεκριμένο φίλτρο Gabor [http://en.wikipedia.org/wiki/ Gabor_filter]. 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 το κάθε αγροτεμάχιο 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 [http://wapedia.mobi/en/Color_depth], 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 υποψήφιο αγροτεμάχιο (όπως αναφέρεται παραπάνω) υποβάλλεται σε επαναληπτική διαδικασία φιλτραρίσματος μέσω ενός νέου φίλτρου Gabor.

[[Εικόνα:garg_gabor_2_02.jpg|right|thumb||Εικόνα 2 :Φάσμα Fourier εφαρμοσμένο στις πλοκές αμπελώνων, [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]πηγή]]

[[Εικόνα:garg_gabor_3_02.jpg|right|thumb||Εικόνα 3 :Εφαρμογή φίλτρου Gabor στις αντίστοιχες πλοκές αμπελώνων [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]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 αγροτεμάχια 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) του αγροτεμαχίου (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 (αγροτεμάχια) 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:garg_gabor_4_02.jpg|right|thumb||Εικόνα 4 :Φωτοερμηνευτική και αυτόματη κατάτμηση εικόνας [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]πηγή]]
 
Συμπεράσματα 
Η προτεινόμενη αυτοματοποιημένη προσέγγιση, έχει αποδείξει την αποδοτικότητά της στην ανίχνευση και το χαρακτηρισμό των αμπελώνων. Βασικό της πλεονέκτημα, αποτελεί το γεγονός ότι τα αποτελέσματα είναι άμεσα διαθέσιμα σε μια μορφή πολυγωνική (vector αρχεία). Ένα άλλο πρακτικό πλεονέκτημα είναι ότι τα ορθά αποτελέσματα επιτυγχάνονται στην περιοχή του ηλεκτρομαγνητικού φάσματος, όπου βρίσκεται το κόκκινο κανάλι (περίπου στα 0.65μm) στις διαθέσιμες εικόνες με τα φυσικά χρώματα. Επιπλέον, απ τη στιγμή που η κατάλληλη χωρική ανάλυση συνδέεται με την περιοδικότητα των σχημάτων των αμπελώνων, το πιο συχνά επαναλαμβανόμενο πρότυπο που δημιουργείται, θα μπορούσε να χρησιμοποιηθεί σε πολλές διαφορετικές περιοχές αμπελοκαλλιέργειας, οι οποίες παρουσιάζουν ανάλογες εμφανίσεις (όπως για παράδειγμα στην Ισπανία). Προφανώς αντί για αεροφωτογραφίες, θα μπορούσαν να χρησιμοποιηθούν οι δορυφορικές απεικονίσεις Ikonos [http://www.satimagingcorp.com/gallery-ikonos.html] και Quickbird [http://www.digitalglobe.com/index.php/85/QuickBird]. Ένα όριο αυτής της μεθόδου, όπως εφαρμόστηκε, είναι ότι έχει αναπτυχθεί για να εφαρμοστεί σε γραμμικά πρότυπα αμπελώνων. Οι επακόλουθες τροποποιήσεις θα ήταν απαραίτητες για να χρησιμοποιήσουν, σε διαδικασία φιλτραρίσματος μέσω του φίλτρου Gabor, στις συστάδες των αμπελώνων όπως εμφανίζονται σε ορισμένες περιοχές με σημαντικές κλίσεις στο έδαφος (Πορτογαλία, Ιταλία). [[Εικόνα:garg_gabor_5_02.jpg|right|thumb||Εικόνα 5 :Ποσοστό αποτελεσμάτων ανά κατηγορία [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]πηγή]]

Ανίχνευση γραμμικών χαρακτηριστικών χρησιμοποιώντας πολλαπλής ανάλυσης κυματιδιακά φίλτρα

2011-03-02T14:45:09Z

Argyropoulou Grigoria:

[[category:Ψηφιακή Τηλεπισκόπηση]]

Ανίχνευση γραμμικών χαρακτηριστικών χρησιμοποιώντας πολλαπλής ανάλυσης κυματιδιακά φίλτρα 
Πρωτότυπος τίτλος : Lineal Feature Detection Using
Multi-resolution Wavelet Filters.Πηγή : Samuel P. Kozaitis and R.H. Cofer, Photogrammetric Engineering & Remote Sensing
Vol. 71, No. 6, June 2005, pp. 689–697.
[http://www.asprs.org/publications/pers/2005journal/june/2005_june_689-697.pdf]
 
Περίληψη 
Σε αυτό το έγγραφο, ανιχνεύονται οδικά pixels σε εναέριες φωτογραφίες χρησιμοποιώντας μια πολλαπλής-ανάλυσης κυματιδιακή προσέγγιση. Η μέθοδος περιλαμβάνει μια διαφορική γεωμετρική προσέγγιση για την ανίχνευση των pixels που αποτελούν οδικό δίκτυο βάσει των μετατροπών των κυματιδίων. Χρησιμοποιώντας τη προσέγγιση αυτή, μας επιτρέπει να επεκτείνουμε τη διαφορική προσέγγιση γεωμετρίας προκειμένου να ενσωματώσει τις πολλαπλές κλίμακες. Οι γραμμικοί αλγόριθμοι ανίχνευσης χαρακτηριστικών γνωρισμάτων είναι ευαίσθητοι στις αλλαγές των εικόνων. Επομένως, απαιτείται μια μέθοδος ισχυρή στις παραλλαγές των εικόνων κι έτσι θα βελτιωνόταν η πιθανότητα της επιτυχίας της επόμενης επεξεργασίας. Η μετατροπή των κυματιδίων αποτλεί μια κατάλληλη μέθοδο για τις πληροφορίες στις διαφορετικές αναλύσεις εικόνας. Παραδείγματος χάριν, έχει αποδειχθεί ότι η εξέλιξη των τοπικών μεγίστων κυματιδίων στις κλίμακες χαρακτηρίζει την τοπική μορφή των δομών. Λόγω του ότι οι ιδιομορφίες μπορούν να εμφανιστούν σε όλες τις κλίμακες, οι μετατροπές κυματιδίων πολλαπλών-κλιμάκων έχουν χρησιμοποιηθεί για να ανιχνεύσουν τις ακμές, τα όρια και τους δρόμους. Έχει αποδειχθεί ότι τα προϊόντα των συντελεστών πολλαπλών-κλιμάκων της μετατροπής κυματιδίων μειώνουν γενικά το συσχετισμό του εισαγώμενου θορύβου διότι έχουν μια έμφυτη δυνατότητα να καταστείλουν τις απομονωμένες ωθήσεις και τους στενούς σφυγμούς, ανάλογα με το ποσό της χρησιμοποιούμενης λείανσης. Επιπλέον,έχει αναπτυχθεί μια ισχυρή μέθοδος για την ανίχνευση ακμών για τις θορυβώδεις εικόνες, χρησιμοποιώντας τα προϊόντα της μετατροπής κυματιδίων στις κλίμακες. Εξετάστηκε μια διαφορική προσέγγιση γεωμετρίας για την ανίχνευση των οδικών pixels σε ενιαία κλίμακα. Σε αυτή τη προσέγγιση, χρησιμοποιήθηκαν για να ανιχνεύσουν τα pixels των γραμμών οι μεγάλες τιμές της απόλυτης αξίας του δεύτερου παραγώγου κατεύθυνσης μιας εικόνας, η χρησιμοποίηση ενός δεύτερου παραγώγου ενός γκαουσσιανού φίλτρου [http://tams-www.informatik.uni-hamburg.de/applets/hades/webdemos/00-intro/02-imageprocessing/gauss.html] και η εξαφάνιση των πρώτων παραγώγων κατεύθυνσης σε μια κανονική κατεύθυνση . Αναδιατυπώθηκε αυτή η προσέγγιση στα πλαίσια ενός συνεχούς πλαισίου κυματιδίων έτσι ώστε να μπορούμε να χρησιμοποιήσουμε μια αντίστοιχη πρσέγγιση για την οδική ανίχνευση. Χρησιμοποιήθηκε αυτή η διαφορική προσέγγιση γεωμετρίας πολλαπλών-κλιμάκων για να παραχθούν τα χωρικά φίλτρα περιοχών για την εξαγωγή οδικών pixels. Ένας ανθρώπινος χειριστής προτείνει την υπόθεση ότι μεταξύ δύο σημείων υπάρχει δρόμος. Κατόπιν, ο υπολογιστής εκτελεί το χαμηλού επιπέδου στόχο για την εύρεση των οδικών pixels. Σε αυτήν την προσέγγιση, απαιτείται μια υψηλής-πιθανότητας μέθοδος που ανιχνεύει τα χαρακτηριστικά γνωρίσματα, όπως τα pixels οδικού δικτύου. Έπειτα, εξετάζεται η θεωρία πίσω από τη προσέγγισή αυτή και συγκρίνει τα αποτελέσματα της προσέγγισης πολλαπλής-κλίμακάς με αυτή μιας ενιαίας κλίμακας και έπειτα επικυρώνεται με τη χρήση συνθετικών εικόνων.

Μεθοδολογία 
Προσπαθώντας να αξιολογηθεί η προτεινόμενη μέθοδος, εφαρμόστηκαν τα πειράματα σε συνθετικές εικόνες με αρκετές διαβαθμίσεις θορύβου. Χρησιμοποιήσαμε δύο εικόνες, όπου κάθε μια αποτελείται από μια ενιαία περιοχή κύκλων διαμέτρου 147 pixels, και το πλάτος τους είναι ένα και επτά pixels αντίστοιχα, σε ένα σταθερό (μηδέν) υπόβαθρο. Χρησιμοποιήσαμε τις εικόνες των κύκλων για να διατηρηθούν αμετάβλητες όλες οι γωνίες ενός δρόμου. Ποικίλαμε την αναλογία σήματος προς θόρυβο (Signal to Noise Radio ή SNR) των συνθετικών εικόνων χρησιμοποιώντας τον πρόσθετο γκαουσσιανό λευκό θόρυβο. Μετά από την επεξεργασία των συνθετικών εικόνων που χρησιμοποιούν τον αλγόριθμό μας, συγκρίναμε τα αποτελέσματα με μια αναφορά. Χρησιμοποιήσαμε ένα μοναδικό pixel απαλαγμένο από θόρυβο πλάτος κύκλου επειδή είναι το ιδανικό αποτέλεσμα. Βρέθηκε το μέσο τετραγωνικό σφάλμα (MSE) μεταξύ της αναφοράς και των εικόνων που υποβάλονται σε επεξεργασία από τον αλγόριθμό μας ώστε να δώσει μια γενική ιδέα για την απόδοση της μεθόδου παρουσία του θορύβου. Αρχικά, υπολογίσαμε το MSE στην περιοχή που καταλήφθηκε μόνο από την περιοχή των κύκλων στην εικόνα αναφοράς και στην αντίστοιχη περιοχή στις επεξεργασμένες εικόνες. Ο υπολογισμός του MSE σε αυτή τη περιοχή έδωσε μια ένδειξη μη-εντοπισμένων οδικών pixels ή λανθασμένα-εντοπισμένων. Υπολογίσαμε επίσης το MSE στην περιοχή του κύκλου στην εικόνα αναφοράς και την αντίστοιχη περιοχή στις επεξεργασμένες εικόνες.
Ο υπολογισμός του MSE σε αυτήν την περιοχή έδωσε την ένδειξη των ανιχνευμένων οδικών pixels χωρίς να υπάρχουν, ή αλλιώς (false positives). Συγκρήθηκαν τα αποτελέσματα της επεξεργασίας των δύο κλιμάκων με αυτές της μίας κλίμακας. Στην πολλαπλή κλίμακα χρησιμοποιήσαμε αυτή που χρησιμοποιήθηκε στην ενιαία κλίμακα a0 και 1.5a0.
 
[[Εικόνα:garg_wavelet_1_09.jpg|right|thumb||Εικόνα 1 :Δορυφορικές εικόνες πριν και μετά την επεξεργασία, [http://www.asprs.org/publications/pers/2005journal/june/2005_june_689-697.pdf]πηγή]]
 
Τα αποτελέσματα έδειξαν ότι το σφάλμα στην πολλαπλή κλίμακα ήταν το μισό σε σύγκριση με αυτό της ενιαίας κλίμακας με τη διαφορά ότι αυξάνεται όπου η αναλογία σήματος προς θόρυβο μειώνεται. Οπτικά, οι διαφορές μεταξύ της ενιαίας-κλίμακας και των προσεγγίσεων πολλαπλής-κλίμακας παρουσιάζονται στο σχήμα 1, όπου μια δορυφορική εικόνα 256x256 pixels χρησιμοποιήθηκε στα πειράματα. Το αποτέλεσμα της επεξεργασίας που χρησιμοποιεί μόνο μια κλίμακα για τρία pixels δρόμων, a0 = 6, φαίνεται στην εικόνα 1b καθώς και των δύο κλιμάκων (ao=6, ao=9). Yπολογίσαμε το MSE μεταξύ των εικόνων 1b και 1c, και το προϊόν ενός σχεδιασμένου με το χέρι οδικού δικτύου και της αρχικής εικόνας. Το ΜSE της εικόνας 1c ήταν 6.2 % λιγότερο από αυτό της 1b. Όταν εξετάζονται μόνο τα pixels που αφορούν οδικό δίκτυο, το MSE αυξάνεται κατά 8% όταν επεξεργάζεται με τις πολλαπλές κλίμακες. Εντούτοις, κατά την εξέταση των pixels μη οδικού δικτύου , το MSE μειώθε από 34.7% όταν χρησιμοποιήθηκαν οι πολλαπλές κλίμακες.
 
Αποτελέσματα Οδικού Δικτύου 
Καταφέραμε να εντοπίσουμε οδικά δίκτυα χρησιμοποιώντας προσεγγίσεις μέσω υπολογιστή. Για να ανιχνευθεί ένας δρόμος χρησιμοποιώντας αυτή τη πρσέγγιση , ένας χρήστης «βουρτσίζει» μια πορεία μεταξύ των pixels έναρξης και λήξης που βρίσκονται σε ένα γραμμικό χαρακτηριστικό γνώρισμα. Το βήμα βουρτσίσματος μπορεί να γίνει πολύ γρήγορα χρησιμοποιώντας ένα εργαλείο-στυλό το πλάτος του οποίου μπορεί να ρυθμιστεί. Κατόπιν, ένας δυναμικός προγραμματιστικός αλγόριθμος λειτουργεί μόνο στη βουρτσισμένη περιοχή για να βρεί την πορεία που αποτελείται από το επιθυμητό χαρακτηριστικό γνώρισμα μεταξύ των pixels έναρξης και λήξης. Η βουρτσισμένη εικόνα παρουσιάζεται στην εικόνα 2α όπου τονίζεται η «βουρτσισμένη» περιοχή.
 
[[Εικόνα:garg_wavelet_2_09.jpg|right|thumb||Εικόνα 2 :Δορυφορικές εικόνες επεξεργασμένες με τον προτεινόμενο αλγόριθμο, [http://www.asprs.org/publications/pers/2005journal/june/2005_june_689-697.pdf]πηγή]]
 
Ο δυναμικός προγραμματισμός του αλγορίθμου λειτουργεί πραγματικά στο αποτέλεσμα ανίχνευσης οδικού pixel. Ουσιαστικά ο αλγόριθμος ορίζει την πιθανότητα ενός pixel να είναι μέρος του δρόμου. Οι μέθοδοι προγραμματισμού για τις κοντινότερες-πορείες μεταξύ δύο pixels είναι πολύ επιτυχείς στην ανίχνευση μεγάλων χαρακτηριστικών γνωρισμάτων των γραμμών στις εικόνες. Αλγόριθμοι με δυνατές προγραμματιστικές ικανότητες είναι απλοί στο να τους προγραμματίσεις και είναι ιδιαίτερα αποδοτικοί, χαρακτηριστικά που το καθιστούν ικανό για τον εντοπισμό της βέλτιστης συνολικής πορείας. Ο αλγόριθμος του Dijkstra λύνει το πρόβλημα της κοντινότερης πορείας από ένα σημείο μιας γραφικής παράστασης σε έναν προορισμό. Πραγματικά, οι κοντινότερες πορείες από μια δεδομένη πηγή σε όλα τα σημεία μιας γραφικής παράστασης βρίσκονται συγχρόνως και αυτό σχετίζεται με το πρόβλημα της παρουσίας δέντρων. (Περισσότερες πληροφορίες για την εφαρμογή του αλγορίθμου Dijkstra θα βρείτε εδω: http://www.asprs.org/publications/pers/2005journal/june/2005_june_689-697.pdf) Όσο χρησιμοποιούμε το περιβάλλον του υπολογιστή μας, γνωρίζουμε τη γενική θέση των pixels του οδικού δικτύου και θέλουμε να τη προσδιορίσουμε χωρίς σφάλμα. H πιο χρήσιμη μέτρηση είναι το μήκος ενός δρόμου που μπορεί να σχεδιαστεί σωστά. Τα pixels με τις τιμές που παρεκκλίνουν από το ιδανικό αποτέλεσμα μπορεί να κοντύνουν το μήκος του δρόμου που μπορεί σχεδιαστεί.
 
[[Εικόνα:garg_wavelet_3_09.jpg|right|thumb||Εικόνα 3 :Βελτιστοποίηση του MSE των κύκλων των εικόνων ως λειτουργία των SNR, [http://www.asprs.org/publications/pers/2005journal/june/2005_june_689-697.pdf]πηγή]]
 
Επομένως, χρησιμοποιήσαμε το μέσο τετραγωνικό σφάλμα MSΕ ως μέτρο. Βρήκαμε ότι η αναλογία του συνολικού MSE για την πολλαπλή κλίμακα και τα αποτελέσματα της ενιαίας κλίμακας επιδεικνύουν τα αποτελέσματα στο σχήμα 10 σαν λειτουργία των SNR. Αυτά τα αποτελέσματα δίνουν μια ένδειξη αύξησης στο μήκος του δρόμου που μπορεί να αποτυπωθεί. Τα αποτελέσματα δείχνουν ότι η προσέγγισή μας αυξάνει το μήκος για τους δρόμους ενός και επτά pixels ευρέως.
 
Συμπεράσματα 
Η ομαλοποίηση των φίλτρων σε μια διαφορική προσέγγιση γεωμετρίας τους επιτρέπει να χρησιμοποιηθεί σε ένα πλαίσιο κυματιδίων. Κατά αυτόν τον τρόπο, επεκτείναμε μια διαφορική προσέγγιση γεωμετρίας που χρησιμοποιήθηκε για την ανίχνευση pixels οδικού δικτύου στις πολλαπλές κλίμακες. Αυτό οδήγησε σε μια βελτίωση στην ανίχνευση των pixels του οδικού δικτύου. Διαπιστώσαμε ότι η χρησιμοποίηση των πολλαπλάσιων κλιμάκων μείωσε σημαντικά τον αριθμό πιθανών λανθασμένων εντοπισμών. Η προσέγγιση λειτούργησε καλά με μια υπολογιστική προσέγγιση, όπου ο σπόρος ή τα πιθανά pixles που μας ενδιαφέρουν θα πρέπει να έχουν ένα υψηλό επίπεδο εμπιστοσύνης ώστε να είναι σωστό. Διαπιστώσαμε ότι η προσέγγισή μας οδήγησε σε μια αποτελεσματική μέθοδο για τους δρόμους στις εναέριες εικόνες.

Ανίχνευση γραμμικών χαρακτηριστικών χρησιμοποιώντας πολλαπλής ανάλυσης κυματιδιακά φίλτρα

2011-03-02T14:39:20Z

Argyropoulou Grigoria:

[[category:Ψηφιακή Τηλεπισκόπηση]]

Ανίχνευση γραμμικών χαρακτηριστικών χρησιμοποιώντας πολλαπλής ανάλυσης κυματιδιακά φίλτρα 
Πρωτότυπος τίτλος : Lineal Feature Detection Using
Multi-resolution Wavelet Filters.Πηγή : Samuel P. Kozaitis and R.H. Cofer, Photogrammetric Engineering & Remote Sensing
Vol. 71, No. 6, June 2005, pp. 689–697.
[http://www.asprs.org/publications/pers/2005journal/june/2005_june_689-697.pdf]
 
Περίληψη 
Σε αυτό το έγγραφο, ανιχνεύονται οδικά pixels σε εναέριες φωτογραφίες χρησιμοποιώντας μια πολλαπλής-ανάλυσης κυματιδιακή προσέγγιση. Η μέθοδος περιλαμβάνει μια διαφορική γεωμετρική προσέγγιση για την ανίχνευση των pixels που αποτελούν οδικό δίκτυο βάσει των μετατροπών των κυματιδίων. Χρησιμοποιώντας τη προσέγγιση αυτή, μας επιτρέπει να επεκτείνουμε τη διαφορική προσέγγιση γεωμετρίας προκειμένου να ενσωματώσει τις πολλαπλές κλίμακες. Οι γραμμικοί αλγόριθμοι ανίχνευσης χαρακτηριστικών γνωρισμάτων είναι ευαίσθητοι στις αλλαγές των εικόνων. Επομένως, απαιτείται μια μέθοδος ισχυρή στις παραλλαγές των εικόνων κι έτσι θα βελτιωνόταν η πιθανότητα της επιτυχίας της επόμενης επεξεργασίας. Η μετατροπή των κυματιδίων αποτλεί μια κατάλληλη μέθοδο για τις πληροφορίες στις διαφορετικές αναλύσεις εικόνας. Παραδείγματος χάριν, έχει αποδειχθεί ότι η εξέλιξη των τοπικών μεγίστων κυματιδίων στις κλίμακες χαρακτηρίζει την τοπική μορφή των δομών. Λόγω του ότι οι ιδιομορφίες μπορούν να εμφανιστούν σε όλες τις κλίμακες, οι μετατροπές κυματιδίων πολλαπλών-κλιμάκων έχουν χρησιμοποιηθεί για να ανιχνεύσουν τις ακμές, τα όρια και τους δρόμους. Έχει αποδειχθεί ότι τα προϊόντα των συντελεστών πολλαπλών-κλιμάκων της μετατροπής κυματιδίων μειώνουν γενικά το συσχετισμό του εισαγώμενου θορύβου διότι έχουν μια έμφυτη δυνατότητα να καταστείλουν τις απομονωμένες ωθήσεις και τους στενούς σφυγμούς, ανάλογα με το ποσό της χρησιμοποιούμενης λείανσης. Επιπλέον,έχει αναπτυχθεί μια ισχυρή μέθοδος για την ανίχνευση ακμών για τις θορυβώδεις εικόνες, χρησιμοποιώντας τα προϊόντα της μετατροπής κυματιδίων στις κλίμακες. Εξετάστηκε μια διαφορική προσέγγιση γεωμετρίας για την ανίχνευση των οδικών pixels σε ενιαία κλίμακα. Σε αυτή τη προσέγγιση, χρησιμοποιήθηκαν για να ανιχνεύσουν τα pixels των γραμμών οι μεγάλες τιμές της απόλυτης αξίας του δεύτερου παραγώγου κατεύθυνσης μιας εικόνας, η χρησιμοποίηση ενός δεύτερου παραγώγου ενός γκαουσσιανού φίλτρου [http://tams-www.informatik.uni-hamburg.de/applets/hades/webdemos/00-intro/02-imageprocessing/gauss.html] και η εξαφάνιση των πρώτων παραγώγων κατεύθυνσης σε μια κανονική κατεύθυνση . Αναδιατυπώθηκε αυτή η προσέγγιση στα πλαίσια ενός συνεχούς πλαισίου κυματιδίων έτσι ώστε να μπορούμε να χρησιμοποιήσουμε μια αντίστοιχη πρσέγγιση για την οδική ανίχνευση. Χρησιμοποιήθηκε αυτή η διαφορική προσέγγιση γεωμετρίας πολλαπλών-κλιμάκων για να παραχθούν τα χωρικά φίλτρα περιοχών για την εξαγωγή οδικών pixels. Ένας ανθρώπινος χειριστής προτείνει την υπόθεση ότι μεταξύ δύο σημείων υπάρχει δρόμος. Κατόπιν, ο υπολογιστής εκτελεί το χαμηλού επιπέδου στόχο για την εύρεση των οδικών pixels. Σε αυτήν την προσέγγιση, απαιτείται μια υψηλής-πιθανότητας μέθοδος που ανιχνεύει τα χαρακτηριστικά γνωρίσματα, όπως τα pixels οδικού δικτύου. Έπειτα, εξετάζεται η θεωρία πίσω από τη προσέγγισή αυτή και συγκρίνει τα αποτελέσματα της προσέγγισης πολλαπλής-κλίμακάς με αυτή μιας ενιαίας κλίμακας και έπειτα επικυρώνεται με τη χρήση συνθετικών εικόνων.

Μεθοδολογία 
Προσπαθώντας να αξιολογηθεί η προτεινόμενη μέθοδος, εφαρμόστηκαν τα πειράματα σε συνθετικές εικόνες με αρκετές διαβαθμίσεις θορύβου. Χρησιμοποιήσαμε δύο εικόνες, όπου κάθε μια αποτελείται από μια ενιαία περιοχή κύκλων διαμέτρου 147 pixels, και το πλάτος τους είναι ένα και επτά pixels αντίστοιχα, σε ένα σταθερό (μηδέν) υπόβαθρο. Χρησιμοποιήσαμε τις εικόνες των κύκλων για να διατηρηθούν αμετάβλητες όλες οι γωνίες ενός δρόμου. Ποικίλαμε την αναλογία σήματος προς θόρυβο (Signal to Noise Radio ή SNR) των συνθετικών εικόνων χρησιμοποιώντας τον πρόσθετο γκαουσσιανό λευκό θόρυβο. Μετά από την επεξεργασία των συνθετικών εικόνων που χρησιμοποιούν τον αλγόριθμό μας, συγκρίναμε τα αποτελέσματα με μια αναφορά. Χρησιμοποιήσαμε ένα μοναδικό pixel απαλαγμένο από θόρυβο πλάτος κύκλου(???) επειδή είναι το ιδανικό αποτέλεσμα. Βρέθηκε το μέσο τετραγωνικό σφάλμα (MSE) μεταξύ της αναφοράς και των εικόνων που υποβάλονται σε επεξεργασία από τον αλγόριθμό μας ώστε να δώσει μια γενική ιδέα για την απόδοση της μεθόδου παρουσία του θορύβου. Αρχικά, υπολογίσαμε το MSE στην περιοχή που καταλήφθηκε μόνο από την περιοχή των κύκλων στην εικόνα αναφοράς και στην αντίστοιχη περιοχή στις επεξεργασμένες εικόνες. Ο υπολογισμός του MSE σε αυτή τη περιοχή έδωσε μια ένδειξη μη-εντοπισμένων οδικών pixels ή λανθασμένα-εντοπισμένων. Υπολογίσαμε επίσης το MSE στην περιοχή του κύκλου στην εικόνα αναφοράς και την αντίστοιχη περιοχή στις επεξεργασμένες εικόνες.
Ο υπολογισμός του MSE σε αυτήν την περιοχή έδωσε την ένδειξη των ανιχνευμένων οδικών pixels χωρίς να υπάρχουν, ή αλλιώς (false positives). Συγκρήθηκαν τα αποτελέσματα της επεξεργασίας των δύο κλιμάκων με αυτές της μίας κλίμακας. Στην πολλαπλή κλίμακα χρησιμοποιήσαμε αυτή που χρησιμοποιήθηκε στην ενιαία κλίμακα a0 και 1.5a0.
 
[[Εικόνα:garg_wavelet_1_09.jpg|right|thumb||Εικόνα 1 :Δορυφορικές εικόνες πριν και μετά την επεξεργασία, [http://www.asprs.org/publications/pers/2005journal/june/2005_june_689-697.pdf]πηγή]]
 
Τα αποτελέσματα έδειξαν ότι το σφάλμα στην πολλαπλή κλίμακα ήταν το μισό σε σύγκριση με αυτό της ενιαίας κλίμακας με τη διαφορά ότι αυξάνεται όπου η αναλογία σήματος προς θόρυβο μειώνεται. Οπτικά, οι διαφορές μεταξύ της ενιαίος-κλίμακας και των προσεγγίσεων πολλαπλής-κλίμακας παρουσιάζονται στο σχήμα 1, όπου μια δορυφορική εικόνα 256x256 pixels χρησιμοποιήθηκε στα πειράματα. Το αποτέλεσμα της επεξεργασίας που χρησιμοποιεί μόνο μια κλίμακα για τρία pixels δρόμων, a0 = 6, φαίνονται στην εικόνα 1b καθώς και των δύο κλιμάκων (ao=6, ao=9). Yπολογίσαμε το MSE μεταξύ των εικόνων 1b και 1c, και το προϊόν ενός σχεδιασμένου με το χέρι οδικού δικτύου και της αρχικής εικόνας. Το ΜSE της εικόνας 1c ήταν 6.2 % λιγότερο από αυτό της 1b. Όταν εξετάζονται μόνο τα pixels που αφορούν οδικό δίκτυο, το MSE αυξάνεται κατά 8% όταν επεξεργάζεται με τις πολλαπλές κλίμακες. Εντούτοις, κατά την εξέταση των pixels μη οδικού δικτύου , το MSE μειώθε από 34.7% όταν χρησιμοποιήθηκαν οι πολλαπλές κλίμακες.
 
Αποτελέσματα Οδικού Δικτύου 
Καταφέραμε να εντοπίσουμε οδικά δίκτυα χρησιμοποιώντας προσεγγίσεις μέσω υπολογιστή. Για να ανιχνευθεί ένας δρόμος χρησιμοποιώντας αυτή τη πρσέγγιση , ένας χρήστης «βουρτσίζει» μια πορεία μεταξύ των pixels έναρξης και λήξης που βρίσκονται σε ένα γραμμικό χαρακτηριστικό γνώρισμα. Το βήμα βουρτσίσματος μπορεί να γίνει πολύ γρήγορα χρησιμοποιώντας ένα εργαλείο-στυλό το πλάτος του οποίου μπορεί να ρυθμιστεί. Κατόπιν, ένας δυναμικός προγραμματιστικός αλγόριθμος λειτουργεί μόνο στη βουρτσισμένη περιοχή για να βρεί την πορεία που αποτελείται από το επιθυμητό χαρακτηριστικό γνώρισμα μεταξύ των pixels έναρξης και λήξης. Η βουρτσισμένη εικόνα παρουσιάζεται στην εικόνα 2α όπου τονίζεται η «βουρτσισμένη» περιοχή.
 
[[Εικόνα:garg_wavelet_2_09.jpg|right|thumb||Εικόνα 2 :Δορυφορικές εικόνες επεξεργασμένες με τον προτεινόμενο αλγόριθμο, [http://www.asprs.org/publications/pers/2005journal/june/2005_june_689-697.pdf]πηγή]]
 
Ο δυναμικός προγραμματισμός του αλγορίθμου λειτουργεί πραγματικά στο αποτέλεσμα ανίχνευσης οδικού pixel. Ουσιαστικά ο αλγόριθμος ορίζει την πιθανότητα ενός pixel να είναι μέρος του δρόμου. Οι μέθοδοι προγραμματισμού για τις κοντινότερες-πορείες μεταξύ δύο pixels είναι πολύ επιτυχείς στην ανίχνευση μεγάλων χαρακτηριστικών γνωρισμάτων των γραμμών στις εικόνες. Αλγόριθμοι με δυνατές προγραμματιστικές ικανότητες είναι απλοί στο να τους προγραμματίσεις και είναι ιδιαίτερα αποδοτικοί, χαρακτηριστικά που το καθιστούν ικανό για τον εντοπισμό της βέλτιστης συνολικής πορείας. Ο αλγόριθμος του Dijkstra λύνει το πρόβλημα της κοντινότερης πορείας από ένα σημείο μιας γραφικής παράστασης σε έναν προορισμό. Πραγματικά, οι κοντινότερες πορείες από μια δεδομένη πηγή σε όλα τα σημεία μιας γραφικής παράστασης βρίσκονται συγχρόνως και αυτό σχετίζεται με το πρόβλημα της παρουσίας δέντρων. (Περισσότερες πληροφορίες για την εφαρμογή του αλγορίθμου Dijkstra θα βρείτε εδω: http://www.asprs.org/publications/pers/2005journal/june/2005_june_689-697.pdf) Όσο χρησιμοποιούμε το περιβάλλον του υπολογιστή μας, γνωρίζουμε τη γενική θέση των pixels του οδικού δικτύου και θέλουμε να τη προσδιορίσουμε χωρίς σφάλμα. H πιο χρήσιμη μέτρηση είναι το μήκος ενός δρόμου που μπορεί να σχεδιαστεί σωστά. Τα pixels με τις τιμές που παρεκκλίνουν από το ιδανικό αποτέλεσμα μπορεί να κοντύνουν το μήκος του δρόμου που μπορεί σχεδιαστεί.
 
[[Εικόνα:garg_wavelet_3_09.jpg|right|thumb||Εικόνα 3 :Βελτιστοποίηση του MSE των κύκλων των εικόνων ως λειτουργία των SNR, [http://www.asprs.org/publications/pers/2005journal/june/2005_june_689-697.pdf]πηγή]]
 
Επομένως, χρησιμοποιήσαμε το μέσο τετραγωνικό σφάλμα MSΕ ως μέτρο. Βρήκαμε ότι η αναλογία του συνολικού MSE για την πολλαπλή κλίμακα και τα αποτελέσματα της ενιαίας κλίμακας επιδεικνύουν τα αποτελέσματα στο σχήμα 10 σαν λειτουργία των SNR. Αυτά τα αποτελέσματα δίνουν μια ένδειξη αύξησης στο μήκος του δρόμου που μπορεί να αποτυπωθεί. Τα αποτελέσματα δείχνουν ότι η προσέγγισή μας αυξάνει το μήκος για τους δρόμους ενός και επτά pixels ευρέως.
 
Συμπεράσματα 
Η ομαλοποίηση των φίλτρων σε μια διαφορική προσέγγιση γεωμετρίας τους επιτρέπει να χρησιμοποιηθεί σε ένα πλαίσιο κυματιδίων. Κατά αυτόν τον τρόπο, επεκτείναμε μια διαφορική προσέγγιση γεωμετρίας που χρησιμοποιήθηκε για την ανίχνευση pixels οδικού δικτύου στις πολλαπλές κλίμακες. Αυτό οδήγησε σε μια βελτίωση στην ανίχνευση των pixels του οδικού δικτύου. Διαπιστώσαμε ότι η χρησιμοποίηση των πολλαπλάσιων κλιμάκων μείωσε σημαντικά τον αριθμό πιθανών λανθασμένων εντοπισμών. Η προσέγγιση λειτούργησε καλά με μια υπολογιστική προσέγγιση, όπου ο σπόρος ή τα πιθανά pixles που μας ενδιαφέρουν θα πρέπει να έχουν ένα υψηλό επίπεδο εμπιστοσύνης ώστε να είναι σωστό. Διαπιστώσαμε ότι η προσέγγισή μας οδήγησε σε μια αποτελεσματική μέθοδο για τους δρόμους στις εναέριες εικόνες.

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

2011-03-02T14:28:57Z

Argyropoulou Grigoria:

[[category:Ψηφιακή Τηλεπισκόπηση]]

 Ανίχνευση αμπελώνων με φίλτρα Gabor [http://en.wikipedia.org/wiki/Gabor_filter], 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 [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]
 
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 [http://en.wikipedia.org/wiki/Fourier_transform] 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[http://fr.wikipedia.org/wiki/Languedoc-Roussillon]. 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 [http://en.wikipedia.org/wiki/Institut_G%C3%A9ographique_National], ώστε να προκύψουν ορθοφωτογραφίες χωρικής ανάλυσης 50cm.
[[Εικόνα:garg_gabor_1_02.jpg|right|thumb||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 [http://en.wikipedia.org/wiki/Normalized_Difference_Vegetation_Index](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 [http://en.wikipedia.org/wiki/Fourier_analysis], χρησιμοποιώντας ένα συγκεκριμένο φίλτρο Gabor [http://en.wikipedia.org/wiki/Gabor_filter]. 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 [http://wapedia.mobi/en/Color_depth], 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:garg_gabor_2_02.jpg|right|thumb||Εικόνα 2 :Φάσμα Fourier εφαρμοσμένο στις πλοκές αμπελώνων, [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]πηγή]]

[[Εικόνα:garg_gabor_3_02.jpg|right|thumb||Εικόνα 3 :Εφαρμογή φίλτρου Gabor στις αντίστοιχες πλοκές αμπελώνων [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]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:garg_gabor_4_02.jpg|right|thumb||Εικόνα 4 :Manual and automatic segmentation [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]πηγή]]
 
Συμπεράσματα 
Η προτεινόμενη αυτοματοποιημένη προσέγγιση, έχει αποδείξει την αποδοτικότητά της στην ανίχνευση και το χαρακτηρισμό των αμπελώνων. Βασικό της πλεονέκτημα, αποτελεί το γεγονός ότι τα αποτελέσματα είναι άμεσα διαθέσιμα σε μια μορφή πολυγωνική (vector αρχεία). Ένα άλλο πρακτικό πλεονέκτημα είναι ότι τα ορθά αποτελέσματα επιτυγχάνονται στην περιοχή του ηλεκτρομαγνητικού φάσματος, όπου βρίσκεται το κόκκινο κανάλι (περίπου στα 0.65μm) στις διαθέσιμες εικόνες με τα φυσικά χρώματα. Επιπλέον, απ τη στιγμή που η κατάλληλη χωρική ανάλυση συνδέεται με την περιοδικότητα των σχημάτων των αμπελώνων, το πιο συχνά επαναλαμβανόμενο πρότυπο που δημιουργείται, θα μπορούσε να χρησιμοποιηθεί σε πολλές διαφορετικές περιοχές αμπελοκαλλιέργειας, οι οποίες παρουσιάζουν ανάλογες εμφανίσεις (όπως για παράδειγμα στην Ισπανία). Προφανώς αντί για αεροφωτογραφίες, θα μπορούσαν να χρησιμοποιηθούν οι δορυφορικές απεικονίσεις Ikonos [http://www.satimagingcorp.com/gallery-ikonos.html] και Quickbird [http://www.digitalglobe.com/index.php/85/QuickBird]. Ένα όριο αυτής της μεθόδου, όπως εφαρμόστηκε, είναι ότι έχει αναπτυχθεί για να εφαρμοστεί σε γραμμικά πρότυπα αμπελώνων. Οι επακόλουθες τροποποιήσεις θα ήταν απαραίτητες για να χρησιμοποιήσουν, σε διαδικασία φιλτραρίσματος μέσω του φίλτρου Gabor, στις συστάδες των αμπελώνων όπως εμφανίζονται σε ορισμένες περιοχές με σημαντικές κλίσεις στο έδαφος (Πορτογαλία, Ιταλία). [[Εικόνα:garg_gabor_5_02.jpg|right|thumb||Εικόνα 5 :Ποσοστό αποτελεσμάτων ανά κατηγορία [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]πηγή]]

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

2011-03-02T14:25:36Z

Argyropoulou Grigoria:

[[category:Ψηφιακή Τηλεπισκόπηση]]

 Ανίχνευση αμπελώνων με φίλτρα Gabor [http://en.wikipedia.org/wiki/Gabor_filter], 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 [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]
 
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 [http://en.wikipedia.org/wiki/Fourier_transform] 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[http://fr.wikipedia.org/wiki/Languedoc-Roussillon]. 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 [http://en.wikipedia.org/wiki/Institut_G%C3%A9ographique_National], ώστε να προκύψουν ορθοφωτογραφίες χωρικής ανάλυσης 50cm.
[[Εικόνα:garg_gabor_1_02.jpg|right|thumb||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 [http://en.wikipedia.org/wiki/Normalized_Difference_Vegetation_Index](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 [http://en.wikipedia.org/wiki/Fourier_analysis], χρησιμοποιώντας ένα συγκεκριμένο φίλτρο Gabor [http://en.wikipedia.org/wiki/Gabor_filter]. 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 [http://wapedia.mobi/en/Color_depth], 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. Σ αυτή τη περίπτωση, κάθε υποψήφια πλοκή (όπως αναφέρεται παραπάνω) υποβάλλεται σε επαναληπτική διαδικασία φιλτραρίσματος μέσω ενός νέου φίλτρου Gabor.
[[Εικόνα:garg_gabor_2_02.jpg|right|thumb||Εικόνα 2 :Φάσμα Fourier εφαρμοσμένο στις πλοκές αμπελώνων, [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]πηγή]]

[[Εικόνα:garg_gabor_3_02.jpg|right|thumb||Εικόνα 3 :Εφαρμογή φίλτρου Gabor στις αντίστοιχες πλοκές αμπελώνων [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]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:garg_gabor_4_02.jpg|right|thumb||Εικόνα 4 :Manual and automatic segmentation [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]πηγή]]
 
Συμπεράσματα 
Η προτεινόμενη αυτοματοποιημένη προσέγγιση, έχει αποδείξει την αποδοτικότητά της στην ανίχνευση και το χαρακτηρισμό των αμπελώνων. Βασικό της πλεονέκτημα, αποτελεί το γεγονός ότι τα αποτελέσματα είναι άμεσα διαθέσιμα σε μια μορφή πολυγωνική (vector αρχεία). Ένα άλλο πρακτικό πλεονέκτημα είναι ότι τα ορθά αποτελέσματα επιτυγχάνονται στην περιοχή του ηλεκτρομαγνητικού φάσματος, όπου βρίσκεται το κόκκινο κανάλι (περίπου στα 0.65μm) στις διαθέσιμες εικόνες με τα φυσικά χρώματα. Επιπλέον, απ τη στιγμή που η κατάλληλη χωρική ανάλυση συνδέεται με την περιοδικότητα των σχημάτων των αμπελώνων, το πιο συχνά επαναλαμβανόμενο πρότυπο που δημιουργείται, θα μπορούσε να χρησιμοποιηθεί σε πολλές διαφορετικές περιοχές αμπελοκαλλιέργειας, οι οποίες παρουσιάζουν ανάλογες εμφανίσεις (όπως για παράδειγμα στην Ισπανία). Προφανώς αντί για αεροφωτογραφίες, θα μπορούσαν να χρησιμοποιηθούν οι δορυφορικές απεικονίσεις Ikonos [http://www.satimagingcorp.com/gallery-ikonos.html] και Quickbird [http://www.digitalglobe.com/index.php/85/QuickBird]. Ένα όριο αυτής της μεθόδου, όπως εφαρμόστηκε, είναι ότι έχει αναπτυχθεί για να εφαρμοστεί σε γραμμικά πρότυπα αμπελώνων. Οι επακόλουθες τροποποιήσεις θα ήταν απαραίτητες για να χρησιμοποιήσουν, σε διαδικασία φιλτραρίσματος μέσω του φίλτρου Gabor, στις συστάδες των αμπελώνων όπως εμφανίζονται σε ορισμένες περιοχές με σημαντικές κλίσεις στο έδαφος (Πορτογαλία, Ιταλία). [[Εικόνα:garg_gabor_5_02.jpg|right|thumb||Εικόνα 5 :Ποσοστό αποτελεσμάτων ανά κατηγορία [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]πηγή]]

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

2011-03-02T14:24:17Z

Argyropoulou Grigoria:

[[category:Ψηφιακή Τηλεπισκόπηση]]

 Ανίχνευση αμπελώνων με φίλτρα Gabor [http://en.wikipedia.org/wiki/Gabor_filter], 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 [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]
 
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 [http://en.wikipedia.org/wiki/Fourier_transform] 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[http://fr.wikipedia.org/wiki/Languedoc-Roussillon]. 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 [http://en.wikipedia.org/wiki/Institut_G%C3%A9ographique_National], ώστε να προκύψουν ορθοφωτογραφίες χωρικής ανάλυσης 50cm.
[[Εικόνα:garg_gabor_1_02.jpg|right|thumb||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 [http://en.wikipedia.org/wiki/Normalized_Difference_Vegetation_Index](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 [http://en.wikipedia.org/wiki/Fourier_analysis], χρησιμοποιώντας ένα συγκεκριμένο φίλτρο Gabor [http://en.wikipedia.org/wiki/Gabor_filter]. 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 φί λτρουGabor, 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 [http://wapedia.mobi/en/Color_depth], 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. Σ αυτή τη περίπτωση, κάθε υποψήφια πλοκή (όπως αναφέρεται παραπάνω) υποβάλλεται σε επαναληπτική διαδικασία φιλτραρίσματος μέσω ενός νέου φίλτρου Gabor.
[[Εικόνα:garg_gabor_2_02.jpg|right|thumb||Εικόνα 2 :Φάσμα Fourier εφαρμοσμένο στις πλοκές αμπελώνων, [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]πηγή]]

[[Εικόνα:garg_gabor_3_02.jpg|right|thumb||Εικόνα 3 :Εφαρμογή φίλτρου Gabor στις αντίστοιχες πλοκές αμπελώνων [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]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:garg_gabor_4_02.jpg|right|thumb||Εικόνα 4 :Manual and automatic segmentation [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]πηγή]]
 
Συμπεράσματα 
Η προτεινόμενη αυτοματοποιημένη προσέγγιση, έχει αποδείξει την αποδοτικότητά της στην ανίχνευση και το χαρακτηρισμό των αμπελώνων. Βασικό της πλεονέκτημα, αποτελεί το γεγονός ότι τα αποτελέσματα είναι άμεσα διαθέσιμα σε μια μορφή πολυγωνική (vector αρχεία). Ένα άλλο πρακτικό πλεονέκτημα είναι ότι τα ορθά αποτελέσματα επιτυγχάνονται στην περιοχή του ηλεκτρομαγνητικού φάσματος, όπου βρίσκεται το κόκκινο κανάλι (περίπου στα 0.65μm) στις διαθέσιμες εικόνες με τα φυσικά χρώματα. Επιπλέον, απ τη στιγμή που η κατάλληλη χωρική ανάλυση συνδέεται με την περιοδικότητα των σχημάτων των αμπελώνων, το πιο συχνά επαναλαμβανόμενο πρότυπο που δημιουργείται, θα μπορούσε να χρησιμοποιηθεί σε πολλές διαφορετικές περιοχές αμπελοκαλλιέργειας, οι οποίες παρουσιάζουν ανάλογες εμφανίσεις (όπως για παράδειγμα στην Ισπανία). Προφανώς αντί για αεροφωτογραφίες, θα μπορούσαν να χρησιμοποιηθούν οι δορυφορικές απεικονίσεις Ikonos [http://www.satimagingcorp.com/gallery-ikonos.html] και Quickbird [http://www.digitalglobe.com/index.php/85/QuickBird]. Ένα όριο αυτής της μεθόδου, όπως εφαρμόστηκε, είναι ότι έχει αναπτυχθεί για να εφαρμοστεί σε γραμμικά πρότυπα αμπελώνων. Οι επακόλουθες τροποποιήσεις θα ήταν απαραίτητες για να χρησιμοποιήσουν, σε διαδικασία φιλτραρίσματος μέσω του φίλτρου Gabor, στις συστάδες των αμπελώνων όπως εμφανίζονται σε ορισμένες περιοχές με σημαντικές κλίσεις στο έδαφος (Πορτογαλία, Ιταλία). [[Εικόνα:garg_gabor_5_02.jpg|right|thumb||Εικόνα 5 :Ποσοστό αποτελεσμάτων ανά κατηγορία [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]πηγή]]

MTF-tailored Multiscale Fusion of High-resolution MS and Pan Imagery

2011-02-26T16:17:54Z

Argyropoulou Grigoria: Η MTF-tailored Multiscale Fusion of High-resolution MS and Pan Imagery μετονομάστηκε σε Πολλαπλών κλιμάκων συγχώνευση (MTF-tailored) σε πολλαπλής ανάλυσης και πανχρωματικές ει

#REDIRECT [[Πολλαπλών κλιμάκων συγχώνευση (MTF-tailored) σε πολλαπλής ανάλυσης και πανχρωματικές εικόνες υψηλής ανάλυσης]]

Πολλαπλών κλιμάκων συγχώνευση (MTF-tailored) σε πολλαπλής ανάλυσης και πανχρωματικές εικόνες υψηλής ανάλυσης

2011-02-26T16:17:54Z

[[category:Ψηφιακή Τηλεπισκόπηση]]

 MTF-tailored πολλαπλών κλιμάκων συγχώνευση σε πολλαπλής ανάλυσης και πανχρωματικές εικόνες υψηλής ανάλυσης. 
Πρωτότυπος τίτλος : MTF-tailored Multiscale Fusion of
High-resolution MS and Pan Imagery

Πηγή : B. Aiazzi, L. Alparone, S. Baronti, A. Garzelli, and M. Selva, Photogrammetric Engineering & Remote Sensing
Vol. 72, No. 5, May 2006, pp. 591–596 [http://www.asprs.org/publications/pers/2006journal/may/2006_may_591-596.pdf]
 
Περίληψη 
Εδώ παρουσιάζεται ένα πλαίσιο πολλαπλής ανάλυσης για τη συγχώνευση μιας πολυφασματικής εικόνας με αυθαίρετο αριθμό καναλιών με μία υψηλότερης ανάλυσης παγχρωματική παρατήρηση. Η μέθοδος συγχώνευσης στηρίζεται στη γενική πυραμίδα Laplacian (GLP) [http://sepwww.stanford.edu/~morgan/texturematch/paper_html/node3.html], η οποία είναι μια πολλαπλής κλίμακας κατασκευή. Ο στόχος είναι να εκτελεστεί επιλεκτικά η έγχυση των χωρικών συχνοτήτων από μία εικόνα σε μία άλλη με τον περιορισμό της λεπτομερούς διατήρησης των φασματικών πληροφοριών των χονδροειδών στοιχείων. Η νέα ιδέα είναι ότι ένα πρότυπο των λειτουργιών μεταφοράς διαμόρφωσης (MTF) [http://en.wikipedia.org/wiki/MTF]του πολυφασματικού ανιχνευτή αξιοποιείται για να σχεδιάσει το φίλτρο μείωσης GLP. Κατά συνέπεια το interband structure model (IBSM) [http://www.sciencedirect.com/science?_ob=ArticleURL&_udi=B6W76-4D4VD6P-2&_user=83473&_coverDate=09%2F30%2F2005&_rdoc=1&_fmt=high&_orig=search&_origin=search&_sort=d&_docanchor=&view=c&_searchStrId=1584647997&_rerunOrigin=google&_acct=C000059671&_version=1&_urlVersion=0&_userid=83473&md5=ed4c41cdd981914c10b616bd8f9656b8&searchtype=a], το οποίο υπολογίζεται στη πιο χονδροειδή κλίμακα, όπου και τα πολλαπλής κλίμακας και παγχρωματικά δεδομένα είναι διαθέσιμα, μπορεί να επεκταθεί στη λεπτότερη κλίμακα χωρίς το μειονέκτημα της μικρής αύξησης που εμφανίζεται όταν MTFs ήταν ιδανικά φίλτρα. Τα πειράματα που πραγματοποιούνται από δεδομένα Quickbird δείχνουν ότι μια ανώτερη χωρική αύξηση, εκτός από τη φασματική ποιότητα χαρακτηριστική των μεθόδων συγχώνευσης, επιτυγχάνεται με τη βοήθεια της MTF ρυθμισμένης συγχώνευσης.
 
Περιοχή μελέτης 
Η προτεινόμενη διαδικασία συγχώνευσης έχει εφαρμοστεί σε εικόνα πολύ υψηλής ανάλυσης που αποκτήθηκε στις 23 Ιουνίου 2002 στις 10:25:59 GMT +2 από δορυφόρο Quickbird στην περιοχή Pavia της Ιταλίας [http://el.wikipedia.org/wiki/%CE%A0%CE%B1%CE%B2%CE%AF%CE%B1]. Τα 4 MS κανάλια ονομαζόμενα, B1, B2, B3, B4, συνδέουν τα εμφανή και κοντινά-υπέρυθρα μήκη κύματος και είναι φασματικά μη-συνδυασμένα. . Το παγχρωματικό κανάλι περιλαμβάνει το διάστημα 450-900 nm. Όλα τα δεδομένα δοκιμάζουν τις επίγειες ομοιόμορφες αναλύσεις των 2.8m και 0.7m GSD για τα MS και PAN. Τα MS και PAN δεδομένα είναι χωρικά υποβιβασμένα από 4 υποχωρώντας στα 2.8m για τις PAN και 11,2m για τις MS, και χρησιμοποιούνται για να συνθέσουν τα κανάλια MS των2.8m.
 
Μεθοδολογία 
Όπως γνωρίζουμε, η προσομοίωση στα δεδομένα του χωρικού υποβιβασμού στοχεύει στην προσαρμογή του αλγορίθμου συγχώνευσης με τρόπο τέτοιο ώστε μόλις ληφθεί το καλύτερο αντικειμενικό ακριβές αποτέλεσμα με τα πρωτότυπα αναφοράς, ο ίδιος αλγόριθμος θα τρέξει στα πραγματικά δεδομένα υψηλής-ανάλυσης και θα παραχθούν τα καλύτερα αποτελέσματα. Παρά την προσπάθεια να αποκτήσουμε τα καλύτερα αποτελέσματα, είναι σημαντικό να μετρήσουμε πόσο πολύ μία μέθοδος συγχώνευσης είναι ικανή να βελτιώσει την ποιότητα του συγχωνευμένου προϊόντος με την προϋπόθεση των ξανά-δοκιμασμένων MS δεδομένων, τα οποία αποτελούν την αφετηρία του. Έτσι, ένα ιδανικό φίλτρο και τα MTF- ταιριάσματος φίλτρα χρησιμοποιήθηκαν για το αρχικό φιλτράρισμα των MT δεδομένων πριν τον αποδεκατισμό. Ο αλγόριθμος συγχώνευσης χρησιμοποιεί μια συμβατική πολυδιακριτή ανάλυση ή multiresolution analysis (MRA). Έπειτα, το φίλτρο μείωσης των GLP, συνδέει το MTF σε κάθε MS κανάλι. Τα παγχρωματικά δεδομένα πάντα υποβιβάζονταν με το ιδανικό φίλτρο. Προκειμένου να αξιολογηθεί εύκολα η ποιοτική αύξηση, είτε με η χωρίς την MTF προσαρμογής του MRA, θα χρησιμοποιηθούν μόνο σφαιρικά αποτελέσματα, όπως ο αλγόριθμος Φασματικής Γωνίας SAM, ERGAS, Q4 [http://www.isprs.org/proceedings/XXXVII/congress/7_pdf/6_WG-VII-6/09.pdf].
Πραγματοποιήθηκε μια σύγκριση των μεθόδων GLP-based με αυτή των προτύπων έγχυσης ESDM και ECB με δύο μεθόδους: πολλαπλή ανάλυση IHS με προσθετικό πρότυπο βασισμένο σε ATWF, και υψιπερατό φιλτράρισμα για την απόκτηση ιδανικών η MTF-υποβιβασμένα MS κανάλια. Παρά τη τυπική διαφορά ( AWF χειρίζεται στην περιοχή HPF, ενώ το HPF στην φασματική περιοχή), η όλη πρακτική διαφορά μεταξύ του HPF και AWL είναι το χαμηλοδιαβατό φίλτρο που χρησιμοποιείται για την ανάπτυξη μιας χαμηλότερης ανάλυσης προσέγγιση.
(Για περισσότερες πληροφορίες βλέπε εδώ:http://www.asprs.org/publications/pers/2006journal/may/2006_may_591-596.pdf)
[[Εικόνα:garg_MTF_1_06.jpg|center|thumb||Πίνακας 1 :Μέσοι συσσωρευτικοί ποιοτικοί δείκτες, [http://www.asprs.org/publications/pers/2006journal/may/2006_may_591-596.pdf]πηγή]]
 
Οι παράμετροι στον Πίνακα1 μετρούν τη σφαιρική παραμόρφωση των διανυσμάτων του pixel, ή με ραδιομετρική, ή με φασματική, ή και με τα δύο φασματική και ραδιομετρική θα δώσει μια περιεκτική μέτρηση της απόδοσης έγχυσης. Το EXP υπογραμμίζει την περίπτωση όπου τα υποβιβασμένα δεδομένα MS είναι resampled μέσα από 23-taps expansion filter of GLP, και δεν συνέβη καμία έγχυση λεπτομερειών. Εξαρτώμενο από το πότε ο υποβιβασμός είναι ιδανικός η MTF-based, η ποιότητα όλων των προϊόντων έγχυσης, περιλαμβανωμένων και των resampled MS καναλιών (EXP)που αλλάζουν σημαντικά, ενώ γίνονται χαμηλότερα στην τελευταία περίπτωση, επειδή η έναρξη των δεδομένων MS είναι φτωχότερη και στο φασματικό και στο γεωμετρικό περιεχόμενο. Μόνο το AWL είναι λίγο αναγκασμένο στην τελευταία περίπτωση, εξαιτίας του MRA που ενσωματώνει το MTF πρότυπο. Το SAM που επιτεύχθηκε από το ECB είναι χαμηλότερο από εκείνο του ESDM, χάρη στις μη αναμειγμένες ικανότητες του former συγκρινόμενου με το τελευταίο. Είναι αξιοσημείωτο ότι οι συγχωνευμένες εικόνες που παρήχθησαν από τις προσαρμοσμένες μεθόδους MTF , επιδεικνύουν μία ποιότητα προσαύξησης with respect to that of resampled MS data, το οποίο είναι καλύτερο από αυτό που σημειώθηκε όταν ο υποβιβασμός είναι ιδανικός και γι αυτό οι μέθοδοι δεν χρειάζονται MTF προσαρμογή.
[[Εικόνα:garg_MTF_2_06.jpg|center|thumb||Εικόνα 1 :Παραδείγματα του πραγματικού μεγέθους χωρικής αύξησης των αλγορίθμων συγχώνευσης που επιδεικνύονται ως 512 x 512 πραγματικής έκθεσης χρωμάτων στο διάστημα 0,7m pixels, [http://www.asprs.org/publications/pers/2006journal/may/2006_may_591-596.pdf]πηγή]]
 
Η Εικόνα1 επιδεικνύει την σύνθεση φυσικών χρωμάτων του resampled 2,8m καναλιών και τα χωρικά προσαυξημένα κανάλια, όλα των 0,7m. Η απεικόνιση πραγματικών χρωμάτων έχει σκοπίμως επιλεγεί, επειδή η PAN όξυνση των MS καναλιών εμπίπτει εν μέρει εξωτερικά του μήκους καναλιού του παγχρωματικού, όπως στην περίπτωση του μπλέ καναλιού (Β1). Το υψιπερατό φιλτράρισμα HPF αποφέρει μία εικόνα συγχωνευμένη παρόμοια με αυτή του AWL, αν και είναι λίγο λιγότερο ακριβές.
Επομένως, το κάθε αποτέλεσμα δεν είναι απεικονισμένο στην εικόνα1. Τα ESDM και ECB πρότυπα εφαρμόζονται στο GLP, επιτυγχάνοντας με ή χωρίς MTF- matched φίλτρα. Ένας οπτικός έλεγχος ότι όλες οι φασματικές υπογραφές των αρχικών δεδομένων MS ενσωματώνονται προσεκτικά στις ζώνες όξυνσης. Χάρη στα δύο πρότυπα εγχύσεων, η υφή των θόλων, τα οποία τονίζονται από την παγχρωματική εικόνα, αλλά συνήθως προέρχεται από το κανάλι near-infrared NIR το οποίο είναι έξω από τα ορατά μήκη κύματος, εμφανίζεται να μετριάζεται στα προϊόντα τήξης ESDM και ECB. To ΑWL , το οποίο υπολογίζει για το MTF στο MRA, είναι γεωμετρικά πλούσιο και λεπτομερές, αλλά υπερ-ενισχυμένο, ειδικά στις περιοχές βλάστησης. Πραγματοποιείται μια οπτική ανάλυση σε ένα μικρό τετράγωνο που περιβάλλεται από δέντρα και αποκαλύπτει ότι οι μέθοδοι που εκμεταλλεύονται MTF-ετικέτες MRA αποφέρουν αιχμηρότερες και καθαρότερες γεωμετρικές δομές από εκείνους που χρησιμοποιούν τα ιδανικά φίλτρα MRA.
 
Συμπεράσματα 
Εδώ, έχει αποδειχθεί ότι οι μέθοδοι συγχώνευσης εικόνων που βασίζονται στο MRA μπορούν να βελτιωθούν αν η συχνότητα ανάλυσης της παγχρωματικής πραγματοποιείται χρησιμοποιώντας ψηφιακά φίλτρα με τις απαντήσεις συχνότητας που ταιριάζουν με ένα πρότυπο του MTF του συστήματος απεικόνισης. Αν και τα συγκεκριμένα παραδείγματα προτύπων έγχυσης έχουν πραγματοποιηθεί, η προτεινόμενη προσέγγιση μπορεί να χρησιμοποιηθεί με οποιαδήποτε μέθοδο συγχώνευσης, υπό τον όρο ότι το MRA δεν είναι αυστηρά subsampled. Κατά αυτό τον τρόπο, οι μέθοδοι που βελτιστοποιούνται εμπειρικά σε μια μεγαλύτερη κλίμακα, δηλαδή χωρικά υποβιβασμένα δεδομένα των οποίων τα πρότυπα αναφοράς είναι διαθέσιμα για την αξιολόγηση της απόδοσης, είναι ακόμα αποτελεσματικές όταν πραγματοποιείται η συγχώνευση στην πραγματική κλίμακα.
Με βάση αυτή τη προοπτική, έχει καθοριστεί ένας βαθμός ελευθερίας για την ποιοτική αξιολόγηση στο πρωτόκολλο Wald. Παρά την αξίωση ότι οι αποδόσεις συγχώνευσης μπορούν αν προκύψουν από μια μεγαλύτερη κλίμακα, στην πραγματική κλίμακα, δεν αναφέρεται ποτέ πιο είδος φίλτρου χρησιμοποιείται για την υποβάθμιση της εικόνας. Τώρα είναι δυνατό να δηλωθεί ότι το φίλτρο πρέπει να ταιριάξει με τη μορφή του αναλογικού φίλτρου μέσω του οποίου η ακτινοβολία μεταβιβάζεται digitizer.
Συμπερασματικά, η παρούσα μελέτη προσπαθεί να εξηγήσει γιατί ενώ υπάρχουν τόσοι πολλοί αλγόριθμοι συγχώνευσης εικόνας, χρησιμοποιούνται τόσοι λίγοι. Σαν παράδειγμα, υπενθυμίζεται ότι στη φασματική μέθοδο όξυνσης Gram-Schmidt, που εφαρμόζεται στην ENVI, η οποία δεν εκμεταλλεύεται το MRA , αλλά ένα είδος ορθογώνιας συστατικής αντικατάστασης reminiscent της PC αντικατάστασης.

Προσδιορισμός των ορίων της ιστορικής τοποθεσίας της Περσέπολης χρησιμοποιώντας μεθόδους ψηφιακής τηλεπισκόπησης

2011-02-19T19:31:02Z

Argyropoulou Grigoria:

[[category:Νέα δοκιμαστική υποκατηγορία]]

Προσδιορισμός των ορίων της ιστορικής τοποθεσίας της Περσέπολης χρησιμοποιώντας μεθόδους ψηφιακής τηλεπισκόπησης 
Πρωτότυπος τίτλος : AIdentifying the boundaries of the historical site of Persepolis using remote sensing

Πηγή : Behnaz Aminzadeh, Firuzeh Samani, Remote Sensing of Environment 102 (2006) 52–62 [http://faculty.ksu.edu.sa/archaeology/Publications/Remote%20sensing/Identifying%20the%20boundaries%20of%20the%20historical%20site%20of%20Persepolis%20using%20remote%20sensing.pdf]
 
Περίληψη 
Η Περσέπολη που βρίσκεται 70 χιλιόμετρα βορειοανατολικά της σύγχρονης πόλης Σιράζ στο Ιράν, είναι μια από τις γνωστές αρχαιολογικές περιοχές παγκόσμιων κληρονομιών που χρονολογούνται από την αχαιμενική περίοδο (560-330 Π.Χ.). Ο χαρακτηρισμός της περιοχής και η σημασία της ως διεθνής παγκόσμια κληρονομιά διακρίθηκε από την UNESCO ως πρώτη μεταξύ των πέντε επιλεγμένων ιστορικών περιοχών στο Ιράν και καταχωρήθηκε το 1979. H περιοχή είναι ελκυστική για τους εθνικούς και διεθνείς τουρίστες καθώς επίσης και τους αρχαιολόγους και τους ιστορικούς από τον κόσμο. Παρότι θεωρείται από τις σημαντικότερες ιστορικές και αρχαιολογικές περιοχές, καμία έρευνα μέχρι τώρα δεν έχει εστιάσει στην ακριβή οριοθέτηση αυτής της περιοχής ενώ ταυτόχρονα βρίσκεται υπό αμφισβήτηση η ύπαρξη ενός τοίχους και πύργων για την προστασία αυτού του σημαντικού κέντρου. Προκειμένου να εξεταστεί το πρόβλημα αυτό, χρησιμοποιείται μια ανάλυση στοιχείων τηλεπισκόπησης, μια φωτογεωλογία, και μια μελέτη πεδίου. Για το χαρακτηρισμό του αρχαιολογικού τοπίου και των θέσεων της καταρρέουσας δομής οι αεροφωτογραφίες και οι δορυφορικές εικόνες έχουν αποδειχθεί ιδιαίτερα πολύτιμο εργαλείο. Η κατασκευή της Περσέπολης άρχισε από το Δαρείο, συνεχίστηκε από το γιο του Ξέρξη και τον εγγονό του Αρταξέρξη και καταστράφηκε από το Μέγα Αλέξανδρο. Αποτελούσε έναν εθνικό ιερό τόπο και είχε ως πρωτεύουσα πόλη την Parse. Το γενικό πλάνο των παλατιών και ο περιβάλλων χώρος παρουσιάζονται στην Εικόνα 1.
 
[[Εικόνα:garg_laplace_1_12.jpg|right|thumb||Εικόνα 1 : Περσέπολις.Γενικό πλάνο των παλατιών, [http://faculty.ksu.edu.sa/archaeology/Publications/Remote%20sensing/Identifying%20the%20boundaries%20of%20the%20historical%20site%20of%20Persepolis%20using%20remote%20sensing.pdf]πηγή]]
 
Είναι τοποθετημένη σε μία φυσικά προστατευμένη περιοχή, καθώς περιβάλλεται από τη λίμνη Tashk από τα ανατολικά και από κορυφογραμμές από τα βόρεια. Βάσει των δεδομένων τηλεπισκόπισης και της φωτογεωλογίας, η περιοχή αυτή διαθέτει ειδική γεωμορφολογία με μεγάλες καλλιεργήσιμες εκτάσεις και διασκορπισμένα χωριά που περιβάλλονται ανατολικά από το όρος Rahmat, δυτικά από τον ποταμό Kor, βόρεια από το όρος Hossein και νότια από την οροσειρά Zarghan (βλ. εικόνα 2).
 
[[Εικόνα:garg_laplace_2_12.jpg|right|thumb||Εικόνα 2 : Δορυφορική εικόνα της οροσειράς Zagros, [http://faculty.ksu.edu.sa/archaeology/Publications/Remote%20sensing/Identifying%20the%20boundaries%20of%20the%20historical%20site%20of%20Persepolis%20using%20remote%20sensing.pdf]πηγή]]
 
Μεθοδολογία 
Προκειμένου να επιτευχθεί ο στόχος αυτός, χρησιμοποιήθηκαν διάφορα ενσωματωμένα θεματικά σύνολα. Η πλειοψηφία αυτών ήταν μη διαθέσιμα από τις παραδοσιακές πηγές. Αυτή η έρευνα επιτυγχάνει μια επεξεργασία συνδιασμού των ETM+ δεδομένων ψηφιακής τηλεπισκόπησης παράγοντας θεματικές εικόνες, ενισχύει σημαντικά την κατανόηση των αρχαιολογικών πόρων, των τοποθεσιών και των ιστορικών εξελίξεων από τις περιβαλλοντικές αλλαγές. Για την έρευν χρησιμοποιήθηκαν δεδομένα ΕΤΜ+, ασπρόμαυρες αεροφωτογραφίες και τοπογραφικοί χάρτες κλίμακας 1:50000 και 1:25000. H Διεθνής Εγκάρσια Μερκατορική Προβολή UTM [http://en.wikipedia.org/wiki/Universal_Transverse_Mercator_coordinate_system] οι προβολές, και το στοιχείο WGS84 έχουν χρησιμοποιηθεί για την προβολή, τη διόρθωση, και τις διαδικασίες συλλογής δεδομένων. Η διόρθωση έχει γίνει με τη χρησιμοποίηση της γεωδιαμόρφωσης. Το GPS έχει καθοριστεί από GPS χειρός που μεταλλάσσει τους τοπογραφικούς χάρτες των 1:50000 και 1:25000 που διορθώνονται από το λάθος μέσης τετραγωνικής τιμής (RMSE) 4 έως 10 μέτρων. Έχει επίσης καθοριστεί ένας συνδυασμός γεωλογίας τηλεπισκόπησης, φωτογεωλογίας, και η αξιολόγηση πληροφοριών έχουν γίνει για τον καθορισμό των αρχαιολογικών χαρακτηριστικών γνωρισμάτων και τα υπόλοιπα της πιθανής ύπαρξης του τοίχου και των παρατηρητηρίων φρουράς. Η επεξεργασία εικόνας περιλαμβάνει τους διάφορους ραδιομετρικούς αλγορίθμους διορθώσεων και αφαίρεσης θορύβου. Περιλαμβάνει επίσης την εγγραφή της εικόνας, ή τη βαθμολόγηση γεω-κωδικοποίησης και στοιχείων καλιμπρρίσματος. Συνήθως, η ζώνη του αριθμητή επιλέγεται βάσει ποιό υλικό είναι ιδιαίτερα αντανακλαστικό και επιλέγεται ως παρονομαστής ένα κανάλι που καλύπτει ένα χαρακτηριστικό γνώρισμα απορρόφησης για εκείνο το υλικό . Το TM 5/7 που κάνει διακρίσεις στα υλικά που περιέχουν τα υδροξύλια μεταλλεύματα (argillic υλικά) και το ανθρακικό άλας με την απορρόφηση χαρακτηρίζεται στην περιοχή 2.2 έως 2.3 μm. Η αναλογία του TM 5/4 χρησιμοποιήθηκε για να διακρίνει τους βράχους και τα χώματα για να ενισχύσει το αρχαιολογικό υπόλειμμα στις καλλιεργημένες ζώνες. Αυτή η αναλογία έχει χρησιμοποιηθεί για να δώσει έμφαση στο αρχαιολογικό υπόλειμμα μέσα στις καλλιεργημένες περιοχές, όπου εμφανίστηκαν ως ελαφριά σημεία στο γκρίζο υπόβαθρο. Αυτά τα χαρακτηριστικά γνωρίσματα έχουν ενισχυθεί επίσης στις RGB (b5/b7, b5/b4, b3/b2) συνθετικές εικόνες. Η μετατροπή IHS χρησιμοποιείται επίσης για τη RGB σύνθετη εικόνα (b5/b7, b3/b2, b5), η οποία αντικαθιστώντας το b5 αναγκάζει την ένταση να κάνει διακρίσεις στους δείκτες βλάστησης. Αυτή η λειτουργία έχει χεησιμοποιηθεί για να μειώσει την εδαφική φωτεινότητα και τις ατμοσφαιρικές παραλλαγές. Η συνέλιξη ενός υψιπερτού φίλτρου (3x3 πίνακα) έχει εφαρμοστεί στα κανάλια TM b5, b4, b7, και προστέθηκν στην αρχική εικόνα ώστε να παραχθεί η ενίσχυση των ακμών. Έχουν εφαρμοστεί επίσης κατευθυντικά φίλτρα σε διαφορετικές κατευθύνσεις για την ενίσχυση των χωρικών χαρακτηριστικών γνωρισμάτων. Η ανάλυση κύριων τμημάτων έχει εφαρμοστεί για να καθορίσει την collapsed clayey matrix, allocthonous carbonate rock fragments, και τα χαρακτηριστικά των καλλιεργειών. Οι διαφορές στην εδαφολογική σύσταση αποκαλύπτονται από τις κλασματικές παραλλαγές της θερμοκρασίας. Κατά συνέπεια, είναι δυνατό να προσδιορίσει το χαλαρό χώμα που ήταν ενδεχομένως προϊστορικός γεωργικός τομέας ή που καλύπτει τώρα τις θαμμένες καταστροφές. Σε πολλές περιπτώσεις, οι θαμμένες δομές μπορούν να ανιχνευθούν στις υπέρυθρες φωτογραφίες και τις εικόνες που καθορίζουν καλύτερα τα σχέδια τοπίων και τη ζωτικότητα της βλάστησης. Οι πολυφασματικοί αισθητήρες μπορούν να ανιχνεύσουν τάφρους γεμάτους με τα ιζήματα, δεδομένου ότι τα ιζήματα στις τάφρους περιέχουν περισσότερη υγρασία και οι θερμοκρασίες τους είναι διαφορετικές στο γειτονικό χώμα. Το έδαφος επάνω από έναν θαμμένο πέτρινο τοίχο μπορεί για παράδειγμα να είναι ελαφρώς θερμότερη από την περιβάλλουσα έκταση επειδή η πέτρα απορροφά περισσότερη θερμότητα. Ο κρυμμένος ή καταρρεσμένος τοίχος μπορεί να έχει μια ζώνη μολυσμένου υλικού, όπως το κονίαμα, ο άργιλος, και τα τεμάχια βράχου ανθρακικού άλατος και τα τούβλα που έχουν τη διαφορετική ηλεκτρομαγνητική διασπορά αντανάκλασης, και οι ιδιότητες απορρόφησης που θα ανιχνευθούν από τα φάσματα που καταγράφονται στα δορυφορικά συστήματα. Στην περίπτωση των θαμμένων τοίχων, οι συμπαγείς πέτρες και το κονίαμα χαρακτηριστικά δεν αποθηκεύουν οποιοδήποτε νερό και το χώμα ξεραίνεται πολύ εύκολα. Αυτοί που περιτοιχίζουν τη διαμόρφωση των υλικών μπορούν να εκτεθούν με το όργωμα, οπότε σ'αυτή την περίπτωση απορροφούν και απεικονίζουν την ακτινοβολία από τον ήλιο, ο οποίος κάνει τους θαμμένους τοίχους να παρουσιάζονται φωτεινότεροι από τις περιβάλλουσες περιοχές μέσα από τις δορυφορικές εικόνες και τις αεροφωτογραφίες. Το ETM+ πανγχρωματικό κανάλι 8 (0.52-0.90 μm) από την υψηλή ανακλαστικότητα στην ορατή και υπέρυθρη φασματική περιοχή έχει υποβληθεί σε επεξεργασία για την αύξηση των υπολειμμάτων. Λόγω της πυκνής καλλιέργειας και της εκτενούς βλάστησης, δεν είναι δυνατό να ενισχυθούν οι αρχαιολογικές περιοχές με τη χρησιμοποίηση της κανονικής σύνθεσης RGB και της αναλογίες-καναλιών ψευδοχρωματικών εικόνων. Για να εξεταστεί αυτό το πρόβλημα, η ανάλυση κύριων τμημάτων (PCA), που ομαλοποιείται ο δείκτης βλάστησης διαφοράς (NDVI) και οι διαφορές μεταξύ PC2 και NDVI έχουν χρησιμοποιηθεί για να ενισχύσουν τις αρχαιολογικές περιοχές σε αυτήν την περιοχή. Λόγω του χαμηλού χωρικού ψηφίσματος ETM+ των στοιχείων για τη μεγάλης κλίμακας μελέτη και του απρόσιτου των υψηλότερων χωρικών στοιχείων ανάλυσης, έχουν χρησιμοποιηθεί σε αυτήν την μελέτη διαφορετικής ηλικίας αεροφωτογραφίες. Οι αεροφωτογρααφίες σκαναρίστηκαν σε μορφή jpg. Αυτά τα στοιχεία έχουν υποβληθεί σε επεξεργασία από τη χρησιμοποίηση υψιπερατού φίλτρου Laplacian , το τέντωμα ιστογράμμων, τα υπολείμματα χρώματος, και τα ημι-κρυμμένα χαρακτηριστικά γνωρίσματα.
 
Αποτελέσματα 
Υπάρχει ένα κατάλοιπο που σχηματίζει καμπυλωτή γραμμή στην πλαγιά του όρους Rahmat (εικ.3), που μπορεί να αναπαριστά ένα τοίχος που κάποτε περιέβαλλε είτε την πόλη Parse ή το σύμπλεγμα της Περσέπολης. Αυτά τα κατάλοιπα αποτελούνται από τους λίθους, το κονίαμα, το αμμοχάλικο, και τον άργιλο βράχου. Η θέση των αρχαίων καταστροφών έχει ανιχνευθεί βασισμένη στη νέα περιβαλλοντική αποκατάσταση. Για την ανίχνευση αυτού του τοίχους αναλύθηκαν οι αεροφωτογραφίες και τα τηλεσκοπικά δεδομένα.
 
[[Εικόνα:garg_laplace_3_12.jpg|right|thumb||Εικόνα 3 : Εικόνα Landsat ETM+, κανάλι 8. Τα χρώματα μωβ-πράσινο-κίτρινο αποδίδονται στα αρχαιολογικά κατάλοιπα κατασκευών που έχουν καταρρεύσει., [http://faculty.ksu.edu.sa/archaeology/Publications/Remote%20sensing/Identifying%20the%20boundaries%20of%20the%20historical%20site%20of%20Persepolis%20using%20remote%20sensing.pdf]πηγή]]
 
Εφαρμόσθηκε ανεπίβλεπτη ταξινόμηση και χρησιμοποιήθηκε το λογισμικό ENVI [http://www.marathondata.gr/products/itt.htm] για την ανάλυση εικόνας. Οι αεροφωτογραφίες και οι επεξεργασμένες εικόνες ΕΤΜ υποδεικνύουν ότι υπάρχει αλλαγή στον τόνο του χώματος που σχετίζεται με ελάχιστη τοπογραφική άνοδο και υλικά κατασκευών που έχουν καταρρεύσει πάνω σε θαμμένες δομές. Αυτή η διαφορά παράγει μερικά αδύνατα γραμμικά σχέδια με μικρά σημεία της χαοτικής σύστασης. Αυτά τα σημεία θα μπορούσαν να αφορούν κατάλοιπα των πύργων φρούρησης κατά μήκος του τοίχου του παλατιού, όπου ένα τμήμα από αυτά είναι ορατό στη βουνοπλαγιά, στο βόρειο τμήμα της περιοχής. Η κοιλάδα Farvardin στην οποία βρίσκονται η πόλη Parse και η Περσέπολις αποτελεί εντατική ζώνη καλλιέργειας, που ελέγχεται από την εύφορη εδαφολογική κάλυψη και το σύστημα άρδευσης, με αποτέλεσμα να κρύβονται τα ιστορικά κατάλοιπα λόγω του υψηλού περιεχομένου βιομάζας. Για να λυθεί αυτό το πρόβλημα, το ΕΤΜ+ παγχρωματικό κανάλι 8 έχει υποβληθεί σε επεξεργασία για να ενισχύσει τον ασβεστόλιθο στο στρώμα του βράχου, το μικτό τεμάχιο βράχου, και τον πίνακα λάσπης στα αρχαιολογικά υπολείμματα στην υψηλότερη χωρική ανάλυση.
 
[[Εικόνα:garg_laplace_4_12.jpg|right|thumb||Εικόνα 4 : Ψευδοχρωματική σύνθετη εικόνα υποδεικνύει κάποιες καλυμμένες άγνωστες αρχαιολογικές τοποθεσίες, καθώς και την Περσέπολη, [http://faculty.ksu.edu.sa/archaeology/Publications/Remote%20sensing/Identifying%20the%20boundaries%20of%20the%20historical%20site%20of%20Persepolis%20using%20remote%20sensing.pdf]πηγή]]
 
Η εικόνα 4 δείχνει το αποτέλεσμα αυτής της ανάλυσης. Στο σημείο Α, το κατάλοιπο του τοίχους φρούρησης φαίνεται καθαρά. Παρόμοια χαρακτηριστικά βλέπουμε στα σημεία Β και C. Στην εικόνα 5a, που προέλυψε από την επεξεργασία της αντίστοιχης αεροφωτογραφίας (1950), διάφορες τοποθεσίες έχουν ενισχυθεί, όπως το κέντρο της Περσέπολης (F). H ζώνη επιρροής της Περσέπολης παρουσιάζεται με κόκκινο χρώμα. Η εικόνα 5b, που προέκυψε από την επεξεργασία της αεροφωτογραφίας του 1970, υποδεικνύει σοβαρές ζημιές και παραμορφώσεις στην τοποθεσία λόγω του εορτασμού των 2500 ετών της ιρανικής αυτοκρατορίας το 1971 και λόγω της παραπλάνησης στον καθορισμό της ουδέτερης ζώνης της Περσέπολης.
 
[[Εικόνα:garg_laplace_5a_12.jpg|right|thumb||Εικόνα 5a : Εικόνα που έχει προκύψει από την εφαρμογή μεθόδου Laplace 5x5 (convolution) σε αεροφωτογραφία (1957). Το κόκκινο και το σκούρο μπλε και πράσινο χρώμα αντιστοιχεί σε αρχαιολογικά κατάλοιπα. Τα σημεία (A,B,C,D,E..) αντιστοιχούν σε κατάλοιπα των αρχαίου τοίχους φρούρησης και των πύργων, [http://faculty.ksu.edu.sa/archaeology/Publications/Remote%20sensing/Identifying%20the%20boundaries%20of%20the%20historical%20site%20of%20Persepolis%20using%20remote%20sensing.pdf]πηγή]]
 
 
[[Εικόνα:garg_laplace_5b_12.jpg|right|thumb||Εικόνα 5b : Εικόνα που έχει προκύψει από την επεξεργασία αεροφωτογραφίας (1970). Τα κυκλικά σημεία και τα γραμμικά χαρακτηριστικά αντιστοιχούν στους πύργους και στο τοίχος. Το κίτρινο χρώμα αποδίδεται (αρ.1-34) στα κατάλοιπα επαναδουλευμένων πετρωμάτων όπως αυτά κατανέμονται στους αγρούς, [http://faculty.ksu.edu.sa/archaeology/Publications/Remote%20sensing/Identifying%20the%20boundaries%20of%20the%20historical%20site%20of%20Persepolis%20using%20remote%20sensing.pdf]πηγή]]
 
Και οι δύο εικόνες εμφανίζουν το γραμμικό χαρακτηριστικό που υποδεικνύει την ύπαρξη τοίχους και κάποια σημεία που υποδεικνύουν την ύπαρξη των πύργων φρούρησης. Οι αρχικές αεροφωτογραφίες και η σχετική επεξεργασμένη εικόνα αντιπροσωπεύουν τα κατάλοιπα του γραμμικού χαρακτηριστικού γνωρίσματος που εκφράζει τον αρχαίο τοίχο φρουράς και τα τονισμένα σημεία που μοιάζουν με στη θέση των παρατηρητηρίων που περιβάλλουν την Περσέπολη. Από την επεξεργασία και την ανάλυση των αεροφωτογραφιών και των δορυφορικών εικόνων, επισημαίνονται μερικά χαρακτηριστικά γνωρίσματα και κάποια διασκορπισμένα σημεία που δείχνουν την ανώμαλη σύσταση και τον τόνο σε ορισμένα σχέδια που αντιπροσωπεύουν έναν τοίχο και τα παρατηρητήρια φρουράς.
 
[[Εικόνα:garg_laplace_6_12.jpg|right|thumb||Εικόνα 6 : Χάρτης της θέσης του τοίχους και των πύργων φρούρησης που περιβάλλουν την Περσέπολη, [http://faculty.ksu.edu.sa/archaeology/Publications/Remote%20sensing/Identifying%20the%20boundaries%20of%20the%20historical%20site%20of%20Persepolis%20using%20remote%20sensing.pdf]πηγή]]
 
Τα χαρακτηριστικά που αντιστοιχούν στο τοίχος και τους πύργους έχουν ορθογώνιο σχήμα. Ύστερα από την ανάλυση των εικόνων προκύπτουν 34 κυκλικά σημεία με διαφορετικά μεγέθη, όπου 17 είναι τοποθετημένα στα λοφώδη ανατολικά και βόρεια σημεία, και τα άλλα 17 είναι διασκορπισμένα στην πεδιάδα (εικ.6). Φαίνεται
ότι το μέγεθος και το σχέδιο των παρατηρητηρίων ήταν σχεδιασμένο και κατασκευασμένο σύμφωνα με την αμυντική χρήση τους.
 
Συμπεράσματα 
Αυτή η μελέτη πραγματοποιήθηκε χρησιμοποιώντας στοιχεία τηλεπισκόπησης και ασπρόμαυρες αεροφωτογραφίες , με περιορισμένη φασματική και χωρική ανάλυση. Τα υψηλής ανάλυσης τηλεπισκοπικά δεδομένα και η υπερφασματική επισκόπιση μπορούν να συνταυτιστούν με άλλους τύπους αρχαιολογικών δεδομένων για την καλύτερη ανάλυση και κατανόηση των χαρακτηριστικών τους, των προτύπων τους, της συσχέτισής τους κτλ. Για τον ακριβή προσδιορισμό του συστήματος άρδευσης, των προτύπων των οικισμών και της κοινωνικής ζωής, όπως αντικατοπτρίζονται στο πλαίσιο της Περσέπολης, χρειάζονται εκτενέστερες επιφανειακές και υπο-επιφανειακές έρευνες. Η χρήση νέων γεωφυσικών και φασματικών τεχνικών είναι απαραίτητη για τον προσδιορισμό της έκτασης, της αρχιτεκτονικής δομής και των προτύπων δόμησης του αρχαίου πολιτισμού περιφερειακά της Περσέπολης. Οι εν λόγω έρευνες μπορούν να διαλευκάνουν πολλές πλευρές της αχαιμενικής περιόδου και των σταδίων κατασκευής της Περσέπολης.

Προσδιορισμός των ορίων της ιστορικής τοποθεσίας της Περσέπολης χρησιμοποιώντας μεθόδους ψηφιακής τηλεπισκόπησης

2011-02-19T19:03:45Z

Argyropoulou Grigoria:

[[category:Νέα δοκιμαστική υποκατηγορία]]

Προσδιορισμός των ορίων της ιστορικής τοποθεσίας της Περσέπολης χρησιμοποιώντας μεθόδους ψηφιακής τηλεπισκόπησης 
Πρωτότυπος τίτλος : AIdentifying the boundaries of the historical site of Persepolis using remote sensing

Πηγή : Behnaz Aminzadeh, Firuzeh Samani, Remote Sensing of Environment 102 (2006) 52–62 [http://faculty.ksu.edu.sa/archaeology/Publications/Remote%20sensing/Identifying%20the%20boundaries%20of%20the%20historical%20site%20of%20Persepolis%20using%20remote%20sensing.pdf]
 
Περίληψη 
Η Περσέπολη που βρίσκεται 70 χιλιόμετρα βορειοανατολικά της σύγχρονης πόλης Σιράζ στο Ιράν, είναι μια από τις γνωστές αρχαιολογικές περιοχές παγκόσμιων κληρονομιών που χρονολογούνται από την αχαιμενική περίοδο (560-330 Π.Χ.). Ο χαρακτηρισμός της περιοχής και η σημασία της ως διεθνής παγκόσμια κληρονομιά διακρίθηκε από την UNESCO ως πρώτη μεταξύ των πέντε επιλεγμένων ιστορικών περιοχών στο Ιράν και καταχωρήθηκε το 1979. H περιοχή είναι ελκυστική για τους εθνικούς και διεθνείς τουρίστες καθώς επίσης και τους αρχαιολόγους και τους ιστορικούς από τον κόσμο. Παρότι θεωρείται από τις σημαντικότερες ιστορικές και αρχαιολογικές περιοχές, καμία έρευνα μέχρι τώρα δεν έχει εστιάσει στην ακριβή οριοθέτηση αυτής της περιοχής ενώ ταυτόχρονα βρίσκεται υπό αμφισβήτηση η ύπαρξη ενός τοίχους και πύργων για την προστασία αυτού του σημαντικού κέντρου. Προκειμένου να εξεταστεί το πρόβλημα αυτό, χρησιμοποιείται μια ανάλυση στοιχείων τηλεπισκόπησης, μια φωτογεωλογία, και μια μελέτη πεδίου. Για το χαρακτηρισμό του αρχαιολογικού τοπίου και των θέσεων της καταρρέουσας δομής οι αεροφωτογραφίες και οι δορυφορικές εικόνες έχουν αποδειχθεί ιδιαίτερα πολύτιμο εργαλείο. Η κατασκευή της Περσέπολης άρχισε από το Δαρείο, συνεχίστηκε από το γιο του Ξέρξη και τον εγγονό του Αρταξέρξη και καταστράφηκε από το Μέγα Αλέξανδρο. Αποτελούσε έναν εθνικό ιερό τόπο και είχε ως πρωτεύουσα πόλη την Parse. Το γενικό πλάνο των παλατιών και ο περιβάλλων χώρος παρουσιάζονται στην Εικόνα 1.
 
[[Εικόνα:garg_laplace_1_12.jpg|right|thumb||Εικόνα 1 : Περσέπολις.Γενικό πλάνο των παλατιών, [http://faculty.ksu.edu.sa/archaeology/Publications/Remote%20sensing/Identifying%20the%20boundaries%20of%20the%20historical%20site%20of%20Persepolis%20using%20remote%20sensing.pdf]πηγή]]
 
Είναι τοποθετημένη σε μία φυσικά προστατευμένη περιοχή, καθώς περιβάλλεται από τη λίμνη Tashk από τα ανατολικά και από κορυφογραμμές από τα βόρεια. Βάσει των δεδομένων τηλεπισκόπισης και της φωτογεωλογίας, η περιοχή αυτή διαθέτει ειδική γεωμορφολογία με μεγάλες καλλιεργήσιμες εκτάσεις και διασκορπισμένα χωριά που περιβάλλονται ανατολικά από το όρος Rahmat, δυτικά από τον ποταμό Kor, βόρεια από το όρος Hossein και νότια από την οροσειρά Zarghan (βλ. εικόνα 2).
 
[[Εικόνα:garg_laplace_2_12.jpg|right|thumb||Εικόνα 2 : Δορυφορική εικόνα της οροσειράς Zagros, [http://faculty.ksu.edu.sa/archaeology/Publications/Remote%20sensing/Identifying%20the%20boundaries%20of%20the%20historical%20site%20of%20Persepolis%20using%20remote%20sensing.pdf]πηγή]]
 
Μεθοδολογία 
Προκειμένου να επιτευχθεί ο στόχος αυτός, χρησιμοποιήθηκαν διάφορα ενσωματωμένα θεματικά σύνολα. Η πλειοψηφία αυτών ήταν μη διαθέσιμα από τις παραδοσιακές πηγές. Αυτή η έρευνα επιτυγχάνει μια επεξεργασία συνδιασμού των ETM+ δεδομένων ψηφιακής τηλεπισκόπησης παράγοντας θεματικές εικόνες, ενισχύει σημαντικά την κατανόηση των αρχαιολογικών πόρων, των τοποθεσιών και των ιστορικών εξελίξεων από τις περιβαλλοντικές αλλαγές. Για την έρευν χρησιμοποιήθηκαν δεδομένα ΕΤΜ+, ασπρόμαυρες αεροφωτογραφίες και τοπογραφικοί χάρτες κλίμακας 1:50000 και 1:25000. H Διεθνής Εγκάρσια Μερκατορική Προβολή UTM [http://en.wikipedia.org/wiki/Universal_Transverse_Mercator_coordinate_system] οι προβολές, και το στοιχείο WGS84 έχουν χρησιμοποιηθεί για την προβολή, τη διόρθωση, και τις διαδικασίες συλλογής δεδομένων. Η διόρθωση έχει γίνει με τη χρησιμοποίηση της γεωδιαμόρφωσης. Το GPS έχει καθοριστεί από GPS χειρός που μεταλλάσσει τους τοπογραφικούς χάρτες των 1:50000 και 1:25000 που διορθώνονται από το λάθος μέσης τετραγωνικής τιμής (RMSE) 4 έως 10 μέτρων. Έχει επίσης καθοριστεί ένας συνδυασμός γεωλογίας τηλεπισκόπησης, φωτογεωλογίας, και η αξιολόγηση πληροφοριών έχουν γίνει για τον καθορισμό των αρχαιολογικών χαρακτηριστικών γνωρισμάτων και τα υπόλοιπα της πιθανής ύπαρξης του τοίχου και των παρατηρητηρίων φρουράς. Η επεξεργασία εικόνας περιλαμβάνει τους διάφορους ραδιομετρικούς αλγορίθμους διορθώσεων και αφαίρεσης θορύβου. Περιλαμβάνει επίσης την εγγραφή της εικόνας, ή τη βαθμολόγηση γεω-κωδικοποίησης και στοιχείων καλιμπρρίσματος. Συνήθως, η ζώνη του αριθμητή επιλέγεται βάσει ποιό υλικό είναι ιδιαίτερα αντανακλαστικό και επιλέγεται ως παρονομαστής ένα κανάλι που καλύπτει ένα χαρακτηριστικό γνώρισμα απορρόφησης για εκείνο το υλικό . Το TM 5/7 που κάνει διακρίσεις στα υλικά που περιέχουν τα υδροξύλια μεταλλεύματα (argillic υλικά) και το ανθρακικό άλας με την απορρόφηση χαρακτηρίζεται στην περιοχή 2.2 έως 2.3 μm. Η αναλογία του TM 5/4 χρησιμοποιήθηκε για να διακρίνει τους βράχους και τα χώματα για να ενισχύσει το αρχαιολογικό υπόλειμμα στις καλλιεργημένες ζώνες. Αυτή η αναλογία έχει χρησιμοποιηθεί για να δώσει έμφαση στο αρχαιολογικό υπόλειμμα μέσα στις καλλιεργημένες περιοχές, όπου εμφανίστηκαν ως ελαφριά σημεία στο γκρίζο υπόβαθρο. Αυτά τα χαρακτηριστικά γνωρίσματα έχουν ενισχυθεί επίσης στις RGB (b5/b7, b5/b4, b3/b2) συνθετικές εικόνες. Η μετατροπή IHS χρησιμοποιείται επίσης για τη RGB σύνθετη εικόνα (b5/b7, b3/b2, b5), η οποία αντικαθιστώντας το b5 αναγκάζει την ένταση να κάνει διακρίσεις στους δείκτες βλάστησης. Αυτή η λειτουργία έχει χεησιμοποιηθεί για να μειώσει την εδαφική φωτεινότητα και τις ατμοσφαιρικές παραλλαγές. Η συνέλιξη ενός υψιπερτού φίλτρου (3x3 πίνακα) έχει εφαρμοστεί στα κανάλια TM b5, b4, b7, και προστέθηκν στην αρχική εικόνα ώστε να παραχθεί η ενίσχυση των ακμών. Έχουν εφαρμοστεί επίσης κατευθυντικά φίλτρα σε διαφορετικές κατευθύνσεις για την ενίσχυση των χωρικών χαρακτηριστικών γνωρισμάτων. Η ανάλυση κύριων τμημάτων έχει εφαρμοστεί για να καθορίσει την collapsed clayey matrix, allocthonous carbonate rock fragments, και τα χαρακτηριστικά των καλλιεργειών. Οι διαφορές στην εδαφολογική σύσταση αποκαλύπτονται από τις κλασματικές παραλλαγές της θερμοκρασίας. Κατά συνέπεια, είναι δυνατό να προσδιορίσει το χαλαρό χώμα που ήταν ενδεχομένως προϊστορικός γεωργικός τομέας ή που καλύπτει τώρα τις θαμμένες καταστροφές. Σε πολλές περιπτώσεις, οι θαμμένες δομές μπορούν να ανιχνευθούν στις υπέρυθρες φωτογραφίες και τις εικόνες που καθορίζουν καλύτερα τα σχέδια τοπίων και τη ζωτικότητα της βλάστησης. Οι πολυφασματικοί αισθητήρες μπορούν να ανιχνεύσουν τάφρους γεμάτους με τα ιζήματα, δεδομένου ότι τα ιζήματα στις τάφρους περιέχουν περισσότερη υγρασία και οι θερμοκρασίες τους είναι διαφορετικές στο γειτονικό χώμα. Το έδαφος επάνω από έναν θαμμένο πέτρινο τοίχο μπορεί για παράδειγμα να είναι ελαφρώς θερμότερη από την περιβάλλουσα έκταση επειδή η πέτρα απορροφά περισσότερη θερμότητα. Ο κρυμμένος ή καταρρεσμένος τοίχος μπορεί να έχει μια ζώνη μολυσμένου υλικού, όπως το κονίαμα, ο άργιλος, και τα τεμάχια βράχου ανθρακικού άλατος και τα τούβλα που έχουν τη διαφορετική ηλεκτρομαγνητική διασπορά αντανάκλασης, και οι ιδιότητες απορρόφησης που θα ανιχνευθούν από τα φάσματα που καταγράφονται στα δορυφορικά συστήματα. Στην περίπτωση των θαμμένων τοίχων, οι συμπαγείς πέτρες και το κονίαμα χαρακτηριστικά δεν αποθηκεύουν οποιοδήποτε νερό και το χώμα ξεραίνεται πολύ εύκολα. Αυτοί που περιτοιχίζουν τη διαμόρφωση των υλικών μπορούν να εκτεθούν με το όργωμα, οπότε σ'αυτή την περίπτωση απορροφούν και απεικονίζουν την ακτινοβολία από τον ήλιο, ο οποίος κάνει τους θαμμένους τοίχους να παρουσιάζονται φωτεινότεροι από τις περιβάλλουσες περιοχές μέσα από τις δορυφορικές εικόνες και τις αεροφωτογραφίες. Το ETM+ πανγχρωματικό κανάλι 8 (0.52-0.90 μm) από την υψηλή ανακλαστικότητα στην ορατή και υπέρυθρη φασματική περιοχή έχει υποβληθεί σε επεξεργασία για την αύξηση των υπολειμμάτων. Λόγω της πυκνής καλλιέργειας και της εκτενούς βλάστησης, δεν είναι δυνατό να ενισχυθούν οι αρχαιολογικές περιοχές με τη χρησιμοποίηση της κανονικής σύνθεσης RGB και της αναλογίες-καναλιών ψευδοχρωματικών εικόνων. Για να εξεταστεί αυτό το πρόβλημα, η ανάλυση κύριων τμημάτων (PCA), που ομαλοποιείται ο δείκτης βλάστησης διαφοράς (NDVI) και οι διαφορές μεταξύ PC2 και NDVI έχουν χρησιμοποιηθεί για να ενισχύσουν τις αρχαιολογικές περιοχές σε αυτήν την περιοχή. Λόγω του χαμηλού χωρικού ψηφίσματος ETM+ των στοιχείων για τη μεγάλης κλίμακας μελέτη και του απρόσιτου των υψηλότερων χωρικών στοιχείων ανάλυσης, έχουν χρησιμοποιηθεί σε αυτήν την μελέτη διαφορετικής ηλικίας αεροφωτογραφίες. Οι αεροφωτογρααφίες σκαναρίστηκαν σε μορφή jpg. Αυτά τα στοιχεία έχουν υποβληθεί σε επεξεργασία από τη χρησιμοποίηση υψιπερατού φίλτρου Laplacian , το τέντωμα ιστογράμμων, τα υπολείμματα χρώματος, και τα ημι-κρυμμένα χαρακτηριστικά γνωρίσματα.
 
Αποτελέσματα 
Υπάρχει ένα κατάλοιπο που σχηματίζει καμπυλωτή γραμμή στην πλαγιά του όρους Rahmat (εικ.3), που μπορεί να αναπαριστά ένα τοίχος που κάποτε περιέβαλλε είτε την πόλη Parse ή το σύμπλεγμα της Περσέπολης. Αυτά τα κατάλοιπα αποτελούνται από τους λίθους, το κονίαμα, το αμμοχάλικο, και τον άργιλο βράχου. Η θέση των αρχαίων καταστροφών έχει ανιχνευθεί βασισμένη στη νέα περιβαλλοντική αποκατάσταση. Για την ανίχνευση αυτού του τοίχους αναλύθηκαν οι αεροφωτογραφίες και τα τηλεσκοπικά δεδομένα.
 
[[Εικόνα:garg_laplace_3_12.jpg|right|thumb||Εικόνα 3 : Εικόνα Landsat ETM+, κανάλι 8. Τα χρώματα μωβ-πράσινο-κίτρινο αποδίδονται στα αρχαιολογικά κατάλοιπα κατασκευών που έχουν καταρρεύσει., [http://faculty.ksu.edu.sa/archaeology/Publications/Remote%20sensing/Identifying%20the%20boundaries%20of%20the%20historical%20site%20of%20Persepolis%20using%20remote%20sensing.pdf]πηγή]]
 
Εφαρμόσθηκε ανεπίβλεπτη ταξινόμηση και χρησιμοποιήθηκε το λογισμικό ENVI [http://www.marathondata.gr/products/itt.htm] για την ανάλυση εικόνας. Οι αεροφωτογραφίες και οι επεξεργασμένες εικόνες ΕΤΜ υποδεικνύουν ότι υπάρχει αλλαγή στον τόνο του χώματος που σχετίζεται με ελάχιστη τοπογραφική άνοδο και υλικά κατασκευών που έχουν καταρρεύσει πάνω σε θαμμένες δομές. Αυτή η διαφορά παράγει μερικά αδύνατα γραμμικά σχέδια με μικρά σημεία της χαοτικής σύστασης. Αυτά τα σημεία θα μπορούσαν να αφορούν κατάλοιπα των πύργων φρούρησης κατά μήκος του τοίχου του παλατιού, όπου ένα τμήμα από αυτά είναι ορατό στη βουνοπλαγιά, στο βόρειο τμήμα της περιοχής. Η κοιλάδα Farvardin στην οποία βρίσκονται η πόλη Parse και η Περσέπολις αποτελεί εντατική ζώνη καλλιέργειας, που ελέγχεται από την εύφορη εδαφολογική κάλυψη και το σύστημα άρδευσης, με αποτέλεσμα να κρύβονται τα ιστορικά κατάλοιπα λόγω του υψηλού περιεχομένου βιομάζας. Για να λυθεί αυτό το πρόβλημα, το ΕΤΜ+ παγχρωματικό κανάλι 8 έχει υποβληθεί σε επεξεργασία για να ενισχύσει τον ασβεστόλιθο στο στρώμα του βράχου, το μικτό τεμάχιο βράχου, και τον πίνακα λάσπης στα αρχαιολογικά υπολείμματα στην υψηλότερη χωρική ανάλυση.
 
[[Εικόνα:garg_laplace_4_12.jpg|right|thumb||Εικόνα 4 : Ψευδοχρωματική σύνθετη εικόνα υποδεικνύει κάποιες καλυμμένες άγνωστες αρχαιολογικές τοποθεσίες, καθώς και την Περσέπολη, [http://faculty.ksu.edu.sa/archaeology/Publications/Remote%20sensing/Identifying%20the%20boundaries%20of%20the%20historical%20site%20of%20Persepolis%20using%20remote%20sensing.pdf]πηγή]]
 
Η εικόνα 4 δείχνει το αποτέλεσμα αυτής της ανάλυσης. Στο σημείο Α, το κατάλοιπο του τοίχους φρούρησης φαίνεται καθαρά. Παρόμοια χαρακτηριστικά βλέπουμε στα σημεία Β και C. Στην εικόνα 5a, που προέλυψε από την επεξεργασία της αντίστοιχης αεροφωτογραφίας (1950), διάφορες τοποθεσίες έχουν ενισχυθεί, όπως το κέντρο της Περσέπολης (F). H ζώνη επιρροής της Περσέπολης παρουσιάζεται με κόκκινο χρώμα. Η εικόνα 5b, που προέκυψε από την επεξεργασία της αεροφωτογραφίας του 1970, υποδεικνύει σοβαρές ζημιές και παραμορφώσεις στην τοποθεσία λόγω του εορτασμού των 2500 ετών της ιρανικής αυτοκρατορίας το 1971 και λόγω της παραπλάνησης στον καθορισμό της ουδέτερης ζώνης της Περσέπολης.
 
[[Εικόνα:garg_laplace_5a_12.jpg|right|thumb||Εικόνα 5a : Εικόνα που έχει προκύψει από την εφαρμογή μεθόδου Laplace 5x5 (convolution) σε αεροφωτογραφία (1957). Το κόκκινο και το σκούρο μπλε και πράσινο χρώμα αντιστοιχεί σε αρχαιολογικά κατάλοιπα. Τα σημεία (A,B,C,D,E..) αντιστοιχούν σε κατάλοιπα των αρχαίου τοίχους φρούρησης και των πύργων, [http://faculty.ksu.edu.sa/archaeology/Publications/Remote%20sensing/Identifying%20the%20boundaries%20of%20the%20historical%20site%20of%20Persepolis%20using%20remote%20sensing.pdf]πηγή]]
 
 
[[Εικόνα:garg_laplace_5b_12.jpg|right|thumb||Εικόνα 5b : Εικόνα που έχει προκύψει από την επεξεργασία αεροφωτογραφίας (1970). Τα κυκλικά σημεία και τα γραμμικά χαρακτηριστικά αντιστοιχούν στους πύργους και στο τοίχος. Το κίτρινο χρώμα αποδίδεται (αρ.1-34) στα κατάλοιπα επαναδουλευμένων πετρωμάτων όπως αυτά κατανέμονται στους αγρούς, [http://faculty.ksu.edu.sa/archaeology/Publications/Remote%20sensing/Identifying%20the%20boundaries%20of%20the%20historical%20site%20of%20Persepolis%20using%20remote%20sensing.pdf]πηγή]]
 
Και οι δύο εικόνες εμφανίζουν το γραμμικό χαρακτηριστικό που υποδεικνύει την ύπαρξη τοίχους και κάποια σημεία που υποδεικνύουν την ύπαρξη των πύργων φρούρησης. Οι αρχικές αεροφωτογραφίες και η σχετική επεξεργασμένη εικόνα αντιπροσωπεύουν τα κατάλοιπα του γραμμικού χαρακτηριστικού γνωρίσματος που εκφράζει τον αρχαίο τοίχο φρουράς και τα τονισμένα σημεία που μοιάζουν με στη θέση των παρατηρητηρίων που περιβάλλουν την Περσέπολη. Από την επεξεργασία και την ανάλυση των αεροφωτογραφιών και των δορυφορικών εικόνων, επισημαίνονται μερικά χαρακτηριστικά γνωρίσματα και κάποια διασκορπισμένα σημεία που δείχνουν την ανώμαλη σύσταση και τον τόνο σε ορισμένα σχέδια που αντιπροσωπεύουν έναν τοίχο και τα παρατηρητήρια φρουράς.
 
[[Εικόνα:garg_laplace_6_12.jpg|right|thumb||Εικόνα 6 : Χάρτης της θέσης του τοίχους και των πύργων φρούρησης που περιβάλλουν την Περσέπολη, [http://faculty.ksu.edu.sa/archaeology/Publications/Remote%20sensing/Identifying%20the%20boundaries%20of%20the%20historical%20site%20of%20Persepolis%20using%20remote%20sensing.pdf]πηγή]]
 
Τα χαρακτηριστικά που αντιστοιχούν στο τοίχος και τους πύργους έχουν ορθογώνιο σχήμα. Ύστερα από την ανάλυση των εικόνων προκύπτουν 34 κυκλικά σημεία με διαφορετικά μεγέθη, όπου 17 είναι τοποθετημένα στα λοφώδη ανατολικά και βόρεια σημεία, και τα άλλα 17 είναι διασκορπισμένα στην πεδιάδα (εικ.6). Φαίνεται
ότι το μέγεθος και το σχέδιο των παρατηρητηρίων ήταν σχεδιασμένο και κατασκευασμένο σύμφωνα με την αμυντική χρήση τους.
 
Συμπεράσματα 
Αυτή η μελέτη πραγματοποιήθηκε χρησιμοποιώντας στοιχεία τηλεπισκόπησης και ασπρόμαυρες αεροφωτογραφίες , με τα περιορισμένη φασματική και χωρική ανάλυση. Τα υψηλής ανάλυσης τηλεπισκοπικά δεδομένα και η υπερφασματική επισκόπιση μπορούν να συνταυτιστούν με άλλους τύπους αρχαιολογικών δεδομένων για την καλύτερη ανάλυση και κατανόηση των χαρακτηριστικών τους, των προτύπων τους, της συσχέτισής τους κτλ. Για τον ακριβή προσδιορισμό του συστήματος άρδευσης, των προτύπων των οικισμών και της κοινωνικής ζωής, όπως αντικατοπτρίζονται στο πλαίσιο της Περσέπολης, χρειάζονται εκτενέστερες επιφανειακές και υπο-επιφανειακές έρευνες. Η χρήση νέων γεωφυσικών και φασματικών τεχνικών είναι απαραίτητη για τον προσδιορισμό της έκτασης, της αρχιτεκτονικής δομής και των προτύπων δόμησης του αρχαίου πολιτισμού περιφερειακά της Περσέπολης. Οι εν λόγω έρευνες μπορούν να διαλευκάνουν πολλές πλευρές της αχαιμενικής περιόδου και των σταδίων κατασκευής της Περσέπολης.

Οδική ανίχνευση από δορυφορικές εικόνες υψηλών και χαμηλών αναλύσεων

2011-02-19T19:02:32Z

Argyropoulou Grigoria:

[[category:Νέα δοκιμαστική υποκατηγορία]]

Οδική ανίχνευση από δορυφορικές εικόνες υψηλών και χαμηλών αναλύσεων 
Πρωτότυπος τίτλος : ROAD DETECTION FROM HIGH AND LOW RESOLUTION SATELLITE IMAGES.Πηγή : R.Gecen, G.Sarp, The International Archives of the Photogrammetry, Remote Sensing and Spatial Information Sciences. Vol. XXXVII. Part B4. Beijing 2008.
[http://www.isprs.org/proceedings/XXXVII/congress/4_pdf/62.pdf]
 
Περίληψη 
Η εξαγωγή οδικού δικτύου από δορυφορικές εικόνες αποτελούν τα τελευταία χρόνια αντικείμενο έρευνας. Χρησιμοποιείται ειδικά στον προγραμματισμό πόλεων, στη χαρτογραφία και στην ενημέρωση ήδη ανιχνευμένων δρόμων στο γεωγραφικό συστημάτων πληροφοριών (GIS). Έχουν προταθεί πολλοί τρόποι της οδικής εξαγωγής και διαφέρουν μεταξύ τους λόγω των διαφορετικών στατηγικών τους, τον τύπο και την ανάλυση των εικόνων εισαγωγής, τις διαμορφώσεις του πειράματος, τους τρόπους της επεξεργασίας τις γενικές υποθέσεις, κ.λπ. Τα κύρια πλεονεκτήματα της αυτόματης οδικής εξαγωγής είναι η δυνατότητά της ομοιόμορφης προσέγγισης στις διαφορετικές εικόνες, η εκτέλεση των διαδικασιών επεξεργασίας σε σύντομο χρονικό διάστημα και η δυνατότητά εξαγωγής δρόμων που δεν αναγνωρίζονται από το ανθρώπινο μάτι. Στην ημι-αυτοματοποιημένη μέθοδο εξαγωγής, οι δρόμοι εξάγονται από τη δορυφορική εικόνα με τη χρησιμοποίηση της οπτικής ερμηνείας. Υπάρχουν διάφορες τεχνικές αύξησης της εικόνας που συμβάλλουν στην ημι-αυτοματοποιημένη οδική εξαγωγή όπως το φιλτράρισμα, η ταξινόμηση, οι λόγοι καναλιών. Ο Zheng και οι λοιποί (1998), ανίχνευσαν δρόμους από δορυφορικές εικόνες με τη διαδικασία φιλτραρίσματος και την ανίχνευση ακμών. Η ανάλυση των δορυφορικών εικόνων έχει σημαντική επίδραση στην ανίχνευση των δρόμων ή άλλων αντικειμένων που καλούνται για διάκριση. Οι εικόνες που έχουν διαφορετική ανάλυση περιλαμβάνουν διαφορετικούς τύπους δρόμων. Σε μια εικόνα χαμηλής ανάλυσης, οι δρόμοι απεικονίζονται ως μια μοναδική γραμμή ενώ στις εικόνες υψηλής ανάλυσης οι δρόμοι έχουν συγκεκριμένο πλάτος και τα pixels είναι τοποθετημένα και στις δύο πλευρές του δρόμου και έχουν ανομοιόμορφο σχέδιο λόγω της ύπαρξης των δέντρων, των αυτοκινήτων και των σπιτιών κατά μήκος των δρόμων. Στόχος αυτής της μελέτης είναι να ανιχνευθούν οι δρόμοι στις αστικές περιοχές από τις δορυφορικές εικόνες με διαφορετικές αναλύσεις με τη χρησιμοποίηση των αυτοματοποιημένων και ημιαυτόματων μεθόδων και να ερευνηθεί η επιρροή της ανάλυσης σχετικά με την οδική εξαγωγή. Η μελέτη που αυτοματοποιείται στην τεχνική οδικής εξαγωγής εφαρμόζεται σε τέσσερις διαφορετικές δορυφορικές εικόνες (SPOT, IKONOS, QUICKBIRD, ASTER) με διαφορετικές αναλύσεις που ανήκουν στην πόλη της Άγκυρας στην Τουρκία. Κατά αυτόν τον τρόπο οι δρόμοι εξάγονται από αυτές τις τέσσερις δορυφορικές εικόνες χωριστά. Τέλος, η ακρίβεια των αποτελεσμάτων εξετάστηκε με το στρώμα στοιχείων GIS που αντιπροσωπεύει την πραγματικότητα.

 
Η περιοχή μελέτης-Τηλεπισκοπικά δεδομένα 
Η μελέτη πραγματοποιήθηκε στην δυτική Άγκυρα, την πρωτεύουσα της Τουρκίας, σε επιφάνεια 6km² (εικ.1). Χρησιμοποιήθηκαν πέντε διαφορετικές δορυφορικές εικόνες με διαφορετική ανάλυση και διαφορετικά χαρακτηριστικά (QUICKBIRD 2.4 m, IKONOS 4 m, SPOT-PAN 10 m, ASTER 15 m και LANDSAT-ETM 30 m.) και οι δρόμοι προσπάθησαν να ανιχνευθούν χρησιμοποιώντας αυτοματοποιημένες ή ημι-αυτόματες μεθόδους.
 
[[Εικόνα:garg_sobel-prewitt_1_13.jpg|right|thumb||Εικόνα 1 :Άγκυρα, Τουρκία. Περιοχή μελέτης, [http://www.isprs.org/proceedings/XXXVII/congress/4_pdf/62.pdf]πηγή]]
 
Μεθοδολογία 
Αρχικά θα αναφερθούμε στις αυτοματοποιημένες μεθόδους. Υπάρχουν αρκετές διαφορετικές μέθοδοι αυτοματοποιημένης εξαγωγής οδικού δικτύου από εικόνες. Γενικά, η αυτοματοποιημένη εξαγωγή δρόμων, αποτελείται από τέσσερα διαφορετικά βήματα: εστίαση στους δρόμους (sharpening), εντοπισμός δρόμων, σχεδιασμός δρόμων και συσχετισμός με άλλους εξαγώμενους δρόμους. Αυτή η μελέτη αυτοματοποίησε την οδική εξαγωγή που πραγματοποιήθηκε με τη χρησιμοποίηση της ενότητας γραμμών του λογισμικού PCI Geomatica [http://www.pcigeomatics.com/] (εικ.2). Σύμφωνα με τα αυτοματοποιημένα αποτελέσματα εξαγωγής, οι δρόμοι μέσω των γυμνών αγροτικών περιοχών θα μπορούσαν να ανιχνευθούν ευκολότερα και ακριβέστερα. Αυτό συμβαίνει λόγω της βασικής και κανονικής δομής των δρόμων σε γυμνές αγροτικές περιοχές και λόγω του ότι είναι μακριά από τακτοποιήσεις. Σε μια υψηλής ανάλυσης εικόνα, η αυτοματοποιημένη ανίχνευση δρόμων είναι ιδιαίτερα πολύπλοκη. Αυτό οφείλεται στη μη γραμμική και ανομοιόμορφη δομή και στις σκιές των κτιρίων γύρω από αυτούς τους δρόμους. Σε μια εικόνα χαμηλής ανάλυσης, το μέγεθος του pixel θα μπορούσε να είναι μεγαλύτερο από το πλάτος του δρόμου, έτσι όσο χαμηλότερη είναι η ανάλυση της εικόνας τόσο δυσκολότερο είναι να ανιχνεύσει τους δρόμους.
 
[[Εικόνα:garg_sobel-prewitt_2_13.jpg|right|thumb||Εικόνα 2 :Εξαγωγή δρόμων, διαφορετικών δορυφορικών εικόνων με χρήση αυτοματοποιημένων μεθόδων, [http://www.isprs.org/proceedings/XXXVII/congress/4_pdf/62.pdf]πηγή]]
 
Στην ημι-αυτόματη εξαγωγή δρόμων, τα πράγματα είναι λίγο διαφορετικά. Όσον αφορά το φιλτράρισμα. Η χωρική συχνότητα περιγράφεται ως αριθμός παραλλαγών μεταξύ των τιμών των pixels σε μια συγκεκριμένη περιοχή πέρα από το σύνολο δεδομένων ράστερ. Εάν αυτή η παραλλαγή είναι χαμηλή από ότι η εικόνα μπορεί να περιγραφεί ως χαμηλής συχνότητας εικόνα, ή εάν η παραλλαγή είναι υψηλή, τότε η εικόνα περιγράφεται ως εικόνα υψηλής συχνότητας. Τα υψιπερατά φίλτρα χρησιμοποιούνται για την αύξηση της χωρικής συχνότητας των εικόνων ενώ τα χαμηλής διέλευσης φίλτρα χρησιμοποιούνται για τη μείωση ή την καταστολή της χωρικής συχνότητας των εικόνων. Στο φιλτράρισμα επεξεργάζεται κάθε pixel που αξιολογείται με τον ιδιαίτερο αριθμό γειτονικών του pixels και εξαρτάται από το βάρος που η νέα αξία κάθε pixel υπολογίζεται και ορίζεται έπειτα σε καθένα. Σε αυτήν την μελέτη προκειμένου να επιλεγούν τα φίλτρα ανίχνευσης οδικών ακμών που είναι οι τύποι υψιπερατών φίλτρων (Prewitt και Sobel), διευθύνονται στις δορυφορικές εικόνες διαφορετική χωρική ανάλυση. Κατά αυτόν τον τρόπο η χωρική συχνότητα κάθε εικόνας αυξήθηκε και έτσι οι δρόμοι τονίστηκαν και εξήχθησαν έπειτα από κάθε εικόνα (εικ.3)
 
[[Εικόνα:garg_sobel-prewitt_3_13.jpg|right|thumb||Εικόνα 3 :Εφαρμογή των υψιπερατών φίλτρων Sobel, Prewitt στις δορυφορικές εικόνες, [http://www.isprs.org/proceedings/XXXVII/congress/4_pdf/62.pdf]πηγή]]
 
Σύμφωνα με τα αποτελέσματα των διαδικασιών, στις εικόνες υψηλής ανάλυσης όπως αυτές των Quickbird και Ikonos όπου οι κύριοι και δευτεροβάθμιοι δρόμοι ανιχνεύονται ακριβέστερα, ενώ στις εικόνες χαμηλής ανάλυσης (Spot, Aster and Landsat-ETM) οι λεπτομέρειες μειώνονται και η ανίχνευση των δρόμων γίνεται δυσκολότερη, επομένως σε κάποια περιοχή μπόρεσαν να ανιχνευθούν μόνο οι κύριοι δρόμοι. (Λεπτομέρειες για τη διαδικασία της ταξινόμησης θα βρείτε εδώ: http://www.isprs.org/proceedings/XXXVII/congress/4_pdf/62.pdf)
 
Αποτελέσματα 
Τα αποτελέσματα και τα συμπεράσματα μπορούμε να να συνοψίσουμε ως εξής:
1)Πολλά αντικείμενα που μπορούν να αναγνωριστούν από υψηλής ανάλυσης εικόνες δεν μπορούν να ανιχνευθούν ευδιάκριτα σε χαμηλής ανάλυσης εικόνες. 2)Σε μια εικόνα χαμηλής ανάλυσης οι δρόμοι μπορούν να εξαχθούν χρησιμοποιώντας τις βασικές μεθόδους αλλά τα αποτελέσματα έχουν χαμηλή ακρίβεια. 3)Σε μια εικόνα υψηλής ανάλυσης μπορούν να ληφθούν πολλές λεπτομεριακές πληροφορίες και οι δρόμοι μπορούν να ανιχνευθούν με καλύτερη ακρίβεια. Εντούτοις οι σύνθετες μέθοδοι απαιτούνται για αυτήν την διαδικασία. 4) Τέλος, η ακρίβεια της οδικής εξαγωγής από τις εικόνες υψηλής ανάλυσης είναι καλύτερη από αυτές της χαμηλής ανάλυσης.

Μια τεχνική φιλτραρίσματος για το σημείο ενδιαφέροντος προκειμένου να βελτιωθεί η επαναληπτικότητα και η εμπεριεχόμενη πληροφορία

2011-02-19T18:11:10Z

Argyropoulou Grigoria:

[[category:Νέα δοκιμαστική υποκατηγορία]]

Μια τεχνική φιλτραρίσματος για το σημείο ενδιαφέροντος προκειμένου να βελτιωθεί η επαναληπτικότητα και η εμπεριεχόμενη πληροφορία 
Πρωτότυπος τίτλος : A Filtering Strategy for Interest Point Detecting
to Improve Repeatability and Information Content.Πηγή : Qing Zhu, Bo Wu, and Neng Wan, Photogrammetric Engineering & Remote Sensing
Vol. 73, No. 5, May 2007, pp. 547–553.
[http://www.lsgi.polyu.edu.hk/staff/Bo.Wu/publications/zhu&wu07_pe&rs_filtering.pdf]
 
Περίληψη 
Η εξαγωγή των χαρακτηριστικών γνωρισμάτων παίζει σημαντικό ρόλο στον τομέα της αντιστοίχισης των εικόνων, της περιγραφής των αντικειμένων, στην εκτίμηση της μετακίνησης και στην παρακολούθηση των αντικειμένων στο χώρο. Τα σημεία ενδιαφέροντος είναι τα απαραίτητα στοιχεία μιας εικόνας αφού ένα σημείο ενδιαφέροντος αφορά ένα οποιοδήποτε διακριτό σημείο στην εικόνα όπου το σήμα αλλάζει βάσει δύο διαστάσεων. Στην ανάλυση της εικόνας και στην στερεοσκοπική παρατήρηση, είναι ιδιαίτερα σημαντική η επιλογή ενός ανιχνευτή-σημείου ενδιαφέροντος για να εξετάσει τις διαφορετικές απαιτήσεις της εφαρμογής. Με σκοπό τη στερεοσκοπική αντιστοίχιση των εικόνων και την επόμενη τρισδιάστατη αναδημιουργία, εξετάστηκε λεπτομερώς στο παρελθόν κατά την επιλογή ενός ανιχνευτή-σημείου ενδιαφέροντος η ακρίβεια ανίχνευσης της αποδοτικότητας και της θέσης. O Schmid και οι λοιποί (2000), επισήμαναν ότι η επιλογή ενός ανιχνευτή σημείου ενδιαφέροντος πρέπει να βασιστεί στο περιεχόμενό της επαναληπτικότητας και των πληροφοριών που περιλαμβάνει. (Περισσότερες πληροφορίες σχετικά με την επαναληπτικότητα και τις εμπεριεχόμενες πληροφορίες θα βρείτε εδώ:http://www.lsgi.polyu.edu.hk/staff/Bo.Wu/publications/zhu&wu07_pe&rs_filtering.pdf). Η επαναληπτικότητα των σημείων ενδιαφέροντος καθορίζει την αξιοπιστία της αντιστοιχίας, ενώ το περιεχόμενο των πληροφοριών δείχνει τη σημασία των σημείων ενδιαφέροντος στην τρισδιάστατη αναδημιουργία του αντικειμένου. Στις δορυφορικές εικόνες και στις αεροφωτογραφίες μεγάλης κλίμακας, πολλά σημεία χαμηλού ενδιαφέροντος μπορούν να εντοπιστούν από τον ανιχνευτή Harris σε εικόνες με χαμηλή υφή και μερικά σημαντικά σημεία με χαμηλό ενδιαφέρον μειώνουν την επαναληπτικότητα και το περιεχόμενο των πληροφοριών ενώ αυξάνει τη πιθανότητα κακής αντιστοιχίας και μειώνει την αποδοτικότητα της αντιστοιχίας της επόμενης εικόνας. Παρότι μερικές βελτιωμένες μέθοδοι του ανιχνευτή Harris όπως αυτή των Mikolajczk και Schmid (2004)προτείνονται για να ενισχύσουν τη σταθερότητά του στην κλίμακα και να καθαρίσει τους μετασχηματισμούς, η ανίχνευση των ενδιαφερόντων σημείων με καλή επαναληπτικότητα και πληροφορία για τη στερεοσκοπική αντιστοιχία και τη τρισδιάστατη αναδημιουργία δεν μελετάται λεπτομερώς. Αυτό το έγγραφο προτείνει μια μέθοδο φιλτραρίσματος σχετική με τα τοπικά χαρακτηριστικά γνωρίσματα της υφής της εικόνας για να διαλέξει εκείνα τα σημεία που θα μειώσουν το γενικό περιεχόμενο επανάληπτικότητας και πληροφοριών. Αυτή η μέθοδος λαμβάνει υπόψη και τη δύναμη ενδιαφέροντος και συγχρόνως το τοπικό χαρακτηριστικό γνώρισμα του σημείου ενδιαφέροντος. Παρουσιάζεται μια διατύπωση φιλτραρίσματος για να υπολογίσει την απάντηση κάθε pixel και έπειτα ένα κατώτατο όριο σχεδιάζεται για επιλογή των σημείων ενδιαφέροντος. Αυτό το έγγραφο έχει δύο συνεισφορές. Κατ' αρχάς, περιγράφονται οι έννοιες της επαναληπτικότητας και του περιεχομένου της πληροφορίας όπως εφαρμόζεται στην ανίχνευση του σημείου ενδιαφέροντος του στερεοζεύγους, και στο επόμενο μέρος συγκρίνει αρκετούς χαρακτηριστικούς ανιχνευτές, οι οποίοι περιλαμβάνουν τις παραδοσιακές και ενημερωμένες μεθόδους, και παρουσιάζουν τα αποτελέσματα σύγκρισης στο περιεχόμενο επανάληψης και πληροφοριών χρησιμοποιώντας τις τυποποιημένες εικόνες δοκιμής. Η δεύτερη συμβολή είναι με τη χρισημοποίηση του χαρακτηριστικού γνωρίσματος ανάλυσης της εικόνας βασισμένη στην εντροπία των πληροφοριών όπου μια μέθοδος φιλτραρίσματος επιλέγει τα σημεία ενδιαφέροντος σχετικά με το τοπικό χαρακτηριστικό γνώρισμα εικόνας.
 
Τηλεπισκοπικά δεδομένα 
Στη μελέτη αυτή, χρησιμοποιούνται τρία στερεοζεύγη εικόνων, των οποίων κάποιες ιδιότητες είναι ίδιες, το μέγεθός τους είναι 1000x1000 pixels, η κλίμακα είναι 1:10.000, η επικάλυψη είναι 65%, αλλά διαφέρουν σημαντικά στην πολυπλοκότητα υφής. Τα πειράματα πραγματοποιούνται σε αυτά τα στερεοζεύγη για να συγκριθούν με τους ανιχνευτές Moravec, Förstner, Harris, τη μέθοδο DOG, τον ανιχνευτή Harris-Laplace, για να αναλυθεί η επαναληπτικότητα και το περιεχόμενο της πληροφορίας των εξαγώμενων σημείων ενδιαφέροντος. Στα πειράματα αυτά, το όριο της παραμέτρου του ανιχνευτή Moravec και Förstner έχουν επιλεγεί σύμφωνα με τις τιμές που έχουν συστηθεί από τον Moravec (1977) και Förstner (1994) και είναι οι εξής: η παράμετρος σ του Gaussian weight template in Harris είναι 0.5, a equal to 0.04, και η μάσκα φιλτραρίσματος είναι 5x5. Όσον αφορά τη μέθοδο DOG (difference-of-Gaussian), συμμετέχουν δύο οκτάδες, με τέσσερις επιλεγμένες κλίμακες σε κάθε οκτάδα. Ο απλουστευμένος αλγόριθμος Mikolajczk and Schmid (2004) χρησιμοποιείται για να ολοκληρώσει τον ανιχνευτή Ηarris-Laplace.
 
Μεθοδολογία 
Τα σημεία ενδιαφέροντος που είναι ανιχνευμένα από τον ανιχνευτή Harris-Laplace μπορούν να φιλτραριστούν χρησιμοποιώντας το μέγεθος της δύναμης ενδιαφέροντος τους. Εντούτοις, δεν θα μελετηθεί λεπτομερώς ο αριθμός των σημείων ενδιφέροντος που παραλείπονται και η μέθοδος καλού καθορισμού σημείων. ενδιαφέροντος. Αυτό γίνεται αναγκαίο στις μεγάλες κλίμακες αεροφωτογραφιών ή δορυφορικών εικόνων που πρέπει να αντιστοιχηθούν. Η πληροφορία σχετικά με την εντορπία [http://el.wikipedia.org/wiki/%CE%95%CE%BD%CF%84%CF%81%CE%BF%CF%80%CE%AF%CE%B1] γενικά χρησιμοποιείται στην κατανόηση και την ανάλυση της εικόνας. Οι Kadir and Brady (2001) χρησιμοποίησαν την πληροφορία αυτή για να πάρουν μια εμφανή περιοχή, ενώ αυτό το έγγραφο την χρησιμοποιεί για να περιγράψει το τοπικό χαρακτηριστικό γνώρισμα της εικόνας. Η διακριτική ικανότητα του σημείου ενδιαφέροντος δεν σχετίζεται μόνο με τη ισχύ του βάσει όλης της εικόνας αλλά και με τα τοπικά χαρακτηριστικά του σημείου. Έτσι χρησιμοποιείται μια στρατηγική πλέγματος για να χαρακτηριστεί αυτό το είδος των τοπικών χαρακτηριστικών. Για να σχεδιάσουμε ένα πλέγμα σε μια εικόνα με ρυθμισμένη ανάλυση, παίζει ρόλο η εντροπία η οποία και περιγράφει τα χαρακτηριστικά γνωρίσματα του κάθε κελιού του πλέγματος. Έτσι ολόκληρη η εικόνα έχει μετατραπεί σε ένα πίνακα εντροπιών όπου κάθε κελί του περιγράφει διφορετική εντροπία κι έτσι ο πίνακας περιγράφει όχι μόνο τα γενικά χαρακτηριστικά της εικόνας αλλά και τα τοπικά. (Περισσότερες πληροφορίες για το σχέδιο εισαγωγής της εντροπίας θα βρειτε εδώ: http://www.lsgi.polyu.edu.hk/staff/Bo.Wu/publications/zhu&wu07_pe&rs_filtering.pdf).
 
[[Εικόνα:garg_harrislaplace_1_14.jpg|right|thumb||Εικόνα 1 :Παρουσίαση εικόνας σε αρχική μορφή, μορφή πλέγματος 30x40, ταξινομημένη εικόνα. [http://www.lsgi.polyu.edu.hk/staff/Bo.Wu/publications/zhu&wu07_pe&rs_filtering.pdf]πηγή]]
Η Εικόνα 1a προβάλλεται σε ένα πλέγμα με ανάλυση 30x40 (εικόνα 1b), και υπολογίζεται έπειτα η εντροπία κάθε κελιού. Οι διαφορετικές γκρίζες τιμές χρησιμοποιούνται για να δείξουν τη διαφορά της εντροπίας των κελιών, όπου ο ανοιχτός τόνος αντιπροσωπεύει την υψηλή εντροπία, και ο σκούρος τόνος δείχνει τη μικρή εντροπία, δίνοντας μια ταξινομημένη ,βάσει των χαρακτηριστικών της, εικόνα (Eικ.1c). Από την Eικόνα 1c, η εντροπία του κάθε κελιού μπορεί να χρησιμοποιηθεί για να αναλύσει κατάλληλα τα χαρακτηριστικά των εικόνων. Όταν χρησιμοποιείται ένας πίνακας εντροπίας προκειμένου να αναλυθούν τα χαρακτηριστικά η ακρίβεια συσχετίζεται προφανώς με την ανάλυση του πλέγματος. Όσο μεγαλύτερη είναι η ανάλυση του πλέγματος, τόσο πιο ακριβή είναι τα χρακτηριστικά της εικόνας και επομένως η επεξεργασία των πινάκων εντροπίας θα ήταν πιό χρονοβόρα. Με δοκιμαστικές ενέργειες, αποδεικνύει ότι για μια εικόνα 256x256 pixel είναι κατάλληλα να χρησιμοποιηθούν τα κελιά πλέγματος 16x16 pixels. Μετά την ανάλυση τα χαρακτηριστικά της εικόνας χρησιμοποιώντας την τοπική εντροπία των κελιών μπορούμε να θεωρήσουμε όλα τα σημεία (pixels) σε ένα κελί ως το ίδιο τοπικό χαρακτηριστικό γνώρισμα. Στον ανιχνευτή Harris-Laplace, τα βασικό κριτήριο ανίχνευσης ενός σημείου ενδιαφέροντος είναι ότι η δύναμη αυτού του σημείου πρέπει να είναι η μέγιστη όλων των σημείων σε μια 5x5 (ή 3x3) μάσκα με το σημείο στο κέντρο της. Έτσι η σχετική με τα χαρακτηριστικά γνωρίσματα μέθοδος φίλτρων καθορίζεται ως εξής: <math>Εισαγωγή τύπου εδώ</math> , όπου το ''Ν'' είναι ο αριθμός των σημείων στο πίνακα της μάσκας και το''S[i]'' είναι η ισχύς του σημείου i υπολογίζοντας την εξίσωση 4 που θα βρέιτε εδώ:[http://www.lsgi.polyu.edu.hk/staff/Bo.Wu/publications/zhu&wu07_pe&rs_filtering.pdf] Το ''F[i]'' είναι το τοπικό χαρακτηριστικό του σημείου ''i'' και το ''e'' και το ''Τ'' είναι σταθερές που καθορίζουν την ποικιλία των χαρακτηριστικών της εικόνας και των αριθμό των σημείων ενδιαφέροντος που έχουν επιλεγεί αντίστοιχα. Η σταθερά Τ σχετίζεται με το μέγεθος της μάσκας φιλτραρίσματος. Όταν το μέγεθος της μάσκας αυτής είναι 5x5 το Τ μπορεί να τεθεί στο [2,5], ενώ όταν πρόκειται για μέγεθος 3x3 τότε τίθεται στο [1,4] και έπειτα το ποσοστό μείωσης των σημείων ενδιαφέροντος είναι περίπου 25-50%. Η σταθερά e κυμένεται από 1-3 και σχετίζεται με την τοπική υφή της εικόνας, όσο πολυπλοκότερη η υφή της εικόνας τόσο μεγαλύτερη η αξία της. Οι τιμές των e και T είναι εμπειρικές τιμές που υπολογίζονται με βάση τα εκτενή πειράματα με τις διαφορετικές εικόνες, και μπορούν επίσης να καθοριστούν από τους χρήστες σύμφωνα με τις απαιτήσεις τους.
 
[[Εικόνα:garg_harrislaplace_2_14.jpg|right|thumb||Εικόνα 2 :Εικόνες με τα σημεία ενδιαφέροντος από τον ανιχνευτή Harris-Laplace. [http://www.lsgi.polyu.edu.hk/staff/Bo.Wu/publications/zhu&wu07_pe&rs_filtering.pdf]πηγή]]
Στην εικόνα 2 φαίνονται τα διαφορετικά αποτελέσματα της ανίχνευσης των σημείων ενδιφέροντος με τις διαφορετικές στρατηγικές. Η εικόνα 2a είναι η αναφορά της εικόνας, η 2b παρουσιάζει τα σημεία ενδιαφέροντος ανιχνευμένα από τον ανιχνευτή Harris-Laplace χωρίς να έχουν φιλτραριστεί (ο αριθμός των σημείων ενδιφέροντος είναι 4.993). Η εικόνα 2c παρουσιάζει τα σημεία ενδιφέροντος μετά το φιλτράρισμα λαμβάνοντας υπόψη το τοπικό χαρακτηριστικό γνώρισμα της εικόνας (Τ=3.5, e= 1.5). Ο αριθμός σημείων ενδιαφέροντος είναι 3.637, δηλ. σχεδόν το 1/3 των αρχικών σημείων με τη χαμηλότερη δύναμη φιλτραρίστηκαν. Ο αριθμός των εναπομένοντων σημείων ενδιαφέροντος σε περιοχές χαμηλής υφής (όπως στην περιοχή παιδικών χαρών και λιμνών που μαρκάρονται με έναν κύκλο και μια έλλειψη, αντίστοιχα, στον αριθμό 2b) είναι αντίστοιχα μικρός, αλλά στις περιοχές καλής υφής (κοντά στους δρόμους και τα κτίρια), υπάρχουν περισσότερα σημεία ενδιαφέροντος που παραμένουνν μετά το φιλτράρισμα.
 
Ανάλυση αποτελεσμάτων 
Βάσει αυτής της στρατηγικής φιλτραρίσματος με τον ανιχνευτή Harris-Laplace αρκετά στερεοζεύγη της εικόνας (πίνακας 1 και εικόνα 3) αναλύονται, το στερεοζεύγος 5 μεταφορτώθηκε από τον επίσημο ιστοχώρο ISPRS [http://www.isprs.org/data/avenches/].
 
[[Εικόνα:garg_harrislaplace_3_14.jpg|right|thumb||Πίνακας 1 :Αποτελέσματα των πειραμάτων των στερεοζευγών. [http://www.lsgi.polyu.edu.hk/staff/Bo.Wu/publications/zhu&wu07_pe&rs_filtering.pdf]πηγή]]
 
[[Εικόνα:garg_harrislaplace_4_14.jpg|right|thumb||Εικόνα 3 :Στερεοζεύγη 5 και 6 της στρατηγικής φιλτραρίσματος. [http://www.lsgi.polyu.edu.hk/staff/Bo.Wu/publications/zhu&wu07_pe&rs_filtering.pdf]πηγή]]
Το όριο της αξιοπιστίας της αντιστοιχίας τίθεται στο 0.8 ώστε να εξασφαλίσει μια υψηλή αντιστοιχία ποιότητας και το μέγεθος κελιού είναι 100 για τον υπολογισμό του περιεχομένου πληροφοριών. Αφού έχουν αντιστοιχιθεί όλα τα απιτούμενα σημεία μπορεί έπειτα να ληφθεί το DSMs και 46 σημεία ελέγχου για κάθε στερεοζεύγος, επιλέγονται από έναν ψηφιακό φωτογραμμομετρικό τερματικό σταθμό, το μεγαλύτερος μέρος του οποίου εντόπιζεται στο έδαφος και χρησιμοποιούνται για να υπολογίσουν το λάθος μέσης τετραγωνικής τιμής (RMSE) με την παρεμβολή των τιμών ανύψωσης αυτών των σημείων ελέγχου από το παραγόμενο DSM. Τα αποτελέσματα του ανιχνευτή Harris-Standard, της μεθόδου DOG και των Harris-Laplace συγκρίνονται και παρουσιάζονται στον Πίνακα2.
 
[[Εικόνα:garg_harrislaplace_5_14.jpg|right|thumb||Πίνακας 2 :Αποτελέσματα πειραμάτων διαφορετικών ανιχνευτών. [http://www.lsgi.polyu.edu.hk/staff/Bo.Wu/publications/zhu&wu07_pe&rs_filtering.pdf]πηγή]]
Από τα πειράματα, ο ανιχνευτής Harris-Laplace στρατηγική φιλτραρίσματος σχετική με τα χαρακτηριστικά γνωρίσματα δίνει καλύτερα αποτελέσματα από άλλους ανιχνευτές από άποψη επανάληπτικότητας και περιεχομένου πληροφοριών, όπως στο στερεοζεύγος 4, το οποίο καλύπτει μεγάλη δασική περιοχή χαμηλής υφής και σύστασης νερού, η επαναληπτικότητα αυξάνεται από 18.63% του ανιχνευτή Harris-Laplace σε 23.93% και στη indistinctive και ομοιογενή υφή του στερεοζεύγους 6, η επανάληπτικότητα και το περιεχόμενο πληροφοριών αυξάνονται από 2.318% του ανιχνευτή Harris-Laplace σε 25.79% και 3.108% αντίστοιχα. Η πυκνότητα των σημείων αντιστοιχίας, είναι προτιμότερο να παραγάγει DSMS επειδή το RMSE των σημείων ελέγχου του ανιχνευτή Harris-Laplace με το φιλτράρισμα είναι επίσης καλύτερο από αυτό του ανιχνευτή Harris-Laplace, καθώς επίσης και καλύτερα από άλλα.
 
Συμπεράσματα 
Αυτό το άρθρο κατέληξε στα εξής συμπεράσματα: 1) Με σκοπό την αντιστοιχία του στερεοζεύγους και την τρισδιάστατη αναδημιουργία του αντικειμένου, η επαναληπτικότητα και το περιεχόμενο πληροφοριών είναι τα δύο σημαντικότερα κριτήρια κατά την αξιολόγηση των ανιχνευτών σημείου ενδιαφέροντος. 2)Ο ανιχνευτής Harris-Laplace αποδίδει καλύτερα στις πτυχές του περιεχομένου επαναληπτικότητας και πληροφοριών από άλλους ανιχνευτές στους τομείς της καλής υφής. 3)Ο ανιχνευτής Harris-Laplace με τη στρατηγική φιλτραρίσματος σχετικά με τα χαρακτηριστικά γνωρίσματα που παρουσιάζεται σε αυτό το έγγραφο όχι μόνο δίνει το καλύτερο περιεχόμενο επανάληπτικότητας και πληροφοριών από άλλους ανιχνευτές, αλλά είναι και καταλληλότερος για το αντιχτοιχία στερεοζευγών εικόνας και για την επόμενη τρισδιάστατη αναδημιουργία.

Μια τεχνική φιλτραρίσματος για το σημείο ενδιαφέροντος προκειμένου να βελτιωθεί η επαναληπτικότητα και η εμπεριεχόμενη πληροφορία

2011-02-19T17:46:02Z

Argyropoulou Grigoria:

[[category:Νέα δοκιμαστική υποκατηγορία]]

Μια τεχνική φιλτραρίσματος για το σημείο ενδιαφέροντος προκειμένου να βελτιωθεί η επαναληπτικότητα και η εμπεριεχόμενη πληροφορία 
Πρωτότυπος τίτλος : A Filtering Strategy for Interest Point Detecting
to Improve Repeatability and Information Content.Πηγή : Qing Zhu, Bo Wu, and Neng Wan, Photogrammetric Engineering & Remote Sensing
Vol. 73, No. 5, May 2007, pp. 547–553.
[http://www.lsgi.polyu.edu.hk/staff/Bo.Wu/publications/zhu&wu07_pe&rs_filtering.pdf]
 
Περίληψη 
Η εξαγωγή των χαρακτηριστικών γνωρισμάτων παίζει σημαντικό ρόλο στον τομέα της αντιστοίχισης των εικόνων, της περιγραφής των αντικειμένων, στην εκτίμηση της μετακίνησης και στην παρακολούθηση των αντικειμένων στο χώρο. Τα σημεία ενδιαφέροντος είναι τα απαραίτητα στοιχεία μιας εικόνας αφού ένα σημείο ενδιαφέροντος αφορά ένα οποιοδήποτε διακριτό σημείο στην εικόνα όπου το σήμα αλλάζει βάσει δύο διαστάσεων. Στην ανάλυση της εικόνας και στην στερεοσκοπική παρατήρηση, είναι ιδιαίτερα σημαντική η επιλογή ενός ανιχνευτή-σημείου ενδιαφέροντος για να εξετάσει τις διαφορετικές απαιτήσεις της εφαρμογής. Με σκοπό τη στερεοσκοπική αντιστοίχιση των εικόνων και την επόμενη τρισδιάστατη αναδημιουργία, εξετάστηκε λεπτομερώς στο παρελθόν κατά την επιλογή ενός ανιχνευτή-σημείου ενδιαφέροντος η ακρίβεια ανίχνευσης της αποδοτικότητας και της θέσης. O Schmid και οι λοιποί (2000), επισήμαναν ότι η επιλογή ενός ανιχνευτή σημείου ενδιαφέροντος πρέπει να βασιστεί στο περιεχόμενό της επαναληπτικότητας και των πληροφοριών που περιλαμβάνει. (Περισσότερες πληροφορίες σχετικά με την επαναληπτικότητα και τις εμπεριεχόμενες πληροφορίες θα βρείτε εδώ:http://www.lsgi.polyu.edu.hk/staff/Bo.Wu/publications/zhu&wu07_pe&rs_filtering.pdf). Η επαναληπτικότητα των σημείων ενδιαφέροντος καθορίζει την αξιοπιστία της αντιστοιχίας, ενώ το περιεχόμενο των πληροφοριών δείχνει τη σημασία των σημείων ενδιαφέροντος στην τρισδιάστατη αναδημιουργία του αντικειμένου. Στις δορυφορικές εικόνες και στις αεροφωτογραφίες μεγάλης κλίμακας, πολλά σημεία χαμηλού ενδιαφέροντος μπορούν να εντοπιστούν από τον ανιχνευτή Harris σε εικόνες με χαμηλή υφή και μερικά σημαντικά σημεία με χαμηλό ενδιαφέρον μειώνουν την επαναληπτικότητα και το περιεχόμενο των πληροφοριών ενώ αυξάνει τη πιθανότητα κακής αντιστοιχίας και μειώνει την αποδοτικότητα της αντιστοιχίας της επόμενης εικόνας. Παρότι μερικές βελτιωμένες μέθοδοι του ανιχνευτή Harris όπως αυτή των Mikolajczk και Schmid (2004)προτείνονται για να ενισχύσουν τη σταθερότητά του στην κλίμακα και να καθαρίσει τους μετασχηματισμούς, η ανίχνευση των ενδιαφερόντων σημείων με καλή επαναληπτικότητα και πληροφορία για τη στερεοσκοπική αντιστοιχία και τη τρισδιάστατη αναδημιουργία δεν μελετάται λεπτομερώς. Αυτό το έγγραφο προτείνει μια μέθοδο φιλτραρίσματος σχετική με τα τοπικά χαρακτηριστικά γνωρίσματα της υφής της εικόνας για να διαλέξει εκείνα τα σημεία που θα μειώσουν το γενικό περιεχόμενο επανάληπτικότητας και πληροφοριών. Αυτή η μέθοδος λαμβάνει υπόψη και τη δύναμη ενδιαφέροντος και συγχρόνως το τοπικό χαρακτηριστικό γνώρισμα του σημείου ενδιαφέροντος. Παρουσιάζεται μια διατύπωση φιλτραρίσματος για να υπολογίσει την απάντηση κάθε pixel και έπειτα ένα κατώτατο όριο σχεδιάζεται για επιλογή των σημείων ενδιαφέροντος. Αυτό το έγγραφο έχει δύο συνεισφορές. Κατ' αρχάς, περιγράφονται οι έννοιες της επαναληπτικότητας και του περιεχομένου της πληροφορίας όπως εφαρμόζεται στην ανίχνευση του σημείου ενδιαφέροντος του στερεοζεύγους, και στο επόμενο μέρος συγκρίνει αρκετούς χαρακτηριστικούς ανιχνευτές, οι οποίοι περιλαμβάνουν τις παραδοσιακές και ενημερωμένες μεθόδους, και παρουσιάζουν τα αποτελέσματα σύγκρισης στο περιεχόμενο επανάληψης και πληροφοριών χρησιμοποιώντας τις τυποποιημένες εικόνες δοκιμής. Η δεύτερη συμβολή είναι με τη χρισημοποίηση του χαρακτηριστικού γνωρίσματος ανάλυσης της εικόνας βασισμένη στην εντροπία των πληροφοριών όπου μια μέθοδος φιλτραρίσματος επιλέγει τα σημεία ενδιαφέροντος σχετικά με το τοπικό χαρακτηριστικό γνώρισμα εικόνας.
 
Τηλεπισκοπικά δεδομένα 
Στη μελέτη αυτή, χρησιμοποιούνται τρία στερεοζεύγη εικόνων, των οποίων κάποιες ιδιότητες είναι ίδιες, το μέγεθός τους είναι 1000x1000 pixels, η κλίμακα είναι 1:10.000, η επικάλυψη είναι 65%, αλλά διαφέρουν σημαντικά στην πολυπλοκότητα υφής. Τα πειράματα πραγματοποιούνται σε αυτά τα στερεοζεύγη για να συγκριθούν με τους ανιχνευτές Moravec, Förstner, Harris, τη μέθοδο DOG, τον ανιχνευτή Harris-Laplace, για να αναλυθεί η επαναληπτικότητα και το περιεχόμενο της πληροφορίας των εξαγώμενων σημείων ενδιαφέροντος. Στα πειράματα αυτά, το όριο της παραμέτρου του ανιχνευτή Moravec και Förstner έχουν επιλεγεί σύμφωνα με τις τιμές που έχουν συστηθεί από τον Moravec (1977) και Förstner (1994) και είναι οι εξής: η παράμετρος σ του Gaussian weight template in Harris είναι 0.5, a �equal to 0.04, και η μάσκα φιλτραρίσματος είναι 5x5. Όσον αφορά τη μέθοδο DOG, συμμετέχουν δύο οκτάδες, με τέσσερις επιλεγμένες κλίμακες σε κάθε οκτάδα. Ο απλουστευμένος αλγόριθμος Mikolajczk and Schmid (2004) χρησιμοποιείται για να ολοκληρώσει τον ανιχνευτή Ηarris-Laplace.
 
Μεθοδολογία 
Τα σημεία ενδιαφέροντος που είναι ανιχνευμένα από τον ανιχνευτή Harris-Laplace μπορούν να φιλτραριστούν χρησιμοποιώντας το μέγεθος της δύναμης ενδιαφέροντος τους. Εντούτοις, δεν θα μελετηθεί λεπτομερώς ο αριθμός των σημείων ενδιφέροντος που παραλείπονται και η μέθοδος καλού καθορισμού σημείων. ενδιαφέροντος. Αυτό γίνεται αναγκαίο στις μεγάλες κλίμακες αεροφωτογραφιών ή δορυφορικών εικόνων που πρέπει να αντιστοιχηθούν. Η πληροφορία σχετικά με την εντορπία [http://el.wikipedia.org/wiki/%CE%95%CE%BD%CF%84%CF%81%CE%BF%CF%80%CE%AF%CE%B1] γενικά χρησιμοποιείται στην κατανόηση και την ανάλυση της εικόνας. Οι Kadir and Brady (2001) χρησιμοποίησαν την πληροφορία αυτή για να πάρουν μια εμφανή περιοχή, ενώ αυτό το έγγραφο την χρησιμοποιεί για να περιγράψει το τοπικό χαρακτηριστικό γνώρισμα της εικόνας. Η διακριτική ικανότητα του σημείου ενδιαφέροντος δεν σχετίζεται μόνο με τη ισχύ του βάσει όλης της εικόνας αλλά και με τα τοπικά χαρακτηριστικά του σημείου. Έτσι χρησιμοποιείται μια στρατηγική πλέγματος για να χαρακτηριστεί αυτό το είδος των τοπικών χαρακτηριστικών. Για να σχεδιάσουμε ένα πλέγμα σε μια εικόνα με ρυθμισμένη ανάλυση, παίζει ρόλο η εντροπία η οποία και περιγράφει τα χαρακτηριστικά γνωρίσματα του κάθε κελιού του πλέγματος. Έτσι ολόκληρη η εικόνα έχει μετατραπεί σε ένα πίνακα εντροπιών όπου κάθε κελί του περιγράφει διφορετική εντροπία κι έτσι ο πίνακας περιγράφει όχι μόνο τα γενικά χαρακτηριστικά της εικόνας αλλά και τα τοπικά. (Περισσότερες πληροφορίες για το σχέδιο εισαγωγής της εντροπίας θα βρειτε εδώ: http://www.lsgi.polyu.edu.hk/staff/Bo.Wu/publications/zhu&wu07_pe&rs_filtering.pdf).
 
[[Εικόνα:garg_harrislaplace_1_14.jpg|right|thumb||Εικόνα 1 :Παρουσίαση εικόνας σε αρχική μορφή, μορφή πλέγματος 30x40, ταξινομημένη εικόνα. [http://www.lsgi.polyu.edu.hk/staff/Bo.Wu/publications/zhu&wu07_pe&rs_filtering.pdf]πηγή]]
Η Εικόνα (εικόνα 1a) προβάλλεται σε ένα πλέγμα με ανάλυση 30x40 (εικόνα 1b), και υπολογίζεται έπειτα η εντροπία κάθε κελιού. Οι διαφορετικές γκρίζες τιμές χρησιμοποιούνται για να δείξουν τη διαφορά της εντροπίας των κελιών, όπου ο ανοιχτός τόνος αντιπροσωπεύει την υψηλή εντροπία, και ο σκούρος τόνος δείχνει τη μικρή εντροπία, δίνοντας μια ταξινομημένη ,βάσει των χαρακτηριστικών της, εικόνα (εικ.1c). Από την εικόνα 1c, η εντροπία του κάθε κελιού μπορεί να χρησιμοποιηθεί για να αναλύσει κατάλληλα τα χαρακτηριστικά των εικόνων. Όταν χρησιμοποιείται ένας πίνακας εντροπίας προκειμένου να αναλυθούν τα χαρακτηριστικά η ακρίβεια συσχετίζεται προφανώς με την ανάλυση του πλέγματος. Όσο μεγαλύτερη είναι η ανάλυση του πλέγματος, τόσο πιο ακριβή είναι τα χρακτηριστικά της εικόνας και επομένως η επεξεργασία των πινάκων εντροπίας θα ήταν πιό χρονοβόρα. Με δοκιμαστικές ενέργειες, αποδεικνύει ότι για μια εικόνα 256x256 pixel είναι κατάλληλα να χρησιμοποιηθούν τα κελιά πλέγματος 16x16 pixels. Μετά την ανάλυση τα χαρακτηριστικά της εικόνας χρησιμοποιώντας την τοπική εντροπία των κελιών μπορούμε να θεωρήσουμε όλα τα σημεία (pixels) σε ένα κελί ως το ίδιο τοπικό χαρακτηριστικό γνώρισμα. Στον ανιχνευτή Harris-Laplace, τα βασικό κριτήριο ανίχνευσης ενός σημείου ενδιαφέροντος είναι ότι η δύναμη αυτού του σημείου πρέπει να είναι η μέγιστη όλων των σημείων σε μια 5x5 (ή 3x3) μάσκα με το σημείο στο κέντρο της.Έτσι η σχετική με τα χαρακτηριστικά γνωρίσματα μέθοδος φίλτρων καθορίζεταιως εξής: <math>Εισαγωγή τύπου εδώ</math> , όπου το ''Ν'' είναι ο αριθμός των σημείων στο πίνακα της μάσκας και το''S[i]'' είναι η ισχύς του σημείου i υπολογίζοντας την εξίσωση 4 που θα βρέιτε εδώ:[http://www.lsgi.polyu.edu.hk/staff/Bo.Wu/publications/zhu&wu07_pe&rs_filtering.pdf] Το ''F[i]'' είναι το τοπικό χαρακτηριστικό του σημείου ''i'' και το ''e'' και το ''Τ'' είναι σταθερές που καθορίζουν την ποικιλία των χαρακτηριστικών της εικόνας και των αριθμό των σημείων ενδιαφέροντος που έχουν επιλεγεί αντίστοιχα. Η σταθερά Τ σχετίζεται με το μέγεθος της μάσκας φιλτραρίσματος. Όταν το μέγεθος της μάσκας αυτής είναι 5x5 το Τ μπορεί να τεθεί στο [2,5], ενώ όταν πρόκειται για μέγεθος 3x3 τότε τίθεται στο [1,4] και έπειτα το ποσοστό μείωσης των σημείων ενδιαφέροντος είναι περίπου 25-50%. Η σταθερά e κυμένεται από 1-3 και σχετίζεται με την τοπική υφή της εικόνας, όσο πολυπλοκότερη η υφή της εικόνας τόσο μεγαλύτερη η αξία της. Οι τιμές των e και T είναι εμπειρικές τιμές που υπολογίζονται με βάση τα εκτενή πειράματα με τις διαφορετικές εικόνες, και μπορούν επίσης να καθοριστούν από τους χρήστες σύμφωνα με τις απαιτήσεις τους.
 
[[Εικόνα:garg_harrislaplace_2_14.jpg|right|thumb||Εικόνα 2 :Εικόνες με τα σημεία ενδιαφέροντος από τον ανιχνευτή Harris-Laplace. [http://www.lsgi.polyu.edu.hk/staff/Bo.Wu/publications/zhu&wu07_pe&rs_filtering.pdf]πηγή]]
Στην εικόνα 2 φαίνονται τα διαφορετικά αποτελέσματα της ανίχνευσης των σημείων ενδιφέροντος με τις διαφορετικές στρατηγικές. Η εικόνα 2a είναι η αναφορά της εικόνας, η 2b παρουσιάζει τα σημεία ενδιαφέροντος ανιχνευμένα από τον ανιχνευτή Harris-Laplace χωρίς να έχουν φιλτραριστεί (ο αριθμός των σημείων ενδιφέροντος είναι 4.993). Η εικόνα 2c παρουσιάζει τα σημεία ενδιφέροντος μετά το φιλτράρισμα λαμβάνοντας υπόψη το τοπικό χαρακτηριστικό γνώρισμα της εικόνας (Τ=3.5, e= 1.5). Ο αριθμός σημείων ενδιαφέροντος είναι 3.637, δηλ. σχεδόν το 1/3 των αρχικών σημείων με τη χαμηλότερη δύναμη φιλτραρίστηκαν. Ο αριθμός των εναπομένοντων σημείων ενδιαφέροντος σε περιοχές χαμηλής υφής (όπως στην περιοχή παιδικών χαρών και λιμνών που μαρκάρονται με έναν κύκλο και μια έλλειψη, αντίστοιχα, στον αριθμό 2b) είναι αντίστοιχα μικρός, αλλά στις περιοχές καλής υφής (κοντά στους δρόμους και τα κτίρια), υπάρχουν περισσότερα σημεία ενδιαφέροντος που παραμένουνν μετά το φιλτράρισμα.
 
Ανάλυση αποτελεσμάτων 
Βάσει αυτής της στρατηγικής φιλτραρίσματος με τον ανιχνευτή Harris-Laplace αρκετά στερεοζεύγη της εικόνας (πίνακας 1 και εικόνα 3) αναλύονται, το στερεοζεύγος 5 μεταφορτώθηκε από τον επίσημο ιστοχώρο ISPRS [http://www.isprs.org/data/avenches/].
 
[[Εικόνα:garg_harrislaplace_3_14.jpg|right|thumb||Πίνακας 1 :Αποτελέσματα των πειραμάτων των στερεοζευγών. [http://www.lsgi.polyu.edu.hk/staff/Bo.Wu/publications/zhu&wu07_pe&rs_filtering.pdf]πηγή]]
 
[[Εικόνα:garg_harrislaplace_4_14.jpg|right|thumb||Εικόνα 3 :Στερεοζεύγη 5 και 6 της στρατηγικής φιλτραρίσματος. [http://www.lsgi.polyu.edu.hk/staff/Bo.Wu/publications/zhu&wu07_pe&rs_filtering.pdf]πηγή]]
Το όριο της αξιοπιστίας της αντιστοιχίας τίθεται στο 0.8 ώστε να εξασφαλίσει μια υψηλή αντιστοιχία ποιότητας και το μέγεθος κελιού είναι 100 για τον υπολογισμό του περιεχομένου πληροφοριών. Αφού έχουν αντιστοιχιθεί όλα τα απιτούμενα σημεία μπορεί έπειτα να ληφθεί το DSMs και 46 σημεία ελέγχου για κάθε στερεοζεύγος, επιλέγονται από έναν ψηφιακό φωτογραμμομετρικό τερματικό σταθμό, το μεγαλύτερος μέρος του οποίου εντόπιζεται στο έδαφος και χρησιμοποιούνται για να υπολογίσουν το λάθος μέσης τετραγωνικής τιμής (RMSE) με την παρεμβολή των τιμών ανύψωσης αυτών των σημείων ελέγχου από το παραγόμενο DSM. Τα αποτελέσματα του ανιχνευτή Harris-Standard, της μεθόδου DOG και των Harris-Laplace συγκρίνονται και παρουσιάζονται στον Πίνακα2.
 
[[Εικόνα:garg_harrislaplace_5_14.jpg|right|thumb||Πίνακας 2 :Αποτελέσματα πειραμάτων διαφορετικών ανιχνευτών. [http://www.lsgi.polyu.edu.hk/staff/Bo.Wu/publications/zhu&wu07_pe&rs_filtering.pdf]πηγή]]
Από τα πειράματα, ο ανιχνευτής Harris-Laplace στρατηγική φιλτραρίσματος σχετική με τα χαρακτηριστικά γνωρίσματα δίνει καλύτερα αποτελέσματα από άλλους ανιχνευτές από άποψη επανάληπτικότητας και περιεχομένου πληροφοριών, όπως στο στερεοζεύγος 4, το οποίο καλύπτει μεγάλη δασική περιοχή χαμηλής υφής και σύστασης νερού, η επαναληπτικότητα αυξάνεται από 18.63% του ανιχνευτή Harris-Laplace σε 23.93% και στη indistinctive και ομοιογενή υφή του στερεοζεύγους 6, η επανάληπτικότητα και το περιεχόμενο πληροφοριών αυξάνονται από 2.318% του ανιχνευτή Harris-Laplace σε 25.79% και 3.108% αντίστοιχα. Η πυκνότητα των σημείων αντιστοιχίας, είναι προτιμότερο να παραγάγει DSMS επειδή το RMSE των σημείων ελέγχου του ανιχνευτή Harris-Laplace με το φιλτράρισμα είναι επίσης καλύτερο από αυτό του ανιχνευτή Harris-Laplace, καθώς επίσης και καλύτερα από άλλα.
 
Συμπεράσματα 
Αυτό το άρθρο κατέληξε στα εξής συμπεράσματα: 1) Με σκοπό την αντιστοιχία του στερεοζεύγους και την τρισδιάστατη αναδημιουργία του αντικειμένου, η επαναληπτικότητα και το περιεχόμενο πληροφοριών είναι τα δύο σημαντικότερα κριτήρια κατά την αξιολόγηση των ανιχνευτών σημείου ενδιαφέροντος. 2)Ο ανιχνευτής Harris-Laplace αποδίδει καλύτερα στις πτυχές του περιεχομένου επαναληπτικότητας και πληροφοριών από άλλους ανιχνευτές στους τομείς της καλής υφής. 3)Ο ανιχνευτής Harris-Laplace με τη στρατηγική φιλτραρίσματος σχετικά με τα χαρακτηριστικά γνωρίσματα που παρουσιάζεται σε αυτό το έγγραφο όχι μόνο δίνει το καλύτερο περιεχόμενο επανάληπτικότητας και πληροφοριών από άλλους ανιχνευτές, αλλά είναι και καταλληλότερος για το αντιχτοιχία στερεοζευγών εικόνας και για την επόμενη τρισδιάστατη αναδημιουργία.

Δημιουργία και αξιολόγηση μοντέλων για τον υπολογισμό της πυκνότητας του πληθυσμού

2011-02-19T15:18:31Z

Argyropoulou Grigoria:

[[category:Νέα δοκιμαστική υποκατηγορία]]

Δημιουργία και αξιολόγηση μοντέλων για τον υπολογισμό της πυκνότητας του πληθυσμού 
Πρωτότυπος τίτλος : Building and Evaluating Models to
Estimate Ambient Population Density.Πηγή : Steven M. Kloiber, Patrick L. Brezonik, Leif G. Olmanson, Marvin E. Bauer, Photogrammetric Engineering & Remote Sensing
Vol. 69, No. 5, May 2003, pp. 545–553.
[http://www.asprs.org/publications/pers/2003journal/may/2003_may_545-552.pdf]
 
Περίληψη 
Η πυκνότητα του πληθυσμού αποτελεί ένα συνηθισμένο χαρακτηρισμό του
γεωγραφικού διαστήματος σε ένα ευρύ φάσμα κλιμάκων.
Οι μετρήσεις της πυκνότητας του πληθυσμού είναι χρήσιμες σε πολλές εφαρμογές όπως στην εκτίμηση της περιβαλλοντικής επίδρασης, στον προγραμματισμό μεταφορών, στην λήψη αποφάσεων οικονομικής φύσεως, και σε πολλές άλλες εφαρμογές.
Οι χρήσιμες μετρήσεις της πυκνότητας του πληθυσμού πρέπει να πραγματοποιούνται σε κατάλληλες, συγκεκριμένες χωρικές και χρονικές κλίμακες εφαρμογής. Εντούτοις, τα δεδομένα του πληθυσμού δεν είναι πάντα διαθέσιμα στις χωρικές και χρονικές αναλύσεις που απαιτούνται. Σ αυτό το έγγραφο ερευνήθηκαν κάποιες εμπειρικές και θεωρητικές προσεγγίσεις ώστε να υπάρχει η δυνατότητα υπολογισμού της πυκνότητας του πληθυσμού του περιβάλλοντος. Η περιβαλλοντική πυκνότητα πληθυσμών είναι ένα χρονικά υπολογισμένο κατά μέσο όρο μέγεθος της πυκνότητας πληθυσμών που ενσωματώνει την ανθρώπινη κινητικότητα. Ποια είναι η κατάλληλη μέθοδος για να χαρακτηρίσει την πυκνότητα του πληθυσμού ενός pixel στο χώρο και στο χρόνο; Θα μπορούσαν όλα τα pixels να σταθεροποιηθούν στην πυκνότητα του πληθυσμού κατά στη διάρκεια της ίδιας χρονικής περιόδου; Ένα pixel σε μια διάβαση πεζών σε μια πολυσύχναστη διατομή της πόλης μπορεί να φτάσει σε μια σταθερή πυκνότητα πληθυσμού κατά τη διάρκεια μιας μέρας, αυτό όμως μπορεί να χρειαστεί ένα διάστημα εβδομάδων, μηνών κτλ. για ένα pixel σε ένα συνεδριακό κέντρο που σταθεροποιεί λόγω περισσότερων ακραίων διακυμάνσεων τη ροή των ανθρώπων. Δηλαδή, η χρονική μεταβλητότητα είναι ένα ζήτημα που πρέπει να ληφθεί καλά υπόψην στην εκτίμηση της πυκνότητας των πληθυσμών.
 
Η περιοχή μελέτης-Τηλεπισκοπικά δεδομένα 
Τα τρία μοντέλα της πυκνότητας πληθυσμών που χρησιμοποιούνται σε αυτή τη μελέτη είναι το GPW (Gridded Population of the World), το LandScan , και ένα μοντέλο που προέρχεται από δορυφορικές νυχτερινές εικόνες και παρέχεται από τον δορυφόρο DMSP-OLS. Τα δεδομένα που χρησιμοποιήθηκαν για να αξιολογήσουν αυτές τις εκτιμήσεις της πυκνότητας πληθυσμών ήταν ένα πλέγμα του 1 km²της πυκνότητας του πληθυσμού που προήλθαν από δεδομένα απογραφής του 1990 των Ηνωμένων Πολιτειών και από το δημόσιας χρήσης Microstation της απασχόλησης των εργαζομένων στην περιοχή του Λος Άντζελες.
 
Μεθοδολογία 
Τα πρότυπα πυκνότητας του πληθυσμού χρησιμοποιήθηκαν για να επικυρώσουν αυτά τα πρότυπα του πλέγματος της πυκνότητας των πληθυσμών, που προήλθαν από τα διοικητικά όρια της Αμερικανικής απογραφής το 1990. Αυτά τα στοιχεία αναφοράς αξιοποιήθηκαν με τρεις τρόπους ώστε να συλληφθεί η κινητικότητα και να προσεγγιστεί η περιβαλλοντική πυκνότητα των πληθυσμών: 1)χωρική συνάθροιση στα μεγαλύτερα pixels, 2) χρήση φίλτρων μέσης τιμής, 3) χρήση των δεδομένων απασχόλησης και κατοικίας στη δεδομένη περιοχή. Η συνολική πυκνότητα των πληθυσμών προήλθε από το PUMS για την περιοχή του Los Angeles. Οι δύο πρώτοι χειρισμοί είναι ισοτροπικοί, ενώ στην πραγματικότητα θα ποικίλλουν περιφερειακά τα ανισότροπα σχέδια κινητικότητας που θα επηρεάσουν οποιαδήποτε ακριβή αντιπροσώπευση του περιβαλλοντος σε αντίθεση με την κατοικία στην πυκνότητα πληθυσμών.
Η χωρική αυτοσυσχέτιση είναι μια ιδιότητα του συνόλου δεδομένων της πυκνότητας που παρουσιάζει τα προβλήματα για τα ακριβή πρότυπα για να υπολογίσει τον υψηλό βαθμό της χωρικής μεταβλητότητάς του. Η χωρική συνάθροιση μειώνει τη μεταβλητότητα των τιμών του pixel προς το μέσο όρο τους. Χαρακτηριστικά, οι τιμές του pixel έχουν την υψηλή μεταβλητότητα στις μικρές αναλύσεις και χαμηλότερη μεταβλητότητα στις πιο υψηλές αναλύσεις ενώ η συνεχής συνάθροιση οδηγεί τελικά σε μια μέση πυκνότητα των πληθυσμών για ολόκληρο τον πλανήτη. Η λείανση διατηρεί το χωρικό ψήφισμα του συνόλου δεδομένων αλλά μειώνει την μεταβλητότητα των pixels τοπικά. Σε αυτή τη μελέτη τα επίγεια δεδομένα που συλλέχθηκαν λειάνθηκαν χρησιμοποιώντας ένα φίλτρο μέσης τιμής μεγέθους 5x5 και ένα άλλο μεγέθους 11x11. Η αιτιολόγηση της μέσης λείανσης είναι ότι το στοιχείο απογραφής καταγράφει που είναι οι άνθρωποι τη νύχτα. Ένα μέσο χωρικό φίλτρο αποτελεί μια μέθοδο λείανσης που στην πραγματικότητα προσπαθεί να συλλάβει την κίνηση των ανθρώπων από το σπίτι προς το γραφείο, προς το κατάστημα ή και το σχολείο. Στις Ηνωμένες Πολιτείες το 1975 η μέση απόσταση της διαδρομής σπίτι-εργασιακός χώρος ήταν περίπου 9 μίλια. Να σημειωθεί ότι το φιλτράρισμα είναι ένα μέσο προσέγγισης της περιβαλλοντικής πυκνότητας των πληθυσμών που προκύπτει από τις ανθρώπινες μετακινήσεις. Η χρήση ενός φίλτρου λείανσης εξυπηρετεί σε δύο σκοπούς. Αρχικά, η λείανση μπορεί να παράγει μια εικόνα που είναι περισσότερο αντιπροσωπευτική της περιβαλλοντικής πυκνότητας του πληθυσμού μέσω του χρόνου. Δεύτερον, η λείανση αυξάνει τη χωρική αυτοσυσχέτιση των στοιχείων, μειώνοντας στην ουσία το steepness των αποσυνθέσεων. Μια περιοχή που εξηγεί το πρόβλημα την υψηλής χωρικής μεταβλητότητας των μετρήσεων της πυκνότητας των κατοικιών του πληθυσμού, είναι αυτή του πανεπιστημίου της Καλιφόρνιας στην Πανεπιστημιούπολη Santa Barbara (UCSB) και της κοντινής κοινότητας των σπουδαστών Vista Isla. Τα αρχεία απογραφής παρουσιάζουν το UCSB έχοντας μια πολύ χαμηλή πυκνότητα πληθυσμού, ενώ η Vista Isla έχει μερικά από τα πιο πυκνά κομμάτια απογραφής στα δυτικά του Μισισιπή. Μια μέση λείανση της εικόνας της πυκνότητας του πληθυσμού αυξάνει αυτή τη πυκνότητα των περιοχών όπως στην πανεπιστημιούπολη UCSB και ιδιαίτερα όπου οριοθετούν τη περιοχή Vista Isla. Επιπλέον, η προαναφερόμενη κοινότητα έχει χαμηλή πυκνότητα πληθυσμού εμπορικής φύσης δίπλα στις κατοικημένες περιοχές υψηλής πυκνότητας που επιλύονται από τα πολύγωνα φραγμών απογραφής και το αποτέλεσμα του πλέγματος είναι 1 km² που προέρχονται από αυτές. Αυτό αποτελεί καλό παράδειγμα υψηλής χωρικής μεταβλητότητας στη λεπτή κλίμακα. Το φίλτρο λείανσης παράγει μια αντιπροσώπευση της πυκνότητας πληθυσμών στη Vista Isla που διαδίδει τον πληθυσμό πιό ομοιόμορφα μεταξύ των εμπορικών και των κατοικήσιμων περιοχών στην κοινότητα. Το μοντέλο της πυκνότητας πληθυσμών που προήλθε από τα νυχτερινές δορυφορικές εικόνες αξιολογήθηκε στο σύνολο δεδομένων πυκνότητας πληθυσμών 1 km², και στις συναθροίσεις του συνόλου δεδομένων στα pixels με πλευρές 5-10 km². Οι εικόνες μεγαλύτερων pixels απλά σημαίνουν συναθροίσεις της λεπτομερούς ανάλυσης της εικόνας. Το αποτέλεσμα ‘προβλέψεις’ της πυκνότητας του πληθυσμού συγκρίθηκε έπειτα και με την φιλτραρισμένη εικόνα και με τη μη-φιλτραρισμένη πυκνότητα των πληθυσμών των βάσεων δεδομένων αναφοράς.
Η τρίτη μέθοδος για την αξιολόγηση των εκτιμήσεων πληθυσμού GPW, LandScan και Nighttime-Image εστίασε στην μητροπολιτική περιοχή του Λος Άντζελες. Η ‘βάση δεδομένων αναφοράς’ της περιβαλλοντικής πυκνότητας πληθυσμού που χρησιμοποιήθηκε για την περιοχή μετρό του Λος Άντζελες ήταν ένας απλός αριθμητικός μέσος όρος της μέτρησης βάσης-κατοικίας της πυκνότητας πληθυσμών που προέκυψαν από τα στοιχεία απογραφής του 1990 και μιας μέτρησης βάσης-απασχόλησης πληθυσμού που προέκυψε από τα στοιχεία PUMS.
 
Αποτελέσματα και ανάλυση 
Η αστική περιοχή που αποτελεί τη Μινεάπολη και το Σεντ Πολ παρέχει μια καλή απεικόνιση της εμφάνισης αυτών των μοντέλων και προτύπων με τα οποία συγκρίθηκαν (εικόνα1). Η εικόνα περιλαμβάνει την μη-φιλτραρισμένη πυκνότητα του πληθυσμού που προέρχεται από τα πολύγωνα της ομάδας φραγμών της απογραφής των ΗΠΑ, 1990, από τα φίλτρα μέσης τιμής 5x5, 11x11 εκείνων των στοιχείων, το μοντέλο που προήλθε από τα στοιχεία εικόνας DMSP OLS και το σφαιρικό πρόγραμμα δημογραφίας 5x5 λεπτών.
 
[[Εικόνα:garg_mean_1_08.jpg|right|thumb||Εικόνα 1 :Παρουσίαση των περιβαλλοντικών πυκνοτήτων του πληθυσμού σύμφωνα με τις προτεινόμενες μεθόδους στην περιοχή Minneapolis-St. Paul, [http://www.asprs.org/publications/pers/2003journal/may/2003_may_545-552.pdf]πηγή]]
 
Λόγω του ότι τα μοντέλα που προέρχονται από το DMSP OLS νυχτερινών εικόνων, παράγονται μόνο πέρα από τις αστικές περιοχές, τα αποτελέσματα της Εικόνας 1 περιορίζονται στις περιοχές του DMSP OLS εικόνων. Εστιάζοντας σε αυτά τα pixels, αναλύουμε το 10% του εδάφους που περιέχει σχεδόν το 80% των ανθρώπων. Οι ηπειρωτικές Ηνωμένες Πολιτείες είχαν 5.881 αστικές συστοιχίες με μέσο όρο πληθυσμού 32.952. Σαν εκτίμηση του αστικού πληθυσμού, είναι 4% από την τιμή του γραφείου αναφοράς πληθυσμού των 75%. Τα πρότυπα συγκρίθηκαν στην ανάλυση των 1,5,11 km². Ο Πίνακας 1 συνοψίζει τις συγκρίσεις των μοντέλων GPW και DMSP OLS του πληθυσμού και στα χωρικά αθροισμένα και στα φιλτραρισμένα πρότυπα. Τα πρότυπα είναι της μέτρησης των km² της πυκνότητας του πληθυσμού που προκύπτουν από την απογραφή του 1990 και την έκδοση του 5x5 φίλτρου μέσης τιμής του συνόλου δεδομένων. Οι εκτιμήσεις του DMSP μοντέλου ξεπέρασε τις σφαιρικές εκτιμήσεις του προγράμματος δημογραφίας σχεδόν στις κλίμακες κάθε κατηγορίας, συμπεριλαμβανομένης της κλίμακας των σφαιρικών στοιχείων προγράμματος δημογραφίας.
 
[[Εικόνα:garg_mean_2_08.jpg|right|thumb||Πίνακας 1 :Σύγκριση των προτύπων GPW, DMSP OLS στα πρότυπα όλων των αστικών Αμερικανικών περιοχών, [http://www.asprs.org/publications/pers/2003journal/may/2003_may_545-552.pdf]πηγή]]
 
Στην Εικόνα 2 παρουσιάζονται τα λάθη της DMSP OLS συγκρινόμενα με τη μη-φιλτραρισμένη εικόνα πυκνότητας πληθυσμού στην περιοχή του Λος Αντζελες. Τα λάθη εντοπίστηκαν από τη χωρική μη-κατανεμημένη περιοχή. Οι υπερεκτιμήσεις (μπλε) παρουσιάστηκαν στις περιοχές που έχουν χαμηλές πυκνότητες πληθυσμού σύμφωνα με τα στοιχεία απογραφής, ενώ αυτές που εκτιμήθηκαν σωστά εμφανίστηκαν στα υψηλά εμπορικά κέντρα πυκνότητας πληθυσμών. Πολλά από τα λάθη είναι εύκολα να ερμηνευθούν. Για παράδειγμα, η πυκνότητα πληθυσμού στα αστικά κέντρα είναι σωστά υπολογισμένη. Αυτές οι περιοχές τείνουν να παρουσιάζονται σωστά στην εικόνα. Εντούτοις, το γραμμικό ποσοστό του πληθυσμού που διατίθεται σ αυτές τις περιοχές βασισμένες στην ελαφριά ένταση είναι ανεπαρκές για να αποτελέσει πραγματική πυκνότητα πληθυσμού. Αυτά τα λάθη θα μπορούσαν να μετριαστούν με τη χρήση μιας μη-γραμμικής κατανομής της πυκνότητας πληθυσμών αλλά θα αύξανε τα υπάρχοντα λάθη της υπερεκτίμησης. Τα δύο μεγάλα αεροδρόμια στη συστοιχία είναι σημαντικά υπερεκτιμημένα. Η περιοχή γύρω από το διεθνές αεροδρόμιο του Λος Άντζελες (LAX) αποτελεί ένα μεγάλο λάθος υπερεκτίμησης της πυκνότητας πληθυσμών. Το αεροδρόμιο αυτό είναι ένας από τους μεγαλύτερους εργοδότες της πόλης και δεκάδες χιλιάδες άνθρωποι πετούν από αυτό, προς αυτό ή μέσω αυτού σε καθημερινή βάση, αλλά παρόλα αυτά η περιοχή έχει σχετικά χαμηλή πυκνότητα πληθυσμού σύμφωνα με την κατοικημένη περιοχή (στοιχεία που προκύπτουν από την απογραφή).
 
[[Εικόνα:garg_mean_3_08.jpg|right|thumb||Εικόνα 2 :Απεικόνιση του σφάλματος της αστικής συστοιχίας του Los Angeles, [http://www.asprs.org/publications/pers/2003journal/may/2003_may_545-552.pdf]πηγή]]
 
Θεωρητικά καλύτερα πρότυπα της περιβαλλοντικής πυκνότητας θα μπορούσαν να προέλθουν από το χρονικά υπολογισμένο μέσο όρο της χωρικής συμπεριφοράς όλων των προσώπων παρόντων μες στην περιοχή του Λος Άντζελες για εκείνο το δεδομένο χρόνο. Το οικονομικό και πρακτικό εμπόδιο στην απόκτηση ενός τέτοιου συνόλου δεδομένων είναι προς το παρόν αξεπέραστο, εντούτοις ένα βελτιωμένο πρότυπο της περιβαλλοντικής πυκνότητας πληθυσμών, αποκτήθηκε από το συνδυασμό της μέτρησης του 1990 των βασισμένων σε κατοικίες πυκνοτήτων πληθυσμών και του 1990 των βασισμένων σε απασχόληση που προήλθαν από τα στοιχεία PUMS. Η χωρική συνάθροιση και το φίλτρο μέσης τιμής είναι κάπως ειδικής προσπάθειας στην παραγωγή περιβαλλοντικών προτύπων πυκνότητας πληθυσμών από μία μέτρηση σε βασισμένη-κατοικία της πυκνότητας πληθυσμού. Είναι ισοτροπικοί στη φύση, και η γνώση της ανθρώπινης και χωρικής συμπεριφοράς μας λέει ότι η περιβαλλοντική πυκνότητα του πληθυσμού δεν μπορεί να προέλθει από ένα ισοτροπικό χειρισμό μιας βασισμένης σε κατοικία πυκνότητα πληθυσμού. Τα τελικά πρότυπα από την περιβαλλοντική πυκνότητα αποκτήθηκαν υπολογίζοντας κατά μέσο όρο μιας μέτρησης σε κατοικία και μιας μέτρησης πυκνότητας πληθυσμών για την περιοχή του Λος Άντζελες. Αυτός ο χειρισμός ενσωματώνει τα πρόσθετα εμπειρικά στοιχεία και συλλαμβάνει συνεπώς μερικές από τις ανισότροπες φύσεις της διαφοράς μεταξύ της βασισμένης σε κατοικία πυκνότητας πληθυσμών και της περιβαλλοντικής πυκνότητας των πληθυσμών. Η εκτίμηση της περιβαλλοντικής πυκνότητας αποκτήθηκε από το DMSP OLS νυχτερινής εικόνας και ήταν η μόνη εκτίμηση η οποία σχετίζεται με τα πρότυπα που προήλθαν από την βασισμένα στην απασχόληση και στην κατοικία και ήταν υψηλότερο από το συσχετισμό του είτε με την κτοικία είτε μόνο στην απασχόληση. Η Εικόνα 3 συνοψίζει τις συγκρίσεις του DMSP OLS προτύπου που αποκτήθηκε και των προτύπων βασισμένων σε κατοικία και απασχόληση της περιοχής του Λος Άντζελες. Είναι σημαντικό να σημειωθεί ότι το χωρικό σχέδιο του λάθους στην εικόνα2 είναι περισσότερο τυχαίο από το λάθος που παρουσιάστηκε από τη μέτρηση της βασισμένης σε κατοικία της εικόνας1.Μια ανάλυση συχευτισμού του DMSP OLS, GPW, LandScan προτύπων βασισμένων σε κατοικία και απασχόληση προτύπων της πυκνότητας πληθυσμών στη περιοχή του μετρό του Λος Άντζελες διευθύνθηκε για να αξιολογηθεί η ακρίβεια αυτών των τριών αντιπροσωπεύσεων από την περιβαλλοντική πυκνότητα πληθυσμών. Το GPW και το DMSP OLS είχε την πιο ισχυρή συσχέτιση με τα πρότυπα της περιβαλλοντικής πυκνότητας πληθυμσού που αποκτήθηκαν από τις μετρήσεις των βασισμένων σε απασχόληση και κατοικίας πυκνοτήτων πληθυσμού. To GPW έχει την πιο υψηλή συσχέτιση με την μέτρηση του βασισμένο σε κατοικία και το DMSP OLS πρότυπο έχει τη μεγαλύτερη συχέτιση με τη μέτρηση του βασισμένου σε απασχόληση. Το DMSP OLS πρότυπο είναι το μοναδικό πρότυπο του οποίου η συχέτιση με το πρότυπο της περιβαλλοντικής πυκνότητας είναι υψηλότερο με είτε των βασισμένων σε κατοικίες είτε στα πρότυπα των βασισμένων σε απασχόληση μόνο. Το πρότυπο DMSP OLS έχει τη μεγαλύτερη διαφορά μεταξύ της αναμενόμενη αξία του συσχετισμού του με τα περιβαλλοντικά πρότυπα και τις παρατηρηθείσες αξίες του.
 
[[Εικόνα:garg_mean_4_08.jpg|right|thumb||Εικόνα 3: Συγκρίσεις της DMSP OLS εικόνας νυχτερινής ελαφριάς έντασης πέρα από το Λος Άντζελες των μετρήσεων πυκνοτήτων πληθυσμού των βασισμένων σε κατοικίες και χώρους εργασίας, [http://rsl.gis.umn.edu/Documents/RικSE%2082-2002_Kloiber_Regional%20lake%20clarity.pdf]πηγή]]
Αξιολόγηση 
Οι περισσότερες υπάρχουσες μετρήσεις της πυκνότητας του πληθυσμού προκύπτουν από αυθαίρετες χωρικές μονάδες μιας εθνικής απογραφής και αντιπροσωπεύουν την κατοικημένη πυκνότητα πληθυσμών. Η χρονική ποιότητα αυτών των μετρήσεων είναι διπλή υπό την έννοια ότι αυτοί μετρούν καλύτερα μια νυχτερινή πυκνότητα πληθυσμού και ο κύκλος επανάληψης της μέτρησης καθορίζεται από την πυκνότητα της απογραφής. Ενώ αυτό αποτελεί μια νόμιμη και χρήσιμη μέτρηση της πυκνότητας πληθυσμών, υπάρχουν διάφορα μειονεκτήματα σε αυτή τη μέτρηση που τα πρότυπα που περιγράφονται εδώ μπορούν να μετριάσουν. Μερικά από τα πλεονεκτήματα των GPW, LandScan και DMSP OLS της πυκνότητας των πληθυσμών είναι (1) ομοιόμορφες χωρικές μονάδες που ικανοποιούν τις ανάγκες για τις μελέτες των ανθρώπινων διαστάσεων της σφαιρικής αλλαγής, (2) ένα χρονικά υπολογισμένο κατά μέσο όρο μέτρο της πυκνότητας πληθυσμών βασισμένο στην ανθρώπινη κινητικότητα και (3) οι παραλλαγές αυτών των προτύπων που μπορούν να παρέχουν αυτή τη σφαιρική κάλυψη σε ένα συχνότερο επαναλαμβανόμενο κύκλο. Οι τρεις αντιπροσωπεύσεις της πυκνότητας των πληθυσμών που περιγράφηκαν εδώ έχουν διαφορετικές δυνάμεις. Το GPW και το LandScan καλύπτουν τις αγροτικές και αστικές περιοχές εκτιμώντας ότι το DMSP OLS μοντέλο έχει αναπτυχθεί μόνο για αστικές περιοχές. Η χωρική ανάλυση του DMSP OLS και του LandScan είναι καλύτερη από του GPW. Το GPW είναι στην ουσία μια ξανά-αντιπροσώπευση των υπαρχόντων στοιχείων απογραφής ενώ το LandScan είναι ουσιασικά ένας χειρισμός GPW που αυξάνει τη χωρική μεταβλητότητα και την ανάλυση και προσπαθεί να ληφθεί περιβαλλοντικά σε αντίθεση με την βασισμένη σε κατοικία πυκνότητα πληθυσμών. Από την άλλη μεριά, το DMSP OLS πρότυπο χρησιμοποιεί μόνο ένα μεταβλητό και μπορούν να εφαρμοστούν ως ανεξάρτητη εκτίμηση του πληθυσμού και της πυκνότητάς τους. Γενικότερα, η αναγνώριση των δυνατοτήτων και των αδυναμιών αυτών των προτύπων που αναλύθηκαν, επιτρέπει τη συνεχή ανεξάρτητη βελτίωση τους ακόμη και για πιθανή συνεφαρμογή τους.
Το GPW πρέπει να παραμείνει ως gridded (πλέγμα) αντιπροσώπευση των δημογραφικών δεδομένων που παράγονται από τα αξιόπιστα, καλύτερα εκτιμώμενα επίσημα όρια, εθνικά καταγεγραμένων αριθμών στην καλύτερη διαθέσιμη χωρική ανάλυση. Το GPW θα μπορούσε να εξυπηρετήσει ως τμήμα του πλαισίου στοιχείων για την ανάπτυξη μιας γεωγραφικής βάσης δεδομένων των Ηνωμένων Εθνών. Ιδανικά η προσπάθεια θα εστιάσει στην κάλυψη του κενού στους τομείς της οικονομίας, της δημογραφίας ιδιαίτερα στις αναπτυσσόμενες χώρες. Το Landscan προέρχεται πλήρως από ψηφιακές δορυφορικές εικόνες και τα χαρτογραφικά προιόντα που είναι καλύτερης (finer) χωρικής και χρονικής ανάλυσης από τα παραδοσιακά στοιχεία απογραφής. Να σημειωθεί επίσης ότι οι χαρτογραφικές και ψηφιακής τηλεπισκόπησης απεικονίσεις είναι πιο οικονομικές και πιο εύκολες να αποκτηθούν σε αντίθεση με τους παραδοσιακούς τρόπους απογραφής. Η θεωρία έπρεπε να μετατρέψει αυτά τα στοιχεία σε πρόσθετες εκτιμήσεις, κοινωνικές, οικονομικές, δημογραφικές ιδιότητες εκτός από την πυκνότητα που εξελίσσεται γρήγορα. Το DMSP OLS είναι ένα άριστο σχετικό παράδειγμα. Οι σφαιρικές DMSP OLS εικόνες χρησιμοποιούνται για να παράγουν καλύτερη χωρική ανάλυση χαρτών των ανθρώπινων τακτοποιήσεων, χαρτογραφούν το αστικό ποσοστό και γενικότερα χρησιμεύουν σαν μέτρο πληρεξούσιου της οικονομικής δραστηριότητας, της κατανάλωσης ενέργειας, και τις εκπομπές του διοξειδίου του άνθρακα.

Δημιουργία και αξιολόγηση μοντέλων για τον υπολογισμό της πυκνότητας του πληθυσμού

2011-02-19T15:07:56Z

Argyropoulou Grigoria:

[[category:Νέα δοκιμαστική υποκατηγορία]]

Δημιουργία και αξιολόγηση μοντέλων για τον υπολογισμό της πυκνότητας του πληθυσμού 
Πρωτότυπος τίτλος : Building and Evaluating Models to
Estimate Ambient Population Density.Πηγή : Steven M. Kloiber, Patrick L. Brezonik, Leif G. Olmanson, Marvin E. Bauer, Photogrammetric Engineering & Remote Sensing
Vol. 69, No. 5, May 2003, pp. 545–553.
[http://www.asprs.org/publications/pers/2003journal/may/2003_may_545-552.pdf]
 
Περίληψη 
Η πυκνότητα του πληθυσμού αποτελεί ένα συνηθισμένο χαρακτηρισμό του
γεωγραφικού διαστήματος σε ένα ευρύ φάσμα κλιμάκων.
Οι μετρήσεις της πυκνότητας του πληθυσμού είναι χρήσιμες σε πολλές εφαρμογές όπως στην εκτίμηση της περιβαλλοντικής επίδρασης, στον προγραμματισμό μεταφορών, στην λήψη αποφάσεων οικονομικής φύσεως, και σε πολλές άλλες εφαρμογές.
Οι χρήσιμες μετρήσεις της πυκνότητας του πληθυσμού πρέπει να πραγματοποιούνται σε κατάλληλες, συγκεκριμένες χωρικές και χρονικές κλίμακες εφαρμογής. Εντούτοις, τα δεδομένα του πληθυσμού δεν είναι πάντα διαθέσιμα στις χωρικές και χρονικές αναλύσεις που απαιτούνται. Σ αυτό το έγγραφο ερευνήθηκαν κάποιες εμπειρικές και θεωρητικές προσεγγίσεις ώστε να υπάρχει η δυνατότητα υπολογισμού της πυκνότητας του πληθυσμού του περιβάλλοντος. Η περιβαλλοντική πυκνότητα πληθυσμών είναι ένα χρονικά υπολογισμένο κατά μέσο όρο μέγεθος της πυκνότητας πληθυσμών που ενσωματώνει την ανθρώπινη κινητικότητα. Ποια είναι η κατάλληλη μέθοδος για να χαρακτηρίσει την πυκνότητα του πληθυσμού ενός pixel στο χώρο και στο χρόνο; Θα μπορούσαν όλα τα pixels να σταθεροποιηθούν στην πυκνότητα του πληθυσμού κατά στη διάρκεια της ίδιας χρονικής περιόδου; Ένα pixel σε μια διάβαση πεζών σε μια πολυσύχναστη διατομή της πόλης μπορεί να φτάσει σε μια σταθερή πυκνότητα πληθυσμού κατά τη διάρκεια μιας μέρας, αυτό όμως μπορεί να χρειαστεί ένα διάστημα εβδομάδων, μηνών κτλ. για ένα pixel σε ένα συνεδριακό κέντρο που σταθεροποιεί λόγω περισσότερων ακραίων διακυμάνσεων τη ροή των ανθρώπων. Δηλαδή, η χρονική μεταβλητότητα είναι ένα ζήτημα που πρέπει να ληφθεί καλά υπόψην στην εκτίμηση της πυκνότητας των πληθυσμών.
 
Η περιοχή μελέτης-Τηλεπισκοπικά δεδομένα 
Τα τρία μοντέλα της πυκνότητας πληθυσμών που χρησιμοποιούνται σε αυτή τη μελέτη είναι το GPW (Gridded Population of the World), το LandScan , και ένα μοντέλο που προέρχεται από δορυφορικές νυχτερινές εικόνες και παρέχεται από τον δορυφόρο DMSP-OLS. Τα δεδομένα που χρησιμοποιήθηκαν για να αξιολογήσουν αυτές τις εκτιμήσεις της πυκνότητας πληθυσμών ήταν ένα πλέγμα του 1 km²της πυκνότητας του πληθυσμού που προήλθαν από δεδομένα απογραφής του 1990 των Ηνωμένων Πολιτειών και από το δημόσιας χρήσης Microstation της απασχόλησης των εργαζομένων στην περιοχή του Λος Άντζελες.
 
Μεθοδολογία 
Τα πρότυπα πυκνότητας του πληθυσμού χρησιμοποιήθηκαν για να επικυρώσουν αυτά τα πρότυπα του πλέγματος της πυκνότητας των πληθυσμών, που προήλθαν από τα διοικητικά όρια της Αμερικανικής απογραφής το 1990. Αυτά τα στοιχεία αναφοράς αξιοποιήθηκαν με τρεις τρόπους ώστε να συλληφθεί η κινητικότητα και να προσεγγιστεί η περιβαλλοντική πυκνότητα των πληθυσμών: 1)χωρική συνάθροιση στα μεγαλύτερα pixels, 2) χρήση φίλτρων μέσης τιμής, 3) χρήση των δεδομένων απασχόλησης και κατοικίας στη δεδομένη περιοχή. Η συνολική πυκνότητα των πληθυσμών προήλθε από το PUMS για την περιοχή του Los Angeles. Οι δύο πρώτοι χειρισμοί είναι ισοτροπικοί, ενώ στην πραγματικότητα θα ποικίλλουν περιφερειακά τα ανισότροπα σχέδια κινητικότητας που θα επηρεάσουν οποιαδήποτε ακριβή αντιπροσώπευση του περιβαλλοντος σε αντίθεση με την κατοικία στην πυκνότητα πληθυσμών.
Η χωρική αυτοσυσχέτιση είναι μια ιδιότητα του συνόλου δεδομένων της πυκνότητας που παρουσιάζει τα προβλήματα για τα ακριβή πρότυπα για να υπολογίσει τον υψηλό βαθμό της χωρικής μεταβλητότητάς του. Η χωρική συνάθροιση μειώνει τη μεταβλητότητα των τιμών του pixel προς το μέσο όρο τους. Χαρακτηριστικά, οι τιμές του pixel έχουν την υψηλή μεταβλητότητα στις μικρές αναλύσεις και χαμηλότερη μεταβλητότητα στις πιο υψηλές αναλύσεις ενώ η συνεχής συνάθροιση οδηγεί τελικά σε μια μέση πυκνότητα των πληθυσμών για ολόκληρο τον πλανήτη. Η λείανση διατηρεί το χωρικό ψήφισμα του συνόλου δεδομένων αλλά μειώνει την μεταβλητότητα των pixels τοπικά. Σε αυτή τη μελέτη τα επίγεια δεδομένα που συλλέχθηκαν λειάνθηκαν χρησιμοποιώντας ένα φίλτρο μέσης τιμής μεγέθους 5x5 και ένα άλλο μεγέθους 11x11. Η αιτιολόγηση της μέσης λείανσης είναι ότι το στοιχείο απογραφής καταγράφει που είναι οι άνθρωποι τη νύχτα. Ένα μέσο χωρικό φίλτρο αποτελεί μια μέθοδο λείανσης που στην πραγματικότητα προσπαθεί να συλλάβει την κίνηση των ανθρώπων από το σπίτι προς το γραφείο, προς το κατάστημα ή και το σχολείο. Στις Ηνωμένες Πολιτείες το 1975 η μέση απόσταση της διαδρομής σπίτι-εργασιακός χώρος ήταν περίπου 9 μίλια. Να σημειωθεί ότι το φιλτράρισμα είναι ένα μέσο προσέγγισης της περιβαλλοντικής πυκνότητας των πληθυσμών που προκύπτει από τις ανθρώπινες μετακινήσεις. Η χρήση ενός φίλτρου λείανσης εξυπηρετεί σε δύο σκοπούς. Αρχικά, η λείανση μπορεί να παράγει μια εικόνα που είναι περισσότερο αντιπροσωπευτική της περιβαλλοντικής πυκνότητας του πληθυσμού μέσω του χρόνου. Δεύτερον, η λείανση αυξάνει τη χωρική αυτοσυσχέτιση των στοιχείων, μειώνοντας στην ουσία το steepness των αποσυνθέσεων. Μια περιοχή που εξηγεί το πρόβλημα την υψηλής χωρικής μεταβλητότητας των μετρήσεων της πυκνότητας των κατοικιών του πληθυσμού, είναι αυτή του πανεπιστημίου της Καλιφόρνιας στην Πανεπιστημιούπολη Santa Barbara (UCSB) και της κοντινής κοινότητας των σπουδαστών Vista Isla. Τα αρχεία απογραφής παρουσιάζουν το UCSB έχοντας μια πολύ χαμηλή πυκνότητα πληθυσμού, ενώ η Vista Isla έχει μερικά από τα πιο πυκνά κομμάτια απογραφής στα δυτικά του Μισισιπή. Μια μέση λείανση της εικόνας της πυκνότητας του πληθυσμού αυξάνει αυτή τη πυκνότητα των περιοχών όπως στην πανεπιστημιούπολη UCSB και ιδιαίτερα όπου οριοθετούν τη περιοχή Vista Isla. Επιπλέον, η προαναφερόμενη κοινότητα έχει χαμηλή πυκνότητα πληθυσμού εμπορικής φύσης δίπλα στις κατοικημένες περιοχές υψηλής πυκνότητας που επιλύονται από τα πολύγωνα φραγμών απογραφής και το αποτέλεσμα του πλέγματος είναι 1 km² που προέρχονται από αυτές. Αυτό αποτελεί καλό παράδειγμα υψηλής χωρικής μεταβλητότητας στη λεπτή κλίμακα. Το φίλτρο λείανσης παράγει μια αντιπροσώπευση της πυκνότητας πληθυσμών στη Vista Isla που διαδίδει τον πληθυσμό πιό ομοιόμορφα μεταξύ των εμπορικών και των κατοικήσιμων περιοχών στην κοινότητα. Το μοντέλο της πυκνότητας πληθυσμών που προήλθε από τα νυχτερινές δορυφορικές εικόνες αξιολογήθηκε στο σύνολο δεδομένων πυκνότητας πληθυσμών 1 km², και στις συναθροίσεις του συνόλου δεδομένων στα pixels με πλευρές 5-10 km². Οι εικόνες μεγαλύτερων pixels απλά σημαίνουν συναθροίσεις της λεπτομερούς ανάλυσης της εικόνας. Το αποτέλεσμα ‘προβλέψεις’ της πυκνότητας του πληθυσμού συγκρίθηκε έπειτα και με την φιλτραρισμένη εικόνα και με τη μη-φιλτραρισμένη πυκνότητα των πληθυσμών των βάσεων δεδομένων αναφοράς.
Η τρίτη μέθοδος για την αξιολόγηση των εκτιμήσεων πληθυσμού GPW, LandScan και Nighttime-Image εστίασε στην μητροπολιτική περιοχή του Λος Άντζελες. Η ‘βάση δεδομένων αναφοράς’ της περιβαλλοντικής πυκνότητας πληθυσμού που χρησιμοποιήθηκε για την περιοχή μετρό του Λος Άντζελες ήταν ένας απλός αριθμητικός μέσος όρος της μέτρησης βάσης-κατοικίας της πυκνότητας πληθυσμών που προέκυψαν από τα στοιχεία απογραφής του 1990 και μιας μέτρησης βάσης-απασχόλησης πληθυσμού που προέκυψε από τα στοιχεία PUMS.
 
Αποτελέσματα και ανάλυση 
Η αστική περιοχή που αποτελεί τη Μινεάπολη και το Σεντ Πολ παρέχει μια καλή απεικόνιση της εμφάνισης αυτών των μοντέλων και προτύπων με τα οποία συγκρίθηκαν (εικόνα1). Η εικόνα περιλαμβάνει την μη-φιλτραρισμένη πυκνότητα του πληθυσμού που προέρχεται από τα πολύγωνα της ομάδας φραγμών της απογραφής των ΗΠΑ, 1990, από τα φίλτρα μέσης τιμής 5x5, 11x11 εκείνων των στοιχείων, το μοντέλο που προήλθε από τα στοιχεία εικόνας DMSP OLS και το σφαιρικό πρόγραμμα δημογραφίας 5x5 λεπτών.
 
[[Εικόνα:garg_mean_1_08.jpg|right|thumb||Εικόνα 1 :Παρουσίαση των περιβαλλοντικών πυκνοτήτων του πληθυσμού σύμφωνα με τις προτεινόμενες μεθόδους στην περιοχή Minneapolis-St. Paul, [http://www.asprs.org/publications/pers/2003journal/may/2003_may_545-552.pdf]πηγή]]
 
Λόγω του ότι τα μοντέλα που προέρχονται από το DMSP OLS νυχτερινών εικόνων, παράγονται μόνο πέρα από τις αστικές περιοχές, τα αποτελέσματα της Εικόνας 1 περιορίζονται στις περιοχές του DMSP OLS εικόνων. Εστιάζοντας σε αυτά τα pixels, αναλύουμε το 10% του εδάφους που περιέχει σχεδόν το 80% των ανθρώπων. Οι ηπειρωτικές Ηνωμένες Πολιτείες είχαν 5.881 αστικές συστοιχίες με μέσο όρο πληθυσμού 32.952. Σαν εκτίμηση του αστικού πληθυσμού, είναι 4% από την τιμή του γραφείου αναφοράς πληθυσμού των 75%. Τα πρότυπα συγκρίθηκαν στην ανάλυση των 1,5,11 km². Ο Πίνακας 1 συνοψίζει τις συγκρίσεις των μοντέλων GPW και DMSP OLS του πληθυσμού και στα χωρικά αθροισμένα και στα φιλτραρισμένα πρότυπα. Τα πρότυπα είναι της μέτρησης των km² της πυκνότητας του πληθυσμού που προκύπτουν από την απογραφή του 1990 και την έκδοση του 5x5 φίλτρου μέσης τιμής του συνόλου δεδομένων. Οι εκτιμήσεις του DMSP μοντέλου ξεπέρασε τις σφαιρικές εκτιμήσεις του προγράμματος δημογραφίας σχεδόν στις κλίμακες κάθε κατηγορίας, συμπεριλαμβανομένης της κλίμακας των σφαιρικών στοιχείων προγράμματος δημογραφίας.
 
[[Εικόνα:garg_mean_2_08.jpg|right|thumb||Πίνακας 1 :Σύγκριση των προτύπων GPW, DMSP OLS στα πρότυπα όλων των αστικών Αμερικανικών περιοχών, [http://www.asprs.org/publications/pers/2003journal/may/2003_may_545-552.pdf]πηγή]]
 
Στην Εικόνα 2 παρουσιάζονται τα λάθη της DMSP OLS συγκρινόμενα με τη μη-φιλτραρισμένη εικόνα πυκνότητας πληθυσμού στην περιοχή του Λος Αντζελες. Τα λάθη εντοπίστηκαν από τη χωρική μη-κατανεμημένη περιοχή. Οι υπερεκτιμήσεις (μπλε) παρουσιάστηκαν στις περιοχές που έχουν χαμηλές πυκνότητες πληθυσμού σύμφωνα με τα στοιχεία απογραφής, ενώ αυτές που εκτιμήθηκαν σωστά εμφανίστηκαν στα υψηλά εμπορικά κέντρα πυκνότητας πληθυσμών. Πολλά από τα λάθη είναι εύκολα να ερμηνευθούν. Για παράδειγμα, η πυκνότητα πληθυσμού στα αστικά κέντρα είναι σωστά υπολογισμένη. Αυτές οι περιοχές τείνουν να παρουσιάζονται σωστά στην εικόνα. Εντούτοις, το γραμμικό ποσοστό του πληθυσμού που διατίθεται σ αυτές τις περιοχές βασισμένες στην ελαφριά ένταση είναι ανεπαρκές για να αποτελέσει πραγματική πυκνότητα πληθυσμού. Αυτά τα λάθη θα μπορούσαν να μετριαστούν με τη χρήση μιας μη-γραμμικής κατανομής της πυκνότητας πληθυσμών αλλά θα αύξανε τα υπάρχοντα λάθη της υπερεκτίμησης. Τα δύο μεγάλα αεροδρόμια στη συστοιχία είναι σημαντικά υπερεκτιμημένα. Η περιοχή γύρω από το διεθνές αεροδρόμιο του Λος Άντζελες (LAX) αποτελεί ένα μεγάλο λάθος υπερεκτίμησης της πυκνότητας πληθυσμών. Το αεροδρόμιο αυτό είναι ένας από τους μεγαλύτερους εργοδότες της πόλης και δεκάδες χιλιάδες άνθρωποι πετούν από αυτό, προς αυτό ή μέσω αυτού σε καθημερινή βάση, αλλά παρόλα αυτά η περιοχή έχει σχετικά χαμηλή πυκνότητα πληθυσμού σύμφωνα με την κατοικημένη περιοχή (στοιχεία που προκύπτουν από την απογραφή).
 
[[Εικόνα:garg_mean_3_08.jpg|right|thumb||Εικόνα 2 :Απεικόνιση του σφάλματος της αστικής συστοιχίας του Los Angeles, [http://www.asprs.org/publications/pers/2003journal/may/2003_may_545-552.pdf]πηγή]]
 
Θεωρητικά καλύτερα πρότυπα της περιβαλλοντικής πυκνότητας θα μπορούσαν να προέλθουν από το χρονικά υπολογισμένο μέσο όρο της χωρικής συμπεριφοράς όλων των προσώπων παρόντων μες στην περιοχή του Λος Άντζελες για εκείνο το δεδομένο χρόνο. Το οικονομικό και πρακτικό εμπόδιο στην απόκτηση ενός τέτοιου συνόλου δεδομένων είναι προς το παρόν αξεπέραστο, εντούτοις ένα βελτιωμένο πρότυπο της περιβαλλοντικής πυκνότητας πληθυσμών, αποκτήθηκε από το συνδυασμό της μέτρησης του 1990 των βασισμένων σε κατοικίες πυκνοτήτων πληθυσμών και του 1990 των βασισμένων σε απασχόληση που προήλθαν από τα στοιχεία PUMS. Η χωρική συνάθροιση και το φίλτρο μέσης τιμής είναι κάπως ειδικής προσπάθειας στην παραγωγή περιβαλλοντικών προτύπων πυκνότητας πληθυσμών από μία μέτρηση σε βασισμένη-κατοικία της πυκνότητας πληθυσμού. Είναι ισοτροπικοί στη φύση, και η γνώση της ανθρώπινης και χωρικής συμπεριφοράς μας λέει ότι η περιβαλλοντική πυκνότητα του πληθυσμού δεν μπορεί να προέλθει από ένα ισοτροπικό χειρισμό μιας βασισμένης σε κατοικία πυκνότητα πληθυσμού. Τα τελικά πρότυπα από την περιβαλλοντική πυκνότητα αποκτήθηκαν υπολογίζοντας κατά μέσο όρο μιας μέτρησης σε κατοικία και μιας μέτρησης πυκνότητας πληθυσμών για την περιοχή του Λος Άντζελες. Αυτός ο χειρισμός ενσωματώνει τα πρόσθετα εμπειρικά στοιχεία και συλλαμβάνει συνεπώς μερικές από τις ανισότροπες φύσεις της διαφοράς μεταξύ της βασισμένης σε κατοικία πυκνότητας πληθυσμών και της περιβαλλοντικής πυκνότητας των πληθυσμών. Η εκτίμηση της περιβαλλοντικής πυκνότητας αποκτήθηκε από το DMSP OLS νυχτερινής εικόνας και ήταν η μόνη εκτίμηση η οποία σχετίζεται με τα πρότυπα που προήλθαν από την βασισμένα στην απασχόληση και στην κατοικία και ήταν υψηλότερο από το συσχετισμό του είτε με την κτοικία είτε μόνο στην απασχόληση. Η Εικόνα 3 συνοψίζει τις συγκρίσεις του DMSP OLS προτύπου που αποκτήθηκε και των προτύπων βασισμένων σε κατοικία και απασχόληση της περιοχής του Λος Άντζελες. Είναι σημαντικό να σημειωθεί ότι το χωρικό σχέδιο του λάθους στην εικόνα2 είναι περισσότερο τυχαίο από το λάθος που παρουσιάστηκε από τη μέτρηση της βασισμένης σε κατοικία της εικόνας1.Μια ανάλυση συχευτισμού του DMSP OLS, GPW, LandScan προτύπων βασισμένων σε κατοικία και απασχόληση προτύπων της πυκνότητας πληθυσμών στη περιοχή του μετρό του Λος Άντζελες διευθύνθηκε για να αξιολογηθεί η ακρίβεια αυτών των τριών αντιπροσωπεύσεων από την περιβαλλοντική πυκνότητα πληθυσμών. Το GPW και το DMSP OLS είχε την πιο ισχυρή συσχέτιση με τα πρότυπα της περιβαλλοντικής πυκνότητας πληθυμσού που αποκτήθηκαν από τις μετρήσεις των βασισμένων σε απασχόληση και κατοικίας πυκνοτήτων πληθυσμού. To GPW έχει την πιο υψηλή συσχέτιση με την μέτρηση του βασισμένο σε κατοικία και το DMSP OLS πρότυπο έχει τη μεγαλύτερη συχέτιση με τη μέτρηση του βασισμένου σε απασχόληση. Το DMSP OLS πρότυπο είναι το μοναδικό πρότυπο του οποίου η συχέτιση με το πρότυπο της περιβαλλοντικής πυκνότητας είναι υψηλότερο με είτε των βασισμένων σε κατοικίες είτε στα πρότυπα των βασισμένων σε απασχόληση μόνο. Το πρότυπο DMSP OLS έχει τη μεγαλύτερη διαφορά μεταξύ της αναμενόμενη αξία του συσχετισμού του με τα περιβαλλοντικά πρότυπα και τις παρατηρηθείσες αξίες του.
 
[[Εικόνα:garg_mean_4_08.jpg|right|thumb||Εικόνα 3: Συγκρίσεις της DMSP OLS εικόνας νυχτερινής ελαφριάς έντασης πέρα από το Λος Άντζελες των μετρήσεων πυκνοτήτων πληθυσμού των βασισμένων σε κατοικίες και χώρους εργασίας, [http://rsl.gis.umn.edu/Documents/RικSE%2082-2002_Kloiber_Regional%20lake%20clarity.pdf]πηγή]]
Αξιολόγηση 
Οι περισσότερες υπάρχουσες μετρήσεις της πυκνότητας του πληθυσμού προκύπτουν από αυθαίρετες χωρικές μονάδες μιας εθνικής απογραφής και αντιπροσωπεύουν την κατοικημένη πυκνότητα πληθυσμών. Η χρονική ποιότητα αυτών των μετρήσεων είναι διπλή υπό την έννοια ότι αυτοί μετρούν καλύτερα μια νυχτερινή πυκνότητα πληθυσμού και ο κύκλος επανάληψης της μέτρησης καθορίζεται από την πυκνότητα της απογραφής. Ενώ αυτό αποτελεί μια νόμιμη και χρήσιμη μέτρηση της πυκνότητας πληθυσμών, υπάρχουν διάφορα μειονεκτήματα σε αυτή τη μέτρηση που τα πρότυπα που περιγράφονται εδώ μπορούν να μετριάσουν. Μερικά από τα πλεονεκτήματα των GPW, LandScan και DMSP OLS της πυκνότητας των πληθυσμών είναι (1) ομοιόμορφες χωρικές μονάδες που ικανοποιούν τις ανάγκες για τις μελέτες των ανθρώπινων διαστάσεων της σφαιρικής αλλαγής, (2) ένα χρονικά υπολογισμένο κατά μέσο όρο μέτρο της πυκνότητας πληθυσμών βασισμένο στην ανθρώπινη κινητικότητα και (3) οι παραλλαγές αυτών των προτύπων που μπορούν να παρέχουν αυτή τη σφαιρική κάλυψη σε ένα συχνότερο επαναλαμβανόμενο κύκλο. Οι τρεις αντιπροσωπεύσεις της πυκνότητας των πληθυσμών που περιγράφηκαν εδώ έχουν διαφορετικές δυνάμεις. Το GPW και το LandScan καλύπτουν τις αγροτικές και αστικές περιοχές εκτιμώντας ότι το DMSP OLS μοντέλο έχει αναπτυχθεί μόνο για αστικές περιοχές. Η χωρική ανάλυση του DMSP OLS και του LandScan είναι καλύτερη από του GPW. Το GPW είναι μια οθσία στην αντιπροσώπευση των υπαρχόντων στοιχείων απογραφής ενώ το LandScan είναι ουσιασικά ένας χειρισμός GPW που αυξάνει τη χωρική μεταβλητότητα και την ανάλυση και προσπαθεί να ληφθεί περιβαλλοντικός σε αντίθεση με την βασισμένη σε κατοικία πυκνότητα πληθυσμών. Από την άλλη μεριά, το DMSP OLS πρότυπο χρησιμοποιεί μόνο ένα μεταβλητό και μπορούν να εφαρμοστούν ως ανεξάρτητη εκτίμηση του πληθυσμού και της πυκνότητάς τους. Γενικότερα, η αναγνώριση των δυνατοτήτων και των αδυναμιών αυτών των προτύπων που αναλύθηκαν, επιτρέπει τη συνεχή ανεξάρτητη βελτίωση τους ακόμη και για πιθανή συνεφαρμογή τους.
Το GPW πρέπει να παραμείνει ως gridded αντιπροσώπευση των δημογραφικών δεδομένων που παράγονται από τα αξιόπιστα, καλύτερα εκτιμώμενα επίσημα όρια, εθνικά καταγεγραμένων αριθμών στην καλύτερη διαθέσιμη χωρική ανάλυση. Το GPW θα μπορούσε να εξυπηρετήσει ως τμήμα του πλαισίου στοιχείων για την ανάπτυξη μιας γεωγραφικής βάσης δεδομένων των Ηνωμένων Εθνών. Ιδανικά η προσπάθεια θα εστιάσει στην κάλυψη του κενού στους τομείς της οικονομίας, της δημογραφίας ιδιαίτερα στις αναπτυσσόμενες χώρες. Το Landscan προέρχεται πλήρως από ψηφιακές δορυφορικές εικόνες και τα χαρτογραφικά προιόντα που είναι καλύτερης (finer) χωρικής και χρονικής ανάλυσης από τα παραδοσιακά στοιχεία απογραφής. Να σημειωθεί επίσης ότι οι χαρτογραφικές και ψηφιακής τηλεπισκόπησης απεικονίσεις είναι πιο οικονομικές και πιο εύκολες να αποκτηθούν σε αντίθεση με τους παραδοσιακούς τρόπους απογραφής. Η θεωρία έπρεπε να μετατρέψει αυτά τα στοιχεία σε πρόσθετες εκτιμήσεις, κοινωνικές, οικονομικές, δημογραφικές ιδιότητες εκτός από την πυκνότητα που εξελίσσεται γρήγορα. Το DMSP OLS είναι ένα άριστο σχετικό παράδειγμα. Οι σφαιρικές DMSP OLS εικόνες χρησιμοποιούνται για να παράγουν καλύτερη χωρική ανάλυση χαρτών των ανθρώπινων τακτοποιήσεων, χαρτογραφούν το αστικό ποσοστό και γενικότερα χρησιμεύουν σαν μέτρο πληρεξούσιου της οικονομικής δραστηριότητας, της κατανάλωσης ενέργειας, και τις εκπομπές του διοξειδίου του άνθρακα.

Δημιουργία και αξιολόγηση μοντέλων για τον υπολογισμό της πυκνότητας του πληθυσμού

2011-02-19T14:51:46Z

Argyropoulou Grigoria:

[[category:Νέα δοκιμαστική υποκατηγορία]]

Δημιουργία και αξιολόγηση μοντέλων για τον υπολογισμό της πυκνότητας του πληθυσμού 
Πρωτότυπος τίτλος : Building and Evaluating Models to
Estimate Ambient Population Density.Πηγή : Steven M. Kloiber, Patrick L. Brezonik, Leif G. Olmanson, Marvin E. Bauer, Photogrammetric Engineering & Remote Sensing
Vol. 69, No. 5, May 2003, pp. 545–553.
[http://www.asprs.org/publications/pers/2003journal/may/2003_may_545-552.pdf]
 
Περίληψη 
Η πυκνότητα του πληθυσμού αποτελεί ένα συνηθισμένο χαρακτηρισμό του
γεωγραφικού διαστήματος σε ένα ευρύ φάσμα κλιμάκων.
Οι μετρήσεις της πυκνότητας του πληθυσμού είναι χρήσιμες σε πολλές εφαρμογές όπως στην εκτίμηση της περιβαλλοντικής επίδρασης, στον προγραμματισμό μεταφορών, στην λήψη αποφάσεων οικονομικής φύσεως, και σε πολλές άλλες εφαρμογές.
Οι χρήσιμες μετρήσεις της πυκνότητας του πληθυσμού πρέπει να πραγματοποιούνται σε κατάλληλες, συγκεκριμένες χωρικές και χρονικές κλίμακες εφαρμογής. Εντούτοις, τα δεδομένα του πληθυσμού δεν είναι πάντα διαθέσιμα στις χωρικές και χρονικές αναλύσεις που απαιτούνται. Σ αυτό το έγγραφο ερευνήθηκαν κάποιες εμπειρικές και θεωρητικές προσεγγίσεις ώστε να υπάρχει η δυνατότητα υπολογισμού της πυκνότητας του πληθυσμού του περιβάλλοντος. Η περιβαλλοντική πυκνότητα πληθυσμών είναι ένα χρονικά υπολογισμένο κατά μέσο όρο μέγεθος της πυκνότητας πληθυσμών που ενσωματώνει την ανθρώπινη κινητικότητα. Ποια είναι η κατάλληλη μέθοδος για να χαρακτηρίσει την πυκνότητα του πληθυσμού ενός pixel στο χώρο και στο χρόνο; Θα μπορούσαν όλα τα pixels να σταθεροποιηθούν στην πυκνότητα του πληθυσμού κατά στη διάρκεια της ίδιας χρονικής περιόδου; Ένα pixel σε μια διάβαση πεζών σε μια πολυσύχναστη διατομή της πόλης μπορεί να φτάσει σε μια σταθερή πυκνότητα πληθυσμού κατά τη διάρκεια μιας μέρας, αυτό όμως μπορεί να χρειαστεί ένα διάστημα εβδομάδων, μηνών κτλ. για ένα pixel σε ένα συνεδριακό κέντρο που σταθεροποιεί λόγω περισσότερων ακραίων διακυμάνσεων τη ροή των ανθρώπων. Δηλαδή, η χρονική μεταβλητότητα είναι ένα ζήτημα που πρέπει να ληφθεί καλά υπόψην στην εκτίμηση της πυκνότητας των πληθυσμών.
 
Η περιοχή μελέτης-Τηλεπισκοπικά δεδομένα 
Τα τρία μοντέλα της πυκνότητας πληθυσμών που χρησιμοποιούνται σε αυτή τη μελέτη είναι το GPW (Gridded Population of the World), το LandScan , και ένα μοντέλο που προέρχεται από δορυφορικές νυχτερινές εικόνες και παρέχεται από τον δορυφόρο DMSP-OLS. Τα δεδομένα που χρησιμοποιήθηκαν για να αξιολογήσουν αυτές τις εκτιμήσεις της πυκνότητας πληθυσμών ήταν ένα πλέγμα των 1 km²της πυκνότητας του πληθυσμού που προήλθαν από δεδομένα απογραφής του 1990 των Ηνωμένων Πολιτειών και από το δημόσιας χρήσης Microstation της απασχόλησης των εργαζομένων στην περιοχή του Λος Άντζελες.
 
Μεθοδολογία 
Τα πρότυπα πυκνότητας του πληθυσμού χρησιμοποιήθηκαν για να επικυρώσουν αυτά τα πρότυπα του πλέγματος της πυκνότητας των πληθυσμών, που προήλθαν από το μπλοκ των διοικητικών ορίων της Αμερικανικής απογραφής το 1990. Αυτά τα στοιχεία αναφοράς αξιοποιήθηκαν με τρεις τρόπους ώστε να συλληφθεί η κινητικότητα και να προσεγγιστεί η περιβαλλοντική πυκνότητα των πληθυσμών: 1)χωρική συνάθροιση στα μεγαλύτερα pixels, 2) χρήση φίλτρων μέσης τιμής, 3) χρήση των δεδομένων απασχόλησης και κατοικίας στη δεδομένη περιοχή. Η συνολική πυκνότητα των πληθυσμών προήλθε από το PUMS για την περιοχή του Los Angeles. Οι δύο πρώτοι χειρισμοί είναι ισοτροπικοί, ενώ στην πραγματικότητα θα ποικίλλει περιφερειακά τα ανισότροπα σχέδια κινητικότητας που θα επηρεάσουν οποιαδήποτε ακριβή αντιπροσώπευση του περιβαλλοντος σε αντίθεση με την κατοικία στην πυκνότητα πληθυσμών.
Η χωρική αυτοσυσχέτιση είναι μια ιδιότητα του συνόλου δεδομένων της πυκνότητας που παρουσιάζει τα προβλήματα για τα ακριβή πρότυπα για να υπολογίσει τον υψηλό βαθμό της χωρικής μεταβλητότητάς του. Η χωρική συνάθροιση μειώνει τη μεταβλητότητα των τιμών του pixel προς το μέσο όρο τους. Χαρακτηριστικά, οι τιμές του pixel έχουν την υψηλή μεταβλητότητα στις μικρές αναλύσεις και χαμηλότερη μεταβλητότητα στις πιο υψηλές αναλύσεις ενώ η συνεχής συνάθροιση οδηγεί τελικά σε μια μέση πυκνότητα των πληθυσμών για ολόκληρο τον πλανήτη. Η λείανση διατηρεί το χωρικό ψήφισμα του συνόλου δεδομένων αλλά μειώνει την μεταβλητότητα των pixels τοπικά. Σε αυτή τη μελέτη τα επίγεια δεδομένα που συλλέχθηκαν λειάνθηκαν χρησιμοποιώντας ένα φίλτρο μέσης τιμής μεγέθους 5x5 και ένα άλλο μεγέθους 11x11. Η αιτιολόγηση της μέσης λείανσης είναι ότι το στοιχείο απογραφής καταγράφει που είναι οι άνθρωποι τη νύχτα. Ένα μέσο χωρικό φίλτρο αποτελεί μια μέθοδο λείανσης που στην πραγματικότητα προσπαθεί να συλλάβει την κίνηση των ανθρώπων από το σπίτι προς το γραφείο, προς το κατάστημα ή και το σχολείο. Στις Ηνωμένες Πολιτείες το 1975 η μέση απόσταση της διαδρομής σπίτι-εργασιακός χώρος ήταν περίπου 9 μίλια. Να σημειωθεί ότι το φιλτράρισμα είναι ένα μέσο προσέγγισης της περιβαλλοντικής πυκνότητας των πληθυσμών που προκύπτει από τις ανθρώπινες μετακινήσεις.
Η χρήση ενός φίλτρου λείανσης εξυπηρετεί σε δύο σκοπούς:Καταρχάς, η λείανση μπορεί να παράγει μια εικόνα που είναι περισσότερο αντιπροσωπευτική της περιβαλλοντικής πυκνότητας του πληθυσμού μέσω του χρόνου. Δεύτερον, η λείανση αυξάνει τη χωρική αυτοσυσχέτιση των στοιχείων, μειώνοντας στην ουσία το steepness των αποσυνθέσεων. Μια περιοχή που εξηγεί το πρόβλημα την υψηλής χωρικής μεταβλητότητας των μετρήσεων της πυκνότητας των κατοικιών του πληθυσμού, είναι αυτή του πανεπιστημίου της Καλιφόρνιας στην Πανεπιστημιούπολη Santa Barbara (UCSB) και της κοντινής κοινότητας των σπουδαστών Vista Isla. Τα αρχεία απογραφής παρουσιάζουν το UCSB έχοντας μια πολύ χαμηλή πυκνότητα πληθυσμού, ενώ η Vista Isla έχει μερικά από τα πιο πυκνά κομμάτια απογραφής στα δυτικά του Μισισιπή. Μια μέση λείανση της εικόνας της πυκνότητας του πληθυσμού αυξάνει αυτή τη πυκνότητα των περιοχών όπως στην πανεπιστημιούπολη UCSB και ιδιαίτερα όπου οριοθετούν τη περιοχή Vista Isla. Επιπλέον, η προαναφερόμενη κοινότητα έχει χαμηλή πυκνότητα πληθυσμού εμπορικής φύσης δίπλα στις κατοικημένες περιοχές υψηλής πυκνότητας που επιλύονται από τα πολύγωνα φραγμών απογραφής και το αποτέλεσμα του πλέγματος είναι 1 km²που προέρχονται από αυτές. Αυτό αποτελεί καλό παράδειγμα υψηλής χωρικής μεταβλητότητας στη λεπτή κλίμακα. Το φίλτρο λείανσης παράγει μια αντιπροσώπευση της πυκνότητας πληθυσμών στη Vista Isla που διαδίδει τον πληθυσμό πιό ομοιόμορφα μεταξύ των εμπορικών και των κατοικήσιμων περιοχών στην κοινότητα. Το μοντέλο της πυκνότητας πληθυσμών που προήλθε από τα νυχτερινές δορυφορικές εικόνες αξιολογήθηκαν στο σύνολο δεδομένων πυκνότητας πληθυσμών 1 km², και στις συναθροίσεις του συνόλου δεδομένων στα pixels με πλευρές 5-10 km². Οι εικόνες μεγαλύτερων pixels απλά σημαίνουν συναθροίσεις της λεπτομερούς ανάλυσης της εικόνας. Το αποτέλεσμα ‘προβλέψεις’ της πυκνότητας του πληθυσμού συγκρίθηκε έπειτα και με την φιλτραρισμένη εικόνα και με τη μη-φιλτραρισμένη πυκνότητα των πληθυσμών των βάσεων δεδομένων αναφοράς.
Η τρίτη μέθοδος για την αξιολόγηση των εκτιμήσεων πληθυσμού GPW, LandScan και Nighttime-Image εστίασε στην μητροπολιτική περιοχή του Λος Άντζελες. Η ‘βάση δεδομένων αναφοράς’ της περιβαλλοντικής πυκνότητας πληθυσμού που χρησιμοποιήθηκε για την περιοχή μετρό του Λος Άντζελες ήταν ένας απλός αριθμητικός μέσος όρος της μέτρησης βάσης-κατοικίας της πυκνότητας πληθυσμών που προέκυψαν από τα στοιχεία απογραφής του 1990 και μιας μέτρησης βάσης-απασχόλησης πληθυσμού που προέκυψε από τα στοιχεία PUMS.
 
Αποτελέσματα και ανάλυση 
Η αστική περιοχή που αποτελεί τη Μινεάπολη και το Σεντ Πολ παρέχει μια καλή απεικόνιση της εμφάνισης αυτών των μοντέλων και προτύπων με τα οποία συγκρίθηκαν (εικόνα1). Η εικόνα περιλαμβάνει την μη-φιλτραρισμένη πυκνότητα του πληθυσμού που προέρχονται από τα πολύγωνα της ομάδας φραγμών της απογραφής των ΗΠΑ, 1990, από τα φίλτρα μέσης τιμής 5x5, 11x11 εκείνων των στοιχείων, το μοντέλο που προήλθε από τα στοιχεία εικόνας DMSP OLS και το σφαιρικό πρόγραμμα δημογραφίας 5x5 λεπτών.
 
[[Εικόνα:garg_mean_1_08.jpg|right|thumb||Εικόνα 1 :Παρουσίαση των περιβαλλοντικών πυκνοτήτων του πληθυσμού σύμφωνα με τις προτεινόμενες μεθόδους στην περιοχή Minneapolis-St. Paul, [http://www.asprs.org/publications/pers/2003journal/may/2003_may_545-552.pdf]πηγή]]
 
Λόγω του ότι τα μοντέλα που προέρχονται από το DMSP OLS νυχτερινών εικόνων, παράγονται μόνο πέρα από τις αστικές περιοχές, τα αποτελέσματα της εικόνας 1 περιορίζονται στις περιοχές του DMSP OLS εικόνων. Εστιάζοντας σ αυτά τα pixels, αναλύουμε το 10% του εδάφους που περιέχει σχεδόν το 80% των ανθρώπων. Οι ηπειρωτικές Ηνωμένες Πολιτείες είχαν 5.881 αστικές συστοιχίες με μέσο όρο πληθυσμού 32.952. Σαν εκτίμηση του αστικού πληθυσμού, είναι 4% από την τιμή του γραφελιου αναφοράς πληθυσμού των 75%. Τα πρότυπα συγκρίθηκαν στην ανάλυση των 1,5,11 km². Ο Πίνακας 1 συνοψίζει τις συγκρίσεις των μοντέλων GPW και DMSP OLS του πληθυσμού και στα χωρικά αθροισμένα και στα φιλτραρισμένα πρότυπα. Τα πρότυπα είναι της μέτρησης των km² της πυκνότητας του πληθυσμού που προκύπτουν από την απογραφή του 1990 και η έκδοση του 5x5 φίλτρου μέσης τιμής του συνόλου δεδομένων. Οι εκτιμήσεις του DMSP μοντέλου ξεπέρασε τις σφαιρικές εκτιμήσεις προγράμματος δημογραφίας σχεδόν στις κλίμακες κάθε κατηγορίας, συμπεριλαμβανομένης της κλίμακας των σφαιρικών στοιχείων προγράμματος δημογραφίας. Οι φιλτραρισμένες εικόνες.
 
[[Εικόνα:garg_mean_2_08.jpg|right|thumb||Πίνακας 1 :Σύγκριση των προτύπων GPW, DMSP OLS στα πρότυπα όλων των αστικών Αμερικανικών περιοχών, [http://www.asprs.org/publications/pers/2003journal/may/2003_may_545-552.pdf]πηγή]]
 
Στην εικόνα2 παρουσιάζονται τα λάθη της DMSP OLS συγκρινόμενα με τη μη-φιλτραρισμένη εικόνα πυκνότητας πληθυσμού στην περιοχή του Λος Αντζελες. Τα λάθην εντοπίστηκαν από τη χωρική μη-κατανεμημένη περιοχή. Οι υπερεκτιμήσεις (μπλε) παρουσιάστηκαν στις well-lit περιοχές που έχουν χαμηλές πυκνότητες πληθυσμού σύμφωνα με τα στοιχεία απογραφής, ενώ αυτές που εκτιμήθηκαν σωστά εμφανίστηκαν στα υψηλά εμπορικά κέντρα πυκνότητας πληθυσμών. Πολλά από τα λάθη είναι εύκολα να ερμηνευθούν. Για παράδειγμα, η πυκνότητα πληθυσμού στα αστικά κέντρα είναι σωστά υπολογισμένη. Αυτές οι περιοχές τείνουν να παρουσιάζονται σωστά στην εικόνα. Εντούτοις, το γραμμικό ποσοστό του πληθυσμού που διατίθεται σ αυτές τις περιοχές βασισμένες στην ελαφριά ένταση είναι ανεπαρκές για να αποτελέσει πραγματική πυκνότητα πληθυσμού. Αυτά τα λάθη θα μπορούσαν να μετριαστούν με τη χρήση μιας μη-γραμμικής κατανομής της πυκνότητας πληθυσμών αλλά θα αύξανε τα υπάρχοντα λάθη της υπερεκτίμησης. Τα δύο μεγάλα αεροδρόμια στη συστοιχία είναι σημαντικά υπερεκτιμημένα. Η περιοχή γύρω από το διεθνές αεροδρόμιο του Λος Άντζελες (LAX) αποτελεί ένα μεγάλο λάθος υπερεκτίμησης της πυκνότητας πληθυσμών. Το αεροδρόμιο αυτό είναι ένας από τους μεγαλύτερους εργοδότες της πόλης και δεκάδες χιλιάδες άνθρωποι πετούν από αυτό, προς αυτό ή μέσω αυτού σε καθημερινή βάση, αλλά παρόλα αυτά η περιοχή έχει σχετικά χαμηλή πυκνότητα πληθυσμού σύμφωνα με την κατοικημένη περιοχή (στοιχεία που προκύπτουν από την απογραφή).
 
[[Εικόνα:garg_mean_3_08.jpg|right|thumb||Εικόνα 2 :Απεικόνιση του σφάλματος της αστικής συστοιχίας του Los Angeles, [http://www.asprs.org/publications/pers/2003journal/may/2003_may_545-552.pdf]πηγή]]
 
Θεωρητικά καλύτερα πρότυπα της περιβαλλοντικής πυκνότητας θα μπορούσαν να προέλθουν από το χρονικά υπολογισμένο μέσο όρο της χωρικής συμπεριφοράς όλων των προσώπων παρόντων μες στην περιοχή του Λος Άντζελες για εκείνο το δεδομένο χρόνο. Το οικονομικό και πρακτικό εμπόδιο στην απόκτηση ενός τέτοιου συνόλου δεδομένων είναι προς το παρόν αξεπέραστο, εντούτοις ένα βελτιωμένο πρότυπο της περιβαλλοντικής πυκνότητας πληθυσμών, αποκτήθηκε από το συνδυασμό της μέτρησης του 1990 των βασισμένων σε κατοικίες πυκνοτήτων πληθυσμών και του 1990 των βασισμένων σε απασχόληση που προήλθαν από τα στοιχεία PUMS. Η χωρική συνάθροιση και το φίλτρο μέσης τιμής είναι κάπως ειδικής προσπάθειας στην παραγωγή περιβαλλοντικών προτύπων πυκνότητας πληθυσμών από μία μέτρηση σε βασισμένη-κατοικία της πυκνότητας πληθυσμού. Είναι ισοτροπικοί στη φύση, και η γνώση της ανθρώπινης και χωρικής συμπεριφοράς μας λέει ότι η περιβαλλοντική πυκνότητα του πληθυσμού δεν μπορεί να προέλθει από ένα ισοτροπικό χειρισμό μιας βασισμένης σε κατοικία πυκνότητα πληθυσμού. Τα τελικά πρότυπα από την περιβαλλοντική πυκνότητα αποκτήθηκαν υπολογίζοντας κατά μέσο όρο μιας μέτρησης σε κατοικία και μιας μέτρησης πυκνότητας πληθυσμών για την περιοχλη του Λος Άντζελες. Αυτός ο χειρισμός ενσωματώνει τα πρόσθετα εμπειρικά στοιχεία και συλλαμβάνει συνεπώς μερικές από τις ανισότροπες φύσεις της διαφοράς μεταξύ της βασισμένης σε κατοικία πυκνότητας πληθυσμών και της περιβαλλοντικής πυκνότητας των πληθυσμών. Η εκτίμηση της περιβαλλοντικής πυκνότητας αποκτήθηκε από το DMSP OLS νυχτερινής εικόνας και ήταν η μόνη εκτίμηση η οποία σχετίζεται με τα πρότυπα που προήλθαν από την βασισμένα στην απασχόληση και στην κατοικία και ήταν υψηλότερο από το συσχετισμό του είτε με την κτοικία είτε μόνο στην απασχόληση. Η Εικόνα3 συνοψίζει τις συγκρίσεις του DMSP OLS προτύπου που αποκτήθηκε και των προτύπων βασισμένων σε κατοικία και απασχόληση της περιοχής του Λος Άντζελες. Είναι σημαντικό να σημειωθεί ότι το χωρικό σχέδιο του λάθους στην εικόνα2 είναι περισσότερο τυχαίο από το λάθος που παρουσιάστηκε από τη μέτρηση της βασισμένης σε κατοικία της εικόνας1.Μια ανάλυση συχευτισμού του DMSP OLS, GPW, LandScan προτύπων βασισμένων σε κατοικία και απασχόληση προτύπων της πυκνότητας πληθυσμών στη περιοχή του μετρό του Λος Άντζελες διευθύνθηκε για να αξιολογηθεί η ακρίβεια αυτών των τριών αντιπροσωπεύσεων από την περιβαλλοντική πυκνότητα πληθυσμών. Το GPW και το DMSP OLS είχε την πιο ισχυρή συσχέτιση με τα πρότυπα της περιβαλλοντικής πυκνότητας πληθυμσού που αποκτήθηκαν από τις μετρήσεις των βασισμένων σε απασχόληση και κατοικίας πυκνοτήτων πληθυσμού. To GPW έχει την πιο υψηλή συσχέτιση με την μέτρηση του βασισμένο σε κατοικία και το DMSP OLS πρότυπο έχει τη μεγαλύτερη συχέτιση με τη μέτρηση του βασισμένου σε απασχόληση. Το DMSP OLS πρότυπο είναι το μοναδικό πρότυπο του οποίου η συχέτιση με το πρότυπο της περιβαλλοντικής πυκνότητας είναι υψηλότερο με είτε των βασισμένων σε κατοικίες είτε στα πρότυπα των βασισμένων σε απασχόληση μόνο. Το πρότυπο DMSP OLS έχει τη μεγαλύτερη διαφορά μεταξύ της αναμενόμενη αξία του συσχετισμού του με τα περιβαλλοντικά πρότυπα και τις παρατηρηθείσες αξίες του.
 
[[Εικόνα:garg_mean_4_08.jpg|right|thumb||Εικόνα 3: Συγκρίσεις της DMSP OLS εικόνας νυχτερινής ελαφριάς έντασης πέρα από το Λος Άντζελες των μετρήσεων πυκνοτήτων πληθυσμού των βασισμένων σε κατοικίες και χώρους εργασίας, [http://rsl.gis.umn.edu/Documents/RικSE%2082-2002_Kloiber_Regional%20lake%20clarity.pdf]πηγή]]
Αξιολόγηση 
Οι περισσότερες υπάρχουσες μετρήσεις της πυκνότητας του πληθυσμού προκύπτουν από αυθαίρετες χωρικές μονάδες μιας εθνικής απογραφής και αντιπροσωπεύουν την κατοικημένη πυκνότητα πληθυσμών. Η χρονική ποιότητα αυτών των μετρήσεων είναι διπλή υπό την έννοια ότι αυτοί μετρούν καλύτερα μια νυχτερινή πυκνότητα πληθυσμού και ο κύκλος επανάληψης της μέτρησης καθορίζεται από την πυκνότητα της απογραφής. Ενώ αυτό αποτελεί μια νόμιμη και χρήσιμη μέτρηση της πυκνότητας πληθυσμών, υπάρχουν διάφορα μειονεκτήματα σε αυτή τη μέτρηση που τα πρότυπα που περιγράφονται εδώ μπορούν να μετριάσουν. Μερικά από τα πλεονεκτήματα των GPW, LandScan και DMSP OLS της πυκνότητας των πληθυσμών είναι (1) ομοιόμορφες χωρικές μονάδες που ικανοποιούν τις ανάγκες για τις μελέτες των ανθρώπινων διαστάσεων της σφαιρικής αλλαγής, (2) ένα χρονικά υπολογισμένο κατά μέσο όρο μέτρο της πυκνότητας πληθυσμών βασισμένο στην ανθρώπινη κινητικότητα και (3) οι παραλλαγές αυτών των προτύπων που μπορούν να παρέχουν αυτή τη σφαιρική κάλυψη σε ένα συχνότερο επαναλαμβανόμενο κύκλο. Οι τρεις αντιπροσωπεύσεις της πυκνότητας των πληθυσμών που περιγράφηκαν εδώ έχουν διαφορετικές δυνάμεις. Το GPW και το LandScan καλύπτουν τις αγροτικές και αστικές περιοχές εκτιμώντας ότι το DMSP OLS μοντέλο έχει αναπτυχθεί μόνο για αστικές περιοχές. Η χωρική ανάλυση του DMSP OLS και του LandScan είναι καλύτερη από του GPW. Το GPW είναι μια οθσία στην αντιπροσώπευση των υπαρχόντων στοιχείων απογραφής ενώ το LandScan είναι ουσιασικά ένας χειρισμός GPW που αυξάνει τη χωρική μεταβλητότητα και την ανάλυση και προσπαθεί να ληφθεί περιβαλλοντικός σε αντίθεση με την βασισμένη σε κατοικία πυκνότητα πληθυσμών. Από την άλλη μεριά, το DMSP OLS πρότυπο χρησιμοποιεί μόνο ένα μεταβλητό και μπορούν να εφαρμοστούν ως ανεξάρτητη εκτίμηση του πληθυσμού και της πυκνότητάς τους. Γενικότερα, η αναγνώριση των δυνατοτήτων και των αδυναμιών αυτών των προτύπων που αναλύθηκαν, επιτρέπει τη συνεχή ανεξάρτητη βελτίωση τους ακόμη και για πιθανή συνεφαρμογή τους.
Το GPW πρέπει να παραμείνει ως gridded αντιπροσώπευση των δημογραφικών δεδομένων που παράγονται από τα αξιόπιστα, καλύτερα εκτιμώμενα επίσημα όρια, εθνικά καταγεγραμένων αριθμών στην καλύτερη διαθέσιμη χωρική ανάλυση. Το GPW θα μπορούσε να εξυπηρετήσει ως τμήμα του πλαισίου στοιχείων για την ανάπτυξη μιας γεωγραφικής βάσης δεδομένων των Ηνωμένων Εθνών. Ιδανικά η προσπάθεια θα εστιάσει στην κάλυψη του κενού στους τομείς της οικονομίας, της δημογραφίας ιδιαίτερα στις αναπτυσσόμενες χώρες. Το Landscan προέρχεται πλήρως από ψηφιακές δορυφορικές εικόνες και τα χαρτογραφικά προιόντα που είναι καλύτερης (finer) χωρικής και χρονικής ανάλυσης από τα παραδοσιακά στοιχεία απογραφής. Να σημειωθεί επίσης ότι οι χαρτογραφικές και ψηφιακής τηλεπισκόπησης απεικονίσεις είναι πιο οικονομικές και πιο εύκολες να αποκτηθούν σε αντίθεση με τους παραδοσιακούς τρόπους απογραφής. Η θεωρία έπρεπε να μετατρέψει αυτά τα στοιχεία σε πρόσθετες εκτιμήσεις, κοινωνικές, οικονομικές, δημογραφικές ιδιότητες εκτός από την πυκνότητα που εξελίσσεται γρήγορα. Το DMSP OLS είναι ένα άριστο σχετικό παράδειγμα. Οι σφαιρικές DMSP OLS εικόνες χρησιμοποιούνται για να παράγουν καλύτερη χωρική ανάλυση χαρτών των ανθρώπινων τακτοποιήσεων, χαρτογραφούν το αστικό ποσοστό και γενικότερα χρησιμεύουν σαν μέτρο πληρεξούσιου της οικονομικής δραστηριότητας, της κατανάλωσης ενέργειας, και τις εκπομπές του διοξειδίου του άνθρακα.

Βελτιστοποίηση της ανίχνευσης κτιρίων σε δορυφορικές εικόνες Landsat και Spot συνδυάζοντας πολυφασματική ταξινόμηση και φίλτρα υφής.

2011-02-19T14:31:26Z

Argyropoulou Grigoria:

[[category:Νέα δοκιμαστική υποκατηγορία]]

 Βελτιστοποίηση ανίχνευσης κτιρίων σε δορυφορικές εικόνες Landsat και Spot συνδυάζοντας πολυφασματική ταξινόμηση και φίλτρα υφής. 
Πρωτότυπος τίτλος : Optimisation of building detection in satellite images by combining multispectral classification and texture filtering 
Πηγή : Yun Zhang, ISPRS Journal of Photogrammetry & Remote Sensing 54_199 pp 50–60 [http://www.sciencedirect.com/science?_ob=MImg&_imagekey=B6VF4-3W4XJ1F-5-H&_cdi=6000&_user=83473&_pii=S0924271698000276&_origin=search&_zone=rslt_list_item&_coverDate=02%2F28%2F1999&_sk=999459998&wchp=dGLzVlz-zSkWb&md5=cb172db6ff6d255a5119e0813c601a59&ie=/sdarticle.pdf]
 
Περίληψη 
Οι συμβατικές πολυφασματικές μέθοδοι, παρουσιάζουν μέτρια επίδοση όσον αφορά την ανίχνευση των αντικειμένων αστικών κατηγοριών, όπως κτίρια, σε δορυφορικές εικόνες υψηλής χωρικής ανάλυσης. Αυτό οφείλεται στο ότι τα αντικείμενα στις αστικές περιοχές έχουν περίπλοκα χωρικά και φασματικά χαρακτηριστικά. Η πολυφασματική ταξινόμηση ανιχνεύει κατηγορίες αντικειμένων μόνο σύμφωνα με τις φασματικές πληροφορίες μεμονωμένων pixels, ενώ οι χωρικές πληροφορίες παραμελούνται. Εδώ, περιγράφεται μια τεχνική η οποία προσπαθεί να ανιχνεύσει τα αστικά κτίρια σε δύο φάσεις. Αρχικά πραγματοποιείται η συμβατική πολυφασματική ταξινόμηση. Στη συνέχεια, η ταξινόμηση των κτιρίων βελτιώνεται με τη βοήθεια των χωρικών πληροφοριών μέσω ενός τροποποιημένου φίλτρου co-occurrence (συνεμφάνισης). Η προτεινόμενη αυτή μέθοδος είναι πολύ χρήσιμη για μια γρήγορη εκτίμηση των αστικών κτιρίων και της ανάπτυξης των πόλεων, ειδικά στις μητροπολιτικές περιοχές των αναπτυσσόμενων χωρών.
 

Η περιοχή μελέτης και ο στόχος για την περιοχή 
Η περιοχή μελέτης είναι η πόλη της Σαγκάη στην Κίνα[http://el.wikipedia.org/wiki/%CE%A3%CE%B1%CE%B3%CE%BA%CE%AC%CE%B7]. Καλύπτει μια περιοχή των 30x30 χιλιομέτρων προσεγγιστικά . Τα κτίρια της πόλης που είναι περίπου 12-20m πλάτους, είναι κατά βάση κατοικημένα πρόκειται για σπίτια που χτίζονται από το 1949 και ιδιαίτερα από το 1979. Aυτό το είδος κτιρίων διαμορφώνει τα συνηθισμένα αστικά χαρακτηριστικά γνωρίσματα στις δορυφορικές εικόνες. Καλύπτουν το 50% ολόκληρης της κατοικήσιμης περιοχής και αναπτύσσονται όλο και πιο δυναμικά γι’ αυτό και η ανίχνευσή τους είναι και ο βασικός στόχος της μελέτης αυτής. Τα άλλα είδη κτιρίων στην περιοχή αυτή είναι ψηλά κτίρια με περισσότερα από 10 πατώματα, παλαιά μικρά κτίρια, τοποθετημένα πολύ κοντά το ένα στο άλλο αλλά και μικρά παραδοσιακά και ακανόνιστα σπίτια. Τα παλαιά μικρά κτίρια και όσα είναι φτιαγμένα από παραδοσιακά υλικά (π.χ. πέτρες), λόγω μικρού μεγέθους και κοντινής απόστασης μεταξύ τους δεν μπορούν να αναγνωριστούν ούτε με οπτική ερμηνεία (φωτοερμηνεία) στην συγχωνευμένη (merged) εικόνα η οποία προέκυψε από την απεικόνιση Landsat TM (30m διακριτική ικανότητα) και Spot παγχρωματική (10m διακριτική ικανότητα), και γι’ αυτό το λόγο δεν μπορούν να εξαχθούν (να χαρτογραφηθούν, να αναγνωρισθούν στη δορυφορική εικόνα) στην παρούσα εργασία.
 
[[Εικόνα:garg_texture_1_03.jpg|right|thumb||Εικόνα 1 : Κτίρια ανιχνευμένα με πολυφασματική ταξινόμηση από συγχωνευμένα TM-SPOT δεδομένα στη πόλη Shangai,βόρειο και νότιο τμήμα, [http://www.sciencedirect.com/science?_ob=MImg&_imagekey=B6VF4-3W4XJ1F-5-H&_cdi=6000&_user=83473&_pii=S0924271698000276&_origin=search&_zone=rslt_list_item&_coverDate=02%2F28%2F1999&_sk=999459998&wchp=dGLzVlz-zSkWb&md5=cb172db6ff6d255a5119e0813c601a59&ie=/sdarticle.pdf]πηγή]]
 
Μεθοδολογία 
Για την ανίχνευση των κτιρίων που αποτελούνται από 12-20 μέτρα πλάτος, χρησιμοποιήθηκαν συγχωνευμένες TM-SPOT (μέγεθος pixel 10m) εικόνες. Η μέθοδος συγχώνευσης ήταν η μετατροπή IHS[http://www.sciencedirect.com/science?_ob=ArticleURL&_udi=B6VF4-4MM8BC3-2&_user=83473&_coverDate=02%2F28%2F2007&_rdoc=1&_fmt=high&_orig=search&_origin=search&_sort=d&_docanchor=&view=c&_searchStrId=1576191612&_rerunOrigin=google&_acct=C000059671&_version=1&_urlVersion=0&_userid=83473&md5=1d4de1956e3040a73947964df0d75d21&searchtype=a]. Τα στοιχεία που χρησιμοποιήθηκαν για την συγχώνευση ήταν τα TM κανάλια 3,4 και 7 παρμένα από LANDSAT 5 στις 18 Μαϊου 1987 και τα SPOT παγχρωματικά δεδομένα λήφθηκαν από δέκτες HRV2 του STOT 1 στις 25 Οκτώβρη 1989. Eξαιτίας της περιορισμένης επιλογής η πηγή δεδομένων που χρησιμοποιήθηκε έχει μια χρονική διαφορά δύo ετών. Η διαφορά της χρονικής διάρκειας μειώνει την ακρίβεια της πολυφασματικής ταξινόμησης αλλά όχι το φιλτράρισμα υφής, το βασικό κομμάτι της μελέτης. Η μη επιβλεπόμενη ISODATA μέθοδος συγκέντρωσης χρησιμοποιήθηκε για την πολυφασματική ταξινόμηση των κτιρίων.Οι μέθοδοι της ανάλυσης υφής συχνά χρησιμοποιούνται για την αναγνώριση και τη διάκριση διαφορετικών χωρικών χαρακτηριστικών σε ψηφιακές εικόνες. Η εικόνα παραγωγής από την ανάλυση υφής ταξινομείται άμεσα ή χρησιμοποιείται ως πρόσθετη ζώνη μαζί με άλλα πολυφασματικά κανάλια στην ταξινόμηση. Εδώ, ο πίνακας συνεμφάνισης (co-occurrence), χρησιμοποιήθηκε για να ανιχνεύσει αντικείμενα με διαφορετικά μεγέθη και κατευθύνσεις. Οι τιμές του co-occurrence πίνακα σε 4 διαγώνιες κατευθύνσεις υπολογίστηκαν με απόσταση ανά ένα pixel και μέγεθος παραθύρου 3x3 και 5x5 και έπειτα ακολούθησαν οι μετρήσεις των τεσσάρων γνωρισμάτων υφής από κάθε πίνακα co-occurrence, ενέργεια, αντίθεση, εντροπία, ομοιογένεια. Όλες οι παραπάνω εικόνες μέτρου υφής για κάθε κατεύθυνσης είναι των 8 bit. Οι γκρίζες τιμές αυτών των εικόνων αντιπροσωπεύουν το μέγεθος του αντικειμένου, δηλαδή όσο μεγαλύτερο είναι το μέγεθος του αντικειμένου ,τόσο εντονότερη η γκρίζα απόχρωση κι έτσι τα αντικείμενα διαφορετικών μεγεθών διαχωρίζονται εύκολα. Οι εικόνες γκρίζων τιμών υποδιαιρέθηκαν σε ομάδες χρησιμοποιώντας την ISODATA μέθοδο συγκέντρωσης. Αυτές οι 50 ομάδες ερμηνεύτηκαν χειροκίνητα, επικαλύπτοντας ακριβώς στη συγχώνευση έγχρωμης εικόνας TM-SPOT και χρησιμοποιώντας fade-inrfade-out για κάθε ομάδα για να ελεγχθεί αν αυτό ανήκει στην κατηγορία να ταξινομηθεί στην πρότυπη εικόνα. Στην παρούσα εργασία, τα κτίρια αποτελούνται από 6 ομάδες ενώ άλλες ομάδες ορίστηκαν σε θορυβώδεις περιοχές ή background. Βέβαια οι εικόνες θα μπορούσαν να υποδιαιρεθούν σε περισσότερες από 50 ομάδες, αλλά η ερμηνεία θα γινόταν πιο δύσκολη και χρονοβόρα. Οι 4 διαγώνιες κατευθύνσεις χρησιμοποιήθηκαν επειδή οι τοίχοι των περισσότερων κτιρίων στην περιοχή μελέτης βρίσκονταν στις διαγώνιες κατευθύνσεις της εικόνας. Χρησιμοποιώντας αυτή τη παραδοχή, τα κτίρια μπορούν να διαχωριστούν καλύτερα από το θόρυβο. Τα αποτελέσματα του φιλτραρίσματος φαίνονται στον πίνακα που επισυνάπτω, χρησιμοποιώντας ένα πίνακα 3x3 και την μέτρηση της υφής της ομοιογένειας. Η εξάρτηση κατεύθυνσης των πινάκων co-occurred φαίνεται ξεκάθαρα στα αποτελέσματα φιλτραρίσματος του αερολιμένα στα δεξιά και στο σιδηρόδρομο στο κατώτατο σημείο δεξιά για κάθε κατεύθυνση, η μία πλευρά αιχμής των αντικειμένων δεν μπορεί να φιλτραριστεί. Κατά συνέπεια, οι αιχμές μεγάλων μη κτιριακών αντικειμένων, είναι ταξινομημένες ως κτίρια. Με τη συγχώνευση των αποτελεσμάτων των κτιριακών κατηγοριών σε κάθε μια από τις 4 κατευθύνσεις που χρησιμοποιούν ένα λογικό AND, αυτό το πρόβλημα είναι ικανό να λυθεί. Ομοίως, οι περιοχές θορύβου στις 4 κατευθύνσεις συγχωνεύονται από ένα λογικό OR, ενώ η υπόλοιπη περιοχή ορίζεται στο background. Το καλύτερο αποτέλεσμα, μεταξύ των 2 διαφορετικών μεγεθών παραθύρων και των τεσσάρων μετρήσεων υφής, επιτεύχθηκε με τη χρήση ενός 3x3 μεγέθους pixel και της μέτρου υφής ομογένειας. (βλ. Εικόνα2)
 
[[Εικόνα:garg_texture_2_03.jpg|right|thumb||Εικόνα 2 : Αποτελέσματα της ανίχνευσης εικόνων μετά τη χρήση του co-occurrence πίνακα φιλτραρίσματος σε κάθε μία από τις τέσσερεις διαγώνιες κατευθύνσεις, [http://www.sciencedirect.com/science?_ob=MImg&_imagekey=B6VF4-3W4XJ1F-5-H&_cdi=6000&_user=83473&_pii=S0924271698000276&_origin=search&_zone=rslt_list_item&_coverDate=02%2F28%2F1999&_sk=999459998&wchp=dGLzVlz-zSkWb&md5=cb172db6ff6d255a5119e0813c601a59&ie=/sdarticle.pdf]πηγή]]
Για λόγους σύγκρισης (διαφορετικών μεθόδων φίλτρων υφής), χρησιμοποιήθηκε επίσης μια κανονική μέθοδος ανάλυσης υφής για να φιλτράρει τα πολυφασματικά ταξινομημένα κτίρια χρησιμοποιώντας τα ίδια μέτρα υφής και τα μεγέθη παραθύρων. Οι μετρήσεις υφής υπολογίστηκαν όπως πριν μόνο που χρησιμοποιήθηκαν οι δυαδικές τιμές της πολυφασματικής ταξινόμησης αντί των τιμών των co-occurrence πινάκων. Τα καλύτερα αποτελέσματα επιτεύχθηκαν με τη χρήση ενός παραθύρου pixel 3x3 και των μετρήσεων υφής ενέργειας και ομοιογένειας. Η οπτική σύγκριση των εικόνων στην εικόνα 1b και 5a,c,e δείχνουν καθαρά ότι το αεροδρόμιο, η σιδηροδρομική τροχιά, τα τμήματα των δρόμων και τα γυμνάσια φιλτραρίστηκαν πολύ καθαρά. Αντίθετα, μόνο κάποια αποκλείστηκαν στην εικόνα 5c,e. Το πλεονέκτημα του co-occurrence πίνακα βασισμένου στο φιλτράρισμα , πέρα από το κανονικό φιλτράρισμα ανάλυσης, παρουσιάζεται ξεκάθαρα μέσω αυτής της σύγκρισης. Στις εικόνες 1a και 5b παρουσιάζεται ένα ακόμη τμήμα των αποσπασματικών κτιρίων πρίν και μετά το φίλτρο υφής. Μέσω της οπτικής παρατήρησης είναι ευδιάκριτο το μεγάλο μέρος της περιοχής του θορύβου που βρίσκεται μέσα στο αποτέλεσμα της πολυφασματικής ταξινόμησης. the co-occurrence matrix based filtering and the normal texture analysis filtering is also clearly visible by comparing Fig. 5b and f, αντίστοιχα. Η ίδια μέτρηση υφής ομοιογένειας χρησιμοποιήθηκε και στις δύο μεθόδους.
 
[[Εικόνα:garg_texture_3_03.jpg|right|thumb||Εικόνα 3 : Σύγκριση αποτελεσμάτων ανίχνευσης κτιρίων χρησιμοποιώντας διαφορετικές μεθόδους φιλτραρίσματος με πίνακα μέγεθος 3x3 ((500x360 τμήματος pixel). [http://www.sciencedirect.com/science?_ob=MImg&_imagekey=B6VF4-3W4XJ1F-5-H&_cdi=6000&_user=83473&_pii=S0924271698000276&_origin=search&_zone=rslt_list_item&_coverDate=02%2F28%2F1999&_sk=999459998&wchp=dGLzVlz-zSkWb&md5=cb172db6ff6d255a5119e0813c601a59&ie=/sdarticle.pdf]πηγή]]
 Αξιολόγηση 
Προκειμένου να αξιολογηθεί η ακρίβεια των αποτελεσμάτων η συγχωνευμένη κοντινή-φυσικού χρώματος εικόνα, TM-SPOT χρησιμοποιήθηκε ως αναφορά. Η μέθοδος των τυχαίων σημείων εφαρμόστηκε σε τρεις περιοχές 600x400 pixels. Η πρώτη εξεταζόμενη περιοχή ήταν στο νότιο μέρος της πόλης όπου τα πρόσφατα χτισμένα κατοικημένα σπίτια που έχουν περίπου πλάτος 12-20m, υπερισχύουν. Η δεύτερη περιοχή ήταν στη βόρεια πλευρά της πόλης, όπου η πλειοψηφία των κτιρίων είναι πρόσφατα χτισμένα κατοικημένα σπίτια και μόνο ένα μέρος τους είναι παλαιά. Η τρίτη περιοχή ήταν στη μέση της πόλης, όπου τα παλαιά μικρά κτίρια επικρατούν με μερικά μεγάλα κτίρια διασκορπισμένα ανάμεσά τους. Τα κτίρια καλύπτουν κατά μέσο όρο το 10% των τριών αυτών περιοχών. Τα κτίρια ήταν κατά βάση 1-2 pixels πλάτους. Συνολικά 400 τυχαία σημεία συλλέχθηκαν ως pixels αναφοράς σε κάθε μία από τις τρείς περιοχές δοκιμής και ταξινομήθηκαν με το χέρι. Η χρονική διαφορά μεταξύ TM και SPOT εικόνων δεν επηρέασε την οπτική ανίχνευση των κτιρίων, δεδομένου ότι μπόρεσε να γίνει με τη χρησιμοποίηση της υψηλότερης χωρικής ανάλυσης από το SPOT, ανεξάρτητα από τη φασματική πληροφορία των εικόνων TM. Το μικτό ποσοστό των pixels ήταν πολύ υψηλό στις εικόνες TM-SPOT. Γι’ αυτό ήταν δύσκολο να καθοριστεί με ακρίβεια πότε ένα τυχαίο σημείο των αιχμών κτιρίων ανήκε σε ένα κτίριο ή στο background. Σε καμία από τις τρεις περιοχές δεν υπήρξε τέτοιο λάθος αφού τα αυτόματα ανιχνευμένα κτίρια επιστρώθηκαν στις εικόνες αναφοράς.
Η ακρίβεια χρηστών για μία κατηγορία ορίζεται ως η αναλογία των σωστά ταξινομημένων αντικειμένων από το συνολικό αριθμό των αντικειμένων (pixels) καταταγμένο σε αυτή τη κατηγορία και σχετίζεται με τα λάθη της commission. Η ακρίβεια χρηστών και το k στατιστικό των εξαγόμενων κτιρίων μετά τον co-occurrence πίνακα βασισμένο στο φιλτράρισμα είναι σημαντικά υψηλότερο από πρίν σε όλες τις εξεταζόμενες περιοχές. Μετά τη βελτίωση του co-occurrence πίνακα, η μέση ακρίβεια χρηστών των τριών περιοχών αυξάνεται από 59% σε 86% και η μέση τιμή κ αυξάνεται από 0,54 σε 0,85 βελτιώνοντας και τις δύο μετρήσεις ακρίβειας αντίστοιχα. Τα αποτελέσματα της 1ης περιοχής είναι καλύτερα από της 2ης , αφού η 2η έχει αναλογικά τα περισσότερα μη οικοδομήσιμα κτίρια. Τα αποτελέσματα της 3ης περιοχής ήταν τα καλύτερα διότι τα μεγάλα κτίρια είχαν διαφορετικά υλικά στεγών από αυτά των μικρών με τις σκοτεινές στέγες. Κατά συνέπεια, είχαν διαφορετικά φασματικά χαρακτηριστικά επομένως ήταν και πιο ευδιάκρτιτα. Η βελτίωση ακρίβειας μέσω του κανονικού φιλτραρίσματος ανάλυσης υφής με την ομοιογένεια μέτρου υφής αξιολογήθηκε στην πρώτη εικόνα προκειμένου να το συγκρίνει με τον πίνακα co-occurrence βασισμένο στο φιλτράρισμα. Η μέθοδος αξιολόγησης ήταν όπως παραπάνω και τα αποτελέσματα ακρίβειας παρουσιάζονται στον Πίνακα 1. Η ακρίβεια των χρηστών αυξάνεται από 49% σε 69% με το κανονικό φιλτράρισμα ανάλυσης υφής και σε 86% με τον πίνακα co-occurrence βασισμένο στο φιλτράρισμα, δηλαδή προκύπτει βελτίωση της ακρίβειας της τελευταίας μεθόδου έναντι της πρώτης κατά 25%.
 Συμπεράσματα 
Είναι προφανές ότι η ακρίβεια της ανίχνευσης κτιρίων σε δορυφορικές εικόνες δεν είναι ιδιαίτερα ικανοποιητική για λεπτομερή έρευνα της αστικής περιοχής η για τις εφαρμογές μεγάλης κλίμακας των GIS. Παρόλα αυτά, το αποτέλεσμα αυτής της μελέτης είναι πού χρήσιμο για μια γρήγορη εκτίμηση των αστικών κτισμάτων και της ανάπτυξης των πόλεων.

Βελτιστοποίηση της ακρίβειας ταξινόμησης στην ψηφιακή τηλεπισκόπηση χρησιμοποιώντας μορφολογικό φίλτρο

2011-02-19T14:09:43Z

Argyropoulou Grigoria:

[[category:Νέα δοκιμαστική υποκατηγορία]]

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.
[http://www.sciencedirect.com/science?_ob=MImg&_imagekey=B6V3S-4GM4692-2-B&_cdi=5738&_user=83473&_pii=S0273117705005764&_origin=search&_coverDate=12%2F31%2F2005&_sk=999639994&view=c&wchp=dGLzVzz-zSkzV&md5=703bc3335844c319a720559d9c99ebf7&ie=/sdarticle.pdf]
 
Περίληψη 
Ο σκοπός της εφαρμογής είναι η ανάπτυξη ενός αλγορίθμου ταξινόμησης βασισμένο στα pixel μιας πολυφασματικής εικόνας. Αρχικά χρησιμοποιείται ένα φίλτρο μείωσης θορύβου [http://en.wikipedia.org/wiki/Noise_reduction], ένα μορφολογικό φίλτρο [http://www.worldlingo.com/ma/enwiki/el/Mathematical_morphology] και έπειτα εφαρμόζεται ένας αλγόριθμος ταξινόμησης [http://en.wikipedia.org/wiki/Category:Classification_algorithms] όπως αυτός της μέγιστης πιθανοφάνειας [http://rst.gsfc.nasa.gov/Sect1/Sect1_19.html] στην ήδη φιλτραρισμένη εικόνα. Οι θεματικοί χάρτες που προκύπτουν από τον προτεινόμενο αυτό αλγόριθμο είναι περισσότερο ομαλοποιημένοι και αποδεκτοί από άλλες μεθόδους.
 
[[Εικόνα:garg_morphological_1_01.jpg|right|thumb||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[http://www.imagemet.com/WebHelp/spip.htm#hid_filters_smoothing_mean.htm], median[http://en.wikipedia.org/wiki/Median_filter] και τα μορφολογικά φίλτρα [http://www.spm.genebee.msu.ru/manual/en/node108.html]. 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. Δεν είναι εφικτή η ταυτόχρονη επίτευξη των στόχων ατυτών 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 [http://rst.gsfc.nasa.gov/Sect1/Sect1_19.html]. Ελέγχεται ο αλγόριθμος σε τέσσερα βήματα. Αρχικά εξετάζεται πως συμπεριφέρεται ο αλγόριθμος 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 [http://en.wikipedia.org/wiki/Maximum_likelihood], της ελάχιστης ευκλείδιας απόστασης [http://www.mar.aegean.gr/greek/student%20notes/%CE%91%CE%BD%CE%AC%CE%BB%CF%85%CF%83%CE%B7%20%CE%A0%CE%B5%CF%81%CE%B9%CE%B2%CE%B1%CE%BB%CE%BB%CE%BF%CE%BD%CF%84%CE%B9%CE%BA%CF%8E%CE%BD%20%CE%94%CE%B5%CE%B4%CE%BF%CE%BC%CE%AD%CE%BD%CF%89%CE%BD/4%CE%97%20%CE%AD%CE%BD%CE%BD%CE%BF%CE%B9%CE%B1%20%CF%84%CE%B7%CF%82%20%CE%B1%CF%80%CF%8C%CF%83%CF%84%CE%B1%CF%83%CE%B7%CF%82.pdf] και του ECHO αλγορίθμου ταξινόμησης. Στη συνέχεια ερευνήθηκε πως επιδρά το φιλτράρισμα στην κάθε κατηγορία. Τέλος, έγινε σύγκριση μεταξύ της ακρίβειας των δεδομένων αξιολόγησης και εκαπίδευσης του προτεινόμενου αλγορίθμου με άλλους αλγορίθμους ταξινόμησης.
 
<Αποτελέσματα-Αξιολόγηση 
Στην Εικόνα 1 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:garg_morphological_2_01.jpg|right|thumb||Εικόνα 1 : Θεματικοί χάρτες του προτεινόμενου αλγορίθμου,ECHO, Fisher linear likelihood, καθώς και της ελάχιστης ευκλείδιας απόστασης [2005 COSPAR. Published by Elsevier Ltd.]πηγή]]
Στον Πίνακα 1 που ακολουθεί παρουσιάζονται οι συνέπειες του φιλτραρίσματος για τις μέσες και κυμαινόμενες τιμές (mean and variance values). Όταν το φίλτρο διατηρεί τις μέσες τιμές των βάσεων δεδομένων της σόγιας, μειώνει την αντίθεση σημαντικά το οποίο σημαίνει βελτίωση της φασματικής διαχωριστικότητας. Για την ακρίβεια, αυτό είναι που προσδοκούμε από έναν καλό αλγόριθμο φιλτραρίσματος.
[[Εικόνα:garg_morphological_3_01.jpg|right|thumb||Πίνακας1 :Ακρίβεια χρήστη και εκτίμηση συντ/τη K της ανίχνευσης κτιρίων πριν και μετά την εφαρμογή του φίλτρου υφής. [2005 COSPAR. Published by Elsevier Ltd]πηγή]]
Μετά την διατήρηση ακμών, τους θεματικούς χάρτες, τις μέσες και κυμαινόμενες τιμές αξιολόγησης, συγκρίνουμε τις ακρίβειες των δεδομένων αξιολόγησς και εκαπίδευσης του προτεινόμενου LM αλγορίθμου με την Ελάχιστη Ευκλείδια Απόσταση, Fisher Linear Likelihood pixel based & ECHO region based αλγορίθμων ταξινόμησης. Στον Πίνακα 2 φαίνονται οι ακρίβειες της αξιολόγησης και εκαπίδευσης. Η προτεινόμενη μέθοδος τελικά επιτυγχάνει τα καλύτερα αποτελέσματα σε όλες τις περιπτώσεις. Τέλος χρησιμοποιήθηκε η Bhattacharyya μέτρηση στατιστικής απόστασης[http://en.wikipedia.org/wiki/Bhattacharyya_distance] για να μετρηθούν τα καλύτερα 3,6 και 12 features sets. Τα τρία καλύτερα αποτελέσματα είναι τα κανάλια 1,9,12 ενώ τα καλύτερα 6 τα κανάλια 1,5,6,9,10,11.
[[Εικόνα:garg_morphological_4_01.jpg|right|thumb||Πίνακας2 :Training and test data accuracy statistics. [2005 COSPAR. Published by Elsevier Ltd]πηγή]]
Συμπεράσματα 
Προτάθηκε ένας καινούριος πολυφασματικός αλγόριθμος ταξινόμησης. Συγκρήθηκαν οι αλγορίθμοι ταξινόμησης που ήταν βασισμένοι στα χαρακτηριστικά των περιοχών και των pixels και τα αποτελέσματα των πειραμάτων έδειξαν ότι αυτός ο αλγόριθμος δίνει τα καλύτερα αποτελέσματα από πολλές απόψεις μιας καλής ταξινόμησης όπως η διατήρηση των ακμών, μείωση της αντίθεσης, ομαλοποίηση θεματικών χαρτών και αύξηση των ακριβειών των training and test data

Βελτιστοποίηση της ακρίβειας ταξινόμησης στην ψηφιακή τηλεπισκόπηση χρησιμοποιώντας μορφολογικό φίλτρο

2011-02-19T14:02:47Z

Argyropoulou Grigoria:

[[category:Νέα δοκιμαστική υποκατηγορία]]

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.
[http://www.sciencedirect.com/science?_ob=MImg&_imagekey=B6V3S-4GM4692-2-B&_cdi=5738&_user=83473&_pii=S0273117705005764&_origin=search&_coverDate=12%2F31%2F2005&_sk=999639994&view=c&wchp=dGLzVzz-zSkzV&md5=703bc3335844c319a720559d9c99ebf7&ie=/sdarticle.pdf]
 
Περίληψη 
Ο σκοπός της εφαρμογής είναι η ανάπτυξη ενός αλγορίθμου ταξινόμησης βασισμένο στα pixel μιας πολυφασματικής εικόνας. Αρχικά χρησιμοποιείται ένα φίλτρο μείωσης θορύβου [http://en.wikipedia.org/wiki/Noise_reduction], ένα μορφολογικό φίλτρο [http://www.worldlingo.com/ma/enwiki/el/Mathematical_morphology] και έπειτα εφαρμόζεται ένας αλγόριθμος ταξινόμησης [http://en.wikipedia.org/wiki/Category:Classification_algorithms] όπως αυτός της μέγιστης πιθανοφάνειας [http://rst.gsfc.nasa.gov/Sect1/Sect1_19.html] στην ήδη φιλτραρισμένη εικόνα. Οι θεματικοί χάρτες που προκύπτουν από τον προτεινόμενο αυτό αλγόριθμο είναι περισσότερο ομαλοποιημένοι και αποδεκτοί από άλλες μεθόδους.
 
[[Εικόνα:garg_morphological_1_01.jpg|right|thumb||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[http://www.imagemet.com/WebHelp/spip.htm#hid_filters_smoothing_mean.htm], median[http://en.wikipedia.org/wiki/Median_filter] και τα μορφολογικά φίλτρα [http://www.spm.genebee.msu.ru/manual/en/node108.html]. 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. Δεν είναι εφικτή η ταυτόχρονη επίτευξη των στόχων ατυτών 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 [http://rst.gsfc.nasa.gov/Sect1/Sect1_19.html]. Ελέγχεται ο αλγόριθμος σε τέσσερα βήματα. Αρχικά εξετάζεται πως συμπεριφέρεται ο αλγόριθμος 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 [http://en.wikipedia.org/wiki/Maximum_likelihood], της ελάχιστης ευκλείδιας απόστασης [http://www.mar.aegean.gr/greek/student%20notes/%CE%91%CE%BD%CE%AC%CE%BB%CF%85%CF%83%CE%B7%20%CE%A0%CE%B5%CF%81%CE%B9%CE%B2%CE%B1%CE%BB%CE%BB%CE%BF%CE%BD%CF%84%CE%B9%CE%BA%CF%8E%CE%BD%20%CE%94%CE%B5%CE%B4%CE%BF%CE%BC%CE%AD%CE%BD%CF%89%CE%BD/4%CE%97%20%CE%AD%CE%BD%CE%BD%CE%BF%CE%B9%CE%B1%20%CF%84%CE%B7%CF%82%20%CE%B1%CF%80%CF%8C%CF%83%CF%84%CE%B1%CF%83%CE%B7%CF%82.pdf] και του ECHO αλγορίθμου ταξινόμησης. Στη συνέχεια ερευνήθηκε πως επιδρά το φιλτράρισμα στην κάθε κατηγορία. Τέλος, έγινε σύγκριση μεταξύ της δεδομένων αξιολόγησης και εκαπίδευσης ακρίβειας του προτεινόμενου αλγορίθμου με άλλους αλγορίθμους ταξινόμησης.
 
<Αποτελέσματα-Αξιολόγηση 
Στην Εικόνα 1 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:garg_morphological_2_01.jpg|right|thumb||Εικόνα 1 : Θεματικοί χάρτες του προτεινόμενου αλγορίθμου,ECHO, Fisher linear likelihood, καθώς και της ελάχιστης ευκλείδιας απόστασης [2005 COSPAR. Published by Elsevier Ltd.]πηγή]]
Στον Πίνακα 1 που ακολουθεί παρουσιάζονται οι συνέπειες του φιλτραρίσματος για τις μέσες και κυμαινόμενες τιμές (mean and variance values). Όταν το φίλτρο διατηρεί τις μέσες τιμές των βάσεων δεδομένων της σόγιας, μειώνει την αντίθεση σημαντικά το οποίο σημαίνει βελτίωση της φασματικής διαχωριστικότητας. Για την ακρίβεια, αυτό είναι που προσδοκούμε από έναν καλό αλγόριθμο φιλτραρίσματος.
[[Εικόνα:garg_morphological_3_01.jpg|right|thumb||Πίνακας1 :Ακρίβεια χρήστη και εκτίμηση συντ/τη K της ανίχνευσης κτιρίων πριν και μετά την εφαρμογή του φίλτρου υφής. [2005 COSPAR. Published by Elsevier Ltd]πηγή]]
Μετά την διατήρηση ακμών, οι θεματικοί χάρτες, μέσες και κυμαινόμενες τιμές αξιολόγησης, συγκρίνουμε τα test & training data ακρίβειες του προτεινόμενου LM αλγορίθμου με την ελάχιστη ευκλείδια απόσταση, Fisher Linear Likelihood pixel based & ECHO region based αλγορίθμων ταξινόμησης. Στον πίνακα 2 φαίνονται οι ακρίβειες των training & test data accuracies. Η προτεινόμενη μέθοδος τελικά επιτυγχάνει τα καλύτερα αποτελέσματα σε όλες τις περιπτώσεις. Τέλος χρησιμοποιήθηκε η Bhattacharyya μέτρηση στατιστικής απόστασης[http://en.wikipedia.org/wiki/Bhattacharyya_distance] για να μετρηθούν τα καλύτερα 3,6 και 12 features sets. Τα 3καλύτερα γνωρίσματα είναι τα κανάλια 1,9,12 και για τα καλύτερα 6 χαρακτηριστικά τα κανάλια 1,5,6,9,10,11.
[[Εικόνα:garg_morphological_4_01.jpg|right|thumb||Πίνακας2 :Training and test data accuracy statistics. [2005 COSPAR. Published by Elsevier Ltd]πηγή]]
Συμπεράσματα 
Προτάθηκε ένας καινούριος πολυφασματικός αλγόριθμος ταξινόμησης. Συγκρήθηκαν οι αλγορίθμοι ταξινόμησης που ήταν βασισμένοι στα χαρακτηριστικά των περιοχών και των pixels και τα αποτελέσματα των πειραμάτων έδειξαν ότι αυτός ο αλγόριθμος δίνει τα καλύτερα αποτελέσματα από πολλές απόψεις μιας καλής ταξινόμησης όπως η διατήρηση των ακμών, μείωση της αντίθεσης, ομαλοποίηση θεματικών χαρτών και αύξηση των ακριβειών των training and test data

Ανίχνευση γραμμικών χαρακτηριστικών χρησιμοποιώντας πολλαπλής ανάλυσης κυματιδιακά φίλτρα

2011-02-19T13:51:26Z

Argyropoulou Grigoria:

[[category:Νέα δοκιμαστική υποκατηγορία]]

Ανίχνευση γραμμικών χαρακτηριστικών χρησιμοποιώντας πολλαπλής ανάλυσης κυματιδιακά φίλτρα 
Πρωτότυπος τίτλος : Lineal Feature Detection Using
Multi-resolution Wavelet Filters.Πηγή : Samuel P. Kozaitis and R.H. Cofer, Photogrammetric Engineering & Remote Sensing
Vol. 71, No. 6, June 2005, pp. 689–697.
[http://www.asprs.org/publications/pers/2005journal/june/2005_june_689-697.pdf]
 
Περίληψη 
Σε αυτό το έγγραφο, ανιχνεύονται οδικά pixels σε εναέριες φωτογραφίες χρησιμοποιώντας μια πολλαπλής-ανάλυσης κυματιδιακή προσέγγιση. Η μέθοδος περιλαμβάνει μια διαφορική γεωμετρική προσέγγιση για την ανίχνευση των pixels που αποτελούν οδικό δίκτυο βάσει των μετατροπών των κυματιδίων. Χρησιμοποιώντας τη προσέγγιση αυτή, μας επιτρέπει να επεκτείνουμε τη διαφορική προσέγγιση γεωμετρίας προκειμένου να ενσωματώσει τις πολλαπλές κλίμακες. Οι γραμμικοί αλγόριθμοι ανίχνευσης χαρακτηριστικών γνωρισμάτων είναι ευαίσθητοι στις αλλαγές των εικόνων. Επομένως, απαιτείται μια μέθοδος ισχυρή στις παραλλαγές των εικόνων κι έτσι θα βελτιωνόταν η πιθανότητα της επιτυχίας της επόμενης επεξεργασίας. Η μετατροπή των κυματιδίων αποτλεί μια κατάλληλη μέθοδο για τις πληροφορίες στις διαφορετικές αναλύσεις εικόνας. Παραδείγματος χάριν, έχει αποδειχθεί ότι η εξέλιξη των τοπικών μεγίστων κυματιδίων στις κλίμακες χαρακτηρίζει την τοπική μορφή των δομών. Λόγω του ότι οι ιδιομορφίες μπορούν να εμφανιστούν σε όλες τις κλίμακες, οι μετατροπές κυματιδίων πολλαπλών-κλιμάκων έχουν χρησιμοποιηθεί για να ανιχνεύσουν τις ακμές, τα όρια και τους δρόμους. Έχει αποδειχθεί ότι τα προϊόντα των συντελεστών πολλαπλών-κλιμάκων της μετατροπής κυματιδίων μειώνουν γενικά το συσχετισμό του εισαγώμενου θορύβου διότι έχουν μια έμφυτη δυνατότητα να καταστείλουν τις απομονωμένες ωθήσεις και τους στενούς σφυγμούς, ανάλογα με το ποσό της χρησιμοποιούμενης λείανσης. Επιπλέον,έχει αναπτυχθεί μια ισχυρή μέθοδος για την ανίχνευση ακμών για τις θορυβώδεις εικόνες, χρησιμοποιώντας τα προϊόντα της μετατροπής κυματιδίων στις κλίμακες. Εξετάστηκε μια διαφορική προσέγγιση γεωμετρίας για την ανίχνευση των οδικών pixels σε ενιαία κλίμακα. Σε αυτή τη προσέγγιση, χρησιμοποιήθηκαν για να ανιχνεύσουν τα pixels των γραμμών οι μεγάλες τιμές της απόλυτης αξίας του δεύτερου παραγώγου κατεύθυνσης μιας εικόνας, η χρησιμοποίηση ενός δεύτερου παραγώγου ενός γκαουσσιανού φίλτρου [http://tams-www.informatik.uni-hamburg.de/applets/hades/webdemos/00-intro/02-imageprocessing/gauss.html] και η εξαφάνιση των πρώτων παραγώγων κατεύθυνσης σε μια κανονική κατεύθυνση . Αναδιατυπώθηκε αυτή η προσέγγιση στα πλαίσια ενός συνεχούς πλαισίου κυματιδίων έτσι ώστε να μπορούμε να χρησιμοποιήσουμε μια αντίστοιχη πρσέγγιση για την οδική ανίχνευση. Χρησιμοποιήθηκε αυτή η διαφορική προσέγγιση γεωμετρίας πολλαπλών-κλιμάκων για να παραχθούν τα χωρικά φίλτρα περιοχών για την εξαγωγή οδικών pixels. Ένας ανθρώπινος χειριστής προτείνει την υπόθεση ότι μεταξύ δύο σημείων υπάρχει δρόμος. Κατόπιν, ο υπολογιστής εκτελεί το χαμηλού επιπέδου στόχο για την εύρεση των οδικών pixels. Σε αυτήν την προσέγγιση, απαιτείται μια υψηλής-πιθανότητας μέθοδος που ανιχνεύει τα χαρακτηριστικά γνωρίσματα, όπως τα pixels οδικού δικτύου. Έπειτα, εξετάζεται η θεωρία πίσω από τη προσέγγισή αυτή και συγκρίνει τα αποτελέσματα της προσέγγισης πολλαπλής-κλίμακάς με αυτή μιας ενιαίας κλίμακας και έπειτα επικυρώνεται με τη χρήση συνθετικών εικόνων.

Μεθοδολογία 
Προσπαθώντας να αξιολογηθεί η προτεινόμενη μέθοδος, εφαρμόστηκαν τα πειράματα σε συνθετικές εικόνες με αρκετές διαβαθμίσεις θορύβου. Χρησιμοποιήσαμε δύο εικόνες, όπου κάθε μια αποτελείται από μια ενιαία περιοχή κύκλων διαμέτρου 147 pixels, και το πλάτος τους είναι ένα και επτά pixels αντίστοιχα, σε ένα σταθερό (μηδέν) υπόβαθρο. Χρησιμοποιήσαμε τις εικόνες των κύκλων για να διατηρηθούν αμετάβλητες όλες οι γωνίες ενός δρόμου. Ποικίλαμε την αναλογία σήματος προς θόρυβο (Signal to Noise Radio ή SNR) των συνθετικών εικόνων χρησιμοποιώντας τον πρόσθετο γκαουσσιανό λευκό θόρυβο. Μετά από την επεξεργασία των συνθετικών εικόνων που χρησιμοποιούν τον αλγόριθμό μας, συγκρίναμε τα αποτελέσματα με μια αναφορά. Χρησιμοποιήσαμε ένα μοναδικό pixel απαλαγμένο από θόρυβο πλάτος κύκλου(???) επειδή είναι το ιδανικό αποτέλεσμα. Βρέθηκε το μέσο τετραγωνικό σφάλμα (MSE) μεταξύ της αναφοράς και των εικόνων που υποβάλονται σε επεξεργασία από τον αλγόριθμό μας ώστε να δώσει μια γενική ιδέα για την απόδοση της μεθόδου παρουσία του θορύβου. Αρχικά, υπολογίσαμε το MSE στην περιοχή που καταλήφθηκε μόνο από την περιοχή των κύκλων στην εικόνα αναφοράς και στην αντίστοιχη περιοχή στις επεξεργασμένες εικόνες. Ο υπολογισμός του MSE σε αυτή τη περιοχή έδωσε μια ένδειξη μη-εντοπισμένων οδικών pixels ή λανθασμένα-εντοπισμένων. Υπολογίσαμε επίσης το MSE στην περιοχή του κύκλου στην εικόνα αναφοράς και την αντίστοιχη περιοχή στις επεξεργασμένες εικόνες.
Ο υπολογισμός του MSE σε αυτήν την περιοχή έδωσε την ένδειξη των ανιχνευμένων οδικών pixels χωρίς να υπάρχουν, ή αλλιώς (false positives). Συγκρήθηκαν τα αποτελέσματα της επεξεργασίας των δύο κλιμάκων με αυτές της μίας κλίμακας. Στην πολλαπλή κλίμακα χρησιμοποιήσαμε αυτή που χρησιμοποιήθηκε στην ενιαία κλίμακα a0 και 1.5a0.
 
[[Εικόνα:garg_wavelet_1_09.jpg|right|thumb||Εικόνα 1 :Δορυφορικές εικόνες πριν και μετά την επεξεργασία, [http://www.asprs.org/publications/pers/2005journal/june/2005_june_689-697.pdf]πηγή]]
 
Τα αποτελέσματα έδειξαν ότι το σφάλμα στην πολλαπλή κλίμακα ήταν το μισό σε σύγκριση με αυτό της ενιαίας κλίμακας με τη διαφορά ότι αυξάνεται όπου η αναλογία σήματος προς θόρυβο μειώνεται. Οπτικά, οι διαφορές μεταξύ της ενιαίος-κλίμακας και των προσεγγίσεων πολλαπλής-κλίμακας παρουσιάζονται στο σχήμα 1, όπου μια δορυφορική εικόνα 256x256 pixels χρησιμοποιήθηκε στα πειράματα. Το αποτέλεσμα της επεξεργασίας που χρησιμοποιεί μόνο μια κλίμακα για τρία pixels δρόμων, a0 = 6, φαίνονται στο figure 1b καθώς και των δύο κλιμάκων (ao=6, ao=9). Yπολογίσαμε το MSE μεταξύ των εικόνων 1b και 1c, και το προϊόν ενός σχεδιασμένου με το χέρι οδικού δικτύου και της αρχικής εικόνας. Το ΜSE της εικόνας 1c ήταν 6.2 % λιγότερο από αυτό της 1b. Όταν εξετάζονται μόνο τα pixels που αφορούν οδικό δίκτυο, το MSE αυξάνεται κατά 8% όταν επεξεργάζεται με τις πολλαπλές κλίμακες. Εντούτοις, κατά την εξέταση των pixels μη οδικού δικτύου , το MSE μειώθε από 34.7% όταν χρησιμοποιήθηκαν οι πολλαπλές κλίμακες.
 
Αποτελέσματα Οδικού Δικτύου 
Καταφέραμε να εντοπίσουμε οδικά δίκτυα χρησιμοποιώντας προσεγγίσεις μέσω υπολογιστή. Για να ανιχνευθεί ένας δρόμος χρησιμοποιώντας αυτή τη πρσέγγιση , ένας χρήστης «βουρτσίζει» μια πορεία μεταξύ των pixels έναρξης και λήξης που βρίσκονται σε ένα γραμμικό χαρακτηριστικό γνώρισμα. Το βήμα βουρτσίσματος μπορεί να γίνει πολύ γρήγορα χρησιμοποιώντας ένα εργαλείο-στυλό το πλάτος του οποίου μπορεί να ρυθμιστεί. Κατόπιν, ένας δυναμικός προγραμματιστικός αλγόριθμος λειτουργεί μόνο στη βουρτσισμένη περιοχή για να βρεί την πορεία που αποτελείται από το επιθυμητό χαρακτηριστικό γνώρισμα μεταξύ των pixels έναρξης και λήξης. Η βουρτσισμένη εικόνα παρουσιάζεται στην εικόνα 2α όπου τονίζεται η «βουρτσισμένη» περιοχή.
 
[[Εικόνα:garg_wavelet_2_09.jpg|right|thumb||Εικόνα 2 :Δορυφορικές εικόνες επεξεργασμένες με τον προτεινόμενο αλγόριθμο, [http://www.asprs.org/publications/pers/2005journal/june/2005_june_689-697.pdf]πηγή]]
 
Ο δυναμικός προγραμματισμός του αλγορίθμου λειτουργεί πραγματικά στο αποτέλεσμα ανίχνευσης οδικού pixel. Ουσιαστικά ο αλγόριθμος ορίζει την πιθανότητα ενός pixel να είναι μέρος του δρόμου. Οι μέθοδοι προγραμματισμού για τις κοντινότερες-πορείες μεταξύ δύο pixels είναι πολύ επιτυχείς στην ανίχνευση μεγάλων χαρακτηριστικών γνωρισμάτων των γραμμών στις εικόνες. Αλγόριθμοι με δυνατές προγραμματιστικές ικανότητες είναι απλοί στο να τους προγραμματίσεις και είναι ιδιαίτερα αποδοτικοί, χαρακτηριστικά που το καθιστούν ικανό για τον εντοπισμό της βέλτιστης συνολικής πορείας. Ο αλγόριθμος του Dijkstra λύνει το πρόβλημα της κοντινότερης πορείας από ένα σημείο μιας γραφικής παράστασης σε έναν προορισμό. Πραγματικά, οι κοντινότερες πορείες από μια δεδομένη πηγή σε όλα τα σημεία μιας γραφικής παράστασης βρίσκονται συγχρόνως και αυτό σχετίζεται με το πρόβλημα της παρουσίας δέντρων. (Περισσότερες πληροφορίες για την εφαρμογή του αλγορίθμου Dijkstra θα βρείτε εδω: http://www.asprs.org/publications/pers/2005journal/june/2005_june_689-697.pdf) Όσο χρησιμοποιούμε το περιβάλλον του υπολογιστή μας, γνωρίζουμε τη γενική θέση των pixels του οδικού δικτύου και θέλουμε να τη προσδιορίσουμε χωρίς σφάλμα. H πιο χρήσιμη μέτρηση είναι το μήκος ενός δρόμου που μπορεί να σχεδιαστεί σωστά. Τα pixels με τις τιμές που παρεκκλίνουν από το ιδανικό αποτέλεσμα μπορεί να κοντύνουν το μήκος του δρόμου που μπορεί σχεδιαστεί.
 
[[Εικόνα:garg_wavelet_3_09.jpg|right|thumb||Εικόνα 3 :Βελτιστοποίηση του MSE των κύκλων των εικόνων ως λειτουργία των SNR, [http://www.asprs.org/publications/pers/2005journal/june/2005_june_689-697.pdf]πηγή]]
 
Επομένως, χρησιμοποιήσαμε το μέσο τετραγωνικό σφάλμα MSΕ ως μέτρο. Βρήκαμε ότι η αναλογία του συνολικού MSE για την πολλαπλή κλίμακα και τα αποτελέσματα της ενιαίας κλίμακας επιδεικνύουν τα αποτελέσματα στο σχήμα 10 σαν λειτουργία των SNR. Αυτά τα αποτελέσματα δίνουν μια ένδειξη αύξησης στο μήκος του δρόμου που μπορεί να αποτυπωθεί. Τα αποτελέσματα δείχνουν ότι η προσέγγισή μας αυξάνει το μήκος για τους δρόμους ενός και επτά pixels ευρέως.
 
Συμπεράσματα 
Η ομαλοποίηση των φίλτρων σε μια διαφορική προσέγγιση γεωμετρίας τους επιτρέπει να χρησιμοποιηθεί σε ένα πλαίσιο κυματιδίων. Κατά αυτόν τον τρόπο, επεκτείναμε μια διαφορική προσέγγιση γεωμετρίας που χρησιμοποιήθηκε για την ανίχνευση pixels οδικού δικτύου στις πολλαπλές κλίμακες. Αυτό οδήγησε σε μια βελτίωση στην ανίχνευση των pixels του οδικού δικτύου. Διαπιστώσαμε ότι η χρησιμοποίηση των πολλαπλάσιων κλιμάκων μείωσε σημαντικά τον αριθμό πιθανών λανθασμένων εντοπισμών. Η προσέγγιση λειτούργησε καλά με μια υπολογιστική προσέγγιση, όπου ο σπόρος ή τα πιθανά pixles που μας ενδιαφέρουν θα πρέπει να έχουν ένα υψηλό επίπεδο εμπιστοσύνης ώστε να είναι σωστό. Διαπιστώσαμε ότι η προσέγγισή μας οδήγησε σε μια αποτελεσματική μέθοδο για τους δρόμους στις εναέριες εικόνες.

Ανίχνευση γραμμικών χαρακτηριστικών χρησιμοποιώντας πολλαπλής ανάλυσης κυματιδιακά φίλτρα

2011-02-19T13:12:31Z

Argyropoulou Grigoria:

[[category:Νέα δοκιμαστική υποκατηγορία]]

Ανίχνευση γραμμικών χαρακτηριστικών χρησιμοποιώντας πολλαπλής ανάλυσης κυματιδιακά φίλτρα 
Πρωτότυπος τίτλος : Lineal Feature Detection Using
Multi-resolution Wavelet Filters.Πηγή : Samuel P. Kozaitis and R.H. Cofer, Photogrammetric Engineering & Remote Sensing
Vol. 71, No. 6, June 2005, pp. 689–697.
[http://www.asprs.org/publications/pers/2005journal/june/2005_june_689-697.pdf]
 
Περίληψη 
Σε αυτό το έγγραφο, ανιχνεύονται οδικά pixels σε εναέριες φωτογραφίες χρησιμοποιώντας μια πολλαπλής-ανάλυσης κυματιδιακή προσέγγιση. Η μέθοδος περιλαμβάνει μια διαφορική γεωμετρική προσέγγιση για την ανίχνευση των pixels που αποτελούν οδικό δίκτυο βάσει των μετατροπών των κυματιδίων. Χρησιμοποιώντας τη προσέγγιση αυτή, μας επιτρέπει να επεκτείνουμε τη διαφορική προσέγγιση γεωμετρίας προκειμένου να ενσωματώσει τις πολλαπλές κλίμακες. Οι γραμμικοί αλγόριθμοι ανίχνευσης χαρακτηριστικών γνωρισμάτων είναι ευαίσθητοι στις αλλαγές των εικόνων. Επομένως, απαιτείται μια μέθοδος ισχυρή στις παραλλαγές των εικόνων κι έτσι θα βελτιωνόταν η πιθανότητα της επιτυχίας της επόμενης επεξεργασίας. Η μετατροπή των κυματιδίων αποτλεί μια κατάλληλη μέθοδο για τις πληροφορίες στις διαφορετικές αναλύσεις εικόνας. Παραδείγματος χάριν, έχει αποδειχθεί ότι η εξέλιξη των τοπικών μεγίστων κυματιδίων στις κλίμακες χαρακτηρίζει την τοπική μορφή των δομών. Λόγω του ότι οι ιδιομορφίες μπορούν να εμφανιστούν σε όλες τις κλίμακες, οι μετατροπές κυματιδίων πολλαπλών-κλιμάκων έχουν χρησιμοποιηθεί για να ανιχνεύσουν τις ακμές, τα όρια και τους δρόμους. Έχει αποδειχθεί ότι τα προϊόντα των συντελεστών πολλαπλών-κλιμάκων της μετατροπής κυματιδίων μειώνουν γενικά το συσχετισμό του εισαγώμενου θορύβου διότι έχουν μια έμφυτη δυνατότητα να καταστείλουν τις απομονωμένες ωθήσεις και τους στενούς σφυγμούς, ανάλογα με το ποσό της χρησιμοποιούμενης λείανσης. Επιπλέον,έχει αναπτυχθεί μια ισχυρή μέθοδος για την ανίχνευση ακμών για τις θορυβώδεις εικόνες, χρησιμοποιώντας τα προϊόντα της μετατροπής κυματιδίων στις κλίμακες. Εξετάστηκε μια διαφορική προσέγγιση γεωμετρίας για την ανίχνευση των οδικών pixels σε ενιαία κλίμακα. Σε αυτή τη προσέγγιση, χρησιμοποιήθηκαν για να ανιχνεύσουν τα pixels των γραμμών οι μεγάλες τιμές της απόλυτης αξίας του δεύτερου παραγώγου κατεύθυνσης μιας εικόνας, η χρησιμοποίηση ενός δεύτερου παραγώγου ενός γκαουσσιανού φίλτρου [http://tams-www.informatik.uni-hamburg.de/applets/hades/webdemos/00-intro/02-imageprocessing/gauss.html] και η εξαφάνιση των πρώτων παραγώγων κατεύθυνσης σε μια κανονική κατεύθυνση . Αναδιατυπώθηκε αυτή η προσέγγιση στα πλαίσια ενός συνεχούς πλαισίου κυματιδίων έτσι ώστε να μπορούμε να χρησιμοποιήσουμε μια αντίστοιχη πρσέγγιση για την οδική ανίχνευση. Χρησιμοποιήθηκε αυτή η διαφορική προσέγγιση γεωμετρίας πολλαπλών-κλιμάκων για να παραχθούν τα χωρικά φίλτρα περιοχών για την εξαγωγή οδικών pixels. Ένας ανθρώπινος χειριστής προτείνει την υπόθεση ότι μεταξύ δύο σημείων υπάρχει δρόμος. Κατόπιν, ο υπολογιστής εκτελεί το χαμηλού επιπέδου στόχο για την εύρεση των οδικών pixels. Σε αυτήν την προσέγγιση, απαιτείται μια υψηλής-πιθανότητας μέθοδος που ανιχνεύει τα χαρακτηριστικά γνωρίσματα, όπως τα pixels οδικού δικτύου. Έπειτα, εξετάζεται η θεωρία πίσω από τη προσέγγισή αυτή και συγκρίνει τα αποτελέσματα της προσέγγισης πολλαπλής-κλίμακάς με αυτή μιας ενιαίας κλίμακας και έπειτα επικυρώνεται με τη χρήση συνθετικών εικόνων.

Μεθοδολογία 
Προσπαθώντας να αξιολογηθεί η προτεινόμενη μέθοδος, εφαρμόστηκαν τα πειράματα σε συνθετικές εικόνες με αρκετές διαβαθμίσεις θορύβου. Χρησιμοποιήσαμε δύο εικόνες, όπου κάθε μια αποτελείται από μια ενιαία περιοχή κύκλων διαμέτρου 147 pixels, και το πλάτος τους είναι ένα και επτά pixels αντίστοιχα, σε ένα σταθερό (μηδέν) υπόβαθρο. Χρησιμοποιήσαμε τις εικόνες των κύκλων για να διατηρηθούν αμετάβλητες όλες οι γωνίες ενός δρόμου. Ποικίλαμε την αναλογία σήματος προς θόρυβο (Signal to Noise Radio ή SNR) των συνθετικών εικόνων χρησιμοποιώντας τον πρόσθετο γκαουσσιανό λευκό θόρυβο. Μετά από την επεξεργασία των συνθετικών εικόνων που χρησιμοποιούν τον αλγόριθμό μας, συγκρίναμε τα αποτελέσματα με μια αναφορά. Χρησιμοποιήσαμε ένα μοναδικό pixel απαλαγμένο από θόρυβο πλάτος κύκλου(???) επειδή είναι το ιδανικό αποτέλεσμα. Βρέθηκε το μέσο τετραγωνικό σφάλμα (MSE) μεταξύ της αναφοράς και των εικόνων που υποβάλονται σε επεξεργασία από τον αλγόριθμό μας ώστε να δώσει μια γενική ιδέα για την απόδοση της μεθόδου παρουσία του θορύβου. Αρχικά, υπολογίσαμε το MSE στην περιοχή που καταλήφθηκε μόνο από την περιοχή των κύκλων στην εικόνα αναφοράς και στην αντίστοιχη περιοχή στις επεξεργασμένες εικόνες. Ο υπολογισμός του MSE σε αυτή τη περιοχή έδωσε μια ένδειξη μη-εντοπισμένων οδικών pixels ή λανθασμένα-εντοπισμένων. Υπολογίσαμε επίσης το MSE στην περιοχή του κύκλου στην εικόνα αναφοράς και την αντίστοιχη περιοχή στις επεξεργασμένες εικόνες.
Ο υπολογισμός του MSE σε αυτήν την περιοχή έδωσε την ένδειξη των ανιχνευμένων οδικών pixels χωρίς να υπάρχουν, ή αλλιώς (false positives). Συγκρήθηκαν τα αποτελέσματα της επεξεργασίας των δύο κλιμάκων με αυτές της μίας κλίμακας. Στην πολλαπλή κλίμακα χρησιμοποιήσαμε αυτή που χρησιμοποιήθηκε στην ενιαία κλίμακα a0 και 1.5a0.
 
[[Εικόνα:garg_wavelet_1_09.jpg|right|thumb||Εικόνα 1 :Δορυφορικές εικόνες πριν και μετά την επεξεργασία, [http://www.asprs.org/publications/pers/2005journal/june/2005_june_689-697.pdf]πηγή]]
 
Τα αποτελέσματα έδειξαν ότι το σφάλμα στην πολλαπλή κλίμακα ήταν το μισό σε σύγκριση με αυτό της ενιαίας κλίμακας με τη διαφορά ότι αυξάνεται όπου η αναλογία σήματος προς θόρυβο μειώνεται. Οπτικά, οι διαφορές μεταξύ της ενιαίος-κλίμακας και των προσεγγίσεων πολλαπλής-κλίμακας παρουσιάζονται στο σχήμα 1, όπου μια δορυφορική εικόνα 256x256 pixels χρησιμοποιήθηκε στα πειράματα. Το αποτέλεσμα της επεξεργασίας που χρησιμοποιεί μόνο μια κλίμακα για τρία pixels δρόμων, a0 = 6, φαίνονται στο figure 1b καθώς και των δύο κλιμάκων (ao=6, ao=9). Yπολογίσαμε το MSE μεταξύ των εικόνων 1b και 1c, και το προϊόν ενός σχεδιασμένου με το χέρι οδικού δικτύου και της αρχικής εικόνας. Το ΜSE της εικόνας 1c ήταν 6.2 % λιγότερο από αυτό της 1b. Όταν εξετάζονται μόνο τα pixels που αφορούν οδικό δίκτυο, το MSE αυξάνεται κατά 8% όταν επεξεργάζεται με τις πολλαπλές κλίμακες. Εντούτοις, κατά την εξέταση των pixels μη οδικού δικτύου , το MSE μειώθε από 34.7% όταν χρησιμοποιήθηκαν οι πολλαπλές κλίμακες.
 
Αποτελέσματα Οδικού Δικτύου 
Καταφέραμε να εντοπίσουμε οδικά δίκτυα χρησιμοποιώντας προσεγγίσεις μέσω υπολογιστή. Για να ανιχνευθεί ένας δρόμος χρησιμοποιώντας αυτή τη πρσέγγιση , ένας χρήστης «βουρτσίζει» μια πορεία μεταξύ των pixels έναρξης και λήξης που βρίσκονται σε ένα γραμμικό χαρακτηριστικό γνώρισμα. Το βήμα βουρτσίσματος μπορεί να γίνει πολύ γρήγορα χρησιμοποιώντας ένα εργαλείο-στυλό το πλάτος του οποίου μπορεί να ρυθμιστεί. Κατόπιν, ένας δυναμικός προγραμματιστικός αλγόριθμος λειτουργεί μόνο στη βουρτσισμένη περιοχή για να βρεί την πορεία που αποτελείται από το επιθυμητό χαρακτηριστικό γνώρισμα μεταξύ των pixels έναρξης και λήξης. Η βουρτσισμένη εικόνα παρουσιάζεται στην εικόνα 2α όπου τονίζεται η «βουρτσισμένη» περιοχή.
 
[[Εικόνα:garg_wavelet_2_09.jpg|right|thumb||Εικόνα 2 :Δορυφορικές εικόνες επεξεργασμένες με τον προτεινόμενο αλγόριθμο, [http://www.asprs.org/publications/pers/2005journal/june/2005_june_689-697.pdf]πηγή]]
 
Ο δυναμικός προγραμματισμός του αλγορίθμου λειτουργεί πραγματικά στο αποτέλεσμα ανίχνευσης οδικού pixel. Ουσιαστικά ο αλγόριθμος ορίζει την πιθανότητα ενός pixel να είναι μέρος του δρόμου. Οι μέθοδοι προγραμματισμού για τις κοντινότερες-πορείες μεταξύ δύο pixels είναι πολύ επιτυχείς στην ανίχνευση μεγάλων χαρακτηριστικών γνωρισμάτων των γραμμών στις εικόνες. Αλγόριθμοι με δυνατές προγραμματιστικές ικανότητες είναι απλοί στο να τους προγραμματίσεις και είναι ιδιαίτερα αποδοτικοί, χαρακτηριστικά που το καθιστούν ικανό για τον εντοπισμό της βέλτιστης συνολικής πορείας. Ο αλγόριθμος του Dijkstra λύνει το πρόβλημα της κοντινότερης πορείας από ένα σημείο μιας γραφικής παράστασης σε έναν προορισμό. Πραγματικά, οι κοντινότερες πορείες από μια δεδομένη πηγή σε όλα τα σημεία μιας γραφικής παράστασης βρίσκονται συγχρόνως και αυτό σχετίζεται με το πρόβλημα της παρουσίας δέντρων. (Περισσότερες πληροφορίες για την εφαρμογή του αλγορίθμου Dijkstra θα βρείτε εδω: http://www.asprs.org/publications/pers/2005journal/june/2005_june_689-697.pdf) Όσο χρησιμοποιούμε το περιβάλλον του υπολογιστή μας, γνωρίζουμε τη γενική θέση των pixels του οδικού δικτύου και θέλουμε να τη προσδιορίσουμε χωρίς σφάλμα. H πιο χρήσιμη μέτρηση είναι το μήκος ενός δρόμου που μπορεί να σχεδιαστεί σωστά. Τα pixels με τις τιμές που παρεκκλίνουν από το ιδανικό αποτέλεσμα μπορεί να κοντύνουν το μήκος του δρόμου που μπορεί σχεδιαστεί.
 
[[Εικόνα:garg_wavelet_3_09.jpg|right|thumb||Εικόνα 3 :Βελτιστοποίηση του MSE των κύκλων των εικόνων ως λειτουργία των SNR, [http://www.asprs.org/publications/pers/2005journal/june/2005_june_689-697.pdf]πηγή]]
 
Επομένως, χρησιμοποιήσαμε το μέσο τετραγωνικό σφάλμα MSΕ ως μέτρο. Βρήκαμε ότι η αναλογία του συνολικού MSE για την πολλαπλή κλίμακα και τα αποτελέσματα της ενιαίας κλίμακας επιδεικνύουν τα αποτελέσματα στο σχήμα 10 σαν λειτουργία των SNR. Αυτά τα αποτελέσματα δίνουν μια ένδειξη αύξησης στο μήκος του δρόμου που μπορεί να αποτυπωθεί. Τα αποτελέσματα δείχνουν ότι η προσέγγισή μας αυξάνει το μήκος για τους δρόμους ενός και επτά pixels ευρέως.
 
Συμπεράσματα 
Η ομαλοποίηση των φίλτρων σε μια διαφορική προσέγγιση γεωμετρίας τους επιτρέπει να χρησιμοποιηθεί σε ένα πλαίσιο κυματιδίων. Κατά αυτόν τον τρόπο, επεκτείναμε μια διαφορική προσέγγιση γεωμετρίας που χρησιμοποιήθηκε για την ανίχνευση pixels οδικού δικτύου στις πολλαπλές κλίμακες. Αυτό οδήγησε σε μια βελτίωση στην ανίχνευση των pixels του οδικού δικτύου. Διαπιστώσαμε ότι η χρησιμοποίηση των πολλαπλάσιων κλιμάκων μείωσε σημαντικά τον αριθμό πιθανών λανθασμένων εντοπισμών. Η προσέγγιση λειτούργησε καλά με μια υπολογιστική προσέγγιση, όπου ο σπόρος η τα πιθανά pixles που μας ενδιαφέρουν θα πρέπει να έχουν ένα υψηλό επίπεδο εμπιστοσύνης ώστε να είναι σωστό. Διαπιστώσαμε ότι η προσέγγισή μας οδήγησε σε μια αποτελεσματική μέθοδο για τους δρόμους στις εναέριες εικόνες.

Ανίχνευση γραμμικών χαρακτηριστικών χρησιμοποιώντας πολλαπλής ανάλυσης κυματιδιακά φίλτρα

2011-02-19T13:11:38Z

Argyropoulou Grigoria:

[[category:Νέα δοκιμαστική υποκατηγορία]]

Ανίχνευση γραμμικών χαρακτηριστικών χρησιμοποιώντας πολλαπλής ανάλυσης κυματιδιακά φίλτρα 
Πρωτότυπος τίτλος : Lineal Feature Detection Using
Multi-resolution Wavelet Filters.Πηγή : Samuel P. Kozaitis and R.H. Cofer, Photogrammetric Engineering & Remote Sensing
Vol. 71, No. 6, June 2005, pp. 689–697.
[http://www.asprs.org/publications/pers/2005journal/june/2005_june_689-697.pdf]
 
Περίληψη 
Σε αυτό το έγγραφο, ανιχνεύονται οδικά pixels σε εναέριες φωτογραφίες χρησιμοποιώντας μια πολλαπλής-ανάλυσης κυματιδιακή προσέγγιση. Η μέθοδος περιλαμβάνει μια διαφορική γεωμετρική προσέγγιση για την ανίχνευση των pixels που αποτελούν οδικό δίκτυο βάσει των μετατροπών των κυματιδίων. Χρησιμοποιώντας τη προσέγγιση αυτή, μας επιτρέπει να επεκτείνουμε τη διαφορική προσέγγιση γεωμετρίας προκειμένου να ενσωματώσει τις πολλαπλές κλίμακες. Οι γραμμικοί αλγόριθμοι ανίχνευσης χαρακτηριστικών γνωρισμάτων είναι ευαίσθητοι στις αλλαγές των εικόνων. Επομένως, απαιτείται μια μέθοδος ισχυρή στις παραλλαγές των εικόνων κι έτσι θα βελτιωνόταν η πιθανότητα της επιτυχίας της επόμενης επεξεργασίας. Η μετατροπή των κυματιδίων αποτλεί μια κατάλληλη μέθοδο για τις πληροφορίες στις διαφορετικές αναλύσεις εικόνας. Παραδείγματος χάριν, έχει αποδειχθεί ότι η εξέλιξη των τοπικών μεγίστων κυματιδίων στις κλίμακες χαρακτηρίζει την τοπική μορφή των δομών. Λόγω του ότι οι ιδιομορφίες μπορούν να εμφανιστούν σε όλες τις κλίμακες, οι μετατροπές κυματιδίων πολλαπλών-κλιμάκων έχουν χρησιμοποιηθεί για να ανιχνεύσουν τις ακμές, τα όρια και τους δρόμους. Έχει αποδειχθεί ότι τα προϊόντα των συντελεστών πολλαπλών-κλιμάκων της μετατροπής κυματιδίων μειώνουν γενικά το συσχετισμό του εισαγώμενου θορύβου διότι έχουν μια έμφυτη δυνατότητα να καταστείλουν τις απομονωμένες ωθήσεις και τους στενούς σφυγμούς, ανάλογα με το ποσό της χρησιμοποιούμενης λείανσης. Επιπλέον,έχει αναπτυχθεί μια ισχυρή μέθοδος για την ανίχνευση ακμών για τις θορυβώδεις εικόνες, χρησιμοποιώντας τα προϊόντα της μετατροπής κυματιδίων στις κλίμακες. Εξετάστηκε μια διαφορική προσέγγιση γεωμετρίας για την ανίχνευση των οδικών pixels σε ενιαία κλίμακα. Σε αυτή τη προσέγγιση, χρησιμοποιήθηκαν για να ανιχνεύσουν τα pixels των γραμμών οι μεγάλες τιμές της απόλυτης αξίας του δεύτερου παραγώγου κατεύθυνσης μιας εικόνας, η χρησιμοποίηση ενός δεύτερου παραγώγου ενός γκαουσσιανού φίλτρου [http://tams-www.informatik.uni-hamburg.de/applets/hades/webdemos/00-intro/02-imageprocessing/gauss.html] και η εξαφάνιση των πρώτων παραγώγων κατεύθυνσης σε μια κανονική κατεύθυνση . Αναδιατυπώθηκε αυτή η προσέγγιση στα πλαίσια ενός συνεχούς πλαισίου κυματιδίων έτσι ώστε να μπορούμε να χρησιμοποιήσουμε μια αντίστοιχη πρσέγγιση για την οδική ανίχνευση. Χρησιμοποιήθηκε αυτή η διαφορική προσέγγιση γεωμετρίας πολλαπλών-κλιμάκων για να παραχθούν τα χωρικά φίλτρα περιοχών για την εξαγωγή οδικών pixels. Ένας ανθρώπινος χειριστής προτείνει την υπόθεση ότι μεταξύ δύο σημείων υπάρχει δρόμος. Κατόπιν, ο υπολογιστής εκτελεί το χαμηλού επιπέδου στόχο για την εύρεση των οδικών pixels. Σε αυτήν την προσέγγιση, απαιτείται μια υψηλής-πιθανότητας μέθοδος που ανιχνεύει τα χαρακτηριστικά γνωρίσματα, όπως τα pixels οδικού δικτύου. Έπειτα, εξετάζεται η θεωρία πίσω από τη προσέγγισή αυτή και συγκρίνει τα αποτελέσματα της προσέγγισης πολλαπλής-κλίμακάς με αυτή μιας ενιαίας κλίμακας και έπειτα επικυρώνεται με τη χρήση συνθετικών εικόνων.

Μεθοδολογία 
Προσπαθώντας να αξιολογηθεί η προτεινόμενη μέθοδος, εφαρμόστηκαν τα πειράματα σε συνθετικές εικόνες με αρκετές διαβαθμίσεις θορύβου. Χρησιμοποιήσαμε δύο εικόνες, όπου κάθε μια αποτελείται από μια ενιαία περιοχή κύκλων διαμέτρου 147 pixels, και το πλάτος τους είναι ένα και επτά pixels αντίστοιχα, σε ένα σταθερό (μηδέν) υπόβαθρο. Χρησιμοποιήσαμε τις εικόνες των κύκλων για να διατηρηθούν αμετάβλητες όλες οι γωνίες ενός δρόμου. Ποικίλαμε την αναλογία σήματος προς θόρυβο (Signal to Noise Radio ή SNR) των συνθετικών εικόνων χρησιμοποιώντας τον πρόσθετο γκαουσσιανό λευκό θόρυβο. Μετά από την επεξεργασία των συνθετικών εικόνων που χρησιμοποιούν τον αλγόριθμό μας, συγκρίναμε τα αποτελέσματα με μια αναφορά. Χρησιμοποιήσαμε ένα μοναδικό pixel απαλαγμένο από θόρυβο πλάτος κύκλου(???) επειδή είναι το ιδανικό αποτέλεσμα. Βρέθηκε το μέσο τετραγωνικό σφάλμα (MSE) μεταξύ της αναφοράς και των εικόνων που υποβάλονται σε επεξεργασία από τον αλγόριθμό μας ώστε να δώσει μια γενική ιδέα για την απόδοση της μεθόδου παρουσία του θορύβου. Αρχικά, υπολογίσαμε το MSE στην περιοχή που καταλήφθηκε μόνο από την περιοχή των κύκλων στην εικόνα αναφοράς και στην αντίστοιχη περιοχή στις επεξεργασμένες εικόνες. Ο υπολογισμός του MSE σε αυτή τη περιοχή έδωσε μια ένδειξη μη-εντοπισμένων οδικών pixels ή λανθασμένα-εντοπισμένων. Υπολογίσαμε επίσης το MSE στην περιοχή του κύκλου στην εικόνα αναφοράς και την αντίστοιχη περιοχή στις επεξεργασμένες εικόνες.
Ο υπολογισμός του MSE σε αυτήν την περιοχή έδωσε την ένδειξη των ανιχνευμένων οδικών pixels χωρίς να υπάρχουν, ή αλλιώς (false positives). Συγκρήθηκαν τα αποτελέσματα της επεξεργασίας των δύο κλιμάκων με αυτές της μίας κλίμακας. Στην πολλαπλή κλίμακα χρησιμοποιήσαμε αυτή που χρησιμοποιήθηκε στην ενιαία κλίμακα a0 και 1.5a0.
 
[[Εικόνα:garg_wavelet_1_09.jpg|right|thumb||Εικόνα 1 :Δορυφορικές εικόνες πριν και μετά την επεξεργασία, [http://www.asprs.org/publications/pers/2005journal/june/2005_june_689-697.pdf]πηγή]]
 
Τα αποτελέσματα έδειξαν ότι το σφάλμα στην πολλαπλή κλίμακα ήταν το μισό σε σύγκριση με αυτό της ενιαίας κλίμακας με τη διαφορά ότι αυξάνεται όπου η αναλογία σήματος προς θόρυβο μειώνεται. Οπτικά, οι διαφορές μεταξύ της ενιαίος-κλίμακας και των προσεγγίσεων πολλαπλής-κλίμακας παρουσιάζονται στο σχήμα 1, όπου μια δορυφορική εικόνα 256x256 pixels χρησιμοποιήθηκε στα πειράματα. Το αποτέλεσμα της επεξεργασίας που χρησιμοποιεί μόνο μια κλίμακα για τρία pixels δρόμων, a0 = 6, φαίνονται στο figure 1b καθώς και των δύο κλιμάκων (ao=6, ao=9). Yπολογίσαμε το MSE μεταξύ των εικόνων 1b και 1c, και το προϊόν ενός σχεδιασμένου με το χέρι οδικού δικτύου και της αρχικής εικόνας. Το ΜSE της εικόνας 1c ήταν 6.2 % λιγότερο από αυτό της 1b. Όταν εξετάζονται μόνο τα pixels που αφορούν οδικό δίκτυο, το MSE αυξάνεται κατά 8% όταν επεξεργάζεται με τις πολλαπλές κλίμακες. Εντούτοις, κατά την εξέταση των pixels μη οδικού δικτύου , το MSE μειώθε από 34.7% όταν χρησιμοποιήθηκαν οι πολλαπλές κλίμακες.
 
Αποτελέσματα Οδικού Δικτύου 
Καταφέραμε να εντοπίσουμε οδικά δίκτυα χρησιμοποιώντας προσεγγίσεις μέσω υπολογιστή. Για να ανιχνευθεί ένας δρόμος χρησιμοποιώντας αυτή τη πρσέγγιση , ένας χρήστης «βουρτσίζει» μια πορεία μεταξύ των pixels έναρξης και λήξης που βρίσκονται σε ένα γραμμικό χαρακτηριστικό γνώρισμα. Το βήμα βουρτσίσματος μπορεί να γίνει πολύ γρήγορα χρησιμοποιώντας ένα εργαλείο-στυλό το πλάτος του οποίου μπορεί να ρυθμιστεί. Κατόπιν, ένας δυναμικός προγραμματιστικός αλγόριθμος λειτουργεί μόνο στη βουρτσισμένη περιοχή για να βρεί την πορεία που αποτελείται από το επιθυμητό χαρακτηριστικό γνώρισμα μεταξύ των pixels έναρξης και λήξης. Η βουρτσισμένη εικόνα παρουσιάζεται στην εικόνα 2α όπου τονίζεται η «βουρτσισμένη» περιοχή.
 
[[Εικόνα:garg_wavelet_2_09.jpg|right|thumb||Εικόνα 2 :Δορυφορικές εικόνες επεξεργασμένες με τον προτεινόμενο αλγόριθμο, [http://www.asprs.org/publications/pers/2005journal/june/2005_june_689-697.pdf]πηγή]]
 
Ο δυναμικός προγραμματισμός του αλγορίθμου λειτουργεί πραγματικά στο αποτέλεσμα ανίχνευσης οδικού pixel. Ουσιαστικά ο αλγόριθμος ορίζει την πιθανότητα ενός pixel να είναι μέρος του δρόμου. Οι μέθοδοι προγραμματισμού για τις κοντινότερες-πορείες μεταξύ δύο pixels είναι πολύ επιτυχείς στην ανίχνευση μεγάλων χαρακτηριστικών γνωρισμάτων των γραμμών στις εικόνες. Αλγόριθμοι με δυνατές προγραμματιστικές ικανότητες είναι απλοί στο να τους προγραμματίσεις και είναι ιδιαίτερα αποδοτικοί, χαρακτηριστικά που το καθιστούν ικανό για τον εντοπισμό της βέλτιστης συνολικής πορείας. Ο αλγόριθμος του Dijkstra λύνει το πρόβλημα της κοντινότερης πορείας από ένα σημείο μιας γραφικής παράστασης σε έναν προορισμό. Πραγματικά, οι κοντινότερες πορείες από μια δεδομένη πηγή σε όλα τα σημεία μιας γραφικής παράστασης βρίσκονται συγχρόνως και αυτό σχετίζεται με το πρόβλημα της παρουσίας δέντρων. (Περισσότερες πληροφορίες για την εφαρμογή του αλγορίθμου Dijkstra θα βρείτε εδω: http://www.asprs.org/publications/pers/2005journal/june/2005_june_689-697.pdf) Όσο χρησιμοποιούμε το περιβάλλον του υπολογιστή μας, γνωρίζουμε τη γενική θέση των pixels του οδικού δικτύου και θέλουμε να τη προσδιορίσουμε χωρίς σφάλμα. H πιο χρήσιμη μέτρηση είναι το μήκος ενός δρόμου που μπορεί να σχεδιαστεί σωστά. Τα pixels με τις τιμές που παρεκκλίνουν από το ιδανικό αποτέλεσμα μπορεί να κοντύνουν το μήκος του δρόμου που μπορεί σχεδιαστεί.
 
[[Εικόνα:garg_wavelet_3_09.jpg|right|thumb||Εικόνα 3 :Βελτιστοποίηση του MSE των κύκλων των εικόνων ως λειτουργία των SNR, [http://www.asprs.org/publications/pers/2005journal/june/2005_june_689-697.pdf]πηγή]]
 
Επομένως, χρησιμοποιήσαμε το μέσο τετραγωνικό σφάλμα MSΕ ως μέτρο. Βρήκαμε ότι η αναλογία του συνολικού MSE για την πολλαπλή κλίμακα και τα αποτελέσματα της ενιαίας κλίμακας επιδεικνύουν τα αποτελέσματα στο σχήμα 10 σαν λειτουργία των SNR. Αυτά τα αποτελέσματα δίνουν μια ένδειξη αύξησης στο μήκος του δρόμου που μπορεί να αποτυπωθεί. Τα αποτελέσματα δείχνουν ότι η προσέγγισή μας αυξάνει το μήκος για τους δρόμους ενός και επτά pixels ευρέως.
 
Συμπεράσματα 
Η ομαλοποίηση των φίλτρων σε μια διαφορική προσέγγιση γεωμετρίας τους επιτρέπει να χρησιμοποιηθεί σε ένα πλαίσιο κυματιδίων. Κατά αυτόν τον τρόπο, επεκτείναμε μια διαφορική προσέγγιση γεωμετρίας που χρησιμοποιήθηκε για την ανίχνευση pixels οδικού δικτύου στις πολλαπλές κλίμακες. Αυτό οδήγησε σε μια βελτίωση στην ανίχνευση των pixels του οδικού δικτύου. Διαπιστώσαμε ότι η χρησιμοποίηση των πολλαπλάσιων κλιμάκων μείωσε σημαντικά τον αριθμό πιθανών ψεύτικων θετικών (???). Η προσέγγιση λειτούργησε καλά με μια υπολογιστική προσέγγιση, όπου ο σπόρος η τα πιθανά pixles που μας ενδιαφέρουν θα πρέπει να έχουν ένα υψηλό επίπεδο εμπιστοσύνης ώστε να είναι σωστό. Διαπιστώσαμε ότι η προσέγγισή μας οδήγησε σε μια αποτελεσματική μέθοδο για τους δρόμους στις εναέριες εικόνες.

Ανίχνευση γραμμικών χαρακτηριστικών χρησιμοποιώντας πολλαπλής ανάλυσης κυματιδιακά φίλτρα

2011-02-19T13:10:08Z

Argyropoulou Grigoria:

[[category:Νέα δοκιμαστική υποκατηγορία]]

Ανίχνευση γραμμικών χαρακτηριστικών χρησιμοποιώντας πολλαπλής ανάλυσης κυματιδιακά φίλτρα 
Πρωτότυπος τίτλος : Lineal Feature Detection Using
Multi-resolution Wavelet Filters.Πηγή : Samuel P. Kozaitis and R.H. Cofer, Photogrammetric Engineering & Remote Sensing
Vol. 71, No. 6, June 2005, pp. 689–697.
[http://www.asprs.org/publications/pers/2005journal/june/2005_june_689-697.pdf]
 
Περίληψη 
Σε αυτό το έγγραφο, ανιχνεύονται οδικά pixels σε εναέριες φωτογραφίες χρησιμοποιώντας μια πολλαπλής-ανάλυσης κυματιδιακή προσέγγιση. Η μέθοδος περιλαμβάνει μια διαφορική γεωμετρική προσέγγιση για την ανίχνευση των pixels που αποτελούν οδικό δίκτυο βάσει των μετατροπών των κυματιδίων. Χρησιμοποιώντας τη προσέγγιση αυτή, μας επιτρέπει να επεκτείνουμε τη διαφορική προσέγγιση γεωμετρίας προκειμένου να ενσωματώσει τις πολλαπλές κλίμακες. Οι γραμμικοί αλγόριθμοι ανίχνευσης χαρακτηριστικών γνωρισμάτων είναι ευαίσθητοι στις αλλαγές των εικόνων. Επομένως, απαιτείται μια μέθοδος ισχυρή στις παραλλαγές των εικόνων κι έτσι θα βελτιωνόταν η πιθανότητα της επιτυχίας της επόμενης επεξεργασίας. Η μετατροπή των κυματιδίων αποτλεί μια κατάλληλη μέθοδο για τις πληροφορίες στις διαφορετικές αναλύσεις εικόνας. Παραδείγματος χάριν, έχει αποδειχθεί ότι η εξέλιξη των τοπικών μεγίστων κυματιδίων στις κλίμακες χαρακτηρίζει την τοπική μορφή των δομών. Λόγω του ότι οι ιδιομορφίες μπορούν να εμφανιστούν σε όλες τις κλίμακες, οι μετατροπές κυματιδίων πολλαπλών-κλιμάκων έχουν χρησιμοποιηθεί για να ανιχνεύσουν τις ακμές, τα όρια και τους δρόμους. Έχει αποδειχθεί ότι τα προϊόντα των συντελεστών πολλαπλών-κλιμάκων της μετατροπής κυματιδίων μειώνουν γενικά το συσχετισμό του εισαγώμενου θορύβου διότι έχουν μια έμφυτη δυνατότητα να καταστείλουν τις απομονωμένες ωθήσεις και τους στενούς σφυγμούς, ανάλογα με το ποσό της χρησιμοποιούμενης λείανσης. Επιπλέον,έχει αναπτυχθεί μια ισχυρή μέθοδος για την ανίχνευση ακμών για τις θορυβώδεις εικόνες, χρησιμοποιώντας τα προϊόντα της μετατροπής κυματιδίων στις κλίμακες. Εξετάστηκε μια διαφορική προσέγγιση γεωμετρίας για την ανίχνευση των οδικών pixels σε ενιαία κλίμακα. Σε αυτή τη προσέγγιση, χρησιμοποιήθηκαν για να ανιχνεύσουν τα pixels των γραμμών οι μεγάλες τιμές της απόλυτης αξίας του δεύτερου παραγώγου κατεύθυνσης μιας εικόνας, η χρησιμοποίηση ενός δεύτερου παραγώγου ενός γκαουσσιανού φίλτρου [http://tams-www.informatik.uni-hamburg.de/applets/hades/webdemos/00-intro/02-imageprocessing/gauss.html] και η εξαφάνιση των πρώτων παραγώγων κατεύθυνσης σε μια κανονική κατεύθυνση . Αναδιατυπώθηκε αυτή η προσέγγιση στα πλαίσια ενός συνεχούς πλαισίου κυματιδίων έτσι ώστε να μπορούμε να χρησιμοποιήσουμε μια αντίστοιχη πρσέγγιση για την οδική ανίχνευση. Χρησιμοποιήθηκε αυτή η διαφορική προσέγγιση γεωμετρίας πολλαπλών-κλιμάκων για να παραχθούν τα χωρικά φίλτρα περιοχών για την εξαγωγή οδικών pixels. Ένας ανθρώπινος χειριστής προτείνει την υπόθεση ότι μεταξύ δύο σημείων υπάρχει δρόμος. Κατόπιν, ο υπολογιστής εκτελεί το χαμηλού επιπέδου στόχο για την εύρεση των οδικών pixels. Σε αυτήν την προσέγγιση, απαιτείται μια υψηλής-πιθανότητας μέθοδος που ανιχνεύει τα χαρακτηριστικά γνωρίσματα, όπως τα pixels οδικού δικτύου. Έπειτα, εξετάζεται η θεωρία πίσω από τη προσέγγισή αυτή και συγκρίνει τα αποτελέσματα της προσέγγισης πολλαπλής-κλίμακάς με αυτή μιας ενιαίας κλίμακας και έπειτα επικυρώνεται με τη χρήση συνθετικών εικόνων.

Μεθοδολογία 
Προσπαθώντας να αξιολογηθεί η προτεινόμενη μέθοδος, εφαρμόστηκαν τα πειράματα σε συνθετικές εικόνες με αρκετές διαβαθμίσεις θορύβου. Χρησιμοποιήσαμε δύο εικόνες, όπου κάθε μια αποτελείται από μια ενιαία περιοχή κύκλων διαμέτρου 147 pixels, και το πλάτος τους είναι ένα και επτά pixels αντίστοιχα, σε ένα σταθερό (μηδέν) υπόβαθρο. Χρησιμοποιήσαμε τις εικόνες των κύκλων για να διατηρηθούν αμετάβλητες όλες οι γωνίες ενός δρόμου. Ποικίλαμε την αναλογία σήματος προς θόρυβο (Signal to Noise Radio ή SNR) των συνθετικών εικόνων χρησιμοποιώντας τον πρόσθετο γκαουσσιανό λευκό θόρυβο. Μετά από την επεξεργασία των συνθετικών εικόνων που χρησιμοποιούν τον αλγόριθμό μας, συγκρίναμε τα αποτελέσματα με μια αναφορά. Χρησιμοποιήσαμε ένα μοναδικό pixel απαλαγμένο από θόρυβο πλάτος κύκλου(???) επειδή είναι το ιδανικό αποτέλεσμα. Βρέθηκε το μέσο τετραγωνικό σφάλμα (MSE) μεταξύ της αναφοράς και των εικόνων που υποβάλονται σε επεξεργασία από τον αλγόριθμό μας ώστε να δώσει μια γενική ιδέα για την απόδοση της μεθόδου παρουσία του θορύβου. Αρχικά, υπολογίσαμε το MSE στην περιοχή που καταλήφθηκε μόνο από την περιοχή των κύκλων στην εικόνα αναφοράς και στην αντίστοιχη περιοχή στις επεξεργασμένες εικόνες. Ο υπολογισμός του MSE σε αυτή τη περιοχή έδωσε μια ένδειξη μη-εντοπισμένων οδικών pixels ή λανθασμένα-εντοπισμένων. Υπολογίσαμε επίσης το MSE στην περιοχή του κύκλου στην εικόνα αναφοράς και την αντίστοιχη περιοχή στις επεξεργασμένες εικόνες.
Ο υπολογισμός του MSE σε αυτήν την περιοχή έδωσε την ένδειξη των ανιχνευμένων οδικών pixels χωρίς να υπάρχουν, ή αλλιώς (false positives). Συγκρήθηκαν τα αποτελέσματα της επεξεργασίας των δύο κλιμάκων με αυτές της μίας κλίμακας. Στην πολλαπλή κλίμακα χρησιμοποιήσαμε αυτή που χρησιμοποιήθηκε στην ενιαία κλίμακα a0 και 1.5a0.
 
[[Εικόνα:garg_wavelet_1_09.jpg|right|thumb||Εικόνα 1 :Δορυφορικές εικόνες πριν και μετά την επεξεργασία, [http://www.asprs.org/publications/pers/2005journal/june/2005_june_689-697.pdf]πηγή]]
 
Τα αποτελέσματα έδειξαν ότι το σφάλμα στην πολλαπλή κλίμακα ήταν το μισό σε σύγκριση με αυτό της ενιαίας κλίμακας με τη διαφορά ότι αυξάνεται όπου η αναλογία σήματος προς θόρυβο μειώνεται. Οπτικά, οι διαφορές μεταξύ της ενιαίος-κλίμακας και των προσεγγίσεων πολλαπλής-κλίμακας παρουσιάζονται στο σχήμα 1, όπου μια δορυφορική εικόνα 256x256 pixels χρησιμοποιήθηκε στα πειράματα. Το αποτέλεσμα της επεξεργασίας που χρησιμοποιεί μόνο μια κλίμακα για τρία pixels δρόμων, a0 = 6, φαίνονται στο figure 1b καθώς και των δύο κλιμάκων (ao=6, ao=9). Yπολογίσαμε το MSE μεταξύ των εικόνων 1b και 1c, και το προϊόν ενός σχεδιασμένου με το χέρι οδικού δικτύου και της αρχικής εικόνας. Το ΜSE της εικόνας 1c ήταν 6.2 % λιγότερο από αυτό της 1b. Όταν εξετάζονται μόνο τα pixels που αφορούν οδικό δίκτυο, το MSE αυξάνεται κατά 8% όταν επεξεργάζεται με τις πολλαπλές κλίμακες. Εντούτοις, κατά την εξέταση των pixels μη οδικού δικτύου , το MSE μειώθε από 34.7% όταν χρησιμοποιήθηκαν οι πολλαπλές κλίμακες.
 
Αποτελέσματα Οδικού Δικτύου 
Καταφέραμε να εντοπίσουμε οδικά δίκτυα χρησιμοποιώντας προσεγγίσεις μέσω υπολογιστή. Για να ανιχνευθεί ένας δρόμος χρησιμοποιώντας αυτή τη πρσέγγιση , ένας χρήστης «βουρτσίζει» μια πορεία μεταξύ των pixels έναρξης και λήξης που βρίσκονται σε ένα γραμμικό χαρακτηριστικό γνώρισμα. Το βήμα βουρτσίσματος μπορεί να γίνει πολύ γρήγορα χρησιμοποιώντας ένα εργαλείο-στυλό το πλάτος του οποίου μπορεί να ρυθμιστεί. Κατόπιν, ένας δυναμικός προγραμματιστικός αλγόριθμος λειτουργεί μόνο στη βουρτσισμένη περιοχή για να βρεί την πορεία που αποτελείται από το επιθυμητό χαρακτηριστικό γνώρισμα μεταξύ των pixels έναρξης και λήξης. Η βουρτσισμένη εικόνα παρουσιάζεται στην εικόνα 9α όπου τονίζεται η «βουρτσισμένη» περιοχή.
 
[[Εικόνα:garg_wavelet_2_09.jpg|right|thumb||Εικόνα 2 :Δορυφορικές εικόνες επεξεργασμένες με τον προτεινόμενο αλγόριθμο, [http://www.asprs.org/publications/pers/2005journal/june/2005_june_689-697.pdf]πηγή]]
 
Ο δυναμικός προγραμματισμός του αλγορίθμου λειτουργεί πραγματικά στο αποτέλεσμα ανίχνευσης οδικού pixel. Ουσιαστικά ο αλγόριθμος ορίζει την πιθανότητα ενός pixel να είναι μέρος του δρόμου. Οι μέθοδοι προγραμματισμού για τις κοντινότερες-πορείες μεταξύ δύο pixels είναι πολύ επιτυχείς στην ανίχνευση μεγάλων χαρακτηριστικών γνωρισμάτων των γραμμών στις εικόνες. Αλγόριθμοι με δυνατές προγραμματιστικές ικανότητες είναι απλοί στο να τους προγραμματίσεις και είναι ιδιαίτερα αποδοτικοί, χαρακτηριστικά που το καθιστούν ικανό για τον εντοπισμό της βέλτιστης συνολικής πορείας. Ο αλγόριθμος του Dijkstra λύνει το πρόβλημα της κοντινότερης πορείας από ένα σημείο μιας γραφικής παράστασης σε έναν προορισμό. Πραγματικά, οι κοντινότερες πορείες από μια δεδομένη πηγή σε όλα τα σημεία μιας γραφικής παράστασης βρίσκονται συγχρόνως και αυτό σχετίζεται με το πρόβλημα της παρουσίας δέντρων. (Περισσότερες πληροφορίες για την εφαρμογή του αλγορίθμου Dijkstra θα βρείτε εδω: http://www.asprs.org/publications/pers/2005journal/june/2005_june_689-697.pdf) Όσο χρησιμοποιούμε το περιβάλλον του υπολογιστή μας, γνωρίζουμε τη γενική θέση των pixels του οδικού δικτύου και θέλουμε να τη προσδιορίσουμε χωρίς σφάλμα. H πιο χρήσιμη μέτρηση είναι το μήκος ενός δρόμου που μπορεί να σχεδιαστεί σωστά. Τα pixels με τις τιμές που παρεκκλίνουν από το ιδανικό αποτέλεσμα μπορεί να κοντύνουν το μήκος του δρόμου που μπορεί σχεδιαστεί.
 
[[Εικόνα:garg_wavelet_3_09.jpg|right|thumb||Εικόνα 3 :Βελτιστοποίηση του MSE των κύκλων των εικόνων ως λειτουργία των SNR, [http://www.asprs.org/publications/pers/2005journal/june/2005_june_689-697.pdf]πηγή]]
 
Επομένως, χρησιμοποιήσαμε το μέσο τετραγωνικό σφάλμα MSΕ ως μέτρο. Βρήκαμε ότι η αναλογία του συνολικού MSE για την πολλαπλή κλίμακα και τα αποτελέσματα της ενιαίας κλίμακας επιδεικνύουν τα αποτελέσματα στο σχήμα 10 σαν λειτουργία των SNR. Αυτά τα αποτελέσματα δίνουν μια ένδειξη αύξησης στο μήκος του δρόμου που μπορεί να αποτυπωθεί. Τα αποτελέσματα δείχνουν ότι η προσέγγισή μας αυξάνει το μήκος για τους δρόμους ενός και επτά pixels ευρέως.
 
Συμπεράσματα 
Η ομαλοποίηση των φίλτρων σε μια διαφορική προσέγγιση γεωμετρίας τους επιτρέπει να χρησιμοποιηθεί σε ένα πλαίσιο κυματιδίων. Κατά αυτόν τον τρόπο, επεκτείναμε μια διαφορική προσέγγιση γεωμετρίας που χρησιμοποιήθηκε για την ανίχνευση pixels οδικού δικτύου στις πολλαπλές κλίμακες. Αυτό οδήγησε σε μια βελτίωση στην ανίχνευση των pixels του οδικού δικτύου. Διαπιστώσαμε ότι η χρησιμοποίηση των πολλαπλάσιων κλιμάκων μείωσε σημαντικά τον αριθμό πιθανών ψεύτικων θετικών (???). Η προσέγγιση λειτούργησε καλά με μια υπολογιστική προσέγγιση, όπου ο σπόρος η τα πιθανά pixles που μας ενδιαφέρουν θα πρέπει να έχουν ένα υψηλό επίπεδο εμπιστοσύνης ώστε να είναι σωστό. Διαπιστώσαμε ότι η προσέγγισή μας οδήγησε σε μια αποτελεσματική μέθοδο για τους δρόμους στις εναέριες εικόνες.

Ανίχνευση γραμμικών χαρακτηριστικών χρησιμοποιώντας πολλαπλής ανάλυσης κυματιδιακά φίλτρα

2011-02-19T13:09:24Z

Argyropoulou Grigoria:

[[category:Νέα δοκιμαστική υποκατηγορία]]

Ανίχνευση γραμμικών χαρακτηριστικών χρησιμοποιώντας πολλαπλής ανάλυσης κυματιδιακά φίλτρα 
Πρωτότυπος τίτλος : Lineal Feature Detection Using
Multi-resolution Wavelet Filters.Πηγή : Samuel P. Kozaitis and R.H. Cofer, Photogrammetric Engineering & Remote Sensing
Vol. 71, No. 6, June 2005, pp. 689–697.
[http://www.asprs.org/publications/pers/2005journal/june/2005_june_689-697.pdf]
 
Περίληψη 
Σε αυτό το έγγραφο, ανιχνεύονται οδικά pixels σε εναέριες φωτογραφίες χρησιμοποιώντας μια πολλαπλής-ανάλυσης κυματιδιακή προσέγγιση. Η μέθοδος περιλαμβάνει μια διαφορική γεωμετρική προσέγγιση για την ανίχνευση των pixels που αποτελούν οδικό δίκτυο βάσει των μετατροπών των κυματιδίων. Χρησιμοποιώντας τη προσέγγιση αυτή, μας επιτρέπει να επεκτείνουμε τη διαφορική προσέγγιση γεωμετρίας προκειμένου να ενσωματώσει τις πολλαπλές κλίμακες. Οι γραμμικοί αλγόριθμοι ανίχνευσης χαρακτηριστικών γνωρισμάτων είναι ευαίσθητοι στις αλλαγές των εικόνων. Επομένως, απαιτείται μια μέθοδος ισχυρή στις παραλλαγές των εικόνων κι έτσι θα βελτιωνόταν η πιθανότητα της επιτυχίας της επόμενης επεξεργασίας. Η μετατροπή των κυματιδίων αποτλεί μια κατάλληλη μέθοδο για τις πληροφορίες στις διαφορετικές αναλύσεις εικόνας. Παραδείγματος χάριν, έχει αποδειχθεί ότι η εξέλιξη των τοπικών μεγίστων κυματιδίων στις κλίμακες χαρακτηρίζει την τοπική μορφή των δομών. Λόγω του ότι οι ιδιομορφίες μπορούν να εμφανιστούν σε όλες τις κλίμακες, οι μετατροπές κυματιδίων πολλαπλών-κλιμάκων έχουν χρησιμοποιηθεί για να ανιχνεύσουν τις ακμές, τα όρια και τους δρόμους. Έχει αποδειχθεί ότι τα προϊόντα των συντελεστών πολλαπλών-κλιμάκων της μετατροπής κυματιδίων μειώνουν γενικά το συσχετισμό του εισαγώμενου θορύβου διότι έχουν μια έμφυτη δυνατότητα να καταστείλουν τις απομονωμένες ωθήσεις και τους στενούς σφυγμούς, ανάλογα με το ποσό της χρησιμοποιούμενης λείανσης. Επιπλέον,έχει αναπτυχθεί μια ισχυρή μέθοδος για την ανίχνευση ακμών για τις θορυβώδεις εικόνες, χρησιμοποιώντας τα προϊόντα της μετατροπής κυματιδίων στις κλίμακες. Εξετάστηκε μια διαφορική προσέγγιση γεωμετρίας για την ανίχνευση των οδικών pixels σε ενιαία κλίμακα. Σε αυτή τη προσέγγιση, χρησιμοποιήθηκαν για να ανιχνεύσουν τα pixels των γραμμών οι μεγάλες τιμές της απόλυτης αξίας του δεύτερου παραγώγου κατεύθυνσης μιας εικόνας, η χρησιμοποίηση ενός δεύτερου παραγώγου ενός γκαουσσιανού φίλτρου [http://tams-www.informatik.uni-hamburg.de/applets/hades/webdemos/00-intro/02-imageprocessing/gauss.html] και η εξαφάνιση των πρώτων παραγώγων κατεύθυνσης σε μια κανονική κατεύθυνση . Αναδιατυπώθηκε αυτή η προσέγγιση στα πλαίσια ενός συνεχούς πλαισίου κυματιδίων έτσι ώστε να μπορούμε να χρησιμοποιήσουμε μια αντίστοιχη πρσέγγιση για την οδική ανίχνευση. Χρησιμοποιήθηκε αυτή η διαφορική προσέγγιση γεωμετρίας πολλαπλών-κλιμάκων για να παραχθούν τα χωρικά φίλτρα περιοχών για την εξαγωγή οδικών pixels. Ένας ανθρώπινος χειριστής προτείνει την υπόθεση ότι μεταξύ δύο σημείων υπάρχει δρόμος. Κατόπιν, ο υπολογιστής εκτελεί το χαμηλού επιπέδου στόχο για την εύρεση των οδικών pixels. Σε αυτήν την προσέγγιση, απαιτείται μια υψηλής-πιθανότητας μέθοδος που ανιχνεύει τα χαρακτηριστικά γνωρίσματα, όπως τα pixels οδικού δικτύου. Έπειτα, εξετάζεται η θεωρία πίσω από τη προσέγγισή αυτή και συγκρίνει τα αποτελέσματα της προσέγγισης πολλαπλής-κλίμακάς με αυτή μιας ενιαίας κλίμακας και έπειτα επικυρώνεται με τη χρήση συνθετικών εικόνων.

Μεθοδολογία 
Προσπαθώντας να αξιολογηθεί η προτεινόμενη μέθοδος, εφαρμόστηκαν τα πειράματα σε συνθετικές εικόνες με αρκετές διαβαθμίσεις θορύβου. Χρησιμοποιήσαμε δύο εικόνες, όπου κάθε μια αποτελείται από μια ενιαία περιοχή κύκλων διαμέτρου 147 pixels, και το πλάτος τους είναι ένα και επτά pixels αντίστοιχα, σε ένα σταθερό (μηδέν) υπόβαθρο. Χρησιμοποιήσαμε τις εικόνες των κύκλων για να διατηρηθούν αμετάβλητες όλες οι γωνίες ενός δρόμου. Ποικίλαμε την αναλογία σήματος προς θόρυβο (Signal to Noise Radio ή SNR) των συνθετικών εικόνων χρησιμοποιώντας τον πρόσθετο γκαουσσιανό λευκό θόρυβο. Μετά από την επεξεργασία των συνθετικών εικόνων που χρησιμοποιούν τον αλγόριθμό μας, συγκρίναμε τα αποτελέσματα με μια αναφορά. Χρησιμοποιήσαμε ένα μοναδικό pixel απαλαγμένο από θόρυβο πλάτος κύκλου(???) επειδή είναι το ιδανικό αποτέλεσμα. Βρέθηκε το μέσο τετραγωνικό σφάλμα (MSE) μεταξύ της αναφοράς και των εικόνων που υποβάλονται σε επεξεργασία από τον αλγόριθμό μας ώστε να δώσει μια γενική ιδέα για την απόδοση της μεθόδου παρουσία του θορύβου. Αρχικά, υπολογίσαμε το MSE στην περιοχή που καταλήφθηκε μόνο από την περιοχή των κύκλων στην εικόνα αναφοράς και στην αντίστοιχη περιοχή στις επεξεργασμένες εικόνες. Ο υπολογισμός του MSE σε αυτή τη περιοχή έδωσε μια ένδειξη μη-εντοπισμένων οδικών pixels ή λανθασμένα-εντοπισμένων. Υπολογίσαμε επίσης το MSE στην περιοχή του κύκλου στην εικόνα αναφοράς και την αντίστοιχη περιοχή στις επεξεργασμένες εικόνες.
Ο υπολογισμός του MSE σε αυτήν την περιοχή έδωσε την ένδειξη των ανιχνευμένων οδικών pixels χωρίς να υπάρχουν, ή αλλιώς (false positives). Συγκρήθηκαν τα αποτελέσματα της επεξεργασίας των δύο κλιμάκων με αυτές της μίας κλίμακας. Στην πολλαπλή κλίμακα χρησιμοποιήσαμε αυτή που χρησιμοποιήθηκε στην ενιαία κλίμακα a0 και 1.5a0.
 
[[Εικόνα:garg_wavelet_1_09.jpg|right|thumb||Εικόνα 1 :Δορυφορικές εικόνες πριν και μετά την επεξεργασία, [http://www.asprs.org/publications/pers/2005journal/june/2005_june_689-697.pdf]πηγή]]
 
Τα αποτελέσματα έδειξαν ότι το σφάλμα στην πολλαπλή κλίμακα ήταν το μισό σε σύγκριση με αυτό της ενιαίας κλίμακας με τη διαφορά ότι αυξάνεται όπου η αναλογία σήματος προς θόρυβο μειώνεται. Οπτικά, οι διαφορές μεταξύ της ενιαίος-κλίμακας και των προσεγγίσεων πολλαπλής-κλίμακας παρουσιάζονται στο σχήμα 8, όπου μια δορυφορική εικόνα 256x256 pixels χρησιμοποιήθηκε στα πειράματα. Το αποτέλεσμα της επεξεργασίας που χρησιμοποιεί μόνο μια κλίμακα για τρία pixels δρόμων, a0 = 6, φαίνονται στο figure 1b καθώς και των δύο κλιμάκων (ao=6, ao=9). Yπολογίσαμε το MSE μεταξύ των εικόνων 1b και 1c, και το προϊόν ενός σχεδιασμένου με το χέρι οδικού δικτύου και της αρχικής εικόνας. Το ΜSE της εικόνας 8c ήταν 6.2 % λιγότερο από αυτό της 1b. Όταν εξετάζονται μόνο τα pixels που αφορούν οδικό δίκτυο, το MSE αυξάνεται κατά 8% όταν επεξεργάζεται με τις πολλαπλές κλίμακες. Εντούτοις, κατά την εξέταση των pixels μη οδικού δικτύου , το MSE μειώθε από 34.7% όταν χρησιμοποιήθηκαν οι πολλαπλές κλίμακες.
 
Αποτελέσματα Οδικού Δικτύου 
Καταφέραμε να εντοπίσουμε οδικά δίκτυα χρησιμοποιώντας προσεγγίσεις μέσω υπολογιστή. Για να ανιχνευθεί ένας δρόμος χρησιμοποιώντας αυτή τη πρσέγγιση , ένας χρήστης «βουρτσίζει» μια πορεία μεταξύ των pixels έναρξης και λήξης που βρίσκονται σε ένα γραμμικό χαρακτηριστικό γνώρισμα. Το βήμα βουρτσίσματος μπορεί να γίνει πολύ γρήγορα χρησιμοποιώντας ένα εργαλείο-στυλό το πλάτος του οποίου μπορεί να ρυθμιστεί. Κατόπιν, ένας δυναμικός προγραμματιστικός αλγόριθμος λειτουργεί μόνο στη βουρτσισμένη περιοχή για να βρεί την πορεία που αποτελείται από το επιθυμητό χαρακτηριστικό γνώρισμα μεταξύ των pixels έναρξης και λήξης. Η βουρτσισμένη εικόνα παρουσιάζεται στην εικόνα 9α όπου τονίζεται η «βουρτσισμένη» περιοχή.
 
[[Εικόνα:garg_wavelet_2_09.jpg|right|thumb||Εικόνα 2 :Δορυφορικές εικόνες επεξεργασμένες με τον προτεινόμενο αλγόριθμο, [http://www.asprs.org/publications/pers/2005journal/june/2005_june_689-697.pdf]πηγή]]
 
Ο δυναμικός προγραμματισμός του αλγορίθμου λειτουργεί πραγματικά στο αποτέλεσμα ανίχνευσης οδικού pixel. Ουσιαστικά ο αλγόριθμος ορίζει την πιθανότητα ενός pixel να είναι μέρος του δρόμου. Οι μέθοδοι προγραμματισμού για τις κοντινότερες-πορείες μεταξύ δύο pixels είναι πολύ επιτυχείς στην ανίχνευση μεγάλων χαρακτηριστικών γνωρισμάτων των γραμμών στις εικόνες. Αλγόριθμοι με δυνατές προγραμματιστικές ικανότητες είναι απλοί στο να τους προγραμματίσεις και είναι ιδιαίτερα αποδοτικοί, χαρακτηριστικά που το καθιστούν ικανό για τον εντοπισμό της βέλτιστης συνολικής πορείας. Ο αλγόριθμος του Dijkstra λύνει το πρόβλημα της κοντινότερης πορείας από ένα σημείο μιας γραφικής παράστασης σε έναν προορισμό. Πραγματικά, οι κοντινότερες πορείες από μια δεδομένη πηγή σε όλα τα σημεία μιας γραφικής παράστασης βρίσκονται συγχρόνως και αυτό σχετίζεται με το πρόβλημα της παρουσίας δέντρων. (Περισσότερες πληροφορίες για την εφαρμογή του αλγορίθμου Dijkstra θα βρείτε εδω: http://www.asprs.org/publications/pers/2005journal/june/2005_june_689-697.pdf) Όσο χρησιμοποιούμε το περιβάλλον του υπολογιστή μας, γνωρίζουμε τη γενική θέση των pixels του οδικού δικτύου και θέλουμε να τη προσδιορίσουμε χωρίς σφάλμα. H πιο χρήσιμη μέτρηση είναι το μήκος ενός δρόμου που μπορεί να σχεδιαστεί σωστά. Τα pixels με τις τιμές που παρεκκλίνουν από το ιδανικό αποτέλεσμα μπορεί να κοντύνουν το μήκος του δρόμου που μπορεί σχεδιαστεί.
 
[[Εικόνα:garg_wavelet_3_09.jpg|right|thumb||Εικόνα 3 :Βελτιστοποίηση του MSE των κύκλων των εικόνων ως λειτουργία των SNR, [http://www.asprs.org/publications/pers/2005journal/june/2005_june_689-697.pdf]πηγή]]
 
Επομένως, χρησιμοποιήσαμε το μέσο τετραγωνικό σφάλμα MSΕ ως μέτρο. Βρήκαμε ότι η αναλογία του συνολικού MSE για την πολλαπλή κλίμακα και τα αποτελέσματα της ενιαίας κλίμακας επιδεικνύουν τα αποτελέσματα στο σχήμα 10 σαν λειτουργία των SNR. Αυτά τα αποτελέσματα δίνουν μια ένδειξη αύξησης στο μήκος του δρόμου που μπορεί να αποτυπωθεί. Τα αποτελέσματα δείχνουν ότι η προσέγγισή μας αυξάνει το μήκος για τους δρόμους ενός και επτά pixels ευρέως.
 
Συμπεράσματα 
Η ομαλοποίηση των φίλτρων σε μια διαφορική προσέγγιση γεωμετρίας τους επιτρέπει να χρησιμοποιηθεί σε ένα πλαίσιο κυματιδίων. Κατά αυτόν τον τρόπο, επεκτείναμε μια διαφορική προσέγγιση γεωμετρίας που χρησιμοποιήθηκε για την ανίχνευση pixels οδικού δικτύου στις πολλαπλές κλίμακες. Αυτό οδήγησε σε μια βελτίωση στην ανίχνευση των pixels του οδικού δικτύου. Διαπιστώσαμε ότι η χρησιμοποίηση των πολλαπλάσιων κλιμάκων μείωσε σημαντικά τον αριθμό πιθανών ψεύτικων θετικών (???). Η προσέγγιση λειτούργησε καλά με μια υπολογιστική προσέγγιση, όπου ο σπόρος η τα πιθανά pixles που μας ενδιαφέρουν θα πρέπει να έχουν ένα υψηλό επίπεδο εμπιστοσύνης ώστε να είναι σωστό. Διαπιστώσαμε ότι η προσέγγισή μας οδήγησε σε μια αποτελεσματική μέθοδο για τους δρόμους στις εναέριες εικόνες.

Ανίχνευση γραμμικών χαρακτηριστικών χρησιμοποιώντας πολλαπλής ανάλυσης κυματιδιακά φίλτρα

2011-02-19T13:02:56Z

Argyropoulou Grigoria:

[[category:Νέα δοκιμαστική υποκατηγορία]]

Ανίχνευση γραμμικών χαρακτηριστικών χρησιμοποιώντας πολλαπλής ανάλυσης κυματιδιακά φίλτρα 
Πρωτότυπος τίτλος : Lineal Feature Detection Using
Multi-resolution Wavelet Filters.Πηγή : Samuel P. Kozaitis and R.H. Cofer, Photogrammetric Engineering & Remote Sensing
Vol. 71, No. 6, June 2005, pp. 689–697.
[http://www.asprs.org/publications/pers/2005journal/june/2005_june_689-697.pdf]
 
Περίληψη 
Σε αυτό το έγγραφο, ανιχνεύονται οδικά pixels σε εναέριες φωτογραφίες χρησιμοποιώντας μια πολλαπλής-ανάλυσης κυματιδιακή προσέγγιση. Η μέθοδος περιλαμβάνει μια διαφορική γεωμετρική προσέγγιση για την ανίχνευση των pixels που αποτελούν οδικό δίκτυο βάσει των μετατροπών των κυματιδίων. Χρησιμοποιώντας τη προσέγγιση αυτή, μας επιτρέπει να επεκτείνουμε τη διαφορική προσέγγιση γεωμετρίας προκειμένου να ενσωματώσει τις πολλαπλές κλίμακες. Οι γραμμικοί αλγόριθμοι ανίχνευσης χαρακτηριστικών γνωρισμάτων είναι ευαίσθητοι στις αλλαγές των εικόνων. Επομένως, απαιτείται μια μέθοδος ισχυρή στις παραλλαγές των εικόνων κι έτσι θα βελτιωνόταν η πιθανότητα της επιτυχίας της επόμενης επεξεργασίας. Η μετατροπή των κυματιδίων αποτλεί μια κατάλληλη μέθοδο για τις πληροφορίες στις διαφορετικές αναλύσεις εικόνας. Παραδείγματος χάριν, έχει αποδειχθεί ότι η εξέλιξη των τοπικών μεγίστων κυματιδίων στις κλίμακες χαρακτηρίζει την τοπική μορφή των δομών. Λόγω του ότι οι ιδιομορφίες μπορούν να εμφανιστούν σε όλες τις κλίμακες, οι μετατροπές κυματιδίων πολλαπλών-κλιμάκων έχουν χρησιμοποιηθεί για να ανιχνεύσουν τις ακμές, τα όρια και τους δρόμους. Έχει αποδειχθεί ότι τα προϊόντα των συντελεστών πολλαπλών-κλιμάκων της μετατροπής κυματιδίων μειώνουν γενικά το συσχετισμό του εισαγώμενου θορύβου διότι έχουν μια έμφυτη δυνατότητα να καταστείλουν τις απομονωμένες ωθήσεις και τους στενούς σφυγμούς, ανάλογα με το ποσό της χρησιμοποιούμενης λείανσης. Επιπλέον,έχει αναπτυχθεί μια ισχυρή μέθοδος για την ανίχνευση ακμών για τις θορυβώδεις εικόνες, χρησιμοποιώντας τα προϊόντα της μετατροπής κυματιδίων στις κλίμακες. Εξετάστηκε μια διαφορική προσέγγιση γεωμετρίας για την ανίχνευση των οδικών pixels σε ενιαία κλίμακα. Σε αυτή τη προσέγγιση, χρησιμοποιήθηκαν για να ανιχνεύσουν τα pixels των γραμμών οι μεγάλες τιμές της απόλυτης αξίας του δεύτερου παραγώγου κατεύθυνσης μιας εικόνας, η χρησιμοποίηση ενός δεύτερου παραγώγου ενός γκαουσσιανού φίλτρου [http://tams-www.informatik.uni-hamburg.de/applets/hades/webdemos/00-intro/02-imageprocessing/gauss.html] και η εξαφάνιση των πρώτων παραγώγων κατεύθυνσης σε μια κανονική κατεύθυνση . Αναδιατυπώθηκε αυτή η προσέγγιση στα πλαίσια ενός συνεχούς πλαισίου κυματιδίων έτσι ώστε να μπορούμε να χρησιμοποιήσουμε μια αντίστοιχη πρσέγγιση για την οδική ανίχνευση. Χρησιμοποιήθηκε αυτή η διαφορική προσέγγιση γεωμετρίας πολλαπλών-κλιμάκων για να παραχθούν τα χωρικά φίλτρα περιοχών για την εξαγωγή οδικών pixels. Ένας ανθρώπινος χειριστής προτείνει την υπόθεση ότι μεταξύ δύο σημείων υπάρχει δρόμος. Κατόπιν, ο υπολογιστής εκτελεί το χαμηλού επιπέδου στόχο για την εύρεση των οδικών pixels. Σε αυτήν την προσέγγιση, απαιτείται μια υψηλής-πιθανότητας μέθοδος που ανιχνεύει τα χαρακτηριστικά γνωρίσματα, όπως τα pixels οδικού δικτύου. Έπειτα, εξετάζεται η θεωρία πίσω από τη προσέγγισή αυτή και συγκρίνει τα αποτελέσματα της προσέγγισης πολλαπλής-κλίμακάς με αυτή μιας ενιαίας κλίμακας και έπειτα επικυρώνεται με τη χρήση συνθετικών εικόνων.

Μεθοδολογία 
Προσπαθώντας να αξιολογηθεί η προτεινόμενη μέθοδος, εφαρμόστηκαν τα πειράματα σε συνθετικές εικόνες με αρκετές διαβαθμίσεις θορύβου. Χρησιμοποιήσαμε δύο εικόνες, όπου κάθε μια αποτελείται από μια ενιαία περιοχή κύκλων διαμέτρου 147 pixels, και το πλάτος τους είναι ένα και επτά pixels αντίστοιχα, σε ένα σταθερό (μηδέν) υπόβαθρο. Χρησιμοποιήσαμε τις εικόνες των κύκλων για να διατηρηθούν αμετάβλητες όλες οι γωνίες ενός δρόμου. Ποικίλαμε την αναλογία σήματος προς θόρυβο (Signal to Noise Radio ή SNR) των συνθετικών εικόνων χρησιμοποιώντας τον πρόσθετο γκαουσσιανό λευκό θόρυβο. Μετά από την επεξεργασία των συνθετικών εικόνων που χρησιμοποιούν τον αλγόριθμό μας, συγκρίναμε τα αποτελέσματα με μια αναφορά. Χρησιμοποιήσαμε ένα μοναδικό pixel απαλαγμένο από θόρυβο πλάτος κύκλου(???) επειδή είναι το ιδανικό αποτέλεσμα. Βρέθηκε το μέσο τετραγωνικό σφάλμα (MSE) μεταξύ της αναφοράς και των εικόνων που υποβάλονται σε επεξεργασία από τον αλγόριθμό μας ώστε να δώσει μια γενική ιδέα για την απόδοση της μεθόδου παρουσία του θορύβου. Αρχικά, υπολογίσαμε το MSE στην περιοχή που καταλήφθηκε μόνο από την περιοχή των κύκλων στην εικόνα αναφοράς και στην αντίστοιχη περιοχή στις επεξεργασμένες εικόνες. Ο υπολογισμός του MSE σε αυτή τη περιοχή έδωσε μια ένδειξη μη-εντοπισμένων οδικών pixels ή λανθασμένα-εντοπισμένων. Υπολογίσαμε επίσης το MSE στην περιοχή του κύκλου στην εικόνα αναφοράς και την αντίστοιχη περιοχή στις επεξεργασμένες εικόνες.
Ο υπολογισμός του MSE σε αυτήν την περιοχή έδωσε την ένδειξη των ανιχνευμένων οδικών pixels χωρίς να υπάρχουν, ή αλλιώς (false positives). Συγκρήθηκαν τα αποτελέσματα της επεξεργασίας των δύο κλιμάκων με αυτές της μίας κλίμακας. Στην πολλαπλή κλίμακα χρησιμοποιήσαμε αυτή που χρησιμοποιήθηκε στην ενιαία κλίμακα a0 και 1.5a0.
 
[[Εικόνα:garg_wavelet_1_09.jpg|right|thumb||Εικόνα 1 :Δορυφορικές εικόνες πριν και μετά την επεξεργασία, [http://www.asprs.org/publications/pers/2005journal/june/2005_june_689-697.pdf]πηγή]]
 
Τα αποτελέσματα έδειξαν ότι το σφάλμα στην πολλαπλή κλίμακα ήταν το μισό σε σύγκριση με αυτό της ενιαίας κλίμακας με τη διαφορά ότι αυξάνεται όπου η αναλογία σήματος προς θόρυβο μειώνεται. Οπτικά, οι διαφορές μεταξύ της ενιαίος-κλίμακας και των προσεγγίσεων πολλαπλής-κλίμακας παρουσιάζονται στο σχήμα 8, όπου μια δορυφορική εικόνα 256x256 pixels χρησιμοποιήθηκε στα πειράματα. Το αποτέλεσμα της επεξεργασίας που χρησιμοποιεί μόνο μια κλίμακα για τρία pixels δρόμων, a0 = 6, φαίνονται στο figure 8b καθώς και των δύο κλιμάκων (ao=6, ao=9). Yπολογίσαμε το MSE μεταξύ των εικόνων 8b και 8c, και το προϊόν ενός σχεδιασμένου με το χέρι οδικού δικτύου και της αρχικής εικόνας. Το ΜSE της εικόνας 8c ήταν 6.2 % λιγότερο από αυτό της 8b. Όταν εξετάζονται μόνο τα pixels που αφορούν οδικό δίκτυο, το MSE αυξάνεται κατά 8% όταν επεξεργάζεται με τις πολλαπλές κλίμακες. Εντούτοις, κατά την εξέταση των pixels μη οδικού δικτύου , το MSE μειώθε από 34.7% όταν χρησιμοποιήθηκαν οι πολλαπλές κλίμακες.
 
Αποτελέσματα Οδικού Δικτύου 
Καταφέραμε να εντοπίσουμε οδικά δίκτυα χρησιμοποιώντας προσεγγίσεις μέσω υπολογιστή. Για να ανιχνευθεί ένας δρόμος χρησιμοποιώντας αυτή τη πρσέγγιση , ένας χρήστης «βουρτσίζει» μια πορεία μεταξύ των pixels έναρξης και λήξης που βρίσκονται σε ένα γραμμικό χαρακτηριστικό γνώρισμα. Το βήμα βουρτσίσματος μπορεί να γίνει πολύ γρήγορα χρησιμοποιώντας ένα εργαλείο-στυλό το πλάτος του οποίου μπορεί να ρυθμιστεί. Κατόπιν, ένας δυναμικός προγραμματιστικός αλγόριθμος λειτουργεί μόνο στη βουρτσισμένη περιοχή για να βρεί την πορεία που αποτελείται από το επιθυμητό χαρακτηριστικό γνώρισμα μεταξύ των pixels έναρξης και λήξης. Η βουρτσισμένη εικόνα παρουσιάζεται στην εικόνα 9α όπου τονίζεται η «βουρτσισμένη» περιοχή.
 
[[Εικόνα:garg_wavelet_2_09.jpg|right|thumb||Εικόνα 2 :Δορυφορικές εικόνες επεξεργασμένες με τον προτεινόμενο αλγόριθμο, [http://www.asprs.org/publications/pers/2005journal/june/2005_june_689-697.pdf]πηγή]]
 
Ο δυναμικός προγραμματισμός του αλγορίθμου λειτουργεί πραγματικά στο αποτέλεσμα ανίχνευσης οδικού pixel. Ουσιαστικά ο αλγόριθμος ορίζει την πιθανότητα ενός pixel να είναι μέρος του δρόμου. Οι μέθοδοι προγραμματισμού για τις κοντινότερες-πορείες μεταξύ δύο pixels είναι πολύ επιτυχείς στην ανίχνευση μεγάλων χαρακτηριστικών γνωρισμάτων των γραμμών στις εικόνες. Αλγόριθμοι με δυνατές προγραμματιστικές ικανότητες είναι απλοί στο να τους προγραμματίσεις και είναι ιδιαίτερα αποδοτικοί, χαρακτηριστικά που το καθιστούν ικανό για τον εντοπισμό της βέλτιστης συνολικής πορείας. Ο αλγόριθμος του Dijkstra λύνει το πρόβλημα της κοντινότερης πορείας από ένα σημείο μιας γραφικής παράστασης σε έναν προορισμό. Πραγματικά, οι κοντινότερες πορείες από μια δεδομένη πηγή σε όλα τα σημεία μιας γραφικής παράστασης βρίσκονται συγχρόνως και αυτό σχετίζεται με το πρόβλημα της παρουσίας δέντρων. (Περισσότερες πληροφορίες για την εφαρμογή του αλγορίθμου Dijkstra θα βρείτε εδω: http://www.asprs.org/publications/pers/2005journal/june/2005_june_689-697.pdf) Όσο χρησιμοποιούμε το περιβάλλον του υπολογιστή μας, γνωρίζουμε τη γενική θέση των pixels του οδικού δικτύου και θέλουμε να τη προσδιορίσουμε χωρίς σφάλμα. H πιο χρήσιμη μέτρηση είναι το μήκος ενός δρόμου που μπορεί να σχεδιαστεί σωστά. Τα pixels με τις τιμές που παρεκκλίνουν από το ιδανικό αποτέλεσμα μπορεί να κοντύνουν το μήκος του δρόμου που μπορεί σχεδιαστεί.
 
[[Εικόνα:garg_wavelet_3_09.jpg|right|thumb||Εικόνα 3 :Βελτιστοποίηση του MSE των κύκλων των εικόνων ως λειτουργία των SNR, [http://www.asprs.org/publications/pers/2005journal/june/2005_june_689-697.pdf]πηγή]]
 
Επομένως, χρησιμοποιήσαμε το μέσο τετραγωνικό σφάλμα MSΕ ως μέτρο. Βρήκαμε ότι η αναλογία του συνολικού MSE για την πολλαπλή κλίμακα και τα αποτελέσματα της ενιαίας κλίμακας επιδεικνύουν τα αποτελέσματα στο σχήμα 10 σαν λειτουργία των SNR. Αυτά τα αποτελέσματα δίνουν μια ένδειξη αύξησης στο μήκος του δρόμου που μπορεί να αποτυπωθεί. Τα αποτελέσματα δείχνουν ότι η προσέγγισή μας αυξάνει το μήκος για τους δρόμους ενός και επτά pixels ευρέως.
 
Συμπεράσματα 
Η ομαλοποίηση των φίλτρων σε μια διαφορική προσέγγιση γεωμετρίας τους επιτρέπει να χρησιμοποιηθεί σε ένα πλαίσιο κυματιδίων. Κατά αυτόν τον τρόπο, επεκτείναμε μια διαφορική προσέγγιση γεωμετρίας που χρησιμοποιήθηκε για την ανίχνευση pixels οδικού δικτύου στις πολλαπλές κλίμακες. Αυτό οδήγησε σε μια βελτίωση στην ανίχνευση των pixels του οδικού δικτύου. Διαπιστώσαμε ότι η χρησιμοποίηση των πολλαπλάσιων κλιμάκων μείωσε σημαντικά τον αριθμό πιθανών ψεύτικων θετικών (???). Η προσέγγιση λειτούργησε καλά με μια υπολογιστική προσέγγιση, όπου ο σπόρος η τα πιθανά pixles που μας ενδιαφέρουν θα πρέπει να έχουν ένα υψηλό επίπεδο εμπιστοσύνης ώστε να είναι σωστό. Διαπιστώσαμε ότι η προσέγγισή μας οδήγησε σε μια αποτελεσματική μέθοδο για τους δρόμους στις εναέριες εικόνες.

Ανίχνευση γραμμικών χαρακτηριστικών χρησιμοποιώντας πολλαπλής ανάλυσης κυματιδιακά φίλτρα

2011-02-19T12:46:32Z

Argyropoulou Grigoria:

[[category:Νέα δοκιμαστική υποκατηγορία]]

Ανίχνευση γραμμικών χαρακτηριστικών χρησιμοποιώντας πολλαπλής ανάλυσης κυματιδιακά φίλτρα 
Πρωτότυπος τίτλος : Lineal Feature Detection Using
Multi-resolution Wavelet Filters.Πηγή : Samuel P. Kozaitis and R.H. Cofer, Photogrammetric Engineering & Remote Sensing
Vol. 71, No. 6, June 2005, pp. 689–697.
[http://www.asprs.org/publications/pers/2005journal/june/2005_june_689-697.pdf]
 
Περίληψη 
Σε αυτό το έγγραφο, ανιχνεύονται οδικά pixels σε εναέριες φωτογραφίες χρησιμοποιώντας μια πολλαπλής-ανάλυσης κυματιδιακή προσέγγιση. Η μέθοδος περιλαμβάνει μια διαφορική γεωμετρική προσέγγιση για την ανίχνευση των pixels που αποτελούν οδικό δίκτυο βάσει των μετατροπών των κυματιδίων. Χρησιμοποιώντας τη προσέγγιση αυτή, μας επιτρέπει να επεκτείνουμε τη διαφορική προσέγγιση γεωμετρίας προκειμένου να ενσωματώσει τις πολλαπλές κλίμακες. Οι γραμμικοί αλγόριθμοι ανίχνευσης χαρακτηριστικών γνωρισμάτων είναι ευαίσθητοι στις αλλαγές των εικόνων. Επομένως, απαιτείται μια μέθοδος ισχυρή στις παραλλαγές των εικόνων κι έτσι θα βελτιωνόταν η πιθανότητα της επιτυχίας της επόμενης επεξεργασίας. Η μετατροπή των κυματιδίων αποτλεί μια κατάλληλη μέθοδο για τις πληροφορίες στις διαφορετικές αναλύσεις εικόνας. Παραδείγματος χάριν, έχει αποδειχθεί ότι η εξέλιξη των τοπικών μεγίστων κυματιδίων στις κλίμακες χαρακτηρίζει την τοπική μορφή των δομών. Λόγω του ότι οι ιδιομορφίες μπορούν να εμφανιστούν σε όλες τις κλίμακες, οι μετατροπές κυματιδίων πολλαπλών-κλιμάκων έχουν χρησιμοποιηθεί για να ανιχνεύσουν τις ακμές, τα όρια και τους δρόμους. Έχει αποδειχθεί ότι τα προϊόντα των συντελεστών πολλαπλών-κλιμάκων της μετατροπής κυματιδίων μειώνουν γενικά το συσχετισμό του εισαγώμενου θορύβου διότι έχουν μια έμφυτη δυνατότητα να καταστείλουν τις απομονωμένες ωθήσεις και τους στενούς σφυγμούς, ανάλογα με το ποσό της χρησιμοποιούμενης λείανσης. Επιπλέον,έχει αναπτυχθεί μια ισχυρή μέθοδος για την ανίχνευση ακμών για τις θορυβώδεις εικόνες, χρησιμοποιώντας τα προϊόντα της μετατροπής κυματιδίων στις κλίμακες. Εξετάστηκε μια διαφορική προσέγγιση γεωμετρίας για την ανίχνευση των οδικών pixels σε ενιαία κλίμακα. Σε αυτή τη προσέγγιση, χρησιμοποιήθηκαν για να ανιχνεύσουν τα pixels των γραμμών οι μεγάλες τιμές της απόλυτης αξίας του δεύτερου παραγώγου κατεύθυνσης μιας εικόνας, η χρησιμοποίηση ενός δεύτερου παραγώγου ενός γκαουσσιανού φίλτρου [http://tams-www.informatik.uni-hamburg.de/applets/hades/webdemos/00-intro/02-imageprocessing/gauss.html] και η εξαφάνιση των πρώτων παραγώγων κατεύθυνσης σε μια κανονική κατεύθυνση . Αναδιατυπώθηκε αυτή η προσέγγιση στα πλαίσια ενός συνεχούς πλαισίου κυματιδίων έτσι ώστε να μπορούμε να χρησιμοποιήσουμε μια αντίστοιχη πρσέγγιση για την οδική ανίχνευση. Χρησιμοποιήθηκε αυτή η διαφορική προσέγγιση γεωμετρίας πολλαπλών-κλιμάκων για να παραχθούν τα χωρικά φίλτρα περιοχών για την εξαγωγή οδικών pixels. Ένας ανθρώπινος χειριστής προτείνει την υπόθεση ότι μεταξύ δύο σημείων υπάρχει δρόμος. Κατόπιν, ο υπολογιστής εκτελεί το χαμηλού επιπέδου στόχο για την εύρεση των οδικών pixels. Σε αυτήν την προσέγγιση, απαιτείται μια υψηλής-πιθανότητας μέθοδος που ανιχνεύει τα χαρακτηριστικά γνωρίσματα, όπως τα pixels οδικού δικτύου. Έπειτα, εξετάζεται η θεωρία πίσω από τη προσέγγισή αυτή και συγκρίνει τα αποτελέσματα της προσέγγισης πολλαπλής-κλίμακάς με αυτή μιας ενιαίας κλίμακας και έπειτα επικυρώνεται με τη χρήση συνθετικών εικόνων.

Μεθοδολογία 
Προσπαθώντας να αξιολογηθεί η προτεινόμενη μέθοδος, εφαρμόστηκαν τα πειράματα σε συνθετικές εικόνες με αρκετές διαβαθμίσεις θορύβου. Χρησιμοποιήσαμε δύο εικόνες, όπου κάθε μια αποτελείται από μια ενιαία περιοχή κύκλων διαμέτρου 147 pixels, και το πλάτος τους είναι ένα και επτά pixels αντίστοιχα, σε ένα σταθερό (μηδέν) υπόβαθρο. Χρησιμοποιήσαμε τις εικόνες των κύκλων για να διατηρηθούν αμετάβλητες όλες οι γωνίες ενός δρόμου. Ποικίλαμε την αναλογία σήματος προς θόρυβο (Signal to Noise Radio ή SNR) των συνθετικών εικόνων χρησιμοποιώντας τον πρόσθετο γκαουσσιανό λευκό θόρυβο. Μετά από την επεξεργασία των συνθετικών εικόνων που χρησιμοποιούν τον αλγόριθμό μας, συγκρίναμε τα αποτελέσματα με μια αναφορά. Χρησιμοποιήσαμε ένα μοναδικό pixel απαλαγμένο από θόρυβο πλάτος κύκλου(???) επειδή είναι το ιδανικό αποτέλεσμα. Βρέθηκε το μέσο τετραγωνικό σφάλμα (MSE) μεταξύ της αναφοράς και των εικόνων που υποβάλονται σε επεξεργασία από τον αλγόριθμό μας ώστε να δώσει μια γενική ιδέα για την απόδοση της μεθόδου παρουσία του θορύβου. Αρχικά, υπολογίσαμε το MSE στην περιοχή που καταλήφθηκε μόνο από την περιοχή των κύκλων στην εικόνα αναφοράς και στην αντίστοιχη περιοχή στις επεξεργασμένες εικόνες. Ο υπολογισμός του MSE σε αυτή τη περιοχή έδωσε μια ένδειξη μη-εντοπισμένων οδικών pixels ή λανθασμένα-εντοπισμένων. Υπολογίσαμε επίσης το MSE στην περιοχή του κύκλου στην εικόνα αναφοράς και την αντίστοιχη περιοχή στις επεξεργασμένες εικόνες.
Ο υπολογισμός του MSE σε αυτήν την περιοχή έδωσε την ένδειξη των ανιχνευμένων οδικών pixels χωρίς να υπάρχουν, ή θετικά λάθη (false positives). Συγκρήθηκαν τα αποτελέσματα της επεξεργασίας των δύο κλιμάκων με αυτές της μίας κλίμακας. Στην πολλαπλή κλίμακα χρησιμοποιήσαμε αυτή που χρησιμοποιήθηκε στην ενιαία κλίμακα a0 και 1.5a0.
 
[[Εικόνα:garg_wavelet_1_09.jpg|right|thumb||Εικόνα 1 :Δορυφορικές εικόνες πριν και μετά την επεξεργασία, [http://www.asprs.org/publications/pers/2005journal/june/2005_june_689-697.pdf]πηγή]]
 
Τα αποτελέσματα έδειξαν ότι το σφάλμα στην πολλαπλή κλίμακα ήταν το μισό σε σύγκριση με αυτό της ενιαίας κλίμακας με τη διαφορά ότι αυξάνεται όπου to SNR μειώνεται. Οπτικά, οι διαφορές μεταξύ της ενιαίος-κλίμακας και των προσεγγίσεων πολλαπλής-κλίμακας παρουσιάζονται στο σχήμα 8, όπου μια δορυφορική εικόνα 256x256 pixels χρησιμοποιήθηκαν στα πειράματα. Το αποτέλεσμα της επεξεργασίας που χρησιμοποιεί μόνο μια κλίμακα για τρία pixels δρόμων, a0 = 6, φαίνονται στο figure 8b καθώς και των δύο κλιμάκων (ao=6, ao=9). Yπολογίσαμε το MSE μεταξύ των εικόνων 8b και 8c, και το προϊόν ενός σχεδιασμένου με το χέρι οδικού δικτύου και της αρχικής εικόνας. το ΜSE της εικόνας 8c ήταν 6.2 % λιγότερο από αυτό της 8b. Όταν εξετάζονται μόνο τα pixels που αφορούν οδικό δίκτυο, το MSE αυξάνεται κατά 8% όταν επεξεργάζεται με τις πολλαπλές κλίμακες. Εντούτοις, κατά την εξέταση των pixels μη οδικού δικτύου , το MSE μειώθε από 34.7% όταν χρησιμοποιήθηκαν οι πολλαπλάσιες κλίμακες.
 
Αποτελέσματα Οδικού Δικτύου 
Καταφέραμε να εντοπίσουμε οδικά δίκτυα χρησιμοποιώντας προσεγγίσεις μέσω υπολογιστή. Για να ανιχνευθεί ένας δρόμος χρησιμοποιώντας αυτή τη πρσέγγιση , ένας χρήστης «βουρτσίζει» μια πορεία μεταξύ των pixels έναρξης και λήξης που βρίσκονται σε ένα γραμμικό χαρακτηριστικό γνώρισμα. Το βήμα βουρτσίσματος μπορεί να γίνει πολύ γρήγορα χρησιμοποιώντας ένα εργαλείο-στυλό το πλάτος του οποίου μπορεί να ρυθμιστεί. Κατόπιν, ένας δυναμικός προγραμματιστικός αλγόριθμος λειτουργεί μόνο στη βουρτσισμένη περιοχή για να βρεί την πορεία που αποτελείται από το επιθυμητό χαρακτηριστικό γνώρισμα μεταξύ των pixels έναρξης και λήξης. Η βουρτσισμένη εικόνα παρουσιάζεται στην εικόνα 9α όπου τονίζεται η «βουρτσισμένη» περιοχή.
 
[[Εικόνα:garg_wavelet_2_09.jpg|right|thumb||Εικόνα 2 :Δορυφορικές εικόνες επεξεργασμένες με τον προτεινόμενο αλγόριθμο, [http://www.asprs.org/publications/pers/2005journal/june/2005_june_689-697.pdf]πηγή]]
 
Ο δυναμικός προγραμματισμός του αλγορίθμου λειτουργεί πραγματικά στο αποτέλεσμα ανίχνευσης οδικού pixel. Ουσιαστικά ο αλγόριθμος ορίζει την πιθανότητα ενός pixel να είναι μέρος του δρόμου. Οι μέθοδοι προγραμματισμού για τις κοντινότερες-πορείες μεταξύ δύο pixels είναι πολύ επιτυχείς στην ανίχνευση μεγάλων χαρακτηριστικών γνωρισμάτων των γραμμών στις εικόνες. Αλγόριθμοι με δυνατές προγραμματιστικές ικανότητες είναι απλοί στο να τους προγραμματίσεις και είναι ιδιαίτερα αποδοτικοί, χαρακτηριστικά που το καθιστούν ικανό για τον εντοπισμό της βέλτιστης συνολικής πορείας. Ο αλγόριθμος του Dijkstra λύνει το πρόβλημα της κοντινότερης πορείας από ένα σημείο μιας γραφικής παράστασης σε έναν προορισμό. Πραγματικά, οι κοντινότερες πορείες από μια δεδομένη πηγή σε όλα τα σημεία μιας γραφικής παράστασης βρίσκονται συγχρόνως και αυτό σχετίζεται με το πρόβλημα της παρουσίας δέντρων. (Περισσότερες πληροφορίες για την εφαρμογή του αλγορίθμου Dijkstra θα βρείτε εδω: http://www.asprs.org/publications/pers/2005journal/june/2005_june_689-697.pdf) Όσο χρησιμοποιούμε το περιβάλλον του υπολογιστή μας, γνωρίζουμε τη γενική θέση των pixels του οδικού δικτύου και θέλουμε να τη προσδιορίσουμε χωρίς σφάλμα. H πιο χρήσιμη μέτρηση είναι το μήκος ενός δρόμου που μπορεί να σχεδιαστεί σωστά. Τα pixels με τις τιμές που παρεκκλίνουν από το ιδανικό αποτέλεσμα μπορεί να κοντύνουν το μήκος του δρόμου που μπορεί σχεδιαστεί.
 
[[Εικόνα:garg_wavelet_3_09.jpg|right|thumb||Εικόνα 3 :Βελτιστοποίηση του MSE των κύκλων των εικόνων ως λειτουργία των SNR, [http://www.asprs.org/publications/pers/2005journal/june/2005_june_689-697.pdf]πηγή]]
 
Επομένως, χρησιμοποιήσαμε το MSE ως μέτρο. Βρήκαμε ότι η αναλογία του συνολικού MSE για την πολλαπλή κλίμακα και τα αποτελέσματα της ενιαίας κλίμακας επιδεικνύουν τα αποτελέσματα στο σχήμα 10 σαν λειτουργία των SNR. Αυτά τα αποτελέσματα δίνουν μια ένδειξη αύξησης στο μήκος του δρόμου που μπορεί να αποτυπωθεί. Τα αποτελέσματα δείχνουν ότι η προσέγγισή μας αυξάνει το μήκος για τους δρόμους ενός και επτά pixels ευρέως.
 
Συμπεράσματα 
Η ομαλοποίηση των φίλτρων σε μια διαφορική προσέγγιση γεωμετρίας τους επιτρέπει να χρησιμοποιηθεί σε ένα πλαίσιο κυματιδίων. Κατά αυτόν τον τρόπο, επεκτείναμε μια διαφορική προσέγγιση γεωμετρίας που χρησιμοποιήθηκε για την ανίχνευση pixels οδικού δικτύου στις πολλαπλές κλίμακες. Αυτό οδήγησε σε μια βελτίωση στην ανίχνευση των pixels του οδικού δικτύου. Διαπιστώσαμε ότι η χρησιμοποίηση των πολλαπλάσιων κλιμάκων μείωσε σημαντικά τον αριθμό πιθανών ψεύτικων θετικών (???). Η προσέγγιση λειτούργησε καλά με μια υπολογιστική προσέγγιση, όπου ο σπόρος η τα πιθανά pixles που μας ενδιαφέρουν θα πρέπει να έχουν ένα υψηλό επίπεδο εμπιστοσύνης ώστε να είναι σωστό. Διαπιστώσαμε ότι η προσέγγισή μας οδήγησε σε μια αποτελεσματική μέθοδο για τους δρόμους στις εναέριες εικόνες.

Ανίχνευση γραμμικών χαρακτηριστικών χρησιμοποιώντας πολλαπλής ανάλυσης κυματιδιακά φίλτρα

2011-02-18T14:46:09Z

Argyropoulou Grigoria:

[[category:Νέα δοκιμαστική υποκατηγορία]]

Ανίχνευση γραμμικών χαρακτηριστικών χρησιμοποιώντας πολλαπλής ανάλυσης κυματιδιακά φίλτρα 
Πρωτότυπος τίτλος : Lineal Feature Detection Using
Multi-resolution Wavelet Filters.Πηγή : Samuel P. Kozaitis and R.H. Cofer, Photogrammetric Engineering & Remote Sensing
Vol. 71, No. 6, June 2005, pp. 689–697.
[http://www.asprs.org/publications/pers/2005journal/june/2005_june_689-697.pdf]
 
Περίληψη 
Σε αυτό το έγγραφο, ανιχνεύονται οδικά pixels σε εναέριες φωτογραφίες χρησιμοποιώντας μια πολλαπλής-ανάλυσης κυματιδιακή προσέγγιση. Η μέθοδος περιλαμβάνει μια διαφορική γεωμετρική προσέγγιση για την ανίχνευση των pixels που αποτελούν οδικό δίκτυο βάσει των μετατροπών των κυματιδίων. Χρησιμοποιώντας τη προσέγγιση αυτή, μας επιτρέπει να επεκτείνουμε τη διαφορική προσέγγιση γεωμετρίας προκειμένου να ενσωματώσει τις πολλαπλές κλίμακες. Οι γραμμικοί αλγόριθμοι ανίχνευσης χαρακτηριστικών γνωρισμάτων είναι ευαίσθητοι στις αλλαγές των εικόνων. Επομένως, απαιτείται μια μέθοδος ισχυρή στις παραλλαγές των εικόνων κι έτσι θα βελτιωνόταν η πιθανότητα της επιτυχίας της επόμενης επεξεργασίας. Η μετατροπή των κυματιδίων αποτλεί μια κατάλληλη μέθοδο για τις πληροφορίες στις διαφορετικές αναλύσεις εικόνας. Παραδείγματος χάριν, έχει αποδειχθεί ότι η εξέλιξη των τοπικών μεγίστων κυματιδίων στις κλίμακες χαρακτηρίζει την τοπική μορφή των δομών. Λόγω του ότι οι ιδιομορφίες μπορούν να εμφανιστούν σε όλες τις κλίμακες, οι μετατροπές κυματιδίων πολλαπλών-κλιμάκων έχουν χρησιμοποιηθεί για να ανιχνεύσουν τις ακμές, τα όρια και τους δρόμους. Έχει αποδειχθεί ότι τα προϊόντα των συντελεστών πολλαπλών-κλιμάκων της μετατροπής κυματιδίων μειώνουν γενικά το συσχετισμό του εισαγώμενου θορύβου διότι έχουν μια έμφυτη δυνατότητα να καταστείλουν τις απομονωμένες ωθήσεις και τους στενούς σφυγμούς, ανάλογα με το ποσό της χρησιμοποιούμενης λείανσης. Επιπλέον,έχει αναπτυχθεί μια ισχυρή μέθοδος για την ανίχνευση ακμών για τις θορυβώδεις εικόνες, χρησιμοποιώντας τα προϊόντα της μετατροπής κυματιδίων στις κλίμακες. Εξετάστηκε μια διαφορική προσέγγιση γεωμετρίας για την ανίχνευση των οδικών pixels σε ενιαία κλίμακα. Σε αυτή τη προσέγγιση, χρησιμοποιήθηκαν για να ανιχνεύσουν τα pixels των γραμμών οι μεγάλες τιμές της απόλυτης αξίας του δεύτερου παραγώγου κατεύθυνσης μιας εικόνας, η χρησιμοποίηση ενός δεύτερου παραγώγου ενός γκαουσσιανού φίλτρου [http://tams-www.informatik.uni-hamburg.de/applets/hades/webdemos/00-intro/02-imageprocessing/gauss.html] και η εξαφάνιση των πρώτων παραγώγων κατεύθυνσης σε μια κανονική κατεύθυνση . Αναδιατυπώθηκε αυτή η προσέγγιση στα πλαίσια ενός συνεχούς πλαισίου κυματιδίων έτσι ώστε να μπορούμε να χρησιμοποιήσουμε μια αντίστοιχη πρσέγγιση για την οδική ανίχνευση. Χρησιμοποιήθηκε αυτή η διαφορική προσέγγιση γεωμετρίας πολλαπλών-κλιμάκων για να παραχθούν τα χωρικά φίλτρα περιοχών για την εξαγωγή οδικών pixels. Ένας ανθρώπινος χειριστής προτείνει την υπόθεση ότι μεταξύ δύο σημείων υπάρχει δρόμος. Κατόπιν, ο υπολογιστής εκτελεί το χαμηλού επιπέδου στόχο για την εύρεση των οδικών pixels. Σε αυτήν την προσέγγιση, απαιτείται μια υψηλής-πιθανότητας μέθοδος που ανιχνεύει τα χαρακτηριστικά γνωρίσματα, όπως τα pixels οδικού δικτύου. Έπειτα, εξετάζεται η θεωρία πίσω από τη προσέγγισή αυτή και συγκρίνει τα αποτελέσματα της προσέγγισης πολλαπλής-κλίμακάς με αυτή μιας ενιαίας κλίμακας και έπειτα επικυρώνεται με τη χρήση συνθετικών εικόνων.

Μεθοδολογία 
Προσπαθώντας να αξιολογηθεί η προτεινόμενη μέθοδος, εφαρμόστηκαν τα πειράματα σε συνθετικές εικόνες με αρκετές διαβαθμίσεις θορύβου. Χρησιμοποιήσαμε δύο εικόνες, όπου κάθε μια αποτελείται από μια ενιαία περιοχή κύκλων διαμέτρου 147 pixels, και το πλάτος τους είναι ένα και επτά pixels αντίστοιχα, σε ένα σταθερό (μηδέν) υπόβαθρο. Χρησιμοποιήσαμε τις εικόνες των κύκλων για να διατηρηθούν αμετάβλητες όλες οι γωνίες ενός δρόμου. Ποικίλαμε την αναλογία Signal to Noise Radio (SNR) των συνθετικών εικόνων χρησιμοποιώντας τον πρόσθετο γκαουσσιανό λευκό θόρυβο. Μετά από την επεξεργασία των συνθετικών εικόνων που χρησιμοποιούν τον αλγόριθμό μας, συγκρίναμε τα αποτελέσματα με μια αναφορά. Χρησιμοποιήσαμε ένα μοναδικό pixel απαλαγμένο από θόρυβο πλάτος κύκλου(???) επειδή είναι το ιδανικό αποτέλεσμα. Βρέθηκε το μέσο τετραγωνικό σφάλμα (MSE) μεταξύ της αναφοράς και των εικόνων που υποβάλονται σε επεξεργασία από τον αλγόριθμό μας ώστε να δώσει μια γενική ιδέα για την απόδοση της μεθόδου παρουσία του θορύβου. Αρχικά, υπολογίσαμε το MSE στην περιοχή που καταλήφθηκε μόνο από την περιοχή των κύκλων στην εικόνα αναφοράς και στην αντίστοιχη περιοχή στις επεξεργασμένες εικόνες. Ο υπολογισμός του MSE σε αυτή τη περιοχή έδωσε μια ένδειξη μη-εντοπισμένων οδικών pixels ή λανθασμένα-εντοπισμένων. Υπολογίσαμε επίσης το MSE στην περιοχή του κύκλου στην εικόνα αναφοράς και την αντίστοιχη περιοχή στις επεξεργασμένες εικόνες.
Ο υπολογισμός του MSE σε αυτήν την περιοχή έδωσε την ένδειξη των ανιχνευμένων οδικών pixels χωρίς να υπάρχουν, ή θετικά λάθη (false positives). Συγκρήθηκαν τα αποτελέσματα της επεξεργασίας των δύο κλιμάκων με αυτές της μίας κλίμακας. Στην πολλαπλή κλίμακα χρησιμοποιήσαμε αυτή που χρησιμοποιήθηκε στην ενιαία κλίμακα a0 και 1.5a0.
 
[[Εικόνα:garg_wavelet_1_09.jpg|right|thumb||Εικόνα 1 :Δορυφορικές εικόνες πριν και μετά την επεξεργασία, [http://www.asprs.org/publications/pers/2005journal/june/2005_june_689-697.pdf]πηγή]]
 
Τα αποτελέσματα έδειξαν ότι το σφάλμα στην πολλαπλή κλίμακα ήταν το μισό σε σύγκριση με αυτό της ενιαίας κλίμακας με τη διαφορά ότι αυξάνεται όπου to SNR μειώνεται. Οπτικά, οι διαφορές μεταξύ της ενιαίος-κλίμακας και των προσεγγίσεων πολλαπλής-κλίμακας παρουσιάζονται στο σχήμα 8, όπου μια δορυφορική εικόνα 256x256 pixels χρησιμοποιήθηκαν στα πειράματα. Το αποτέλεσμα της επεξεργασίας που χρησιμοποιεί μόνο μια κλίμακα για τρία pixels δρόμων, a0 = 6, φαίνονται στο figure 8b καθώς και των δύο κλιμάκων (ao=6, ao=9). Yπολογίσαμε το MSE μεταξύ των εικόνων 8b και 8c, και το προϊόν ενός σχεδιασμένου με το χέρι οδικού δικτύου και της αρχικής εικόνας. το ΜSE της εικόνας 8c ήταν 6.2 % λιγότερο από αυτό της 8b. Όταν εξετάζονται μόνο τα pixels που αφορούν οδικό δίκτυο, το MSE αυξάνεται κατά 8% όταν επεξεργάζεται με τις πολλαπλές κλίμακες. Εντούτοις, κατά την εξέταση των pixels μη οδικού δικτύου , το MSE μειώθε από 34.7% όταν χρησιμοποιήθηκαν οι πολλαπλάσιες κλίμακες.
 
Αποτελέσματα Οδικού Δικτύου 
Καταφέραμε να εντοπίσουμε οδικά δίκτυα χρησιμοποιώντας προσεγγίσεις μέσω υπολογιστή. Για να ανιχνευθεί ένας δρόμος χρησιμοποιώντας αυτή τη πρσέγγιση , ένας χρήστης «βουρτσίζει» μια πορεία μεταξύ των pixels έναρξης και λήξης που βρίσκονται σε ένα γραμμικό χαρακτηριστικό γνώρισμα. Το βήμα βουρτσίσματος μπορεί να γίνει πολύ γρήγορα χρησιμοποιώντας ένα εργαλείο-στυλό το πλάτος του οποίου μπορεί να ρυθμιστεί. Κατόπιν, ένας δυναμικός προγραμματιστικός αλγόριθμος λειτουργεί μόνο στη βουρτσισμένη περιοχή για να βρεί την πορεία που αποτελείται από το επιθυμητό χαρακτηριστικό γνώρισμα μεταξύ των pixels έναρξης και λήξης. Η βουρτσισμένη εικόνα παρουσιάζεται στην εικόνα 9α όπου τονίζεται η «βουρτσισμένη» περιοχή.
 
[[Εικόνα:garg_wavelet_2_09.jpg|right|thumb||Εικόνα 2 :Δορυφορικές εικόνες επεξεργασμένες με τον προτεινόμενο αλγόριθμο, [http://www.asprs.org/publications/pers/2005journal/june/2005_june_689-697.pdf]πηγή]]
 
Ο δυναμικός προγραμματισμός του αλγορίθμου λειτουργεί πραγματικά στο αποτέλεσμα ανίχνευσης οδικού pixel. Ουσιαστικά ο αλγόριθμος ορίζει την πιθανότητα ενός pixel να είναι μέρος του δρόμου. Οι μέθοδοι προγραμματισμού για τις κοντινότερες-πορείες μεταξύ δύο pixels είναι πολύ επιτυχείς στην ανίχνευση μεγάλων χαρακτηριστικών γνωρισμάτων των γραμμών στις εικόνες. Αλγόριθμοι με δυνατές προγραμματιστικές ικανότητες είναι απλοί στο να τους προγραμματίσεις και είναι ιδιαίτερα αποδοτικοί, χαρακτηριστικά που το καθιστούν ικανό για τον εντοπισμό της βέλτιστης συνολικής πορείας. Ο αλγόριθμος του Dijkstra λύνει το πρόβλημα της κοντινότερης πορείας από ένα σημείο μιας γραφικής παράστασης σε έναν προορισμό. Πραγματικά, οι κοντινότερες πορείες από μια δεδομένη πηγή σε όλα τα σημεία μιας γραφικής παράστασης βρίσκονται συγχρόνως και αυτό σχετίζεται με το πρόβλημα της παρουσίας δέντρων. (Περισσότερες πληροφορίες για την εφαρμογή του αλγορίθμου Dijkstra θα βρείτε εδω: http://www.asprs.org/publications/pers/2005journal/june/2005_june_689-697.pdf) Όσο χρησιμοποιούμε το περιβάλλον του υπολογιστή μας, γνωρίζουμε τη γενική θέση των pixels του οδικού δικτύου και θέλουμε να τη προσδιορίσουμε χωρίς σφάλμα. H πιο χρήσιμη μέτρηση είναι το μήκος ενός δρόμου που μπορεί να σχεδιαστεί σωστά. Τα pixels με τις τιμές που παρεκκλίνουν από το ιδανικό αποτέλεσμα μπορεί να κοντύνουν το μήκος του δρόμου που μπορεί σχεδιαστεί.
 
[[Εικόνα:garg_wavelet_3_09.jpg|right|thumb||Εικόνα 3 :Βελτιστοποίηση του MSE των κύκλων των εικόνων ως λειτουργία των SNR, [http://www.asprs.org/publications/pers/2005journal/june/2005_june_689-697.pdf]πηγή]]
 
Επομένως, χρησιμοποιήσαμε το MSE ως μέτρο. Βρήκαμε ότι η αναλογία του συνολικού MSE για την πολλαπλή κλίμακα και τα αποτελέσματα της ενιαίας κλίμακας επιδεικνύουν τα αποτελέσματα στο σχήμα 10 σαν λειτουργία των SNR. Αυτά τα αποτελέσματα δίνουν μια ένδειξη αύξησης στο μήκος του δρόμου που μπορεί να αποτυπωθεί. Τα αποτελέσματα δείχνουν ότι η προσέγγισή μας αυξάνει το μήκος για τους δρόμους ενός και επτά pixels ευρέως.
 
Συμπεράσματα 
Η ομαλοποίηση των φίλτρων σε μια διαφορική προσέγγιση γεωμετρίας τους επιτρέπει να χρησιμοποιηθεί σε ένα πλαίσιο κυματιδίων. Κατά αυτόν τον τρόπο, επεκτείναμε μια διαφορική προσέγγιση γεωμετρίας που χρησιμοποιήθηκε για την ανίχνευση pixels οδικού δικτύου στις πολλαπλές κλίμακες. Αυτό οδήγησε σε μια βελτίωση στην ανίχνευση των pixels του οδικού δικτύου. Διαπιστώσαμε ότι η χρησιμοποίηση των πολλαπλάσιων κλιμάκων μείωσε σημαντικά τον αριθμό πιθανών ψεύτικων θετικών (???). Η προσέγγιση λειτούργησε καλά με μια υπολογιστική προσέγγιση, όπου ο σπόρος η τα πιθανά pixles που μας ενδιαφέρουν θα πρέπει να έχουν ένα υψηλό επίπεδο εμπιστοσύνης ώστε να είναι σωστό. Διαπιστώσαμε ότι η προσέγγισή μας οδήγησε σε μια αποτελεσματική μέθοδο για τους δρόμους στις εναέριες εικόνες.

Δημιουργία και αξιολόγηση μοντέλων για τον υπολογισμό της πυκνότητας του πληθυσμού

2011-02-14T15:35:16Z

Argyropoulou Grigoria:

[[category:Νέα δοκιμαστική υποκατηγορία]]

Δημιουργία και αξιολόγηση μοντέλων για τον υπολογισμό της πυκνότητας του πληθυσμού 
Πρωτότυπος τίτλος : Building and Evaluating Models to
Estimate Ambient Population Density.Πηγή : Steven M. Kloiber, Patrick L. Brezonik, Leif G. Olmanson, Marvin E. Bauer, Photogrammetric Engineering & Remote Sensing
Vol. 69, No. 5, May 2003, pp. 545–553.
[http://www.asprs.org/publications/pers/2003journal/may/2003_may_545-552.pdf]
 
Περίληψη 
Η πυκνότητα του πληθυσμού αποτελεί ένα συνηθισμένο χαρακτηρισμό του
γεωγραφικού διαστήματος σε ένα ευρύ φάσμα κλιμάκων.
Οι μετρήσεις της πυκνότητας του πληθυσμού είναι χρήσιμες σε πολλές εφαρμογές όπως στην εκτίμηση της περιβαλλοντικής επίδρασης, στον προγραμματισμό μεταφορών, στην λήψη αποφάσεων οικονομικής φύσεως, και σε πολλές άλλες εφαρμογές.
Οι χρήσιμες μετρήσεις της πυκνότητας του πληθυσμού πρέπει να πραγματοποιούνται σε κατάλληλες, συγκεκριμένες χωρικές και χρονικές κλίμακες εφαρμογής. Εντούτοις, τα δεδομένα του πληθυσμού δεν είναι πάντα διαθέσιμα στις χωρικές και χρονικές αναλύσεις που απαιτούνται. Σ αυτό το έγγραφο ερευνήθηκαν κάποιες εμπειρικές και θεωρητικές προσεγγίσεις ώστε να υπάρχει η δυνατότητα υπολογισμού της πυκνότητας του πληθυσμού του περιβάλλοντος. Η περιβαλλοντική πυκνότητα πληθυσμών είναι ένα χρονικά υπολογισμένο κατά μέσο όρο μέγεθος της πυκνότητας πληθυσμών που ενσωματώνει την ανθρώπινη κινητικότητα. Ποια είναι η κατάλληλη μέθοδος για να χαρακτηρίσει την πυκνότητα του πληθυσμού ενός pixel στο χώρο και στο χρόνο; Θα μπορούσαν όλα τα pixels να σταθεροποιηθούν στην πυκνότητα του πληθυσμού κατά στη διάρκεια της ίδιας χρονικής περιόδου; Ένα pixel σε μια διάβαση πεζών σε μια πολυσύχναστη διατομή της πόλης μπορεί να φτάσει σε ένα σταθερή πυκνότητα πληθυσμού κατά τη διάρκεια μιας μέρας, αυτό όμως μπορεί να χρειαστεί ένα διάστημα εβδομάδων, μηνών κτλ. για ένα pixel σε ένα συνεδριακό κέντρο που σταθεροποιεί λόγω περισσότερων ακραίων διακυμάνσεων τη ροή των ανθρώπων. Δηλαδή, η χρονική μεταβλητότητα είναι ένα ζήτημα που πρέπει να ληφθεί καλά υπόψην στην εκτίμηση της πυκνότητας των πληθυσμών.
 
Η περιοχή μελέτης-Τηλεπισκοπικά δεδομένα 
Τα τρία μοντέλα της πυκνότητας πληθυσμών που χρησιμοποιούνται σε αυτή τη μελέτη είναι το GPW (Gridded Population of the World), το LandScan , και ένα μοντέλο που προέρχεται από δορυφορικές νυχτερινές εικόνες και παρέχεται από τον δορυφόρο DMSP-OLS. Τα δεδομένα που χρησιμοποιήθηκαν για να αξιολογήσουν αυτές τις εκτιμήσεις της πυκνότητας πληθυσμών ήταν ένα πλέγμα των 1 km²της πυκνότητας του πληθυσμού που προήλθαν από δεδομένα απογραφής του 1990 των Ηνωμένων Πολιτειών και από το δημόσιας χρήσης Microstation της απασχόλησης των εργαζομένων στην περιοχή του Λος Άντζελες.
 
Μεθοδολογία 
Τα πρότυπα πυκνότητας του πληθυσμού χρησιμοποιήθηκαν για να επικυρώσουν αυτά τα πρότυπα του πλέγματος της πυκνότητας των πληθυσμών, που προήλθαν από το μπλοκ των διοικητικών ορίων της Αμερικανικής απογραφής το 1990. Αυτά τα στοιχεία αναφοράς αξιοποιήθηκαν με τρεις τρόπους ώστε να συλληφθεί η κινητικότητα και να προσεγγιστεί η περιβαλλοντική πυκνότητα των πληθυσμών: 1)χωρική συνάθροιση στα μεγαλύτερα pixels, 2) χρήση φίλτρων μέσης τιμής, 3) χρήση των δεδομένων απασχόλησης και κατοικίας στη δεδομένη περιοχή. Η συνολική πυκνότητα των πληθυσμών προήλθε από το PUMS για την περιοχή του Los Angeles. Οι δύο πρώτοι χειρισμοί είναι ισοτροπικοί, ενώ στην πραγματικότητα θα ποικίλλει περιφερειακά τα ανισότροπα σχέδια κινητικότητας που θα επηρεάσουν οποιαδήποτε ακριβή αντιπροσώπευση του περιβαλλοντος σε αντίθεση με την κατοικία στην πυκνότητα πληθυσμών.
Η χωρική αυτοσυσχέτιση είναι μια ιδιότητα του συνόλου δεδομένων της πυκνότητας που παρουσιάζει τα προβλήματα για τα ακριβή πρότυπα για να υπολογίσει τον υψηλό βαθμό της χωρικής μεταβλητότητάς του. Η χωρική συνάθροιση μειώνει τη μεταβλητότητα των τιμών του pixel προς το μέσο όρο τους. Χαρακτηριστικά, οι τιμές του pixel έχουν την υψηλή μεταβλητότητα στις μικρές αναλύσεις και χαμηλότερη μεταβλητότητα στις πιο υψηλές αναλύσεις ενώ η συνεχής συνάθροιση οδηγεί τελικά σε μια μέση πυκνότητα των πληθυσμών για ολόκληρο τον πλανήτη. Η λείανση διατηρεί το χωρικό ψήφισμα του συνόλου δεδομένων αλλά μειώνει την μεταβλητότητα των pixels τοπικά. Σε αυτή τη μελέτη τα επίγεια δεδομένα που συλλέχθηκαν λειάνθηκαν χρησιμοποιώντας ένα φίλτρο μέσης τιμής μεγέθους 5x5 και ένα άλλο μεγέθους 11x11. Η αιτιολόγηση της μέσης λείανσης είναι ότι το στοιχείο απογραφής καταγράφει που είναι οι άνθρωποι τη νύχτα. Ένα μέσο χωρικό φίλτρο αποτελεί μια μέθοδο λείανσης που στην πραγματικότητα προσπαθεί να συλλάβει την κίνηση των ανθρώπων από το σπίτι προς το γραφείο, προς το κατάστημα ή και το σχολείο. Στις Ηνωμένες Πολιτείες το 1975 η μέση απόσταση της διαδρομής σπίτι-εργασιακός χώρος ήταν περίπου 9 μίλια. Να σημειωθεί ότι το φιλτράρισμα είναι ένα μέσο προσέγγισης της περιβαλλοντικής πυκνότητας των πληθυσμών που προκύπτει από τις ανθρώπινες μετακινήσεις.
Η χρήση ενός φίλτρου λείανσης εξυπηρετεί σε δύο σκοπούς:Καταρχάς, η λείανση μπορεί να παράγει μια εικόνα που είναι περισσότερο αντιπροσωπευτική της περιβαλλοντικής πυκνότητας του πληθυσμού μέσω του χρόνου. Δεύτερον, η λείανση αυξάνει τη χωρική αυτοσυσχέτιση των στοιχείων, μειώνοντας στην ουσία το steepness των αποσυνθέσεων. Μια περιοχή που εξηγεί το πρόβλημα την υψηλής χωρικής μεταβλητότητας των μετρήσεων της πυκνότητας των κατοικιών του πληθυσμού, είναι αυτή του πανεπιστημίου της Καλιφόρνιας στην Πανεπιστημιούπολη Santa Barbara (UCSB) και της κοντινής κοινότητας των σπουδαστών Vista Isla. Τα αρχεία απογραφής παρουσιάζουν το UCSB έχοντας μια πολύ χαμηλή πυκνότητα πληθυσμού, ενώ η Vista Isla έχει μερικά από τα πιο πυκνά κομμάτια απογραφής στα δυτικά του Μισισιπή. Μια μέση λείανση της εικόνας της πυκνότητας του πληθυσμού αυξάνει αυτή τη πυκνότητα των περιοχών όπως στην πανεπιστημιούπολη UCSB και ιδιαίτερα όπου οριοθετούν τη περιοχή Vista Isla. Επιπλέον, η προαναφερόμενη κοινότητα έχει χαμηλή πυκνότητα πληθυσμού εμπορικής φύσης δίπλα στις κατοικημένες περιοχές υψηλής πυκνότητας που επιλύονται από τα πολύγωνα φραγμών απογραφής και το αποτέλεσμα του πλέγματος είναι 1 km²που προέρχονται από αυτές. Αυτό αποτελεί καλό παράδειγμα υψηλής χωρικής μεταβλητότητας στη λεπτή κλίμακα. Το φίλτρο λείανσης παράγει μια αντιπροσώπευση της πυκνότητας πληθυσμών στη Vista Isla που διαδίδει τον πληθυσμό πιό ομοιόμορφα μεταξύ των εμπορικών και των κατοικήσιμων περιοχών στην κοινότητα. Το μοντέλο της πυκνότητας πληθυσμών που προήλθε από τα νυχτερινές δορυφορικές εικόνες αξιολογήθηκαν στο σύνολο δεδομένων πυκνότητας πληθυσμών 1 km², και στις συναθροίσεις του συνόλου δεδομένων στα pixels με πλευρές 5-10 km². Οι εικόνες μεγαλύτερων pixels απλά σημαίνουν συναθροίσεις της λεπτομερούς ανάλυσης της εικόνας. Το αποτέλεσμα ‘προβλέψεις’ της πυκνότητας του πληθυσμού συγκρίθηκε έπειτα και με την φιλτραρισμένη εικόνα και με τη μη-φιλτραρισμένη πυκνότητα των πληθυσμών των βάσεων δεδομένων αναφοράς.
Η τρίτη μέθοδος για την αξιολόγηση των εκτιμήσεων πληθυσμού GPW, LandScan και Nighttime-Image εστίασε στην μητροπολιτική περιοχή του Λος Άντζελες. Η ‘βάση δεδομένων αναφοράς’ της περιβαλλοντικής πυκνότητας πληθυσμού που χρησιμοποιήθηκε για την περιοχή μετρό του Λος Άντζελες ήταν ένας απλός αριθμητικός μέσος όρος της μέτρησης βάσης-κατοικίας της πυκνότητας πληθυσμών που προέκυψαν από τα στοιχεία απογραφής του 1990 και μιας μέτρησης βάσης-απασχόλησης πληθυσμού που προέκυψε από τα στοιχεία PUMS.
 
Αποτελέσματα και ανάλυση 
Η αστική περιοχή που αποτελεί τη Μινεάπολη και το Σεντ Πολ παρέχει μια καλή απεικόνιση της εμφάνισης αυτών των μοντέλων και προτύπων με τα οποία συγκρίθηκαν (εικόνα1). Η εικόνα περιλαμβάνει την μη-φιλτραρισμένη πυκνότητα του πληθυσμού που προέρχονται από τα πολύγωνα της ομάδας φραγμών της απογραφής των ΗΠΑ, 1990, από τα φίλτρα μέσης τιμής 5x5, 11x11 εκείνων των στοιχείων, το μοντέλο που προήλθε από τα στοιχεία εικόνας DMSP OLS και το σφαιρικό πρόγραμμα δημογραφίας 5x5 λεπτών.
 
[[Εικόνα:garg_mean_1_08.jpg|right|thumb||Εικόνα 1 :Παρουσίαση των περιβαλλοντικών πυκνοτήτων του πληθυσμού σύμφωνα με τις προτεινόμενες μεθόδους στην περιοχή Minneapolis-St. Paul, [http://www.asprs.org/publications/pers/2003journal/may/2003_may_545-552.pdf]πηγή]]
 
Λόγω του ότι τα μοντέλα που προέρχονται από το DMSP OLS νυχτερινών εικόνων, παράγονται μόνο πέρα από τις αστικές περιοχές, τα αποτελέσματα της εικόνας 1 περιορίζονται στις περιοχές του DMSP OLS εικόνων. Εστιάζοντας σ αυτά τα pixels, αναλύουμε το 10% του εδάφους που περιέχει σχεδόν το 80% των ανθρώπων. Οι ηπειρωτικές Ηνωμένες Πολιτείες είχαν 5.881 αστικές συστοιχίες με μέσο όρο πληθυσμού 32.952. Σαν εκτίμηση του αστικού πληθυσμού, είναι 4% από την τιμή του γραφελιου αναφοράς πληθυσμού των 75%. Τα πρότυπα συγκρίθηκαν στην ανάλυση των 1,5,11 km². Ο Πίνακας 1 συνοψίζει τις συγκρίσεις των μοντέλων GPW και DMSP OLS του πληθυσμού και στα χωρικά αθροισμένα και στα φιλτραρισμένα πρότυπα. Τα πρότυπα είναι της μέτρησης των km² της πυκνότητας του πληθυσμού που προκύπτουν από την απογραφή του 1990 και η έκδοση του 5x5 φίλτρου μέσης τιμής του συνόλου δεδομένων. Οι εκτιμήσεις του DMSP μοντέλου ξεπέρασε τις σφαιρικές εκτιμήσεις προγράμματος δημογραφίας σχεδόν στις κλίμακες κάθε κατηγορίας, συμπεριλαμβανομένης της κλίμακας των σφαιρικών στοιχείων προγράμματος δημογραφίας. Οι φιλτραρισμένες εικόνες.
 
[[Εικόνα:garg_mean_2_08.jpg|right|thumb||Πίνακας 1 :Σύγκριση των προτύπων GPW, DMSP OLS στα πρότυπα όλων των αστικών Αμερικανικών περιοχών, [http://www.asprs.org/publications/pers/2003journal/may/2003_may_545-552.pdf]πηγή]]
 
Στην εικόνα2 παρουσιάζονται τα λάθη της DMSP OLS συγκρινόμενα με τη μη-φιλτραρισμένη εικόνα πυκνότητας πληθυσμού στην περιοχή του Λος Αντζελες. Τα λάθην εντοπίστηκαν από τη χωρική μη-κατανεμημένη περιοχή. Οι υπερεκτιμήσεις (μπλε) παρουσιάστηκαν στις well-lit περιοχές που έχουν χαμηλές πυκνότητες πληθυσμού σύμφωνα με τα στοιχεία απογραφής, ενώ αυτές που εκτιμήθηκαν σωστά εμφανίστηκαν στα υψηλά εμπορικά κέντρα πυκνότητας πληθυσμών. Πολλά από τα λάθη είναι εύκολα να ερμηνευθούν. Για παράδειγμα, η πυκνότητα πληθυσμού στα αστικά κέντρα είναι σωστά υπολογισμένη. Αυτές οι περιοχές τείνουν να παρουσιάζονται σωστά στην εικόνα. Εντούτοις, το γραμμικό ποσοστό του πληθυσμού που διατίθεται σ αυτές τις περιοχές βασισμένες στην ελαφριά ένταση είναι ανεπαρκές για να αποτελέσει πραγματική πυκνότητα πληθυσμού. Αυτά τα λάθη θα μπορούσαν να μετριαστούν με τη χρήση μιας μη-γραμμικής κατανομής της πυκνότητας πληθυσμών αλλά θα αύξανε τα υπάρχοντα λάθη της υπερεκτίμησης. Τα δύο μεγάλα αεροδρόμια στη συστοιχία είναι σημαντικά υπερεκτιμημένα. Η περιοχή γύρω από το διεθνές αεροδρόμιο του Λος Άντζελες (LAX) αποτελεί ένα μεγάλο λάθος υπερεκτίμησης της πυκνότητας πληθυσμών. Το αεροδρόμιο αυτό είναι ένας από τους μεγαλύτερους εργοδότες της πόλης και δεκάδες χιλιάδες άνθρωποι πετούν από αυτό, προς αυτό ή μέσω αυτού σε καθημερινή βάση, αλλά παρόλα αυτά η περιοχή έχει σχετικά χαμηλή πυκνότητα πληθυσμού σύμφωνα με την κατοικημένη περιοχή (στοιχεία που προκύπτουν από την απογραφή).
 
[[Εικόνα:garg_mean_3_08.jpg|right|thumb||Εικόνα 2 :Απεικόνιση του σφάλματος της αστικής συστοιχίας του Los Angeles, [http://www.asprs.org/publications/pers/2003journal/may/2003_may_545-552.pdf]πηγή]]
 
Θεωρητικά καλύτερα πρότυπα της περιβαλλοντικής πυκνότητας θα μπορούσαν να προέλθουν από το χρονικά υπολογισμένο μέσο όρο της χωρικής συμπεριφοράς όλων των προσώπων παρόντων μες στην περιοχή του Λος Άντζελες για εκείνο το δεδομένο χρόνο. Το οικονομικό και πρακτικό εμπόδιο στην απόκτηση ενός τέτοιου συνόλου δεδομένων είναι προς το παρόν αξεπέραστο, εντούτοις ένα βελτιωμένο πρότυπο της περιβαλλοντικής πυκνότητας πληθυσμών, αποκτήθηκε από το συνδυασμό της μέτρησης του 1990 των βασισμένων σε κατοικίες πυκνοτήτων πληθυσμών και του 1990 των βασισμένων σε απασχόληση που προήλθαν από τα στοιχεία PUMS. Η χωρική συνάθροιση και το φίλτρο μέσης τιμής είναι κάπως ειδικής προσπάθειας στην παραγωγή περιβαλλοντικών προτύπων πυκνότητας πληθυσμών από μία μέτρηση σε βασισμένη-κατοικία της πυκνότητας πληθυσμού. Είναι ισοτροπικοί στη φύση, και η γνώση της ανθρώπινης και χωρικής συμπεριφοράς μας λέει ότι η περιβαλλοντική πυκνότητα του πληθυσμού δεν μπορεί να προέλθει από ένα ισοτροπικό χειρισμό μιας βασισμένης σε κατοικία πυκνότητα πληθυσμού. Τα τελικά πρότυπα από την περιβαλλοντική πυκνότητα αποκτήθηκαν υπολογίζοντας κατά μέσο όρο μιας μέτρησης σε κατοικία και μιας μέτρησης πυκνότητας πληθυσμών για την περιοχλη του Λος Άντζελες. Αυτός ο χειρισμός ενσωματώνει τα πρόσθετα εμπειρικά στοιχεία και συλλαμβάνει συνεπώς μερικές από τις ανισότροπες φύσεις της διαφοράς μεταξύ της βασισμένης σε κατοικία πυκνότητας πληθυσμών και της περιβαλλοντικής πυκνότητας των πληθυσμών. Η εκτίμηση της περιβαλλοντικής πυκνότητας αποκτήθηκε από το DMSP OLS νυχτερινής εικόνας και ήταν η μόνη εκτίμηση η οποία σχετίζεται με τα πρότυπα που προήλθαν από την βασισμένα στην απασχόληση και στην κατοικία και ήταν υψηλότερο από το συσχετισμό του είτε με την κτοικία είτε μόνο στην απασχόληση. Η Εικόνα3 συνοψίζει τις συγκρίσεις του DMSP OLS προτύπου που αποκτήθηκε και των προτύπων βασισμένων σε κατοικία και απασχόληση της περιοχής του Λος Άντζελες. Είναι σημαντικό να σημειωθεί ότι το χωρικό σχέδιο του λάθους στην εικόνα2 είναι περισσότερο τυχαίο από το λάθος που παρουσιάστηκε από τη μέτρηση της βασισμένης σε κατοικία της εικόνας1.Μια ανάλυση συχευτισμού του DMSP OLS, GPW, LandScan προτύπων βασισμένων σε κατοικία και απασχόληση προτύπων της πυκνότητας πληθυσμών στη περιοχή του μετρό του Λος Άντζελες διευθύνθηκε για να αξιολογηθεί η ακρίβεια αυτών των τριών αντιπροσωπεύσεων από την περιβαλλοντική πυκνότητα πληθυσμών. Το GPW και το DMSP OLS είχε την πιο ισχυρή συσχέτιση με τα πρότυπα της περιβαλλοντικής πυκνότητας πληθυμσού που αποκτήθηκαν από τις μετρήσεις των βασισμένων σε απασχόληση και κατοικίας πυκνοτήτων πληθυσμού. To GPW έχει την πιο υψηλή συσχέτιση με την μέτρηση του βασισμένο σε κατοικία και το DMSP OLS πρότυπο έχει τη μεγαλύτερη συχέτιση με τη μέτρηση του βασισμένου σε απασχόληση. Το DMSP OLS πρότυπο είναι το μοναδικό πρότυπο του οποίου η συχέτιση με το πρότυπο της περιβαλλοντικής πυκνότητας είναι υψηλότερο με είτε των βασισμένων σε κατοικίες είτε στα πρότυπα των βασισμένων σε απασχόληση μόνο. Το πρότυπο DMSP OLS έχει τη μεγαλύτερη διαφορά μεταξύ της αναμενόμενη αξία του συσχετισμού του με τα περιβαλλοντικά πρότυπα και τις παρατηρηθείσες αξίες του.
 
[[Εικόνα:garg_mean_4_08.jpg|right|thumb||Εικόνα 3: Συγκρίσεις της DMSP OLS εικόνας νυχτερινής ελαφριάς έντασης πέρα από το Λος Άντζελες των μετρήσεων πυκνοτήτων πληθυσμού των βασισμένων σε κατοικίες και χώρους εργασίας, [http://rsl.gis.umn.edu/Documents/RικSE%2082-2002_Kloiber_Regional%20lake%20clarity.pdf]πηγή]]
Αξιολόγηση 
Οι περισσότερες υπάρχουσες μετρήσεις της πυκνότητας του πληθυσμού προκύπτουν από αυθαίρετες χωρικές μονάδες μιας εθνικής απογραφής και αντιπροσωπεύουν την κατοικημένη πυκνότητα πληθυσμών. Η χρονική ποιότητα αυτών των μετρήσεων είναι διπλή υπό την έννοια ότι αυτοί μετρούν καλύτερα μια νυχτερινή πυκνότητα πληθυσμού και ο κύκλος επανάληψης της μέτρησης καθορίζεται από την πυκνότητα της απογραφής. Ενώ αυτό αποτελεί μια νόμιμη και χρήσιμη μέτρηση της πυκνότητας πληθυσμών, υπάρχουν διάφορα μειονεκτήματα σε αυτή τη μέτρηση που τα πρότυπα που περιγράφονται εδώ μπορούν να μετριάσουν. Μερικά από τα πλεονεκτήματα των GPW, LandScan και DMSP OLS της πυκνότητας των πληθυσμών είναι (1) ομοιόμορφες χωρικές μονάδες που ικανοποιούν τις ανάγκες για τις μελέτες των ανθρώπινων διαστάσεων της σφαιρικής αλλαγής, (2) ένα χρονικά υπολογισμένο κατά μέσο όρο μέτρο της πυκνότητας πληθυσμών βασισμένο στην ανθρώπινη κινητικότητα και (3) οι παραλλαγές αυτών των προτύπων που μπορούν να παρέχουν αυτή τη σφαιρική κάλυψη σε ένα συχνότερο επαναλαμβανόμενο κύκλο. Οι τρεις αντιπροσωπεύσεις της πυκνότητας των πληθυσμών που περιγράφηκαν εδώ έχουν διαφορετικές δυνάμεις. Το GPW και το LandScan καλύπτουν τις αγροτικές και αστικές περιοχές εκτιμώντας ότι το DMSP OLS μοντέλο έχει αναπτυχθεί μόνο για αστικές περιοχές. Η χωρική ανάλυση του DMSP OLS και του LandScan είναι καλύτερη από του GPW. Το GPW είναι μια οθσία στην αντιπροσώπευση των υπαρχόντων στοιχείων απογραφής ενώ το LandScan είναι ουσιασικά ένας χειρισμός GPW που αυξάνει τη χωρική μεταβλητότητα και την ανάλυση και προσπαθεί να ληφθεί περιβαλλοντικός σε αντίθεση με την βασισμένη σε κατοικία πυκνότητα πληθυσμών. Από την άλλη μεριά, το DMSP OLS πρότυπο χρησιμοποιεί μόνο ένα μεταβλητό και μπορούν να εφαρμοστούν ως ανεξάρτητη εκτίμηση του πληθυσμού και της πυκνότητάς τους. Γενικότερα, η αναγνώριση των δυνατοτήτων και των αδυναμιών αυτών των προτύπων που αναλύθηκαν, επιτρέπει τη συνεχή ανεξάρτητη βελτίωση τους ακόμη και για πιθανή συνεφαρμογή τους.
Το GPW πρέπει να παραμείνει ως gridded αντιπροσώπευση των δημογραφικών δεδομένων που παράγονται από τα αξιόπιστα, καλύτερα εκτιμώμενα επίσημα όρια, εθνικά καταγεγραμένων αριθμών στην καλύτερη διαθέσιμη χωρική ανάλυση. Το GPW θα μπορούσε να εξυπηρετήσει ως τμήμα του πλαισίου στοιχείων για την ανάπτυξη μιας γεωγραφικής βάσης δεδομένων των Ηνωμένων Εθνών. Ιδανικά η προσπάθεια θα εστιάσει στην κάλυψη του κενού στους τομείς της οικονομίας, της δημογραφίας ιδιαίτερα στις αναπτυσσόμενες χώρες. Το Landscan προέρχεται πλήρως από ψηφιακές δορυφορικές εικόνες και τα χαρτογραφικά προιόντα που είναι καλύτερης (finer) χωρικής και χρονικής ανάλυσης από τα παραδοσιακά στοιχεία απογραφής. Να σημειωθεί επίσης ότι οι χαρτογραφικές και ψηφιακής τηλεπισκόπησης απεικονίσεις είναι πιο οικονομικές και πιο εύκολες να αποκτηθούν σε αντίθεση με τους παραδοσιακούς τρόπους απογραφής. Η θεωρία έπρεπε να μετατρέψει αυτά τα στοιχεία σε πρόσθετες εκτιμήσεις, κοινωνικές, οικονομικές, δημογραφικές ιδιότητες εκτός από την πυκνότητα που εξελίσσεται γρήγορα. Το DMSP OLS είναι ένα άριστο σχετικό παράδειγμα. Οι σφαιρικές DMSP OLS εικόνες χρησιμοποιούνται για να παράγουν καλύτερη χωρική ανάλυση χαρτών των ανθρώπινων τακτοποιήσεων, χαρτογραφούν το αστικό ποσοστό και γενικότερα χρησιμεύουν σαν μέτρο πληρεξούσιου της οικονομικής δραστηριότητας, της κατανάλωσης ενέργειας, και τις εκπομπές του διοξειδίου του άνθρακα.

Αυτοματοποιημένη διαχείριση νεφοσκεπών περιοχών

2011-02-14T14:50:05Z

Argyropoulou Grigoria:

[[category:Νέα δοκιμαστική υποκατηγορία]]

 Αυτόματη αξιολόγηση κάλυψης συννέφου. 
Πρωτότυπος τίτλος :Landsat 7 Automatic Cloud Cover Assessment
Πηγή : Richard R. Irish, Science Systems and Applications, Inc.
[http://landsathandbook.gsfc.nasa.gov/handbook/pdfs/ACCA_SPIE_paper.pdf]
 
Περίληψη 
Αρχικός στόχος της αποστολής του Landsat 7 ήταν να παραχθεί ένα εποχιακό αρχείο χαρτογράφησης των ελεύθερων συννέφων για τις μάζες του γήινου εδάφους. Για να επιτευχθεί αυτός ο στόχος, αποκτήθηκαν 250 φωτογραφίες με Landsat 7 ΕΤΜ+ ο οποίες αρχειοθετήθηκαν. Η επιτυχία της αποστολής αυτής καθορίστηκε από τη φύση των ελέυθερων συννέφων που αποκτήθηκε από κάθε εικόνα. Επεκτάθηκε ένας αυτόματος αλγόριθμος αξιολόγησης κάλυψης συννέφων (ACCA) για τον υπολογισμό του τμήματος σύννεφων κάθε ETM+ εικόνας πριν από κάθε αρχειοθέτηση. Τα αποτελέσματα της κάλυψης συννέφων που προέκυψαν χρησιμοποιούνται στη συνέχεια από τους αρμόδιους για να ξαναπρογραμματίσουν τις αποτυχημένες αποκτήσεις και από τους χρήστες για να φιλτράρουν τις νεφώδεις σκηνές από τις ερωτήσεις βάσεων δεδομένων. O διαχωρισμός των συννέφων από την επιφάνεια που βρίσκεται κάτω από την έκταση τους φαίνεται απλή. Τα σύννεφα είναι άσπρα και πιο κρύα από την επιφάνεια του εδάφους και αυτές οι ιδιότητες ταιριάζουν με τα πολυφασματικά χαρακτηριστικά του ETM+. Εντούτοις, τα σύννεφα και η μεταβλητότητα της επιφάνειας του εδάφους, δημιουργούν προβλήματα. Τα ευρέα σχεδιαγράμματα του συντελεστή ανάκλασης και θερμοκρασίας για τα σύννεφα εμφανίζονται ανάμεσα στις σκηνές(???). Μια ταυτοποίηση των σύννεφων που λειτουργεί καλά για μια εικόνα μπορεί να είναι μη-αποτελεσματική για κάποια άλλη. Η ακρίβεια του προσδιορισμού του συννέφου επηρεάζεται επίσης από τα χαρακτηριστικά της επιφάνειας του εδάφους (χιόνι, άσπρη άμμος κτλ.) που έχουν συντελεστή ανάκλασης που είναι παρόμοιος και σε μερικές περιπτώσεις ίδιος με τα σύννεφα στα ETM+ κανάλια. Αναπτύχθηκε μια εξαρτώμενη προσέγγιση σκηνής για τον προσδιορισμό των σύννεφων για Landsat 7 για να ελαχιστοποιήσει τα αποτελέσματα της μεταβλητότητας σύννεφων. Ο αλγόριθμος χειρίζεται τον πληθυσμό σύννεφων σε κάθε σκηνή μεμονωμένα για να εξετάσει τα στοιχεία εικόνας δύο φορές. Το πρώτο πέρασμα μέσω των δεδομένων σχεδιάζεται για να συλλάβει τα σύννεφα και μόνο τα σύννεφα. Οκτώ διαφορετικά φίλτρα χρησιμοποιούνται για να απομονώσουν τα σύννεφα και τις περιοχές κάτω από αυτά και τα χαρακτηριστικά της επιφάνειας του εδάφους που προκαλούν προβλήματα όπως το χιόνι και η άμμος.
 
[[Εικόνα:garg_8filters_1_15.jpg|right|thumb||Εικόνα 1 : Εικόνα Landsat της Κασπία θάλασσας,[http://landsathandbook.gsfc.nasa.gov/handbook/pdfs/ACCA_SPIE_paper.pdf]πηγή]]
 
Μεθοδολογία 
Αρχικά, σχεδιάζεται ένα πέρασμα μέσω των ραδιομετρικά διορθωμένων στοιχείων της εικόνας για να απομονώσει τα σύννεφα και σχεδιάστηκαν οκτώ διαφορετικά φίλτρα για το λόγο αυτό ενώ τα λάθη παράλειψης είναι αναμενόμενα. Σαν πρώτος στόχος είναι να αναπτυχθεί μια αξιόπιστη υπογραφή σύννεφων για τη χρήση στο στάδιο δύο όπου προσδιορίζονται τα υπόλοιπα σύννεφα. Τα σφάλματα επιφόρτισης πρέπει να ελαχιστοποιηθούν δεδομένου ότι αλλοιώνουν την υπογραφή του συννέφου και διαστρεβλώνει το τελικό αποτέλεσμα της κάλυψης των σύννεφων. Προκύπτουν τρείς κατηγορίες από το πρώτο στάδιο επεξεργασίας, εντοπισμός συννέφων, μη εντοπισμός συννέφων και μια διφορούμενη ομάδα που ξαναμελετάται στο δεύτερο στάδιο. Πρίν την αξιολόγηση των 60 μέτρων του καναλιού 6 της εικόνας είναι pixels των καναλιών 30 μέτρων (??????). Αυτό επιτυγχάνεται μέσω της αναδίπλωσης του pixel. Κάθε pixel του καναλιού 6 γίνεται 2 και κάθε επεκταθείσα εικόνα του καναλιού 6 επαναλαμβάνεται. Το αρχικό δείγμα 3300 από 3000 γραμμές στο κανάλι 6 της εικόνας τώρα ταιριάζει χωρικά με τα κανάλια 30 μέτρων (6600 δείγματα από 6000 γραμμές). Το τελικό βήμα της προ-επεξεργασίας είναι να δημιουργηθεί μια ενιαία μάσκα σύννεφων που διαστασιολογικά ταιριάζει με μια εικόνα εισαγωγής μεγέθους 30 μέτρων. Η μάσκα σύννεφων χρησιμοποιείται για να αποθηκεύσει τα αποτελέσματα στα στάδια ένα και δύο. Όλα τα pixels σε μια ETM+ απεικόνιση υποβάλλονται διαδοχικά σε επεξεργασία. Το φιλτράρισμα εκτελείται σε κάθε pixel έως ότου απορριφθεί ή ταξινομηθεί ως σύννεφο. Στη συνέχεια παρουσιάζουμε την περιγραφή του κάθε φίλτρου που εφαρμόζεται.
 
1)Όριο φωτενότητας (Brightness Threshold). Κάθε κανάλι τριών pixel αρχικά συγκρίνεται με ένα όριο φωτεινότητας. Τα pixels που είναι κάτω αυτού του ορίου προσδιορίζονται σαν μη-εντοπισμό συννέφων και σημειώνονται στη μάσκα συννέφων. Τα pixels που υπερβαίνουν το όριο του καναλιού 3 που τίθεται στη τιμή των 0,8 μεταβαίνουν στο φίλτρο 2.
 
2)Ομαλοποιημένος δέικτης διαφοράς χιονιού (Normalized Snow Difference Index). Οι τιμές των pixel από τα κανάλια 2 και 5 ρησιμοποιούνται για να διατυπώσουν τον ομαλοποιημένο δείκτη χιονιού διαφοράς (NDSI). Το NDSI φίλτρο εκφράζεται ως εξής: NDSI = (κανάλι 2 – κανάλι 5) / (κανάλι 2 + κανάλι 5). Αυτό το φίλτρο είναι ιδιαίτερα χρήσιμο για την αφαίρεση του χιονιού. Ο συντελεστής ανάκλασης των σύννεφων και του χιονιού είναι παρόμοιος στο κανάλι 2. Εντούτοις, στο κανάλι 5, ο συντελεστής ανάκλασης για τα σύννεφα είναι πολύ υψηλός ενώ για το χιόνι είναι χαμηλός. Ο Hall ανακάλυψε ότι η NSDI τιμή μεγαλύτερη από 0.4 αντιπροσωπεύει την κάλυψη χιονιού αρκετά καλά. Αυτή η τιμή δοκιμάστηκε αρχικά για την ACCA για να αποβάλει το χιόνι αλλά αποβλήθηκαν επίσης τα σύννεφα που αποτελούνται από τα κρύσταλλα πάγου (π.χ. cirrostratus).Το κατώτατο όριο αυξήθηκε σε 0.7 για να συλλάβει τα σύννεφα αυτού του τύπου. Οι τιμές NDVI πάνω από αυτό το κατώτατο όριο είναι κατάλληλες ως χιόνι και καταγράφονται ως μη-εντοπισμός συννέφου στη μάσκα σύννεφων. Tα pixels χιονιού που παραμένουν μη φιλτραρισμένα συνήθως τίθενται σε ένα επόμενο φιλτράρισμα. Η γνώση ύπαρξης χιονιού σε μια σκηνή είναι σημαντική για το δεύτερο στάδιο επεξεργασίας κι έτσι διατηρείται ο έλεγχος των pixel χιονιού. Τα pixels που μειώνονται κάτω από το όριο NDSI περνούν στο φίλτρο 3.
 
3)Όριο θερμοκρασίας. Αυτό το φίλτρο εξετάζει τις θερμικές τιμές του καναλιού 6 για τα πιθανά pixels συννέφων. Εάν μια αξία ενός pixel υπερβαίνει 300K, μια ρεαλιστική μέγιστη θερμοκρασία συννέφου, είναι αποκλεισμένο και χαρακτηρισμένο ως μη-εντοπισμένο σύννεφο στη μάσκα. Όλα τα pixels με τιμή θερμοκρασίας λιγότερο από 300K περνούν στο φίλτρο 4.
 
4)Κανάλι 5/6 σύνθετο (Band 5/6 Composite). Οι τιμές των pixel από τα κανάλια 5 και 6 χρησιμοποιούνται για να διατυπώσουν τη ζώνη 5/6 σύνθετο. Το φίλτρο εκφράζεται ως εξής: Κανάλι5/6 composite = (1 – κανάλι 5) * κανάλι 6. Αυτό το φίλτρο λειτουργεί εξαιρετικά καλά επειδή τα σύννεφα είναι κρύα και ιδιαίτερα αντανακλαστικά στο κανάλι 5. Είναι ιδιαίτερα χρήσιμο για την εξάλειψη των κρύων χαρακτηριστικων γνωρισμάτων της επιφάνειας εδάφους που έχει ο συντελεστής ανάκλασης στο χαμηλό κανάλι 5 όπως το χιόνι και άλλα. Η ανάλυση ευαισθησίας έδειξε ότι ο καθορισμός ορίου των 225 δουλεύει άριστα. Οι τιμές των pixels επάνω από αυτό το όριο ονομάζονται διφοούμενα αποτελέσματα και περνούν στην επεξεργασία του δεύτερου σταδίου. Τα pixels που μειώνονται κάτω από αυτό το όριο περνούν στο φίλτρο 5.
 
5)Κανάλι αναλογίας 4/3 (Band 4/3 Ratio). Αυτό το φίλτρο αποβάλλει την ιδιαίτερα αντανακλαστική βλάστηση και είναι απλά κανάλι 4 συντελεστής ανάκλασης που διαιρείται με το κανάλι 3 του συντελεστή ανάκλασης. Κοντά στις υπέρυθρες ακτίνες (κανάλι 4) ο συντελεστής ανάκλασης για τα πράσινα φύλλα είναι υψηλός επειδή απορροφάται πολύ λίγη ενέργεια. Στην κόκκινη περιοχή (κανάλι 3) η χλωροφύλλη στα πράσινα φύλλα απορροφά την ενέργεια κι έτσι ο συντελεστής ανάκλασης είναι χαμηλός. Η αναλογία 4/3 οδηγεί στις υψηλότερες τιμές για τη βλάστηση απ'ό, τι για άλλα χαρακτηριστικά γνωρίσματα της σκηνής, συμπεριλαμβανομένων των σύννεφων. Χρησιμοποιείται μια ρύθμιση ορίου της τάξεως των 2.0. Τα pixels που υπερβαίνουν αυτό το όριο ονομάζονται διφορούμενα και ξαναεξετάζονται στο δεύτερο στάδιο επεξεργασίας. Τα pixels με τις αναλογίες κάτω από αυτό το όριο περνούν στο φίλτρο 6.
 
6)Κανάλι αναλογίας 4/2 (Band 4/2 Ratio)
Αυτό το φίλτρο αποβάλλει την ιδιαίτερα αντανακλαστική βλάστηση και διαμορφώνεται με τη διαίρεση του καναλιού 4 του συντελεστή ανάκλασης από το κανάλι 2 του συντελεστή ανάκλασης. Στο υπέρυθρο κανάλι 4, τα πράσινα φύλλα που είναι νεκρά απορροφούν ακόμα λιγότερο την ενέργεια και είναι έτσι ιδιαίτερα αντανακλαστικά. Στην πράσινη περιοχή του καναλιού 2 τα φύλλα απορροφούν τη λιγότερη ενέργεια λόγω της απώλειας χλωροφύλλης και εκθέτουν την αυξανόμενη ανακλαστικότητα. Οι τιμές της αναλογία 4/2 είναι υψηλότερες για τη βλάστηση από ότι άλλα χαρακτηριστικά συμπεριλαμβανομένων των σύννεφων. Το όριο τίθεται στη τιμλη 2 και λειτουργεί αποτελεσματικά. Τα pixels που υπερβαίνουν αυτόν τον αριθμό είναι διφορούμενα και περνούν στο στάδιο 2. Τα pixels με τις αναλογίες κάτω από αυτό το όριο περνούν στο φίλτρο 7.
 
7)Κανάλι αναλογίας 4/5 (Band 4/5 Ratio). Αυτό το φίλτρο αποβάλλει τους ιδιαίτερα αντανακλαστικούς βράχους και τις άμμους στα τοπία ερήμων και διαμορφώνεται με τη διαίρεση του καναλιού 4 του συντελεστή ανάκλασης από το κανάλι 5 του συντελεστής ανάκλασης. Οι βράχοι και η άμμος τείνουν να εκθέσουν τον υψηλότερο συντελεστή ανάκλασης στο κανάλι 5 απ'ό, τι στο κανάλι 4, ενώ ισχύει το αντίστροφο για τα σύννεφα. Το όριο τίθεται στο 1 και λειτουργεί αποτελεσματικά. Τα pixels που μειώνονται κάτω από αυτό το όριο ονομάζεται διφορούμενα και ξαναεξετάζονται στο στάδιο 2. Η γνώση των pixels της ερήμου σε μια σκηνή είναι σημαντική για το πέρασμα στο δεύτερο στάδιο επεξεργασίας. Επομένως διατηρείται ένας έλεγχος τέτοιου είδους pixel. Τα pixels με τις αναλογίες που υπερβαίνουν αυτό το όριο περνούν στο φίλτρο 8.
 
8)Κανάλι 5/6 σύνθετο (Band 5/6 Composite). Όλα τα pixels που φθάνουν σε αυτό το επίπεδο φιλτραρίσματος είναι ταξινομημένα ως σύννεφα. Ένας περαιτέρω χωρισμός σε δύο κατηγορίες επιτυγχάνεται με τη χρησιμοποίηση του φίλτρου του σύνθετου καναλιού 5/6. Για κάθε pixel σύννεφων, το κανάλι του σύνθετου 5/6 συγκρίνεται ενάντια σε μια ρύθμιση ορίου 210. Τα pixels πάνω και κάτω από αυτό το όριο είναι ταξινομημένα ως θερμά και κρύα σύννεφα, αντίστοιχα. Αυτές οι δύο κατηγορίες σύννεφων καταγράφονται στη μάσκα σύννεφων.
 
Μια απεικόνιση Landsat από την Κασπία θάλασσα παρουσιάζεται στην Εικόνα 1. Εκτελέσθηκε η ACCA (automatic cloud cover assessment) και παρήχθη μια μάσκα συννέφων (Εικόνα 2).
 
[[Εικόνα:garg_8filters_2_15.jpg|right|thumb||Εικόνα 2 : Μάσκα συννέφων πρώτου σταδίου,[http://landsathandbook.gsfc.nasa.gov/handbook/pdfs/ACCA_SPIE_paper.pdf]πηγή]]
 
Η μάσκα έχει τέσσερις διαφορετικές κατηγορίες. Το λευκό αντιπροσωπεύει τα θερμά σύννεφα ενώ το γκρίζο αντιπροσωπεύει τα πιό κρύα σύννεφα. Το σκούρο γκρι αντιπροσωπεύει τις περιοχές μη-εντοπισμού συννέφων που αποκλείονται από την περαιτέρω ανάλυση. Οι διφορούμενες περιοχές εικόνας, που επανεξετάζονται στο στάδιο 2, είναι μαύρες. Το δεύτερο στάδιο περιλαμβάνει τη θερμική ανάλυση χρησιμοποιώντας αποκλειστικά το κανάλι 6. Μια αξιόπιστη θερμική υπογραφή αναπτύσσεται αρχικά από τη μια ή και τις δύο κατηγορίες σύννεφων που προσδιορίζονται στο στάδιο ένα. Οι δύο κατηγορίες συνδιάζονται και χρησιμοποιούνται από κοινού εάν η απεικονισμένη έκταση στερείται το χιόνι. Το χιόνι δημιουργεί προβλήματα στην ταξινόμηση των συννέφων και η παρουσία του δικαιολογεί την ανάπτυξη μιας πιό συντηρητικής υπογραφής σύννεφων. Εάν το χιόνι σε μια σκηνή είναι λιγότερο από 1% τότε θεωρείται χιόνι ελεύθερο. Εάν το χιόνι υπάρχει σε μια σκηνή, η κρύα κατηγορία σύννεφων χρησιμοποιείται αποκλειστικά για την απόδοση της υπογραφής σύννεφων. Για αυτές τις σκηνές, τα θερμότερα σύννεφα είναι διφορούμενα και ξαναεξετάζονται με όλα τα άλλα διφορούμενα εικονοκύτταρα που προσδιορίστηκαν κατά τη διάρκεια του πρώτου περάσματος. Η φωτεισμένη έρημος δημιουργεί επίσης προβλήματα στο δεύτερο στάδιο και πρέπει να αποφευχθεί. Ένας δείκτης ερήμων διατυπώνεται εξετάζοντας τα αποτελέσματα του φίλτρου 7. Ο δείκτης υπολογίζεται με τη διαίρεση της συνολικής παραγωγής pixel από το φίλτρο 7 από την ποσότητα του pixel εισαγωγής. (Περισσότερες πληροφορίες για το δεύτερο στάδιο επεξεργασίας θα βρείτε εδώ:http://landsathandbook.gsfc.nasa.gov/handbook/pdfs/ACCA_SPIE_paper.pdf).
 
Συμπεράσματα 
Ο Landsat 7 αυτόματου αλγόριθμου αξιολόγησης συννέφων (???)σχεδιάστηκε για να παράγει γρήγορες και αξιόπιστες έννοιες για την αξιολόγηση του περιεχομένου κάλυψης σύννεφων των χαρτογαρφίσεων ETM+ που αποκτήθηκαν παγκοσμίως. Ο αλγόριθμος στηρίζεται στην εμπειρία που αποκτιέται από το Landsat 4/5 του αλγόριθμου κληρονομιάς που αναπτύσσεται για θεματικό χαρτογράφο. Ο βελτιωμένος αλγόριθμος χρησιμοποιεί δύο πρόσθετα κανάλια, εξετάζει όλα τα pixels σε μια σκηνή, και εκμεταλλεύεαι τη χωρική ανάλυση του ενισχυμένου καναλιού 6(60 μέτρα για ETM+ αντί των 120 μέτρων για το TM). Ο αλγόριθμος υιοθετεί επίσης μια συγκεκριμένη προσέγγιση δύο σταδίων σκηνής που εξετάζει τα σύννεφα μεμονωμένα για κάθε εικόνα. Ο αλγόριθμος λειτουργεί καλά για τις περισσότερες περιοχές της γης. Σε μια πρόσφατη μελέτη αποδείχθηκε ότι 75% των αποτελεσμάτων ACCA ήταν μέσα στο 10% του πραγματικού περιεχομένου κάλυψης σύννεφων και ότι 91% ήταν μέσα στο 20%. Οι προβληματικές περιοχές υπάρχουν αλλά τείνουν να περιλάβουν τη χιονισμένη έκταση στα ακραία γεωγραφικά πλάτη και τις υψηλές γωνίες φωτισμού. Το Landsat 7 αλγόριθμος ACCA χρησιμοποιείται τώρα λειτουργικά στο EDC, όπου χρησιμοποιείται για να ποσολογήσει την κάλυψη σύννεφων για περίπου 250 ETM+ σκηνές που παραλαμβάνονται κάθε ημέρα. Στα αποτελέσματα στέλνονται στη συνέχεια στο EDC DAAC και Landsat 7 στους αρμόδιους σχεδιασμού. Για τους χρήστες, η περιεκτικότητα σε σύννεφα σε μια σκηνή είναι η ενιαία σημαντικότερη εκτίμηση ενός ETM+ προϊόντος. Το σύστημα αναζήτησης EDC επιτρέπει στους χρήστες να στοχεύσουν γρήγορα σε μια επιθυμητή σκηνή με το φιλτράρισμα εκείνα με την υπερβολική κάλυψη σύννεφων. Οι αρμόδιοι για το σχεδιασμό αποστολής χρησιμοποιούν τα αποτελέσματα κάλυψης σύννεφων για να ξαναπρογραμματίσουν τις αποτυχημένες αποκτήσεις προκειμένου να πραγματοποιηθεί ο στόχος αποστολής το σφαιρικό αρχείο με την εποχιακή και ελεύθερη από σύννεφα εικόνα.
 
[[Εικόνα:garg_8filters_3_15.jpg|right|thumb||Εικόνα 3 : Μάσκα συννέφων δεύτερου σταδίου,[http://landsathandbook.gsfc.nasa.gov/handbook/pdfs/ACCA_SPIE_paper.pdf]πηγή]]

Αυτοματοποιημένη διαχείριση νεφοσκεπών περιοχών

2011-02-14T13:46:12Z

Argyropoulou Grigoria:

[[category:Νέα δοκιμαστική υποκατηγορία]]

 Αυτόματη αξιολόγηση κάλυψης συννέφου. 
Πρωτότυπος τίτλος :Landsat 7 Automatic Cloud Cover Assessment
Πηγή : Richard R. Irish, Science Systems and Applications, Inc.
[http://landsathandbook.gsfc.nasa.gov/handbook/pdfs/ACCA_SPIE_paper.pdf]
 
Περίληψη 
Αρχικός στόχος της αποστολής του Landsat 7 ήταν να παραχθεί ένα εποχιακό αρχείο χαρτογράφησης των ελεύθερων συννέφων για τις μάζες του γήινου εδάφους. Για να επιτευχθεί αυτός ο στόχος, αποκτήθηκαν 250 φωτογραφίες με Landsat 7 ΕΤΜ+ ο οποίες αρχειοθετήθηκαν. Η επιτυχία της αποστολής αυτής καθορίστηκε από τη φύση των ελέυθερων συννέφων που αποκτήθηκε από κάθε εικόνα. Επεκτάθηκε ένας αυτόματος αλγόριθμος αξιολόγησης κάλυψης συννέφων (ACCA) για τον υπολογισμό του τμήματος σύννεφων κάθε ETM+ εικόνας πριν από κάθε αρχειοθέτηση. Τα αποτελέσματα της κάλυψης συννέφων που προέκυψαν χρησιμοποιούνται στη συνέχεια από τους αρμόδιους για να ξαναπρογραμματίσουν τις αποτυχημένες αποκτήσεις και από τους χρήστες για να φιλτράρουν τις νεφώδεις σκηνές από τις ερωτήσεις βάσεων δεδομένων. O διαχωρισμός των συννέφων από την επιφάνεια που βρίσκεται κάτω από την έκταση τους φαίνεται απλή. Τα σύννεφα είναι άσπρα και πιο κρύα από την επιφάνεια του εδάφους και αυτές οι ιδιότητες ταιριάζουν με τα πολυφασματικά χαρακτηριστικά του ETM+. Εντούτοις, τα σύννεφα και η μεταβλητότητα της επιφάνειας του εδάφους, δημιουργούν προβλήματα. Τα ευρέα σχεδιαγράμματα του συντελεστή ανάκλασης και θερμοκρασίας για τα σύννεφα εμφανίζονται ανάμεσα στις σκηνές(???). Μια ταυτοποίηση των σύννεφων που λειτουργεί καλά για μια εικόνα μπορεί να είναι μη-αποτελεσματική για κάποια άλλη. Η ακρίβεια του προσδιορισμού του συννέφου επηρεάζεται επίσης από τα χαρακτηριστικά της επιφάνειας του εδάφους (χιόνι, άσπρη άμμος κτλ.) που έχουν συντελεστή ανάκλασης που είναι παρόμοιος και σε μερικές περιπτώσεις ίδιος με τα σύννεφα στα ETM+ κανάλια. Αναπτύχθηκε μια εξαρτώμενη προσέγγιση σκηνής για τον προσδιορισμό των σύννεφων για Landsat 7 για να ελαχιστοποιήσει τα αποτελέσματα της μεταβλητότητας σύννεφων. Ο αλγόριθμος χειρίζεται τον πληθυσμό σύννεφων σε κάθε σκηνή μεμονωμένα για να εξετάσει τα στοιχεία εικόνας δύο φορές. Το πρώτο πέρασμα μέσω των δεδομένων σχεδιάζεται για να συλλάβει τα σύννεφα και μόνο τα σύννεφα. Οκτώ διαφορετικά φίλτρα χρησιμοποιούνται για να απομονώσουν τα σύννεφα και τις περιοχές κάτωα από αυτά και τα χαρακτηριστικά της επιφάνειας του εδάφους που προκαλούν προβλήματα όπως το χιόνι και η άμμος.
 
[[Εικόνα:garg_8filters_1_15.jpg|right|thumb||Εικόνα 1 : Εικόνα Landsat της Κασπία θάλασσας,[http://landsathandbook.gsfc.nasa.gov/handbook/pdfs/ACCA_SPIE_paper.pdf]πηγή]]
 
Μεθοδολογία 
Αρχικά, σχεδιάζεται ένα πέρασμα μέσω των ραδιομετρικά διορθωμένων στοιχείων της εικόνας για να απομονώσει τα σύννεφα και σχεδιάστηκαν οκτώ διαφορετικά φίλτρα για το λόγο αυτό ενώ τα λάθη παράλειψης είναι αναμενόμενα. Σαν πρώτος στόχος είναι να αναπτυχθεί μια αξιόπιστη υπογραφή σύννεφων για τη χρήση στο στάδιο δύο όπου προσδιορίζονται τα υπόλοιπα σύννεφα. Τα σφάλματα επιφόρτισης πρέπει να ελαχιστοποιηθούν δεδομένου ότι αλλοιώνουν την υπογραφή του συννέφου και διαστρεβλώνει το τελικό αποτέλεσμα της κάλυψης των σύννεφων. Προκύπτουν τρείς κατηγορίες από το πρώτο στάδιο επεξεργασίας, εντοπισμός συννέφων, μη εντοπισμός συννέφων και μια διφορούμενη ομάδα που ξαναμελετάται στο δεύτερο στάδιο. Πρίν την αξιολόγηση των 60 μέτρων του καναλιού 6 της εικόνας είναι pixels των καναλιών 30 μέτρων (??????). Αυτό επιτυγχάνεται μέσω της αναδίπλωσης του pixel. Κάθε pixel του καναλιού 6 γίνεται 2 και κάθε επεκταθείσα εικόνα του καναλιού 6 επαναλαμβάνεται. Το αρχικό δείγμα 3300 από 3000 γραμμές στο κανάλι 6 της εικόνας τώρα ταιριάζει χωρικά με τα κανάλια 30 μέτρων (6600 δείγματα από 6000 γραμμές). Το τελικό βήμα της προ-επεξεργασίας είναι να δημιουργηθεί μια ενιαία μάσκα σύννεφων που διαστασιολογικά ταιριάζει με μια εικόνα εισαγωγής μεγέθους 30 μέτρων. Η μάσκα σύννεφων χρησιμοποιείται για να αποθηκεύσει τα αποτελέσματα στα στάδια ένα και δύο. Όλα τα pixels σε μια ETM+ απεικόνιση υποβάλλονται διαδοχικά σε επεξεργασία. Το φιλτράρισμα εκτελείται σε κάθε pixel έως ότου απορριφθεί ή ταξινομηθεί ως σύννεφο. Στη συνέχεια παρουσιάζουμε την περιγραφή του κάθε φίλτρου που εφαρμόζεται.
 
1)Όριο φωτενότητας (Brightness Threshold). Κάθε κανάλι τριών pixel αρχικά συγκρίνεται με ένα όριο φωτεινότητας. Τα pixels που είναι κάτω αυτού του ορίου προσδιορίζονται σαν μη-εντοπισμό συννέφων και σημειώνονται στη μάσκα συννέφων. Τα pixels που υπερβαίνουν το όριο του καναλιού 3 που τίθεται στη τιμή των 0,8 μεταβαίνουν στο φίλτρο 2.
 
2)Ομαλοποιημένος δέικτης διαφοράς χιονιού (Normalized Snow Difference Index). Οι τιμές των pixel από τα κανάλια 2 και 5 ρησιμοποιούνται για να διατυπώσουν τον ομαλοποιημένο δείκτη χιονιού διαφοράς (NDSI). Το NDSI φίλτρο εκφράζεται ως εξής: NDSI = (κανάλι 2 – κανάλι 5) / (κανάλι 2 + κανάλι 5). Αυτό το φίλτρο είναι ιδιαίτερα χρήσιμο για την αφαίρεση του χιονιού. Ο συντελεστής ανάκλασης των σύννεφων και του χιονιού είναι παρόμοιος στο κανάλι 2. Εντούτοις, στο κανάλι 5, ο συντελεστής ανάκλασης για τα σύννεφα είναι πολύ υψηλός ενώ για το χιόνι είναι χαμηλός. Ο Hall ανακάλυψε ότι η NSDI τιμή μεγαλύτερη από 0.4 αντιπροσωπεύει την κάλυψη χιονιού αρκετά καλά. Αυτή η τιμή δοκιμάστηκε αρχικά για την ACCA για να αποβάλει το χιόνι αλλά αποβλήθηκαν επίσης τα σύννεφα που αποτελούνται από τα κρύσταλλα πάγου (π.χ. cirrostratus).Το κατώτατο όριο αυξήθηκε σε 0.7 για να συλλάβει τα σύννεφα αυτού του τύπου. Οι τιμές NDVI πάνω από αυτό το κατώτατο όριο είναι κατάλληλες ως χιόνι και καταγράφονται ως μη-εντοπισμός συννέφου στη μάσκα σύννεφων. Tα pixels χιονιού που παραμένουν μη φιλτραρισμένα συνήθως τίθενται σε ένα επόμενο φιλτράρισμα. Η γνώση ύπαρξης χιονιού σε μια σκηνή είναι σημαντική για το δεύτερο στάδιο επεξεργασίας κι έτσι διατηρείται ο έλεγχος των pixel χιονιού. Τα pixels που μειώνονται κάτω από το όριο NDSI περνούν στο φίλτρο 3.
 
3)Όριο θερμοκρασίας. Αυτό το φίλτρο εξετάζει τις θερμικές τιμές του καναλιού 6 για τα πιθανά pixels συννέφων. Εάν μια αξία ενός pixel υπερβαίνει 300K, μια ρεαλιστική μέγιστη θερμοκρασία συννέφου, είναι αποκλεισμένο και χαρακτηρισμένο ως μη-εντοπισμένο σύννεφο στη μάσκα. Όλα τα pixels με τιμή θερμοκρασίας λιγότερο από 300K περνούν στο φίλτρο 4.
 
4)Κανάλι 5/6 σύνθετο (Band 5/6 Composite). Οι τιμές των pixel από τα κανάλια 5 και 6 χρησιμοποιούνται για να διατυπώσουν τη ζώνη 5/6 σύνθετο. Το φίλτρο εκφράζεται ως εξής: Κανάλι5/6 composite = (1 – κανάλι 5) * κανάλι 6. Αυτό το φίλτρο λειτουργεί εξαιρετικά καλά επειδή τα σύννεφα είναι κρύα και ιδιαίτερα αντανακλαστικά στο κανάλι 5. Είναι ιδιαίτερα χρήσιμο για την εξάλειψη των κρύων χαρακτηριστικων γνωρισμάτων της επιφάνειας εδάφους που έχει ο συντελεστής ανάκλασης στο χαμηλό κανάλι 5 όπως το χιόνι και άλλα. Η ανάλυση ευαισθησίας έδειξε ότι ο καθορισμός ορίου των 225 δουλεύει άριστα. Οι τιμές των pixels επάνω από αυτό το όριο ονομάζονται διφοούμενα αποτελέσματα και περνούν στην επεξεργασία του δεύτερου σταδίου. Τα pixels που μειώνονται κάτω από αυτό το όριο περνούν στο φίλτρο 5.
 
5)Κανάλι αναλογίας 4/3 (Band 4/3 Ratio). Αυτό το φίλτρο αποβάλλει την ιδιαίτερα αντανακλαστική βλάστηση και είναι απλά κανάλι 4 συντελεστής ανάκλασης που διαιρείται με το κανάλι 3 του συντελεστή ανάκλασης. Κοντά στις υπέρυθρες ακτίνες (κανάλι 4) ο συντελεστής ανάκλασης για τα πράσινα φύλλα είναι υψηλός επειδή απορροφάται πολύ λίγη ενέργεια. Στην κόκκινη περιοχή (κανάλι 3) η χλωροφύλλη στα πράσινα φύλλα απορροφά την ενέργεια κι έτσι ο συντελεστής ανάκλασης είναι χαμηλός. Η αναλογία 4/3 οδηγεί στις υψηλότερες τιμές για τη βλάστηση απ'ό, τι για άλλα χαρακτηριστικά γνωρίσματα της σκηνής, συμπεριλαμβανομένων των σύννεφων. Χρησιμοποιείται μια ρύθμιση ορίου της τάξεως των 2.0. Τα pixels που υπερβαίνουν αυτό το όριο ονομάζονται διφορούμενα και ξαναεξετάζονται στο δεύτερο στάδιο επεξεργασίας. Τα pixels με τις αναλογίες κάτω από αυτό το όριο περνούν στο φίλτρο 6.
 
6)Κανάλι αναλογίας 4/2 (Band 4/2 Ratio)
Αυτό το φίλτρο αποβάλλει την ιδιαίτερα αντανακλαστική βλάστηση και διαμορφώνεται με τη διαίρεση του καναλιού 4 του συντελεστή ανάκλασης από το κανάλι 2 του συντελεστή ανάκλασης. Στο υπέρυθρο κανάλι 4, τα πράσινα φύλλα που είναι νεκρά απορροφούν ακόμα λιγότερο την ενέργεια και είναι έτσι ιδιαίτερα αντανακλαστικά. Στην πράσινη περιοχή του καναλιού 2 τα φύλλα απορροφούν τη λιγότερη ενέργεια λόγω της απώλειας χλωροφύλλης και εκθέτουν την αυξανόμενη ανακλαστικότητα. Οι τιμές της αναλογία 4/2 είναι υψηλότερες για τη βλάστηση από ότι άλλα χαρακτηριστικά συμπεριλαμβανομένων των σύννεφων. Το όριο τίθεται στη τιμλη 2 και λειτουργεί αποτελεσματικά. Τα pixels που υπερβαίνουν αυτόν τον αριθμό είναι διφορούμενα και περνούν στο στάδιο 2. Τα pixels με τις αναλογίες κάτω από αυτό το όριο περνούν στο φίλτρο 7.
 
7)Κανάλι αναλογίας 4/5 (Band 4/5 Ratio). Αυτό το φίλτρο αποβάλλει τους ιδιαίτερα αντανακλαστικούς βράχους και τις άμμους στα τοπία ερήμων και διαμορφώνεται με τη διαίρεση του καναλιού 4 του συντελεστή ανάκλασης από το κανάλι 5 του συντελεστής ανάκλασης. Οι βράχοι και η άμμος τείνουν να εκθέσουν τον υψηλότερο συντελεστή ανάκλασης στο κανάλι 5 απ'ό, τι στο κανάλι 4, ενώ ισχύει το αντίστροφο για τα σύννεφα. Το όριο τίθεται στο 1 και λειτουργεί αποτελεσματικά. Τα pixels που μειώνονται κάτω από αυτό το όριο ονομάζεται διφορούμενα και ξαναεξετάζονται στο στάδιο 2. Η γνώση των pixels της ερήμου σε μια σκηνή είναι σημαντική για το πέρασμα στο δεύτερο στάδιο επεξεργασίας. Επομένως διατηρείται ένας έλεγχος τέτοιου είδους pixel. Τα pixels με τις αναλογίες που υπερβαίνουν αυτό το όριο περνούν στο φίλτρο 8.
 
8)Κανάλι 5/6 σύνθετο (Band 5/6 Composite). Όλα τα pixels που φθάνουν σε αυτό το επίπεδο φιλτραρίσματος είναι ταξινομημένα ως σύννεφα. Ένας περαιτέρω χωρισμός σε δύο κατηγορίες επιτυγχάνεται με τη χρησιμοποίηση του φίλτρου του σύνθετου καναλιού 5/6. Για κάθε pixel σύννεφων, το κανάλι του σύνθετου 5/6 συγκρίνεται ενάντια σε μια ρύθμιση ορίου 210. Τα pixels πάνω και κάτω από αυτό το όριο είναι ταξινομημένα ως θερμά και κρύα σύννεφα, αντίστοιχα. Αυτές οι δύο κατηγορίες σύννεφων καταγράφονται στη μάσκα σύννεφων.
 
Μια απεικόνιση Landsat από την Κασπία θάλασσα παρουσιάζεται στην Εικόνα 1. Εκτελέσθηκε η ACCA (automatic cloud cover assessment) και παρήχθη μια μάσκα συννέφων (Εικόνα 2).
 
[[Εικόνα:garg_8filters_2_15.jpg|right|thumb||Εικόνα 2 : Μάσκα συννέφων πρώτου σταδίου,[http://landsathandbook.gsfc.nasa.gov/handbook/pdfs/ACCA_SPIE_paper.pdf]πηγή]]
 
Η μάσκα έχει τέσσερις διαφορετικές κατηγορίες. Το λευκό αντιπροσωπεύει τα θερμά σύννεφα ενώ το γκρίζο αντιπροσωπεύει τα πιό κρύα σύννεφα. Το σκούρο γκρι αντιπροσωπεύει τις περιοχές μη-εντοπισμού συννέφων που αποκλείονται από την περαιτέρω ανάλυση. Οι διφορούμενες περιοχές εικόνας, που επανεξετάζονται στο στάδιο 2, είναι μαύρες. Το δεύτερο στάδιο περιλαμβάνει τη θερμική ανάλυση χρησιμοποιώντας αποκλειστικά το κανάλι 6. Μια αξιόπιστη θερμική υπογραφή αναπτύσσεται αρχικά από τη μια ή και τις δύο κατηγορίες σύννεφων που προσδιορίζονται στο στάδιο ένα. Οι δύο κατηγορίες συνδιάζονται και χρησιμοποιούνται από κοινού εάν η απεικονισμένη έκταση στερείται το χιόνι. Το χιόνι δημιουργεί προβλήματα στην ταξινόμηση των συννέφων και η παρουσία του δικαιολογεί την ανάπτυξη μιας πιό συντηρητικής υπογραφής σύννεφων. Εάν το χιόνι σε μια σκηνή είναι λιγότερο από 1% τότε θεωρείται χιόνι ελεύθερο. Εάν το χιόνι υπάρχει σε μια σκηνή, η κρύα κατηγορία σύννεφων χρησιμοποιείται αποκλειστικά για την απόδοση της υπογραφής σύννεφων. Για αυτές τις σκηνές, τα θερμότερα σύννεφα είναι διφορούμενα και ξαναεξετάζονται με όλα τα άλλα διφορούμενα εικονοκύτταρα που προσδιορίστηκαν κατά τη διάρκεια του πρώτου περάσματος. Η φωτεισμένη έρημος δημιουργεί επίσης προβλήματα στο δεύτερο στάδιο και πρέπει να αποφευχθεί. Ένας δείκτης ερήμων διατυπώνεται εξετάζοντας τα αποτελέσματα του φίλτρου 7. Ο δείκτης υπολογίζεται με τη διαίρεση της συνολικής παραγωγής pixel από το φίλτρο 7 από την ποσότητα του pixel εισαγωγής. (Περισσότερες πληροφορίες για το δεύτερο στάδιο επεξεργασίας θα βρείτε εδώ:http://landsathandbook.gsfc.nasa.gov/handbook/pdfs/ACCA_SPIE_paper.pdf).
 
Συμπεράσματα 
Ο Landsat 7 αυτόματου αλγόριθμου αξιολόγησης συννέφων (???)σχεδιάστηκε για να παράγει γρήγορες και αξιόπιστες έννοιες για την αξιολόγηση του περιεχομένου κάλυψης σύννεφων των χαρτογαρφίσεων ETM+ που αποκτήθηκαν παγκοσμίως. Ο αλγόριθμος στηρίζεται στην εμπειρία που αποκτιέται από το Landsat 4/5 του αλγόριθμου κληρονομιάς που αναπτύσσεται για θεματικό χαρτογράφο. Ο βελτιωμένος αλγόριθμος χρησιμοποιεί δύο πρόσθετα κανάλια, εξετάζει όλα τα pixels σε μια σκηνή, και εκμεταλλεύεαι τη χωρική ανάλυση του ενισχυμένου καναλιού 6(60 μέτρα για ETM+ αντί των 120 μέτρων για το TM). Ο αλγόριθμος υιοθετεί επίσης μια συγκεκριμένη προσέγγιση δύο σταδίων σκηνής που εξετάζει τα σύννεφα μεμονωμένα για κάθε εικόνα. Ο αλγόριθμος λειτουργεί καλά για τις περισσότερες περιοχές της γης. Σε μια πρόσφατη μελέτη αποδείχθηκε ότι 75% των αποτελεσμάτων ACCA ήταν μέσα στο 10% του πραγματικού περιεχομένου κάλυψης σύννεφων και ότι 91% ήταν μέσα στο 20%. Οι προβληματικές περιοχές υπάρχουν αλλά τείνουν να περιλάβουν τη χιονισμένη έκταση στα ακραία γεωγραφικά πλάτη και τις υψηλές γωνίες φωτισμού. Το Landsat 7 αλγόριθμος ACCA χρησιμοποιείται τώρα λειτουργικά στο EDC, όπου χρησιμοποιείται για να ποσολογήσει την κάλυψη σύννεφων για περίπου 250 ETM+ σκηνές που παραλαμβάνονται κάθε ημέρα. Στα αποτελέσματα στέλνονται στη συνέχεια στο EDC DAAC και Landsat 7 στους αρμόδιους σχεδιασμού. Για τους χρήστες, η περιεκτικότητα σε σύννεφα σε μια σκηνή είναι η ενιαία σημαντικότερη εκτίμηση ενός ETM+ προϊόντος. Το σύστημα αναζήτησης EDC επιτρέπει στους χρήστες να στοχεύσουν γρήγορα σε μια επιθυμητή σκηνή με το φιλτράρισμα εκείνα με την υπερβολική κάλυψη σύννεφων. Οι αρμόδιοι για το σχεδιασμό αποστολής χρησιμοποιούν τα αποτελέσματα κάλυψης σύννεφων για να ξαναπρογραμματίσουν τις αποτυχημένες αποκτήσεις προκειμένου να πραγματοποιηθεί ο στόχος αποστολής το σφαιρικό αρχείο με την εποχιακή και ελεύθερη από σύννεφα εικόνα.
 
[[Εικόνα:garg_8filters_3_15.jpg|right|thumb||Εικόνα 3 : Μάσκα συννέφων δεύτερου σταδίου,[http://landsathandbook.gsfc.nasa.gov/handbook/pdfs/ACCA_SPIE_paper.pdf]πηγή]]