Βελτιστοποίηση της ακρίβειας ταξινόμησης στην ψηφιακή τηλεπισκόπηση χρησιμοποιώντας μορφολογικό φίλτρο

Από RemoteSensing Wiki

Μετάβαση σε: πλοήγηση, αναζήτηση


Βελτιστοποίηση της ακρίβειας ταξινόμησης στην ψηφιακή τηλεπισκόπηση χρησιμοποιώντας μορφολογικό φίλτρο
Πρωτότυπος τίτλος : Improvement of classification accuracy in remote sensing using morphological filter Πηγή : Isa Yıldırım, Okan K. Ersoy, Bingul Yazgan, 2005 COSPAR. Published by Elsevier Ltd. [1]

Περίληψη

Ο σκοπός της εφαρμογής είναι η ανάπτυξη ενός αλγορίθμου ταξινόμησης βασισμένο στα pixel μιας πολυφασματικής εικόνας. Αρχικά χρησιμοποιείται ένα φίλτρο μείωσης θορύβου [2], ένα μορφολογικό φίλτρο [3] και έπειτα εφαρμόζεται ένας αλγόριθμος ταξινόμησης [4] όπως αυτός της μέγιστης πιθανοφάνειας [5] στην ήδη φιλτραρισμένη εικόνα. Οι θεματικοί χάρτες που προκύπτουν από τον προτεινόμενο αυτό αλγόριθμο είναι περισσότερο ομαλοποιημένοι και αποδεκτοί από άλλες μεθόδους.

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

Η περιοχή μελέτης

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

Μεθοδολογία

Αρχικά εφαρμόστηκαν στις ψηφιακές εικόνες διαφόρων ειδών αλγόριθμοι φιλτραρίσματος όπως η mean[6], median[7] και τα μορφολογικά φίλτρα [8]. 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 [9]. 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 [10], της ελάχιστης ευκλείδιας απόστασης [11] 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 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.

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[12] 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.

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


Προσωπικά εργαλεία