Ταξινόμηση Αστικού Χώρου µε χρήση Υπερφασµατικής Τηλεπισκόπησης

Από RemoteSensing Wiki

Έκδοση στις 18:10, 12 Μαρτίου 2017 υπό τον/την Ltsoukanelis (Συζήτηση | Συνεισφορές/Προσθήκες)
('διαφορά') ←Παλιότερη αναθεώρηση | εμφάνιση της τρέχουσας αναθεώρησης ('διαφορά') | Νεώτερη αναθεώρηση→ ('διαφορά')
Μετάβαση σε: πλοήγηση, αναζήτηση

Συγγραφέας : Θέµελης Αθανάσιος ∆ΙΠΛΩΜΑΤΙΚΗ ΕΡΓΑΣΙΑ Αθήνα, Φεβρουάριος 2010

Λέξεις κλειδιά: Αστική περιοχή, τηλεπισκόπηση, υπερφασματικός


Πίνακας περιεχομένων

Περίληψη

Η Διπλωματική Εργασία αφορά στην επεξεργασία Υπερφασµατικών δεδομένων µε σκοπό την εξαγωγή συμπερασμάτων πάνω στις διάφορες διαδικασίες που είναι απαραίτητες για την ανάλυση του μεγάλου όγκου δεδομένων, αλλά και για τους βέλτιστους τρόπους ταυτοποίησης και κατηγοριοποίησης αντικειμένων εντός αστικής περιοχής.

Βασικά στοιχεία μεθόδου προσέγγισης Η εργασία χρησιμοποιεί όλα τα διαθέσιμα εργαλεία που δίνει η σύγχρονη επιστήμη της τηλεπισκόπησης. Λαμβάνει υπόψη την ακτινοβολία, τον ατμοσφαιρικό επηρεασμό, τις φασματικές υπογραφές των υλικών και χρησιμοποιεί κάθε μέθοδο συλλογής στοιχείων μέσω των αισθητήρων από δορυφορικές εικόνες, αεροφωτογραφίες ή και επίγεια καταγραφή μέσω αισθητήρων χειρός. Η φωτοερμηνεία και η ποσοτική ανάλυση χρησιμοποιεί τόσο τον ανθρώπινο παράγοντα όσο και τους σύγχρονους Η/Υ

Εικόνα 1-6: Έγχρωµο σύνθετο(true color) από περιοχή της Ισπανίας. Η λήψη έγινε από τον αισθητήρα AHS(Airborne Hyperspectral Sensor).

Υπερφασματική Τηλεπισκόπιση

Με την χρήση της υπερφασματικής τηλεπισκόπησης HSI δίδεται η δυνατότητα στους αναλυτές να έχουν στην κατοχή τους μεγαλύτερο όγκο δεδομένων προς ανάλυση έναντι της χρήσης πολυφασματικής τηλεπισκόπησης MSI και ως εκ τούτου μεγαλύτερη ερευνητική ευχέρεια.

Εικόνα 2-4: Φασµατική ανάλυση για δύο αισθητήρες(Marcus Borengasser, William S. Hungate, and Russell Watkins, 2008).

Μείωση Διάστασης Υπερφασματικών Απεικονίσεων

Με την μείωση της διάστασης των MSI μέσω κατάλληλων τεχνικών, μειώνεται η ποσότητα των δεδομένων με στοχευμένο τρόπο. Οι μεθοδολογία μείωσης περιλαμβάνει:

Την ανάλυση των κύριων συνιστοσών

Τον αλγόριθμο MNF (Minimum Noise Fraction)

Τον λόγο σήματος προς θόρυβο (Signal to Noise Ratio -SNR)

Αλγόριθμοι ανίχνευσης εικονοστοιχείων -στόχων Οι χρησιμοποιούμενοι αλγόριθμοι είναι:

Whole Pixel Analysis (WPA)

Spectral Angle Mapper (SAM)

Spectral Feature Fitting (SFF)

Sub-pixel Analysis

Linear Mixing Model (LLM)

Matched Filter (MF)

Pixel Purity Index (PPI)

Ταξινόμηση

Η ταξινόμηση γίνεται με βάση της παρακάτω μεθόδους Μη Επιβλεπόμενη Ταξινόμηση (Unsupervised Classification) Οι αλγόριθμοι της (ΜΕΤ) είναι οι:

Simple two-pass clustering alforithm

ISODATA K-Means Clustering

Επιβλεπόμενη Ταξινόμηση (Supervised Classification)

Η χρήση της (ΕΤ) περιλαμβάνει: Τις Περιοχές Εκπαίδευσης Τον του αλγόριθµο του παραλληλεπιπέδου( Parallelepiped) Τον αλγόριθμο της ελάχιστης απόστασης (Minimum Distance)

Τη μέθοδο της Mahalonobis Distance

Τη μέθοδο Maximum Likelihood

Τη μέθοδο Spectral Angle Mapper

Την τεχνική του Binary Encoding

Παρουσίαση εργασιών πάνω στην Υπερφασματική Ανάλυση Αστικών Περιοχών Στην συνέχεια παρουσιάζονται εν συντομία οι παρακάτω εργασίες:

•ΠΡΟΚΑΤΑΡΚΤΙΚΗ ΜΕΛΕΤΗ ΠΑΝΩ ΣΤΗ ∆ΙΑΦΟΡΟΠΟΙΗΣΗ ΥΛΙΚΩΝ ΠΕΖΟ∆ΡΟΜΙΩΝ ΣΕ ΣΚΙΑΣΜΕΝΑ ΥΠΕΡΦΑΣΜΑΤΙΚΑ ΕΙΚΟΝΟΣΤΟΙΧΕΙΑ ΑΠΟ ΚΕΝΤΡΙΚΕΣ ΑΣΤΙΚΕΣ ΠΕΡΙΟΧΕΣ Fabio Dell’Acqua, Paolo Gamba, Giovanna Trianni. Department of Electronics, University of Pavia

•ΧΡΗΣΗ ΥΠΕΡΦΑΣΜΑΤΙΚΩΝ ∆Ε∆ΟΜΕΝΩΝ ΓΙΑ ΤΗ ∆ΗΜΙΟΥΡΓΙΑ ΒΑΣΗΣ ΜΕ ΣΚΟΠΟ ΤΗ ΜΕΛΕΤΗ ΤΟΥ ΑΣΤΙΚΟΥ ΠΕΡΙΒΑΛΛΟΝΤΟΣ F. A. Kruse W. Boardman And K. E. Livo

•Ικανότητα υπερφασµατικών δεδοµένων στην αναγνώριση σύνθετων αστικών επιφανειών συγκριτικά µε τα πολυφασµατικά δεδοµένα: Βενετία(Ιταλία) Rosa Maria Cavalli 1, Lorenzo Fusilli 1, Simone Pascucci 2,*, Stefano Pignatti 2 and Federico Santini

•Εφαρµογή της υπερφασµατικής τηλεπισκόπησης για την καταγραφή ηµιαστικών περιοχών Rejas Ayuga, Juan Gregorio, Martínez Marín, Rubén, Malpica Velasco, José Antonio

•Η Υπερφασµατική Ανάλυση ∆εδοµένων ως πρόβληµα επεξεργασίας του µεγάλου όγκου δεδοµένων David Landgrebe School of Electrical & Computer Engineering Purdue University

• Ανίχνευση στόχων σε αστικό περιβάλλον µε χρήση υπερφασµατικών δεδοµένων HyMap J Segl, U. Heiden, M. Müller and H. Kaufmann


Επεξεργασίες Υπερφασµατικών δεδοµένων για την περιοχή µελέτης

Η περιοχή που αναλύεται στη μελέτη είναι η πόλη της Χαλκίδας

Εικόνα 7-1: Αρχική απεικόνιση της πόλης της Χαλκίδας σε έγχρωµο σύνθετο.
Εικόνα 7-2: Τρία έγχρωµα σύνθετα για την εικόνα Χαλκίδα(1). Τα κανάλια που συνδυάστηκαν για τη σύνθεση σε nm είναι: α) 529.2/693.2/489.8, β) 529.2/790.4/489.8 και γ) 761.7/642.1/546.1.

Υπερφασματική Ανάλυση

Στην παρούσα εργασία καταβάλλεται µία προσπάθεια εφαρµογής και αξιολόγησης προσεγγίσεων και µεθόδων της ανάλυσης υπερφασµατικών δεδοµένων, µεσαίας χωρικής ανάλυσης, µε σκοπό τη µελέτη του αστικού περιβάλλοντος. Οι προσεγγίσεις που χρησιμοποιήθηκαν είναι οι: Μετασχηµατισµοί Minimum Noise Fraction και Principal Component Analysis Εικονοστοιχεία-στόχοι µέσω 2-D Scatterplot Unmixing μέσω: Pixel Purity Index Matched Filter Linear Mixing Model

Εικόνα 7-5: Έγχρωµο σύνθετο για τη Χαλκίδα(1) αποτελούµενο από δύο λόγους και ένα απλό κανάλι από τα αρχικά δεδοµένα, που φαίνονται στην πρώτη σειρά.
Εικόνα 7-7: Οι φασµατικές υπογραφές όλων των αντικειµένων που σηµειώθηκαν για την εικόνα της Χαλκίδας σε όρους ανακλώµενης ακτιβολίας.


Ταξινόμηση

Στο τελευταίο κεφάλαιο της υπερφασµατικής ανάλυσης γίνεται προσπάθεια ταξινόµησης των εικονοστοιχείων της εικόνας στις διάφορες αστικές κατηγορίες. Η ταξινόμηση γίνεται μέσω:

Κατάτµησης εικόνας µε χρήση κατωφλίων

Μη επιβλεπόµενη ταξινόµηση και ISODATA

right\ Εικόνα 8-17: Τελικό αποτέλεσµα ISODATA για την εικόνα Χαλκίδα(1), µετά από χρωµατική συνένωση των οµοειδών κατηγοριών.

Επιβλεπόμενη Ταξινόμηση

Οι αλγόριθµοι που απέδωσαν καλύτερα και επιλέχτηκε να παρουσιαστούν τα στατιστικά τους στοιχεία ήταν τέσσερις: ο αλγόριθµος της Μέγιστης Πιθανοφάνειας ή Maximum Likelihood, ο αλγόριθµος της Ελάχιστης Απόστασης ή Minimum Distance, o Spectral Angle Mapper και ο Mahalanobis Distance

Max. Lik.-Ratio Image Max. Lik.-Matched Filter(Ratio)

Overall.jpg

Overall Accuracy=80.9600%, k=0.7645 Overall Accuracy=84.6522, k=0.80304


Συμπεράσματα

Οι αστικές περιοχές αποτελούν πράγµατι ένα πολύ δύσκολο πεδίο έρευνας για την οπτική τηλεπισκόπηση, παρότι οι τεχνικές και οι µέθοδοι που έχουν αναπτυχθεί τα τελευταία χρόνια είναι ισχυροί, και ο χρήστης είναι σε θέση πλέον να διαχειριστεί δεδοµένα υψηλής φασµατικής και χωρικής ανάλυσης. Εν τούτοις, τα υλικά κατασκευής, το αστικό τοπίο, οι µεταβολές σε σύντοµο σχετικά διάστηµα, οι φασµατικές οµοιότητες πολλών αντικειµένων, οι σκιασµένες περιοχές και µία σειρά άλλων ζητηµάτων αποτελούν θέµατα που είναι ακόµη υπό διερεύνηση Η καλύτερη μεθοδολογική προσέγγιση που προέκυψε ήταν μέσω μείωσης διάστασης των υπερφασματικών δεδομένων μέσω PCA και MNF μετασχηματισμών και με την ανίχνευση εικονοστοιχείων-στόχων κλασματικών αφθονιών με τους αλγόριθμους PPI και MF . Στην ταξινόμηση των αστικών περιοχών μέσω μη επιβλεπόμενης ταξινόμησης, απέδωσε καλύτερα ο αλγόριθμος ISODATA.

Προσωπικά εργαλεία