Πολυφασματική, αντικειμενοστρεφής ασαφής ανάλυση δεδομένων τηλεπισκόπησης για απευθείας χρήση από GIS
Από RemoteSensing Wiki
Πολυφασματική, αντικειμενοστρεφής ασαφής ανάλυση δεδομένων τηλεπισκόπησης για απευθείας χρήση από GIS
Αντικείμενο Εφαρμογής: Εξαγωγή shape file μέσω διαδικασιών αντικειμενοστρεφούς ασαφούς ανάλυσης σε δεδομένα τηλεπισκόπησης.
Πρωτότυπος Τίτλος: ' Multi-resolution, object-oriented fuzzy analysis of remote sensing data for GIS-ready information
Συγγραφείς: Ursula C. Benz*, Peter Hofmann, Gregor Willhauck, Iris Lingenfelder, Markus Heynen Definiens Imaging GmbH, Trappentreustr. 1, D-80339 Munich, Germany
Πηγή: Elsevier , ISPRS Journal of Photogrammetry & Remote Sensing 58 (2004) 239– 258 [1]
Λέξεις Κλειδιά: Αντικειμενοστρεφής Ανάλυση Εικόνας ;Τηλεπισκόπηση; Πολυφασματική Κατάτμηση; Ασαφής ταξινόμηση ; GIS
Περίληψη: Για να αξιοποιηθούν πλήρως τα δεδομένα τηλεπισκόπησης και να μπορέσουν να εισαχθούν σε συστήματα ΓΣΠ, οι κατάλληλες πληροφορίες πρέπει να έχουν προετοιμαστεί και μορφοποιηθεί σε τυποποιημένη μορφή, επιτρέποντας έτσι αποτελεσματικές διαδικασίες λήψης αποφάσεων. Η αντικειμενοστρεφής προσέγγιση μπορεί να συμβάλει στην ισχυρή αυτόματη και ημιαυτόματη ανάλυση για τις περισσότερες εφαρμογές τηλεπισκόπησης. Στην παρούσα μελέτη παραθέτονται οι κύριες στρατηγικές αντικειμενοστρεφούς ανάλυσης και περιγράφεται ένα αντιπροσωπευτικό παράδειγμα για την προτεινόμενη ροή εργασίας από εικόνες τηλεπισκόπησης σε GIS. Οι στρατηγικές καταδεικνύονται χρησιμοποιώντας το eCognition, το οποίο παρέχει μια κατάλληλη σύνδεση μεταξύ τηλεπισκόπησης και GIS.
Εισαγωγή: Υπάρχει ένα μεγάλο χάσμα μεταξύ των θεωρητικά διαθέσιμων πληροφοριών στις τηλεπισκοπικές απεικονίσεις, και των τελικά εξαγόμενων και χρησιμοποιούμενων πληροφοριών. Προτείνεται μια νέα στρατηγική για τη γεφύρωση αυτού του χάσματος:
- επέκταση της προσέγγισης επεξεργασίας σήματος για την ανάλυση εικόνας με διερεύνηση ενός ιεραρχικού δικτύου αντικειμένων, που να αντιπροσωπεύουν τα πραγματικά ισχυρά-συνδεδεμένα αντικείμενα
- χρήση πολυγώνων για κατάλληλη διεπαφή με τα GIS
- ασαφή συστήματα για βελτιωμένη και αξιόπιστη μοντελοποίηση των πραγματικών αλληλεξαρτήσεων και λεπτομερή έλεγχο ποιότητας του προκύπτοντος προϊόντος
- σύμπτυξη αισθητήρα και πληροφορίας
Οι παραπάνω έννοιες περιγράφονται με μερικά παραδείγματα και συζητούνται οι βελτιωμένες δυνατότητες εξαιτίας της ασαφής ταξινόμησης.
Επισκόπηση: από την ανάλυση δεδομένων στην ερμηνεία εικόνας χρησιμοποιώντας ένα δίκτυο ιεραρχημένων αντικειμένων. Το πρώτο λογισμικό αντικειμενοστραφούς ανάλυσης εικόνας στην αγορά ήταν το eCognition. Το προκύπτον, από το λογισμικό, τοπολογικό δίκτυο έχει ένα μεγάλο πλεονέκτημα, καθώς επιτρέπει την αποτελεσματική διάδοση πολλών διαφορετικών ειδών σχεσιακών πληροφοριών. Το σύστημα επιτρέπει την ταυτόχρονη αναπαράσταση των πληροφοριών εικόνας μέσα από διαφορετικές κλίμακες και με διαφορετικά επίπεδα αντικείμενου. Αυτό επιτυγχάνεται με ένα ιεραρχικό δίκτυο αντικειμένων εικόνας. Αυτό επιτρέπει την ακριβή ανάλυση των υποδομών μιας συγκεκριμένης περιοχής, π.χ. ο αριθμός μονοκατοικιών. Επιπλέον, το σχήμα των υπερ-αντικειμένων μπορεί να αλλάξει με βάση τα υπο-αντικείμενα. Η ανάλυση εικόνας μπορεί να χωριστεί σε δύο βήματα, ανάλυση των πρωταρχικών αντικειμένων με βάση τον αισθητήρα και με βάση την τοπογραφία. Αυτός ο διαχωρισμός κάνει την ανάλυση της εικόνας πολύ ευέλικτη. Οι ειδικοί τηλεπισκόπησης αναπτύσσουν αισθητήρο-κεντρικές μεθόδους εξαγωγής ορισμένων τύπων πρωταρχικών αντικειμένων, π.χ. φασματικά χαρακτηριστικά για δέντρα ή κτίρια. Αυτές οι πληροφορίες είναι διαθέσιμες από τα χαρακτηριστικά του κάθε αντικείμενου και μπορούν να συνδυαστούν σε μεταγενέστερη επεξεργασία εξαρτώμενη από την τοποθεσία. Για επιτυχή εξαγωγή πληροφοριών είναι χρήσιμη μια επαναληπτική εφαρμογή της κατάτμησης και της ταξινόμησης. Η αρχική κατάτμηση παρέχει πρωταρχικά αντικείμενα εικόνας με συγκεκριμένη φασματική συμπεριφορά, σχήμα και περιεχόμενο. Αυτά τα χαρακτηριστικά επιτρέπουν μια προκαταρκτική ταξινόμηση. Μετά από αυτό το βήμα, η ταξινόμηση μπορεί να χρησιμοποιηθεί ως είσοδος υψηλού επιπέδου για νέα κατάτμηση ( ταξινομησο-κεντρική). Αυτή η επεξεργασία έχει ως αποτέλεσμα μια ακολουθία με ενδιάμεσες καταστάσεις, με αυξανόμενη διαφοροποίηση της ταξινόμησης και της εξαγωγής πληροφοριών από τις αρχικές εικόνες. Το αποτέλεσμα μιας τέτοιας διαδικασίας δεν είναι μόνο μια χωρική συνάθροιση εικονοστοιχείων σε περιοχές της εικόνας, αλλά και μια χωρική και σημασιολογική δομή του περιεχομένου της εικόνας.
Ερμηνεία εικόνας βασισμένη σε κανόνες ασαφούς λογικής: Όσο καλύτεροι είναι οι κανόνες για μια διαδικασία τόσο καλύτερα αυτή μπορεί να αναπαρασταθεί και τόσο πιο χρήσιμη θα είναι η εξαγόμενη πληροφορία. Βασικές απαιτήσεις της εξαγωγής πληροφοριών από ένα σύστημα ανάλυσης εικόνων είναι:
(1)η κατανόηση των χαρακτηριστικών του αισθητήρα,
(2)η κατανόηση των κατάλληλων κλιμάκων ανάλυσης και ο συνδυασμός τους,
(3)η ταυτοποίηση του τυπικού πλαισίου και των ιεραρχικών εξαρτήσεων,
(4) η εξέταση των εγγενών αβεβαιοτήτων ολόκληρου του συστήματος. Η μελέτη αυτή εστιάζει στην αντικειμενοστρεφή προσέγγιση και ασαφή ανάλυση του δικτύου αντικειμένων, για την αντιμετώπιση τα ζητήματα 2, 3 και 4.
-Επιλογή και συνδυασμός κλίμακας: Η μελέτη μιας εικόνας μέσα από διαφορετικές κλίμακες αντί μέσα από διαφορετικές χωρικές αναλύσεις αποτελεί μια κατάλληλη προσέγγιση για την κατανόηση και την ερμηνεία του τοπίου. Η έννοια της πολλαπλής κλίμακας για την ανάλυση μιας εικόνας που απεικονίζει μια αστική περιοχή, π.χ. από δορυφορικούς αισθητήρες υψηλής ανάλυσης, όπως ο Ιkonos, περιγράφει μια προσέγγιση 3 επιπέδων:
(1) τα δέντρα, τα κτίρια και τους δρόμους σε μικρή κλίμακα
(2) ομάδες δένδρων και ομάδες κτιρίων σε διαφορετικούς τύπους οικισμών σε μεσαία κλίμακα
(3) δάσος , αστική περιοχή και ανοιχτό τοπίο σε μεγαλύτερη κλίμακα.
Μεταξύ αυτών των κλιμάκων υπάρχει μια ιεραρχική εξάρτηση. Η συνάθροιση πολλών οικιστικών περιοχών αποδίδει μια πόλη. Τα οικοσυστήματα παρουσιάζουν ανάλογα μοτίβα: συνδυάζοντας πολλά δέντρα χτίζεται μια ομάδα δέντρων και συγκεντρώνει περισσότερα δέντρα ή ομάδες δέντρων κατασκευάζεται ένα δάσος. Αυτές είναι οι ιεραρχικές κλίμακες εξαρτήσεων είναι αυτοδύναμες σε κάθε παρατήρηση και περιγραφή της πραγματικότητας. Ωστόσο, η ρητή αναπαράσταση αυτών των μοτίβων προσθέτει πολύτιμες πληροφορίες σε αυτοματοποιημένες μεθόδους κατανόησης της εικόνας, και μπορεί να χρησιμοποιηθεί για μεταγενέστερη άντληση πληροφορίας. Κάτι που δεν μπορεί να πραγματοποιηθεί απλώς αλλάζοντας την ανάλυση της εικόνας.
-Σημασιολογία απεικόνισης – Αμοιβαίες σχέσεις μεταξύ των αντικειμένων: Μια από τις πιο σημαντικές πτυχές της κατανόησης εικόνων είναι οι πληροφορίες σχετικά με το περιεχόμενο της εικόνας, υπάρχουν δύο σχετικοί τύποι πληροφοριών: ο παγκόσμιος, που περιγράφει την κατάσταση της εικόνας χρόνος -αισθητήρας -τοποθεσία και ο τοπικός, που περιγράφει τις αμοιβαίες σχέσεις των περιοχών της εικόνας. Προκειμένου να ληφθούν σημαντικές πληροφορίες, πρέπει οι περιοχές της εικόνας να βρίσκονται σε σωστή σχετική κλίμακα. Αντιπροσωπεύοντας την εικόνα με βάση την κατάλληλη κλίμακα, επιτρέπεται ο χειρισμός της σημασιολογίας της εικόνας. Επιπλέον, τα αντικείμενα της εικόνας έχουν συνδεθεί για να επιτρέψουν τον χειρισμό χαμηλού και υψηλού χωρικού επιπέδου. Το δίκτυο αντικειμένων της εικόνας γίνεται ιεραρχικό, όταν τα αντικείμενα διαφορετικής κλίμακας στην ίδια τοποθεσία συνδέονται. Τότε, κάθε αντικείμενο χαρακτηρίζεται όχι μόνο από τα φασματικά χαρακτηριστικά του, το σχήμα ή την υφή του, αλλά και από τους μοναδικούς γείτονές του, τα υπό- και υπέρ- αντικείμενα του. Μαζί με την ταξινόμηση και τις αμοιβαίες εξαρτήσεις μεταξύ αντικειμένων και τάξεων, το δίκτυο μπορεί να θεωρηθεί ως ένα χωρικό σημασιολογικό δίκτυο.
- Εγγενείς αβεβαιότητες και ασάφεια: Η αβεβαιότητα ξεκινά με μετρήσεις θορυβωδών αισθητήρων με περιορισμένη ακρίβεια, υποβαθμισμένες μεθόδους επεξεργασίας σήματος, διφορούμενο χαρακτήρα εξαγωγής και ταξινόμησης και τελειώνει με ασαφείς έννοιες τάξεων χρήσης/κάλυψης γης.
Αβεβαιότητες του αισθητήρα: οφείλονται σε περιορισμένη ραδιομετρική και γεωμετρική ανάλυση, οδηγώντας σε μειωμένες δυνατότητες μονοσήμαντης ταξινόμησης και στη μείξη των τάξεων δηλ., εάν ένα στοιχείο ανάλυσης καλύπτει τη μετάβαση νερού-γης, το σχετικό εικονοστοιχείο αντιπροσωπεύει σε κάποιο βαθμό νερό και σε κάποιο βαθμό γη.
Αβεβαιότητες στη δημιουργία της εικόνας: Οι μετρήσεις του αισθητήρα μετατρέπονται σε δεδομένα εικόνας, τα δεδομένα αυτά πρέπει να συμπιεστούν για να αρχειοθετηθούν και να μεταδοθούν, όμως αυτές οι διαδικασίες οδηγούν σε θόρυβο και σε πρόσθετη αβεβαιότητα στην τελική εικόνα.
Ασαφείς έννοιες: Συνήθως αφορούν τις χρήσεις/καλύψεις γης. Δεν υπάρχει ακριβές όριο μεταξύ πυκνό- και αραιοκατοικημένης περιοχής, ή μεταξύ χαμηλής και υψηλής βλάστησης. Ως εκ τούτου, όταν ορίζονται τα κατώτατα όρια είναι ως επί το πλείστον μη ικανοποιητικά και οδηγούν σε προβλήματα κατά την ταξινόμηση.
Ασαφή μοντέλα ανάκτησης: Η αντιστοιχία μεταξύ χαρακτηριστικών και χρήσεων/καλύψεων γης γίνεται ως επί το πλείστον κατά προσέγγιση. Για παράδειγμα, αν τα δέντρα είναι «σχεδόν τελείως» περιβαλλόμενα από την αστική περιοχή, αντιστοιχούνται στην κλάση πάρκο.
Ασάφειες λόγω περιορισμένου χώρου λειτουργιών: Σε πολλές περιπτώσεις, οι ζητούμενες πληροφορίες για ένα συγκεκριμένο τύπο ταξινόμησης δεν περιέχονται στα διαθέσιμα δεδομένα της εικόνας. Αυτό μπορεί να προκαλείται από τη χωρική ή τη ραδιομετρική ανάλυση, από περιορισμένο αριθμό ζωνών συχνότητας ή πόλωσης, ή επειδή ο λόγος του σήματος προς τον θόρυβο είναι πολύ χαμηλός. Αυτό οδηγεί σε μειωμένη αξιοπιστία ταξινόμησης.
Υπάρχουν διάφορες προσεγγίσεις που λαμβάνουν υπόψη αυτές τις αβεβαιότητες. Μία από τις πιο αποτελεσματικές είναι τα ασαφή συστήματα ταξινόμησης, τα οποία είναι σε θέση να συνδυάσουν ανακριβείς μετρήσεις αισθητήρων, ασαφείς περιγραφές τάξεων και ασαφή μοντελοποίηση στην προσέγγιση ανάλυσης.
Αντικείμενα εικόνας και χαρακτηριστικά αντικειμένων: Τα αντικείμενα εικόνας είναι συνεχείς περιοχές μιας εικόνας και διακρίνονται σε πρωταρχικά αντικείμενα και αντικείμενα ενδιαφέροντος, από τα οποία μόνο τα τελευταία αντιστοιχούν σε πραγματικά αντικείμενα. Τα πρωταρχικά είναι συνήθως τα απαραίτητα ενδιάμεσα στάδια στη διαδικασία ταξινόμησης. Τα αντικείμενα εικόνας μπορούν να συνδεθούν με ένα ιεραρχικό δίκτυο, όπου αποδίδονται σε χώρο υψηλότερης διάστασης: Στατιστικά στοιχεία εικόνας και υφή: Χρησιμοποιώντας αντικείμενα εικόνας για στατιστικούς υπολογισμούς βελτιώνεται η αξιοπιστία τους, γιατί δεν έχουμε επικαλυπτόμενα όρια. Όμως οι ομοιογενείς περιοχές μεικτών εικονοστοιχείων δεν μπορούν να επιλυθούν. Σε ιδανικές περιπτώσεις, τα μεικτά εικονοστοιχεία ανιχνεύονται καθώς δεν ταιριάζουν με τις υπογραφές των τάξεων που τους έχουν αποδοθεί, και συνεπώς οδηγούν σε μειωμένη αξιοπιστία ταξινόμησης.
Σχήμα αντικειμένου: 'Όσο πιο κοντά βρίσκονται τα πρωταρχικά αντικείμενα στα αντικείμενα ενδιαφέροντος, τόσο περισσότερο μπορούν να χρησιμοποιηθούν τα χαρακτηριστικά σχήματος τους (μέγεθος, μήκος, αριθμός των άκρων) ως επιπρόσθετα μη συσχετισμένα χαρακτηριστικά. Τοπολογικά χαρακτηριστικά αντικειμένων: Σε μια κλίμακα μπορούν να αξιολογηθούν οι σχέσεις μεταξύ γειτονικών αντικειμένων, όπου η απόσταση γειτνίασης μπορεί να οριστεί ως παράμετρος. Μπορούν επίσης να δημιουργηθούν ιεραρχικές σχέσεις μεταξύ των κλιμάκων, χρησιμοποιώντας παραμέτρους απόστασης κλίμακας. Το ιεραρχικό δίκτυο παρέχει τον χαρακτηρισμό ενός αντικειμένου με βάση τα υπο-αντικείμενα του, χρησιμοποιώντας:
α. ανάλυση υφής βασισμένη στα υπό-αντικείμενα.
β. γραμμική ανάλυση βασισμένη στα υπό-αντικείμενα.
γ. σχέσεις με τα ταξινομημένα υπό-αντικείμενα, π.χ. αν μια αστική περιοχή περιέχει πολλά υποκείμενα που ταξινομούνται ως σπίτια, τότε μπορεί να χαρακτηριστεί πυκνή αλλά και τον χαρακτηρισμό με βάση τα υπέρ-αντικείμενα του, π.χ. σπίτια που ανήκουν σε ένα υπέρ-αντικείμενο αστική περιοχή μπορούν να ταξινομηθούν ως αστικά σπίτια.
Σημασιολογικά χαρακτηριστικά: Αυτά τα χαρακτηριστικά επιτρέπουν την περιγραφή ενός πάρκου ως δασική περιοχή εντός αστικής περιοχής ή μιας ακτής ως παρακείμενη σε νερό περιοχή. Αυτά τα σημασιολογικά χαρακτηριστικά μειώνουν τις αμφισημίες, και επιτρέπουν την ταξινόμηση πέρα από την καθαρή ταξινόμηση χρήσεων γης και έτσι οδηγούν σε ένα μια πρώιμη κατανόησης της περιοχής. Δημιουργία αντικειμένων εικόνας: Τα αντικείμενα δημιουργούνται από την κατάτμηση της εικόνας, η οποία είναι η υποδιαίρεση μιας εικόνας σε ξεχωριστές περιοχές, με ελάχιστη ετερογένεια. Τα κριτήρια ετερογένειας, ο ορισμός των περιορισμών και η στρατηγική για την ακολουθία της ομαδοποίησης προσδιορίζει το τελικό αποτέλεσμα. Το eCognition επιτρέπει και την κατάτμηση με βάση τα κύρια χαρακτηριστικά, όπως η τυπική απόκλιση, το σχήμα του αντικείμενο ή η υφή του και -μετά την αρχική ταξινόμηση - πιο προηγμένες κατηγοριοποιήσεις .
Δημιουργία αντικειμένων στo eCognition: Η πολυφασματική κατάτμηση είναι μια τεχνική συγχώνευσης περιοχών από κάτω προς τα πάνω ,που αρχίζει με αντικείμενα διάστασης ενός εικονοστοιχείου. Σε πολυάριθμα επόμενα βήματα, τα μικρότερα αντικείμενα συγχωνεύονται σε μεγαλύτερα. Καθ 'όλη τη διαδικασία η υποκείμενη διαδικασία βελτιστοποίησης ελαχιστοποιεί τη σταθμισμένη ετερογένεια των προκυπτόντων αντικειμένων εικόνας. Σε κάθε βήμα, ένα ζευγάρι γειτονικών αντικείμενων συγχωνεύεται με αποτέλεσμα τη μικρότερη αύξηση της καθορισμένης ετερογένειας. Εάν η μικρότερη αύξηση υπερβαίνει το όριο που ορίζεται από την παράμετρο της κλίμακας, η διαδικασία σταματά. Πρόκειται για μια τοπική διαδικασία βελτιστοποίησης που προσομοιώνει την ταυτόχρονη ανάπτυξη των τμημάτων σε κάθε βήμα, για να επιτευχθούν γειτονικά αντικείμενα παρόμοιου μεγέθους και επομένως συγκρίσιμης κλίμακα.
Ορισμός της ετερογένειας: f = wcolor * Dhcolor + wshape * Dhshape; wcolor ꞓ[0-1], wshapeꞓ[0-1], wcolor + wshape = 1
Η αύξηση της ετερογένειας f πρέπει να είναι μικρότερη από ένα συγκεκριμένο όριο. Οι παράμετροι βάρους (wcolor, wshape) επιτρέπουν την προσαρμογή του ορισμού. Η φασματική ετερογένεια επιτρέπει πολύ-μεταβλητή κατάτμηση προσθέτοντας ένα βάρος wc στο κανάλι c της εικόνας.
Dhcolor =Σwc(nmerge*σc;merge-(nobj 1*σc;obj 1 + nobj 2*σc;obj 2))
με nmerge το πλήθος των εικονοστοιχείων του συγχωνευμένου αντικειμένου, nobj_1 το πλήθος των εικονοστοιχείων του αντικείμενου 1, nobj_2 το πλήθος των εικονοστοιχείων του αντικείμενου, rc η τυπική απόκλιση του αντικειμένου στο κανάλι c.
Το Dhshape είναι μια τιμή που περιγράφει τη βελτίωση του σχήματος σε σχέση με τη λειότητα και τη συμπάγεια του: Dhshape = wcompt * Dhcomp + wsmooth *Dhsmooth
Η Dhsmooth ισούται με το λόγο του de facto οριακού μήκους l και του οριακού μήκους b που δίνονται από το πλαίσιο οριοθέτησης ενός αντικειμένου εικόνας παράλληλο στο raster. Η Dhcomp ισούται με τον λόγο του de facto μήκους του περιγράμματος l και της τετραγωνικής ρίζας του αριθμού των εικονοστοιχείων που αποτελούν αυτό το αντικείμενο. Τα βάρη wc, wcolor, wshape, wsmooth, wcomp είναι παράμετροι, οι οποίες μπορούν να επιλεγούν έτσι ώστε να επιτευχθούν κατάλληλα αποτελέσματα κατάτμησης για ορισμένα δεδομένα και εξεταζόμενη εφαρμογή. Η παράμετρος κλίμακας είναι το κριτήριο παύσης για τη διαδικασία βελτιστοποίησης. Πριν από τη σύντηξη δύο αντικείμενων, υπολογίζεται η προκύπτουσα αύξηση της ετερογένειας f . Εάν αυτή υπερβεί ένα όριο t που καθορίζεται από την παράμετρο της κλίμακας, τότε δεν πραγματοποιείται περαιτέρω συγχώνευση και η κατάτμηση σταματά. Όσο μεγαλύτερη είναι η παράμετρος κλίμακας, τόσο περισσότερα αντικείμενα μπορούν να συγχωνευθούν και τόσο μεγαλύτερα μπορούν να γίνουν.
Λειτουργίες εναλλακτικής δημιουργίας στο eCognition για αρχέτυπα αντικειμένων:Η κατάλληλη δημιουργία αντικειμένων μπορεί να απαιτεί εναλλακτικές προσεγγίσεις της εφαρμογής. -Κατάτμηση σύμφωνα με τις φασματικές διαφορές των αντικειμένων: Χρησιμοποιώντας τη λειτουργία "φασματική διαφορά" δημιουργούνται μεγάλες ομοιογενείς περιοχές και περιοχές ,οι οποίες έχουν μικρή φασματική διαφορά με βάση την κλίμακα, συγχωνεύονται. -Κατάτμηση υπό-αντικειμένων με σκοπό τη γραμμική ανάλυση: Η αντικειμενοστρεφής γραμμική ανάλυση των αντικειμένων μπορεί να πραγματοποιηθεί χρησιμοποιώντας μια ειδική λειτουργία κατάτμησης, που χρησιμοποιεί μόνο συμπαγή ετερογένεια. Η κλίμακα καθορίζει το μέγιστο σχετικό μήκος των ορίων των υπό-αντικειμένων με τα γειτονικά τους, τα οποία είναι υπό-αντικείμενα του ιδίου ανώτερου αντικειμένου.
Επικύρωση της διαδικασίας δημιουργίας αντικειμένων: Το eCognition παρέχει τη δυνατότητα χειροκίνητης αλληλεπίδρασης για την επικύρωση. Αυτόματη επικύρωση: Υπάρχουν διάφορες προσεγγίσεις για την αξιολόγηση της ποιότητας της κατάτμησης.
α. Τα πολύγωνα αναφοράς μπορούν να χρησιμοποιηθούν για έλεγχο της αυτόματης κατάτμησης. Αν το πλήρες πολύγωνο αναφοράς καλύπτεται από αυτόματα δημιουργειθέντα τμήματα, δίνονται οι καλύτερες βαθμολογίες.
β. Αναλύεται η δύναμη των ορίων των τμημάτων. Όσο μεγαλύτερη είναι η ετερογένεια, αν τα δύο τμήματα συγχωνευθούν, τόσο λιγότερο πιθανή είναι η συγχώνευση τους στη διαδικασία βελτιστοποίησης. Έτσι, το αποτέλεσμα κατάτμησης είναι λιγότερο ευαίσθητο σε παραλλαγές παραμέτρων ,βάρη και παραμέτρους κλίμακας.
γ. Ο συνδυασμός σταθερών αποτελεσμάτων σύμφωνα με την επικύρωση στο (β) και καλών αποτελεσμάτων σύμφωνα με το (α) παρέχει μια χρήσιμη εκτίμηση της ποιότητας της κατάτμησης
Ιεραρχικό δίκτυο αντικειμένων: Τα αντικείμενα που δημιουργούνται σε διαφορετικές κλίμακες μπορούν να συνδεθούν μεταξύ τους για να σχηματίσουν ένα ιεραρχικό δίκτυο αντικειμένων. Αυτό έχει πολλά πλεονεκτήματα για την ανάλυση της εικόνας.
Δημιουργία ιεραρχικής δικτύωσης στο eCognition: Κάθε τμήμα της εικόνας υπάρχει πάντα εξ ορισμού, κάθε κατάτμηση ενός νέου επιπέδου είναι μια κατασκευή μεταξύ ενός κατώτερου και ενός ανώτερου επίπεδου. Για να διασφαλιστεί μια ορισμένη ιεραρχία ως προς τη χωρική μορφή όλων των διαδικασιών κατακερματισμού ακολουθούνται δύο κανόνες: -Τα σύνορα των αντικειμένων πρέπει να ακολουθούν τα όρια των αντικειμένων στο επόμενο κατώτερο επίπεδο. -Η κατάτμηση περιορίζεται από το περίγραμμα του αντικειμένου στο επόμενο ανώτερο επίπεδο. Μέσα στο eCognition: -Δομές διαφορετικών κλιμάκων μπορούν να εξεταστούν ταυτόχρονα και έτσι να ταξινομηθούν σε σχέση μεταξύ τους. -Διαφορετικά επίπεδα ιεραρχίας μπορούν να κατανεμηθούν με βάση διαφορετικά δεδομένα. Στην ταξινόμηση του ανώτερου επιπέδου, κάθε μητρώο χρήσης γης μπορεί να αναλυθεί με βάση τη σύνθεση των ταξινομημένων υπό-αντικείμενων. -Είναι δυνατή η διόρθωση του σχήματος των αντικειμένων με βάση την ανασυγκρότηση των υπό-αντικειμένων .
Δημιουργία διανυσματικών πληροφοριών για τη γεφύρωση συστημάτων τηλεπισκόπησης και γεωπληροφορικής: Το eCognition υποστηρίζει μια ταυτόχρονη αναπαράσταση raster / vector των αντικειμένων της εικόνας. Μετά την κατάτμηση, η διανυσματική λειτουργικότητα επιτρέπει την παραγωγή πολυγώνων και σκελετών για κάθε αντικείμενο. Το eCognition παράγει πολύγωνα μαζί με εικονοστοιχεία του raster ή πολύγωνα βάσης, τα οποία δημιουργούνται σε σχέση με την τοπολογική δομή των αντικειμένων της εικόνας και χρησιμοποιούνται επίσης για την εξαγωγή διανυσματικών πληροφοριών. Περισσότερο αφηρημένες διανυσματικές πληροφορίες αντιπροσωπεύουν το σχήμα του αντικειμένου της εικόνας ανεξαρτήτως της τοπολογικής δομής και χρησιμοποιούνται για τον υπολογισμό των χαρακτηριστικών του σχήματος. Αυτά τα πολύγωνα αναφέρονται ως πολύγωνα σχήματος. Ο υπολογισμός των πολυγώνων βάσης γίνεται μέσα από τον αλγόριθμο Douglas Peucker. Τα πολύγωνα σχήματος δημιουργούνται με τη βοήθεια μιας ,παραγόμενης από την πολυφασματική ανάλυση, κατάτμησης , που δεν εφαρμόζεται σε περιοχές της εικόνας αλλά σε ξεχωριστά διανύσματα.
Χαρακτηριστικά αντικειμένων που βασίζονται σε πολύγωνα: Τα πολύγωνα σχήματος είναι ανεξάρτητα από την τοπολογική δομή, καθώς κάθε τμήμα αντιπροσωπεύεται ως ένα διάνυσμα , ακόμη και αν περιέχει κάποιο τοπολογικό σημείο. Έτσι, τμήματα των ορίων της εικόνας αντιπροσωπεύονται κατά ένα χαρακτηριστικό τρόπο από έναν αριθμό βραχέων διανυσμάτων. Αυτά τα πολύγωνα σχήματος επιτρέπουν τον υπολογισμό πρόσθετων χαρακτηριστικών στα αντικείμενα , που μπορούν να χρησιμοποιηθούν για τη διάκριση μεταξύ ανθρωπογενών και φυσικών αντικείμενων. Οι σκελετοί είναι προηγμένα χαρακτηριστικά των αντικειμένων, βασισμένα σε πολύγωνα. Για επιμήκη αντικείμενα παρέχουν την κεντρική γραμμή και τα κλάσματα δεύτερης και ανώτερης τάξης. Έτσι, πέραν του δρόμου που ανιχνεύεται σε εικόνες τηλεπισκόπησης, εξάγεται και το κέντρο του δρόμου. Η γραμμή αυτή μπορεί να εξαχθεί στο GIS και να χρησιμοποιηθεί για την επακόλουθη παραγωγή χαρτών. Οι σκελετοί δημιουργούνται βάσει ενός τριγωνισμού Delauney. Για να δημιουργηθούν τα κλαδιά του σκελετού, δημιουργούνται τρεις τύποι τριγώνων: τρίγωνα-κλαδιά , συνδετικά τρίγωνα και τελικά τρίγωνα: τα συνδετικά τρίγωνα δείχνουν σημεία διακλάδωσης του σκελετού, δύο γειτονικά-τρίγωνα ορίζουν ένα σημείο σύνδεσης, και τα τελικά τρίγωνα αντιπροσωπεύουν τα τελικά σημεία του σκελετού. Για να δημιουργηθεί ο σκελετός, συνδέονται τα παραγόμενα σημεία. Η μακρύτερη δυνατή σύνδεση των σημείων διακλάδωσης ορίζεται ως κύρια γραμμή (Εικ.1). Οι σκελετοί παρέχουν είσοδο για προηγμένη αυτόματη διόρθωση σχήματος. Τυπικό παράδειγμα είναι ο διαχωρισμός των δρόμων χαμηλότερης τάξης από τον κύριο .
Εισαγωγή και εξαγωγή σε μορφή διανύσματος: Το eCognition υποστηρίζει την εισαγωγή και εξαγωγή θεματικών δεδομένων σε μορφή σχήματος. Δεδομένου ότι είναι σε ένα σύστημα ανάλυσης με βάση την περιοχή, μπορούν να εισαχθούν μόνο πολύγωνα. Για εσωτερική χρήση αυτή η διανυσματική πληροφορία μετατρέπεται σε ράστερ. Η εξαγωγή υποστηρίζει πολύγωνα, γραμμές και σημεία. Ενώ οι γραμμές σε διανυσματική μορφή βασίζονται στις γραμμές του σκελετού, τα σημεία είναι ισοδύναμα με το κεντρικό σημείο της κύριας γραμμής για κάθε αντικείμενο προς εξαγωγή.
Ασαφής Ταξινόμηση : Η ασαφής ταξινόμηση είναι ένα ισχυρό εργαλείο καθώς λαμβάνει υπόψη της την αβεβαιότητα στις μετρήσεις του αισθητήρα, τις διαφοροποιήσεις των παραμέτρων εξαιτίας της περιορισμένης βαθμονόμησης του, και την ανάμειξη των κλάσεων λόγω περιορισμένης αναλυτικής ικανότητας. Αποτελείται από μια n-διαστάτη πλειάδα βαθμών συμμετοχής, η οποία περιγράφει το βαθμό συμμετοχής των τάξεων. Η ασαφής ταξινόμηση απαιτεί ένα πλήρες ασαφές σύστημα, είναι μια πολύ-τιμιακή λογική που ποσοτικοποιεί αβέβαιες δηλώσεις. Η βασική ιδέα είναι να αντικαταστήσουμε τις δύο boolean λογικές δηλώσεις 'αληθής' και ψευδής από το συνεχές εύρος [0,. , ., 1], όπου το 0 σημαίνει "ψευδές" και το 1 σημαίνει "αληθές" και όλες οι τιμές μεταξύ 0 και 1 αντιπροσωπεύουν μια μετάβαση μεταξύ αληθούς και ψευδούς. Τα ασαφή συστήματα ταξινόμησης είναι κατάλληλα να χειρίζονται τις περισσότερες πηγές ασάφειας στην τηλεπισκόπηση. Αποτελούνται από τρία βασικά βήματα, την ασαφοποίηση, τον συνδυασμό ασαφών συνόλων, π.χ. με ασαφή κανόνα, και την από-ασαφοποίηση.
Ασαφοποίηση: περιγράφει τη μετάβαση από ένα αυστηρό σύστημα σε ένα ασαφές και καθορίζει ,σε χαρακτηριστικό ενός αντικειμένου, ορισμένα ασαφή σύνολα. Αυτά τα ασαφή σύνολα αντιπροσωπεύουν κλάσεις χαρακτηριστικών αντικειμένου, π.χ. ‘χαμηλή ‘, ‘ μέτρια ‘ ή ‘υψηλή ‘.Αυτές οι κλάσεις ορίζονται από τις λεγόμενες λειτουργίες συμμετοχής. Αυτές οι λειτουργίες αντιστοιχούν βαθμούς συμμετοχής μεταξύ 0 και 1 σε κάθε τιμή χαρακτηριστικού αντικειμένου, η μετάβαση μεταξύ του «πλήρες μέλους» και του «μη μέλους» μπορεί να είναι αυστηρή ή ασαφής. Όλες οι τιμές των χαρακτηριστικών, οι οποίες έχουν τιμή μέλους μεγαλύτερη από 0 ανήκουν σε ένα ασαφές σύνολο. Σε γενικές γραμμές, όσο ευρύτερη η συνάρτηση μέλους σε μια κλάση, τόσο πιο ασαφής είναι η υποκείμενη έννοια.
Για την επιτυχή ταξινόμηση μια σκόπιμη επιλογή και παραμετροποίηση της συνάρτησης μέλους είναι ζωτικής σημασίας. Η λειτουργία πρέπει να μοντελοποιεί την υποκείμενη σχέση μεταξύ των χαρακτηριστικών του αντικειμένου και της ταξινόμησης όσο το δυνατόν καλύτερα.
Ταξινόμηση βασισμένη σε ασαφής κανόνες: είναι ένας συνδυασμός ασαφών κανόνων, που συνδυάζουν διαφορετικά ασαφή σύνολα. Οι πιο απλοί ασαφείς κανόνες εξαρτώνται από ένα μόνο ασαφές σύνολο. Οι ασαφείς κανόνες είναι κανόνες ‘if-then’. Εάν μια κατάσταση εκπληρωθεί, τότε λαμβάνει χώρα μια ενέργεια. Μια βάση ασαφών κανόνων δίνει μια ασαφή ταξινόμηση, η οποία αποτελείται από μια πλειάδα τιμών για κάθε μία από τις εξεταζόμενες κλάσεις εξόδου. Αυτές οι τιμές αντιπροσωπεύουν το ποσοστό ταξινόμησης της κλάσης. Πρέπει να σημειωθεί ότι ενώ η ασαφής ταξινόμηση δίνει την δυνατότητα για ένα αντικείμενο να ανήκει σε μια τάξη, η ταξινόμηση που βασίζεται σε πιθανότητες, δίνει την πιθανότητα . H ανάλυση της ασαφούς ταξινόμησης παρέχει ένα σημαντικό στοιχείο για την επικύρωση της, και επιπλέον για συγγενεύσεις σε υπάρχοντα και μελλοντικά συστήματα με πολύ-αισθητηριακές πηγές και βοηθητικές πηγές. Η αξιοπιστία των ταξινομήσεων για κάθε αισθητήρα μπορεί να χρησιμοποιηθεί για να βρεθεί η καλύτερη ταξινόμηση.
Από-ασαφοποίηση: Για τη δημιουργία αποτελεσμάτων , όπως χάρτες χρήσεων/καλύψεων γης, τα ασαφή αποτελέσματα πρέπει να μεταφραστούν σε αυστηρές τιμές. Για το σκοπό αυτό, ο μέγιστος βαθμός συμμετοχής ενός αντικειμένου σε μια κλάση χρησιμοποιείται ως αυστηρή ανάθεση σε αυτή. Αυτή η διαδικασία είναι μια τυπική προσέγγιση για τα αποτελέσματα ασαφούς ταξινόμησης. Εάν ο μέγιστος βαθμός συμμετοχής μιας κλάσης είναι κάτω από ένα όριο, δεν πραγματοποιείται ταξινόμηση για να εξασφαλισθεί αξιοπιστία. Αυτό το βήμα αφαιρεί τα μέτρα αβεβαιότητας της ασαφούς ταξινόμησης, και θα πρέπει να γίνει μόνο αν είναι απαραίτητο και όσο το δυνατόν αργότερα σε όλη τη διαδικασία εξαγωγής πληροφοριών.
Παράδειγμα: Ο στόχος αυτού του παραδείγματος είναι να αναλύσει ένα μωσαϊκό υψηλής ανάλυσης (0,5 m). Αρχεία εισόδου είναι το μωσαϊκό εικόνας (Εικ.2) και τα shape files, που δείχνουν το κτιριακό αποτύπωμα (Εικ.3). Αυτές οι πληροφορίες ενημερώθηκαν και επεκτάθηκαν από πολύγωνα για αδιαπέραστες επιφάνειες.
Με βάση ένα υποσύνολο της εικόνας αναπτύσσεται η στρατηγική κατάτμησης και ταξινόμησης. Η ταξινόμηση εφαρμόζεται σε δύο επίπεδα. Η ταξινόμηση βάση ιεραρχικού κανόνα ορίζει τις κατηγορίες «στέγη» και «μη στέγη», η οποία στη συνέχεια υποδιαιρείται σε « μη-αδιαπέραστη», «σκιά», «αδιαπέραστη» και «μάλλον αδιαπέραστη». Η μάλλον αδιαπέραστη χωρίζεται σε μπορεί να είναι αδιαπέραστη και δεν είναι πιθανόν να είναι αδιαπέραστη . Η 'Σκιά' χαρακτηρίζεται ως σκιά πάνω από βλάστηση ή σκιά πάνω από αδιαπέραστη περιοχή .
Αυτή η ιεραρχία στο σχεδιασμό βασικών κανόνων επιτρέπει μια καλά δομημένη ενσωμάτωση γνώσης με χαμηλή αμοιβαία επίδραση των τάξεων των αντικειμένων.
Η στρατηγική ταξινόμησης για αυτήν την εφαρμογή αποτελείται από επαναληπτική κατάτμηση και ταξινόμηση. Τα βήματα, οι παράμετροι και οι κανόνες αποθηκεύονται σε ένα πρωτόκολλο. Αυτό το πρωτόκολλο μπορεί να χρησιμοποιηθεί στην επεξεργασία για να εφαρμοστεί η εξαγωγή πληροφοριών σε ολόκληρο το μωσαϊκό της εικόνας.
Πρώτα, γίνεται μια κατάτμηση με δύο ρυθμίσεις παραμέτρων για τα πρωτογενή αντικείμενα. Μια ιεραρχία πρώτης τάξης (fmm_base_ 1.dkb) φορτώνεται και χρησιμοποιείται στο επόμενο βήμα για ταξινόμηση. Με βάση αυτή την προκαταρκτική ταξινόμηση δημιουργούνται τα πρώτα αντικείμενα, με σύντηξη βάση της ταξινόμησης. Παρόμοια βήματα πραγματοποιούνται μέχρι να εφαρμοστεί η τελική ταξινόμηση στο επίπεδο 2. Τα αντικείμενα του επιπέδου 2 διανυσματοποιούνται και εξάγονται σε ένα shape file. Τα αποτελέσματα είναι ένας χάρτης ταξινόμησης και ένας αξιοπιστίας (Εικ.4),οι στατιστικές σε σχέση με ορισμένες κατηγορίες και με τα μεμονωμένα αντικείμενα, και ένα ενημερωμένο και εκτεταμένο shape file (Εικ.5).
Ο χάρτης αξιοπιστίας (Εικ.4 , δεξιά) είναι σημαντικός για τη χειροκίνητη μεταγενέστερη επεξεργασία. Τα αντικείμενα που επισημαίνονται ως χαμηλής αξιοπιστίας πρέπει να αποδοθούν χειροκίνητα ή με επιτόπιες παρατηρήσεις. Έτσι, η μέθοδος δεν αντικαθιστά όλες τις χειροκίνητες αλληλεπιδράσεις, αλλά μειώνει σημαντικά το ποσοστό. Λόγω της αντικειμενοστρεφούς προσέγγισης ,με τη δυνατότητα να ληφθούν υπόψη και οι σημασιολογικές πληροφορίες και την ικανότητα εισόδου και εξόδου με βάση τα διανύσματα και λόγω της ασαφούς ταξινόμησης με την προηγμένη αξιολόγηση ακρίβειας και αξιοπιστίας, θα μπορούσε να αναπτυχθεί και να αναλυθεί ένα λειτουργικό σύστημα για από αέρος μωσαϊκά εικόνας και να επικαιροποιηθεί η πληροφορία GIS.Η αποτελεσματικότητα των επιτόπιων μετρήσεων μπορεί να βελτιωθεί και, συνεπώς, η ποιότητα της τελικής γεωπληροφορίας μπορεί να αυξηθεί με ταυτόχρονη μείωση του κόστους.
