Ανάπτυξη Βάσης Γνώσης σε Περιβάλλον Αντικειμενοστραφούς Ανάλυσης Ψηφιακών Τηλεπισκοπικών Δεδομένων με Σκοπό την Αυτόματη Αναγνώριση Υδάτινων Μαζών

Abstract

Σκοπός της παρούσας διπλωματικής εργασίας ήταν η αναγνώριση υδάτινων μαζών (ποταμοί, λίμνες, σχηματισμοί δέλτα, πλημμυρισμένη έκταση), έτσι ώστε να δημιουργηθεί μία βάση γνώσης για μελλοντική της εφαρμογή σε δορυφορικά δεδομένα. Τα δορυφορικά δεδομένα (7 εικόνες) ήταν του δορυφόρου Landsat (4-5 & 7). Οι απεικονίσεις είχαν μέγεθος 1000x1000 εικονοστοιχεία. Η επεξεργασία τους πραγματοποιήθηκε στο λογισμικό eCognition (Demo version) της γερμανικής εταιρίας DEFiNiENS Imaging GmbH (www.definiens.com) στο οποίο αναπαραστάθηκαν οι εννοιολογικές πληροφορίες αντικείμενων της κάθε απεικόνισης σύμφωνα με τις χωρικές τους σχέσεις και τα φασματικά τους χαρακτηριστικά. Η μεθοδολογία που αναπτύχθηκε, αξιοποιεί όλα τα κανάλια της δορυφορικής απεικόνισης και κατά συνέπεια όλα τα πρωτογενή και δευτερογενή χαρακτηριστικά της. Ωστόσο έγινε και μία προσπάθεια αναγνώρισης των υδάτινων σωμάτων από ένα κανάλι, καθώς και μία προσπάθεια να διαχωριστούν στη συνέχεια οι υδάτινες επιφάνειες βάσει των χρήσεων γης τους. Αρχικά ερευνήθηκαν βάσει της φωτοερμηνείας κάθε απεικόνισης, όλα τα χαρακτηριστικά που θα επέφεραν το επιθυμητό αποτέλεσμα. Αναπτύχθηκε, λοιπόν, μία μεθοδολογία, η οποία έγινε προσπάθεια να ακολουθηθεί για κάθε θεματική κατηγορία για όλες τις περιπτώσεις μελέτης υδάτινων μαζών, τόσο στο στάδιο της κατάτμησης, όσο και στο στάδιο επιλογής των συναρτήσεων συμμετοχής των χαρακτηριστικών γνωρισμάτων που την περιέγραφαν. Επίσης η ιεραρχία των τάξεων αναπτύχθηκε με τέτοιο τρόπο, ώστε να παραχθεί το βέλτιστο αποτέλεσμα για κάθε περίπτωση. Αυτό σημαίνει πως έγινε ένας αρχικός διαχωρισμός των υδάτινων μαζών από τις υπόλοιπες χρήσεις γης (που απεικονίζονταν στην κάθε εικόνα). Το επόμενο βήμα ήταν να διαχωριστούν σαφώς και να οριστούν σωστά οι υποκατηγορίες για τις υδάτινες μάζες (που περιλάμβανε κάθε εικόνα) π.χ. ποταμός από θάλασσα. Πολλές φορές για να επιτευχθεί ο παραπάνω στόχος, πραγματοποιήθηκε συνένωση των αντικειμένων της εικόνας και μετά-ταξινόμησή τους. Αφού παράχθηκε το βέλτιστο αποτέλεσμα για κάθε περίπτωση μελέτης υδάτινης επιφάνειας, ακολούθησε η αξιολόγηση του αποτελέσματος για να επιβεβαιωθεί ότι ήταν όντως πολύ καλό, όπως συμπεραινόταν εποπτικά. Τέλος ελέγχθηκε εάν είχαν εκπληρωθεί όλοι οι αρχικοί στόχοι και επιπλέον διατυπώθηκαν πιθανοί τρόποι για περαιτέρω διερεύνηση μεθοδολογιών για αναγνώριση υδάτινων μαζών.

The goal of this diploma thesis was to assist in the extraction of water bodies from Remotely Sensed Imagery. An additional goal was to develop a knowledge base applicable to other relative applications using Remotely Sensed Imagery. Seven Landsat spectral images were specifically selected for developing and testing. The images were downloaded from the website: www.glovis.usgs.gov . Each image had a size of 1000 x 1000 pixels. The eCognition software (Demo version) by DEFiNiENS Imaging GmbH (www.definiens.com) was used. “This program follows a new, object oriented approach towards image analysis. It provides a whole bundle of innovative features and techniques for efficient image analysis. The concept behind eCognition is that important semantic information necessary to interpret an image is not represented in single pixels, but in meaningful image objects and their mutual relationships. The basic difference, especially when compared to pixel-based procedures, is that eCognition does not classify single pixels, but rather image objects which are extracted in a previous image segmentation step”. The methodology developed, used all bands of imagery. Also, single band imagery (band 5) was tested in order to recognize all water bodies depicted in the image and then distinguish them. First of all, all images were interpreted and all their useful features were noted in order to produce the final output. Thus, a general approach was developed for recognition of all water bodies. Moreover, this approach was a guideline for all the tested images, not only in the segmentation step, but also in the selection step of features for each semantic class. This means, for example, for the river class there were chosen the followed features: Length/width, asymmetry, length, and the same features were being used for the other images, too. The class hierarchy was specifically constructed for obtaining the best result at every case. At the beginning, all water bodies were distinguished from the other land uses for each image. The next step was to classify correctly all the subcategories of water bodies. Most of the time, it was necessary to apply classification- based segmentation techniques and classification with class related features. Upon reaching the best classification for all case studies, the evaluation step was followed in order to confirm the high level classification status as it was concluded optically. Finally, an evaluation of whether the original goals were achieved took place and prospects are introduced for further investigation into the recognition and extraction of water bodies with other methods and data.