Ανίχνευση κτιρίων με γεωμορφομετρία και αντικειμενοστρεφή ανάλυση εικόνων

Μπέκα, Στυλιανή; Beka, Styliani

dc.contributor.author	Μπέκα, Στυλιανή	el
dc.contributor.author	Beka, Styliani	en
dc.date.accessioned	2015-11-27T12:27:19Z
dc.date.available	2015-11-27T12:27:19Z
dc.date.issued	2015-11-27
dc.identifier.uri	https://dspace.lib.ntua.gr/xmlui/handle/123456789/41695
dc.identifier.uri	http://dx.doi.org/10.26240/heal.ntua.10411
dc.rights	Αναφορά Δημιουργού-Μη Εμπορική Χρήση-Όχι Παράγωγα Έργα 3.0 Ελλάδα	*
dc.rights.uri	http://creativecommons.org/licenses/by-nc-nd/3.0/gr/	*
dc.subject	Αντικειμενοστρεφής ανάλυση	el
dc.subject	Object-based/oriented analysis	en
dc.subject	Κτίρια	el
dc.subject	Ασαφής λογική	el
dc.subject	Ψηφιακό μοντέλο εδάφους (Ψ.Μ.Ε.)	el
dc.subject	Ψηφιακό μοντέλο αναγλύφου (Ψ.Μ.Α.)	el
dc.subject	Γεωμορφομετρία	el
dc.subject	(γεω)Μορφομετρικά φίλτρα	el
dc.subject	Κατάτμηση	el
dc.subject	Ταξινόμηση	el
dc.subject	LIDAR δεδομένα	el
dc.subject	Αλγόριθμος πολλαπλής κατάτμησης εικόνας	el
dc.subject	Κατάτμηση βάσει ταξινόμησης	el
dc.subject	Συναρτήσεις συμμετοχής	el
dc.subject	Κλίση	el
dc.subject	Τοπογραφικός δείκτης τραχύτητας του εδάφους (TRI)	el
dc.subject	Buildings	en
dc.subject	e-Cognition	en
dc.subject	SAGA-GIS	en
dc.subject	Fuzzy logic	en
dc.subject	Digital terrain model (D.T.M.)	en
dc.subject	Digital surface model (D.S.M.)	en
dc.subject	Geomorphometry	en
dc.subject	(geo)Morphometric filters	en
dc.subject	Segmentation	en
dc.subject	Classification	en
dc.subject	LiDAR data	en
dc.subject	Multiresolution segmentation	en
dc.subject	Segmentation based on classification	en
dc.subject	Membership functions	en
dc.subject	Slope	en
dc.subject	Topographic roughness index (TRI)	en
dc.title	Ανίχνευση κτιρίων με γεωμορφομετρία και αντικειμενοστρεφή ανάλυση εικόνων	el
dc.title	Detection of buildings using geomorphometry and object-based image analysis	en
heal.type	bachelorThesis
heal.classification	Τηλεπισκόπηση	el
heal.classification	Remote sensing	en
heal.language	el
heal.access	free
heal.recordProvider	ntua	el
heal.publicationDate	2015-10-15
heal.abstract	Αντικείμενο της παρούσας διπλωματικής εργασίας είναι η ανίχνευση κτιρίων από την ψηφιακή επεξεργασία δεδομένων εικόνων που έχουν ληφθεί από μέσα τηλεπισκόπησης. Για την ανίχνευση των κτιρίων στις εικόνες, εφαρμόζεται συστηματική και συνδυαστική μεθοδολογία εφαρμογής σύγχρονων ψηφιακών αλγορίθμων, αφενός μεν αντικειμενοστρεφούς ανάλυσης (objects based image analysis) και αφετέρου δε γεω(μορφομετρικών) φίλτρων-δεικτών. Τα δεδομένα που ήταν διαθέσιμα καταγράφηκαν σε περιοχή της Γερμανίας. Η περιοχή μελέτης αφορά σε εικόνα μεγέθους 7640 x 4440 εικονοστοιχείων (pixels), ανάλυσης (resolution) 0,5μέτρων, η οποία για την ευχερέστερη επεξεργασία της, διαιρέθηκε σε τρείς μικρότερες περιοχές με εικόνες μεγέθους 2565 x 4440 pixels η κάθε μια. Η αντικειμενοστρεφής ανάλυση υλοποιείται μέσω του λογισμικού εικόνων e-Cognition (9.0) και η γεωμορφομετρική ανάλυση μέσω του λογισμικού System for Automated Geoscientific Analyses -SAGA-GIS (2.0.8). Το λογισμικό e-Cognition (9.0), αναπτύχθηκε από την DEFINIENS Imaging GmbH (πλέον Trimble Navigation Ltd), ενώ το λογισμικό SAGA-GIS (2.0.8) ανήκει στην κατηγορία ψηφιακών αλγορίθμων ανοικτής πηγής (Free Open Source Software -FOSS). Η επεξεργασία των δεδομένων καθώς και το σύνολο των υπολογισμών και διερευνήσεων υλοποιούνται σε προσωπικό ηλεκτρονικό υπολογιστή λειτουργούντα σε περιβάλλον Microsoft Windows 7 -64 bit, ο οποίος είναι εφοδιασμένος με κεντρικό επεξεργαστή Intel Core i7 2700k, με 8 Gigabyte μνήμης RAM και ξεχωριστής Κάρτας Γραφικών εφοδιασμένης με 2 Gigabyte Video RAM. Τα δεδομένα που χρησιμοποιούνται είναι πολυφασματικά και υψομετρικά. Τα πολυφασματικά δεδομένα, έχουν ληφθεί από γραμμικό σαρωτή τεσσάρων καναλιών και τα υψομετρικά δεδομένα από σαρωτή τεχνολογίας LiDAR. Τα εν λόγω δεδομένα συνοψίζονται στα ακόλουθα:  Ψηφιακό υψομετρικό μοντέλο επιφανείας πρώτου παλμού μεγίστων τιμών DSM FE Highest values.  Ψηφιακό μοντέλο εδάφους DTM (Digital Terrain Model)  Ψηφιακό μοντέλο διαφορών DSM_FE-DSM_LE  Ψηφιακά δεδομένα εικόνων στα τέσσερα φασματικά κανάλια Red, Green Blue, Infrared. Από τα παραπάνω αρχικά δεδομένα που ήταν διαθέσιμα για τη διεκπεραίωση αυτής της εργασίας, τα πρώτα τρία (υψομετρικά) εισάγονται στο λογισμικό SAGA-GIS (2.0.8) έτσι ώστε να δημιουργηθούν τα παρακάτω θεματικά επίπεδα:  Διαφοράς του ψηφιακού μοντέλου εδάφους (Digital Terrain Model, DTM) από το ψηφιακό μοντέλο επιφανείας πρώτου παλμού μεγίστων τιμών (DSM First Echo Highest Values) DIFF (FEH-DTM)  Κλίσης (SLOPE) της διαφοράς του ψηφιακού μοντέλου επιφανείας τελευταίου παλμού (DSM_LE) από το ψηφιακό μοντέλο επιφανείας του πρώτου παλμού (DSM_FE) και  Τοπογραφικού δείκτη τραχύτητας του εδάφους (TRI) της διαφοράς του ψηφιακού μοντέλου επιφανείας τελευταίου παλμού (DSM_LE) από το ψηφιακό μοντέλο επιφανείας του πρώτου παλμού (DSM_FE) . Τα παραπάνω θεματικά επίπεδα, μαζί με τα αρχικά Ψηφιακά δεδομένα εικόνων στα τέσσερα φασματικά κανάλια Red, Green Blue & Infrared, εισάγονται στο λογισμικό e-Cognition (9.0), προκειμένου να υλοποιηθεί η αντικειμενοστρεφής ανάλυση. Η ανάλυση πραγματοποιείται με δύο μεθοδολογικές προσεγγίσεις, κατ’ αρχήν ξεχωριστά για κάθε μια από τις τρείς περιοχές στις οποίες χωρίζεται η αρχική εικόνα και στη συνέχεια και με την εφαρμογή στις δύο τελευταίας περιοχές, ενιαίας βάσης γνώσης που δημιουργείται στο λογισμικό e-Cognition, με βάση τις κατηγορίες της πρώτης περιοχής μελέτης. Στην πρώτη μεθοδολογική προσέγγιση, η επεξεργασία των δεδομένων στις τρείς υπό επεξεργασία περιοχές, περιλαμβάνει την δημιουργία δύο (2) επιπέδων κατάτμησης και ισάριθμων επιπέδων ταξινόμησης. Αρχικά τα αντικείμενα διαχωρίζονται σε ψηλά και χαμηλά και εντοπίζονται και οι ακμές. Η τελική ταξινόμηση πραγματοποιείται στο δεύτερο επίπεδο, αποτέλεσμα της οποίας είναι ο εντοπισμός των κτιρίων. Σε όλες τις εξεταζόμενες περιοχές ακολουθούνται παρόμοιες διαδικασίες, με λίγες μόνο τροποποιήσεις στα όρια των πεδίων τιμών των ιδιοτήτων των κατηγοριών που δημιουργήθηκαν στο στάδιο της ταξινόμησης. Στη δεύτερη μεθοδολογική προσέγγιση, μετά από τη δημιουργία, στο λογισμικό e- Cognition 9.0, βάσης γνώσης για τις κατηγορίες της πρώτης περιοχής, διερευνάται και εφαρμογή της ως ενιαίας βάσης γνώσης, για την αυτοματοποιημένη αναγνώριση κτιρίων από παρόμοια δεδομένα στις περιοχές δύο και τρία. Τα αποτελέσματα έδειξαν ότι τα κτίρια εντοπίστηκαν και με τις δύο μεθοδολογίες που ακολουθήθηκαν. Κατόπιν, ακολουθεί αξιολόγηση των ταξινομήσεων η οποία πραγματοποιείται με χρήση των εργαλείων που ενσωματώνει το λογισμικό e-Cognition (9.0). Συγκεκριμένα, οι ταξινομήσεις αξιολογούνται με τρείς τρόπους, τη μέθοδο καλύτερης ταξινόμησης (best classification result), τη μέθοδο σταθερότητας ταξινόμησης(classification stability) και τη μέθοδο του πίνακα σύγχυσης βασισμένου σε δείγματα (error matrix based on samples). Για την πρώτη μεθοδολογική προσέγγιση (ανάλυση των περιοχών ξεχωριστά), η αξιολόγηση των ταξινομήσεων δίδει πολύ καλά αποτελέσματα και οι μέσες τιμές όλων σχεδόν των κατηγοριών (τάξεων), κυμαίνονται κοντά στη μονάδα. Αντίστοιχα για τη δεύτερη μεθοδολογική προσέγγιση (ανάλυση με ενιαία βάση γνώσης) η αξιολόγηση δίδει επίσης πολύ καλά αποτελέσματα και οι μέσες τιμές όλων σχεδόν των κατηγοριών κυμαίνονται μεταξύ του 0,83 και της μονάδας. Ειδικότερα, η αξιολόγηση με τη μέθοδο του πίνακα σύγχυσης βασισμένου σε δείγματα με την οποία εξασφαλίζεται σχεδόν απόλυτα η απαιτούμενη σαφήνεια αξιολόγησης, αποδίδει εξαιρετικά ικανοποιητικά αποτελέσματα. Συγκεκριμένα, η συνολική ακρίβεια του δεύτερου επιπέδου κατάτμησης – ταξινόμησης, κυμαίνεται μεταξύ 0,9 και 0,98 ανεξάρτητα μεθοδολογικής προσέγγισης και αντίστοιχα ο δείκτης “Kάπα” (Kappa Index of Agreement ) κυμαίνεται μεταξύ 0,88 και 0,98. Μετά την ολοκλήρωση της αξιολόγησης των ταξινομήσεων ακολουθεί η καταγραφή των συμπερασμάτων που αφορούν τόσο στη συνολική εμπειρία, που αποκομίσθηκε από την υλοποίηση της παρούσας εργασίας, όσο και σε επιμέρους αντικείμενα της μεθοδολογίας υλοποίησης. Τέλος, η εργασία ολοκληρώνεται με τη διατύπωση των προοπτικών που ανοίγονται από την παρούσα, αφενός σαν θέματα περαιτέρω εξέτασης και αφετέρου σαν πρακτικές εφαρμογές της μεθοδολογίας που εφαρμόσθηκε.	el
heal.abstract	Subject of this thesis is the detection of buildings, by employing systematic and combined use of Object Based Image Analysis (O.B.I.A) and Morphometrical Analysis Filters-Indices for processing of remote sensing data. The available digital terrain data were taken from a region of Germany. The study region referred to a digital picture with overall dimensions of 7640 x 4440 pixels, and a resolution of 0,5meters, which was split to three (3) sub-regions, each consisting of 2565 x 4440 pixels, for more efficient processing. The Object Based Image Analysis was performed utilizing the e-Cognition (9.0) software package and the (geo)morphometry, though the System for Automated Geoscientific Analyses -SAGA-GIS (2.0.8) software package. The e-Cognition (9.0) software package, were developed by the DEFINIENS Imaging GmbH company (acquired by Trimble Navigation Ltd), whereas the SAGA-GIS (2.0.8) software package is a Free Open Source Software (FOSS) algorithm, developed initially by researchers from the Dept. of Physical Geography, Göttingen, whereas now its developers have moved to the Dept. of Physical Geography, Hamburg. All processing tasks were carried out in a Microsoft Windows 7 – 64 bit operating PC equipped with an intel Core i7 2700K processor, 8GB of RAM and a discrete Graphics card with 2GB of Video RAM. The available data were both multispectral data, received from an RGB/NIR line scanner, and elevation data taken from a LiDAR scanner. Specifically the data used are summarized as follows:  A First Echo Digital Surface Model of Maximum Values (DSM FE Highest values).  A Digital Terrain Model (DTM).  A Digital Model that shows the Difference between the DSM_FE and the DSM_LE (DSM_FE-DSM_LE)  Digital image data from four spectral channels Red, Green Blue, Infrared Out of the original elevation data, which were available to carry out this work and with the help of the SAGA-GIS (2.0.8) software the following layers were produced: Difference of the DTM (Digital Terrain Model, DTM) from the First Echo Surface Model of Maximum Values (DSM FE Highest values) (FEH-DTM)  Slope of the difference of the Last Echo Digital Surface Model (DSM_LE) from the First Echo Digital Surface Model (DSM_FE) and  Topographical soil roughness index (TRI) of the difference of the Last Echo Digital Surface Model (DSM_LE) from the First Echo Digital Surface Model (DSM_FE) The aforementioned layers, together with the available digital image data for the four color channels (Red, Green, Blue, & Infrared), are provided as input to the e-Cognition Software package, for the purpose of applying the Object Based Image Analysis (OBIA). The OBIA is performed using two methodological approaches. Initially, it is applied separately to each one of the three (2565 x 4440 pixel) sub-regions, of the original image, and subsequently, the analysis is applied to the second and third sub-regions, based on the knowledge based created in the e-Cognition software package, for the first sub region’s classes. In the first methodological approach, data processing in all three sub-regions involved the creation of two (2) levels (Level 1 and Level 2) , at both the segmentation and the classification stages. Initially the objects were classificated into “high” and “low” classes, and the edges were also detected. The final classification took place at the second level, the purpose of which was to identify the buildings. The same processing steps were followed in all three sub-regions, with only a few adjustments made at the classes’ properties range limits, which were created at the classification stage. In the second methodological approach, subsequent to the formation in the e-Cognition software package, of a knowledge base for the classes of the first sub-region, an investigation was performed regarding its applicability, as a unified knowledge base, for the automated detections of the buildings belonging to any region, using similar available data from sub-regions two and three. The results showed that the buildings were detected, with both methodological approaches. Then, the assessment of the classifications was carried out using the e-Cognition software’s integral tools. The results of the classifications were evaluated by the following three methods: best classification result, stability classification and error matrix based on the samples. For the first methodological approach (separated sub-region analysis), the assessment of the classifications, provides very good results and for almost all classes, mean values are approaching the unity (1.0). Respectively, for the second methodological approach (unified knowledge base analysis), the assessment of the classifications provides also very good results, and mean values for almost all classes vary between the 0,83 and the unity (1.0). Specifically, the assessment of classifications, using the most reassuring “error matrix based on the samples” method, provides absolutely good results. In detail, the Level 2” Overall accuracy” for the second and the third sub-regions, varies between the values of 0,9 and 0,98 for both methodological approaches, and the “Kappa Index of Agreement” values, vary between 0,88 and 0,98. Subsequent to the very satisfying assessment results, the thesis’s conclusions are, presented. These conclusions refer to both the overall experience acquired by the composition of the present thesis, and the various subjects examined using the followed methodologies. The documentation is finalized by the thesis’ perspectives, regarding to the further research opportunities, and the practical applications, of the methodologies used in the present thesis.	en
heal.advisorName	Αργιαλάς, Δημήτριος	el
heal.committeeMemberName	Καραθανάση, Βασιλεία	el
heal.committeeMemberName	Καράντζαλος, Κωνσταντίνος	el
heal.academicPublisher	Εθνικό Μετσόβιο Πολυτεχνείο. Σχολή Αγρονόμων και Τοπογράφων Μηχανικών. Τομέας Τοπογραφίας. Εργαστήριο Τηλεπισκόπησης	el
heal.academicPublisherID	ntua
heal.numberOfPages	242 σ.
heal.fullTextAvailability	true