Ανίχνευση μεταβολών και αναγνώριση των κατηγοριών τους σε διαχρονικά υψηλής χωρικής ανάλυσης τηλεπισκοπικά δεδομένα

Ιατρίδη, Σοφία-Ελένη; Iatridi, Sofia-Eleni

dc.contributor.author	Ιατρίδη, Σοφία-Ελένη	el
dc.contributor.author	Iatridi, Sofia-Eleni	en
dc.date.accessioned	2018-09-07T09:52:53Z
dc.date.available	2018-09-07T09:52:53Z
dc.date.issued	2018-09-07
dc.identifier.uri	https://dspace.lib.ntua.gr/xmlui/handle/123456789/47545
dc.identifier.uri	http://dx.doi.org/10.26240/heal.ntua.15609
dc.rights	Default License
dc.subject	Ανίχνευση μεταβολών	el
dc.subject	Επιβλεπόμενη ταξινόμηση	el
dc.subject	Κατηγορίες μεταβολών	el
dc.subject	Αυτοματοποίηση	el
dc.subject	Αντιστοίχιση	el
dc.subject	Change detection	en
dc.subject	Supervised classification	en
dc.subject	SVM	en
dc.subject	Land cover/use	en
dc.subject	From-to transitions	en
dc.subject	Automation	en
dc.subject	Registration	en
dc.title	Ανίχνευση μεταβολών και αναγνώριση των κατηγοριών τους σε διαχρονικά υψηλής χωρικής ανάλυσης τηλεπισκοπικά δεδομένα	el
dc.title	Change detection and change trajectory recognition from multitemporal, very-high resolution, remote sensing data	en
heal.type	bachelorThesis
heal.classification	Ψηφιακή τηλεπισκόπηση	el
heal.language	el
heal.access	free
heal.recordProvider	ntua	el
heal.publicationDate	2018-07-17
heal.abstract	Στο πλαίσιο της εργασίας αναπτύχθηκε μεθοδολογία για την ανίχνευση μεταβολών σε διαχρονικά ζεύγη εικόνων με βάση την ταξινόμηση με μηχανές διανυσματικής υποστήριξης (Support Vector Machines, SVM). Για το σκοπό αυτό, χρησιμοποιήθηκαν δορυφορικά τηλεπισκοπικά δεδομένα από τους δορυφόρους Quickbird και Worldview-2, καθώς και ορθοεικόνες υψηλής χωρικής ανάλυσης. Αρχικά, πραγματοποιήθηκε η αντιστοίχιση των τηλεπισκοπικών δεδομένων. Ως εικόνα αναφοράς χρησιμοποιήθηκε διαθέσιμη ορθοεικόνα χρονολογίας 2015. Η αντιστοίχιση πραγματοποιήθηκε με βάση την αυτοματοποιημένη μέθοδο (MRF-based Registration, MR) η οποία βασίζεται σε τοπικούς μετασχηματισμούς με δυνατότητα τοπικής παραμόρφωσης χρησιμοποιώντας μοντέλα MRF (Markov random field) και γραμμικό προγραμματισμό για την ελαχιστοποίηση τους. Στη συνέχεια, αναπτύχθηκε και αξιολογήθηκε ένα μοντέλο ανίχνευσης-αναγνώρισης μεταβολών το οποίο βασίστηκε σε ταξινομητή SVM. Αφού δημιουργήθηκαν τα δεδομένα αναφοράς (εκπαίδευσης και ελέγχου) για τα 4 ζεύγη διαχρονικών εικόνων, δημιουργήθηκαν, ανά ζεύγος εικόνων, κύβοι δεδομένων που περιείχαν τα φασματικά κανάλια μαζί με φασματικούς δείκτες καναλιών. Με τη χρήση μηχανών διανυσματικής υποστήριξης και των δεδομένων εκπαίδευσης, δημιουργήθηκαν μοντέλα ανίχνευσης-αναγνώρισης μεταβολών, τα οποία αξιολογήθηκαν βάσει των δεδομένων ελέγχου ποσοτικά και ποιοτικά. Σε γενικές γραμμές τα πειραματικά αποτελέσματα ήταν ελπιδοφόρα. Συγκεκριμένα, τα μεγαλύτερα ποσοστά ακρίβειας σημειωθήκαν στο ζεύγος Worldview-2 2010 με την Ορθοεικόνα 2015, όπου οι ποσοτικοί δείκτες αξιολόγησης Producer’s Accuracy και User’s Accuracy έφτασαν το 76% και 79% αντίστοιχα, ενώ σε Overall Accuracy το 93%. Επιπρόσθετα, παρήχθησαν νέοι πίνακες σύγχυσης για τα αποτελέσματα μετά από ομαδοποίηση των αναλυτικών φασματικών κατηγοριών σε γενικευμένες. Τα μεγαλύτερα ποσοστά μετά την ομαδοποίηση των κατηγοριών, δόθηκαν εκ νέου για το ίδιο ζεύγος εικόνων, ήτοι Producer’s Accuracy 82%, User’s Accuracy 86% και Overall Acuraccy 94%.	el
heal.abstract	This diploma thesis focused on the development of a classification methodology for the detection of changes in multitemporal remote sensing data based on Support Vector Machines (SVM). For this purpose, satellite remote sensing data from the Quickbird and Worldview-2, as well as high resolution orthoimages from aerial surveys were employed. During the first steps of the methodology after data preprocessing, the co-registration of the multitemporal data is taking place. As a reference image, the available orthoimage of 2015 was used, while an MRF-based registration method was employed, which addresses local transformations through Markov Random Field models and linear programming. In addition, an SVM-based change detection model was developed and evaluated. The creation of the reference (training and validation) dataset for the 4 image-pairs was performed as well as the construction of datacubes which contain the available bands and certain spectral indices. Through an SVM classifier changes were detected as well as the from-to transitions. The methodology was validated through the annotated validation sets with standard quantitative and qualitative metrics. Overall, the experimental results were promising. In particular, the higher detection accuracy rates were accomplished for the pair of the 2010 Worldview-2 and 2015 orthoimage, with producer’s accuracy and user’s accuracy at 76% and 79% respectively, while the overall accuracy reached the 93%. Moreover, after aggregating the classification (mainly spectral) classes to a more generic (close to thematic classes) representation higher, as expected accuracy rates were reached. In particular, the higher rates were achieved again from the same image pair with Producer's and User's Accuracy at 82% and 86%, respectively, while the overall accuracy reached the 94%.	en
heal.advisorName	Καράντζαλος, Κωνσταντίνος	el
heal.committeeMemberName	Ιωαννίδης, Χαράλαμπος	el
heal.committeeMemberName	Αργιαλάς, Δημήτρης	el
heal.academicPublisher	Εθνικό Μετσόβιο Πολυτεχνείο. Σχολή Αγρονόμων και Τοπογράφων Μηχανικών. Τομέας Τοπογραφίας. Εργαστήριο Τηλεπισκόπησης	el
heal.academicPublisherID	ntua
heal.numberOfPages	165 σ.
heal.fullTextAvailability	true