Αυτόματη ανίχνευση ελαιόδενδρων από δορυφορικές απεικονήσεις υψηλής διακριτικής ικανότητας με αντικειμενοστραφή ανάλυση εικόνας

Abstract

Η Ευρωπαϊκή Ένωση έχει θέσει ως βασική προτεραιότητα στον τομέα της γεωργίας την όσο το δυνατόν γρηγορότερη και αποδοτικότερη αποτίμηση του πλήθους των ελαιόδεντρων στα κράτη μέλη της Μεσογείου. Στην Ελλάδα η καλλιέργειες ελιάς καλύπτουν 6 εκατομμύρια στρέμματα και ως εκ τούτου η αναγνώριση των ελαιόδεντρων είναι θέμα μείζονος σημασίας για την ελληνική γεωργία και οικονομία. Η παρούσα εργασία εστιάζει στη διερεύνηση των δυνατοτήτων της αντικειμενοστραφούς ανάλυσης στην αυτόματη αναγνώριση των ελαιόδεντρων. Για το σκοπό αυτό χρησιμοποιείται το λογισμικό αντικειμενοστραφούς ανάλυσης εικόνας eCognition 7, της γερμανικής εταιρίας DEFiNiENS Imaging GmbH. Τα δεδομένα της συγκεκριμένης μελέτης είναι δύο ψηφιακές τηλεπισκοπικές απεικονίσεις από το δορυφόρο Ikonos και μία από τον Quickbird περιοχής του δήμου Αρκαδίου στο νομό Ρεθύμνης. Η μεθοδολογία αναπτύσσεται σε τρεις περιοχές μίας από τις απεικονίσεις Ikonos και σε δύο περιοχές των υπόλοιπων απεικονίσεων ώστε να αξιολογηθεί ο βαθμός στον οποίο η διαδικασία που ακολουθείται μπορεί να χαρακτηριστεί αυτόματη. Η ανάλυση όλων των περιοχών γίνεται με βάση δύο ειδών αλγόριθμους. Ο πρώτος λειτουργεί σε δύο επίπεδα, χωρίζοντας στο πρώτο την εικόνα σε βλάστηση και μη και στο δεύτερο σε ελιές και μη. Ο δεύτερος αλγόριθμος συμπεριλαμβάνει πολλές διαδοχικές κατατμήσεις και ταξινομήσεις της εικόνας ενταγμένες σε ένα επίπεδο. Η διαδικασία αυτή βασίζεται στη λογική ενός αλγόριθμου-κόσκινου, ο οποίος διχοτομεί κάθε φορά τα αντικείμενα της εικόνας σε ελαιόδεντρα και μη, ταξινομώντας τα μεγαλύτερα. Η πρώτη κατάτμηση της εικόνας είναι η ίδια και στους δύο αλγόριθμους. Στον πρώτο εστιάζει στην ανίχνευση βλάστησης και μη και στο δεύτερο αν και λεπτόκοκκη εστιάζει στην αναγνώριση των ελαιόδεντρων μεγάλου μεγέθους. Τα λεπτά κατατετμημένα αντικείμενα που ταξινομήθηκαν ως ελιές μεγάλου μεγέθους συγχωνεύονται ώστε να αποτελούν ενιαία μεγάλα αντικείμενα και με νέα ταξινόμηση να εξασφαλιστεί ότι ανήκουν σε αυτή την κατηγορία. Στον πρώτο αλγόριθμο δημιουργείται ένα δεύτερο επίπεδο με κατάτμηση φασματικής διαφοράς η οποία αναδεικνύει τις ελιές. Ανάλογα με τις απαιτήσεις της κάθε περίπτωσης τα αντικείμενα που ταξινομούνται ως ελιές συνενώνονται, ώστε στη συνέχεια με κριτήριο το εμβαδό τους να κατηγοριοποιηθούν σε μονά ή περισσότερα ενωμένα μεταξύ τους ελαιόδεντρα. Στο δεύτερο αλγόριθμο η υπόλοιπη εικόνα διχοτομείται μέσω ταξινόμησης σε ελιές μεσαίου μεγέθους και μη. Οι μεσαίες ελιές ανιχνεύονται κατά τον ίδιο τρόπο με τις μεγάλες ενώ οι μικρότερες ταξινομούνται μετά από κατάτμηση φασματικής διαφοράς των απομενόντων αντικειμένων. Η εικόνα χωρίζεται και στις δύο περιπτώσεις αλγόριθμου, σε ελιές και μη. Ακολουθεί η αξιολόγηση των αποτελεσμάτων και των πέντε περιοχών με δύο τρόπους. Αρχικά υπολογίζονται κάποια στατιστικά στοιχεία για κάθε ταξινόμηση ώστε να ελεγχθεί η ευστάθειά της. Στη συνέχεια συγκρίνεται το αποτελέσματα της ταξινόμησης κάθε περιοχής μελέτης με τα ψηφιοποιημένα δεδομένα της ίδιας περιοχής, ώστε να υπολογιστούν τα σφάλματα παράληψης και συμπερίληψης, καθώς και οι δείκτες πληρότητας, ορθότητας και ποιότητας του αποτελέσματος.

The European Union has attached a high priority to the quickest possible and most effective mapping of olive trees in the agricultural sector of its Mediterranean member states. In Greece, olive cultivations cover six million square kilometres, making olive tree recognition an issue of major importance for the Greek agriculture and economy. This project investigates the possibilities in object-oriented analysis in automated olive tree recognition. The German company's DEFiNiENS Imaging GmbH object-oriented image analysis software eCognition 7 is used to this purpose. The data used in this investigation consist of two digital remote sensing images from the Ikonos satellite and one from Quickbird of an area in Arkadi municipality of Rethymno county, Crete. The methodology is developed using one of the two Ikonos images and was then applied onto the remaining images in order to evaluate to what extent this procedure could be characterized as automated. The procedure is based on two algorithms. The first algorithm operates on two levels, separating in the first one the image into vegetation and not-vegetation and in the second one into olive trees and not-olive trees. The second algorithm includes a lot of consecutive segmentations and classifications of the image within one level. This procedure is based on the logic of a “sieve”-algorithm that dissects the image's objects into olive trees and not-olive trees at each stage, classifying the largest ones. The first image segmentation is the same in both algorithms. The first algorithm focuses on the detection of vegetation or not-vegetation while the second one, although the image is very fine-grained, focuses on the recognition of large olive trees. The fine segmented objects that were classified as large olive trees are merged into large unified objects under a new classification guaranteeing they belong to this category. In the first algorithm a second level is created after the application of spectral difference segmentation, which highlights the olive trees. Depending on the needs of individual cases, the objects classified as olive trees are merged so that they can be classified into individual or coalescing olive trees based on their surface area. The second algorithm dissects the remaining image into medium-seized olive trees and non-medium-sized olive trees. Medium-sized olive trees are detected in the same way as the large ones, while the smaller ones are classified following a spectral difference segmentation of the remaining objects. The image is split into olive trees and not-olive trees in both cases. The assessment of the results of all five regions follows. Initially some statistical data for each classification is calculated to test the classification’s stability. Then every area’s classification results is compared to the digitalized data of the same region in order to estimate omission and comission errors, as well as the completeness, the correctness and the quality indicators of the result.