Μέθοδος Επιλογής Καναλιών για τη Βελτιστοποίηση της Εξαγωγής Καθαρών Φασματικών Στόχων και της Ακρίβειας της Ταξινόμησης

Abstract

Οι υπερφασματικές απεικονίσεις περιέχουν σημαντική ποσότητα φασματικής πληροφορίας παρέχοντας την προοπτική για πιο ακριβή και λεπτομερή εξαγωγή πληροφορίας για τους υπό μελέτη στόχους/κατηγορίες σε σχέση με τις πολυφασματικές εικόνες. Ωστόσο αποδεικνύεται ότι οι κλασσικές μέθοδοι επεξεργασίας και ανάλυσης των πολυφασματικών εικόνων δεν εμφανίζουν την ανάλογη αποτελεσματικότητα στην περίπτωση των νέων, μεγαλύτερου όγκου, δεδομένων των υπερφασματικών αισθητήρων. Συνεπώς η μείωση των διαστάσεων των υπερφασματικών εικόνων και παράλληλα η διατήρηση της σημαντικής πληροφορίας που περιέχεται σε αυτές, αποτελεί βασικό στοιχείο της προεπεξεργασίας που προηγείται της ανάλυσης των δεδομένων. Οι υπάρχουσες μέθοδοι μείωσης του αριθμού των καναλιών μιας υπερφασματικής απεικόνισης διακρίνονται σε δύο κατηγορίες: την εξαγωγή χαρακτηριστικών και την επιλογή χαρακτηριστικών/καναλιών.

Στη συγκεκριμένη διπλωματική εργασία προτείνεται μια νέα μέθοδος επιλογής καναλιών, με στόχο τη βελτιστοποίηση της εξαγωγής καθαρών φασματικών στόχων και της ακρίβειας της ταξινόμησης. Αρχικά, σε θεωρητικό επίπεδο, παρατίθεται μια γενική παρουσίαση των βασικών αρχών της Υπερφασματικής Τηλεπισκόπησης και περιγράφεται το πρόβλημα της υψηλής διαστατικότητας των υπερφασματικών δεδομένων και o τρόπος που αυτό επηρεάζει την επεξεργασία τους. Στη συνέχεια, ακολουθεί μια εκτενής αναφορά σε υπάρχουσες μεθόδους μείωσης των διαστάσεων καθώς και στις κυριότερες μεθόδους και τεχνικές επεξεργασίας της μιας υπερφασματικής εικόνας, ορισμένες εκ των οποίων χρησιμοποιήθηκαν και στα πλαίσια της προτεινόμενης μεθόδου. Στο τρίτο κεφάλαιο, παρουσιάζονται αναλυτικά οι βασικές αρχές της προτεινόμενης μεθόδου καθώς και οι πειραματικές διαδικασίες που πραγματοποιήθηκαν προκειμένου να διαπιστωθεί η αποτελεσματικότητά της, στην εξαγωγή καθαρών φασματικών στόχων και στην ταξινόμηση. Η πρακτική εφαρμογή της μεθόδου έγινε στο περιβάλλον του λογισμικού ENVI 4.7, για δύο διαφορετικά σύνολα δεδομένων. Όσον αφορά την πειραματική διαδικασία που διεξήχθη για τον έλεγχο της αποτελεσματικότητας της μεθόδου την εξαγωγή καθαρών στόχων, περιοχή μελέτης αποτέλεσε η πόλη της Χαλκίδας με υπερφασματικά δεδομένα που αποκτήθηκαν από τον αισθητήρα CASI 550, με 97 κανάλια εύρους 421,9nm έως 970nm. Για την εξαγωγή των καθαρών στόχων της απεικόνισης εφαρμόστηκε ο αλγόριθμος N-Findr ενώ η σύγκριση και ταξινόμηση των εικονοστοιχείων που εντοπίστηκαν έγινε με τον αλγόριθμο Spectral Angle Mapper (SAM). Αντίστοιχα στα πειράματα που εκτελέστηκαν για την περίπτωση της ταξινόμησης, περιοχή μελέτης αποτέλεσε η γεωργική έκταση της Indian Pine, στα βόρεια της Ιντιάνα, με δεδομένα που αποκτήθηκαν από το δορυφόρο AVIRIS, με 224 φασματικά κανάλια εύρους 400nm έως 2500nm. Η ταξινόμηση εκτελέστηκε με τον αλγόριθμο Support Vector Machine.

Συμπερασματικά, η εφαρμογή της προτεινόμενης μεθόδου έχει ως αποτέλεσμα τη μείωση των διαστάσεων της απεικόνισης και τη βελτίωση της απόδοση της διαδικασίας εξαγωγής καθαρών φασματικών στόχων. Όσον αφορά την ταξινόμηση επιτυγχάνεται μείωση του όγκου των δεδομένων και του χρόνου εκτέλεσης της διαδικασίας, ενώ διατηρείται το ποσοστό ακρίβειας των αποτελεσμάτων της.

Hyperspectral images, containing large volume spectral data provide more accurate and detailed information for each class, comparing to the multispectral images. However the existing processing algorithms that are used for the conventional broadband multispectral images cannot process the new high dimensionality data effectively and accurately. Therefore, dimensionality reduction has become a significant processing step before hyperspectral image analysis and interpretation. Dimensionality reduction methods can be divided into two categories: feature extraction and feature/band selection methods.

In this study, a new band selection method for hyperspectral images is proposed in order to optimize the endmember extraction and improve the classification accuracy. Firstly, a brief review is presented concerning the principles and the typical analysis of the hyperspectral remote sensing imagery, as well as, the dimensionality reduction problem and how it affects the image analysis processing. In addition, well known band selection methods are presented extensively. Then a new band selection method is presented, as well as the experiments that have been implemented in order to evaluate the performance of the proposed method in endmember extraction and classification procedures.

The software that has been used is the ENVI 4.7 and in each experiment, a different dataset was used. More specifically for the endmember extraction process, a hyperspectral image of the area of Halkis, Greece, aquired by the airborne sensor CASI 550 has been used. The image contained 97 spectral bands. Initially, the Virtual dimensionality algorithm (VD) and the N-Findr algorithm have been applied for extracting the reference endmembers (categories). The hyperspectral space was then divided in successive subspaces of equal dimentionnality and the N-Findr algorithm has been applied on each subspace. Then, for each subspace, the Spectral Angle Mapper was applied for measuring similarity among the extracted and reference endmembers. For each category, the subspace that provided the majority of different endmembers has been selected as the most indicative for the category.

In the experiments that have been performed in order to evaluate the performance of the proposed method for the classification, the study area was the agricultural area of Indian Pine, in northern Indiana. The dataset was obtained by AVIRIS and it has 224 spectral bands with spectral range from 400nm to 2500nm. In this case the Support Vector Machine classification algorithm was implemented in successive subspaces, the dimention of which was defined by the VD. For each category, the subspace which presented the highest classification accuracy has been selected.

In conclusion, the proposed method removes the redundant bands effectively, improves the performance of endmember extraction, as well as the processing speed on the basis of keeping the classification accuracy.