Αποδελτίωση και συστηματοποίηση κανόνων αντικειμενοστραφούς ανάλυσης δορυφορικών εικόνων πολύ υψηλής χωρικής διακριτικής ικανότητας για τυπικές κατηγορίες χρήσεων/καλύψεων γης

Abstract

Η αντικειμενοστρεφής ανάλυση εικόνας αποτελεί ένα ραγδαία εξελισσόμενο επιστημονικό πεδίο το οποίο βρίσκει πολύ μεγάλη εφαρμογή στην Τηλεπισκόπηση, κυρίως στην πραγματοποίηση αντικειμενοστρεφών ταξινομήσεων. Η αντικειμενοστρεφείς ταξινομήσεις πραγματοποιούνται με χρήση φασματικών και χωρικών κριτηρίων τα οποία υλοποιούνται με χρήση λογικών κανόνων και την εφαρμογή ασαφούς λογικής.

Σκοπός της παρούσας μελέτης ήταν να διερευνηθεί και να διαπιστωθεί κατά πόσον είναι εφικτό να γίνει ομαδοποίηση και συστηματοποίηση των κανόνων που χρησιμοποιούνται, ώστε σε τηλεπισκοπικές απεικονίσεις με ίδια ή παραπλήσια χαρακτηριστικά, να είναι δυνατό να χρησιμοποιούμε τους ίδιους κανόνες με μικρές παραλλαγές στις τιμές των ορίων. Για τον σκοπό αυτό, πραγματοποιήθηκε αποδελτίωση οκτώ εργασιών/δημοσιεύσεων έτσι ώστε να δημιουργηθεί ένα σύνολο κανόνων για διάφορες κύριες κατηγορίες χρήσης/κάλυψης γης. Ολες οι προαναφερθείσες εργασίες είχαν ως στόχο την ταξινόμηση δορυφορικών εικόνων σε διάφορες περιοχές με χρήση αντικειμενοστραφούς ταξινόμησης. Οι δορυφορικές εικόνες που είχαν χρησιμοποιηθεί στις εργασίες αυτές αλλά και στο πλαίσιο αυτής της διπλωματικής είχαν παρόμοια χαρακτηριστικά και ήταν ως επί το πλείστον Quickbird και Ikonos.

Όσον αφορά την μεθοδολογία, επιλέχθηκαν κατηγορίες οι οποίες είναι αρκετά συνήθεις και εμφανίζονται στις περισσότερες εικόνες έτσι ώστε οι κανόνες που θα δημιουργούνταν να έχουν τη ευρύτερη δυνατή εφαρμογή. Οι κατηγορίες που επιλέχθηκαν ήταν οι εξής: βλάστηση, υδάτινες επιφάνειες, κύριοι δρόμοι, δευτερεύοντες δρόμοι, χωματόδρομοι, σκιά, κεραμοσκεπές, τσιμεντοσκεπές και ελαιόδεντρα. Συνεπώς, σε κάθε εργασία, εντοπίστηκαν αυτές οι κατηγορίες και καταγράφηκαν οι κανόνες που χρησιμοποιήθηκαν για την ταξινόμησή τους. Οι κανόνες αυτοί αναλύθηκαν, γενικεύτηκαν και συστηματοποιήθηκαν σε μία ενιαία βάση γνώσης με χρήση κατάλληλων λογικών κανόνων. Μετά την αποδελτίωση των εργασιών και τη δημιουργία της ενιαίας βάσης γνώσης, επιλέχθηκαν τρεις εικόνες, οι οποίες περιείχαν όσο το δυνατόν όλες τις παραπάνω κατηγορίες. Οι εικόνες που επιλέχθηκαν ήταν δυο δορυφορικές απεικονίσεις Quickbird και μια Ikonos της Κρήτης, οι οποίες καλύπτουν την περιοχή του Αγίου Νικολάου, του Ηρακλείου και του Ρεθύμνου αντίστοιχα. Οι τρεις εικόνες ταξινομήθηκαν με την βοήθεια του πακέτου αντικειμενοστρεφούς προγραμματισμού eCognition χρησιμοποιώντας τους κανόνες, οι οποίοι συλλέχθηκαν και συστηματοποιήθηκαν κατά τη διαδικασία της αποδελτίωσης, κάνοντας τις απαραίτητες αλλαγές στα όρια εφαρμογής τους όπου χρειαζόταν, αλλά προσθέτοντας και κάποιους επιπλέον κανόνες, όπου αυτό κρίθηκε απαραίτητο. Η ανάγκη για αυτές τις τροποποιήσεις/προσθήκες προέκυψε από το γεγονός ότι οι τρεις δορυφορικές εικόνες που χρησιμοποιήθηκαν ελήφθησαν σε διαφορετικές ημερομηνίες, με διαφορετική γωνία λήψης καθώς και με διαφορετικές ατμοσφαιρικές συνθήκες, ενώ δεν είχαν υποστεί κανενός είδους ατμοσφαιρικές διορθώσεις. Τα αποτελέσματα αυτά είναι εξαιρετικά ενθαρρυντικά, αφού κάνοντας αξιολόγηση των αποτελεσμάτων χρησιμοποιώντας περιοχές ελέγχου, διαπιστώθηκε ακρίβεια μεγαλύτερη απο 74%. Το συμπέρασμα της εργασίας είναι ότι είναι εφικτή η δημιουργία μίας ενιαίας βάσης γνώσης, με συστηματοποίηση εκείνων των κύριων κανόνων αντικειμενοστρεφούς ταξινόμησης εικόνων πολύ υψηλής χωρικής διακριτικής ικανότητας οι οποίοι χρησιμοποιούνται για την ταξινόμηση βασικών κατηγοριών χρήσεων/καλύψεων γης, και συνεπώς είναι εφικτή η αυτοματοποίηση των ταξινομήσεων αυτών σε πολύ μεγάλο βαθμό.

The object-oriented image analysis is a rapidly evolving scientific field which finds great application in remote sensing, and especially in object classification. The object-oriented classification is made using spectral and spatial criteria, which are implemented by using logical rules and by applying fuzzy logic. In this study the aim was to determine whether it is feasible to group and systemize the typical features of classification, so that in future one can use the same features with small variations in the limits of those values for any image he/she wants to classify. For this purpose, we indexed eight papers / thesis in order to create a set of features for different categories which can be applied to any image. These papers have aimed to classify satellite images into different regions. The satellite images that were used in these papers and in the context of this thesis are mostly Quickbird and Ikonos. Regarding the methodology used, we selected categories which are quite common and occur in most images so that the features that would be created have the widest possible application. The categories that were selected were: vegetation, water surfaces, main roads, secondary roads, dirt roads, shades, roofs, concrete roofs and olive trees. Therefore, after each category was identified, the parameters that were used for each category were enumerated. These parameters were analyzed, generalized and systematized into a single knowledge base using appropriate logical rules. After the indexing of the papers, three images were selected, which were thought to contain most of the above categories. The images that were selected are two Quickbird satellite images and one Ikonos image. All these were located in Crete and more specifically in the area of Agios Nikolaos, Heraklion and Rethymnon respectively. All three images were classified with the help of the eCognition object-oriented programming software using the parameters which were collected in the process of indexing, while making the necessary changes in the limits where necessary, but also adding additional features where needed. The need for these changes / additions resulted from the fact that the three satellite images were taken at different dates with different viewing angles and with different atmospheric conditions, and had not undergone any type of atmospheric corrections. These results were extremely encouraging to see, since after making evaluation of the results using control areas, it was noticed that an accuracy better than 70% was achieved. The conclusion of this study is that it is possible to create a single knowledge base, by systemizing the main rules of object-oriented image classification of very high spatial resolution images which are used for classifying key categories of land use / cover and so the automation of classification was also largely achieved.