ΤηλεπισκόπησηΓ. Μηλιαρέσης,

http://miliaresis.tripod.com

Ταξινόμηση Πολυφασματικών

Εικόνων

Βιβλιο-γραφία

Μηλιαρέσης Γ. 2003, Φωτοερμηνεία-Τηλεπισκόπηση. Εκδόσεις ΙΩΝ, 243 σ. [ISBN:960-411-297-x].

Μηλιαρέσης Γ., 2003. Εργαστηριακές Ασκήσεις Φωτοερμηνείας-Τηλεπισκόπησης. Εκδόσεις ΙΩΝ, 114 σελ. [ISBN: 960-411-321-6].

Μηλιαρέσης Γ. 2006, Ειδικές Εφαρογές στο ArcGIS. Εκδόσεις ΙΩΝ, 248 σελ. [ISBN: 960-411-560-x].

Ταξινόμηση Πολυφασματικών Εικόνων

Ορισμός: είναι η διαδικασία εντοπισμού-αναγνώρισης θεματικών τάξεων από πολυφασματικές εικόνες

Οι τεχνικές ταξινόμησης μετακόμισαν στην Τηλεπισκόπηση από τον χώρο της εφαρμοσμένης στατιστικής ανάλυσηςΠριν προχωρήσουμε, θα ορίσουμε τους

όρους ΘΕΜΑΤΙΚΗ ΤΑΞΗ και ΠΟΛΥΦΑΣΜΑΤΙΚΗ ΕΙΚΟΝΑ, Φασματική

Υπογραφή

Θεματική Τάξη, μια ενιαία εδαφική κάλυψη (ενίοτε και χρήση) στην επιφάνεια της γης

Corine +

Σύστημα γεωταξινόμησης

(οι κατηγοριοποιήσε

ις των θεματικών τάξεων σε

διάφορα επίπεδα (κατώτερα

επίπεδα υποδεικνύουν εξειδικεύσεις των τάξεων)

GlobCover, σε γήινη κλίμακα (ESA) προϊόν ταξινόμησης εικόνων MERIS

Globcover

Πολυφασματική Εικόνα

Φασματική υπογραφή, υπερ-φασματικές εικόνες, βιβλιοθήκες φασματικών υπογραφών (ASTER, USGS, JPL)

Ψηφιακή αναπαράσταση της ανακλαστικότητας σε διαφορετικά μήκη κύματος (σε κάθε εικονοστοιχείο έχω ένα

διάνυσμα)

Είτε έχω εκ των προτέρων γνώση (δειγματοληψία στο ύπαιθρο ή φασματικές υπογραφές)

είτε όχι

να χαρτογραφήσω τις θεματικές τάξεις στην επιφάνεια της γης από την πολυφασματική εικόνα

Μεθοδολογίες Ταξινόμησης

με εκ των προτέρων γνώση

ΕΠΙΒΛΕΠΟΜΕΝΗ ΤΑΞΙΝΟΜΗΣΗ, Με επιλογή περιοχών εκπαίδευσης (ερμηνεύω θεματικές τάξεις με φωτοερμηνεία από την εικόνα)

ΤΑΞΙΝΟΜΗΣΗ με χρήση φασματικών υπογραφών (εξειδίκευση επιβλεπόμενης ταξινόμηση)

Επιβλεπόμενη Ταξινόμηση Ας θεωρήσουμε μια δορυφορική εικόνα Ε με διάσταση κ

(γραμμές) και λ (στήλες) και με ν φασματικά κανάλια. Κάθε εικονοστοιχείο E(i,j) όπου i= 1 (1) κ και j= 1 (1) λ

περιγράφεται από ένα συγκεκριμένο σύνολο Π τιμών φωτεινότητας Π(i,j): { E [ (i,j) ] μ, μ= 1(1)v }.

Μια τάξη (Τ) δημιουργείται από την αντιστοίχιση διανυσμάτων Π σε ένα υποσύνολο (λίγο διαφοροποιημένα Π μπορεί να ανήκουν στην ίδια τάξη, η διαφοροποίηση μπορεί να οφείλεται σε σφάλματα, στην διάχυση, απορρόφηση, τοπογραφία).

Η μεθοδολογία επιβλεπόμενης ταξινόμησης που βασίζεται στην ύπαρξη πληροφορίας για κάθε υποσύνολο Τ. Δηλαδή για κάθε Τμ όπου μ=1 (1) β είναι γνωστό ένα υποσύνολο Χμ όπου μ=1 (1) β (Χμ Τμ).

Στάδια

α) την φωτοερμηνεία των κύριων θεματικών τάξεων που εμπεριέχονται σε μια πολυφασματική εικόνα με ψηφιοποίηση αντιπροσωπευτικών περιοχών εκπαίδευσης,

β) την στατιστική προσέγγιση (ελάχιστα, μέγιστα, μέση τιμή, τυπική απόκλιση, κατανομή πιθανότητας) της ανακλαστικότητα κάθε περιοχής εκπαίδευσης.

γ) την χαρτογράφηση των θεματικών τάξεων που εμπεριέχονται στην εικόνα με την εφαρμογή ενός αλγορίθμου ταξινόμησης που βασίζεται στην στατιστική προσέγγιση της της ανακλαστικότητας κάθε περιοχής εκπαίδευσης

Επομένως η αποτελεσματικότητα της επιβλεπόμενης ταξινόμησης είναι συνάρτηση των περιοχών εκπαίδευσης και του αλγόριθμου που επιλέγονται.

Αξιολόγηση περιοχων εκπαίδευσης, Ελάχιστα και μέγιστα ανά

κανάλι ανά θεματική τάξη

Αξιολόγηση, Γραφική παράσταση του κέντρου βάρους (μέσες τιμές ανά κανάλι) 3 περιοχών εκπαίδευσης (forest, city, barren) ως

προς 6 κανάλια του θεματικού χαρτογράφου.

Αξιολόγηση, Η απόσταση των κέντρων βάρους ανά ζεύγη θεματικών

τάξεων

Αξιολόγηση Συνδιασπορά σΧΥ = E{(X-μχ)(Υ-μy)} ανά

περιοχή εκπαίδευσης

Αξιολόγηση Δισδιάστατες απεικονίσεις του νέφους σημείων

Δισδιάστατες απεικονίσεις του νέφους σημείων της πολυφασματικής εικόνας για τα κανάλια (2,4), (5, 1) και (6,3). Οι ελλείψεις έχουν κέντρο το κέντρο βάρους των θεματικών τάξεων city, forest και barren (έτσι όπως υπολογίζεται από τις περιοχές εκπαίδευσης) και εμπεριέχουν το 95% του πλήθους των σημείων κάθε περιοχής εκπαίδευσης.

Τεχνικές ταξινόμησης, Ελαχίστης απόστασης

Ταξινόμηση ελάχιστης απόστασης .

Υπολογίζεται για κάθε περιοχή εκπαίδευσης η μέση τιμή ανά φασματικό κανάλι. Οι τιμές αντιπροσωπεύουν το κέντρο βάρους των περιοχών εκπαίδευσης.

Κάθε εικονοστοιχείο της εικόνας ταξινομείται σε μία τάξη, βάση της απόστασης του από το κέντρο βάρους της περιοχής εκπαίδευσης.

Το βασικότερο μειονέκτημα αυτής της μεθόδου είναι ότι δεν λαμβάνει υπόψη της την διασπορά αλλά μόνο τα κέντρα βάρους των περιοχών εκπαίδευσης.

Τεχνικές ταξινόμησης, Αλγόριθμος Παραλληλεπιπέδου

Σε αυτήν την μεθοδολογία γίνεται προσπάθεια να ληφθεί υπόψη και η διασπορά στην διαδικασία ταξινόμησης Για αυτό καθορίζεται το διάστημα (εύρος) τιμών στο οποίο πρέπει να κυμαίνεται η φωτεινότητα ενός εικονοστοιχείου για να ενταχθεί σε μία τάξη. Το διάστημα υπολογίζεται ως η μέγιστη και η ελάχιστη τιμή για κάθε φασματικό κανάλι ανά θεματική τάξη έτσι όπως προσδιορίζεται από τις περιοχές εκπαίδευσης

Τα εικονοστοιχεία που δεν εντάσσονται σε καμιά τάξη ταξινομούνται σαν “άγνωστα” εικονοστοιχεία (τα μαύρα εικονοστοιχεία στην Σαλαμίνα στο Σχήμα).

Τα εικονοστοιχεία που εντάσσονται σε περιοχές που τα παραλληλεπίπεδα διαφορετικών τάξεων επικαλύπτονται ταξινομούνται αυθαίρετα σε μια από τις τάξεις. ΑΥΤΌ ΕΊΝΑΙ ΈΝΑ ΑΠΌ ΤΑ ΜΕΓΑΛΑ ΠΡΟΒΛΗΜΑΤΑ.

Ταξινόμηση με την μέθοδο του παραλληλεπιπέδου.

Τεχνικές ταξινόμησης, Spectral Angle Mapper

Μη επιβλεπόμενη ταξινόμηση

. Φασματικές Τάξεις.

Η προβολή καθε εεικονοστοιχείου με βάση τις τιμες ανακλαστικότητα σε ένα πολυδιαστατο σύστημα αξόνων συνθέτει το φασματικό χώρο.

Παράδειγμα ο φασματικό χώρος 2 καναλιών στον οποίο διακρίνονται συσσωρεύσεις εικονοστοιχείων οι οποίες δυνητικά εκφράζουν/αντιστοιχούν σε θεματικές τάξεις.

Η μη επιβλεπόμενη ταξινόμηση αποβλέπει στην εξαγωγή των κυρίων φασματικών τάξεων οι οποίες εμφανίζονται σε μια ψηφιακή εικόνα και την εκ των υστέρων αναγνώριση και αναφορά τους σε πραγματικές (θεματικές) τάξεις αντικειμένων / εμφανίσεων της γήινης επιφάνειας

Αλγόριθμος των Κ-μέσων Στον αλγόριθμο των Κ-Μέσων η απόσταση ενός

εικονοστοιχείου από τα κέντρα των φασματικών τάξεων είναι το κριτήριο που καθορίζει την ένταξη του σε μία από τις

Βήμα 1,Προσδιορίζεται (υπόθεση) ο αριθμός Κ των φασματικών τάξεων που εμπεριέχει η εικόνα είναι γνωστός

Βήμα 2 (ταξινόμηση): Θεωρούνται οι αποστάσεις κάθε εικονοστοιχείου από τα Κ-κέντρα

και το εικονοστοιχείο εντάσσεται στην φασματική τάξη από την οποία απέχει ελάχιστα.

Σε κάθε φασματική τάξη που προκύπτει όταν ολοκληρωθεί η ταξινόμηση υπολογίζεται το κέντρο βάρους.

Το εικονοστοιχείο που είναι εγγύτερα στο κέντρο βάρους θεωρείται σαν το νέο κέντρο της φασματικής τάξης.

Βήμα 3 (κριτήριο ολοκλήρωσης): Επαναλαμβάνουμε τα βήμα 2 θεωρώντας τα νέα κέντρα εφόσον αυτά είναι διαφορετικά από τα προηγούμενα.

(α) Η ταξινόμηση της εικόνας με τον αλγόριθμο Κ-μέσων σε 16 τάξεις, (β) η συχνότητα τους και η κλείδα απεικόνισης κατα μηκος του άξονα Χ (τόνος του γκρι) όπου οι τάξεις διατάσσονται κατά αύξουσα σειρά (από αριστερά προς τα δεξιά).

Φίλτρα Γενίκευσης ταξινο-μημένης εικόνας

Επαλήθευση (πινάκας σύγχυσης)

Ο αριθμός των εικονοστοιχείων που είναι σε συμφωνία στις δύο ταξινομήσεις ισούται με το άθροισμα της κυρίας διαγωνίου )

Η δεύτερη γραμμή του πίνακα ερμηνεύεται ως εξής. Υπάρχουν 11328 εικονοστοιχεία στην που έχουν αντιστοιχηθεί στην τάξη forest με εργασίες υπάιθρου. Από αυτά στην ταξινόμηση ελάχιστης απόστασης 10357 ανήκουν στην ίδια τάξη ενώ 884, 87 και 0 ανήκουν στις τάξεις barren, city και sea αντίστοιχα.