ΔΙΑΣΜΗΜΑΣΙΚΟ ΠΡΟΓΡΑΜΜΑ ΜΕΣΑΠΣΤΦΙΑΚΨΝ ΠΟΤΔΨΝ ΤΣΗΜΑΣΑ ΕΠΕΞΕΡΓΑΙΑ ΗΜΑΣΨΝ ΚΑΙ ΕΠΙΚΟΙΝΨΝΙΨΝ ΔΙΠΛΨΜΑΣΙΚΗ ΕΡΓΑΙΑ. του ΠΑΝΑΓΙΨΣΗ ΣΖΟΤΜΑΝΙΚΑ

Transcript

1 ΠΑΝΕΠΙΣΗΜΙΟ ΠΑΣΡΨΝ ΔΙΑΣΜΗΜΑΣΙΚΟ ΠΡΟΓΡΑΜΜΑ ΜΕΣΑΠΣΤΦΙΑΚΨΝ ΠΟΤΔΨΝ ΤΣΗΜΑΣΑ ΕΠΕΞΕΡΓΑΙΑ ΗΜΑΣΨΝ ΚΑΙ ΕΠΙΚΟΙΝΨΝΙΨΝ ΔΙΠΛΨΜΑΣΙΚΗ ΕΡΓΑΙΑ του ΠΑΝΑΓΙΨΣΗ ΣΖΟΤΜΑΝΙΚΑ ΧΗΥΙΑΚΗ ΕΠΕΞΕΡΓΑΙΑ ΚΑΙ ΑΝΑΛΤΗ ΥΨΣΟΓΡΑΥΙΨΝ ΟΤΡΑΝΙΟΤ ΘΟΛΟΤ ΓΙΑ ΜΕΛΕΣΗ ΣΗ ΑΣΜΟΥΑΙΡΑ Επιβλέπων : πυρίδων Υωτόπουλος Καθηγητής Σμήματος Υυσικής, Πανεπιστήμιο Πατρών Πάτρα, Ιανουάριος 2011

2 ΠΑΝΕΠΙΣΗΜΙΟ ΠΑΣΡΨΝ ΔΙΑΣΜΗΜΑΣΙΚΟ ΠΡΟΓΡΑΜΜΑ ΜΕΣΑΠΣΤΦΙΑΚΨΝ ΠΟΤΔΨΝ ΤΣΗΜΑΣΑ ΕΠΕΞΕΡΓΑΙΑ ΗΜΑΣΨΝ ΚΑΙ ΕΠΙΚΟΙΝΨΝΙΨΝ ΔΙΠΛΨΜΑΣΙΚΗ ΕΡΓΑΙΑ του ΠΑΝΑΓΙΨΣΗ ΣΖΟΤΜΑΝΙΚΑ ΧΗΥΙΑΚΗ ΕΠΕΞΕΡΓΑΙΑ ΚΑΙ ΑΝΑΛΤΗ ΥΨΣΟΓΡΑΥΙΨΝ ΟΤΡΑΝΙΟΤ ΘΟΛΟΤ ΓΙΑ ΜΕΛΕΣΗ ΣΗ ΑΣΜΟΥΑΙΡΑ Επιβλέπων : πυρίδων Υωτόπουλος Καθηγητής Σμήματος Υυσικής, Πανεπιστήμιο Πατρών Εγκρίθηκε από την τριμελή εξεταστική επιτροπή την η Ιανουαρίου (Υπογραφή) (Υπογραφή) (Υπογραφή) πυρίδων Υωτόπουλος Γεώργιος Οικονόμου Ανδρέας Καζαντζίδης Καθηγητής Αναπληρωτής Καθηγητής Επίκουρος Καθηγητής Πάτρα, Ιανουάριος 2011

3 (Υπογραφή)... ΣΖΟΤΜΑΝΙΚΑ ΠΑΝΑΓΙΨΣΗ Διπλωματούχος Μηχανικός Ηλεκτρονικών Τπολογιστών και Πληροφορικής 2011 All rights reserved

4 Περίληψη κοπός της παρούσας Διπλωματικής Εργασίας είναι η ανάπτυξη και εφαρμογή τεχνικών ψηφιακής επεξεργασίας εικόνων με σκοπό την εξαγωγή ασφαλών λογικών συμπερασμάτων σχετικά με τον ουράνιο θόλο και την ατμόσφαιρα, έχοντας σαν αντικείμενο μελέτης φωτογραφίες, συγκεκριμένου μεγέθους και ανάλυσης, που αναπαριστούν τον ουράνιο θόλο σε μια περιοχή και οι οποίες αναπαράγονται ανά τακτικά χρονικά διαστήματα και χρησιμοποιούνται σε βιομηχανικές εφαρμογές. υγκεκριμένα, θα υλοποιηθούν αλγόριθμοι οι οποίοι θα αποφασίζουν σχετικά με την ποσόστωση και το είδος των νεφών, την παρουσία του ηλιακού δακτυλίου, την ύπαρξη βροχής, τον δείκτη ορατότητας του προς μελέτη τοπίου, καθώς και την αναλογία Red / Green σε συγκεκριμένα σημεία της φωτογραφίας. Για τα παραπάνω ζητούμενα θα υλοποιηθούν αλγόριθμοι σε περιβάλλον Matlab οι οποίοι θα χρησιμοποιούν συν τοις άλλοις και ενδεικτικά, ομαδοποίηση με σύνθετα χρωματικά κατώφλια, ομαδοποίηση με μη επιβλεπόμενες διαδικασίες (παραλλαγή του k-means) καθώς και αλγόριθμους οι οποίοι επιλύουν μια σειρά ζητουμένων καταστάσεων.

5 Abstract The scope of this thesis was the development of various methodologies which would include digital image processing algorithms and techniques in order to provide various information about sky and atmosphere measurements, using as input specific images produced by an automated mechanism in pre-provisioned size and analysis. Those images were taken from a specific area periodically. Specifically, we will create algorithms which will decide about clear sky and cloud percentage and will classify clouds in specific classes. Furthermore, those techniques will extract information about sun existence and if so, its percentage which is visible by human eye and not covered by clouds. In addition to that, they will decide whether it rains or not and will compute sight visibility in kilometers. Finally, they will provide information about aerosol characteristics, by measuring zenith s point RGB components. For all decisions described above, we will create algorithms and test them using Matlab numerical computing environment, providing end user various optical and numerical information about several issues.

6 ΕΤΦΑΡΙΣΙΕ Η Διπλωματική Εργασία αυτή εκπονήθηκε κατά το ακαδημαϊκό έτος Από τη θέση αυτή θα ήθελα να ευχαριστήσω κατ αρχάς τον επιβλέποντα καθηγητή κ. πυρίδων Υωτόπουλο για την ενθάρρυνση στην ενασχόλησή μου με το θέμα αυτό και την υποστήριξή του, τον επίκουρο καθηγητή κ. Ανδρέα Καζαντζίδη για την πολύτιμη βοήθεια και καθοδήγηση του σε όλη τη διάρκεια της εκπόνησής της καθώς και τον κ. Γεώργιο Οικονόμου για την υποστήριξή του. Επίσης, θα ήθελα να ευχαριστήσω θερμώς τον κ. Α. Μπάη, καθηγητή στο Αριστοτέλειο Πανεπιστήμιο Θεσσαλονίκης για την παραχώρηση των φωτογραφιών, οι οποίες αποτέλεσαν τη βάση της μελέτης μας.

7 ΠΕΡΙΕΦΟΜΕΝΑ ΚΕΥΑΛΑΙΟ ΕΙΑΓΨΓΗ 1.1 Εισαγωγή - Περίληψη <<< Σκοπός Διπλωματικής <<<<..<<< Οργάνωση Διπλωματικής <<<<..<<< ΚΕΥΑΛΑΙΟ ΕΤΡΕΗ ΠΟΟΣΟΤ ΚΑΛΤΧΗ ΚΑΙ ΕΙΔΟΤ ΝΕΥΨΝ 2.1 Εισαγωγή - Περίληψη << Ορισμός Νεφών <<< RGB Πρότυπο Χρώματος <<< Εύρεση αναλογίας Ουρανού / Νεφών <<<< Εφαρμογή αρχικής μεθόδου για εύρεση ποσοστού καθαρού ουρανού << Εφαρμογή μεθόδου για εύρεση ποσοστού νεφών <<<<<<<<<< Εξαγωγή τελικού αποτελέσματος <<<<<<<<<<.<<<<<< Εφαρμογή μεθόδου k-means ταξινόμησης του ουρανίου θόλου Γενική ταξινόμηση νεφών Ταξινόμηση νεφών για την Εφαρμογή μας ΚΕΥΑΛΑΙΟ ΕΤΡΕΗ ΠΟΟΣΟΤ ΗΛΙΑΚΟΤ ΔΙΚΟΤ 3.1 Εισαγωγή - Περίληψη << Εφαρμογή μεθόδου για εύρεση ποσοστού ηλιακού δίσκου << ΚΕΥΑΛΑΙΟ ΕΤΡΕΗ ΒΡΟΦΟΠΣΨΗ 4.1 Εισαγωγή - Περίληψη << Πειραματισμός για εύρεση δείκτη βροχόπτωσης << ΚΕΥΑΛΑΙΟ ΕΤΡΕΗ ΟΡΑΣΟΣΗΣΑ 5.1 Εισαγωγή - Περίληψη << Ανάλυση παραμέτρων και μεθόδου 1 ης λύσης << Ανίχνευση ακμών και μέθοδος Sobel <<<<<<<<<<<<<<<< Εφαρμογή ανίχνευσης ακμών στην μέθοδό μας <<<<<<<<<<< Ανάλυση παραμέτρων και μεθόδου 2 ης λύσης << Εύρεση RGB συνιστωσών σημείου zenith <<<<... 64

8 ΚΕΥΑΛΑΙΟ ΠΑΡΟΤΙΑΗ ΠΑΡΑΔΕΙΓΜΑΣΨΝ ΚΑΙ ΣΕΛΙΚΨΝ ΠΕΙΡΑΜΑΣΙΚΨΝ ΑΠΟΣΕΛΕΜΑΣΨΝ 6.1 Εισαγωγή - Περίληψη << Δειγματοληψία εικόνων βάσης << Παρουσίαση ενδεικτικών αποτελεσμάτων << Παρουσίαση συνολικών ποσοστών επιτυχίας των μεθόδων μας < ΠΑΡΑΡΣΗΜΑ ΒΙΒΛΙΟΓΡΑΥΙΚΕ ΠΗΓΕ

9 Σ ε λ ί δ α 9 Κεφάλαιο 1 Εισαγωγή 1.1 Εισαγωγή Περίληψη Σα τελευταία χρόνια έχουν κατασκευαστεί βιομηχανικοί μηχανισμοί καταγραφής διαφόρων τύπων, οι οποίοι τοποθετούνται στα ανώτερα σημεία κτιρίων, με βασική λειτουργία τη ψηφιακή καταγραφή του συνόλου του ουράνιου θόλου κατά συγκεκριμένα χρονικά διαστήματα και εν συνεχεία αποθήκευσή τους σε βοηθητικούς μηχανισμούς με σκοπό την εκ των υστέρων ποιοτική ανάλυση διαφόρων παραμέτρων. χήμα 1.1 : Μηχανισμός καταγραφής ουρανίου θόλου Οι μηχανισμοί αυτοί δεν συνοδεύονται από κάποιο είδος λογισμικού, γεγονός το οποίο κάνει αναγκαστική την ύπαρξη του ανθρωπίνου παράγοντα κατά τη διαδικασία της εξαγωγής των αποτελεσμάτων. Η μαζική

10 Σ ε λ ί δ α 10 αυτή συσσώρευση πληροφορίας καθιστά χρονοβόρα χρονικά και απαιτητικότατη σε ανθρώπινους πόρους την ποιοτική και ποσοτική ανάλυση των ζητούμενων παραμέτρων, γεγονός το οποίο οδηγεί στην ανάγκη δημιουργίας ενός λογισμικού, το οποίο θα δέχεται ως είσοδο τις παραγόμενες φωτογραφίες και θα εξάγει τα ζητούμενα αποτελέσματα. Προχωρώντας ένα βήμα παραπάνω, θα μπορεί ανά τακτά χρονικά διαστήματα να δημιουργεί ένα είδος περιοδικής αξιολόγησης παραμέτρων, ομαδοποιώντας με αυτόν τον τρόπο τα δεδομένα και παρουσιάζοντας συμπεράσματα καθώς και συγκριτικές μελέτες, τα οποία σε διαφορετική περίπτωση (ανθρώπινος παράγοντας κρίσης), θα απαιτούσαν πολύ μεγάλο υπολογιστικό χρόνο. 1.2 κοπός Διπλωματικής κοπός της παρούσας Διπλωματικής εργασίας είναι ο σχεδιασμός και η υλοποίηση του παραπάνω λογισμικού, καθώς και η ποιοτική αξιολόγηση των αποτελεσμάτων που παράγονται. Πιο συγκεκριμένα, λαμβάνοντας σαν είσοδο μια ψηφιακή εικόνα σταθερής ανάλυσης (640 x 480 pixels), ενός σταθερού τοπίου (ο μηχανισμός παραμένει δηλαδή ακίνητος), συγκεκριμένης τεχνικής (παράγονται ταυτόχρονα δυο διαφορετικές εικόνες, η πρώτη δεν έχει φίλτρο ελάττωσης φωτισμού ενώ η δεύτερη έχει εμείς επεξεργαζόμαστε πάντα μόνον την πρώτη, την φυσική εικόνα δηλαδή), καλούμαστε να αποφασίσουμε σχετικά με τα παρακάτω : - ποσόστωση νεφών / καθαρού ουρανού - κατηγοριοποίηση νεφών σε μια από έξι δυνατές καταστάσεις - ύπαρξη ορατού ηλιακού δακτυλίου καθώς και ποσοστού αυτού - ύπαρξη βροχής (ανεξαρτήτως παρουσίας σταγονιδίων νερού) - χιλιομετρική ορατότητα τοπίου - RGB μετρήσεις σημείου zenith

11 Σ ε λ ί δ α Οργάνωση Διπλωματικής το δεύτερο κεφάλαιο, ασχολούμαστε με την εύρεση του ποσοστού των νεφών / καθαρού ουρανού, παρουσιάζοντας και εξηγώντας τα κύρια σημεία των αλγορίθμων που χρησιμοποιούμε. Εν συνεχεία, παραθέτουμε αρχικά μια γενική κατηγοριοποίηση των νεφών και έπειτα μια πιο συνοπτική, η οποία και αποτελεί την δική μας προσέγγιση, επισυνάπτοντας ταυτόχρονα τον k Nearest Neighbor classifier και τη λογική του, τα οποία και χρησιμοποιούμε για να υλοποιήσουμε τα ζητούμενα. το τρίτο κεφάλαιο, παρουσιάζουμε τον τρόπο σκέψης μας σχετικά με την ύπαρξη του ήλιου, καθώς και την εύρεση του ποσοστού που είναι ορατό στο ανθρώπινο μάτι (και όχι καλυμμένο με νέφη), παραθέτοντας και τα αντίστοιχα παραδείγματα. το τέταρτο κεφάλαιο, αναδεικνύουμε το πρόβλημα της ύπαρξης βροχής, το συσχετίζουμε με την αδυναμία του μηχανισμού, την οποία και εν τέλει εκμεταλλευόμαστε έτσι ώστε να βγάλουμε συμπεράσματα. το πέμπτο κεφάλαιο, παραθέτουμε και επεξηγούμε δυο διαφορετικές τεχνικές σχετικά με την εύρεση της χιλιομετρικής ορατότητας. το τέλος, δίνουμε και την τεχνική αξιολόγησης του zenith σημείου μέσα από την μέτρηση των RGB συνιστωσών. το έκτο κεφάλαιο, παρουσιάζουμε τη λογική με την οποία επιλέξαμε την τελική βάση των εικόνων μας, σύμφωνα με την οποία αξιολογήσαμε όλους τους αλγορίθμους και τις τεχνικές μας. την συνέχεια, παραθέτουμε και χαρακτηριστικά παραδείγματα στα οποία δείχνουμε την έξοδο της Matlab console ανά περίπτωση. Εν τέλει, δίνουμε τα συνολικά ποσοστά επιτυχίας των τεχνικών μας ανά περίπτωση, που προκύπτουν σε σχέση με την αξιολόγηση που έχουμε κάνει με το ανθρώπινο μάτι (που πάντα παραμένει ο πιο αξιόπιστος κριτής). το Παράρτημα Α, επισυνάπτουμε το σύνολο του κώδικα που υλοποιήσαμε στο περιβάλλον υλοποίησης Matlab. το Παράρτημα Β, παραθέτουμε τις βιβλιογραφικές, επιστημονικές και διαδικτυακές αναφορές μας.

12 Σ ε λ ί δ α 12 Κεφάλαιο 2 Εύρεση ποσοστού κάλυψης και είδους νεφών 2.1 Εισαγωγή Περίληψη το παρόν κεφάλαιο καλούμαστε να λάβουμε μια σειρά από συμπεράσματα σχετικά με το ποσοστό του καθαρού ουρανού, καθώς και αυτού των νεφών μιας συγκεκριμένης περιοχής, με τη βοήθεια μιας ψηφιακής φωτογραφίας, η οποία περικλείει τον ουράνιο προς μελέτη ορίζοντα. Σο αρχικό ζητούμενο ήταν η εύρεση του ποσοστού των νεφών, αλλά προκειμένου να ελαχιστοποιήσουμε την πιθανότητα λάθους, αρχικά προσεγγίζουμε το ζητούμενο με την αντίστροφη λογική, προσπαθώντας να βρούμε το ποσοστό του καθαρού ουρανού. Αυτό το επιτυγχάνουμε υλοποιώντας και εφαρμόζοντας δυο πανομοιότυπους αλγορίθμους που θα αναλύσουμε στην συνέχεια. Έπειτα προσπαθούμε να προσεγγίσουμε το ζητούμενο πρόβλημα από την πλευρά των νεφών, εκτελώντας ένα είδος αντίστροφης λογικής με την προηγούμενη αλγορίθμου. Εντέλει, χρησιμοποιούμε μια λογική ένωση των δυο παραπάνω και εφόσον επιβεβαιωθεί από τις μεθόδους μας η ύπαρξη νεφών, προσπαθούμε να τα κατηγοριοποιήσουμε με βάση συγκεκριμένα χαρακτηριστικά γνωρίσματα τα οποία εξάγονται με συνδυασμό συγκεκριμένων μεθόδων, τις οποίες θα παρουσιάσουμε παρακάτω.

13 Σ ε λ ί δ α Ορισμός Νεφών Σα Νέφη ή ύννεφα αποτελούν σύνολο υδρατμών, λεπτότατων υδροσταγονιδίων ή λεπτότατων παγοκρυστάλλων, ή συνδυασμό των προηγουμένων, που προέρχονται από την συμπύκνωση των υδρατμών που βρίσκονται στην ατμόσφαιρα. χήμα 2.1 : Διάφοροι σχηματισμοί νεφών Σα σύννεφα σχηματίζονται από ανοδικά ρεύματα αέρα που φθάνουν στα ύψη της τροπόσφαιρας, όπου εκεί ψύχονται αδιαβατικά. Δηλαδή η ελάττωση της θερμοκρασίας του αέρα επέρχεται από την εκτόνωση αυτού και όχι από το περιβάλλον με συνέπεια να ψύχονται οι υδρατμοί και να σχηματίζονται τα νέφη. Σα μόρια των υδρατμών ψύχονται και "κολλούν" επάνω στους πυρήνες (τα μικροσκοπικά σωματίδια της ατμόσφαιρας) σχηματίζοντας, έτσι, τα υδροσταγονίδια των νεφών. Με τον τρόπο αυτό και με την συμπύκνωσή τους, που επέρχεται μόλις η θερμοκρασία (ψύξη) αέρος

14 Σ ε λ ί δ α 14 βρεθεί κάτω του σημείου δρόσου του, σχηματίζονται τα νέφη στα διάφορα ύψη της τροπόσφαιρας. Η ανύψωση, δηλαδή τα ανοδικά ρεύματα, του αέρα μπορεί να οφείλεται: α) Ορογραφικά, δηλαδή από την παρεμβολή ορέων (βουνών). β) Μετωπικά, δηλαδή σε θερμικά ανοδικά ρεύματα που οφείλονται από υπερθέρμανση αέρος δημιουργώντας έτσι μέτωπο. γ) Από υπερθέρμανση της επιφάνειας του εδάφους ή της θάλασσας όπου εμφανίζεται η κατακόρυφα ανύψωση και δ) Από στροβίλους, που οφείλονται από την τριβή του ανέμου σε διάφορες εξάρσεις της επιφάνειας του εδάφους. Παρατηρώντας τις προς μελέτη φωτογραφίες οι οποίες αναπαράγονται ανά τακτά χρονικά διαστήματα και καθ όλη τη διάρκεια του έτους, καταλήγουμε στο συμπέρασμα οτι το πιο ασφαλές κριτήριο για την κατηγοριοποίηση ενος image pixel σε νέφος ή καθαρό ουρανό, είναι η σχέση των Red, Green και Blue συνιστωσών της εκάστοτε φωτογραφίας. Προφανώς, ανάλογα και με την ποιότητα της κάμερας, την ώρα και την εποχή της φωτογράφησης καθώς από ένα πλήθος αστάθμητων παραγόντων (θόλωμα κάμερας λόγω βροχής υγρασίας σκόνης, παραμόρφωση εικόνας λόγω θέσης ήλιου κ.α.), γνωρίζουμε εκ των προτέρων αλλά και επιβεβαιώνουμε στην πράξη ότι υπάρχει και ένα ποσοστό λανθασμένης εκτίμησης. 2.3 RGB Πρότυπο Φρώματος Tο πρότυπο χρώματος RGB είναι ένα προσθετικό πρότυπο στο οποίο τα χρώματα κόκκινο, πράσινο και μπλε (χρώματα που χρησιμοποιούνται συχνά σε προσθετικά χρωματικά πρότυπα) συνδυάζονται με διάφορους τρόπους για να αναπαραχθούν άλλα χρώματα. Σο όνομα του προτύπου και η σύντμηση RGB προέρχονται από τα τρία βασικά χρώματα, το κόκκινο (Red),πράσινο (Green), και το μπλε (Blue).

15 Σ ε λ ί δ α 15 χήμα 2.2 : Αποτύπωση RGB διανυσματικού χώρου Ένα χρώμα στο πρότυπο χρώματος RGB μπορεί να περιγραφεί με το προσδιορισμό του πόσο κάθε ένα από το κόκκινο, πράσινο και μπλε χρώματα συμπεριλαμβάνεται. Κάθε ένα μπορεί να ποικίλει μεταξύ του ελάχιστου (καθόλου χρώμα) και του μεγίστου (πλήρης ένταση). Εάν όλα τα χρώματα είναι στο ελάχιστο το αποτέλεσμα είναι μαύρο. Εάν όλα τα χρώματα είναι στο μέγιστο, το αποτέλεσμα είναι το άσπρο. Οι τιμές χρώματος μπορούν να γραφτούν ως αριθμοί στην κλίμακα 0 έως 255, απλά με τον πολλαπλασιασμό της κλίμακας 0.0 έως 1.0 με 255.

16 Σ ε λ ί δ α 16 χήμα 2.3 : Αποτύπωση τρισδιάστατου RGB χρωματικού χώρου 2.4 Εύρεση Αναλογίας Ουρανού / Νεφών Εφαρμογή αρχικής μεθόδου για εύρεση ποσοστού καθαρού ουρανού Όπως αναφέραμε παραπάνω, αρχικά προσεγγίζουμε το πρόβλημα από την πλευρά της εύρεσης του καθαρού ουρανού. τόχος μας είναι να εφαρμόσουμε τις κατάλληλες χρωματικές μάσκες στον RGB, οι οποίες θα αναδείξουν ποια από τα pixel της εικόνας που αφορούν τον ουράνιο θόλο ορίζοντα, είναι καθαρός ουρανός. Αφού αναλύσουμε την RGB εικόνα μας στις Red, Green και Blue συνιστώσες της, καταλήγουμε στην πρώτη από τις δυο μεθόδους μας στον παρακάτω τύπο, ο οποίος βρίσκει τις πιθανές μπλε αποχρώσεις : (B > 60) & (B > G + 20) & (B > R + 20) Εάν ισχύει το παραπάνω, τότε το pixel είναι καθαρός ουρανός. Παρακάτω δείχνουμε την εφαρμογή του παραπάνω τύπου στην εικόνα.

17 Σ ε λ ί δ α 17 χήμα 2.4 : Αρχική εικόνα εισόδου χήμα 2.5 : Σελική εικόνα (μετασχηματισμένη)

18 Σ ε λ ί δ α 18 την παραπάνω εικόνα που προέρχεται από την επεξεργασία της πρώτης, έχουμε αφήσει τον καθαρό ουρανό, το μπλε και τις αποχρώσεις του δηλαδή, αναλλοίωτα, ενώ έχουμε γκριζάρει όλα τα υπόλοιπα. την δεύτερο αλγόριθμο που χρησιμοποιούμε, είμαστε πιο ελαστικοί στις αποχρώσεις του μπλε προκειμένου να περικλείσουμε και περιπτώσεις λιγότερο εύκολες στην παρατήρηση ακόμα και με γυμνό μάτι, καταλήγοντας στον παρακάτω τύπο : (B > 80) & (B > G + 20) & (B > R + 20) Αντίστοιχα, για την ίδια εικόνα έχουμε : χήμα 2.6 : Σελική εικόνα (μετασχηματισμένη) Παρατηρούμε λοιπόν στην δεύτερή μας προσέγγιση ότι έχουμε περισσότερα γκριζαρισμένα pixel, ειδικά στα σημεία περιμετρικά της εικόνας, γεγονός το οποίο επιβεβαιώνει την σκοπιμότητα του αλγορίθμου.

19 Σ ε λ ί δ α Εφαρμογή μεθόδου για εύρεση ποσοστού νεφών Αφού λοιπόν έχουμε μια πρώτη εικόνα σχετικά με την ύπαρξη καθαρού ουρανού, προσπαθούμε να προσεγγίσουμε το πρόβλημα από την αντίστροφη οπτική του, θέλοντας έτσι να επιτύχουμε μεγαλύτερη ασφάλεια στο τελικό αποτέλεσμα, επιβεβαιώνοντας ή ακυρώνοντας με αυτό τον τρόπο το συμπέρασμα που έχουμε από την πρώτη μέθοδο. Και πάλι αναλύουμε την RGB εικόνα μας στις τρεις συνιστώσες της και εν συνεχεία εφαρμόζουμε αυτή τη φορά τις χρωματικές μάσκες που αφορούν στις πιθανές αποχρώσεις των νεφών, οι οποίες καλύπτουν ένα ευρύτερο χρωματικό φάσμα απ ότι ο καθαρός ουρανός και το μπλε. Κατόπιν πειραματικών μετρήσεων, καταλήγουμε στον παρακάτω τύπο : ( B R <= 30) & ( R G <= 30) & ( G B <= 30) Εάν τον εφαρμόσουμε στην προς μελέτη εικόνα, τότε έχουμε σαν αποτέλεσμα το συμπληρωματικό της προηγούμενης τεχνικής, γεγονός το οποίο επιβεβαιώνει και την ορθότητα της λογικής και των αλγορίθμων μας. χήμα 2.7 : Σελική εικόνα (μετασχηματισμένη)

20 Σ ε λ ί δ α 20 Παρατηρούμε λοιπόν με μαύρο χρώμα τις αποχρώσεις του γκρι, τις οποίες και τονίζουμε με μαύρο χρώμα, περικλείοντας και το περιβάλλον τοπίο, το οποίο βεβαίως και δεν συμπεριλαμβάνουμε στο τελικό αποτέλεσμα βεβαίως. Σο υπόλοιπο το αφήνουμε στο πρωτότυπο χρώμα, παρατηρώντας ότι αυτό είναι ο καθαρός ουρανός Εξαγωγή τελικού αποτελέσματος Έχοντας πλέον τα αποτελέσματα και των τριών υλοποιήσεων, μπορούμε πλέον να εξάγουμε το τελικό συμπέρασμα σχετικά με την ύπαρξη νεφών ή/και καθαρού ουρανού. ε κάθε περίπτωση, οι δυο αντίστροφες λογικές συμπίπτουν σε γενικές γραμμές, οπότε λαμβάνουμε τον μέσο όρο των μετρήσεων σαν τελική απόφαση. 2.5 Εφαρμογή μεθόδου k-means ταξινόμησης του ουρανίου θόλου Ο k-means είναι ένας από τους πιο γνωστούς και απλούς αλγορίθμους που λύνουν το πρόβλημα του ομαδοποίησης και ανήκει στην κατηγορία του μη επιβλεπόμενης διαδικασίας, δηλαδή τα δεδομένα μας δεν έχουν καμία ετικέτα και δεν γνωρίζουμε τίποτα για αυτά. Ο αλγόριθμος ακολουθεί μια απλή και εύκολη διαδικασία για να κατηγοριοποιήσει τα δοσμένα δεδομένα σε έναν συγκεκριμένο αριθμό από ομάδες. Η κύρια ιδέα του αλγορίθμου είναι να καθορίσουμε εμείς έναν συγκεκριμένο αριθμό από k κέντρα των ομάδων (centroids) που θα συμβολίζουν και τον αριθμό των τελικών ομάδων που θα έχουμε ως έξοδο του αλγορίθμου. Σο επόμενο βήμα που κάνει ο αλγόριθμος είναι να αναθέσει κάθε δεδομένο στην κοντινότερη της ομάδας. Όταν ανατεθούν όλα τα δεδομένα, μια πρώιμη ομαδοποίηση έχει ολοκληρωθεί. ε αυτό το σημείο επαναϋπολογίζουμε τα centroids με βάση τις καινούργιες ομάδες που έχουν

21 Σ ε λ ί δ α 21 δημιουργηθεί και τα τοποθετούμε έτσι ώστε να κατοπτρίζουν το κέντρο των δεδομένων που ανήκουν στην ομάδα τους. Έτσι όταν έχουμε k καινούργια centroids επαναϋπολογίζουμε τις θέσεις των δεδομένων και τα εναποθέτουμε στο κοντινότερο σε αυτά centroid. Με τον τρόπο αυτό βλέπουμε πως έχει δημιουργηθεί ένας βρόχος ο οποίος τερματίζεται όταν πλέον τα κέντρα δεν μετακινούνται από την θέση τους. Παρακάτω δείχνουμε την αρχική εικόνα και εν συνεχεία το αποτέλεσμα της ομαδοποίησης με τον αλγόριθμο k-means, για αριθμό centroids = 6. χήμα 2.8 : Αρχική εικόνα εισόδου

22 Σ ε λ ί δ α 22 χήμα 2.9 : Σελική εικόνα (μετασχηματισμένη) Παρατηρούμε λοιπόν στην παραπάνω ταξινόμηση το διαχωρισμό σε ομάδες διαφορετικών χρωμάτων, οι οποίες αντιπροσωπεύουν τις διαφορετικές υφές του καθαρού ουρανού, των νεφών αλλά και του ηλιακού δίσκου. ε κάθε περίπτωση λοιπόν, ενώ βλέπουμε ότι υπάρχει ένας διαχωρισμός κυρίως ως προς την υφή των υπο-ομάδων, δεν μπορούμε να παραμετροποιήσουμε καταρχήν τον αριθμό των ομάδων που θα χρησιμοποιούμε σε κάθε περίπτωση και κατά δεύτερον τη φύση του διαχωρισμού, αν δηλαδή έχουμε διαχωρισμό μεταξύ καθαρού ουρανού και νεφών, ή νεφών δύο διαφορετικών αποχρώσεων και τύπου. Για τους λόγους αυτούς, κρίνουμε αναξιόπιστη την παραπάνω διαδικασία και επιλέγουμε τις χρωματικές μάσκες που εξηγήσαμε στα προηγούμενα εδάφια. 2.6 Γενική Σαξινόμηση Νεφών Σα νέφη ταξινομούνται με δύο κριτήρια, το ύψος στο οποίο βρίσκονται και το σχήμα που έχουν. Ανάλογα με το ύψος στο οποίο βρίσκονται

23 Σ ε λ ί δ α 23 χωρίζονται σε κατώτερα (low), όταν η βάση τους βρίσκεται σε ύψος μικρότερο από 6500 πόδια, μέσα (middle), όταν η βάση τους είναι ανάμεσα στα 6500 και πόδια και ανώτερα (high) με βάση πάνω από πόδια. Ανάλογα με το σχήμα τους χωρίζονται σε στρωματόμορφα (stratiform) και σωρειτόμορφα (cumuliform). τρωματόμορφα ονομάζονται τα νέφη με μεγάλη οριζόντια ανάπτυξη (στρώματα). Αυτά καλύπτουν συνήθως μεγάλο μέρος του ουρανού. ωρειτόμορφα ονομάζονται τα νέφη με μεγάλη κατακόρυφη ανάπτυξη (σωρείτης). Είναι νέφη που δημιουργήθηκαν από ανοδικά ρεύματα εξαιτίας κάποιας αστάθειας στην ατμόσφαιρα. Σο συνθετικό nimbo στο όνομα των νεφών σημαίνει νέφος μελανό και άρα βροχοφόρο. Η ευστάθεια του αέρα πριν την ανύψωση, χαρακτηρίζει το είδος του νέφους που θα δημιουργηθεί. Αν ο αέρας είναι ευσταθής θα σχηματιστεί στρωματόμορφο νέφος (stratiform), ενώ αν είναι ασταθής θα σχηματιστεί σωρειτόμορφο νέφος (cumuliform). Ο συνδυασμός ύψους βάσης και σχήματος των νεφών μας έδωσε την τελική ταξινόμηση που έχει καθιερωθεί από τον Παγκόσμιο Οργανισμό Μετεωρολογίας (W.M.O.). ύμφωνα με την ταξινόμηση αυτή έχουμε: Α. Ανώτερα Νέφη 1.Θύσανοι (Cirrus Ci) Έχουν τη μορφή λεπτών ινών ή νημάτων. Οι ίνες αυτές ή τα νήματα έχουν στην άκρη μορφή άγκιστρου. Είναι λευκά νέφη, τα πιο λευκά από όλα και αποτελούνται από παγοκρυστάλλους. χήμα 2.10 : Cirrus

24 Σ ε λ ί δ α Θυσανοσωρείτες (Cirrocumulus Cc) Είναι λεπτά στρώματα περισσότερο ή λιγότερο εκτεταμένα και αποτελούνται από μικρά νεφικά στοιχεία με τη μορφή κόκκων ή ρυτίδων. Είναι λευκά και αποτελούνται από παγοκρυστάλλους και νεφοσταγόνες. Οι άνεμοι που φυσούν είναι ισχυροί και τα ανοδικά και καθοδικά ρεύματα προκαλούν αναταράξεις σε αεροσκάφος που πετά στην περιοχή των νεφών αυτών. χήμα 2.11 : Cirrocumulus 3. Θυσανοστρώματα (Cirrostratus Cs) Έχουν τη μορφή λευκού πέπλου και καλύπτουν ολόκληρο σχεδόν τον ουρανό. Σο πάχος τους δεν είναι μεγάλο και αποτελούνται από παγοκρυστάλλους.

25 Σ ε λ ί δ α 25 χήμα 2.12 : Cirrostratus Β. Μέσα Νέφη 1. Τψισωρείτες (Altocumulus Ac) Είναι εκτεταμένα λεπτά στρώματα που αποτελούνται από νεφικά στοιχεία κανονικά διατεταγμένα. Και τα νέφη αυτά προκαλούν αναταράξεις σε αεροσκάφος που πετά. χήμα 2.13 : Altocumulus

26 Σ ε λ ί δ α Τψιστρώματα (Altostratus As) Παρουσιάζονται σαν ένα γκρίζο στρώμα με μεγάλη έκταση και σημαντική πυκνότητα. Είναι γενικά υετοφόρα νέφη και δίνουν συνεχή βροχόπτωση ή χιόνι. χήμα 2.14 : Altostratus Γ. Κατώτερα Νέφη 1. τρώματα (Stratus St) Νέφη γκρίζα με βάση αρκετά ομοιόμορφη και χαμηλή. Πιθανόν να προκαλέσουν ψεκάδες. Όταν είναι πολύ χαμηλά δημιουργούν προβλήματα ορατότητας.

27 Σ ε λ ί δ α 27 χήμα 2.15 : Stratus 2. ωρείτες (Cumulus Cu) Νέφη ανεξάρτητα με όρια πολύ σαφή. Είναι πυκνά και αναπτύσσονται κατακόρυφα, το πάνω τμήμα τους έχει τη μορφή κουνουπιδιού. Όταν φωτίζονται από τον ήλιο είναι εκθαμβωτικά λευκά. Όταν η κατακόρυφη ανάπτυξή τους είναι μεγάλη, δίνουν βροχή μεγάλων βροχοσταγόνων (όμβρο) και προκαλούν ισχυρές αναταράξεις. χήμα 2.16 : Cumulus

28 Σ ε λ ί δ α τρωματοσωρείτες (Stratocumulus Sc) Σα νέφη αυτά έχουν τη μορφή σφαιρικών ή κυλινδρικών μαζών με γκρίζο ή υπόλευκο χρώμα. υνοδεύονται από βροχή ή χιόνι με ασθενή ένταση. χήμα 2.17 : Stratocumulus 4. τρωματομελανίες (Nimbostratus Ns) Εκτεταμένο στρώμα με σκοτεινό γκρίζο χρώμα. Σα νέφη αυτά δίνουν συνεχείς και ισχυρές βροχοπτώσεις ή χιονοπτώσεις. χήμα 2.18 : Nimbostratus

29 Σ ε λ ί δ α ωρειτομελανίες (Cumulonimbus Cb) Νέφη μεμονωμένα και επιβλητικά, με μεγάλη κατακόρυφη ανάπτυξη και μορφή βουνών ή πύργων. Σο ανώτερο τμήμα τους είναι συνήθως λείο και πεπλατυσμένο. Σο τμήμα αυτό πολλές φορές εκτείνεται με τη μορφή άκμονα. Φαρακτηριστικό τους είναι τα ηλεκτρικά φαινόμενα που παρατηρούνται μέσα σε αυτά ή και γύρω τους. Είναι απαγορευτικά για την αεροπλοΐα, γιατί μέσα και γύρω τους εκτός από τις ηλεκτρικές εκκενώσεις, υπάρχουν έντονες αναταράξεις. Επίσης προκαλούν τα πιο έντονα φαινόμενα στη γη όπως όμβρους και καταιγίδες. χήμα 2.19 : Cumulonimbus

30 Σ ε λ ί δ α Σαξινόμηση Νεφών για την Εφαρμογή μας την περίπτωσή μας, επιλέγουμε να κατηγοριοποιήσουμε τα νέφη σε έξι βασικές ομάδες, τις οποίες και παρουσιάζουμε μαζί με μια αντίστοιχη περίπτωση από τη βάση των εικόνων μας : χήμα 2.20 : Cumulus εφαρμογής

31 Σ ε λ ί δ α 31 χήμα 2.21 : Cirrus εφαρμογής χήμα 2.22 : Cirrocumulus Altocumulus εφαρμογής

32 Σ ε λ ί δ α 32 χήμα 2.23 : Stratocumulus εφαρμογής χήμα 2.24 : Stratus εφαρμογής

33 Σ ε λ ί δ α 33 χήμα 2.25 : Cumulonimbus εφαρμογής Σην παραπάνω κατηγοριοποίηση των νεφών την υλοποιούμε με εφαρμογή του K-Nearest-Neighbor ταξινομητή, έχοντας σαν χαρακτηριστικά βάσης γνωρίσματα των φωτογραφιών, τα οποία χωρίζουμε σε δύο ομάδες, τα χαρακτηριστικά φάσματος και τα χαρακτηριστικά υφής. Πιο συγκεκριμένα, τα πρώτα είναι τα - Μέσος όρος (ME) Red συνιστώσας - Μέσος όρος (ME) Blue συνιστώσας - Συπική Απόκλιση (Standard Deviation) Blue συνιστώσας - Διαφορά Μέσων Όρων Red & Blue συνιστωσών - Διαφορά Μέσων Όρων Red & Green συνιστωσών - Διαφορά Μέσων Όρων Green & Blue συνιστωσών Αντίστοιχα τα δεύτερα - Ενέργεια (Energy) Blue συνιστώσας - Αντίθεση (Contrast) Blue συνιστώσας - Ομοιογένεια (Homogeneity) Blue συνιστώσας

34 Σ ε λ ί δ α 34 Σέλος προσθέτουμε στα παραπάνω και δύο μετρήσεις που προέρχονται από τα δικά μας πειράματα και είναι τα - Λόγος Νεφοκάλυψης / υνολικό ουράνιο ορίζοντα - Ύπαρξη βροχής Έχουμε λοιπόν έντεκα μετρικές για κάθε φωτογραφία. τη συνέχεια επιλέγουμε από τη βάση μας μια ομάδα φωτογραφιών για καθεμία από τις έξι κατηγορίες που έχουμε, οι οποίες και θα αποτελέσουν τη βάση εκπαίδευσής μας, και υπολογίζουμε τον Μέσο Όρο των μετρήσεων έτσι ώστε να αποτελέσουν το σταθερό σημείο κάθε κατηγορίας κατά την υλοποίηση του K-Nearest-Neighbor ταξινομητή. Παρακάτω παρουσιάζουμε τους Μέσους Όρους των μετρικών για καθεμία κατηγορία και εν συνεχεία δίνουμε το βήμα κανονικοποίησης σύμφωνα με το οποίο υπολογίζουμε την τελική απόσταση του αλγορίθμου. Cloud Ratio Mean (R) Mean (B) Diff (RG) Diff (RB) Diff (GB) STD (B) Con trast Energy Homo geneity Rain Cumulus Cirrus Cir-Alt Strato Stratus Cumulon Πίνακας 2.26 : Πίνακας ΜΟ μετρικών

35 Σ ε λ ί δ α 35 Range Normalization Step Cloud Ratio [0.17 1] Mean(R) [ ] 6.98 Mean(B) [ ] 2.91 Diff(RG) [ ] 7.68 Diff(RB) [ ] 3.05 Diff(GB) [ ] 4.8 STD(B) [ ] 7.81 Contrast [ ] Energy [ ] Homogeneity [ ] Rain [0 0.66] Πίνακας 2.27 : Πίνακας βημάτων κανονικοποίησης ε κάθε περίπτωση λοιπόν, βρίσκουμε στην προς μελέτη φωτογραφία τις έντεκα μετρικές και υπολογίζουμε την απόσταση από κάθε κατηγορία ξεχωριστά (με κανονικοποιημένο τρόπο), η κατηγορία που απέχει λιγότερο είναι και η επικρατούσα. Για παράδειγμα, για την παρακάτω φωτογραφία χήμα 2.28 : Παράδειγμα εφαρμογής

36 Σ ε λ ί δ α 36 οι αποστάσεις από την κάθε κατηγορία είναι οι εξής : >> distance distance = υμπεραίνουμε λοιπόν ότι η φωτογραφία ανήκει στην έκτη κατηγορία, την Cumulonimbus, η οποία απέχει και λιγότερο από όλες τις υπόλοιπες.

37 Σ ε λ ί δ α 37 Κεφάλαιο 3 Εύρεση ποσοστού Ηλιακού δίσκου 3.1 Εισαγωγή Περίληψη το παρόν κεφάλαιο καλούμαστε να λάβουμε μια σειρά από συμπεράσματα σχετικά με την παρουσία του ήλιου στον ορίζοντα, αποφασίζουμε δηλαδή ποιο ποσοστό του ηλιακού δίσκου είναι ορατό από το φωτογραφικό φακό και συνεπώς όχι καλυμμένο με νέφη.

38 Σ ε λ ί δ α Εφαρμογή μεθόδου για εύρεση ποσοστού ηλιακού δίσκου τόχος μας είναι να εφαρμόσουμε τις κατάλληλες χρωματικές μάσκες στον RGB μετασχηματισμό, οι οποίες θα αναδείξουν ποια από τα pixels της εικόνας που αφορούν τον ουράνιο θόλο ορίζοντα, είναι καθαρός ουρανός ή νέφη και ποιά ήλιος. Ξεκινάμε τις πειραματικές μετρήσεις και ανακαλύπτουμε ότι οι χρωματικοί συνδυασμοί που μας οδηγούν στο συμπέρασμα ότι το προς μελέτη pixel είναι μέρος του ήλιου μπορούν να οδηγήσουν σε υψηλό ποσοστό λάθους. Αυτό συμβαίνει επειδή οι χρωματικές αποχρώσεις του ήλιου στην κάμερα βρίσκονται πολύ κοντά στο άσπρο χρώμα, το οποίο είναι βασικό χρωματικό συστατικό συγκεκριμένων νεφών, γεγονός το οποίο αποδεικνύεται και από την παρακάτω φωτογραφία. χήμα 3.1 : Σο άσπρο χρώμα σαν συστατικό νεφών αλλά και ήλιου

39 Σ ε λ ί δ α 39 Η παραπάνω παρατήρηση μας οδηγεί στην ανάγκη να μετασχηματίσουμε την αρχική εικόνα σε μια που θα μπορούμε να επεξεργαστούμε με μεγαλύτερη ασφάλεια. Αυτό το επιτυγχάνουμε με την μετατροπή των χρωμάτων της εικόνας σε χρώματα που καλύπτουν ολόκληρο το φάσμα, διατηρώντας παράλληλα τις αρχικές αναλογίες (imagesc MATLAB command). Σο αποτέλεσμα δείχνει κάπως έτσι : χήμα 3.2 : Μετασχηματισμένη εικόνα σε πλήρες φάσμα Σώρα πλέον είμαστε σε θέση να απομονώσουμε τα χρώματα του ήλιου πολύ πιο εύκολα και αποτελεσματικά χρησιμοποιώντας την παρακάτω χρωματική μάσκα : (R < 140) & (R > G + 70) & (R > B +120) Εάν ισχύει το παραπάνω, τότε το pixel αποτελεί μέρος του ηλιακού δίσκου. Παρακάτω δείχνουμε την εφαρμογή του παραπάνω τύπου στην εικόνα.

40 Σ ε λ ί δ α 40 χήμα 3.3 : Εφαρμογή του Σύπου στην μετασχηματισμένη εικόνα Όπως παρατηρούμε, έχουμε απομονώσει μόνο τα pixels του ήλιου, ξεχωρίζοντας τα από το σύννεφο που καλύπτει ένα μέρος του. Πλέον το μόνο που μας μένει είναι να υπολογίσουμε το ποσοστό που είναι ορατό με το μάτι και δεν είναι καλυμμένο με νέφη. ύμφωνα με τις μετρήσεις μας και λαμβάνοντας υπ όψιν την κυκλικότητα των pixels του ήλιου, βρίσκουμε υπολογιστικά το ποσοστό του καθαρού ήλιου κοντά στο 80 %. Παρακάτω παραθέτουμε μια περίπτωση με ποσοστό καθαρού ήλιου 100 % και άλλη μια στην οποία δεν διακρίνεται καθόλου ήλιος.

41 Σ ε λ ί δ α 41 χήμα 3.4 : Αρχική εικόνα εισόδου χήμα 3.5 : Σελική εικόνα (μετασχηματισμένη)

42 Σ ε λ ί δ α 42 χήμα 3.6 : Αρχική εικόνα εισόδου χήμα 3.7 : Σελική εικόνα (μετασχηματισμένη)

43 Σ ε λ ί δ α 43 Κεφάλαιο 4 Εύρεση βροχόπτωσης 4.1 Εισαγωγή Περίληψη το παρόν κεφάλαιο καλούμαστε να αποφασίσουμε για την ύπαρξη βροχής στην προς μελέτη φωτογραφία. υγκεκριμένα, καλούμαστε να διακρίνουμε συγκεκριμένα χαρακτηριστικά, τα οποία συνδυαζόμενα με τον τρόπο που θα παρουσιάσουμε παρακάτω, μας οδηγούν στο συμπέρασμα ότι στην συγκεκριμένη εικόνα έχουμε βροχή. Προφανώς ο δείκτης δυσκολίας αυξάνεται κατακόρυφα σε περιπτώσεις κατά τις οποίες έχουμε ύπαρξη σταγονιδίων βροχής στην κάμερα χωρίς όμως να έχουμε βροχή. Αυτό συμβαίνει λόγω της αδυναμίας του μηχανισμού, που περιλαμβάνει και την κάμερα, όσον αφορά τον καθαρισμό του, έχοντας σαν αποτέλεσμα σε καταστάσεις απουσίας ήλιου ή / και παρουσίας εντόνων δεικτών υγρασίας, τα σταγονίδια της βροχής να παραμένουν στην κοιλότητα της κάμερας για αρκετές ώρες, δυσκολεύοντας έτσι την ασφαλή εξαγωγή συμπεράσματος.

44 Σ ε λ ί δ α Πειραματισμός για εύρεση δείκτη βροχόπτωσης Παρατηρώντας τα χαρακτηριστικά μιας εικόνας με απουσία βροχόπτωσης και μιας με παρουσία, εκμεταλλευόμαστε αρχικά την αδυναμία του μηχανισμού που αναφέραμε παραπάνω όσον αφορά τον καθαρισμό της κάμερας θεωρώντας οτι στην περίπτωση βροχόπτωσης, οι σταγόνες παραμένουν στην κοιλότητα του φακού, δημιουργώντας ταυτόχρονα ένα θόλωμα στην ορατότητα μας. Προχωρώντας τη λογική μας ένα βήμα παρακάτω, παρατηρούμε ότι κατά ένα πολύ μεγάλο ποσοστό, στις περιπτώσεις αυτές, οι σταγόνες της βροχής επηρρεάζουν κυρίως το περίγραμμα του τοπίου που καταγράφεται από τον φακό. Αυτό προφανώς συμβαίνει λόγω του σχήματος του μηχανισμού της κάμερας, γεγονός το οποίο μας διευκολύνει στην παραμετροποίηση της ύπαρξης σταγονιδίων βροχής. Παρακάτω παρουσιάζουμε διαφορετικές περιπτώσεις καταστάσεων αναλύοντας ταυτόχρονα την διαδικασία που ακολουθούμε για να βγάλουμε ένα ασφαλές συμπέρασμα. ΠΕΡΙΠΣΨΗ 1

45 Σ ε λ ί δ α 45 χήμα 4.1 : Αρχική εικόνα εισόδου χήμα 4.2 : Μετασχηματισμένη εικόνα για εύρεση κυκλικότητας 0.88 χήμα 4.3 : Σελική εικόνα για εύρεση κυκλικότητας

46 Σ ε λ ί δ α 46 ε αυτή την περίπτωση, βλέπουμε οτι το περίγραμμα της εικόνας που περιέχει πληροφορία είναι σχεδόν κυκλικό, δεν υπάρχει δηλαδή «θόρυβος» στις άκρες λόγω σταγονιδίων. Σην κυκλικότητα του προς μελέτη σχήματος την μετρούμε αλγοριθμικά και θεωρούμε τελείο κύκλο την μέτρηση 1. την συγκεκριμένη περίπτωση υπολογίζουμε την κυκλικότητα ίση με 0.88, μέτρηση η οποία πλησιάζει το ανώτατο θεωρητικό όριο μιας απόλυτα «καθαρής» περίπτωσης, μιας και τα περιγράμματα των τοπίων και των κτιρίων που βρίσκονται περιφερειακά της κυκλικής εικόνας διαχωρίζουν κατά ένα μικρό ποσοστό το περίγραμμα του θεωρητικά τέλειου κύκλου με αυτού που μετράμε στις προς μελέτη εικόνες μας. ΠΕΡΙΠΣΨΗ 2 χήμα 4.4 : Αρχική εικόνα εισόδου

47 Σ ε λ ί δ α 47 χήμα 4.5 : Μετασχηματισμένη εικόνα για εύρεση κυκλικότητας 0.50 χήμα 4.6 : Σελική εικόνα για εύρεση κυκλικότητας

48 Σ ε λ ί δ α 48 Αντίθετα με την προηγούμενη περίπτωση, εδώ παρατηρούμε την εμφανή διαφοροποίηση της κατάστασης η οποία εκτός της οπτικής διαφοράς στο περίγραμμα λόγω των σταγονιδίων της βροχής, αποτυπώνεται και στην μέτρηση της κυκλικότητας (0.5). υμπεραίνουμε λοιπόν οτι έχουμε παρουσία «θορύβου» στις άκρες η οποία οφείλεται στη βροχή. Αποτελεί όμως η μέτρηση αυτή ασφαλές κριτήριο σχετικά με το ερώτημα στο οποίο πρέπει να απαντήσουμε; Είναι δηλαδή πιθανό σε μια κατάσταση καλού καιρού να έχουμε μια χαμηλή μέτρηση κυκλικότητας; Ή επίσης είναι πιθανό σε μια κατάσταση να έχουμε απουσία βροχής και ταυτόχρονη παρουσία σταγονιδίων, τα οποία λόγω των καιρικών συνθηκών και της υγρασίας να παραμένουν στην κάμερα, δυσκολεύοντας έτσι την ακρίβεια της μέτρησής μας; Παρακάτω δείχνουμε τέτοια παραδείγματα αναλύοντας ταυτόχρονα τον τρόπο σκέψης που ακολουθούμε. ΠΕΡΙΠΣΨΗ 3 χήμα 4.7 : Αρχική εικόνα εισόδου

49 Σ ε λ ί δ α 49 χήμα 4.8 : Μετασχηματισμένη εικόνα για εύρεση κυκλικότητας 0.28 χήμα 4.9 : Σελική εικόνα για εύρεση κυκλικότητας

50 Σ ε λ ί δ α 50 την περίπτωση αυτή είναι σαφές ότι έχουμε μέτρηση της κυκλικότητας που παραπέμπει σε συνθήκες βροχής παρόλο που η προς μελέτη εικόνα φανερώνει το αντίθετο. Η ιδιομορφία αυτή οφείλεται στην διαφορά της φωτεινότητας και της αντίθεσης σε συγκεκριμένο μέρος της φωτογραφίας, έχοντας σαν αποτέλεσμα την αποτυχία εντοπισμού των περιμετρικών συνόρων της περιοχής αυτής και την αποτύπωση ενός πολύ λανθασμένου σχήματος προσδιορισμού ορίων. ΠΕΡΙΠΣΨΗ 4 χήμα 4.10 : Αρχική εικόνα εισόδου

51 Σ ε λ ί δ α 51 χήμα 4.11 : Μετασχηματισμένη εικόνα για εύρεση κυκλικότητας 0.54 χήμα 4.12 : Σελική εικόνα για εύρεση κυκλικότητας

52 Σ ε λ ί δ α 52 την περίπτωση αυτή τέλος, βλέπουμε ότι ενώ έχουμε επιτύχει τον στόχο μας όσον αφορά την διαπέραση των συνόρων και την εύρεση των σταγονιδίων που υπάρχουν περιμετρικά της εικόνας, στην πραγματικότητα έχουμε αγνοήσει τις πραγματικές συνθήκες, γεγονός που μας αναγκάζει να αναθεωρήσουμε σχετικά με την απολυτότητα της μέτρησης, ωθώντας μας να συμπεριλάβουμε μια ομάδα κριτηρίων, τα οποία με την σειρά τους μας οδηγούν σε ένα είδος ταξινόμησης της εκάστοτε περίπτωσης. Έχοντας εντάξει μια σειρά συνθηκών και πειραματικών μετρήσεων, εκτός από την κυκλικότητα, έχουμε αναπτύξει έναν αλγόριθμο ταξινόμησης ο οποίος εντέλει αποφασίζει για την ύπαρξη βροχής στην προς μελέτη φωτογραφία με σχετικά μεγάλη επιτυχία, λαμβάνοντας υπ όψιν και μετρήσεις φωτεινότητας, αναλογίας νεφών και καθαρού ουρανού, αλλά και εντοπισμό παραγόντων που μεγιστοποιούν την πιθανότητα κακής μέτρησης των συνόρων της εικόνας.

53 Σ ε λ ί δ α 53 Κεφάλαιο 5 Εύρεση ορατότητας 5.1 Εισαγωγή Περίληψη το παρόν κεφάλαιο καλούμαστε να αποφασίσουμε σχετικά με την ορατότητα της προς μελέτη φωτογραφίας, δηλαδή καλούμαστε να προσδιορίσουμε τη χιλιομετρική απόσταση, στην οποία μπορούμε με γυμνό μάτι να διακρίνουμε κτίρια και αντικείμενα με σχετικά μεγάλη ευκρίνεια. Θα παρουσιάσουμε δυο διαφορετικές υλοποιήσεις, η πρώτη χρησιμοποιεί την Sobel ανίχνευση ακμών ενώ η δεύτερη είναι πιο διαισθητική και προσομοιώνει τις ιδιότητες του ανθρώπινου αισθητηρίου, του ματιού.

54 Σ ε λ ί δ α Ανάλυση παραμέτρων και μεθόδου 1 ης λύσης Η βάση για να μπορέσουμε να υλοποιήσουμε τη μέθοδο αυτή είναι η εκ των προτέρων γνώση των πραγματικών αποστάσεων κάποιων σταθερών σημείων, κατά προτίμηση κτιρίων, από το σημείο που βρίσκεται η κάμερα. Έχουμε δηλαδή κάποια συγκεκριμένα σημεία αναφοράς σύμφωνα με τα οποία υλοποιούμε και αξιολογούμε τις μετρήσεις μας. την περίπτωσή μας, τα σημεία αυτά εντοπίζονται σε συγκεκριμένα κτίρια, οι αποστάσεις των οποίων είναι km km km - 2 km - 6 km Παρακάτω δείχνουμε ποια είναι τα σημεία αυτά στις φωτογραφίες μας, έχοντας σημειώσει δίπλα τους τις παραπάνω αποστάσεις. χήμα 5.1 : Προεπιλεγμένες αποστάσεις σταθερών σημείων

55 Σ ε λ ί δ α Ανίχνευση ακμών και μέθοδος Sobel ε πολλές εφαρμογές, όπως και στη δική μας, χρειάζεται η επεξεργασία μιας εικόνας με σκοπό να γίνει κάποια αναγνώριση ή απαρίθμηση αντικειμένων ή κάποια μέτρηση μεγεθών. Όταν οι συνθήκες φωτισμού κατά τη λήψη της όμως δεν μπορούν να ελεγχθούν πλήρως, όντας πολύ σκοτεινές ή αντίθετα ενοχλητικά φωτεινές, αυτό δυσκολεύει κατά πολύ τους αλγόριθμους επεξεργασίας. Έτσι πολλές φορές είναι πιο χρήσιμο να έχουμε την πληροφορία για τις ακμές, τα «όρια» των αντικειμένων που περιέχει η εικόνα παρά την ίδια τη τιμή της φωτεινότητάς τους. Έτσι αναπτύχθηκε μια κατηγορία αλγόριθμων επεξεργασίας εικόνας που συνήθως τροφοδοτεί τους υπόλοιπους αλγόριθμους μιας εφαρμογής, οι αλγόριθμοι ανίχνευσης ακμών. Η πλήρης διαδικασία ανίχνευσης ακμών μπορεί να χρειαστεί μέχρι τρία στάδια, ανάλογα με τις απαιτήσεις της κάθε εφαρμογής, την εξομάλυνση της εικόνας, τη διαδικασία διαφόρισης της καθώς και εφαρμογή ενός κατωφλίου (threshold). Σο κρίσιμο και πολλές φορές το μόνο απαραίτητο μέρος της διαδικασίας ανίχνευσης είναι η διαφόριση. Ουσιαστικά μια ακμή σε μια εικόνα είναι μια έντονη μεταβολή στην τιμή γειτονικών pixels, δηλαδή μια μεγάλη τιμή στην κλίση. Για να πάρουμε την κλίση υπάρχουν διάφορες μέθοδοι, καθεμιά από τις οποίες προσφέρεται για διάφορες εφαρμογές. Θα ασχοληθούμε με μια κατηγορία μεθόδων, αυτή της συνέλιξης προτύπου. ε αυτές τις τεχνικές το αποτέλεσμα παίρνεται εφαρμόζοντας έναν πίνακα πρότυπο σε κάθε pixel της εικόνας εισόδου και τη γειτονιά του. Σα στοιχεία του πίνακα (ο οποίος είναι συνήθως τετράγωνος και το μέγεθός του περιττό) πολλαπλασιάζονται με τις τιμές της γειτονιάς του pixel εισόδου και το άθροισμά τους μας δίνει ένα pixel εξόδου. Ένας τέτοιος τελεστής είναι και ο Sobel ο οποίος αποτελείται από 2 πίνακες (έναν για κάθε κατεύθυνση). Ο Sobel είναι βελτίωση του τελεστή Prewitt και είναι πολύ δημοφιλής, καθώς είναι απλός και δίνει αρκετά καλύτερα αποτελέσματα από τον Prewitt. Σο κύριο πλεονέκτημα του τελεστή Sobel είναι ότι έχει πολλαπλασιασμούς μόνο με το 2, οπότε η υλοποίησή του μπορεί να γίνει ταχύτατη αφού υλοποιείται μέσω μόνο προσθέσεων και αφαιρέσεων. Αυτοί οι τελεστές μπορούν να παραχθούν και σε μεγάλο μέγεθος, δίνοντας καλύτερα αποτελέσματα. Ένα παράδειγμα εφαρμογής του τελεστή Sobel σε μια από τις εικόνες μας είναι το παρακάτω :

56 Σ ε λ ί δ α 56 χήμα 5.2 : Αρχική εικόνα εισόδου χήμα 5.3 : Εύρεση ακμών με μέθοδο Sobel

57 Σ ε λ ί δ α Εφαρμογή ανίχνευσης ακμών στην μέθοδό μας την περίπτωσή μας, θεωρούμε ότι μετά τον ορισμό των αποστάσεων των συγκεκριμένων σημείων που έχουμε προεπιλέξει, εφαρμόζουμε ανίχνευση ακμών με τον τελεστή Sobel, παράγοντας έτσι ένα αποτέλεσμα αντίστοιχο του προηγούμενου παραδείγματος. ε αυτό λοιπόν το αποτέλεσμα, προσπαθούμε να ανιχνεύσουμε πιθανές ακμές στα προεπιλεγμένα σημεία, θεωρώντας πως ορατότητα ενός σταθερού αντικειμένου συνεπάγεται και ταυτόχρονη παρουσία ακμών, οι οποίες αναδεικνύονται από την εφαρμογή του τελεστή Sobel. Ξεκινούμε πάντα από το μακρινότερο σε απόσταση σημείο, και σε περίπτωση που δεν έχουμε ακμές άρα και ορατότητα, προχωρούμε σταδιακά σε μικρότερης απόστασης σημεία. ε κάθε περίπτωση, οφείλουμε να αναφέρουμε ότι πιθανή ύπαρξη ήλιου (ειδικά κοντά ή και ακριβώς στο σημείο ζενίθ της εικόνας μας) ελαττώνει κατά πολύ την ακρίβεια των μετρήσεών μας, αφού αλλοιώνει την οξύτητα και την υφή των ακμών. Κάτι αντίστοιχο συμβαίνει και στην περίπτωση βροχής, όπου πλέον θεωρούμε πως μια τέτοιου είδους μέτρηση είναι άτοπη αφού τα σταγονίδια παραμορφώνουν τα προς μελέτη σημεία σε πολύ μεγάλο βαθμό. Ας δούμε μερικά παραδείγματα και το αποτέλεσμα που εξάγει ο αλγόριθμός μας σχετικά με την χιλιομετρική ορατότητα, μέτρηση η οποία θα είναι κβαντισμένη στις τιμές απόστασης των προεπιλεγμένων σημείων. Προφανώς για καλύτερη και ακριβέστερη μέτρηση, προσπαθούμε να έχουμε πολλά σημεία με αποστάσεις όσο το δυνατόν γραμμικά αυξανόμενες.

58 Σ ε λ ί δ α 58 ΠΕΡΙΠΣΨΗ 1 χήμα 5.4 : Αρχική εικόνα εισόδου χήμα 5.5 : Σελική εικόνα (μετασχηματισμένη) Visibility : 2 km

59 Σ ε λ ί δ α 59 ΠΕΡΙΠΣΨΗ 2 χήμα 5.6 : Αρχική εικόνα εισόδου χήμα 5.7 : Σελική εικόνα (μετασχηματισμένη) Visibility : 5.9 km

60 Σ ε λ ί δ α 60 ΠΕΡΙΠΣΨΗ 3 χήμα 5.8 : Αρχική εικόνα εισόδου Visibility : Cannot be measured because of camera noise (raindrops) 5.3 Ανάλυση παραμέτρων και μεθόδου 2 ης λύσης Η βάση για να μπορέσουμε να υλοποιήσουμε τη μέθοδο αυτή σε αντίθεση με την προηγούμενη είναι η εκ των προτέρων γνώση της μέγιστης θεωρητικής απόστασης στην οποία το μάτι μας μπορεί να διακρίνει ευκρινώς σταθερά αντικείμενα. την συνέχεια, επιλέγουμε δυο σταθερά σημεία, μη μεταβαλλόμενα από τη χρονική στιγμή της λήψης της φωτογραφίας, τα οποία όμως επιλέγουμε να έχουν όσο το δυνατόν μεγαλύτερο εύρος χρωματικού φάσματος μέσα στα όρια του σχήματός τους. Με άλλα λόγια, επιλέγουμε δυο σημεία στα οποία σε ιδανικές ατμοσφαιρικές

61 Σ ε λ ί δ α 61 συνθήκες και ιδανική λήψη φωτογραφίας, τα χρώματα από τα οποία αποτελούνται είναι ευδιάκριτα και σαφώς αναγνωρίσιμα. την συνέχεια βρίσκουμε από τη βάση μας μια τέτοια περίπτωση και μετρούμε σε αυτήν την τυπική απόκλιση των χρωμάτων στα συγκεκριμένα σημεία, αναμένοντας υψηλές τιμές, αφού σε τέλειες συνθήκες ορατότητας ο παρατηρητής είναι σε θέση να διακρίνει με ευκολία τα συγκεκριμένα χρώματα των επιλεγμένων στόχων. την κατάσταση αυτή λοιπόν, θεωρούμε ότι η ορατότητα της εν λόγω εικόνας είναι η μέγιστη θεωρητική που αναφέραμε προηγουμένως. Με βάση λοιπόν αυτές τις μετρήσεις μας, είμαστε πλέον σε θέση να υπολογίσουμε την ορατότητα σε κάθε δυνατή περίπτωση, συγκρίνοντας το εκάστοτε αποτέλεσμα με το ιδανικό και βγάζοντας ένα ποσοστό το οποίο μας οδηγεί στο αντίστοιχο χιλιομετρικό αποτέλεσμα της ορατότητας. Οφείλουμε να αναφέρουμε ότι σε κακές συνθήκες (οι οποίες έχουν αναπαραχθεί είτε από τεχνητή αδυναμία κακές συνθήκες λήψης είτε από ακραία καιρικά ή ατμοσφαιρικά φαινόμενα), το ανθρώπινο μάτι δεν μπορεί να διακρίνει τα διαφορετικά χρώματα αλλά βλέπει ένα γενικευμένο γκρι αντί αυτών. την περίπτωσή μας έχουμε θεωρήσει σαν σταθερά σημεία αναφοράς τα παρακάτω πλαίσια. χήμα 5.9 : Επιλεγμένα πλαίσια - πρότυπα

62 Σ ε λ ί δ α 62 Όπως παρατηρούμε, και στα δυο σημεία υπάρχει μια σαφής διασπορά χρωματικού φάσματος αφού στο κάτω σημείο έχουμε τρία βασικά χρώματα στο κτίριο και στο πάνω, οι ραβδώσεις του δρόμου δημιουργούν μια διαβάθμιση στο γκρι χρώμα. Εδώ αναφέρουμε ότι στο χαμηλότερο πλαίσιο υλοποιούμε εύρεση τυπικής απόκλισης στον RGB διανυσματικό χώρο ενώ στο ανώτερο πλαίσιο, βρίσκουμε την τυπική απόκλιση του γκρίζου χρώματος. Εντέλει, συγκρίνουμε με τις μετρήσεις των ιδανικών συνθηκών και βρίσκουμε το ποσοστό της μέγιστης δυνατής ορατότητας. Ας δούμε την εφαρμογή της περιπτώσεις. μεθόδου αυτής σε συγκεκριμένες ΠΕΡΙΠΣΨΗ 1 χήμα 5.10 : Αρχική εικόνα εισόδου Visibility : 5.9 km (maximum)

63 Σ ε λ ί δ α 63 Η παραπάνω φωτογραφία αξίζει να αναφερθεί πως αποτελεί το κριτήριο με βάση το οποίο γίνονται όλες οι συγκρίσεις και οι εξαγωγές των αποτελεσμάτων σε κάθε άλλη περίπτωση. Ο λόγος που επιλέχθηκε είναι ότι και στα δυο πλαίσια τα χρώματα έχουν την μεγαλύτερη δυνατή τυπική απόκλιση, αφού είναι εμφανές ότι το ανθρώπινο μάτι αναγνωρίζει την διαφορετικότητα της υφής και της απόχρωσης των προς μελέτη πλαισίων. ΠΕΡΙΠΣΨΗ 2 χήμα 5.11 : Αρχική εικόνα εισόδου Visibility : 3.6 km

64 Σ ε λ ί δ α 64 ΠΕΡΙΠΣΨΗ 3 χήμα 5.12 : Αρχική εικόνα εισόδου Visibility : 0.4 km 5.4 Εύρεση RGB συνιστωσών σημείου zenith Ένα από τα ζητούμενα εξ αρχής ήταν ο εντοπισμός του σημείου zenith της κάθε εικόνας και η εύρεση των τιμών των Red, Green και Blue συνιστωσών του. Εμείς για κάθε εικόνα παραθέτουμε τα παραπάνω με τη διαφορά ότι ορίζουμε το σημείο zenith να αποτελείται από το κεντρικό pixel της κάθε εικόνας και τα 8 γειτονικά του κυκλικά, συνεπώς οι μετρήσεις που παραθέτουμε στην περίπτωση που το pixel δεν είναι μέρος από σύννεφο αλλά καθαρός ουρανός αφορούν το μέσο όρο των μετρήσεων των τιμών και των 9 pixel.

65 Σ ε λ ί δ α 65 Κεφάλαιο 6 Παρουσίαση παραδειγμάτων και τελικών πειραματικών αποτελεσμάτων 6.1 Εισαγωγή Περίληψη το παρόν κεφάλαιο παρουσιάζουμε κατ αρχάς την πολιτική με την οποία κάναμε τη δειγματοληψία των εικόνων της βάσης μας από το σύνολο των φωτογραφιών που είχαμε. Προσπαθήσαμε να συμπεριλάβουμε όσο το δυνατόν μεγαλύτερη ποικιλία χαρακτηριστικών και γνωρισμάτων που συναντήσαμε στο αρχικό δείγμα μας, με συνέπεια οι τελικές εικόνες που επιλέχθηκαν να αποτελέσουν και την πειραματική μας βάση δεδομένων. Έπειτα παρουσιάζουμε ενδεικτικά τα αποτελέσματα από συγκεκριμένες περιπτώσεις, δηλαδή την έξοδο των αλγορίθμων που έχουμε υλοποιήσει στο Matlab και τέλος παραθέτουμε τα συνολικά ποσοστά επιτυχίας των μετρήσεών μας σε όλες τις φωτογραφίες της βάσης μας.

66 Σ ε λ ί δ α Δειγματοληψία εικόνων βάσης Η βάση των εικόνων που κατείχαμε σαν εναρκτήρια πειραματική προσέγγιση των ερωτημάτων που θέτουμε στην παρούσα διπλωματική εργασία περιελάμβανε εικόνες που όπως προείπαμε στον πρόλογο, αναπαρήχθησαν ανά δέκα λεπτά σε δυάδες (μια με φωτεινό φωτογραφικό φίλτρο και μια με πιο σκοτεινό εμείς επεξεργαζόμαστε πάντα εικόνες που έχουν παρθεί με φωτεινό), για κάποιους συγκεκριμένους μήνες ενός χρόνου. Αρχικά έπρεπε να πραγματοποιήσουμε τη διαπέραση όλων των εικόνων έτσι ώστε να καταγράψουμε όσο το δυνατόν περισσότερες δυνατές καταστάσεις, οι οποίες σχετίζονται με αλλαγές στην ώρα, στις κλιματολογικές και περιβαλλοντικές συνθήκες καθώς και σε αστάθμητους παράγοντες καθώς και αδυναμίες του μηχανισμού της καταγραφής. Έπρεπε λοιπόν, και αφού στόχος μας παραμένει η δημιουργία ενός real time μηχανισμού ανάλυσης διαφόρων παραμέτρων, να συμπεριλάβουμε στην πειραματική διαδικασία αλλά και στην δημιουργία των αλγορίθμων μας καταστάσεις οι οποίες εκ πρώτης όψεως δείχνουν οριακές και ασυνήθιστες, παραμένουν όμως απολύτως ρεαλιστικές και συχνές. υνεπώς, επιλέξαμε εν τέλει ογδόντα εικόνες οι οποίες περιλαμβάνουν καθαρές εικόνες από υγρασία, με νέφη ή χωρίς, εικόνες που έχουν θόρυβο από συνθήκες υγρασίας, βραδινές ή χαμηλότερου φωτισμού περιπτώσεις, βροχερές καθώς και εικόνες με σταγονίδια βροχής ενώ δεν υπήρχε βροχόπτωση. Η αναλογία των κατηγοριών αυτών παραμένει αντίστοιχη αυτής του συνόλου που είχαμε αρχικά. το συνοδευτικό υλικό της εργασίας, παραθέτουμε το επιλεγμένο σύνολο, το οποίο εν τέλει αποτελεί και το κριτήριο αξιολόγησης των αλγορίθμων μας, την οποία και παρουσιάζουμε παρακάτω.

67 Σ ε λ ί δ α Παρουσίαση ενδεικτικών αποτελεσμάτων Παρακάτω δίνουμε την έξοδο των προγραμμάτων μας που υλοποιήθηκαν στο Matlab, για συγκεκριμένες περιπτώσεις τις οποίες και θεωρούμε αντιπροσωπευτικές ορισμένων καταστάσεων. χήμα 6.1 : Αρχική εικόνα εισόδου Image Properties ================ Sun Condition : Visible Sun Percentage : 100 percent Cloud Coverage : 4 percent Rain Condition : Not Rain Cloud Class : Cirrus Visibility : 5.9 km Zenith : Clear Red : 160 Green : 185 Blue : 229

68 Σ ε λ ί δ α 68 χήμα 6.2 : Αρχική εικόνα εισόδου Image Properties ================ Sun Condition : Visible Sun Percentage : 100 percent Cloud Coverage : 49 percent Rain Condition : Not Rain Cloud Class : Cirrocumulus-Altocumulus Visibility : 2 km Zenith : Clear Red : 123 Green : 157 Blue : 187

69 Σ ε λ ί δ α 69 χήμα 6.3 : Αρχική εικόνα εισόδου Image Properties ================ Sun Condition : Visible Sun Percentage : 86 percent Cloud Coverage : 76 percent Rain Condition : Not Rain Cloud Class : Cirrocumulus-Altocumulus Visibility : 1.2 km Zenith point : Cloudy (Cannot extract information for aerosol)

70 Σ ε λ ί δ α 70 χήμα 6.4 : Αρχική εικόνα εισόδου Image Properties ================ Sun Condition : Not Visible Cloud Coverage : 85 percent Rain Condition : Not Rain Cloud Class : Stratocumulus Visibility : 2 km Zenith point : Cloudy (Cannot extract information for aerosol)

71 Σ ε λ ί δ α 71 χήμα 6.5 : Αρχική εικόνα εισόδου Image Properties ================ Sun Condition : Visible Sun Percentage : 100 percent Cloud Coverage : 22 percent Rain Condition : Not Rain Cloud Class : Cumulus Visibility : 5.9 km Zenith : Clear Red : 103 Green : 122 Blue : 154

72 Σ ε λ ί δ α 72 χήμα 6.6 : Αρχική εικόνα εισόδου Image Properties ================ Sun Condition : Visible Sun Percentage : 100 percent Cloud Coverage : 30 percent Rain Condition : Not Rain Cloud Class : Cirrus Visibility : 2 km Zenith : Clear Red : 82 Green : 116 Blue : 162

73 Σ ε λ ί δ α 73 χήμα 6.7 : Αρχική εικόνα εισόδου Image Properties ================ Sun Condition : Not Visible Cloud Coverage : 100 percent Rain Condition : Rain Cloud Class : Cumulonimbus Visibility : Cannot be measured because of camera noise (raindrops) Zenith point : Cloudy (Cannot extract information for aerosol)

74 Σ ε λ ί δ α 74 χήμα 6.8 : Αρχική εικόνα εισόδου Image Properties ================ Sun Condition : Not Visible Cloud Coverage : 2 percent Rain Condition : Not Rain Cloud Class : Cirrus Visibility : 5.9 km Zenith : Clear Red : 26 Green : 52 Blue : 101

75 Σ ε λ ί δ α 75 χήμα 6.9 : Αρχική εικόνα εισόδου Image Properties ================ Sun Condition : Not Visible Cloud Coverage : 100 percent Rain Condition : Rain Cloud Class : Cumulonimbus Visibility : Cannot be measured because of camera noise (raindrops) Zenith point : Cloudy (Cannot extract information for aerosol)

76 Σ ε λ ί δ α 76 χήμα 6.10 : Αρχική εικόνα εισόδου Image Properties ================ Sun Condition : Not Visible Cloud Coverage : 100 percent Rain Condition : Rain Cloud Class : Cumulonimbus Visibility : Cannot be measured because of camera noise (raindrops) Zenith point : Cloudy (Cannot extract information for aerosol)

77 Σ ε λ ί δ α 77 χήμα 6.11 : Αρχική εικόνα εισόδου Image Properties ================ Sun Condition : Not Visible Cloud Coverage : 71 percent Rain Condition : Not Rain Cloud Class : Stratocumulus Visibility : 5.9 km Zenith point : Cloudy (Cannot extract information for aerosol)

78 Σ ε λ ί δ α 78 χήμα 6.12 : Αρχική εικόνα εισόδου Image Properties ================ Sun Condition : Visible Sun Percentage : 73 percent Cloud Coverage : 20 percent Rain Condition : Not Rain Cloud Class : Cumulus Visibility : 5.9 km Zenith : Clear Red : 65 Green : 97 Blue : 149