ΕΡΓΑΣΤΗΡΙΟ 7 ο : Ταξινομήσεις εικόνων Eπιβλεπόμενη ταξινόμηση

Transcript

1 ΕΡΓΑΣΤΗΡΙΟ 7 ο : Ταξινομήσεις εικόνων Eπιβλεπόμενη ταξινόμηση Όλες οι τεχνικές επιβλεπόμενης ταξινόμησης απαιτούν από το χρήστη να ορίσει περιοχές εκπαίδευσης και φασματικά ίχνη, από επιφάνειες που αντιστοιχούν σε βιοφυσικά καθαρά υλικά (δηλαδή να μην υπάρχει ανάμιξη κατηγοριών στο ίδιο εικονοστοιχείο. Καθαρά υλικά: Ένα εικονοστοιχείο μια εικόνας ανάλυσης 30Χ30 μέτρων (π.χ. Landsat), αντιστοιχεί στον πραγματικό κόσμο σε μια πραγματική επιφάνεια 900 τετραγωνικών μέτρων. Αν θελήσουμε να ορίσουμε περιοχές εκπαίδευσης, θα πρέπει η περιοχή με βάση την ανάλυση της εικόνας να μην αποτελείτε από μικτά στοιχεία (π.χ. χωράφι και δάσος, αστική ζώνη και υγρότοπος). Καθορισμός κατηγοριών κάλυψης περιοχών εκπαίδευσης Το βασικό πρόβλημα μας είναι ο αρχικός καθορισμός των κατηγοριών κάλυψης που θέλουμε να ταξινομήσουμε. Η επιλογή των περιοχών εκπαίδευσης πρέπει να γίνεται κατά τρόπο αντιπροσωπευτικό και η γνώση των χαρακτηριστικών της περιοχής να είναι ακριβής. Τι γίνεται όμως αν δεν γνωρίζουμε πολλά για την περιοχή; Στις περιπτώσεις που οι πληροφορίες του αναλυτή για μια περιοχή είναι ελλιπείς, σε βαθμό που δυσκολεύουν τον προσδιορισμό περιοχών εκπαίδευσης (στο εξής ROIs), τα νέφη διασποράς μπορούν να βοηθήσουν για να γίνει μια αρχική εκτίμηση των ROIs. Τα νέφη διασποράς φανερώνουν την συσχέτιση μεταξύ των δεδομένων που απεικονίζονται. Εάν μάλιστα «χρωματίσουμε» και τη συχνότητα εμφάνισης των θέσεων των εικονοστοιχείων θα έχουμε ένα διάγραμμα που όσο πιο θερμό είναι το χρώμα τόσο συχνότερα εμφανίζεται το ζεύγος τιμών Ορισμός ROI από Scatter plots Ανοίχτε την εικόνα της Ζακύνθου από τον κατάλογο LANDSATs_Images > LANDSATS_ENVI format > ZANTE το αρχείο ZANTE_06_08_2011 και προβάλετε το σε πραγματικό χρώμα. 45

2 Από το μενού της κύριας οθόνης επιλέγουμε Tools > 2D Scatter Plots και εξετάζουμε τις συσχετίσεις ανάμεσα στις μπάντες. Εδώ έχει επιλεγεί να δούμε τη σχέση ανάμεσα στην 1 η και 4 η μπάντα. Αν θέλουμε να τη δούμε με χρώματα, επιλέγουμε από το μενού του Scatter Plot το Options > Density Slice Δοκιμάστε και με άλλους συνδυασμούς και αναγνωρίστε ποιες σχετίζονται περισσότερο και ποιες λιγότερο. Σημειώστε τους συνδυασμούς και αποφασίστε ποιες είναι οι καλύτερες για να αναγνωρίσουμε διαφορετικές καθαρές περιοχές στην εικόνα μας με τη βοήθεια των νεφών τιμών. Βρείτε αυτή που θεωρείται ότι έχει μεγαλύτερη διασπορά και κάντε ένα μικρό πολύγωνο μέσα στο νέφος και κλείστε με δεξί κλικ το πολύγωνο. Θα εμφανιστεί δυναμικά η περιοχή στο χάρτη. Με δεξί κλικ μέσα στο διάγραμμα επιλέξτε νέα κλάση και κάντε άλλη περιοχή κλπ. Με αυτό τον τρόπο μπορούμε να βρούμε περιοχές (θεωρητικά άγνωστες σε εμάς, αλλά διακριτές με βάση τα νέφη τιμών). Τακτοποιήστε την επιφάνεια εργασίας ώστε να βλέπετε ταυτόχρονα την κύρια οθόνη και το διάγραμμα. Κάντε αριστερό κλικ σε οποιαδήποτε περιοχή της κύριας οθόνης και κρατώντας πατημένο το πλήκτρο του ποντικιού μετακινείστε τον κέρσορα. Παρατηρήστε τα pixels που τονίζονται (κόκκινο χρώμα) στο διάγραμμα και που μεταβάλλονται καθώς μετακινείτε το ποντίκι σας. Τα pixels που τονίζονται στο διάγραμμα αντιπροσωπεύουν μια επιφάνεια 10Χ10 pixels γύρω από τη θέση του κέρσορα στην κύρια οθόνη. Με αυτό τον τρόπο μπορούμε να κατανοήσουμε τη φασματική συμπεριφορά των pixels. 46

3 Ας κάνουμε στο παράδειγμα μας. Θέλουμε να ξεχωρίσουμε ελαιώνες με δασικές εκτάσεις. Αν μελετήσουμε τα καλύτερα Scatter Plors, εκείνο που ξεχωρίζει κάπως τις δύο κατηγορίες κάλυψης είναι ο συνδυασμός με τις μπάντες 3 και 4. Θα έχουμε το διπλανό διάγραμμα. Εντοπίστε στην εικόνα τις δασικές περιοχές και δείτε τις φασματικές τους υπογραφές στο νέφος τιμών. Δείτε όλο το εύρος. Ξεκινήστε να δημιουργείτε ένα μικρό πολυγωνάκι για να έχει μόνο δασικές περιοχές και όχι ελαιώνες. Αν κάνετε λάθος από το Scatter plot > Options > Clear class και από την αρχή. Θυμηθείτε ψάχνουμε περιοχές εκπαίδευσης και όχι να ταξινομήσουμε όλα τα pixels. Αν είμαστε ικανοποιημένοι με τα δασικά (κόκκινο πολύγωνο), πάμε να κάνουμε το ίδιο με τους ελαιώνες. Πατάμε (με δεξί κλικ) new class, ελέγχουμε που είναι οι ελαιώνες (ματζέντα) και κάνουμε ένα μικρό πολύγωνο (χωρίς να επιλέξουμε και γυμνές εκτάσεις). Επαναλαμβάνουμε το ίδιο για τους φρυγανότοπους (μπλε πολύγωνο). Για να εξάγετε τις παραπάνω περιοχές σε μορφή περιοχών εκπαίδευσης ROIs, που θα χρησιμοποιηθούν αργότερα για την καθοδηγούμενη ταξινόμηση της εικόνας, κάντε δεξί κλικ στην περιοχή του διαγράμματος και στο αναδυόμενο παράθυρο ζητήστε Export All. Εμφανίζεται το παράθυρο ROI Tool, όπου έχουν ενσωματωθεί οι τρεις κλάσεις που ορίστηκαν από το διάγραμμα νέφους παρατηρήσεων. Για κάθε κλάση αλλάξτε την ονομασία της κάνοντας διπλό αριστερό κλικ στο πεδίο ROI Name και δίνοντας ένα εύχρηστο όνομα. Στη συνέχεια πατήστε File > Save ROIs και θα εμφανισθεί το παράθυρο Save ROIs to File με διαθέσιμα προς αποθήκευση τα δύο ROIs. Πατήστε το Select All Items, ορίστε ένα όνομα για το αρχείο και τη διαδρομή αποθήκευσης και ολοκληρώστε πατώντας ΟΚ. Τα αρχεία του ENVI που περιέχουν ROIs αποθηκεύονται με την κατάληξη *.roi. 47

4 7.3. Ορισμός ROI από εικόνα Θα δημιουργήσουμε ROIs (περιοχές εκπαίδευσης) κατευθείαν πάνω στην εικόνα που δουλεύουμε. Φορτώστε την εικόνα σε πραγματικό χρώμα (αν δεν την έχετε ήδη) και από το μενού της κύριας εικόνας επιλέξτε Tools > Region of Interest > ROI Tool (εναλλακτικά από το βασικό μενού Basic Tools > Region of Interest > ROI Tool ). Αν σας εμφανίζει προηγούμενα ROIs να τα σβήσετε από το Delete ROI Στο παράθυρο ROI Tool που εμφανίζεται και από τις επιλογές Window καθορίζουμε από πια οθόνη θα ψηφιοποιήσουμε τα ROIs. Δηλώστε ως οθόνη εισαγωγής ROIs την οθόνη εστίασης Zoom για να έχουμε καλό έλεγχο των pixels. Θα δημιουργήσουμε ROIs για τις κλάσεις: Δασικές εκτάσεις, Φρυγανότοποι, Ελαιώνες, Αμπελώνες, Ξηρικοί αγροί, Αστική ζώνη. Ας ξεκινήσουμε από τα εύκολα. Αστική ζώνη. Εστιάστε στην πόλη της Ζακύνθου και από το παράθυρο του Zoom (μεγεθύνετε το 10x) και κάντε ένα πολυγωνάκι. Θα εμφανιστούν τα pixels στο ROI Tool και ονομάστε το ως ASTIKI_ZONI. Μετακινηθείτε σε άλλες περιοχές και κάντε και άλλα μικρά πολύγωνα (εκεί που ξέρετε ότι είναι κτίσματα). Αν κάνετε λάθος αφού κλείσει το πολύγωνο, πατάμε το μεσαίο πλήκτρο του ποντικιού και το σβήνουμε. ΠΡΟΣΟΧΗ: Στο True Color οι οικισμοί και οι αμμοθίνες φαίνονται άσπρα, οπότε προσέξετε μην βάλετε αμμοθίνες για οικισμούς. Αν θέλετε να δείτε ένα Pixel (επιλέγουμε το σταυρόνημα στην οθόνη Zoom για πλήρη έλεγχο) που ανήκει μπορείτε μέσω της κύριας οθόνης Tools > SPEAR > Google Earth > Jump to Location να πάμε στο σημείο αυτό στο Google Earth (αν σας βγει μια μαύρη οθόνη να τη σβήσετε για να τρέξει το Google Earth). Εδώ βλέπουμε ότι ανήκει σε χωράφι. Μπορούμε να αναγνωρίσουμε και τα γειτονικά pixels και να μελετήσουμε τη φασματική εικόνα και την πραγματικότητα. Επαναλάβετε το ίδιο με τις υπόλοιπες κλάσεις. Επειδή στην κλίμακα του Landsat το pixel 30 Χ 30 μ δεν μας δίνει την εικόνα του αντικειμένου, εξοικειωθείτε με τη φασματική υπογραφή των χρωμάτων. ΑΛΛΑ μην περιλάβετε μικτά pixels (από μίξη κατηγοριών). 48

5 Αν χρειαστεί κάντε και ψευδο-έγχρωμες αντί πραγματικού χρώματος. Πολλές φορές είναι πιο χρήσιμες. Κοιτάξτε την διαφορά (με μια εικόνα) Ορισμός ROI από Google Earth Μερικές φορές η διακριτική ικανότητα της δορυφορικής εικόνας δεν είναι κατάλληλη για να είμαστε σίγουροι ότι θα έχουμε καθαρά ROIs. Σε αυτή την περίπτωση μπορούμε να ψηφιοποιήσουμε πολύγωνα από εικόνες υψηλής ανάλυσης (π.χ. από το Google Earth) και το αποτέλεσμα των πολυγώνων να το εισάγουμε ως ROIs. Σε αυτή την περίπτωση βέβαια, θα πρέπει οι δύο αυτές εικόνες να είναι σχετικά κοντά από θέμα λήψης (π.χ. δεν μπορούμε να δημιουργήσουμε ROIs από εικόνα του και να θέλουμε να ταξινομήσουμε εικόνα του 1984). Ανοίγουμε το Google Earth και πηγαίνουμε στη Ζάκυνθο. Θα δημιουργήσουμε ROIs για την κλάση αμπελώνες (που είναι δύσκολο να την εντοπίσουμε αλλιώς). Ξεχωρίζουν από το μοτίβο των φυτών (παράλληλες γραμμές φυτών) και προσπαθούμε να βρούμε περιοχές μεγάλου πλάτους και μήκους. Αν έχουμε να δουλέψουμε π.χ. με δορυφορικές Landsat θα πρέπει να μην ψηφιοποιήσουμε σε μια περιφερειακή ζώνη μέτρων για να αποφύγουμε προβλήματα μικτών pixels. Οπότε πάμε και εντοπίζουμε μεγάλα αγροτεμάχια με αμπελώνες. Για να μετρήσουμε, χρησιμοποιούμε τον χάρακα στο Google Earth και για να τα εξάγουμε όλα μαζί φτιάχνουμε ένα φάκελο που το ονομάζουμε αμπελώνες. Από τη βασική μπάρα επιλέγουμε προσθήκη πολυγώνου και ψηφιοποιούμε εσωτερικά πολύγωνα (αποκλείοντας μια περιφερειακή ζώνη μέτρων). Και όταν το ολοκληρώσουμε δίνουμε ένα όνομα στο πολύγωνο και πατάμε ΟΚ. Το πολύγωνο θα εμφανιστεί στον πίνακα περιεχομένων και μέσα στο φάκελο μας. Αφού κάνουμε αρκετά ΑΛΛΑ ΣΩΣΤΑ θα πρέπει να είναι από διαφορετικές θέσεις για να έχουμε όλη την παραλλακτικότητα και είναι όλα μέσα στο φάκελο μας, τα εξάγουμε πατώντας πάνω στο όνομα του φακέλου και με δεξί κλικ Αποθήκευση μέρους ως και δίνουμε διαδρομή και όνομα. Το αρχείο θα σωθεί ως kmz. 49

6 Για να εισάγουμε αυτά τα πολύγωνα ως ROIs θα πρέπει πρώτα να τα κάνουμε διανυσματικά αρχεία που διαβάζει το πρόγραμμα. Γι αυτό μέσα από το ArcMap και Conversion Tools > From KML > KML To Layer μετατρέπουμε το αρχείο σε shape file και θα εμφανιστούν τα πολύγωνα μας κάτω από μια γεωβάση. Εξάγουμε τα πολύγωνα σε μια δική μας θέση στον Η/Υ ως shape file. Εισάγουμε αυτό το αρχείο μέσα στο ΕNVI από το Βασικό Μενού και Open Vector File (ως shape file) και από το Available Vector List που θα εμφανιστεί, επιλέγουμε File > Export Layers to ROI. Μας ζητάει με ποια εικόνα θα το συσχετίσει και επιλέγουμε αυτήν που δουλεύουμε (και προσπαθούμε να κάνουμε ROIs). Θα μας ζητήσει να κάνει όλα τα πολύγωνα ένα ROI ή κάθε πολύγωνο και άλλο ROI. Τι λέτε; Μόλις πατήσουμε ΟΚ, θα εμφανιστεί αυτή κλάση ROI μέσα στο ROI Tool, όπου ήδη υπήρχαν κάποια πολύγωνα της αστικής ζώνης (που κάναμε με ψηφιοποίηση στην οθόνη). Θυμάστε τα νέφη τιμών; Αν βρούμε και τα πευκοδάση από εκεί και κάνουμε export class, στο ROI Tool θα έχουμε τρία ROI συλλεγμένα από τρεις διαφορετικούς τρόπους!!! ΧΡΗΣΙΜΟΠΟΙΟΥΜΕ ΠΑΝΤΑ ΤΗΝ ΜΕΘΟΔΟ (Η ΣΥΝΔΥΑΣΜΟ ΤΟΥΣ) ΠΟΥ ΜΑΣ ΔΙΝΕΙ ΤΑ ΠΙΟ ΑΣΦΑΛΗ ΚΑΙ ΚΑΘΑΡΑ ΑΠΟΤΕΛΕΣΜΑΤΑ. 50

7 ΒΑΣΙΚΑ ΕΡΩΤΗΜΑΤΑ 1. Όταν συλλέγουμε πολύγωνα (και pixels) υπάρχει κάποιος κανόνας για τι ποσοστό ανά κατηγορία, αν πρέπει να είναι ισομεγέθη κλπ. Στην περίπτωση που ο ταξινομητής είναι Maximum Likehood ο κανόνας για το μέγεθος της περιοχής εκπαίδευσης κάθε κλάσης είναι: max αριθμός pixels = αριθμός καναλιών που συμμετέχουν στην ταξινόμηση Χ 100 min αριθμός pixels = αριθμός καναλιών που συμμετέχουν στην ταξινόμηση Χ 50 Επομένως ένας συντελεστή μεταξύ 75 και 100 ο οποίος θα είναι σταθερός και κοινός για κάθε περιοχή εκπαίδευσης. Οπότε αν είναι έξι κανάλια, τότε κάθε κατηγορία θα πρέπει να έχει pixels. 2. Το πολύγωνο στα ROI (για να έχουμε σωστότερη ταξινόμηση) πρέπει να είναι σχετικά μεγάλο για να ενσωματώνει διάφορες τιμές υπογραφής της ίδιας κατηγορίας, ή να είναι λίγα pixels αλλά πολλά πολύγωνα με καθαρότερη και αντιπροσωπευτικότερη υπογραφή; Κάθε ROI (περιοχή εκπαίδευσης) μπορεί να αποτελείται από ένα ή περισσότερα πολύγωνα. Για καλύτερη την αντιπροσωπευτικότητα: Μπορούμε να έχουμε διάσπαρτα πολύγωνα που στο σύνολό τους αντιπροσωπεύουν το ίδιο υλικό και να συνθέτουν ένα ROI. Να προσέξουμε τα επιμέρους πολύγωνα να αφορούν την ίδια κάλυψη γης και όχι παραπλήσια (π.χ. όχι μικτό δάσος και αμιγές επειδή μας "φαίνεται" η ίδια απόχρωση). Πάντοτε να επιβεβαιώνουμε την ομοιογένεια των τιμών των εικονοστοιχείων κάθε ROI με το εργαλείο STATS από το παράθυρο ROI Tool. Εξετάζουμε το ιστόγραμμα κάθε καναλιού του κάθε ROI αν έχει χαρακτηριστικά (ή τείνει να έχει) κανονικής κατανομής. 51