Συγχώνευση Εικόνων XS SPOT4 και PAN SPOT2 και Eκτίμηση της Φασματικής Ποιότητας των Προϊόντων

Τεχν Χρον Επιστ Έκδ ΤΕΕ, Ι, τεύχ 3 2002, Tech Chron Sci J TCG, I, No 3 9 Συγχώνευση Εικόνων XS SPOT4 και PAN SPOT2 και Eκτίμηση της Φασματικής Ποιότητας των Προϊόντων Μ ΤΣΑΚΙΡΗ-ΣΤΡΑΤΗ Μ ΠΑΠΑΔΟΠΟΥΛΟΥ Ο ΓΕΩΡΓΟΥΛΑ Αν Καθηγήτρια ΑΠΘ Αν Καθηγήτρια ΑΠΘ Επίκ Καθηγήτρια ΑΠΘ Περίληψη Σκοπός της εργασίας αυτής ήταν η αξιολόγηση τριών τεχνικών συγχώνευσης δορυφορικών εικόνων και ο εντοπισμός της καταλληλότερης από τις τρεις για εφαρμογές σε δασικές περιοχές Η αξιολόγηση έγινε μέσω της εκτίμησης της φασματικής ποιότητας των προϊόντων Η συγχώνευση έγινε μεταξύ μιας παγχρωματικής εικόνας PAN του SPOT2 (10 m) και μιας πολυφασματικής XS του SPOT4 (20 m), από το καμένο περιαστικό δάσος της Θεσσαλονίκης Σέιχ-Σου Εφαρμόστηκε: α) ο μετασχηματισμός στις κύριες συνστώσες, β) ο πολλαπλασιασμός των διαύλων και γ) ο μετασχηματισμός Brovey Ο έλεγχος των προϊόντων έγινε αφενός μέσω στατιστικών κριτηρίων που προτείνονται στη διεθνή βιβλιογραφία, και αφετέρου μέσω ενός νέου κριτηρίου, που χρησιμοποιεί το δείκτη NDVI και το οποίο προτείνεται στην παρούσα εργασία Το κριτήριο του δείκτη NDVI εφαρμόστηκε με βάση το γεγονός, ότι ο συγκεκριμένος δείκτης παίζει σημαντικό ρόλο σε εφαρμογές που αφορούν σε μια δασική περιοχή, όπως είναι η περιοχή μελέτης Οι τρεις τεχνικές συγχώνευσης αξιολογήθηκαν μέσω των αποτελεσμάτων όλων των ελέγχων Αποτελεσματικότερη μέθοδος για τη δασική περιοχή μελέτης απεδείχθη ο μετασχηματισμός στις κύριες συνιστώσες ΕΙΣΑΓΩΓΗ Το συνεχώς αυξανόμενο πλήθος των εικόνων της γήινης επιφάνειας με διαφορετική ραδιομετρική, γεωμετρική και φασματική ανάλυση και με διαφορετικό χρόνο λήψης, δημιούργησε την ανάγκη της συγχώνευσης (fusion ή merging) των εικόνων αυτών για την κατά το δυνατόν καλύτερη εκμετάλλευση των πληροφοριών που περιέχουν Η συγχώνευση εικόνας μεγάλης χωρικής ανάλυσης με εικόνα μεγάλης φασματικής ανάλυσης, δημιουργεί μία νέα σύνθετη εικόνα, η οποία έχει τα καλύτερα χαρακτηριστικά από κάθε αρχική Η συγχώνευση μεταξύ εικόνων επιτυγχάνεται μέσω μαθηματικού μετασχηματισμού Απαραίτητη προϋπόθεση για τη δυνατότητα συγχώνευσης των εικόνων, είναι η εγγραφή της πολυφασματικής εικόνας στην εικόνα υψηλής χωρικής ανάλυσης, με σκοπό τη χωρική ταύτιση των αντίστοιχων ψηφίδων τους Στην περίπτωση που οι εικόνες καλύπτουν ορεινή περιοχή με έντονο ανάγλυφο, προηγείται η ορθοαναγωγή τους σε ένα χαρτογραφικό σύστημα αναφοράς (βλ 2 και 4) Στη συνέχεια, για την ταύτισή τους, ακολουθεί και η εγγραφή της εικόνας με τη χαμηλότερη χω- Υποβλήθηκε: 2632001 Έγινε δεκτή: 1102002 ρική ανάλυση στην εικόνα με την υψηλότερη Τέλος, οι δύο εικόνες πριν από τη συγχώνευση, πρέπει να αποκτήσουν την ίδια διάσταση ψηφίδας και ραδιομετρική ισορροπία [22] Το ευρύ φάσμα εφαρμογών της σύνθετης εικόνας, αποτέλεσε πηγή μεγάλου ενδιαφέροντος για την ανάπτυξη τεχνικών συγχώνευσης εικόνων ([1], [3], [5], [7], [8], [17], [18], [20], [24], [26], [28], [29], [30], [31]) καθώς και τεχνικών εκτίμησης της ποιότητας των σύνθετων εικόνων ([1], [17], [19], [20], [27], [30], [31]) Στη συγκεκριμένη εργασία, η συγχώνευση έγινε μεταξύ μιας παγχρωματικής εικόνας PAN του SPOT2 και της αντίστοιχης πολυφασματικής XS του SPOT4 Οι εικόνες αυτές απεικονίζουν το περιαστικό ορεινό δάσος Σέιχ-Σου της Θεσσαλονίκης, αμέσως μετά την πυρκαγιά του 1997, κατά την οποία καταστράφηκε το μεγαλύτερο μέρος του Η περιοχή του Σέιχ-Σου επελέγη, διότι αποτελεί χώρο ζωτικής σημασίας για την πόλη της Θεσσαλονίκης Έτσι, υπάρχει έντονο το ενδιαφέρον για την αξιοποίηση του υπάρχοντος πολυφασματικού υλικού, προκειμένου να γίνει η λεπτομερής χαρτογράφηση της δασικής περιοχής, με σκοπό την περαιτέρω προστασία της και την πρόληψη από νέα καταστροφή Παράλληλα, το γεγονός ότι οι μελέτες περιαστικών δασών, και μάλιστα ορεινών, απαιτούν δεδομένα με μεγαλύτερη χωρική ανάλυση σε σχέση με τις άλλες δασικές περιοχές ([5], [6]), κίνησε το ενδιαφέρον τόσο για τη χρήση της πολυφασματικής εικόνας ΧS του SPOT4, αντί της εικόνας TM του Landsat, που συνήθως χρησιμοποιείται σε παρόμοιες εφαρμογές, όσο και για την περαιτέρω αύξηση της χωρικής της ανάλυσης, μέσω της συγχώνευσής της με την PAN Με σκοπό την επίτευξη του καλύτερου φασματικού αποτελέσματος κατά τη συγχώνευση, δοκιμάστηκαν τρεις τεχνικές, τα αποτελέσματα των οποίων αξιολογήθηκαν, προκειμένου να επιλεγεί η καταλληλότερη για τις παραπάνω εφαρμογές Οι τεχνικές αυτές είναι: α) ο μετασχηματισμός στις κύριες συνιστώσες, β) ο πολλαπλασιασμός και γ) ο μετασχηματισμός Brovey (βλ 5) Η εκτίμηση της φασματικής ποιότητας των σύνθετων εικόνων έγινε αφενός μέσω κριτηρίων γνωστών από τη διεθνή βιβλιογραφία ([20], [27]) και αφετέρου μέσω ενός επί πλέον κριτηρίου, που προτείνεται

10 Τεχν Χρον Επιστ Έκδ ΤΕΕ, Ι, τεύχ 3 2002, Tech Chron Sci J TCG, I, No 3 στη συγκεκριμένη εργασία, και το οποίο στηρίζεται στο γεγονός ότι η όλη διαδικασία της συγχώνευσης έχει ως τελικό σκοπό εφαρμογές σε δασική περιοχή 2 ΔΕΔΟΜΕΝΑ Τα δορυφορικά δεδομένα που χρησιμοποιήθηκαν είναι μία παγχρωματική υψηλής χωρικής ανάλυσης εικόνα PAN, του δορυφόρου SPOT2 με διάσταση ψηφίδας 10 m και ημερομηνία λήψης 12 Αυγούστου 1997 και μία πολυφασματική υψηλής φασματικής ανάλυσης εικόνα XS, του δορυφόρου SPOT4, με διάσταση ψηφίδας 20 m και ημερομηνία λήψης 10 Αυγούστου 1998 Το κύριο χαρακτηριστικό της εικόνας XS του SPOT4 είναι η ύπαρξη και τέταρτου διαύλου, ο οποίος είναι ευαίσθητος στην υπέρυθρη περιοχή 158-174μm Σε κάθε εικόνα (σχ 1, 2) απομονώθηκε και μελετήθηκε μόνον η δασική περιοχή του Σέιχ-Σου Για την ορθοαναγωγή των εικόνων, η οποία είναι απαραίτητη καθώς οι εικόνες καλύπτουν ορεινή περιοχή, χρησιμοποιήθηκε ψηφιακό μοντέλο εδάφους στην προβολή UTM, το οποίο δημιουργήθηκε από τη Λιόντα, 1999 ([13]) με φωτογραμμετρική διαδικασία και με χρήση αεροφωτογραφιών κλίμακας 1:10000 Οι αεροφωτογραφίες ελήφθησαν αμέσως μετά την πυρκαγιά της 6 ης Ιουλίου 1997 Χρησιμοποιήθηκε το λογισμικό Erdas/Imagine 84 καθώς και λογισμικό, το οποίο αναπτύχθηκε στα πλαίσια της εργασίας, για τους στατιστικούς ελέγχους της 613 3 Η ΚΑΤΑΛΛΗΛΟΤΗΤΑ ΤΗΣ XS SPOT4 ΓΙΑ ΜΕΛΕΤΗ ΔΑΣΙΚΩΝ ΠΕΡΙΟΧΩΝ Μέχρι σήμερα θεωρείται ως η καταλληλότερη εικόνα για εφαρμογές δασικών περιοχών η πολυφασματική ΤΜ με χωρική ανάλυση 30 m Σχήμα 1: Η εικόνα ΡΑΝ του δορυφόρου SPOT2 Fig1: PAN image from SPOT2 satellite µ 2: XS SPOT4 (R=XS4, G=XS2 Σχήμα 2: Η εικόνα XS του δορυφόρου SPOT4 (R=XS4, G=XS2 και B =XS1) Fig2: XS image from SPOT4 satellite (R=XS4, G=XS2 and B=XS1) H λήψη της νέας πολυφασματικής εικόνας XS του SPOT4 με μεγαλύτερη φασματική ανάλυση (τέσσερις δίαυλοι) από τις προηγούμενες πολυφασματικές εικόνες του δορυφόρου SPOT, και με υψηλότερη χωρική ανάλυση σε σχέση με τα πολυφασματικά δεδομένα ΤΜ Landsat, προκάλεσε το ενδιαφέρον για τη διερεύνηση της δυνατότητας χρήσης της για εφαρμογές δασικών περιοχών στη θέση της ΤΜ Οι δίαυλοι ΤΜ1 και ΤΜ3, της πολυφασματικής εικόνας ΤΜ, υφίστανται μεγαλύτερη απορρόφηση από τη χλωροφύλλη, με αποτέλεσμα τη μείωση της ανακλαστικότητας Αντίθετα, η ανακλαστικότητα αυξάνεται στους διαύλους ΤΜ2 και TM4 Οι δίαυλοι ΤΜ5 και ΤΜ7 είναι περισσότερο ευαίσθητοι στη βιομάζα και στην περιεχόμενη υγρασία των φύλλων και συνεπώς στην πράσινη φυτοκάλυψη/ βλάστηση Ο ΤΜ1, λόγω της ευαισθησίας του στις ατμοσφαιρικές επιδράσεις, είναι λιγότερο κατάλληλος σε δασικές εφαρμογές Επειδή οι δίαυλοι ΤΜ5 και ΤΜ7 είναι πολύ συσχετισμένοι, συνήθως προτιμάται ο ΤΜ5 Ως εκ τούτου, οι δίαυλοι ΤΜ2, ΤΜ3, ΤΜ4 και ΤΜ5 περιέχουν την περισσότερη και καταλληλότερη πληροφορία για δασικές εφαρμογές ([2], [21], [29]) Εάν οι τέσσερις δίαυλοι της πολυφασματικής εικόνας XS του SPOT4 συγκριθούν φασματικά με τους διαύλους του ΤΜ, παρατηρείται ότι οι δίαυλοι XS1,2,3 και 4 είναι αντίστοιχοι των ΤΜ2,3,4 και 5 (πιν1, 2), πράγμα που σημαίνει ότι δίνουν την ίδια πληροφορία Επομένως, είναι προφανές, ότι η πολυφασματική εικόνα SPOT4 είναι κατάλληλη για δασικές εφαρμογές

Τεχν Χρον Επιστ Έκδ ΤΕΕ, Ι, τεύχ 3 2002, Tech Chron Sci J TCG, I, No 3 11 Πίνακας 1: Φασματική αντιστοιχία των διαύλων των πολυφασματικών εικόνων TM και XS Table 1: Spectral equivalence between the corresponding bands of TM and XS multispectral images M, Landsat XS SPOT1,2,3 XS SPOT4 1 045-052 B 2 052-060 G 050-059 G 050-059 G 3 063-069 R 061-068 R 061-068 R 4 076-090 IR 079-089 IR 079-089 IR 5 155-175 IR 150-170 IR 6 104-125 IR 7 208-235 IR μέθοδος αυτή υπολογίζει τις νέες τιμές των ψηφίδων μέσω των αθροιστικών ιστογραμμάτων των δύο εικόνων Η διαδικασία της προσαρμογής βασίστηκε στο σύνολο των ψηφίδων Τέλος, η εικόνα XS μέσω της επαναδειγματοληψίας κατά την εγγραφή της στην παγχρωματική, υπέστη αύξηση της χωρικής της ανάλυσης από τα 20 στα 10 m, προκειμένου οι προς συγχώνευση εικόνες να αποκτήσουν το ίδιο μέγεθος ψηφίδας Για την επαναδειγματοληψία της XS χρησιμοποιήθηκε η δικυβική παρεμβολή 5 ΜΕΘΟΔΟΙ ΣΥΓΧΩΝΕΥΣΗΣ Πίνακας 2: Φασματική συμπεριφορά των διαύλων των πολυφασματικών εικόνων TM και XS Table 2: Spectral behaviour of the bands of the multispectral images TM and XS TM XS φασματική συμπεριφορά TM2, G XS1, G Έχει μικρότερη απορρόφηση από τη χλωροφύλλη TM3, R XS2, R Έχει μεγαλύτερη απορρόφηση από τη χλωροφύλλη TM4, IR XS3, IR Έχει μικρότερη απορρόφηση από τη χλωροφύλλη TM5, IR XS4, IR Έχει ευαισθησία στη βιομάζα, στην περιεκτικότητα των φύλλων σε νερό και στην πράσινη βλάστηση 4 ΠΡΟΕΠΕΞΕΡΓΑΣΙΑ ΤΩΝ ΕΙΚΟΝΩΝ Επειδή η περιοχή μελέτης παρουσιάζει έντονο ανάγλυφο, προηγήθηκε, όπως προαναφέρθηκε, η ορθοαναγωγή των εικόνων, με υψηλή χωρική ακρίβεια ([23]) Στη συνέχεια έγινε εγγραφή της ορθοανηγμένης πολυφασματικής εικόνας στην ορθοανηγμένη παγχρωματική Σκοπός της ορθοαναγωγής και της εγγραφής των εικόνων ήταν η επίτευξη της μεγαλύτερης δυνατής ταύτισης των συντεταγμένων των αντίστοιχων ψηφίδων τους, διότι η σωστή χωρική θέση της φασματικής πληροφορίας παίζει σημαντικό ρόλο στη διαδικασία της συγχώνευσης Η ορθοαναγωγή έγινε μέσω 34 σημείων ελέγχου και με RMS=1,07 ψηφίδες για την XS και RMS=0,89 ψηφίδες για την PAN Ακολούθησε η εγγραφή της εικόνας XS στην PAN Οι δύο εικόνες αποκτήθηκαν από διαφορετικούς δέκτες και ελήφθησαν σε διαφορετική χρονική στιγμή με αποτέλεσμα να έχουν διαφορετική ραδιομετρία Για να αποκτήσουν ραδιομετρική ισορροπία ([22]), δηλ ίδια αντίθεση και φωτεινότητα, έγινε προσαρμογή των ιστογραμμάτων τόσο της PAN όσο και των διαύλων XS1, XS2 και XS4 στο ιστόγραμμα του διαύλου XS3 O XS3 χρησιμοποιήθηκε επειδή οπτικά φάνηκε να έχει την καλύτερη αντίθεση και φωτεινότητα Για την προσαρμογή των ιστογραμμάτων εφαρμόστηκε η μέθοδος LUT (Look Up Table) ([8], [25]) Η Χρησιμοποιήθηκαν οι εξής τεχνικές συγχώνευσης : ο μετασχηματισμός στις κύριες συνιστώσες (PCA) ο πολλαπλασιασμός (MUL) ο μετασχηματισμός Brovey (BRO) Κατά την τεχνική PCA ([4], [8], [9], [12], [18]), η αρχική πολυφασματική εικόνα μετασχηματίζεται στις κύριες συνιστώσες Επειδή ο νέος PC1 θεωρείται ότι έχει τα ίδια φασματικά χαρακτηριστικά με τον παγχρωματικό δίαυλο, αντικαθίσταται από αυτόν και στη συνέχεια από τη νέα PC εικόνα δι αντιστροφής, δημιουργείται η σύνθετη SPOT*10 PCA με χωρική ανάλυση 10 m (σχ 3) Η σύνθετη εικόνα θεωρείται ότι διατηρεί ικανοποιητικά τις φασματικές πληροφορίες των διαύλων της αρχικής Η τεχνική MUL ([8], [18]) εφαρμόζεται διά του απλού πολλαπλασιασμού του κάθε διαύλου της πολυφασματικής εικόνας με την παγχρωματική, σύμφωνα με την παρακάτω σχέση ([8]): Σχήμα 3: Η σύνθετη εικόνα SPOT*10 PCA (R=XS4, G=XS2 και B=XS1) Fig3: The synthetic image SPOT*10 PCA (R=XS4, G=XS2 and B=XS1) b b * PAN inew i όπου b inew είναι ο i με i = 1, 3, 2, 4 της σύνθετης εικόνας και b i ο i με i=1, 2, 3, 4 της αρχικής πολυφασματικής εικόνας (1)

12 Τεχν Χρον Επιστ Έκδ ΤΕΕ, Ι, τεύχ 3 2002, Tech Chron Sci J TCG, I, No 3 Η νέα σύνθετη εικόνα SPOT*10 MUL με χωρική ανάλυση 10 m, θεωρείται ότι διατηρεί καλά τα φασματικά χαρακτηριστικά και ότι τονίζει και τα γραμμικά (σχ 4) Όπως φαίνεται και από τα σχήματα 3, 4 και 5, η απλή οπτική παρατήρηση των σύνθετων εικόνων δεν έχει τη δυνατότητα να οδηγήσει στην αξιολόγηση και κατάταξη των τριών τεχνικών 6 ΕΛΕΓΧΟΣ ΤΗΣ ΦΑΣΜΑΤΙΚΗΣ ΠΟΙΟΤΗΤΑΣ ΤΩΝ ΣΥΝΘΕΤΩΝ ΕΙΚΟΝΩΝ Σχήμα 4: Η σύνθετη εικόνα SPOT*10 MUL (R=XS4, G=XS2 και B=XS1) Fig 4: The synthetic image SPOT*10 MUL (R=XS4, G=XS2 and B=XS1) Η τρίτη τεχνική BRO ([8], [10], [14], [18]), θεωρείται ότι είναι μέθοδος οπτικής βελτίωσης της εικόνας Η τεχνική αυτή χρησιμοποιεί μόνον τους τρεις διαύλους της XS και εφαρμόζεται σύμφωνα με τη σχέση (1): ([8]) b bi b b i * new 1 2 b4 PAN (2) όπου b inew είναι ο i με i = 1, 2, 4 της σύνθετης εικόνας και b 1, b 2 και b 4 είναι οι δίαυλοι 1, 2 και 4 της αρχικής πολυφασματικής Στη συγκεκριμένη εργασία επελέγησαν οι δίαυλοι 1, 2 και 4, διότι ο 4 συσχετίζεται λιγότερο με τους διάυλους 1 και 2 απ ότι ο 3 με τους διαύλους 1 και 2 (βλ 3, πιν1) Με τη μέθοδο αυτή δημιουργήθηκε η σύνθετη εικόνα SPOT*10 BRO (σχ 5) BRO Σε μια διαδικασία συγχώνευσης ενδιαφέρει ιδιαίτερα η διατήρηση της αρχικής φασματικής πληροφορίας και στην τελική εικόνα Η εκτίμηση της φασματικής ποιότητας των σύνθετων εικόνων έγινε μέσω των στατιστικών κριτηρίων των Wald et al 1997 και του κριτηρίου του δείκτη NDVI (βλ 62) 61 Οι κανόνες των Wald et al 1997 Σύμφωνα με τους Wald et al 1997, για να διατηρήσει η σύνθετη εικόνα τα φασματικά χαρακτηριστικά της αρχικής πολυφασματικής, πρέπει να ισχύουν οι τρεις παρακάτω κανόνες ([27]): 1 Κάθε της σύνθετης εικόνας B h*, υποβαθμισμένος στη χωρική ανάλυση l της αρχικής πολυφασματικής B l, θα πρέπει φασματικά να είναι όσο το δυνατόν περισσότερο όμοιος με τον αντίστοιχο δίαυλο της αρχικής 2 Κάθε της σύνθετης εικόνας B h*, θα έπρεπε να έχει όμοια φασματικά χαρακτηριστικά με τον αντίστοιχο δίαυλο πολυφασματικής εικόνας B h, που θα καταγράφονταν από πολυφασματικό αισθητήρα με χωρική ανάλυση h, αν αυτός υπήρχε 3 Η σύνθετη εικόνα B h*, στο σύνολό της θα πρέπει να έχει όμοια φασματικά χαρακτηριστικά με την εικόνα B h, που θα καταγράφονταν από πολυφασματικό αισθητήρα με χωρική ανάλυση h, αν αυτός υπήρχε 6 11 Ελεγχος του πρώτου κανόνα 5: SPOT*10 (R=XS4, G=X Σχήμα 5: Η σύνθετη εικόνα SPOT*10 ΒRO (R=XS4, G=XS2 και B=XS1) Fig 5: The synthetic image SPOT*10 ΒRO (R=XS4, G=XS2 and B=XS1) Πριν από την εφαρμογή οποιουδήποτε στατιστικού ελέγχου για να διαπιστωθεί εάν ισχύει ο πρώτος κανόνας, οι εικόνες SPOT*10 PCA, SPOT*10 MUL και SPOT*10 BRO, υποβαθμίστηκαν χωρικά στις SPOT*20 PCA, SPOT*20 MUL και SPOT*20 BRO αντίστοιχα, δηλαδή σε σύνθετες εικόνες με χωρική ανάλυση ίση με την ανάλυση της αρχικής XS H μείωση της ανάλυσης έγινε με τη μέθοδο της μέσης τιμής (βλ [8]) Τα στατιστικά μεγέθη που μελετήθηκαν και τα οποία δίνουν μια γενική άποψη των διαφορών των εικόνων, είναι τα εξής ([27]):

Τεχν Χρον Επιστ Έκδ ΤΕΕ, Ι, τεύχ 3 2002, Tech Chron Sci J TCG, I, No 3 13 1 Οι διαφορές της μέσης τιμής της αρχικής εικόνας XS από τη μέση τιμή των σύνθετων εικόνων SPOT*20 PCA, SPOT*20 MUL και SPOT*20 BRO Οι διαφορές θεωρητικά πρέπει να είναι μηδενικές 2 Η σχετική τιμή των παραπάνω διαφορών ως προς τη μέση τιμή της αρχικής εικόνας 3 Οι διαφορές των των σύνθετων εικόνων από την αρχική Οι τιμές αυτές πρέπει να είναι μηδενικές και εκφράζουν την ποσότητα πληροφορίας που προστίθεται ή χάνεται (θετικές, αρνητικές) κατά τη διαδικασία της συγχώνευσης των εικόνων 4 H σχετική τιμή των παραπάνω διαφορών των ως προς τη μεταβλητότητα της αρχικής εικόνας 5 Oι συντελεστές συσχετισμού ανάμεσα στους αντίστοιχους διαύλους της αρχικής και των σύνθετων εικόνων Η ιδανική τιμή των συντελεστών ισούται με 1 Οι συντελεστές συσχετισμού δείχνουν το βαθμό ομοιότητας σε αντικείμενα μικρού μεγέθους μεταξύ αρχικής και σύνθετων εικόνων 6 Οι τυπικές αποκλίσεις των εικόνων διαφοράς μεταξύ της αρχικής και των σύνθετων εικόνων Οι τυπικές αποκλίσεις, οι οποίες σε γενικές γραμμές εκφράζουν το επίπεδο σφάλματος σε οποιαδήποτε ψηφίδα, θεωρητικά πρέπει να είναι μηδενικές 7 Η σχετική τιμή των παραπάνω αποκλίσεων ως προς τη μέση τιμή της αρχικής εικόνας Οι σύνθετες εικόνες, λόγω της συμμετοχής της πληροφορίας της ΡΑΝ, διέφεραν σημαντικά από την αρχική XS και δεν ήταν στατιστικά συγκρίσιμες μ αυτήν Έτσι, όλες οι προς σύγκριση εικόνες, ήρθαν και πάλι σε ραδιομετρική μεταξύ τους ισορροπία, μέσω της προσαρμογής των ιστογραμμάτων των αντίστοιχων διαύλων Για την προσαρμογή των ιστογραμμάτων εφαρμόστηκε η μέθοδος LUΤ ([8]) Στoυς πίνακες 3, 4 και 5 δίνονται οι τιμές των παραπάνω στατιστικών μεγεθών για τους διαύλους των σύνθετων εικόνων Με γκρίζο χρώμα τονίζονται οι καλύτερες τιμές του κάθε στατιστικού αποτελέσματος, συγκρινόμενες ταυτόχρονα και στους τρεις παρακάτω πίνακες Για παράδειγμα, η διαφορά των μέσων τιμών -003 της SPOT*20 PCA, για το δίαυλο 1 στον πίνακα 3, είναι η μικρότερη κατ απόλυτη τιμή από τις αντίστοιχες των άλλων εικόνων στους πίνακες 4 και 5 (- 008 και -09 αντίστοιχα) και σημειώνεται ως η καλύτερη Πίνακας 3: Έλεγχος του πρώτου κανόνα για τη SPOT*20 PCA Table 3: Test of the first rule for SPOT*20 PCA έλεγχος διαφορά των μέσων τιμών σχετική διαφορά ως προς τη μέση τιμή της αρχικής εικόνας (%) 1 2 3 4-003 -003-02 -005-004 -004-027 -007 διαφορά σχετική διαφορά ως προς τη μεταβλητότητα της αρχικής (%) συντελεστής συσχετισμού τυπική απόκλιση της διαφοράς αρχικής και σύνθετης εικόνας τυπική απόκλιση ως προς τη μέση τιμή της αρχικής εικόνας (%) -640-750 -420 100-187 -200-112 270 066 069 068 071 1190 1190 120 1220 1640 1630 1650 1680 Πίνακας 4: Έλεγχος του πρώτου κανόνα για την SPOT*20 MUL Table 4: Test of the first rule for SPOT*20 MUL έλεγχος διαφορά των μέσων τιμών σχετική διαφορά ως προς τη μέση τιμή αρχικής εικόνας (%) διαφορά σχετική διαφορά ως προς τη μεταβλητότητα της αρχικής (%) συντελεστής συσχετισμού τυπική απόκλιση της διαφοράς αρχικής και σύνθετης εικόνας τυπική απόκλιση ως προς τη μέση τιμή της αρχικής εικόνας (%) 1 2 3 4-008 -010 020-011 -011-013 027-016 307-304 -475 216 090-084 -130 0,61 085 087 087 084 1010 1087 991 1190 1390 300 1360 335 Πίνακας 5: Έλεγχος του πρώτου κανόνα για την SPOT*20 BRO Table 5: Test of the first rule for SPOT*20 BRO έλεγχος 1 2 4 διαφορά των μέσων τιμών -090 046-004 σχετική διαφορά ως προς τη μέση τιμή της αρχικής εικόνας (%) -012 063-006 διαφορά -3430-1090 -1520 σχετική διαφορά ως προς τη μεταβλητότητα της αρχικής (%) -1000-288 -420 συντελεστής συσχετισμού 059 065 073 τυπική απόκλιση της διαφοράς αρχικής και σύνθετης εικόνας 1510 1350 1440

14 Τεχν Χρον Επιστ Έκδ ΤΕΕ, Ι, τεύχ 3 2002, Tech Chron Sci J TCG, I, No 3 τυπική απόκλιση ως προς τη μέση τιμή της αρχικής εικόνας (%) 2080 1854 391 σχετική διαφορά ως προς τη μέση τιμή της αρχικής εικόνας (%) -007 022 008 005 Από την παρατήρηση των τριών παραπάνω πινάκων διαπιστώνεται ότι τις περισσότερες καλύτερες στατιστικές τιμές ελέγχου, συγκεντρώνει η μεθοδολογία MUL 612 Ελεγχος του δευτέρου κανόνα Ο έλεγχος του δεύτερου κανόνα έγινε μέσω δύο κριτηρίων ([27]) Το πρώτο κριτήριο αφορά σε γενικότερους ελέγχους όλης της εικόνας, ενώ το δεύτερο εκτιμά το σφάλμα λόγω συγχώνευσης, σε επίπεδο ψηφίδας 6121 Εφαρμογή του πρώτου κριτηρίου διαφορά σχετική διαφορά ως προς τη μεταβλητότητα της αρχικής (%) συντελεστής συσχετισμού τυπική απόκλιση της διαφοράς αρχικής και σύνθετης εικόνας τυπική απόκλιση ως προς τη μέση τιμή της αρχικής εικόνας (%) -570 280-1060 1190-166 075-285 340 065 067 068 070 1376 1400 1370 1470 1890 1922 1880 2024 Για την εφαρμογή του πρώτου κριτηρίου χρησιμοποιήθηκαν τα στατιστικά μεγέθη της 611, τα οποία αυτή τη φορά υπολογίστηκαν για τις εικόνες που προέκυψαν ως εξής: Η αρχική εικόνα ΡAN, υποβαθμίστηκε στην ΡAN20, με χωρική ανάλυση 20 m Η εικόνα XS υποβαθμίστηκε στην SPOT40, με χωρική ανάλυση 40 m Με τις τρεις προαναφερθείσες μεθόδους συγχώνευσης έγινε συγχώνευση ανάμεσα στις ΡAN20 και SPOT40 και προέκυψαν οι εικόνες SPOT**20 PCA, SPOT**20 MUL και SPOT**20 BRO Η μέθοδος υποβάθμισης της χωρικής ανάλυσης και στις δύο παραπάνω περιπτώσεις ήταν η μέθοδος της μέσης τιμής ([8]) Με την υποβάθμιση δημιουργείται μία νέα εικόνα με διάσταση ψηφίδων μεγαλύτερη από εκείνη της αρχικής Στην εργασία αυτή χρησιμοποιήθηκε η μέθοδος υποβάθμισης της μέσης τιμής για τη μετατροπή ψηφίδων 10Χ10 m σε ψηφίδες 20Χ20 m Η κάθε νέα ψηφίδα δημιουργήθηκε από τέσσερις γειτονικές αρχικές και η τιμή της προέκυψε από το μέσο όρο των τιμών των τεσσάρων αρχικών [8, 15] Προ του προσδιορισμού των στατιστικών μεγεθών, τα ιστογράμματα των διαύλων των τριών σύνθετων εικόνων προσαρμόστηκαν στα ιστογράμματα των αντίστοιχων διαύλων της αρχικής πολυφασματικής Στoυς πίνακες 6, 7 και 8 δίνονται οι τιμές των στατιστικών μεγεθών της παραγράφου 611 για τις νέες σύνθετες εικόνες, και τονίζονται οι καλύτερες τιμές Πίνακας 6: Έλεγχος του δεύτερου κανόνα μέσω του πρώτου κριτηρίου, για την SPOT**20 PCA Table 6: Test of the second rule for SPOT**20 PCA using the first criterion έλεγχος διαφορά των μέσων τιμών 1 2 3 4-005 016 001 004 Πίνακας 7: Έλεγχος του δεύτερου κανόνα μέσω του πρώτου κριτηρίου, για τη SPOT**20 MUL Table 7: Test of the second rule for SPOT**20 MUL using the first criterion έλεγχος διαφορά των μέσων τιμών σχετική διαφορά ως προς τη μέση τιμή της αρχικής εικόνας (%) διαφορά σχετική διαφορά ως προς τη μεταβλητότητα της αρχικής (%) συντελεστής συσχετισμού τυπική απόκλιση της διαφοράς αρχικής και σύνθετης εικόνας τυπική απόκλιση ως προς τη μέση τιμή της αρχικής εικόνας (%) 1 2 3 4 012 007-005 008 017 010-007 011 375-206 -510 710 111-056 -140 200 082 083 084 081 1030 1140 1110 1200 1420 1570 1520 1650 Πίνακας 8: Έλεγχος του δεύτερου κανόνα μέσω του πρώτου κριτηρίου, για τη SPOT**20 BRO Table 8: Test of the second rule for SPOT**20 BRO using the first criterion έλεγχος 1 2 4 διαφορά των μέσων τιμών 002 070 016 σχετική διαφορά ως προς τη μέση τιμή της αρχικής εικόνας (%) 002 096 020 διαφορά -208 3050-690

Τεχν Χρον Επιστ Έκδ ΤΕΕ, Ι, τεύχ 3 2002, Tech Chron Sci J TCG, I, No 3 15 σχετική διαφορά ως προς τη μεταβλητότητα της αρχικής (%) -061 810-190 συντελεστής συσχετισμού 057 061 071 τυπική απόκλιση της διαφοράς αρχικής και σύνθετης εικόνας τυπική απόκλιση ως προς τη μέση τιμή της αρχικής εικόνας (%) 6122 Εφαρμογή του δευτέρου κριτηρίου 1450 1520 1360 1990 2090 1870 Τo δεύτερο κριτήριο για τον έλεγχο του κανόνα αφορά στην εκτίμηση του σφάλματος μιας ψηφίδας Για κάθε ψηφίδα υπολογίζεται το σχετικό της σφάλμα ε, το οποίο εκφράζεται από τη σχέση (3) ([27]): (3) όπου ψ Α είναι η αρχική τιμή της ψηφίδας και ψ Σ η τιμή της ψηφίδας στη σύνθετη εικόνα Στη συνέχεια, υπολογίζεται το ιστόγραμμα των σχετικών σφαλμάτων, το οποίο μπορεί να θεωρηθεί ως η συνάρτηση πυκνότητας πιθανότητας Έτσι, είναι δυνατόν να υπολογισθεί η πιθανότητα μια ψηφίδα να έχει ένα σχετικό σφάλμα ε, μικρότερο από ένα δεδομένο όριο Η πιθανότητα αυτή δείχνει το σφάλμα σε επίπεδο ψηφίδας και επομένως περιγράφει τη δυνατότητα μιας μεθόδου να συνθέσει σωστά αντικείμενα μικρού μεγέθους ([27]) Στον πίνακα 9 φαίνεται η πιθανότητα να υπάρχει σε μια ψηφίδα ένα σχετικό σφάλμα ε μικρότερο ή ίσο από τα όρια σφάλματος, τα οποία φαίνονται στην πρώτη σειρά του πίνακα Με γκρίζο χρώμα σημειώνονται οι μεγαλύτερες πιθανότητες Παρατηρώντας τους πίνακες 7 και 9, διαπιστώνεται ότι τις καλύτερες στατιστικές τιμές ελέγχου και τις μεγαλύτερες πιθανότητες για μικρά σχετικά σφάλματα ε σε επίπεδο ψηφίδας, συγκεντρώνει η μεθοδολογία MUL 613 Ελεγχος του τρίτου κανόνα Πίνακας 9:Πιθανότητα (%) για κάθε ψηφίδα το ε να είναι μικρότερο ή ίσο από τα όρια σφάλματος του πίνακα Table 9:Probability (%) for each pixel to have an error ε less than or equal to the thresholds depicted in the table 1% 2% 5% 10% 20% MUL 0% 104% 285% 536% 832% PCA 0% 70% 190% 380% 680% 1 BRO 0% 70% 188% 368% 633% MUL 19% 114% 274% 546% 816% PCA 26% 74% 205% 405% 694% 2 BRO 23% 68% 194% 389% 649% MUL 31% 120% 297% 533% 774% PCA 0% 73% 239% 425% 665% 3 MUL 0% 870% 870% 870% 870% PCA 0% 860% 860% 860% 860% 4 BRO 0% 42% 192% 384% 690% 6131 Εφαρμογή του πρώτου κριτηρίου Για την εφαρμογή του η σύγκριση ανάμεσα στην αρχική και τις σύνθετες εικόνες έγινε μέσω του συντελεστή συσχέτισης της PAN20 με όλες τις προαναφερθείσες ([27]) Οι τιμές αναφοράς για τη συσχέτιση είναι εκείνες που προκύπτουν από τις αρχικές εικόνες Στον πίνακα 10 παρουσιάζονται τα αποτελέσματα του ελέγχου Σημειώνονται οι κοντινότερες τιμές σε εκείνες που θεωρούνται ως αναφορά Σύμφωνα με τον πίνακα 10, η μεθοδολογία συγχώνευσης MUL δημιουργεί τις λιγότερες διαφορές σε σχέση με τις αρχικές εικόνες, καθώς οι αντίστοιχοι συντελεστές συσχέτισης ανά δίαυλο προσεγγίζουν περισσότερο εκείνους των αρχικών εικόνων Ο έλεγχος του τρίτου κανόνα έγινε μέσω τριών κριτηρίων [27] και χρησιμοποιήθηκαν οι εικόνες XS, ΡAN20, SPOT*20 PCA, SPOT*20 MUL και SPOT*20 BRO, που αναφέρονται στις δύο προηγούμενες παραγράφους Τα κριτήρια αυτά ποσοτικοποιούν τη δυνατότητα μιας μεθόδου συγχώνευσης να συνθέσει τις φασματικές υπογραφές, όταν μεταβάλλεται η χωρική ανάλυση της εικόνας [27] Με το πρώτο κριτήριο ελέγχεται το κατά πόσον η σχέση της αρχικής XS με την PAN διατηρείται και μετά την εφαρμογή κάποιας μεθοδολογίας συγχώνευσης Πίνακας 10: Συντελεστές συσχέτισης Τable 10:Correlation coefficients εικόνες 1 2 3 4 PAN20 και XS 047 059 048 089 PAN20 και SPOT*20 PCA 088 096 096 084 PAN20 και 088 089 089 085 SPOT*20 MUL PAN20 και 089 096 067 SPOT*20 BRO

16 Τεχν Χρον Επιστ Έκδ ΤΕΕ, Ι, τεύχ 3 2002, Tech Chron Sci J TCG, I, No 3 6132 Εφαρμογή του δευτέρου κριτηρίου Σε κάθε ψηφίδα των εικόνων αντιστοιχεί ένα διάνυσμα που συντίθεται από τις τιμές έντασης των διαύλων τους, στη συγκεκριμένη θέση Τα διανύσματα των ψηφίδων των εικόνων XS, SPOT*20 PCA και SPOT*20 MUL, περιέχουν τέσσερα στοιχεία και δημιουργούν τετράδες καθώς υπάρχουν τέσσερις δίαυλοι σε κάθε εικόνα Η SPOT*20 BRO, που αποτελείται από τρεις διαύλους, δημιουργεί τριάδες Το δεύτερο κριτήριο ποσοτικοποιεί τη σύνθεση των τετράδων ή τριάδων των παραπάνω εικόνων Για την εφαρμογή του κριτηρίου υπολογίζεται ο αριθμός των διαφορετικών τετράδων (ή τριάδων), δηλ ο αριθμός των ομάδων των δημιουργούμενων τετράδων (ή τριάδων), τόσο στην αρχική όσο και στις σύνθετες εικόνες Επίσης, υπολογίζονται οι διαφορές ανάμεσα στους αριθμούς αυτούς Μία αρνητική διαφορά συνεπάγεται την εισαγωγή καινούργιας φασματικής πληροφορίας στη σύνθετη εικόνα Μία θετική διαφορά σημαίνει ότι οι σύνθετες εικόνες δεν διατηρούν την ποικιλία της φασματικής πληροφορίας της αρχικής εικόνας ([27]) Τα αποτελέσματα φαίνονται στους πίνακες 11 και 12 Στον πίνακα 12, ο αριθμός των ομάδων της εικόνας που προκύπτει από τη μέθοδο BRO, συγκρίνεται με τον αριθμό των ομάδων που δημιουργούν οι δίαυλοι XS1, XS2, XS4 Πίνακας 11:Πλήθος και περιεχόμενο ομάδων Table 11: Number and content of groups εικόνες XS (1,2,3,4) XS (1,2,4) SPOT*20 PCA πλήθος ομάδων ψηφίδες/ oμάδα 8331 1 118 2 12 3 4 4 5562 1 834 2 218 3 80 4 32 5 19 6 10 7 1 8 3 9 1 10 7550 1 360 2 61 3 15 4 5 5 5 6 2 7 2 9 1 11 SPOT*20 MUL SPOT*20 BRO 5356 1 798 2 210 3 72 4 29 5 11 6 10 7 6 8 6 9 6 10 2 11 2 12 1 13 1 14 4 15 1 16 1 20 1 24 1 31 1 33 1 41 3458 1 1039 2 386 3 192 4 81 5 50 6 16 7 10 8 8 9 6 10 2 11 3 12 2 13 1 14 1 22 Πίνακας 12:Διαφορές ανάμεσα στο πλήθος των ομάδων της αρχικής και των συνθέτων εικόνων Table 12:Differences between the number of groups in the original and the synthetic images αριθμός ομάδων διαφορά με αρχική εικόνα XS1,2,3,4 XS1,2,4 PCA MUL BRO 8465 6769 8001 6520 5255 - - 464 1943 1514 διαφορά (%) - - 5,5 23 22,4 Λόγω του όγκου των απαιτούμενων υπολογισμών, το δεύτερο κριτήριο καθώς και το τρίτο που ακολουθεί, εφαρ-

Τεχν Χρον Επιστ Έκδ ΤΕΕ, Ι, τεύχ 3 2002, Tech Chron Sci J TCG, I, No 3 17 μόστηκαν σε ένα αντιπροσωπευτικό κομμάτι των εικόνων, το οποίο αποτελείται από 8611 ψηφίδες Σύμφωνα με τον πίνακα 12, φαίνεται ότι η μέθοδος PCA δίνει πολύ ικανοποιητικό αριθμό ομάδων, ο οποίος διαφέρει μόνον 55% από τον αριθμό των ομάδων της αρχικής εικόνας 6133 Εφαρμογή του τρίτου κριτηρίου Το τρίτο κριτήριο, ασχολείται με τις πιο σημαντικές τετράδες (ή τριάδες), που θεωρητικά, σύμφωνα με τους Wald et al 1997, είναι και οι κυρίαρχες κατά την ταξινόμηση των εικόνων Παράλληλα, συμπληρώνει και επιβεβαιώνει τα αποτελέσματα του κριτηρίου της 6132 σχετικά με την ομοιότητα ανάμεσα στις ομάδες της αρχικής και στις ομάδες των σύνθετων εικόνων Για ένα δεδομένο όριο συχνότητας, μόνον οι τετράδες (τριάδες), που έχουν συχνότητα (δηλ αριθμό ψηφίδων) μεγαλύτερη από αυτό το όριο, θεωρούνται σημαντικές Στην παρούσα εργασία, χρησιμοποιήθηκe το όριο 005% του συνολικού πλήθους των 8611 ψηφίδων, το οποίο αντιστοιχεί σε τέσσερις (4) ψηφίδες Έτσι, σημαντικές θεωρήθηκαν οι τετράδες (τριάδες), που αντιστοιχούν σε τέσσερις ψηφίδες και πάνω Στον πίνακα 13, ο οποίος δημιουργείται με τη βοήθεια του πίνακα 11, φαίνονται οι πληροφορίες για τις σημαντικότερες ομάδες Η εικόνα της μεθόδου BRO συγκρίνεται ξανά με τα αποτελέσματα που δίνουν οι τρεις δίαυλοι 1, 2 και 4 Από τον προαναφερθέντα πίνακα φαίνεται, ότι οι σημαντικές ομάδες ψηφίδων είναι πολύ περισσότερες σε όλες τις σύνθετες εικόνες από ό,τι στην αρχική, πράγμα που δείχνει ότι μειώνεται η ποικιλία της πληροφορίας μετά τη συγχώνευση Επίσης προκύπτει ότι, όπως και στους ελέγχους της 6132, η σύνθετη εικόνα της μεθόδου PCA πλησιάζει περισσότερο την αρχική Πίνακας 13: Σημαντικές ομάδες Table 13:Significant groups XS 1,2,3,4 ΧS 1,2,4 PCA MUL BRO αριθμός ομάδων 2 146 30 156 372 διαφορά με αρχική εικόνα διαφορά/ αριθμό ομάδων αρχικής (%) - -28-154 -226 1400 7700 155 αριθμός ψηφίδων 8 709 158 102 9 1917 διαφορά με αρχική εικόνα διαφορά / αριθμό ψηφίδων αρχικής (%) - -150-1021 -1208 1875 12760 170 62 Εκτίμηση της φασματικής ποιότητας των σύνθετων εικόνων μέσω του δείκτη NDVI Είναι γνωστή η σημαντικότητα της εφαρμογής του δείκτη NDVI σε πολυφασματική εικόνα δασικής περιοχής ή γενικότερα περιοχής με φυτική κάλυψη ([11], [15]) Για το λόγο αυτό, θεωρήθηκε ότι για την περιοχή μελέτης της εργασίας, θα πρέπει η αρχική πολυφασματική XS και οι σύνθετες εικόνες που προκύπτουν από τη συγχώνευση, να έχουν την ίδια φασματική συμπεριφορά στο συγκεκριμένο δείκτη Έτσι, ελέγχθηκε η φασματική συσχέτιση των εικόνων οι οποίες προέκυψαν από την εφαρμογή του δείκτη NDVI στην αρχική XS και στις τρεις σύνθετες Ο δείκτης NDVI δίνεται από τη σχέση (4) ([8]): ( IR R ) NDVI ( IR R ) (4) όπου R (κόκκινος) είναι ο 2 και ΙR (υπέρυθρος) ο 4 Στη συγκεκριμένη εργασία χρησιμοποιήθηκαν οι δίαυλοι 2 και 4, έτσι ώστε να είναι δυνατός ο υπολογισμός του δείκτη και για τη σύνθετη εικόνα, που προέκυψε από τη μέθοδο BRO Ο δείκτης NDVI εφαρμόστηκε στην αρχική πολυφασματική XS και στις σύνθετες εικόνες SPOT*20 PCA, SPOT*20 MUL και SPOT*20 BRO Στη συνέχεια, τα ιστογράμματα των σύνθετων εικόνων NDVI, προσαρμόστηκαν στο ιστόγραμμα της αρχικής NDVI, για λόγους που προαναφέρθηκαν (βλ 611) Για κάθε μία εικόνα NDVI υπολογίστηκαν οι εξής στατιστικοί δείκτες (πιν 14): 1 Η μέση τιμή της εικόνας διαφοράς η οποία δημιουργείται ως η διαφορά της κάθε σύνθετης εικόνας NDVI από την αρχική NDVI Θεωρητικά όλες οι εικόνες διαφοράς πρέπει να είναι μηδενικές 2 Η τυπική απόκλιση των εικόνων διαφοράς, η οποία πρέπει να ισούται με 0 3 Ο συντελεστής συσχέτισης ανάμεσα στις σύνθετες εικόνες NDVI και την αρχική NDVI, ο οποίος πρέπει να ισούται με 1 Σύμφωνα με τον πίνακα 14, η μέθοδος που δίνει τα καλύτερα αποτελέσματα είναι η PCA Πίνακας 14:Εκτίμηση της φασματικής συμπεριφοράς των εικόνων Table 14: Estimation of the NDVI image s spectral behaviour μέθοδος μέση τιμή εικόνας διαφοράς τυπική απόκλιση εικόνας διαφοράς συντελεστής συσχέτισης PCA 511 1960 095 MUL 550 202 094 BRO 63 204 092

18 Τεχν Χρον Επιστ Έκδ ΤΕΕ, Ι, τεύχ 3 2002, Tech Chron Sci J TCG, I, No 3 7 ΣΥΜΠΕΡΑΣΜΑΤΑ Από τη μελέτη των πινάκων 3 έως και 14, προκύπτει η σειρά αξιολόγησης των τριών τεχνικών συγχώνευσης, η οποία φαίνεται στον πίνακα 15 Γενικά, στους πίνακες 3 έως και 13 φάνηκε ότι οι τιμές των στατιστικών δεικτών στις περισσότερες περιπτώσεις, προέκυψαν πολύ διαφορετικές από τις θεωρητικά αναμενόμενες Αυτό οφείλεται στο γεγονός ότι οι τεχνικές που ελέγχθηκαν, δεν είναι δομημένες στα μέτρα των τριών κανόνων των Wald et al 1997 (βλ [20]) Ωστόσο, οι κανόνες αυτοί δεν παύουν να είναι αντικειμενικοί και να αποτελούν την περιγραφή του «ιδανικού» προϊόντος μιας συγχώνευσης Για το λόγο αυτό, χρησιμοποιήθηκαν για την αξιολόγηση των τεχνικών Πίνακας 15: Η σειρά των τεχνικών συγχώνευσης μετά τον έλεγχο της φασματικής ποιότητάς τους Table 15: Order of fusion techniques according to the tests of their spectral quality στατιστικά κριτήρια των Wald et al 1997 σειρά 1ος κανόνας 2ος κανόνας 3ος κανόνας NDVI 1 MUL MUL PCA PCA 2 PCA PCA MUL MUL 3 BRO BRO BRO BRO Τα αποτελέσματα των φασματικών ελέγχων με τη χρήση των κριτηρίων των Wald et al 1997, αξιολόγησαν γενικά ως πρώτη μέθοδο συγχώνευσης την MUL, δεύτερη την PCA και τελευταία την BRO Η μέθοδος MUL προηγείται όταν η φασματική συμπεριφορά των σύνθετων εικόνων ελέγχεται σε κάθε δίαυλο χωριστά (κανόνες 1 και 2), ενώ η μέθοδος PCA φαίνεται ότι υπερτερεί όταν η φασματική συμπεριφορά ελέγχεται στο σύνολο των διαύλων (3ος κανόνας) Κάτι τέτοιο δικαιολογείται απόλυτα από τη δομή των τεχνικών αυτών (βλ 5) Σύμφωνα με τη σχέση (1), για τη δημιουργία των διαύλων της σύνθετης εικόνας, η τεχνική MUL χρησιμοποιεί έναν προς ένα τους αντίστοιχους διαύλους της αρχικής XS και τους συνδυάζει με την πληροφορία της PAN Αντίθετα, η λογική της τεχνικής PCA εμπλέκει ταυτόχρονα όλους τους διαύλους της αρχικής XS στη δημιουργία του κάθε διαύλου της σύνθετης εικόνας, καθώς υπολογίζονται αρχικά οι κύριες συνιστώσες της XS Τέλος, η μέθοδος BRO, η οποία και στη σχετική βιβλιογραφία αναφέρεται απλώς ως τεχνική οπτικής βελτίωσης της εικόνας (βλ 5), δεν ικανοποιεί τα κριτήρια των τριών κανόνων Στον έλεγχο μέσω του δείκτη NDVI, αναδεικνύεται καλύτερη η εικόνα που προκύπτει από τη μέθοδο PCA Η χρήση του δείκτη NDVI είναι ακόμα μία ένδειξη του τρόπου με τον οποίο μια σύνθετη εικόνα συμπεριφέρεται φασματικά στο σύνολό της Είναι εμφανές ότι ο έλεγχος μέσω του NDVI, επαληθεύει τα αποτελέσματα του ελέγχου του τρίτου κανόνα Δεδομένου, όμως, ότι για τις εφαρμογές στη συγκεκριμένη δασική περιοχή μελέτης, ενδιαφέρει ιδιαίτερα ο σωστός διαχωρισμός περιοχών με βλάστηση και περιοχών χωρίς βλάστηση, τα αποτελέσματα των ελέγχων, που εξετάζουν το φασματικό σύνολο της σύνθετης εικόνας (3ος κανόνας, δείκτης NDVI), θεωρούνται ως σημαντικότερα Ετσι, ως αποτελεσματικότερη μέθοδος συγχώνευσης των εικόνων PAN και XS για τη δασική περιοχή μελέτης, προτείνεται η μέθοδος PCA ΕΥΧΑΡΙΣΤΙΕΣ Ευχαριστούμε τον κ Βαγγέλη Στρατή, φοιτητή οδοντιατρικής ΑΠΘ, για την υποστήριξή του σε θέματα λογισμικού ΒΙΒΛΙΟΓΡΑΦΙΑ 1 Antunes A F, Thematic Resolution Assessment Merging Landsat and SPOT 10 m, International Archives of Photogrammetry and Remote Sensing, vol XXXIII, part B2, Amsterdam 2000, pp 52-55 2 Arnaud M and M Leroy, SPOT 4: a new generation of SPOT satellites, ISPRS Journal of Photogrammetry and Remote Sensing, vol 46, 1991, pp 205-215, Amsterdam 3 Carper W J, T M Lillesand, R W Kiefer, The Use of Intensity- Hue-Saturation Transformations for Merging SPOT Panchromatic and Multispectral Image Data, Photogrammetric Engineering & Remote Sensing, vol 56, no 4, April 1990, pp 459-467 4 Chavez PS, Side S C, Anderson JA, Comparison of Three different methods to merge multiresolution and multispectral data: TM and Spot Panchromatic, Photogrammetric Engineering & Remote Sensing, vol 57, no 3, 1991, pp 295-303 5 Chavez P S and Jr, Digital Merging of Landsat TM and Digitized NHAP Data for 1:24,000-Scale Image Mapping, Photogrammetric Engineering & Remote Sensing, vol 52, no 10, October 1986, pp 1637-1646 6 Chuvieco E, Coreco D, Forest Fires From Space: Considering Spatial and Temporal Resolution, International Archives of Photogrammetry and Remote Sensing, vol XXXI, part B6, Vienna, 9-19 July, 1996, pp 45-50 7 Clichι G, Bonn F, Teillet P, Integration of the SPOT Panchromatic Channel into Its Multispectral Mode for Image Sharpness Enhancement, Photogrammetric Engineering & Remote Sensing, vol 51, no 3, March 1985, pp 311-316 8 Erdas, Erdas Field Guide, Erdas, 5 th ed,, USA, 1999, pp 160-162 9 Fung T, Le Drew E, Application of Principal Component Analysis to change detection, Photogrammetric Engineering & Remote Sensing, vol 53, no 12, 1987, pp 1649-1658 10 Gillespie A R, Kahle AB, Walker RE, Color Enhancment of Highly Correlated Images Channel Ratio and Chromaticity Transformation Techniques, Remote Sensing of Environment, 1987, vol 22, pp 343-365 11 Koutsias N, Karteris M, Chuvieco E, The Use of Intensity-Hue- Saturation Transformation of Landsat-5 Thematic Mapper Data for Burned Land Mapping, Photogrammetric Engineering & Remote Sensing, vol 66, no 7, July 2000, pp 829-839 12 Li J, Spatial Quality Evaluation of Fusion of Different Resolution Images, International Archives of Photogrammetry and Remote Sensing, vol XXXIII, part B2, Amsterdam, 16-23 July, 2000, pp 339-346 13 Λιόντα Φ, Η Συμβολή της Φωτογραμμετρίας στις μελέτες Περιβαλλοντικών Επιπτώσεων, Μεταπτυχιακή διατριβή, στο ΜΠΣ Γεωπληροφορικής με κατεύθυνση στις Ψηφιακές Απεικονίσεις, ΤΑΤΜ/ ΑΠΘ, Θεσσαλονίκη, 1999

Τεχν Χρον Επιστ Έκδ ΤΕΕ, Ι, τεύχ 3 2002, Tech Chron Sci J TCG, I, No 3 19 14 Liu JG, Smoothing Filter-based Intensity Modulation: A Spectral Preserve Image Fusion Technique for Improving Spatial Details, Int J of Remote Sensing, vol 21, no 18, 2000, pp 3461-3472 15 McMaster R, Shea S, Generalization in Digital cartography, ACSM, 1992, σελ 103 16 Patrono A, Bartista A, Ebeltjes J, Multitemporal Landsat TM Data for Monitoring the Effects of Forest Fires and Vegetation Recovery Processes in Mediterranean Areas, International Archives of Photogrammetry and Remote Sensing, vol XXXIII, part B7, Amsterdam, 13-23 July, 2000, pp 1131-1136 17 Pellemans A H J M, Jordans R W L, Allewijn R, Merging Multispectral and Panchromatic SPOT Images with Respect to the Radiometric Properties of the Sensor, Photogrammetric Engineering & Remote Sensing, vol 59, no 1, January 1993, pp 81-87 18 Pohl C, Van Genderen J L, Multiresolution image fusion in remote sensing: concepts, methods and applications, Int J Remote Sensing, vol 19, no 5, 20 March 1998, pp 823-854 19 Prinnz B, Wiemker R, Spitzer H, Simulation of High Resolution Satellite Imagery from Multispectral Airborne Scanner Imagery for Accuracy Assessment of Fusion Algorithms, Joint Workshop of ISPRS WG I/1, I/3 and IV/4, Sensors and Mapping from Space, Hannover, September 29 - October 2, 1997, (http://kogs-wwwinformatikunihamburgde) 20 Rancin Th, Wald L, Fusion of High Spatial and Spectral Resolution Images: The Arsis Concept and its Ιmplementation, Photogrammetric Engineering & Remote Sensing, vol 66, no 1, January 2000, pp 49-61 21 Schmitt U, Ruppert G S, Forest Classification of Multitemporal Mosaicked Satellite Images, International Archives of Photogrammetry and Remote Sensing, vol XXXI, part B7, Vienna, 9-19 July, 1996, pp 602-605 22 Στυλιανίδης Ε Α, Ψηφιακή Φωτογραμμετρία και Νέες Τεχνολογίες στην Αποτύπωση και Τεκμηρίωση Ιστορικών Μνημείων και Συνόλων,Διδακτ Διατριβή, ΤΑΤΜ ΑΠΘ, Θεσσαλονίκη, 2001, σελ 118 23 Toutin T, SPOT and Landsat Stereo Fusion for Data Extraction over Mountainous Areas, Photogrammetric Engineering & Remote Sensing, vol 63, no 6, June 1997, pp 691-699 24 Tσακίρη-Στρατή Μ, Τεχνικές Διαχείρισης Ψηφιακών Εικόνων, Δελτίο Γεωγραφικής Υπηρεσίας Στρατού, Αρ τεύχους 141, έτος έκδοσης 52, 1992, pp 107-122 25 Τσακίρη-Στρατή Μ, Τηλεπισκόπηση, Πανεπιστημιακές Παραδόσεις, ΤΑΤΜ, ΑΠΘ, 2001, σελ125 26 Vrabel J, Multispectral Imagery Band Sharpening Study, Photogrammetric Engineering & Remote Sensing, vol 64, no 2, February 1998, pp 109-113 27 Wald L, Th Ranchin, Mangolini M, Fusion of Satellite Images of Different Spatial Resolutions: Assessing the Quality of Resulting Images, Photogrammetric Engineering & Remote Sensing, vol 63, no 6, June 1997, pp 691-699 28 Welch R, Ehlers M, Merging Multiresolution SPOT HRV and Landsat TM Data, Photogrammetric Engineering & Remote Sensing, vol 53, no 3, March 1987, pp 301-303 29 Yesou H, Y Besnus, Rolet J, Extraction of spectral information from Landsat TM data and merger with SPOT panchromatic imagery a contribution to the study of geological structures, ISPRS J of Photogrammetry and Remote Sensing, vol 48, no 5, 1993, pp 23-36 30 Zhang Y, A new merging method and its spectral and spatial effects, Int J of Remote Sensing, vol 20, no 10, 1999, pp 2003-2014 31 Zhou J, Civco D L, Silander J A, A wavelet transform method to merge Landsat TM and SPOT panchromatic data, Int J of Remote Sensing, vol 19, no 4, 1998, pp 743-757 Μ Τσακίρη-Στρατή Aναπληρώτρια Καθηγήτρια, Τομέας Κτηματολογίου Φωτογραμμετρίας και Χαρτογραφίας, Τμήμα Αγρονόμων και Τοπογράφων Μηχανικών, ΑΠΘ, 540 06 Θεσσαλονίκη, Ε-mail:martsak@verginaengauthgr Μ Παπαδοπούλου Αναπληρώτρια Καθηγήτρια, Τομέας Κτηματολογίου Φωτογραμμετρίας και Χαρτογραφίας, Τμήμα Αγρονόμων και Τοπογράφων Μηχανικών, ΑΠΘ, 540 06 Θεσσαλονίκη, Ε-mail:marpap@verginaengauthgr Ο Γεωργούλα Επίκουρος Καθηγήτρια Τομέας Κτηματολογίου Φωτογραμμετρίας και Χαρτογραφίας, Τμήμα Αγρονόμων και Τοπογράφων Μηχανικών, ΑΠΘ, 540 06 Θεσσαλονίκη, Ε-mail: olge@topoauthgr

20 Τεχν Χρον Επιστ Έκδ ΤΕΕ, Ι, τεύχ 3 2002, Tech Chron Sci J TCG, I, No 3 Extended Summary Fusion of XS SPOT4 and PAN SPOT2 Images and Assessment of the Spectral Quality of the Products MTSAKIRI-STRATI M PAPADOPOULOU OGEORGOULA Acossiate Professor AUTh Acossiate Professor AUTh Assistant Professor AUTh Abstract The aim of this paper, was the assessment of three image fusion techniques and the pin-pointing of the most proper one for applications in forest areas A panchromatic image PAN SPOT2 with a 10m spatial resolution and a multispectral XS SPOT4 with a 20m spatial resolution were fused Both images depicted the suburban mountainous forest of Seich-Shou in Thessaloniki, Greece, a great part of which was burned in July 1997 The fusion methodologies used were: a) the principal components transformation, b) the multiplication and c) the Brovey transformation In fusion procedure, the preservation of the spectral information of the original data is very significant Therefore, the spectral quality of the three synthetic products was tested For the test, statistical criteria found in international literature, as well as, a new criterion based on the NDVI index were used The latter criterion is proposed in this paper and was created on the basis that the specific index is very significant in applications concerning a forest area The three methodologies were evaluated according to the results of the tests The more efficient method for forest areas proved to be the principal components transformation method 1INTRODUCTION The constantly increasing number of images having different radiometric, geometric and spectral resolution, as well as, being acquired in different dates, raised the need for the fusion of all these data in order their diverse information to be exploited and integrated as far as possible The fusion of an image with high spatial resolution and an image with high spectral resolution creates a new synthetic image, which keeps the characteristics of both the original images The fusion is accomplished through mathematical transformations The wide range of the applications of the synthetic image became a challenge for the development of various fusion techniques ( [1], [3], [5], [7], [8], [17], [18], [20], [24], [26], [28], [29], [30], [31]), as well as, techniques for the assessment of the quality of the fusion products ([1], [17], [19], [20], [27], [30], [31]) Submitted: Mar 262001 Accepted: Oct 12002 In this paper a fusion took place between a PAN SPOT2 and an XS SPOT4 image These images depict the suburban mountainous forest of Seich-Shou in Thessaloniki, Greece, a great part of which was put to fire in July 1997 Since this forest area is a place of vital significance for the city of Thessaloniki, there is a great interest in the development of the existing multispectral material, with reference to the detailed mapping of the area In addition to that, the fact that the study of suburban mountainous areas requests data of high spatial resolution, provoked the interest in using an XS SPOT4 image, instead of a TM Landsat, as well as, in increasing the spatial resolution of the XS image through its fusion with the PAN Three different fusion techniques were used: a) the principal components transformation (PCA), b) the multiplication (MUL) and c) the Brovey transformation (BRO) (see 5) The evaluation of the techniques and the assessment of the spectral quality of the synthetic images, were accomplished through statistic criteria known from the international literature ([20], [27]), and with a new criterion which uses the NDVI index This criterion is proposed in this paper and was created on the basis that the fusion procedure aims to applications concerning a forest area 2 DATA The satellite data used, were a panchromatic PAN SPOT2 image with a high spatial resolution of 10 m and date of acquisition 08-12-1997 and a multispectral XS SPOT4 image of a spatial resolution of 20 m and date of acquisition 08-10-1998 (fig 1, 2) The main characteristic of the XS image is the existence of a fourth band in the infrared area (158-17μm) For the orthorectification of the images, a DTM in UTM coordinate system was used, which was constructed by air photographs, at 1:10,000 ([13]) The Erdas Imagine 84, as well as, software which was developed for this paper to support the statistical tests of 613 were used

Τεχν Χρον Επιστ Έκδ ΤΕΕ, Ι, τεύχ 3 2002, Tech Chron Sci J TCG, I, No 3 21 3 THE SUITABILITY OF XS SPOT4 FOR THE STUDY OF FOREST AREAS 6 TEST OF THE SPECTRAL QUALITY OF THE SYNTHETIC IMAGES Up today, the multispectral TM Landsat image was considered to be the most proper for forest areas applications The new multispectral image XS SPOT4 with four bands and a spatial resolution higher than TM s resolution can actually replace TM according to tables 1 and 2 4 PREPARATION OF THE IMAGES Since the relief of the study area is quite intense the orthorectification of the original images and the registration of the multispectral image on the panchromatic image were necessary before the fusion process The ortho-rectification was accomplished through 34 control points with an RMS error of 107 pixels for the XS image and 089 pixels for the PAN image After the orthorectification and during the resampling process the XS image s spatial resolution was increased to 10 m Finally, in order the images to have radiometric balance ([22]) there was a matching of PAN, XS1, XS2 and XS4 histogramme to the XS3 histogramme This preparation procedure, produced two original orthoimages of the same coordinate system, the same contrast and the same spatial resolution 5 FUSION METHODOLOGIES Three fusion techniques were used: fusion with principal components transformation (PCA) fusion with multiplication (MUL) fusion with Brovey transformation (BRO) In the PCA technique ([4], [8], [9], [12], [18]) the original multispectral image is transformed to principal components The new band PC1, is replaced by the PAN band and by inversion of the new principal components image the synthetic image SPOT*10 PCA of a 10m spatial resolution is created (fig 3) The MUL technique ([8], [18]) is a simple multiplication of each band of XS with the PAN By this technique the synthetic image SPOT*10 MUL is created with a spatial resolution of 10 m (fig 4) The BRO technique ([8], [10], [14], [18]) uses only the bands 1, 2 and 4 of the XS image and creates the synthetic image SPOT*10 BRO with three bands according to the relation (2) and with a spatial resolution of 10 m (fig 5) According to figures 3, 4 and 5 a simple optical observation cannot drive to conclusions concerning the spectral quality of the synthetic images 61 The statistical criteria of Wald et al 1997 According to Wald et al 1997, the synthetic images must have the three following properties ([27]): Any synthetic image M* h once degraded to its original resolution l should be as identical as possible to the original image M l Any synthetic image M* h should be as identical as possible to the image M h that the corresponding sensor would observe with the highest resolution h The multispectral set of synthetic images M* h should be as identical as possible to the mulstispectral set of images M h that the corresponding sensor would observe with the highest resolution h 611 Test of the first rule Firstly, the synthetic images SPOT*10 PCA, SPOT*10 MUL and SPOT*10 BRO were spatially degraded to the synthetic images SPOT*20 PCA, SPOT*20 MUL and SPOT*20 BRO with a spatial resolution of 20 m The histogrammes of the degraded images bands were matched to the histogrammes of corresponding bands of the original XS image The statistical quantities which gave a global view of the differences between the images were ([27]): 1 The bias, as well as, its value relative to the mean value of the original image 2 The difference in variances, as well as, its value relative to the to the variance of the original image 3 The correlation coefficient between the original and synthetic images 4 The standard deviation of the difference image, as well as, its value relative to the mean of the original image The values of the quantities above are given in tables 3, 4 and 5 The best values are marked with gray colour According to these tables the MUL technique proves to be the best, in relation to the validation of the first rule 612 Test of the second rule This test requires tow criteria ([27]) The first criterion uses the statistical quantities of 611 but for images created by the following procedure: The original PAN is degraded to the image PAN20 with a spatial resolution of 20 m The XS image is degraded to the image SPOT40 with a spatial resolution of 40 m

22 Τεχν Χρον Επιστ Έκδ ΤΕΕ, Ι, τεύχ 3 2002, Tech Chron Sci J TCG, I, No 3 Using the three fusion methods between the PAN20 and SPOT40 the synthetic images SPOT**20 PCA, SPOT**20 MUL and SPOT**20 BRO are created The results are depicted in tables 6 and 7 The second criterion required, tests the error at pixel level In table 9 the possibility of a relative error ε for each pixel to be less than or equal to a threshold is depicted The error ε is calculated through relation (3) According to tables 7 and 9, the MUL technique has the best spectral behaviour 613 Test of the third rule This test requires the application of three criteria and uses the images XS, PAN20, SPOT*20 PCA, SPOT*20 MUL and SPOT*20 BRO For the application of the first criterion the correlation coefficient between the original PAN and XS is compared to the correlation coefficient between PAN20 and SPOT*20 PCA, SPOT*20 MUL and SPOT*20 BRO The results are depicted in table 10 The ideal correlation values are those between the PAN20 and XS images According to table 10, the MUL technique gives correlation values nearer to the ideal The second criterion quantifies the synthesis of the actual multispectral n-tuplets by a fusion method An n-tuplet is the vector composed by each of the n spectral bands at a pixel The criterion comprises the number of different n-tuplets observed in the original XS and the synthetic SPOT*20 PCA, SPOT*20 MUL and SPOT*20 BRO, as well as, the difference between these numbers This criterion and the third one, were applied on a representative piece of the images containing 8611 pixels The results are depicted in tables 11 and 12 According to table 12 the PCA method is better, with a number of different n-tuplets very close to the number of different n-tuplets of the original image The third criterion assesses the performance in synthesizing the n-tuplets It deals with the most frequent n-tuplets because, according to Wald et al 1997, they are predominant in multispectral classification For a given threshold of frequency, only the n- tuplets having a number of pixels greater than this threshold are used In this paper the threshold of the 005% of the total number of pixels was used This threshold corresponds to 4 pixels All the n-tuplets corresponding to 4 pixels or more, are the significant ones The results are depicted in table 13 according to which the PCA method is better 62 Assessment of the spectral quality of the synthetic images using the NDVI index The application of the NDVI index to a multispectral image of a forest area is very significant Therefore, the original XS and the synthetic images must have the same spectral behaviour concerning this index For this reason, the NDVI images for the XS, SPOT*20 PCA, SPOT*20 MUL and SPOT*20 BRO were created For the assessment of the spectral behaviour the correlation coefficients between the XS NDVI and of the synthetic images NDVI were calculated In addition, the difference image was created between the XS NDVI and the synthetic NDVIs, taking two at a time The mean and the standard deviation of this difference image were also calculated Table 14 shows that the PCA method proves to be more useful concerning the NDVI index 7 CONCLUSIONS The results of the study are depicted in table 15 and figure 6 According to them, the BRO technique does not meet with the requirements foe spectral quality On the other hand the PCA and MUL techniques, in general, preserve the spectral characteristics equally well For the applications of the specific study area is of great importance the forested areas to be clearly separated from other areas Therefore, the results of the tests, that examine the spectral whole of a synthetic image (third rule and NDVI) are considered more significant than the others According to this, the PCA technique is chosen as the most proper for the forest area of Seich-Shou M Tsakiri-Strati, Acossiate Professor, Department of Cadastre, Photogrammetry and Cartography, School of Rural and Surveying Engineering, Aristotle University of Thessaloniki, Greece, E-mail:martsak@verginaengauthgr M Papadopoulou Acossiate Professor, Department of Cadastre, Photogrammetry and Cartography, School of Rural and Surveying Engineering, Aristotle University of Thessaloniki, Greece, E-mail:marpap@verginaengauthgr O Georgoula Assistant Professor, Department of Cadastre, Photogrammetry and Cartography, School of Rural and Surveying Engineering, Aristotle University of Thessaloniki, Greece, E-mail:olge@topoauthgr