Αναγνώριση πλοίων από δορυφορικές εικόνες Aster για την προστασία του θαλάσσιου περιβάλλοντος της Ηπείρου Μηλιαρέσης Γιώργος, Λέκτορας Τµήµα Γεωλογίας, Παν/µιο Πατρών, Ρίον 26500, miliaresis@email.com Πέκαλης ηµήτρης και Πέκαλη Βασούλα, Τεχνολόγοι Τοπογράφοι Μηχανικοί, Αφ. Λάππα 22, Νάουσα, 59200, pekalis@pathfinder.gr Περίληψη Η αναγνώριση αντικειµένων από δορυφορικές εικόνες στον θαλάσσιο περιβάλλον έχει πολύ µεγάλη σηµασία για την καταγραφή των στατικών στοιχείων (βραχονησίδες, ύφαλοι) αλλά και την καταγραφή της δυναµικής του χώρου (κίνηση πλοίων). Με δεδοµένο ότι οι εφαρµογές των δορυφορικών εικόνων ASTER σε αυτό το αντικείµενο δεν έχουν διερευνηθεί, στόχος αυτής της εργασίας είναι η αναγνώριση πλοίων από δορυφορικές εικόνες ASTER. Πρώτα γίνεται ραδιοµετρική διόρθωση της δορυφορικής εικόνας που περιλαµβάνει α) αποζωνοποίηση, β) διόρθωση για την ακτινοβολία ατµοσφαιρικής διαδροµής µε γραµµική παλινδρόµηση και γ) µετατροπή των τιµών φωτεινότητας σε τιµές ενέργειας µε βάση τις συνθήκες λειτουργίας του σαρωτή την στιγµή λήψης της εικόνας. Στην συνέχεια εφαρµόζονται χωρικά φίλτρα και εντοπίζονται στόχοι στο θαλάσσιο χώρο στους οποίου ενσωµατώνονται γειτονικά εικονοστοιχεία µε βάση κριτήρια χωρικής εγγύτητας. Μετά γίνεται παραµετρική τους αναπαράσταση ως προς την µέση φασµατική απόκριση σε κάθε φασµατικό κανάλι. Μετά εφαρµόζεται εξερευνητική ανάλυση συσσωρεύσεων και οι στόχοι οµαδοποιούνται σε κατηγορίες. Εισαγωγή Εικόνες από παθητικά δορυφορικά καταγραφικά συστήµατα έχουν χρησιµοποιηθεί µε πολλούς τρόπους στην µελέτη του θαλάσσιου περιβάλλοντος. Ενδεικτικά αναφέρουµε µελέτες προσδιορισµού της θερµοκρασίας της επιφάνειας για τον εντοπισµό ρευµάτων, και παράκτιων εκβολών υποθαλάσσιων πηγών. Αλλές ερευνητικές προσπάθειες προσδιόρισαν το βάθος των υδάτων σε παράκτιες ζώνες, κατέγραψαν την ύπαρξη πετρελαιοκηλίδων (καταγραφικά συστήµατα µε φασµατική ευαισθησία στο υπεριώδες), προσδιόρισαν το διαθέσιµο φυτοπλαγκτόν και φαινόµενα ευτροφισµού και περιβαλλοντικής υποβάθµισης (Frazier και Page 2000, Zhang 2000, Neville κ.α.. 2000, Mohd και Seeni 1989). Η αναγνώριση αντικειµένων από δορυφορικές εικόνες στον θαλάσσιο περιβάλλον έχει πολύ µεγάλη σηµασία για την καταγραφή των δυναµικών στοιχείων (πλοία) όσο και των στατικών χαρακτηριστικών του θαλάσσιου περιβάλλοντος (βραχονησίδες, ύφαλοι). Τέτοιου είδους δεδοµένα µπορούν να οδηγήσουν στην αναθεώρηση ναυτικών χαρτών (εντοπισµό βραχονησίδων και υφάλων) και να παρέχουν στατιστικά στοιχεία για την κίνηση στο θαλάσσιο χώρο. Τα στοιχεία αυτά µπορούν να αποτελέσουν πηγή δεδοµένων στα πλαίσια διαχείρισης µιας περιβαλλοντικής κρίσης (ναυτικό ατύχηµα) στον θαλάσσιο χώρο του Ιονίου και της παράκτιας ζώνης της Ηπείρου. Ιδιαίτερα η παράκτια ζώνη των νοµών Πρεβέζης και Θεσπρωτίας, η οποία χαρακτηρίζεται από την τουριστική ανάπτυξη, τις θαλάσσιες µεταφορές και τη αλιεία, συγκεντρώνοντας σηµαντικές αναπτυξιακές δυνατότητες. Ο εντοπισµό πλοίων από ενεργητικά παθητικά συστήµατα επιτεύχθηκε πρώτα το 1978 µε σαρωτές συνθετικού ανοίγµατος (SAR) από το δορυφόρο Seasat. Η ανάπτυξη σειράς δορυφόρων µικροκυµατικής τηλεπισκόπησης (ERS-1, JERS-1, ERS-2 and RADARSAT-1)
έδωσε περαιτέρω ώθηση στο αντικείµενο (Vachon και Olsen 1998). Από την άλλη πλευρά η ανάπτυξη µικροδορυφορικών συστηµάτων χαµηλού κόστους έδωσε την δυνατότητα σε µικρά κράτη να έχουν πρόσβαση σε δορυφορικές εικόνες και έδωσε νέα ώθηση στην προσπάθεια επιτήρησης του θαλάσσιου περιβάλλοντος και της καταγραφής των κινήσεων πλοίων. Συχνά αυτά τα συστήµατα αποτελούν συνδυασµό ενεργητικών και παθητικών συστηµάτων (Høye κ.α., 2001). Η διαθεσιµότητα πρόσφατα των δορυφορικών εικόνων του ASTER µε εξαιρετικά χαµηλό κόστος και µε περίοδο επανάληψης 16 ηµέρες και κάλυψη στο έδαφος 60km*60km δεν παύουν να αποτελούν µια εναλλακτική πηγή δεδοµένων που µπορεί να είναι και η µοναδική διαθέσιµη πηγή σε σχέση πάντα µε την χρονική στιγµή εκδήλωσης µιας κρίσης. Με δεδοµένο ότι οι εφαρµογές των δορυφορικών εικόνων ASTER δεν έχουν διερευνηθεί, στόχος αυτής της εργασίας είναι η χρήση τους στην αναγνώριση πλοίων. Μεθοδολογία Πρώτα περιγράφεται η περιοχή µελέτης και τα δεδοµένα. Στην συνέχεια γίνεται ραδιοµετρική διόρθωση των εικόνων και αναπτύσσεται η µέθοδος για τον εντοπισµό και την παραµετρική αναπαράσταση-ταξινόµηση των πλοίων. Η περιοχή µελέτης είναι βόρεια της Σαλαµίνας (Σχήµα 1) µε γεωγραφικό πλάτος στο εύρος [37.773, 38.124] και µήκος [23.415, 23.737]. Σχήµα 1. Περιοχή µελέτης (άσπρο παραλληλόγραµµο). Κανάλι Σχήµα 1. Σαρωτής VNIR (Abrams et al., 2002). Χωρική Ραδιοµετρική Φασµατική ευαισθησία (µm) διακριτική διακριτική ικανότητα (m) ικανότητα 1 0.52-0.60 (πράσινο) 2 0.63-0.69 (κόκκινο) 3N 0.78-0.86 (εγγύς υπέρυθρο 15 256 (8 bits) Χρησιµοποιήθηκε η εικόνα ASTER pg-pr1a0000-2001111201_007_024, που δόθηκε δωρεάν από την US Geological Survey κατά την περίοδο δοκιµαστικής λειτουργίας
του ASTER. Η εικόνα λήφθηκε 11/11/2001. Στην παρούσα έρευνα χρησιµοποιήθηκαν τα κανάλια 1,2 και 3Ν του σαρωτή VNIR (Πίνακας 1) που παρουσιάζει την µεγαλύτερη χωρική διακριτική ικανότητα. Ραδιοµετρικές ιορθώσεις Αποζωνοποίηση Το καταγραφικό σύστηµα VNIR είναι διανυσµατικός σαρωτής (αποτελείται από 4000 ανιχνευτές, διατεταγµένους σε ευθεία γραµµή, µε προσανατολισµό κάθετα ως προς την κίνηση του δορυφόρου). Εποµένως παρουσιάζεται το φαινόµενο της ζωνοποίησης λόγω διαφοροποίησης των ανιχνευτών (δυναµικό εύρος λειτουργίας). Η διαδικασία διόρθωσης (αποζωνοποίηση) περιλαµβάνει τον υπολογισµό της µέσης τιµής φωτεινότητας και της τυπικής απόκλισης για όλη την εικόνα αλλά και για κάθε στήλη της εικόνας. Στην συνέχεια γίνεται τυποποίηση της φασµατικής απόκρισης των εικονοστοιχείων κάθε στήλης στις στατιστικές τιµές όλης της εικόνας (Eastman, 1999). Πίνακας 2. Συνθήκες καταγραφής (Abrams et al., 2002). Μέγιστη καταγραφόµενη ενέργεια (W/(m 2 *sr*µm)ανά κανάλι ανάλογα µε την συνθήκη λειτουργίας (gain) Κανάλι High gain Normal Gain Low Gain 01 02 03 170.8 179.0 106.8 Μετατροπή σε Τιµές Ενέργειας Οι διανυσµατικοί σαρωτές µετατρέπουν τις καταγραφές τους σε ακέραιους αριθµούς στο εύρος της ραδιοµετρικής διακριτικής ικανότητας (για τον σαρωτή VNIR στο εύρος 0 έως 255). Επιπλέον ο σαρωτής VNIR έχει δυνατότητα να µεταβάλει το µέγιστο της ενέργειας (Πίνακας 2) που καταγράφει (gain) προσοµοιώνοντας την λειτουργία του φλάς της φωτογραφικής µηχανής (όσο µειώνεται το µέγιστο τόσο αυξάνεται η ένταση του φλάς σε αναλογία µε την φωτογραφική µηχανή). Αυτό σηµαίνει ότι ανάλογα µε τις συνθήκες φωτισµού της περιοχής που σαρώνει µπορεί να την καταγράψει µε διαφορετικό µέγιστο ενέργειας. Άρα για να συγκριθούν δυο εικόνες VNIR της ίδιας περιοχής είναι απαραίτητη η µετατροπή στις πραγµατικές τιµές ενέργειας που κατέγραψε ο σαρωτής από την σχέση (Abrams κ.α. 2002): Ενέργεια = (Τιµή φωτεινότητας 1) * Συντελεστή µετατροπής [Εξ. 1] Όπου ο συντελεστής µετατροπής ισούται µε το πηλίκο της µέγιστης τιµής ενέργειας (gain) προς την ραδιοµετρική διακριτική ικανότητα. Στην παρούσα εικόνα η καταγραφή σε high gain για τα κανάλια 1 και 2, ενώ το κανάλι 3 καταγράφηκε σε normal gain. ιόρθωση για την Ακτινοβολία Ατµοσφαιρικής ιαδροµής Έγινε µε διαδοχική γραµµική παλινδρόµηση (y=a*x+b) των καναλιών 1 (πράσινο) και 2 (κόκκινο) ως προς το κανάλι 3 (ανεξάρτητη µεταβλητή) και αφαίρεση της αντίστοιχης τιµής b από κάθε εικονοστοιχείο των εικόνων 1 και 2. Στο κανάλι 3 (εγγύς υπέρυθρο) η διάχυση είναι πρακτικά µηδέν και εποµένως η ακτινοβολία ατµοσφαιρικής διαδροµής θα τείνει στο µηδέν. Αντίθετα η διάχυση στο κανάλι 1 θα είναι πολύ µεγαλύτερη από το κανάλι 2 έτσι όπως προβλέπεται από τον νόµο του Raleigh (Richards, 1993). H ακτινοβολία 427 358 218 569 477 290
ατµοσφαιρικής διαδροµής προσδιορίσθηκε ίση µε 17.09 και 1.83 W/(m 2 *sr*µm) για τα κανάλια 1 και 2 αντίστοιχα. Εντοπισµός Πλοίων Τα πλοία είναι στόχοι χαµηλής ανακλαστικότητας σε ένα περιβάλλον (θάλασσα) που η ανακλαστικοτήτα είναι ακόµη χαµηλότερη. Με δεδοµένο την χωρική δειγµατοληψία σε εικονοστοιχεία διαστάσεων 15 * 15 m 2, δηµιουργούνται µικτά εικονοστοιχεία στα οποία η διαφοροποίηση από την περιβάλλουσα θάλασσα είναι ακόµη µικρότερη. Για αυτό τον λόγο θα χρησιµοποιηθεί το µέτρο της 1 ης παραγώγου της φωτεινότητας που είναι σε θέση να µεγιστοποιήσει µικρές διαφορές τιµές στην φωτεινότητα. Μια αναδροµή των µεθοδολογιών για τον προσδιορισµό του µέτρου 1 ης παραγώγου (gradient) δίνεται από τον Skidmore(1989). Στην προκειµένη περίπτωση θα χρησιµοποιηθεί ο τελεστής SOBEL (Mather 1987, Burrough 1986) σε ένα παράθυρο 3*3 σύµφωνα µε τον οποίο ο προσδιορισµό γίνεται ως ακολούθως: Παράθυρο 3*3 A B C D F G H I dh/dx= (C+2*F+I) - (A+2*D+G) dh/dy= (A+2*B+C) - (G+2*H+I) εξ.2 εξ.3 Gradient 2 dh dx 2 dh Г dy 0.4 Σχήµα 2. (α) µέτρο της 1 ης παραγώγου (όσο φωτεινότερο είναι ένα εικονοστοιχείο τόσο µεγαλύτερη είναι η κλίση) (β) κατωφλίωση για τιµή µεγαλύτερη από 19 o, (γ) γέµισµα εσωτερικών κενών, (δ) φιλτράρισµα µε βάση το µέγεθος. Περιοχές εκπαίδευσης υποδηλώνουν ότι στα περιγράµµατα των πλοίων παρατηρούνται κλίσεις µεγαλύτερες από 19 o (Σχήµα 2α). Κατωφλίωση για τιµή µεγαλύτερη από 19 o είχε σαν αποτέλεσµα τον εντοπισµό των αντικειµένων που εικονίζονται µε τα λευκά εικονοστοιχεία στην δυαδική εικόνα (Σχήµα 2β). Παρατηρήθηκε ότι τα εσωτερικά εικονοστοιχεία κάθε αντικειµένου δεν κατατµήθηκαν επειδή είχαν οµοιόµορφη φωτεινότητα άρα η κλίση πλησίαζε το 0. Στην συνέχεια µε αλγόριθµο εύρεσης συνδεδεµένων µερών (Pitas 1993) εντοπίσθηκαν τα εικονοστοιχεία που απαρτίζουν κάθε αντικείµενο καθώς και τα
εσωτερικά τους εικονοστοιχεία. Στην συνέχεια τα εσωτερικά εικονοστοιχεία ενσωµατώθηκαν στο περίγραµµα (Σχήµα 2c) και αντικείµενα µε µεγεθος < 9 εικονοστοιχεία διαγράφηκαν (Σχήµα 2d). Το µέγεθος και η φασµατική υπογραφή κάθε στόχου δίνεται στον πίνακα 3. Πίνακας 3. Φασµατικές υπογραφές και µέγεθος (σε εικονοστοιχεία) των αντικειµένων. Νο µέγεθος Κανάλι Κανάλι Νο µέγεθος 1 2 3Ν 1 2 3Ν 1 71 26.80 34.07 48.18 25 34 10.44 17.44 25.32 2 15 10.47 10.20 16.13 26 33 12.09 17.27 21.15 3 18 14.33 17.78 26.06 27 54 10.22 11.89 17.61 4 25 10.48 11.24 16.16 28 50 12.74 22.12 30.32 5 19 12.84 12.95 19.68 29 48 15.25 23.10 28.92 6 19 11.00 12.53 16.58 30 80 10.31 15.03 20.14 7 12 9.75 13.25 15.92 31 63 12.87 17.67 24.32 8 15 9.73 9.60 16.67 32 62 13.00 17.74 24.52 9 20 10.40 18.10 26.80 33 29 9.31 14.59 17.41 10 13 9.46 16.08 20.77 34 42 14.21 21.57 27.60 11 26 12.19 20.12 25.54 35 80 12.19 24.85 32.91 12 13 8.31 11.69 13.54 36 61 13.43 25.57 36.69 13 29 12.21 19.76 25.55 37 95 14.62 30.07 39.48 14 25 12.32 15.20 20.96 38 48 14.54 18.54 25.31 15 74 14.08 21.74 29.28 39 11 13.18 30.05 40.82 16 31 13.45 20.45 26.35 40 95 17.75 23.26 30.58 17 18 11.56 17.50 22.11 41 20 9.40 12.05 17.15 18 41 13.34 22.71 29.29 42 72 10.69 23.00 32.56 19 34 13.15 15.09 21.88 43 72 13.51 19.79 26.76 20 34 10.85 21.35 29.29 44 97 13.14 28.89 39.40 21 45 13.69 21.22 27.87 45 64 12.59 18.27 25.19 22 23 8.65 11.35 15.52 46 71 13.13 15.18 24.58 23 35 12.37 23.29 30.09 47 76 10.45 19.37 27.12 24 75 12.23 28.11 39.45 48 60 15.73 17.88 23.12 Εξερευνητική Ανάλυση Συσσωρεύσεων Επειδή δεν υπάρχει ένα µοντέλο που να χαρακτηρίζει τα αντικείµενα βάση της φασµατικής τους απόκρισης για να διερευνηθεί πως οργανώνεται σε τάξεις εφαρµόζεται εξερευνητική ανάλυση συσσωρεύσεων. Τέσσερις τάξεις εντοπίσθηκαν από τον αλγόριθµο των Κ-Κέντρων (Mather 1987) τα κέντρα βάρους των οποίων και ο πίνακας διαχωρισµού δίνονται στο πίνακα 4. Η τάξη 1 περιλαµβάνει ένα αντικείµενο. Παρατηρούµε ότι από την τάξη 2 προς την τάξη 3, 4 και 1 υπάρχει µια σταδιακή αύξηση στην ανακλαστικότητα των αντικειµένων µε βάση τα κέντρα βάρους (Πίνακας 4). Επιπλέον οι τάξεις 1 και 2 διαφοροποιούνται περισσότερο ενώ οι τάξεις 3 και 2 λιγότερο (Πίνακας 4). Η χωρική κατανοµή των τάξεων δίνεται στο Σχήµα 3. Πίνακας 4. Κέντρα βάρους και πίνακας διαχωρισµού των τάξεων. Κέντρα βάρους Πλήθος Πίνακας διαχωρισµού Τάξεις αντικειµένων κανάλι 1 2 3Ν 1 2 3 4 2 16 10.47 13.12 17.95 1 0 3 25 13.00 19.96 26.98 2 40.23 0 4 6 13.13 27.92 38.12 3 28.96 11.60 0 1 1 26.80 34.07 48.18 4 18.04 25.15 13.7 0
Συµπέρασµα Ο εντοπισµός αντικείµενων στο θαλάσσιο περιβάλλον έγινε δυνατός µε την βοήθεια χωρικών φίλτρων. Κατά αυτόν τον τρόπο εντοπίσθηκε το περίγραµµα των αντικειµένων τα οποία στην συνέχεια «γέµισαν» µε την βοήθεια ενός αλγορίθµου εύρεσης συνδεδεµένων µερών. Η περαιτέρω αξιολόγηση των αντικειµένων απαιτεί συσχέτιση των αντικειµένων µε υδρογραφικό χάρτη προκειµένου να εντοπισθούν ποια αντιστοιχούν σε βραχονησίδες (µάλλον είναι στόχοι µε µεγαλύτερη ανακλαστικότητα) και ποια σε ύφαλους. Πιο εµπεριστατωµένη µελέτη θα απαιτούσε την εφαρµογή µη επιβλεπόµενης ταξινόµησης στην θαλάσσια ζώνη προκειµένου να εντοπισθούν ζώνες µε διαφορετική φασµατική απόκριση που οφείλεται στο διαφορετικό βάθος ή στον κυµατισµό ή στις διαφορετικές φυσικοχηµικές συνθήκες (αλατότητα, θερµοκρασία, κ.α.). Η στατιστική περιγραφή των ζωνών αυτών υποδηλώνει περιβάλλοντα στα οποία είναι πολύ πιθανό οι αρχικές συνθήκες εντοπισµού των πλοίων (κατωφλίωση, κ.α.) να πρέπει να διαφοροποιούνται. Επιπλέον στατιστικά τεστ (t και f) που να ελέγχουν την πιθανότητα ενός εικονοστοιχείου να ανήκει σε ένα στόχο σε σχέση µε τις ζώνες που συνιστούν τον θαλάσσιο χώρο θα υλοποιηθούν σε επόµενες εργασίες. Ο στόχος θα είναι η διάκριση των αντικειµένων σε α) βραχονησίδες και πλοία, β) τα πλοία να διακριθούν σε αποµονωµένα πλοία και αγκυροβόλια πλοίων ενώ γ) τα αποµονωµένα πλοία να διακριθούν σε εµπορικά/επιβατικά και στρατιωτικά ανάλογα µε το µέγεθος, την φασµατική τους απόκριση αλλά και το σχήµα τους. Βιβλιογραφία Σχήµα 3. Χωρική κατανοµή των τάξεων. Abrams M., Hook S., Ramachandran B., 2002. Aster user guide, ver. 2. EROS data center, Sioux Falls. 52 p. Burrough P., 1986. Principles of Geographical Information Systems. Oxford University Press, New York, 194 p. Clark W., Hosking P., 1986. Statistical methods for geographers. John Wiley & Sons, New York, 518 p. Eastman R., 1999. Guide to GIS and image processing (volume 2). Clark Labs, Worchester, MA, 169 p. Frazier P., Page K., 2000. Water body detection and delineation with Landsat TM data. Photogrammetric Engineering and Remote Sensing, 66(12), 1461-1467 Høye G., Eriksen T., Narheim B., Wahl T., 2001. Global Fisheries Monitoring from Small Satellites. 3rd IAA Symposium on Small Satellites for Earth Observation, IAA-B3-0804. Mather, P.M., 1987. Computer processing of remotely-sensed images. John Wiley and Son, New York, 352 pp. Mohd I., Seeni M., 1989. Water depth determination from satellite data. ACRS, session in Oceanography, http://www.gisdevelopment.net/aars/acrs/1989/f/ocean002.shtmlacrs 1989 Neville R., Coward R., Watson R., Inglis M., Morain S., 2000. The application of TM imagery and GIS data in the assessment of arid lands water and land resources in west Texas. Photogrammetric Engineering and Remote Sensing, 66(11), 1373-1379. Pitas, I., 1993. Digital image processing algorithms. Prentice Hall, London, 362 pp.
Richards J., 1993. Remote sensing digital image analysis. Springer-Verlag, New York, 340 p. Shaw G., Wheeler D., 1985. Statistical techniques in geographical analysis. John Wiley & Sons, Chichester, 364 p. Skidmore A., 1989. A comparison of techniques for calculating gradient and aspect from a gridded digital elevation model. International Journal of Geographical Information Systems, 3(4) 323-334. SPSS, 1997. SPSS Base 7.5 Applications Guide, SPSS Inc. USA. 339 p. Vachon P., Olsen R., 1998. RADARSAT SAR Mode Selection for Marine Applications: Amendments Based on Post-Launch Experience. Backscatter, 14-20. Zhang Y., 2000. A method for continouos extraction of multispectrally classified urban rivers. Photogrammetric Engineering and Remote Sensing, 66(8), 991-999. Ship features extraction from ASTER imagery for environmental protection planning of the sea environment of Ipiros Μiliaresis George, Lecture, Geology Department,University of Patras, RION 26500, tel: +30-6977-047123, miliaresis@email.com Pekalis Dimitris and Pekali Vasso, Surveyors, 22, Af. Lappa Str., Naousa, 592-00 Greece, Tel: +30-23320-22963, Email: pekalis@pathfinder.gr Abstract The detection of objects from satellite imagery is of big importance for the recording of both the static (small rocky islands and reefs) and the dynamic objects (ships) of the sea environment. The availability of low cost ASTER imagery with moderate spectral resolution and revisit time of 20 days provided new means in the study of the ocean environment. An ASTER image covers an area of size 60 km times 60 km with spatial resolution 15 meters in VNIR sensor. The aim of this paper is the detection of ships from ASTER VNIR imagery. An ASTER of Saronicos Bay (near Piraeus-Athens) was radiometrically corrected (destriped, converted to radiance while path radiance was estimated and removed). Then spatial filtering (sobel operator) was applied to the green channel (band 01) in order to detect the border of objects with slightly higher reflectance form the surrounding sea. Thesholding of the SOBEL image allowed the discrimination of edges that corresponded to ships from the remaining stripping lines. The ships border was detected in this way while the inner portion of the ships failed to be extracted due to the almost uniform reflectance evident. A connected components labeling algorithm allowed the identification of the ships and the merging of the inner areas (background objects) to the corresponding border (foreground objects). Finally the spectral signature of the ships in ASTER VNIR imagery (green, red and infrared channels) was determined while cluster analysis allowed the identification of ship categories on the basis their spectral response. The detection of ships from ASTER imagery with almost one month revisit time allows the estimation of statistics about the sea traffic in certain regions of the oceans.