Εθνικό Μετσόβιο Πολυτεχνείο

ΣΥΓΧΡΟΝΕΣ ΜΕΘΟ ΟΙ ΑΝΑΛΥΣΗΣ ΕΙΚΟΝΩΝ ΚΑΙ ΟΡΑΣΗΣ ΥΠΟΛΟΓΙΣΤΩΝ ΓΙΑ ΤΗΝ ΕΞΑΓΩΓΗ ΧΑΡΑΚΤΗΡΙΣΤΙΚΩΝ ΣΤΟΝ ΑΣΤΙΚΟ ΧΩΡΟ Αργιαλάς., ΚαράντζαλοςΚ., Μαυραντζά, Ο., Τζώτσος Α., Νούτσου Β., Μιχάλης Π, Εργαστήριο Τηλεπισκόπησης Τµήµα Αγρονόµων και Τοπογράφων Μηχανικών Εθνικό Μετσόβιο Πολυτεχνείο ΤΕΕ: Τηλεπισκόπηση Εξελίξεις και Εφαρµογές -- ΕΜΠ 22-23 Φεβρουαρίου 2007 1

ΣΥΓΧΡΟΝΕΣ ΜΕΘΟ ΟΙ ΑΝΑΛΥΣΗΣ ΕΙΚΟΝΩΝ ΚΑΙ ΟΡΑΣΗΣ ΥΠΟΛΟΓΙΣΤΩΝ ΓΙΑ ΤΗΝ ΕΞΑΓΩΓΗ ΧΑΡΑΚΤΗΡΙΣΤΙΚΩΝ ΣΤΟΝ ΑΣΤΙΚΟ ΧΩΡΟ Οι σύγχρονες µέθοδοι ταξινόµησης αντικειµένων χρησιµοποιούν τρία επίπεδα ανάλυσης (χαµηλό, µεσαίοκαιυψηλό). Στο χαµηλό επίπεδο, αντικείµενα είναι ακµές και οµοιόµορφες περιοχές, ενώ στο υψηλό τα σηµασιολογικάαντικείµενα. Τα πρώτα χρίζουν µεθόδων εξαγωγής ακµών και µεθόδων κατάτµησης ενώ τα τελευταία αντικειµενοστραφώνασαφώνβάσεωνγνώσεων. Ηεργασίααποτελείταιαπότέσσαριςενότητες, δυο αφορούν εξαγωγή ακµών και δυο αφορούν εξαγωγή αντικειµένων. 2

Εξαγωγήακµών ακµώνχαρακτηριστικών αστικούχώρου χώρουµεβέλτιστους αλγορίθµουςεξαγωγής εξαγωγήςακµώνακµών 3

ιαδικασία Η εξαγωγή ακµών πραγµατεύεται τις ασυνέχειες στα: Φωτοµετρικά Γεωµετρικά Φυσικά χαρακτηριστικά µιας εικόνας 4

Ανασκόπηση βιβλιογραφίας εξαγωγής ακµών για στοιχεία αστικού χώρου (1) Οι χρησιµοποιούµενες µέθοδοι εξαγωγής ακµών έχουν χρησιµοποιηθεί επιτυχώς για την εξαγωγή φυσικών αντικειµένωνσεφωτογραφίες (π.χ. περίγραµµασπιτιών, αυτοκινήτων, κ.α.), αλλάκαισεαεροφωτογραφίες (π.χ. περιγράµµατα κτηρίων) (Heath, 1996, Sarkar, et.al. 2001) 5

Ανασκόπηση βιβλιογραφίας για στοιχεία αστικού χώρου (2) Γιατηνεξαγωγήακµώνστοναστικόχώροέχουν επιπρόσθετα σχεδιαστεί και υλοποιηθεί αλγόριθµοι ανίχνευσηςβασισµένοιστασυµφραζόµενα (contextual detectors), αλλά αυτοί οι αλγόριθµοι εξαρτώνται από το στόχο της εφαρµογής που χρησιµοποιούνται Παρόµοιες τεχνικές ανίχνευσης βασίζονται σε snakes, στατιστικάεργαλείακαινευρωνικάδίκτυα. 6

Επιλογή αλγορίθµων εξαγωγής ακµών Οι αλγόριθµοι βέλτιστης εξαγωγής ακµών επιλέχθηκαν ώστε να πληρούνται τα ακόλουθα κριτήρια ανίχνευσης της ακµής: Αύξηση λόγου σήµατος προς θόρυβο µε την αποµάκρυνση των εσφαλµένων ακµών Επιτυχής ανίχνευση των ακµών Ορθός εντοπισµός θέσης και µοναδικότητα απόκρισης της κάθε ακµής Επιπρόσθετη εξαγωγή των καµπυλόγραµµων, εκτός των γραµµικών, µε καλή συνεκτικότητα και µήκος ακµής. 7

Επιλογή βέλτιστων αλγορίθµων εξαγωγής ακµών Αλγόριθµος CANNY (1983) Αλγόριθµος ROTHWELL (1994) Αλγόριθµος LOG-LIN των IVERSON ZUCKER (1995) Αλγόριθµος BEZDEK (1998) Αλγόριθµος EDISONτων MEER GEORGESCU (2001) 8

Εξαγωγή ακµών: Είδος εξαγόµενων ακµών µέσω των επιλεγµένων αλγορίθµων εξαγωγής ακµών Προφίλ ακµής µορφήςσκεπής Προφίλ ακµής µορφήςράµπας Όλοι οι αλγόριθµοι Όλοι οι αλγόριθµοι Ακµέςσυνένωσης Rothwell, LOG-LIN, EDISON 12

Περιοχή Αγίου Στεφάνου Αττικής Παρουσίαση δορυφορικής εικόνας IKONOS 13

Σχήµα 2: Θεµατική υπέρθεση των φωτοερµηνευµένων ακµών αστικών χαρακτηριστικών (κτηρίωνκαιδρόµων) της εικόνας του Σχήµατος 1. Σχήµα 1: Έγχρωµο σύνθετο της δορυφορικής εικόνας IKONOS, µε χωρική διακριτική ικανότητα 1mαναδοµηµένοκαιµέγεθος 421x497 εικονοστοιχεία 14

Περιοχή «Άγιος Στέφανος» Χάρτες ακµών από την εφαρµογή των αλγορίθµων εξαγωγής ακµών 15

CANNY: σ=0.6, Τ low = 0.50, Τ high = 0.90 Οι περιοχές που περιλαµβάνουν κτήρια απεικονίζονται µε πράσινεςελλείψεις. Εξήχθησαν ακµές «οπτικά συµβατές» σε πραγµατικά όρια κτηρίων. Με κόκκινη έλλειψη απεικονίζεται ακµή συνένωσης (junction edge),ηοποίαδεν εξάγεται µε τον αλγόριθµο του Canny. 16

ROTHWELL: σ=2.0, Τ low = 8.0 Τ high = 0.90 Οι περιοχές που περιλαµβάνουν κτήρια απεικονίζονται µε µπλεελλείψεις. Με κόκκινη έλλειψη απεικονίζεται ακµή συνένωσης (junction edge),ηοποίαδεν εξάγεται µε τον αλγόριθµοτου Canny. 17

LOG-LIN: T=0.040, 16 διευθύνσεις, d=64 Ο αλγόριθµος LOG- LIN εξήγαγε ακµές µε ικανοποιητική «ερµηνευσιµότητα» λόγω της στήριξης του αλγορίθµου σε διαδικασίες που βασίζονται στα τοπολογικά και δοµικά στοιχεία της εικόνας. 18

BEZDEK: Τau=2.00 και υαδική_κατωφλίωση =60 (τιµή DN µεταξύ 0-255). Ο αλγόριθµος του BEZDEK εξήγαγε ακµές σηµασιολογικού περιεχοµένου µε ικανοποιητική «ερµηνευσιµότητα». 19

EDISON (1) (α)κλίση = 4.00, (b) Ελάχιστο µήκος ακµής =7.00, (γ) (ε) Αποκοπή µη- µεγίστων εικονοστοιχείων: Είδος = γραµµή, βαθµός=0.5 και βεβαιότητα=0.5, (στ) (θ) T high υστέρησης: Είδος = γραµµή, Βαθµός=0.95 και βεβαιότητα =0.97, και (ι)-(κ) T low υστέρησης: Είδος= γραµµή, Βαθµός =0.99 και βεβαιότητα =0.95. 20

EDISON (2) Ο αλγόριθµος EDISON εξήγαγε επιπρόσθετα και ακµές συνένωσης εξαιτίας της ενσωµάτωσης του µέτρου βεβαιότητας σε αυτή την τροποποιηµένη εκδοχή του αλγορίθµου του Canny, ηοποία ελέγχει τις διαδικασίες της αποκοπής των µη- µεγίστων εικονοστοιχείων και της κατωφλίωσης µε υστέρηση κατά τη διάρκεια της διαδικασίας εξαγωγής ακµών. 21

Αξιολόγηση αλγορίθµων εξαγωγής ακµών 22

Ποιοτική αξιολόγηση των επιλεγµένων αλγορίθµων Βασίσθηκε στην οπτική σύγκριση των εξαγόµενων χαρτών ακµών µε τους χάρτες επιγείου ελέγχου). υνατότητα ανίχνευσης όλης (ή σχεδόν όλης) της σχετικής µε τις γραµµώσεις πληροφορίας. Ελαχιστοποίηση των µη σηµαντικών (σηµασιολογικών) ακµών. 23

Ποιοτική αξιολόγηση των επιλεγµένων αλγορίθµων 27

Συµπεράσµατα (1) Όσον αφορά στην ποιοτική αξιολόγηση των αλγορίθµων βέλτιστης ανίχνευσης ακµών που εφαρµόστηκαν για την εξαγωγή ακµών χαρακτηριστικών αστικού χώρου, παρείχαν ικανοποιητικά αποτελέσµατα όσον αφορά στην: την ακρίβεια εντοπισµού θέσης των ακµών σε σύγκριση µε τα επίγειαδεδοµένααναφοράς, τη συνεκτικότητα των ακµών όπως προκύπτει από οπτική παρατήρηση της ακµής και την «ερµηνευσιµότητα» τους. 28

Συµπεράσµατα (2) Όσον αφορά στην ποσοτική αξιολόγηση των αλγορίθµων βέλτιστης ανίχνευσης ακµών που εφαρµόστηκαν για την εξαγωγή ακµών χαρακτηριστικών αστικού χώρου, αυτές µπορούν να πραγµατοποιηθούν µε ποσοτικά µέτρα αξιολόγησης : την ακρίβεια εντοπισµού θέσης των ακµών σε σύγκριση µε τα επίγεια δεδοµένα αναφοράς (π.χ. ποσοτικό µέτρο αξιολόγησης Pratt), και τη συνεκτικότητα των ακµών όπως προκύπτει από οπτική παρατήρηση της ακµής (π.χ. ποσοτικό µέτρο αξιολόγησης του Rosenfeld). 29

Προοπτικές Οι χάρτες από την εφαρµογή των αλγορίθµων εξαγωγής ακµών µπορούν να εισαχθούν σε συστήµατα βασισµένα στη γνώση (ασαφούς λογικής / έµπειρα συστήµατα) για την αναγνώριση των αστικών χαρακτηριστικών. 30

ΑνάλυσηΚυµατιδίωνσε ΤηλεπισκοπικέςΕικόνεςγια ΑστικόΧώρο 31

ΚΥΜΑΤΙ ΙΑ Τα κυµατίδια πραγµατοποιούν ανάλυση στο πεδίο των συχνοτήτων αλλά και στο πεδίο του χώρου-χρόνου παρουσιάζοντας πλεονέκτηµα σε σχέση µε το µετασχηµατισµό Fourier ο οποίος πραγµατοποιείανάλυσηµόνοστοπεδίοτων συχνοτήτων. Υπάρχουνπολλέςοικογένειες κυµατιδίων. Τα κυµατίδια αναπαρίστανται από το µητρικό κυµατίδιο και µια συνάρτησηκλίµακας. Η πρόκληση είναι να επιλεχτεί το κατάλληλο κυµατίδιο για κάθε εφαρµογήπουδενείναιγνωστό a priori. ιάφορες οµάδες κυµατιδίων χρησιµοποιήθηκαν, µαζί µε την επιλογή του επιπέδου κατωφλίωσης, στην προσπάθεια να δοθούν καλύτερα αποτελέσµατα στη διαδικασία εξαγωγής ακµών σε σχέση µετιςπαραδοσιακέςµεθόδους. 32

ΕΦΑΡΜΟΓΗΚΥΜΑΤΙ ΙΩΝ ύο µέθοδοι βασισµένες στα κυµατίδια από την άποψη της ανάλυσης πολλαπλών κλιµάκων (multiresolution) έχουν εισαχθεί και έχουν εφαρµοστεί στα πλαίσια της εξαγωγής των ακµών στις αστικές περιοχές σε δορυφορικές εικόνες υψηλής ανάλυσης στην παρούσαεργασία. Η πρώτη µέθοδος βασίστηκε στο δισδιάστατο µετασχηµατισµό κυµατιδίων (fast wavelet transform) όπου έγινε χρήση δισορθογώνιου (biorthogonal) µητρικού κυµατιδίου και πολλαπλασιασµός δύο γειτονικών κλιµάκων. Τα επίπεδα της ανάλυσης πολλαπλών κλιµάκων εξετάστηκαν λαµβάνοντας υπόψη τιςδιαστάσειςτωναντικειµένωνπουµελετήθηκαν. Η δεύτερη µέθοδος βασίστηκε σε ένα νέο κυµατίδιο το οποίο ονοµάζεται "contourlet" και έχει αναπτυχθεί πρόσφατα ως βελτίωση τωνδυνατοτήτωντωνκλασσικώνκυµατιδίωνστηνανάλυσηεικόνας. Το Contourlet έχει σχεδιαστεί, έτσι ώστε να µπορεί να εντοπίσει τις ακµές µιας εικόνας σε διάφορες κατευθύνσεις, έχοντας κατά συνέπεια ένα σηµαντικό πλεονέκτηµα έναντι των κλασσικών κυµατιδίων. 33

ΚΥΜΑΤΙ ΙΑΚΑΙΕΞΑΓΩΓΗΑΚΜΩΝ Η ανάλυση κυµατιδίων µπορεί να χρησιµοποιηθεί αποτελεσµατικά στις εικόνες υψηλής διακριτικής ικανότητας όπου διαχειρίζεται καλύτερα την πληροφορίατους. Οι ακµές των µεγάλων αντικειµένων διατηρούνται στις κλίµακες πιο υψηλού επιπέδου (µικρότερης γεωγραφικής κλίµακας) ενώ οι ακµές των µικρότερων αντικειµένων διατηρούνται µόνο στα µικρότερα επίπεδα ανάλυσης κυµατιδίων. Με άλλα λόγια, η ανάλυση κυµατιδίων µπορεί να συλλάβει και να διαχειριστεί τις πληροφορίες ακµών των διαφορετικών κλιµάκων, µε έναν τρόποανάλογοµετοντρόποαντίληψηςτουανθρώπου. Οι τεχνικές ανίχνευσης ακµών που είναι βασισµένες στην ανάλυση κυµατιδίων, έχουνεφαρµοστείαπότο 1992. Αρχίζοντας από Mallat και Zhong (1992) οι οποίοι πρότειναν τη χρήση του τετραγωνικών ελαστικών καµπυλών (splines) ως µητρικό κυµατίδιο που προσεγγίζει την πρώτη παράγωγο του Gauss, και του προσδιορισµού των ακµών µε τον υπολογισµό των τοπικών µεγίστων του µετασχηµατισµού κυµατιδίων. Απεδείχθηκε ότι αυτή η µέθοδος είναι ισοδύναµη µε τον ανιχνευτήακµώντου Canny. O µετασχηµατισµός κυµατιδίων υλοποιείται µόνο σε τρεις κατευθύνσεις (οριζόντιος, κάθετος και διαγώνιος). Αυτό είναι ένας περιορισµός στους πιθανούςτρόπουςτωνασυνεχειώνήτηςκατεύθυνσηςτωνκαµπυλών. 34

ΠΟΛΛΑΠΛΑΣΙΑΣΜΟΣΚΛΙΜΑΚΑΣ Στην ανίχνευση ακµών που βασίζεται στον πολλαπλασιασµό κλιµάκων, πολλαπλασιάζονται δύο υποκανάλια του µετασχηµατισµού και οι ακµές καθορίζονται ως τοπικά µέγιστα µετά απόκατάλληληκατωφλίωση. Ο πολλαπλασιασµός κλίµακας ενισχύει τις δοµές της εικόνας και µειώνει το θόρυβο. Ένας χάρτης ακµών παράγεται αποτελεσµατικά αποφεύγοντας την εκ των υστέρων σύνθεση, σε αντίθεση µε άλλους ανιχνευτές ακµών πολλαπλών κλιµάκων (multiresolution), όπου οι ακµές εντοπίζονται σε διάφορες κλίµακες και ο χάρτης ακµών συντίθενταιστησυνέχεια. Αποδείχθηκε ότι η βελτίωση στην ακρίβεια εντοπισµού και τα αποτελέσµατα ανίχνευσης µε τη χρήση του πολλαπλασιασµού κλιµάκων είναι καλύτερα από ότι χρησιµοποιώντας καθεµία από τις δύοκλίµακεςξεχωριστά (Zang and Bao, 2002). Πρέπει συχνά να αυξηθεί η κλίµακα προκειµένου να εξαλειφθεί ο υπάρχων θόρυβος, αλλά ακµές που βρίσκονται πολύ κοντά µεταξύ τους µπορεί να µην ανιχνευθούν. Επίσης διαπιστώθηκε ότι ο πολλαπλασιασµός κλίµακας µειώνει αυτή την αλληλεπίδραση γειτονικώνακµών. 35

ΜΕΤΑΣΧΗΜΑΤΙΣΜΟΣ CONTOULET Οι εικόνες αποτελούν δισδιάστατα σήµατα, τα οποία είναι οµαλά µακριά από τις ασυνέχειες στις οµαλές καµπύλες. Ο µετασχηµατισµός κυµατιδίων εφαρµόζεται µόνο σε τρεις κατευθύνσεις (οριζόντια, κάθετη και διαγώνιο). Αυτό αποτελεί έναν περιορισµό στους πιθανούς τρόπους εντοπισµού των ασυνεχειώνήτηςκατεύθυνσηςτωνκαµπυλών. Ο µετασχηµατισµός Contourlet είναι µία δισδιάστατη διακριτή προσέγγιση η οποία µπορεί να αναπαραστήσει την εγγενή γεωµετρική δοµή των εικόνων. Μια διπλή δοµή φίλτρων, που ονοµάστηκε pyramidal directional filter bank, προτάθηκε το 2001. Αυτόςοµετασχηµατισµόςαποτελείευέλικτο, τοπικό, πολλαπλών κλιµάκων, µετασχηµατισµό και επιπλέον δίνει τη δυνατότητα ανίχνευσης ακµών των εικόνων σε οποιαδήποτε κατεύθυνση. 36

ΙΑ ΙΚΑΣΙΑΑΞΙΟΛΟΓΗΣΗΣ Στηδιαδικασίααξιολόγησηςχρησιµοποιήθηκεµια pansharpened IKONOS σκηνή της ηµιαστικής περιοχής του Αγ. Στεφάνου. Επιλέχθηκαν διαφορετικά τµήµατα της σκηνής για τις δοκιµές, τα οποία περιέχουν ανθρωπογενή αντικείµενακαιεπιπλέονδιαφορετικόςσυνδυασµόςκαναλιώντηςεικόνας. Η διαδικασία του πολλαπλασιασµού κλίµακας επιλέχτηκε επειδή δίνει καλά αποτελέσµατα στις εικόνες µε θόρυβο και είναι βασισµένη στην ανάλυση κυµατιδίων. Θεωρώντας τις µη-επιθυµητές λεπτοµερείς πληροφορίες των δορυφορικών εικόνων υψηλής διακριτικής ικανότητας ως θόρυβο, που µειώνεται στα πιο υψηλά επίπεδα του µετασχηµατισµού κυµατιδίων. Εποµένως, ο πολλαπλασιασµός κλίµακας ενδεχοµένως να έχει καλά αποτελέσµατα. Ο µετασχηµατισµός Contourlet επιλέχτηκε δεδοµένου ότι έχει σχεδιαστεί να χειριστεί δισδιάστατα σήµατα και ενσωµατώνει περισσότερες κατευθύνσεις στην ανίχνευση. Με άλλα λόγια, ο µετασχηµατισµός contourlet θα απέδιδε καλά στις δορυφορικές εικόνες δεδοµένου ότι θα µπορούσε να αναπαραστήσειτηµορφήκαµπυλών. Επιπλέον, ο contourlet µετασχηµατισµός, όπως τα κυµατίδια, θα µπορούσε να αναπαραστήσει τις πληροφορίες των διαφορετικών κλιµάκων δεδοµένου ότι εφαρµόζει ανάλυσηπολλαπλώνκλιµάκων. 37

ΙΑ ΙΚΑΣΙΑ ΑΞΙΟΛΟΓΗΣΗΣ- Πολλαπλασιασµός Κλίµακας Αρχικήεικόνα: IKONOS pansharpened (321 color composite) Παραγόµενος χάρτης ακµών µε χρήση τωνκλιµάκων 1-2 Τα επίπεδα 1-2 του µετασχηµατατισµού κυµατιδίων χρησιµοποιήθηκαν στο πολλαπλασιασµό κλιµάκων, επειδή τα κτίρια και οι δρόµοι στη συγκεκριµένη εικόνα δεν είναι αρκετά µεγάλα ώστε ναχρησιµοποιηθούνυψηλότεραεπίπεδα. Ακµές από ανθρωπογενή αντικείµενα έχουν ανιχνευτεί Σε υπαίθριους χώρους µη επιθυµητά αντικείµενα όπως µικρά δένδρα συνήθως δεν ανιχνεύονται. 38

ΙΑ ΙΚΑΣΙΑ ΑΞΙΟΛΟΓΗΣΗΣ- Contourlets Αρχική εικόνα: IKONOS panchromatic Σηµεία όπου παρουσιάζονται υψηλοί συντελεστές του µετασχηµατισµού Υψηλοί συντελεστές παρουσιάζονται στα σηµεία όπου βρίσκεται το οδικό δίκτυο 39

ΙΑ ΙΚΑΣΙΑ ΑΞΙΟΛΟΓΗΣΗΣ- Contourlets Παραγόµενος Χάρτης ακµών που προέκυψε από εκλέπτυνση που προέκυψε της προηγούµενης εικόνας Παραγόµενος χάρτης ακµών µετά τη χρήση µορφολογικών τελεστών Χρησιµοποιήθηκαν οι µορφολογικοί τελεστές fill, thin and shrink για να καθαρίσει η εικόνα από περιττή πληροφορία Το οδικό δίκτυο στην πλειοψηφία του διατηρείται µετά τη χρήση των µορφολογικών τελεστών 40

ΙΑ ΙΚΑΣΙΑ ΑΞΙΟΛΟΓΗΣΗΣ- Contourlets Αρχική εικόνα: IKONOS pansharpened, κανάλι 4 Παραγόµενος χάρτης ακµών µετά τη χρήση µορφολογικών τελεστών Χρησιµοποιώντας τις θετικές τιµές του µετασχηµατισµού contourlet και τις αρνητικές ξεχωριστά είναι δυνατός ο διαχωρισµός διαφορετικών τύπων δρόµων (ασφαλτοστρωµένοι δρόµοι µε χωµατόδροµους). Εδώ απεικονίζονται µόνο οι ασφαλτοστρωµένοι. Καµπύλοι δρόµοι έχουν εντοπιστεί. Παρουσιάζονται κάποια προβλήµατα µόνο σε πολύ µεγάλουςδρόµους. 41

ΣΥΜΠΕΡΑΣΜΑΤΑ ΤΗΣ ΑΝΑΛΥΣΗΣ ΚΥΜΑΤΙ ΙΩΝ ΚΑΙ ΑΝΙΧΝΕΥΣΗΣ ΑΚΜΩΝ Η ανάλυση κυµατιδίων µπορεί να χρησιµοποιηθεί στην ανίχνευση ακµών σε δορυφορικές εικόνες υψηλής διακριτικής ικανότητας όπου η δυνατότητα αλλαγήςκλίµακαςείναισηµαντικήστηνεξαγωγήακµών. Η ανίχνευση ακµών στον πολλαπλασιασµό κλίµακας της ανάλυσης κυµατιδίων µπορεί να χρησιµοποιηθεί στην ανίχνευση των ορίων των κτηρίωνήπλευρώντωνδρόµων, χωρίςναεµποδίζεταιαπόµικράδέντρα, αυτοκίνητακαιάλλαµικράαντικείµενα. Ο µετασχηµατισµός Contourlet αποδίδει καλά στις δορυφορικές εικόνες υψηλής ανάλυσης στην ανίχνευση των γραµµικών χαρακτηριστικών. Η δυνατότητα ανίχνευσης των δρόµων και ο διαχωρισµός τους σε δύο είδη (κύριοιδρόµοιαπόαγροτικούς) είναιπραγµατικάσηµαντική. Η ανάλυση κυµατιδιών µπορεί να χρησιµοποιηθεί µε διαφορετικούς τρόπους. ιαφορετικά κυµατίδια µπορούν να χρησιµοποιηθούν, νέα µπορούν να δηµιουργηθούν, οι πληροφορίες των διαφορετικών κλιµάκων και η χρήση των στατιστικών ή άλλων µεθόδων µπορούν να οδηγήσουν στην καλύτερη ανίχνευση κ.λπ. Κατά συνέπεια, οι δυνατότητες της ανάλυση κυµατιδίων στην ανίχνευση ακρών, είναι απεριόριστες. Αυτό είναι πραγµατικά σηµαντικό για την απόδοσή τους στις δορυφορικές εικόνες υψηλής ανάλυσης, όπου οι κλασσικές µέθοδοι δεν αποδίδουν καλά, και νέοι απαιτούνταιγιαναχειριστούναυτέςτιςλεπτοµερείςπληροφορίες. 42

Φιλτραρίσµαταεικόνων σεπολλαπλές πολλαπλέςκλίµακες γιατην τηναυτόµατηεξαγωγή αντικειµένων 43

Φιλτραρίσµατα εικόνων σε πολλαπλές κλίµακες για την αυτόµατη εξαγωγή αντικειµένων Scale space filtering -- φιλτραρίσµατα χώρων κλίµακας Στόχος: ενίσχυση, οµαλοποίηση και απλοποίηση εναέριων και δορυφορικών εικόνων µε ταυτόχρονη διατήρησητωνακµώντωναντικειµένων. 44

Φιλτραρίσµατα εικόνων σε πολλαπλές κλίµακες για την αυτόµατη εξαγωγή αντικειµένων Scale space filtering -- φιλτραρίσµατα χώρων κλίµακας Κλασσικές τεχνικές: 1. _ισοτροπικές οµαλοποιήσεις, γκαουσσιανά φιλτραρίσµατα οµαλοποίηση ακµών 2. _µορφολογικάφίλτρα:διαστολή (dilation), διάβρωση (erosion), άνοιγµα (opening), κλείσιµο (closing) µετατόπιση ακµών 45

Φιλτραρίσµατα εικόνων σε πολλαπλές κλίµακες για την αυτόµατη εξαγωγή αντικειµένων Scale space filtering -- φιλτραρίσµατα χώρων κλίµακας Κλασσικές τεχνικές: ισοτροπικές οµαλοποιήσεις, γκαουσσιανά φιλτραρίσµατα µε ολοένα και αυξανόµενο σ γκαουσσιανής οµαλοποίηση ακµών 46

Φιλτραρίσµατα εικόνων σε πολλαπλές κλίµακες για την αυτόµατη εξαγωγή αντικειµένων Scale space filtering -- φιλτραρίσµατα χώρων κλίµακας Κλασσικές τεχνικές: µορφολογικά dilation, erosion, opening, closing µετατόπιση ακµών ιατοµές κατά µήκος του άξονα x µιας εικόνας Φαίνονται η µετατόπιση των ακµών στην περίπτωση των erosion και dilation και η µη συµµετρική συµπεριφορά στην επεξεργασία των τιµών φωτεινότητας των opening και closing. *σε όλες τις περιπτώσεις το µέγεθος του δοµικού στοιχείου ήταν µεγέθους τεσσάρων εικονοστοιχείων. 47

Φιλτραρίσµατα εικόνων σε πολλαπλές κλίµακες για την αυτόµατη εξαγωγή αντικειµένων Scale space filtering -- φιλτραρίσµατα χώρων κλίµακας ΠΡΟΗΓΜΕΝΕΣ τεχνικές σε χώρους κλίµακας: ΑΝΙΣΟΤΡΟΠΙΚΗ ΙΑΧΥΣΗ, anisotropic diffusion οµαλοποίηση µε διατήρηση των ακµών ΜΟΡΦΟΛΟΓΙΚΗ ΑΠΛΟΠΟΙΗΣΗ, morphological leveling (ML) Απλοποίηση εικόνας χωρίς µετατόπιση των ακµών 48

Φιλτραρίσµατα εικόνων σε πολλαπλές κλίµακες για την αυτόµατη εξαγωγή αντικειµένων Scale space filtering -- φιλτραρίσµατα χώρων κλίµακας ΠΡΟΗΓΜΕΝΕΣ τεχνικές: ΑΝΙΣΟΤΡΟΠΙΚΗ ΙΑΧΥΣΗ οµαλοποίηση µε διατήρηση των ακµών µέθοδοι: PM (Perona και Malik), ALM (Alvarez, Lions και Morel), BS (Black και Sapiro) ιατοµές κατά µήκος του άξονα x µιας εικόνας. Φαίνονται η πολύ ισχυρή ισοτροπική (πράσινη γραµµή) οµαλοποίηση χωρίς διατήρηση των ακµών. Οι µέθοδοι ALM (γαλάζια γραµµή) και BS (µοβ γραµµή) διατηρούν όλες τις βασικές ακµές (έντονες κλίσεις) της εικόνας ενώ η PM (κόκκινη γραµµή) µόνο την πιο ισχυρή. 49

Φιλτραρίσµατα εικόνων σε πολλαπλές κλίµακες για την αυτόµατη εξαγωγή αντικειµένων Scale space filtering -- φιλτραρίσµατα χώρων κλίµακας ΑΝΑΠΤΥΧΘΕΙΣΑ ΜΕΘΟ ΟΛΟΓΙΑ ΜΕΤΗΣΥΝΘΕΣΗΤΩΝ ΥΟΤΕΧΝΙΚΩΝ ΑΝΙΣΟΤΡΟΠΙΚΗ ΜΟΡΦΟΛΟΓΙΚΗ ΑΠΛΟΠΟΙΗΣΗ Anisotropic Morphological Leveling, AML Απλοποίηση εικόνας χωρίς µετατόπιση των ακµών της µε χρήση ανισοτροπικά οµαλοποιηµένων σηµαδευτών (markers) 50

Φιλτραρίσµατα εικόνων σε πολλαπλές κλίµακες για την αυτόµατη εξαγωγή αντικειµένων Scale space filtering -- φιλτραρίσµατα χώρων κλίµακας AML ΦΙΛΤΡΑΡΙΣΜΑ ιατοµές κατά µήκος του άξονα x µιας εικόνας. Κλασική µορφολογική απλοποίηση (πράσινη γραµµή), ανισοτροπική διάχυση (κόκκινη γραµµή) και αναπτυγµένη ανισοτροπική µορφολογική απλοποίηση (γαλάζια γραµµή). Το AML διατηρεί καλύτερα τη δοµή των διαφορών στις τιµές φωτεινότητας. Το ALM οµαλοποιεί χωρίς να λαµβάνει υπ όψη του τη γεωµετρία της εικόνας και το ML εξουσιαζόµενο από ισοτροπικούς σηµαδευτές απλοποιεί ισχυρά την εικόνα. 51

Φιλτραρίσµατα εικόνων σε πολλαπλές κλίµακες για την αυτόµατη εξαγωγή αντικειµένων Scale space filtering -- φιλτραρίσµατα χώρων κλίµακας AMLγιατηναφαίρεση salt & pepperθορύβου Πρώτη σειρά: αρχική εικόνα (αριστερά), µολυσµένηµε 3% θόρυβοεικόνα (µέση), αποτέλεσµα µετά από την εφαρµογή του φίλτρου µέσου όρου (median) (δεξιά). εύτερη σειρά: αποτέλεσµα µετά από να εφαρµογήτου MLµε κλίµακα 20 (αριστερά), του ALMµε 50 επαναλήψεις (µέση) και του AMLµείδιες παραµέτρους (δεξιά). 52

Φιλτραρίσµατα εικόνων σε πολλαπλές κλίµακες για την αυτόµατη εξαγωγή αντικειµένων Scale space filtering -- φιλτραρίσµατα χώρων κλίµακας AML γιατηναφαίρεση salt & pepperθορύβου Εικόνα µε θόρυβο Φίλτρο µέσου όρου Μορφολογική απλοποίηση Ανισοτροπική διάχυση Ανισοτροπική µορφολογική απλοποίηση Μετηνεφαρµογήτου AML, παρόλοπουφωτοερµηνευτικά εντοπίζονται υπολείµµατα θορύβου, οι δείκτες RMSE και NMSE δείχνουν ότι οδηγούµαστε στην µικρότερη διασπορά των τιµών φωτεινότητας σε σχέση µε την αρχική εικόνα και µε τα αποτελέσµατα των υπόλοιπων µεθόδων, ενώ ο δείκτης SSIM πιστοποιεί την µεγάλη δοµική οµοιότητα του AML αποτελέσµατος µε την αρχική PYTHAGORAS-EPEAEK εικόνα. II 53

Φιλτραρίσµατα εικόνων σε πολλαπλές κλίµακες για την αυτόµατη εξαγωγή αντικειµένων Scale space filtering -- φιλτραρίσµατα χώρων κλίµακας ΕΦΑΡΜΟΓΗ AML πριν τον µετασχηµατισµό watershed Αρχική εικόνα Watershed στην αρχική Watershed στην ALM Το AML για την αντιµετώπιση του προβλήµατος της υπέρ-κατάτµησης του µετασχηµατισµού watershed. 27% ποσοστό µείωσης του αριθµού των παραγόµενων τµηµάτων µε ταυτόχρονη συνένωση περιοχών που ανήκουν στα ίδια αντικείµενα. 54

Φιλτραρίσµατα εικόνων σε πολλαπλές κλίµακες για την αυτόµατη εξαγωγή αντικειµένων AML πριν τον µετασχηµατισµό watershed. 25% ποσοστό µείωσης του αριθµού των παραγόµενων τµηµάτων Αρχική εικόνα Watershed στην αρχική Φιλτραρισµένη εικόνα AML Watershed στην ALM 55

ΥΝΑΤΟΤΗΤΕΣ ΕΠΕΚΤΑΣΗΣ ΦΙΛΤΡΑΡΙΣΜΑΤΩΝ ΓΙΑ ΤΗΝ ΣΥΣΤΗΜΑΤΙΚΗ ΕΠΙΛΥΣΗ ΠΡΑΚΤΙΚΩΝ ΠΡΟΒΛΗΜΑΤΩΝ ΤΗΛΕΠΙΣΚΟΠΗΣΗΣ ΑΠΑΙΤΕΙΤΑΙ Εφαρµογή σε διάφορους τύπους δορυφορικών δεδοµένων από διαφορετικές εποχές και ώρες λήψεις και διάφορες διακριτικές ικανότητες Καθορισµός συγκεκριµένων αντικειµένων προς εξαγωγή Καθορισµός συγκεκριµένων προδιαγραφών αξιολόγησης των αποτελεσµάτων ΥΝΑΤΟΤΗΤΑ ΓΙΑ Τυποποίηση παραµέτρων επεξεργασίας Ανάπτυξη συστηµάτων εξαγωγής συγκεκριµένων αντικειµένων 56

ΑΥΤΟΜΑΤΗ ΕΞΑΓΩΓΗ ΑΝΤΙΚΕΙΜΕΝΩΝ ΜΕ ΓΕΩ ΑΙΤΙΚΑ ΕΝΕΡΓΑ ΠΕΡΙΓΡΑΜΜΑΤΑ Variational methods, Geodesic active contours, Level sets Τεχνητές εικόνες δοκιµών Ιατρικές εικόνες ΟΜΗ ΜΕΘΟ ΟΛΟΓΙΑΣ: 1. Ανάλυση προβλήµατος µέσα σε ένα µεταβολικό (variational) µαθηµατικό πλαίσιο 2. Ορισµός ενός συναρτησιακού ενέργειας (energy functional cost function) σύµφωνα µε το οποίο εξελίσσεται η καµπύλη 3. Λύση µερικής διαφορικής εξίσωσης: εξέλιξη περιγράµµατος 4. Κατάτµηση εξαγωγή αντικειµένων 57

ΑΥΤΟΜΑΤΗ ΕΞΑΓΩΓΗ ΠΕΤΡΕΛΑΙΟΚΗΛΙ ΩΝ ΜΕ ΓΕΩ ΑΙΤΙΚΑ ΕΝΕΡΓΑ ΠΕΡΙΓΡΑΜΜΑΤΑ Παράδειγµα εξέλιξης γεωδαιτικών ενεργών περιγραµµάτων για την εξαγωγή πετρελαιοκηλίδων Variational methods, Geodesic active contours, Level sets Απαιτείται µεταεπεξεργασία για των διαχωρισµό των πετρελαιοκηλίδων από τα οµοίως απεικονιζόµενα χαρακτηριστικά 58

ΑΥΤΟΜΑΤΗ ΕΞΑΓΩΓΗ ΠΕΤΡΕΛΑΙΟΚΗΛΙ ΩΝ ΜΕ ΓΕΩ ΑΙΤΙΚΑ ΕΝΕΡΓΑ ΠΕΡΙΓΡΑΜΜΑΤΑ ΜΕΘΟ ΟΛΟΓΙΑ Karantzalos K. and, Argialas D., "Automatic detection of oil spills with level set segmentation technique from remotely sensed imagery best paper award International Symposium of Remote Sensing Korea, 2006, pp.126-129. 59

ΑΥΤΟΜΑΤΗ ΕΞΑΓΩΓΗ ΠΕΤΡΕΛΑΙΟΚΗΛΙ ΩΝ ΜΕ ΓΕΩ ΑΙΤΙΚΑ ΕΝΕΡΓΑ ΠΕΡΙΓΡΑΜΜΑΤΑ Ηαρχικήεικόνακαιταδιαφορετικάστάδιατηςεξέλιξηςτωνενεργώνκαµπυλών. Από µια αρχική αυθαίρετη ελλειπτική καµπύλη καταλήγουµε στα τελικά ανιχνευµένα όριατωνπιθανώνπετρελαιοκηλίδων. Ησειράτονεικόνωνείναιαπότααριστεράπροςταδεξιά. 60

ΑΥΤΟΜΑΤΗ ΕΞΑΓΩΓΗ ΑΝΘΡΩΠΟΓΕΝΩΝ ΚΑΤΑΣΚΕΥΩΝ ΜΕ ΓΕΩ ΑΙΤΙΚΑ ΕΝΕΡΓΑ ΠΕΡΙΓΡΑΜΜΑΤΑ Variational methods, Geodesic active contours, Level sets ΑΕΡΟ ΡΟΜΙΟ Παγχρωµατική εικόνα Spot HRV Αυτόµατη εξαγωγή ανθρωπογενών αντικειµένων αεροδροµίου ( σκληρές επιφάνειες ) Φωτοερµηνευτική αξιολόγηση 61

ΑΥΤΟΜΑΤΗ ΕΞΑΓΩΓΗ ΑΝΘΡΩΠΟΓΕΝΩΝ ΚΑΤΑΣΚΕΥΩΝ ΜΕ ΓΕΩ ΑΙΤΙΚΑ ΕΝΕΡΓΑ ΠΕΡΙΓΡΑΜΜΑΤΑ Variational methods, Geodesic active contours, Level sets ΡΟΜΟΙ Παγχρωµατική εικόνα IKONOS PAN στην περιοχή του Αγίου Στεφάνου Αυτόµατη εξαγωγή οδικού δικτύου Φωτοερµηνευτική αξιολόγηση 62

ΑΥΤΟΜΑΤΗ ΕΞΑΓΩΓΗ ΑΝΘΡΩΠΟΓΕΝΩΝ ΚΑΤΑΣΚΕΥΩΝ ΜΕ ΓΕΩ ΑΙΤΙΚΑ ΕΝΕΡΓΑ ΠΕΡΙΓΡΑΜΜΑΤΑ Variational methods, Geodesic active contours, Level sets ΚΤΙΡΙΑ Παγχρωµατική εικόνα IKONOS PAN στην περιοχή του Αγίου Στεφάνου Αυτόµατη εξαγωγή κτιρίων Φωτοερµηνευτική αξιολόγηση 63

Εφαρµογή Τεχνικών Αντικειµενοστραφούς Ανάλυσης Εικόνας για την Ταξινόµηση Αµιγούς Αστικής Περιοχής µε τη Χρήση Τηλεπισκοπικών εδοµένων Υψηλής ιακριτικήςικανότητας. 64

Στόχοι Η διερεύνηση της χρήσης και της αποτελεσµατικότητας των τεχνικών αντικειµενοστραφούς ανάλυσης εικόνας που ενσωµατώνει το λογισµικό ecognition για την περιοχή του αµιγούς αστικού χώρου Η εφαρµογή διαφόρων τεχνικών κατάτµησης και ταξινόµησης δορυφορικών εικόνων που συνοδεύουν την σχετικά νέα αυτή τεχνολογία Η διερεύνηση των νέων δυνατοτήτων που µπορεί να προσφέρει στην µέχρι τώρα χρήση της συγκεκριµένης τεχνολογίας, η προσθήκη της υψοµετρικής πληροφορίας από δέκτες υψηλής ακρίβειας, όπως το LIDAR Η σύγκριση των αποτελεσµάτων κατάτµησης και ταξινόµησης εικόνων πολύ υψηλής διακριτικής ικανότητας µε και χωρίς την χρήση Ψηφιακών Μοντέλων Επιφανείας PYTHAGORAS-EPEAEK υψηλής ακρίβειας II 65

Λογισµικό ecognition από την εταιρία DEFiNiENS Για πρώτη φορά παρουσιάστηκε µια µεθοδολογία που συνδυάζειαλγορίθµουςανάλυσηςεικόναςχαµηλού, µεσαίου και υψηλού επιπέδου σε ένα ενιαίο ολοκληρωµένο περιβάλλον λογισµικού Κύρια χαρακτηριστικά Κατάτµησηπολλαπλήςανάλυσης (multiresolution segmentation) Αντικειµενοστραφής ανάλυση εικόνας µε χρήση Βάσεων Γνώσης Ταξινόµηση µε ασαφή λογική Εννοιολογική προσέγγιση των Εµπείρων Συστηµάτων 66

Κατάτµηση εικόνας στο ecognition Aνάπτυξηµιαεντελώςνέαςµεθόδουκατάτµησηςεικόνας, τηςκατάτµησηςπολλαπλήςανάλυσης (multiresolution segmentation) Βασικά χαρακτηριστικά Συντελεστής κλίµακας Απουσία χρήσης αρχικών σηµείων ηµιουργία ιεραρχίας αντικειµένων σε πολλαπλά επίπεδα Ο αλγόριθµος χρησιµοποιεί τόσο κριτήρια τόνου και χρώµατος της εικόνας όσο και κριτήρια σχήµατος των αντικειµένων που είναι επιθυµητό να προκύψουν 67

Ιεραρχία αντικειµένων Επίπεδο 3 Επίπεδο 2 Επίπεδο 1 Εικονοστοιχεία 68

Ασαφής λογική στο ecognition Χρησιµοποιείται για την ταξινόµηση των πρωτογενών αντικειµένων που προκύπτουν από την κατάτµηση της εικόνας στις αντίστοιχες θεµατικές κατηγορίες που ορίζονται στην ιεραρχία κατηγοριών µε βάση ειδοπειές ιδιότητες των αντικειµένων 69

Ασαφής ταξινόµηση στο ecognition Για κάθε αντικείµενο υπολογίζονται ιδιότητες που αφορούντοντόνο, τοσχήµακαιτιςσχέσεις γειτνίασης µε τα υπόλοιπα αντικείµενα Οι συναρτήσεις συµµετοχής των ιδιοτήτων του κάθε αντικειµένου µπορούν να συνδυαστούν µε ασαφείς τελεστές OR, AND, MEAN Σε κάθε αντικείµενο αντιστοιχίζεται µια ασαφής τιµή συµµετοχής στο διάστηµα [0,1] για κάθε διαθέσιµη κατηγορία, µέσω των ασαφών συναρτήσεων συµµετοχής Η µεγαλύτερη τιµή συµµετοχής ταξινοµεί το αντικείµενο στην αντίστοιχη κατηγορία 70

Ψηφιακά εδοµένα Μια ψηφιακή δορυφορική εικόνα IKONOS: ιακριτικής ικανότητας 1m στο παγχρωµατικό κανάλι και 4m στα ορατά κανάλια και στο εγγύς υπέρυθρο. Η εικόνα παραχωρήθηκε στα πλαίσια αυτής της έρευναςαπότηνεταιρία Space Imaging Europe Αφορούσε ολόκληρο το ήµο Γουδιού µε µικρή κάλυψηκαιγειτονικών ήµων. Τοµέγεθοςτηςεικόναςήταν 1696 x 1256 εικονοστοιχεία, ενώ η ραδιοµετρική της ανάλυση ήταν 8 bit. 71

Ψηφιακά εδοµένα Εικόνα IKONOS για την περιοχή Γουδιού. Έγχρωµο σύνθετο 321 72

Ψηφιακά εδοµένα Ένα Ψηφιακό Μοντέλο Επιφανείας (DSM) από αεροµεταφερόµενο σαρωτή LIDAR: Ακρίβειασαρωτή: 0.5mοριζοντιογραφικάκαι 0.15mυψοµετρικά ιακριτικήικανότηταδεδοµένων: 1m Η εικόνα παραχωρήθηκε στα πλαίσια αυτής της έρευναςαπότηνεταιρία NAMA Geoinformatics Αφορούσε τµήµα 40 οικοδοµικών περίπου τετραγώνων του ήµο Γουδιού Το µέγεθος της απεικόνισης ήταν 960 x 700 εικονοστοιχεία, ενώ η ραδιοµετρική της ανάλυση ήταν 32 bit. 73

Ψηφιακά εδοµένα Υψοµετρικά δεδοµένα LIDAR για την περιοχή µελέτης 74

Περιοχή Μελέτης Η περιοχή µελέτης είναι τµήµα του ήµου Γουδιού στηνπόλητηςαθήνας. Ηπεριοχήµελέτηςπεριλάµβανεπερίπου 40 οικοδοµικά τετράγωνα Ηπεριοχήµελέτηςείναιµιααµιγήςαστική, πυκνοκατοικηµένηπεριοχήµεέντονηανοµοιογένεια, µε ιδιαίτερα πυκνή δόµηση, πολύ µικρούς ακάλυπτους χώρους και ελάχιστη βλάστηση. 75

Φωτοερµηνεία Σκιές Κεραµοσκεπή κτίρια Φωτεινά κτίρια Βλάστηση Χέρσα Γκρίζα κτίρια ρόµοι Σκούρα γκρίζα κτίρια 76

Προσδιορισµός τάξεων ταξινόµησης Βλάστηση Σκιές Πυκνή Αραιή Σκιασµένοι δρόµοι Σκιασµένα κτήρια Σκιασµένη βλάστηση Ακάλυπτοι χώροι (χέρσα) Αδιαφανήυλικά Κεραµοσκεπές Ασφαλτικάυλικά Τσιµεντένιακτήρια Φωτεινάκτήρια 77

Συντελεστής κλίµακας 25 Κριτήριο τόνου (0.5) Κατάτµηση Επίπεδο 4 Κριτήριο οµαλότητας (0.3) Αξιολόγηση κατάτµησης επιπέδου: Λόγω αύξησης του κριτηρίου συµπαγότητας (0.7), τα αντικείµενα θυµίζουν περισσότερο κτήρια Σεαυτότοεπίπεδοθαγίνειηταξινόµησηµε αποκλειστική χρήση υψοµετρικής πληροφορίας λόγω καταλληλότητας του µεγέθους των αντικειµένων 79

Κατάτµηση Επίπεδο 4 80

Κατάτµηση Επίπεδο 2 Χρησιµοποιήθηκανβάρη 1 γιακάθεκανάλιεικόναςκαι 10 γιατο DSM Συντελεστής κλίµακας 20 Κριτήριο τόνου (0.7) Κριτήριο οµαλότητας (0.3) Αξιολόγηση κατάτµησης επιπέδου: Λόγω µικρού συντελεστή κλίµακας και το βάρος του κριτηρίου τόνου η εικόνα κατατµήθηκε σε στοιχειώδεις (primitive) επιφάνειες που είναι ικανοποιητικά διαχωρίσιµες και από την εικόνα Η αίσθηση του φωτοερµηνευτή για τα όρια των κτηρίων είναι ικανοποιητική 81

Κατάτµηση Επίπεδο 2 82

Κατάτµηση Επίπεδο 1 Χρησιµοποιήθηκανβάρη 1 γιακάθεκανάλιεικόναςκαι 1 γιατο DSM Συντελεστής κλίµακας 5 Κριτήριο τόνου (0.9) Κριτήριο οµαλότητας (0.9) Αξιολόγηση κατάτµησης επιπέδου: Αποτελεί το επίπεδο υφής µε βάση το οποίο θα υπολογίζονται τα χαρακτηριστικά υφής των αντικειµένων µεγαλυτέρων επιπέδων Θα αποτελέσει επίσης το επίπεδο ανίχνευσης του αστικού πρασίνου µέσω του δείκτη MSAVI 83

Κατάτµηση Επίπεδο 1 84

Ταξινόµηση - Επίπεδο 1 Σκοπόςταξινόµησης: Εντοπισµός αστικού πρασίνου Εντοπισµός σκιασµένου πρασίνου Βασικά κριτήρια ταξινόµησης: Χαρακτηριστικό Ratio για το κανάλι 1 της εικόνας IKONOS (γιατιςσκιές) είκτης βλάστησης MSAVI 85

Ταξινόµηση - Επίπεδο 1 86

Ταξινόµηση - Επίπεδο 1 Ταξινόµηση συνολικής βλάστησης στο επίπεδο 1 87

Ταξινόµηση επιπέδου 4 88

Ταξινόµηση επιπέδου 4 89

Ταξινόµηση επιπέδου 2 Η ταξινόµηση του επιπέδου 2 µε τη χρήση αποκλειστικά δειγµάτων 90

Ταξινόµηση επιπέδου 2 Ταξινόµηση επιπέδου 2 Με χρήση δειγµάτων και κανόνων 91

Ταξινόµηση επιπέδου 2 Ιεραρχία κατηγοριών Αλγοριθµος ταξινόµησης µε masking technique µε τη χρηση DEM και δεδοµενα IKONOS Ολόκληρη εικόνα Όχι Σκιές Not shades Ratio to channel 1 Ratio to channel 4 Σκιές Relative area of vegetation in Level 1 MSAVI Ψηλά Αντικείµενα Χαµηλά Αντικείµενα Not Vegetation Όχι Βλάστηση Βλάστηση Existence of Other Objects in Level 4 Relative difference to neighbor objects in DSM Existence of High Objects in Level 4 Relative difference to neighbor objects in DSM Not Low or High Objects Nearest Neighbor Άλλα από ΨΜΕ Σκιασµένα Ψηλά Αντικείµενα Not Shaded Vegetation Σκιασµένη Όχι Βλάστηση Σκιασµένα Χαµηλά Αντικείµενα Relative area of vegetation in Level 1 MSAVI Σκιασµένη Βλάστηση Existence of Other Objects in Level 4 Relative difference to neighbor objects in DSM Existence of High Objects in Level 4 Relative difference to neighbor objects in DSM Not Low or High Objects Σκιασµένα Άλλα από ΨΜΕ ρόµοι Έδαφος Nearest Neighbor Relative area of High Objects Κτήρια από Φασµατική Πληροφορία ρόµοι από Φασµατική Πληροφορία Έδαφος από Φασµατική Πληροφορία Σκιασµένοι ρόµοι Σκιασµένοι Ακάλυπτοι Nearest Neighbor Ασφαλτοειδείς Οροφές Φωτεινές Οροφές Κεραµοσκεπείς Οροφές Τσιµεντένιες Οροφές 92

Ταξινόµηση επιπέδου 2 Βασικοί Κανόνες Ratio to Channel 1 Ratio to Channel 4 MSAVI Relative area of Vegetation in Level 1 Objects Relative area of High Objects in Level 2 Relative Difference to DSM Neighbor Objects Existence of High Objects in Level 4 Nearest Neighbor Ιεραρχία κληροδότησης επιπέδου 2 93

Ταξινόµηση επιπέδου 2 Με τεχνική µάσκας 94

Αξιολόγηση αποτελεσµάτων Μάσκα περιοχών ελέγχου που χρησιµοποιήθηκε για όλες τις ταξινοµήσεις. Οι περιοχές αυτές προέκυψαν από επίγειο έλεγχο και από φωτοερµηνεία 95

Αξιολόγηση αποτελεσµάτων Πίνακας συσχέτισης των κατηγοριών της ταξινόµησης του δευτέρου επιπέδουµεαποκλειστικήχρήση IKONOS (µεοµαδοποιήσεις) 96

Αξιολόγηση αποτελεσµάτων Πίνακας συσχέτισης των κατηγοριών της ταξινόµησης του δευτέρου επιπέδουµεχρήση DSM (δείγµατα + κανόνες) 97

Αξιολόγηση αποτελεσµάτων Πίνακας συσχέτισης των κατηγοριών της ταξινόµησης του δευτέρου επιπέδου µε χρήση DSM (Αποκλειστικά µε τη χρήση κανόνων τεχνικήµάσκας) 98

Συµπερασµατα Οι αντικειµενοστραφείς τεχνικές είναι οι πλέον κατάλληλες να διαχειριστούν προβλήµατα ανάλυσης εικόνας και εξαγωγής χαρακτηριστικών σε έναν απόλυτα ετερογενή χώρο όπως αυτό της περιοχής µελέτης της παρούσηςεργασίας. Σε αντίθεση µε τεχνικές που επικεντρώνονται στο εικονοστοιχείο ως βάση ανάλυσης και επεξεργασίας, διαθέτουν την ευελιξία της πολλαπλής ανάλυσης και των πολλαπλών επιπέδωναφαίρεσηςκαιγενίκευσης. 99

Συµπερασµατα Σε σχέση µε παλαιότερες εργασίες πάνω στηµελέτητουαστικούχώρουµετη χρήση αντικειµενοστραφών τεχνικών, τα αποτελέσµατα συνηγορούν στη χρησιµότητα και την αποτελεσµατικότητα που µπορούν να προσδώσουν στην διαδικασία τα υψοµετρικά δεδοµένα υψηλής ακριβείας, όπως τα δεδοµένα LIDAR. 100

Συµπερασµατα Όσον αφορά, τις διάφορες τεχνικές σχεδιασµού βάσεων γνώσης και ταξινόµησης, φάνηκε πως πιο αποτελεσµατικές είναι οι λύσεις στις οποίες γίνεται προσπάθεια να ανεξαρτητοποιούνται οι θεµατικές κατηγορίες µεταξύ τους κατά το δυνατό περισσότερο. Αυτό µπορεί να πραγµατοποιηθεί µε δενδριτικές δοµές βάσεωνγνώσης. 101

ACKNOWLEDGEMENTS The project is co - funded by the European Social Fund (75%) and National Resources (25%) - Operational Program for Educational and Vocational Training II (EPEAEK II) and particularly the Program PYTHAGORAS. 102