Extragerea informaiei spaiale din imagini satelitare folosind clasificrile

Extragerea informației spațiale din imagini satelitare folosind clasificările supervizate și nesupervizate Florin Iosub, Team. Net International, Timisoara 2012

Teledetecția este…

“Știința și arta de a obține informații utile despre un anumit obiect, areal sau fenomen prin analiza datelor achiziționate folosind un instrument ce nu intră în contact cu obiectul, arealul sau fenomenul investigat”. [Lillesand, Thomas M. și Ralph W. Kiefer, 1979] “Teledetecția reprezintă activitatea de colectare de imagini și/sau alte date despre suprafața terestră prin măsurători executate de la distanță deasupra Pământului, precum și procesarea și analiza acestor date. ” [CCRS Glossary]

De ce clasificarea imaginilor?

• Extragerea informației geografice • Realizarea de hărți tematice: § § Utilizarea terenului Hărti cu zone inundate Hărți cu areale afectate de incendii … • Utilizarea rezultatelor în domeniul Sistemelor Geografice Informatice (GIS)

Ce este clasificarea?

• “Gruparea automată a pixelilor ce alcătuiesc imaginea digitală sub forma de clase sau teme de acoperire a terenului” [Mihai Andrei Bogdan, 2007] • Procesul de clasificare a imaginilor multispectrale/hiperspectrale în clase sau modele cum ar fi: • Grupări de diverse tipuri de date statistice obținute din benzi spectrale, dintre care unele pot fi corelate cu clase separabile. Este vorba de clasificarea nesupervizată. • Diferențieri numerice alcătuite din aceste seturi de date ce au fost grupate și specificate prin asocierea fiecăruia cu o clasă anume și a cărui identitate este cunoscută în mod independent si reprezintă areale în cadrul imaginii în care clasa este localizată. Este vorba de clasificarea supervizată.

Tipuri de clasificări Clasificări nesupervizate Clasificări supervizate

Clasificarea nesupervizată

Algoritmul K-means 1. Stabilirea numărului de clase (clustere) 2. Raportarea fiecărui pixel către o clasă 3. (Re)-Calcularea distanței minime pentru fiecare clasă 4. Repetarea operațiilor 2 și 3 până când toți pixelii au fost clasificați 5. Atribuirea claselor semnificații din teren

© Rory Hutson Prima iterație. Centrele clusterelor sunt plasate aleatoriu. Fiecare pixel va fi atribuit celei mai apropiat centru. A doua iterație. Centrele clusterelor se mișcă în funcție de signatura spectrală a pixelilor. Iterația n. Centrele clusterelor s-au stabilizat.

Algoritmul K-Means calculat pe subscenă Landsat TM 5 Subscenă: Landsat TM 5 Combinaţie benzi: 123 Data: 12 -08 -2010

Algoritmul ISODATA (Iterative Self Organizing Data Analysis) • Extinde capababilitățile algoritmului K-means • Se calculează deviația standard pentru clustere • După n iterații: § clasele se pot combina § clasele se pot diviza § clasele se pot șterge • După fiecare iterație este calculat procentul de pixeli ce au rămas în aceeași clasă

© Rory Hutson Prima iterație. Se observă cum clasa abastră e destul de dispersată în banda 1. A doua iterație. Se observă cum cele două clase au puțni pixeli și prin urmare vor fi șterse. Iterația n. Pixelii vor fi marcați ca neclasificați.

Algoritmul Iso. Data calculat pe subscenă Landsat TM 5 Subscenă: Landsat TM 5 Combinaţie benzi: 123 Data: 12 -08 -2010

Clasificarea supervizată

Algoritmul Paralelipipedului (Multi-level slicing) • Folosește regulile logice (boleene) “și/ori” • Valorile pixelilor raportate în sistem rectangular de două axe (dreptunghi) sau trei axe (paralelipiped) la un spațiu • Dimensiunile dreptunghiului/paralelipipedului sunt condiționate de varianță • Pixelii raportați la un anumit spațiu în funcție de valoarea numărului digital al acestora • Probleme cu clasele ce prezintă o corelație mare între benzile spectrale

© Lillesand 2004

Algoritmul Paralelilpipedului calculat pe subscenă Landsat TM 5 Subscenă: Landsat TM 5 Combinaţie benzi: 123 Data: 12 -08 -2010

Algoritmul distanței minime • Folosește două forme ale distanței: § Distanța Euclidiană § Distanța Manhattan • Raportarea fiecărui pixel la o clasă printr-un vector de distanță • Aceeași variabilitate spectrală în toate direcțiile (FALS) • O parte din pixeli pot rămâne neclasificați

© Lillesand 2004

Algoritmul Distanţei Minime calculat pe subscenă Landsat TM 5 Subscenă: Landsat TM 5 Combinaţie benzi: 123 Data: 12 -08 -2010

Algoritmul Maximum Likelihood • Se bazează pe probabilitate • Presupune că toate clasele au o distribuție normală (gaussiană) • Pentru fiecare clasă este claculată varianța și co-varianța spectrală • Clasele pot fi modelate statistic folosindu-se un vector de medie sau o matrice de co-varianță • Fiecare pixel este atribuit clasei cu probabilitatea cea mai mare de apartenență

B a n d a 1 Curbe de echiprobabilitate 2 2 © Lillesand 2004 Banda 1

Algoritmul maximum Likekihood calculat pe subscenă Landsat TM 5 Subscenă: Landsat TM 5 Combinaţie benzi: 123 Data: 12 -08 -2010

Concluzii Clasificările nesupervizate • Avantaje: § § Nu necesită cunoștințe despre regiunea analizată Erorile umane sunt minimizate Pixelii sunt separați din punct de vedere spectral Analistul are control asupra numărului de clase, iterații, etc. • Dezavantaje: § Clasele obținute nu reflectă cu precizie categoriile din teren § Control limitat asupra identității claselor § Proprietățile spectrale claselor se pot modifica în timp

Clasificările supervizate • Avantaje: § § Control asupra identității claselor Clase specifice cu anumite identități Clasele obținute reflectă categoriile din teren Pot fi detectate erorile de clasificare • Dezavantaje: § Analistul impune clasificarea § Regiunile de interes sunt în general relaționate cu informația din teren și nu cu proprietățile spectrale § Regiunile de inters posibil să nu fie reprezentative § Obținerea regiunilor de interes solicită timp

Vă mulțumesc pentru atenție!