Eötvös Loránd Tudományegyetem Informatikai Kar Algoritmusok és Alkalmazásaik Tanszék Szegmentáló algoritmusok légi- és űrfelvételek osztályozásában Diplomamunka Készítette: Gera Dávid Ákos programtervező matematikus szak nappali tagozat Témavezetők: Dr. Fekete István László István egyetemi docens osztályvezető ELTE Informatikai Kar Földmérési és Távérzékelési Intézet Budapest 2011
86
Embed
Szegmentáló algoritmusok légi- és · változáskövetésre (pl. városok terjeszkedése). Jelen dolgozatban els ősorban mez őgazdasági, és a mez őgazdasághoz kapcsolódó
This document is posted to help you gain knowledge. Please leave a comment to let me know what you think about it! Share it to your friends and learn new things together.
Transcript
Eötvös Loránd Tudományegyetem Informatikai Kar Algoritmusok és Alkalmazásaik Tanszék
Szegmentáló algoritmusok légi- és
űrfelvételek osztályozásában
Diplomamunka
Készítette:
Gera Dávid Ákos programtervező matematikus szak
nappali tagozat
Témavezetők:
Dr. Fekete István László István egyetemi docens osztályvezető
ELTE Informatikai Kar Földmérési és Távérzékelési Intézet
Budapest 2011
A projekt az Európai Unió támogatásával, az Európai Szociális Alap társfinanszírozásával valósul meg (a támogatás száma TÁMOP 4.2.1./B-09/1/KMR-2010-0003).
Tartalomjegyzék 1. Bevezetés ...................................................................................................................... 3 2. A távérzékelés alapjai................................................................................................. 6
A. 2. Négyfa alapú szegmentálás................................................................................ 81 Irodalomjegyzék............................................................................................................ 82
- 3 -
1. Bevezetés
A bevezető fejezetben röviden összefoglalom azokat az általános ismereteket, amelyek
diplomamunkám jobb megértéséhez szükségesek.
A távérzékelés, mint a térinformatika speciális része egyetemi tanulmányai során
keltette fel érdeklődésemet. A térképek iránti érdeklődésem gyermekkorom óta megvan,
így a térképek és az informatika kapcsolódása, a térinformatika irányába való
fogékonyságom is természetes. Ez az érdeklődés a Térinformatikai sáv keretében
tanulmányaimban is fontos helyet kaphatott. Döntésem helyességét a sáv tantárgyai
megerősítették, a Távérzékelt Felvételek Elemzése kurzusban pedig megtaláltam azt a
szűkebb szakmai irányvonalat, melyet követni szeretnék. Ennek a specializált
érdeklődésnek megfelelően kooperatív képzésre jelentkeztem a Földmérési és
Távérzékelési Intézetbe (FÖMI), a Távérzékelési Igazgatóságra (TÁI). A képzés után az
Intézet részmunkaidős munkatársa maradtam.
Diplomamunkám témáját is meghatározta ez a körülmény. A FÖMI-ben olyan
feladatokat kaptam, amelyek illeszkednek az ELTE IK – FÖMI TÁI közötti
együttműködés keretében több éve folyó kutatáshoz. A közös kutatás témája a
távérzékelt felvételek szegmentálási módszereinek, és a felvételek szegmensalapú
kiértékelésének a vizsgálata. Az együttműködés eddigi eredményeit (fejlesztéseket és
publikációkat) a dolgozat 4. fejezetében részletesen ismertetem.
A FÖMI-ben végzett munkáim közül három olyan feladat is szerepel, amelyek
megoldásban a felvételek szegmentálását kellett, illetve lehetett alkalmazni. A
szegmentálás a Definiens eCognition objektum-alapú képfeldolgozó program-rendszer
felhasználásával történt. A szegmentálás és az annak eredményére épülő objektum-
alapú elemzés kulcslépése a széleskörű paraméterezési lehetőségek megfelelő
kihasználása, ami az alkalmazást nagyon hatékonnyá teheti, ugyanakkor komoly
nehézségek forrása is lehet a rendszer érzékenysége a paraméterek helyes
megválasztására. A helyes alkalmazáshoz nélkülözhetetlen az emberi szakértelem,
- 4 -
amely egyaránt kiterjed a felvételek interpretációjára és a szegmentáló eljárások
működésére.
A FÖMI egyik legfontosabb, legnagyobb emberi erőforrásokat igénylő feladata a
mezőgazdasági támogatási rendszert felügyelő Mezőgazdasági Parcella Azonosító
Rendszer (MePAR) üzemeltetése és folyamatos felújítása. A bemutatott első alkalmazás
célja a rendszerben legelőként támogatható területeken megjelenő fás, bokros területek
légifelvételeken történő lehatárolása. A feladat jellege szükségessé teszi a szegmens
(objektum) alapú megközelítést. A bemutatott alkalmazás egy összetett térinformatikai
folyamat része, melynek célja a lehatárolás automatizálása.
A távérzékelés egyik legnagyobb erőssége a légi- és űrfelvételeken is látható
környezeti és ipari katasztrófák gyors és érintkezésmentes felmérésének és elemzésének
lehetősége. A FÖMI-ben rendszeres feladatok az ár- és belvízfelmérés, aszályfelmérés,
vagy például valamilyen mezőgazdasági kártevő kártételének vizsgálata. A másodikként
bemutatott alkalmazás azonban egy egyedi esemény, a 2010 októberében bekövetkezett
vörösiszap-elöntés hatását mérte fel. Ezen vizsgálatok keretében – elsősorban kutató
jellegű – szegmensalapú elemzéseket végeztem szuperfelbontású űrfelvételeken.
Minden évben ismétlődő fontos feladata az Intézetnek a parlagfű-fertőzöttség
elleni közérdekű védekezés támogatása távérzékeléses módszerrel. A hagyományosan
alkalmazott terepi ellenőrzésekkel megerősített idősor-alapú módszer mellett a 2010-es
évben egy a szuperfelbontású felvételek feldolgozási lehetőségeire irányuló kutatási
folyamat részeként az ilyen felvételek parlagfű-kimutatásra való alkalmasságát is
megvizsgáltuk. Ennek a folyamatnak része a harmadik gyakorlati alkalmazásként a 9.
fejezetben bemutatott általam végzett objektum-alapú feldolgozás.
Diplomamunkám felépítése a következő. A 2-3. fejezetben nagyon röviden
összefoglalom a távérzékelés (tanult) alapjait, az alkalmazott tartományra (passzív
távérzékelés az optikai tartományban) szűkítve. A 4-5. fejezetben áttekintem a
felvételek szegmentálásának és a szegmensalapú kiértékelésének módszereit, különös
tekintettel az ELTE-FÖMI közös kutatás eredményeire. A 6-7-8-9. fejezetekben
bemutatom a fenti három alkalmazást és az alkalmazott programrendszert. Végül, a 10.
fejezetben a dolgozat összegzése olvasható. Az Irodalomjegyzésben – tematikus
- 5 -
csoportosításban – csak olyan források szerepelnek, amelyeket a dolgozat megírásában
felhasználtam, hivatkozás azonban a szövegben nem történik rájuk.
A bemutatott alkalmazások a leírtaknál összetettebb, komplex feladatok részei, e
feladatokról – melyek csapatmunka eredményei – több társszerzős publikációban
(három angol, egy magyar nyelvű cikk, egy poszter, két előadás) számoltam be.
- 6 -
2. A távérzékelés alapjai
A távérzékelés elektromágneses hullámok rögzítését és az így nyert információrendszer
feldolgozását jelenti. A vizsgálat tárgya általában a föld- és a vízfelszín, a növénytakaró
és a talaj felső rétegei. A érzékelő műszer nincs közvetlen kapcsolatban a vizsgálat
tárgyával, általában repülőgépen, vagy műholdon elhelyezett szenzor, de léteznek
eszközök, melyek csupán a felszín felett néhány méterrel dolgoznak. A levegőből vagy
a világűrből történő felvételezés lehetővé teszi nagy területek átfogó vizsgálatát,
továbbá a terepi viszonyok, a célterület megközelíthetetlensége nem nehezítik az
elemzést. A mért elektromágneses sugárzás forrása lehet a Nap, az érzékelő műszer,
vagy maga a vizsgált objektum is. Az első két esetben a felszín által visszavert sugárzást
mérjük. Ez esetben megkülönböztetünk passzív, illetve aktív távérzékelést. Passzív
rendszer esetén a sugárzás forrása a Nap, a mért hullámhossz-tartomány az optikai
tartomány egy része. Aktív rendszer esetén a sugárzás forrása maga a mérőeszköz, a
mért hullámhossz a mikrohullámú tartományba esik. A nyert adatok általában képszerű,
többsávos felvétel formájában kerülnek feldolgozásra. A távérzékelt felvétel
kiértékelése a felvételezett objektumok, folyamatok paramétereinek matematikai alapon
történő meghatározását jelenti, a kiértékelés eredménye általában a kiértékelési
szempontok szerinti kategóriákat tartalmazó tematikus térkép. A felszíni objektumok
tematikus kategóriákba sorolása az osztályozás.
1. ábra: légifelvétel és tematikus térképe
- 7 -
Természetesen a távérzékelés első alkalmazása is katonai célokkal történt. A civil
felhasználásra a környezeti erőforrás-kutatás hatékonyságának növekvő jelentősége
adott lehetőséget. Napjainkban a távérzékelést alkalmazzák mezőgazdasági,
környezetvédelmi célokkal, természeti katasztrófák hatásának vizsgálatára,
változáskövetésre (pl. városok terjeszkedése). Jelen dolgozatban elsősorban
mezőgazdasági, és a mezőgazdasághoz kapcsolódó katasztrófavédelmi (a 2010 őszén
történt vörösiszap elöntés) alkalmazásokról lesz szó.
A távérzékeléses elemzés átfogó mivolta és terepfüggetlensége mellett további
előnye a gyorsasága, és a képi jellegű adatok feldolgozhatósága, valamint relatív
olcsósága. Ugyanakkor megemlítendő nehézséget jelent a leggyakrabban használt,
optikai tartományban történő felvételezés időjárás-függősége, a felvételek
kiértékelésének rendszer-, és szakember-igénye, illetve a kiértékelés pontosságának
kérdése.
2. 1. Fizikai alapok
A már említett passzív és aktív távérzékelési rendszerek közül a továbbiakban
csak a passzív rendszerrel foglalkozunk. E rendszereknél az érzékelt elektromágneses
hullámok forrása általában a Nap, a szenzor a felszínről visszavert sugárzást rögzíti. A
passzív távérzékelésben használt hullámhossz-tartomány jellemzően a 0.3 - 15µm
közötti, úgynevezett optikai tartomány.
2. ábra: az optikai hullámhossz-tartomány részei
- 8 -
A mezőgazdasági távérzékelés elsősorban az optikai tartomány látható, közeli és
közepes infravörös részét használja. A passzív távérzékelés időjárás-függő módszer, a
felszínről kiértékelhető felvétel csak nappal és tiszta időben készíthető, továbbá
figyelembe kell venni az optikai tartomány légköri vízelnyelési sávjait, azaz azon
hullámhossz-tartományokat, ahol a légkörben lévő víz a sugárzást elnyeli. A szenzorok
ezen intervallumokban nem felvételeznek. Fontos fizikai tényezők továbbá a Nap állása,
és a légköri szórás, melyek befolyásolják a készített felvételt. E hatások
kiküszöbölésére, különösen több felvétel együttes kiértékelésénél fontos a légköri
korrekció, az ún. Top-of-the-Atmosphere (ToA) reflektanciakép előállítása. (az ehhez
szükséges adatok a felvétellel együtt elérhetőek).
A reflektancia függvény: a hullámhossz tartományban a visszavert sugárzási érték
a különböző felszíni objektumokra jellemző görbét ír le. Ez alapján elkülöníthető
felszínborítások például a vízfelület, különböző talajtípusok, zöld növényzet.
3. ábra: jellemző reflektanciagörbék
Az ábrán látható a zöld növényzetre jellemző reflektancia görbe összetettsége. A
látható hullámhossz-tartomány visszaverési minimumait a klorofill-elnyelés, a közepes
infravörös tartomány minimumait a növény víztartalma okozza. Ezekből az adott
növénytípus fejlettségi szintjére, egészségességére is következtethetünk. A görbe a
növény fejlődésének különböző szakaszaiban jellemző módon változik. Hasonló módon
a különböző talajok tulajdonságai is leolvashatóak. Az egymáshoz spektrálisan nagyon
- 9 -
hasonló növénytípusok elkülönítéséhez a felvételezés időpontja, több időpontban
készült felvétel együttes elemzése (idősor) ad segítséget.
Az egyes felszíni objektumok egyértelmű azonosítása ugyanakkor nem lehetséges
a reflektancia görbék alapján, ugyanis a mért értékeket technikai (pl. felbontás) és
környezeti tényezők (pl. az objektum állapota, környezetében található más felszíni
objektumok) erősen befolyásolják.
2. 2. Felvételkészítés
A felvételeket többféle fizikai mértékkel jellemezhetjük. A spektrális felbontás a
felvételezhető hullámhossz-tartomány szélességét és részletességét jellemzi. A térbeli
felbontás az egy képpontra eső felszín területét adja meg. Műholdakon elhelyezett
szenzoroknál további fontos jellemzők a visszatérési idő – azaz a műhold milyen
gyakran halad át ugyanazon földi pont felett, illetve az egy felvétellel lefedhető terület
nagysága.
A felvételkészítő eszköz hordozója általában repülőgép, vagy műhold. Az optikai
tartományban működő passzív rendszerek két fő típusa a fényképező típusú és digitális
pásztázó letapogató rendszer.
Az analóg és digitális fényképező rendszerek a látható és a közeli infravörös sáv
egy részét használják (kb. 0,4 – 0,9 µm). A szenzor a teljes felvételezendő területet
egyszerre rögzíti. Fontos szerepe van a színes infravörös (CIR – color infra red)
felvételeknek, a dolgozatban bemutatott egyik gyakorlati alkalmazás bemenő adatai is
CIR orthokorrigált (térképhelyes) légifelvételek. Ezen rendszereket általában
repülőgépek hordozzák, a felvételekre gyenge spektrális felbontás mellett nagyon jó
térbeli felbontás jellemző.
A többsávos digitális pásztázó letapogatók elsősorban műholdak fedélzetén
működnek. A szenzor a földfelszín repülésre merőleges sávjáról érkező
elektromágneses sugárzás-intenzitást rögzíti, a teljes felvétel e sávokból áll össze. Az
így készült digitális felvétel egy mátrix, melyet soronként tölt fel a szenzor. Az egyes
- 10 -
mátrixértékek (a pixelek) vektorok, melyek dimenziószámát a felvételnél használt sávok
száma adja. A digitális felvételek a fényképező rendszereknél nagyobb spektrális
felbontást tesznek lehetővé, térbeli felbontásuk a kis felbontású (1100m) elsősorban
meteorológiai célú eszközöktől a nagyon nagy felbontásúig (akár 0,5m) terjed.
A mezőgazdasági távérzékelésben elsősorban nagyfelbontású (HR - High
Resolution) és nagyon nagy-, vagy más néven szuperfelbontású (VHR - Very High
Resolution) felvételeket alkalmazunk, a jelen dolgozatban leírt módszerek és
alkalmazások is ilyen típusú felvételeken használhatóak. HR felbontású felvételeket
szolgáltatnak például az Awifs (60m-es térbeli felbontás), a Liss (20m), a SPOT (20m
illetve 10m) és a Landsat TM (25m) szenzorok, VHR felbontásúak például a RapidEye
(5m), és a WorldView2 (2m), az orthofotók szintén VHR felbontásúak.
A felvételek feldolgozása a szükséges geometriai és radiometriai korrekciók
elvégzése után számítógépes úton, a digitális képelemzés módszereivel történik. Az
optikai tartományban jellemzően használt sávok a látható zöld és vörös, valamint a
közeli és közepes infravörös hullámhossz-tartomány egyes részei. Egyes szenzorok
felvételeznek az optikai kék tartományban, vagy a vörös és közeli infravörös sáv
határán, az ún. „red edge” (vörös-határ) sávban.
A felvételkészítés során a szenzor a felszíni objektumok reflektanciafüggvényét
az egyes sávoknak megfelelő hullámhossz-intervallumokban mintavételezi, majd
kvantálja. A kvantálás finomsága szintén fontos jellemzője az egyes felvételkészítő
eszközöknek.
Egyes szenzorok alkalmasak ún. pankromatikus felvétel készítésére is, ekkor a
felvételezés általában a látható kék – vörös-határ tartományban történik, egy sávon, a
multispektrális (nem pankromatikus) felvételezésnél nagyobb térbeli felbontással és
finomabb kvantálással.
A többsávos távérzékelt felvételek képként való megjelenítésekor ki kell
választani a megjelenítendő sávokat, és hozzárendelni azokat a megjelenítő eszköz
(vörös, zöld és kék) színpuskáihoz. Az így megjelenített képet kompozitnak nevezzük.
Gyakran alkalmazott a valódi színes kompozit, ami a természetes megjelenítésnek felel
- 11 -
meg, vagyis a felvétel vörös, zöld és kék komponensét rendre a megjelenítő vörös, zöld
és kék színpuskájához rendeljük. Szintén sokszor előfordulnak az ún. hamisszínes
kompozitok, amikor a megjelenítő vörös, zöld, kék színpuskáihoz rendre a felvétel
közeli infravörös, vörös és zöld, vagy közeli infravörös, közepes infravörös, vörös
sávjait rendeljük. Hamis színes kompozitokon a növénytakaró jellegzetes vörös színben
látszik.
2. 3. Előfeldolgozás
Már említettük, hogy az elkészült felvételt a légkör állapota, a Nap állása
befolyásolja. E mellett a felvételt számos további hiba terheli. Ezek egy része
geometriai hiba, melyeket a műhold mozgása, a Föld forgása és a nagy látószögből
valamint a felszín görbületéből adódó torzítás okoz. A durva geometriai hibák
korrekcióját a felvevő rendszer (a földi vevőállomáson) elvégzi. További szükséges
geometriai korrekció a felvétel vetületi rendszerbe transzfomálása, melyet
referenciapontok alapján, vagy vetületi rendszerek közötti transzformációs
függvényekkel végeznek. Természetesen az utóbbi módon csak már valamilyen
vetületben lévő felvétel transzformálható. Magyarországon általában az Egységes
Országos Vetületi Rendszert (EOV) használjuk.
A geometriai mellett adódnak radiometriai hibák is. Ezek egy részének
kiküszöbölését szolgálja a már említett ToA reflektancia előállítása. További,
elsősorban a vizuális kiértékelést segítő korrekciók a digitális képfeldolgozásból ismert
hisztogram-műveletek, élesítés, konvolúciós szűrések. Míg a ToA reflektancia
előállítása elengedhetetlen a további feldolgozáshoz, a képi látványt javító műveletek
oly módon változtatják meg a képet, hogy utána nem alkalmazhatjuk a képanalízis
egyes lépéseit.
A radiometriai hibák javítása mellett a további feldolgozásban is szükség van az
elemi képstatisztikák kiszámítására. Ezek egyrészt a sávonkénti statisztikák (átlag,
intervallum, szórás, hisztogram), valamint a több sáv együttes viselkedését leíró
kovariancia és korrelációs mátrix. A spektrális indexek szintén fontos elemei a
feldolgozásnak. Ezek több sáv pixelenkénti értékeiből számolt újabb képrétegek. A
- 12 -
leggyakrabban használt index az NDVI (Normalized Difference Vegetation Index –
vegetációs index), mely a közeli infravörös (NIR) és a látható vörös (R) sávokból, a
következő képlettel adódik: NDVI = (NIR-R)/(NIR+R), ennek értéke a [-1, 1]
intervallumba esik. A vegetációs index a zöld (fotoszintetizáló) növényzetre jellemző
spektrális tulajdonságot (magas visszaverés a közeli infravörös, alacsony a látható vörös
tartományban) emeli ki. Hasonló módon más sávokból is képezetők spektrális indexek.
- 13 -
3. A távérzékelt felvételek kiértékelése
A szükséges előfeldolgozási műveletek után a felvétel alkalmas a tényleges
kiértékelésre. A kiértékelés célja a felszínborítási elemek minél több
állapothatározójának pontos, megbízható becslése, és ezek alapján a célkategóriák
tematikus térképének előállítása. E célkategóriákat az elvégzendő feladat határozza
meg. Ezek lehetnek különböző haszonnövények, talajtípusok, katasztrófa-felmérésnél
(pl. belvíz) érintettségi fokozatok. A tematikus térkép elkészítése minden egyes képpont
(pixel) valamely kategóriába sorolását jelenti, a lehető legkisebb hiba mellett. A
térképet előállító eljárástól elvárt a megfelelő (és igazolható) pontosság, gyorsaság és
ismételhetőség.
A kiértékelés alapmódszerei a vizuális értelmezés és a digitális képelemzés. Az
eljárás általában komplex, mindkét módszer elemeit használja, az adott feladat
függvényében. A vizuális kiértékeléssel szemben a számítógépes feldolgozástól
természetes elvárás a gyorsaság, a nagy adatmennyiségek együttes hatékony kezelése,
ezek mellett a tónusbeli különbségek (az emberi szem még a könnyebben elválasztható
színekben is csak 8-10 árnyalatot képes megkülönböztetni) és a textúrák mérésében is
erősebb. Ugyanakkor nem elhanyagolandó, hogy a megfelelő szaktudású személy által
végzett vizuális interpretáció a geometriai összefüggések, textúrák felismerésében jóval
hatékonyabb a számítógépes kiértékelésnél. A kiértékelő módszer tudományosan
megalapozott kell legyen, a folyamatnak csak egy része a felvétel készítése (beszerzése)
és feldolgozása. Még ezek előtt szükséges a célok pontos meghatározása, és a fizikai,
adat és megoldási modellek létrehozása. Az adatgyűjtést is megfelelően alaposan kell
elvégezni, egyes feladatokban terepi adatgyűjtésre is szükség lehet.
Ezek után a tematikus térkép elkészítésének fő lépése az osztályozás. Az
osztályozás során minden egyes képpont besorolást nyer valamely – pontosan egy
tematikus osztályba. A célosztályok mellett használunk egy ún. „egyéb” kategóriát is, a
semelyik célosztálynak sem megfelelő képpontok számára.
- 14 -
A felvételezett sugárzási kép visszaszámítása földi paraméterekre lehetetlen, az
A szegmentálás eredménye általánosan megfelelő, de a felvétel gyengébb térbeli
felbontása miatt a határvonalakon nem elég pontos. A határvonal pontossága további
lépésekkel nem javítható, a határpixelek értékei ugyanis nagyobb terület (25 m2)
sugárzási átlagából származik, ez az érték pedig nem kellően determinisztikus. Ezért
további szegmentáló lépéseket nem hajtok végre.
31. ábra: a RapidEye felvétel szegmentálása
8. 7. 2. A RapidEye felvétel osztályozása
A szűkebb spektrális és térbeli lehetőségek miatt csak két alkategóriába
osztályozunk. A módszer megegyezik a WV2 esetében leírtakkal, geometriai
tulajdonságok figyelése nélkül.
- 71 -
8. 7. 3. Eredmények
A RapidEye osztályozása több téves találatot eredményez, ezek sötétebb tónusú
talajok és egyes elöntött területek spektrális tulajdonságainak egyezéséből származnak.
32. ábra: a WorldView 2 felvétel osztályozása
33. ábra: a RapidEye felvétel osztályozása (a képi háttér a WorldView2 felvétel)
- 72 -
Ezek a téves találatok geometriai úton kiszűrhetőek, bár egyes helyeken ezek az
objektumok kapcsolódnak helyesen osztályozott objektumokhoz, így a WV2
feldolgozása során használt kritérium ezen szegmensekre nem alkalmazható.
34. ábra: a RapidEye felvétel jellemző osztályozási hibái
A térbeli felbontásbeli különbség szintén megmutatkozik az eredményekben. A
WV2 osztályozása az elöntés határvonalát pontosabban követi.
A WV2 felvétel egy pixele 4 m2, míg a RapidEye felvételen ez 25 m2 területet fed le,
azaz az egyes határpixelek spektrális értékei jóval nagyobb területről származnak.
Elsősorban ebből következik a RapidEye osztályozás pontatlansága. A spektrális
felbontásbeli különbség kevésbé látványos, a téves találatok számában jelentkezik.
- 73 -
35. ábra: a WorldView2 felvétel osztályozásának geometriai pontossága
36. ábra: a RapidEye felvétel osztályozásának gyengébb geometriai pontossága
Az eredményeket bemutató képeken a háttér a RapidEye felvétel osztályozáshoz
is a WV2 valódi színes kompozitja.
- 74 -
9. Parlagfű kimutatás objektum alapon
A FÖMI egyik jelentős feladata a parlagfű-fertőzöttség elleni közérdekű védekezés
támogatása távérzékeléses módszerrel. Természetesen a városokban előforduló,
elhanyagolt kertekben, közterületen jelen lévő parlagfű nem kimutatható légi- vagy
űrfelvételeken, ugyanakkor a mezőgazdasági területeken, elsősorban kalászos tarlókon
jelentkező fertőzöttség mérhető távérzékeléssel. Megjegyzendő, hogy az ilyen,
mezőgazdasági területeken való előfordulás adja az erősen allergén növény összes hazai
megjelenésének legnagyobb hányadát.
A távérzékeléses felmérés önmagában nem elegendő a védekezési folyamat
lebonyolításához, de fontos támpont a terepi ellenőrzés elvégzéséhez.
A hagyományosan alkalmazott módszer HR felvételek idősor-elemzésével, terepi
felméréses megerősítés mellett történő pixel-alapú feldolgozás, de a 2010-es évben egy
szuperfelbontású felvételek feldolgozási lehetőségére irányuló kutatási folyamat
részeként a VHR felvételek parlagfű-kimutatásra való alkalmasságát is vizsgáltuk.
Ennek keretében objektum-alapú feldolgozást végeztem, melynek eredményeit
összevetettük képpont-alapú eredményekkel. A vizsgálat kalászos tarlókra, illetve
szójával ültetett területekre terjedt ki.
9. 1. Felhasznált felvételek
2010. szeptember 22-én Dél-Baranyáról (Villány környéke) készült WorldView2
felvételrészlet. A felvétel paraméterei az előző részben leírtakkal megegyezők.
2010. október 8-án végzett terepi felmérés eredményei, valamint a mezőgazdasági
kategória maszkok a kalászos tarlók és a szójaültetvények térbeli leválogatására.
- 75 -
9. 2. A feldolgozás folyamata
A parlagfű-kimutatás nem az objektumok egyenkénti, hanem az adott jellegű
területtől (pl. kalászos tarló) várt tulajdonságoktól való eltérés, valamint növény-okozta
texturális jellegzetességek megtalálását jelenti, ugyanis maga a növény még VHR
felbontásban sem látszik a felvételen. Az elemzéshez használt tanuló és tesztterületek
kijelöléséhez szükség volt a felvételezett területről, a felvételezés időpontjához közeli
időpontban történő terepi felméréshez. A lehetséges célterületek kijelölése az idősor-
alapú elemzés eredményei alapján történt. A terepi felmérés hagyományosan öt
kategóriát különít el, ezek valamelyikébe osztva a felmért területeket:
1. parlagfűvel erősen fertőzött
2. parlagfűvel és más gyomokkal együttesen fertőzött
3. más gyomokkal fertőzött, kis mértékben parlagfüves
4. gyomos, de nem parlagfüves
5. betárcsázott
Ezt a kategorizálást jelen estben csak részben tudjuk alkalmazni, ugyanis a felmért
terület kis méretéből adódóan az egyes kategóriákból nem érkezett kellőszámú
eredmény, illetve a betárcsázások időpontját nem ismeretük, ezért csak három
kategóriát különítettem el (1., 2-3. összevonva, 4.).
A két mezőgazdasági kategória fertőzöttségének a vizsgálata külön-külön
történik. Az elemzés az egész területre szolgáltat eredményeket, de értelmes eredményt
csak a kategórián belül várunk. Ezen területek leválasztását az ERDAS Imagine
térinformatikai programmal végezzük.
9. 3. Szegmentálás
Amint említettük, ezúttal a célobjektumok lehatárolása nem megoldható, ezért a
szegmentálás célja a mezőgazdasági táblák egymástól való elválasztása mellett a lokális
jellegzetességek, a textúrák követése. A szegmentálás egy lépésben történik:
„multiresolution segmentation” a zöld, vörös, vörös-határ, nir1, nir2 sávok és az ndvi
- 76 -
alapján (ndvi a nir1 sávból számolva). A paraméterezése: scale = 30, Shape = 0.4,
Compactness = 0.9.
37. ábra: a szegmentálás eredménye
9. 4. Osztályozás
Az osztályozás ismét mintavételezéssel, maximum likelihood módszerrel történik.
A mintákat a terepi felmérés eredményéből választottuk mindkét vizsgált
mezőgazdasági területtípusra. Ezek egy részét tesztterületként használjuk (tanuló és
tesztterületek diszjunktak).
A kalászos tarlón alkalmazott megkülönböztetett parlagfű-fertőzöttségi
kategóriák, az eredeti terepi fertőzöttségi kódoknak megfeleltetve:
1. 50% felett parlagfüves (1. kategória),
2. parlagfűvel és más gyomokkal is fertőzött (2. és 3. kategória),
3. más gyomokkal fertőzött, nem parlagfüves (4. kategória)
A szójaültetvényekről való hiányos terepi eredmények (összesen két tábla, 1-es
fertőzöttségi kóddal) miatt ezen táblákban csak 50% felett parlagfüves területeket
keresünk.
- 77 -
A szegmensek osztályba sorolásakor az egyes spektrális sávok, valamint az ndvi,
illetve nir2 - vörös-határ indexek átlaga és szórása mellett texturális jellemzőket is
figyelembe veszünk. A textúrát most a már említett Laplace-szűrő alkalmazásával
mérjük a vörös sávon.
9. 5. Pontosság
Az eljárás pontosságának mérése nehéz feladat. A tesztterületek alapján
természetesen vizsgálható és javítható az osztályozás, de terepi megerősítésre nincs
mód, továbbá nehézséget jelent, hogy a terepi felmérés egy mezőgazdasági táblát egy
kóddal jelöl, a táblán belüli eltéréseket, parlagfű-csoportosulásokat nem jelöli, illetve a
fertőzöttségi kód meghatározása sem matematikai úton történik. A célkategóriák
spektrális tulajdonságai nagymértékű átfedést mutatnak, ami szintén korlátozza az
elérhető pontosságot.
38. ábra: a parlagfüvesként osztályozott objektumok csak a kompozitban világosbarna terület (szója) eredményeit
dolgozzuk fel
A módszer hatékonysága vizsgálható a pixel-alapú elemzés eredményével
összehasonlítva. Ez a fertőzöttségi kategóriákat összevonva történt meg, azaz fertőzött -
- 78 -
nem fertőzött osztályokba sorolva. Az összehasonlítás mind a kalászos tarlókon, mind a
szójaültetvényeken végzett elemzésekben 90% feletti egyezést állapított meg.
39. ábra: a pixelenkénti (a, c) és az objektumalapú (b, d) osztályozás eredménye a kalászos tarló (a, b) és szójaföldeken (c, d)
- 79 -
10. Összegzés
Napjainkban a távérzékelés a felvételkészítő eszközök terén töretlen és lendületes
fejlődést mutat. Mára a dolgozatban bemutatottaknál nagyságrendekkel jobb geometriai
felbontású felvételek is elérhetőek. Ez a folyamat, és az ilyen felvételek specialitása
kikényszeríti a feldolgozási módszerek változását is. Az objektum-alapú képelemzés és
annak kulcslépése, a szegmentálás ugyanakkor még nem kiforrott ága a
fotogrammetriának.
A szegmentáló algoritmusok elméleti kutatása és implementálása helyett a
szakirodalomban egyre inkább átveszi a helyet a kész, de nagyon rugalmas
algoritmusokat adó eCognition programrendszer alkalmazási lehetőségeinek
bemutatása. Az objektum-alapú elemzés hatékony és eredményes alkalmazása
érdekében azonban nem feledkezhetünk meg a szegmentáló algoritmusok
megismeréséről és megértéséről sem. Az adott feladathoz legmegfelelőbb szegmentálás
végrehajtásához elengedhetetlen az egyes lépések lehetőségeinek és korlátainak,
előnyeinek és nehézségeinek mély ismerete.
A bemutatott gyakorlati alkalmazások célja a szegmensalapú elemzés
lehetőségeinek vizsgálata, az OBIA beillesztése az Intézetben végzett képfeldolgozási
módszerek közé. Az operatív alkalmazásig való eljutás azonban rögös útnak bizonyul.
A feldolgozható adatok minőségének és mennyiségének kérdését talán nem
hangsúlyoztam eléggé, de például a parlagfű-detektáló eljárás több felvétel és több
terepi adat rendelkezésre állásával tovább finomítható és eredményesebbé tehető.
Sajnos azonban az ilyen jellegű adatok esetében a nagyobb költségekre is tekintettel kell
lennünk. Ugyanakkor az Intézet egyes újabb feladatai szükségessé teszik az objektum-
alapú elemzések felhasználását, mely alkalmazások hatékonyságához a bemutatott
feladatok megoldása komoly segítség lehet mind az objektum-alapú elemzés, mind az
eCognition rendszer alkalmazási lehetőségeinek tekintetében.
- 80 -
A. Függelék
A. 1. Adatszerkezetek
Éllistás gráfreprezentáció
Legyen a G = (V, E, ω) hármas egy irányítatlan gráf. V a csúcsok, VVE ×∈ az
élek halmaza, →∈ Eω ℝ súlyfüggvény. Minden Vv∈ csúcshoz egy listát rendelünk,
melyben nyilvántartjuk az adott csúcshoz kapcsolódó éleket, és azok súlyát. Az
ábrázolás hatékony adott csúcshoz tartozó élek feldolgozásához.
40. ábra: súlyozott, irányítatlan gráf és éllistás reprezentációja
Bináris kupac
A bináris kupac fa típusú adatszerkezet, melyben a kupac tulajdonság azt jelenti,
hogy egy szülőcsúcs értéke mindig nagyobb a hozzá tartozó gyerekcsúcsok értékeinél.
A tárolás majdnem teljes (a legalsó szint kivételével mindenhol teljesen kitöltött) bináris
fában történik, a legalsó szinten balról jobbra haladva a feltöltéssel. A kupac
tulajdonságot minden módosításkor fenn kell tartani. Hatékonyan kereshető, rendezhető
adatszerkezet.
- 81 -
41. ábra: bináris kupac faként ábrázolva
A. 2. Négyfa alapú szegmentálás
A négyfa (quadtree) adatszerkezet számos, részben a távérzékeléssel is rokon
területről ismert. Fontos alkalmazása a térinformatikai adatbázisok geometriai típusú
adatainak térbeli indexelése. Ugyanakkor a módszer bizonyos korlátok között alkalmas
képszegmentálásra, elsősorban nagy erőforrás-igényű további szegmentáló lépések
előkészítésére, segítésére használhatjuk, ezt a gyakorlati alkalmazások bemutatása során
is szemléltetem. Alkalmas továbbá képek tömörítésére is.
A módszer rekurzív, az első lépésben az egész kép egy szegmens. Ezt négy
egyenlő részre osztva négy szegmenst kapunk. Minden lépésben minden szegmenst
hasonló módon négy részre vágunk, amíg az adott szegmens meg nem felel a
homogenitási kritériumnak, vagy el nem érjük a leállási feltételt (pl. maximális
szegmensszám, minimális szegmensméret). A geometriailag kötött vágások miatt
előfordulhat, hogy a fa különböző élei mentén azonos tulajdonságú szomszédos
szegmensek is keletkeznek. Ezeket egy következő szegmentáló eljárás kiküszöbölheti.
- 82 -
Irodalomjegyzék Bevezetés a távérzékelt felvételek elemzésébe: [1] Csornai G., László I.: Távérzékelt felvételek elemzése. Előadások az ELTE
Informatikai Kar Programtervező Matematikus és Programtervező Informatikus szakán, 2005-től, diasorozat.
[2] Csornai G, Dalia O. (1991) Távérzékelés. Főiskolai jegyzet, Erdészeti és Faipari
Egyetem Földmérési és Földrendezői Kar, Székesfehérvár, 1991. [3] Richard, J.A., Jia, X. (2006) Remote Sensing, Digital Image Analysis – An
Introduction. Fourth Edition. Springer-Verlag, 2006. [4] Robert A. Schowengerdt: Remote Sensing, Third Edition: Models and Methods
for Image Processing, Elsevier, 2007. Felvételek szegmentálása, szegmensalapú feldolgozása, objektumalapú elemzés: [5] R. Schoenmakers, “Integrated Methodology for Segmentation of Large Optical
Satellite Images in Land Applications of Remote Sensing,” EUR 16292 EN, European Commission, Joint Research Centre, Sept. 1995, PhD dissertation of Katholieke Universiteit Nijmegen, http://www.cs.ru.nl/ths/dissertationsSchoenmakers-phd95.ps.gz .
[6] Kettig, R. L., Landgrebe, D. A.: Classification of Multisprectral Image Data by
Extraction and Classification of Homogeneous Object. In: IEEE Transaction on Geoscience Electronics, 14(1):19-26, 1976.
[7] Pal, N.R., Pal, S.K. (1993) A Review on Image Segmentation Techniques. Pattern
2009. [17] Definiens eCognition Developer 8, User Guide, Definiens AG, München, 2009. Saját munkák: [18] Gizella Nádor, Bernadett Csonka, Dávid Gera, Irén Hubik, Katalin Ócsai,
Zsuzsanna Suba, György Surek, Grácia Linda Tóth, Cecília Török: RAGWEED IDENTIFICATION BY WORLDVIEW2 DATA. Submitted for The DigitalGlobe 8-Band Research Challenge, 2010.
Zsuzsanna Suba, György Surek, Grácia Linda Tóth, Cecília Török: TOXIC SPILL IN HUNGARY ON 4TH OCTOBER, 2010. Submitted for The DigitalGlobe 8-Band Research Challenge, 2010.
[20] Gábor CSORNAI, István LÁSZLÓ, Gábor MIKUS, Gizella NÁDOR, Irén
HUBIK, Katalin LIPTÁK, Mónika ANTAL, Katalin ÓCSAI, István FEKETE and Dávid GERA: The Possibilities of New Satellite Image Types in the Control of Area-based Subsidies and in Ragweed Monitoring System. 30th EARSeL Symposium "Remote Sensing for Science, Education, and Natural and Cultural Heritage", UNESCO, Paris, 31 May - 4 June 2010. -- Proceedings of EARSeL Symposium 2010, ISBN 978-3-00-033435-1,
- 84 -
[21] István László, Katalin Ócsai, Dávid Gera, Roberto Giachetta, István Fekete: Object-based Image Analysis of Pasture with Trees and Red Mud Spill. 31th EARSeL Symposium, Prague, Czech, 30 May – 2 June 2011. (Benyújtott előadás)
[22] György Surek, Gizella Nádor, Zsuzsanna Suba, Irén Hubik, Katalin Ócsai, Dávid
Gera, Cecilia Török, Grácia Linda Tóth: Comparative study of applications of satellite images with different spectral and spatial resolutions – three case studies (ragweed, toxic spill, waterlog). Three case study: ragweed, toxic spill and waterlog 31th EARSeL Symposium, Prague, Czech, 30 May – 2 June 2011. (Benyújtott előadás)