Ugrás a tartalomhoz

Fotointerpretáció és távérzékelés 5., Távérzékeléssel szerzett adatok számítógépes kiértékelése

Verőné Wojtaszek Malgorzata (2010)

Nyugat-magyarországi Egyetem

5.2 A számítógépes képanalízis

5.2 A számítógépes képanalízis

A számítógépes képfeldolgozás gyakorlatilag egyidős a számítástechnikával. Bár a számítógépet megelőző időszakban az optikai képfeldolgozás – vizuális kiértékelés, analóg képelemzés – igen magas színvonalat ért el, nyilvánvalóvá vált, hogy egyes feldolgozási területeken a pontossági igények kielégítéséhez, az egyre nagyobb mennyiségű adathalmaz kezeléséhez új módszerekre van szükség. Ez a felismerés segítette elő a számítógépes feldolgozás kutatását és fejlesztését. A számítógépes képfeldolgozás során a környezetünkből származó vizuális információt a számítógép segítségével dolgozzuk fel és értékeljük ki.

A szenzorok által érzékelt adatokat a műholdak a földi vevőállomásokra továbbítják. Az eredeti képeket számos radiometriai és geometriai hiba terheli, így azok csak előzetes korrekció és javítás után használhatók fel. Az adatokat terhelő torzításoknak többek között a következő okai lehetnek (Colwell R., 1983):

  • a légköri zavaró hatások (szóródás, abszorpció),

  • a földfelszíni reflektanciát módosító domborzat hatása,

  • a szomszédos területek átsugárzása,

  • a detektorok érzékenység különbségei, hibái,

  • a pályamagasság változása az ellipszis alakú pályán,

  • a felvevő műszer mozgásának nem-linearitása,

  • a nagyobb látószögből adódó panoramikus torzítás,

  • a Föld forgása és görbülete.

Az űrfelvételeket a földi vevő állomásokon korrigálják a felvevőrendszer paraméterei alapján. Ez az un. rendszer-korrekció mind radiometriai, mind geometriai javításokra vonatkozik. A radiometriai korrekció célja a kép különböző jellegű véletlen és szisztematikus hibáinak eltávolítása, másképpen a kép helyreállítása (restoration). Például a detektorok érzékenység különbségének kiegyenlítését un. detektor normalizációval végzik. A geometriai korrekció a rendszer működéséből eredő geometriai torzítások kiküszöbölésére törekszik. A durva geometriai torzulások javítása a felvevőrendszer adatai alapján történik (Csornai G.-Dalia O., 1991).

A felvételek feldolgozása két fő szakaszra bontható:

  • az előfeldolgozásra

  • a kép osztályozásra

Az előfeldolgozás célja a felvételek olyan átalakítása, amely a felvételeket gyakorlati felhasználásra alkalmassá teszi. Az előfeldolgozáshoz a következő műveletek tartoznak:

  • a képek bevitele a feldolgozó rendszerbe,

  • az adatok megjelenítése, elemi képpont statisztikák számítása,

  • radiometriai hibák csökkentése (radiometriai korrekció, légköri korrekció),

  • vizuális interpretációt segítő eljárások végrehajtása (intenzitási műveletek: hisztogram transzformáció, szűrések, színkompozitok előállítása),

  • térképi rendszerbe illesztés (geometriai /vetületi transzformáció),

  • adatcsökkenő eljárások alkalmazása,

  • hányados képek előállítása,

  • az előfeldolgozott felvétel megjelenítése.

Az osztályozás során az előfeldolgozott felvétel minden pixeljét a célkategóriák egyikéhez rendeljük hozzá. Az ismeretlen hovatartozású pixelek célkategóriákba sorolása általában összetett, iteratív műveletekből álló folyamat és a következőket foglalja magában:

  • a célosztályok és az osztályozás pontossági elvárásainak meghatározása,

  • mintaterületek (tanuló-, tesztterületek) definiálása, referencia adatok gyűjtése

  • statisztikai (spektrális) adatok gyűjtése a tanulóterületekről,

  • osztályozás,

  • a tematikus osztályozás pontosságának vizsgálata,

  • tematikus térkép szerkesztése, statisztikai adatok előállítása

Az űrfelvételek elemzésének általános lépéseit az 5-1. ábra szemlélteti.

5-1. ábra Az űrfelvételek elemzésének általános lépései

5.2.1 A digitális képfeldolgozáshoz használt egyes szoftverek jellemzése*

*A fejezetben – terjedelmi okok miatt - csak azoknak a szoftvereknek ismertetésére kerül sor, amelyeket a NYME Geoinformatikai Karon az érintett tantárgyak oktatásához használunk.

A digitális képfeldolgozás szorosan összefonódik a raszteres térinformatikával. Az elemzés tárgyát itt raszterek képezik, melyek távérzékelési adatokat tartalmaznak. A távérzékelési adatok digitális kiértékelését számítógépes programok (IDRISI, ERDAS, DIGITERRA, ER Mapper, PCI, stb.) alkalmazásával végezhetjük. A digitális képelemzés, mint kiértékelési módszer a számítógépek gyorsaságát, pontosságát és a programokba beépített multidiszciplináris (matematika, statisztika, valószínűségszámítás, alakfelismerés, statisztikai döntéselmélet) szaktudást hasznosítja. A digitális képek kvantitatív elemzésének alapját intenzitási értékek képezik, melyek a felszínről a szenzorba beérkezett elektromágneses energiával arányosak. Nem szabad elfelejteni és alábecsülni a megfelelő mennyiségű és minőségű referencia adatok fontosságát a számítógépes képfeldolgozásban.

Az IDRISI térinformatikai és képfeldolgozó szoftver lehetőségei

Az IDRISI szoftvert a Clark University (USA) fejlesztette ki. Ez a szoftver oktatási körökben a legelterjedtebb raszter alapú GIS és képfeldolgozó rendszer. Az első verzió 1987-ben jelent meg. A 22 éves folyamatos fejlesztésnek köszönhetően egy hatékony geo-analitikus elemző eszközt hoztak létre, amelynek főbb területei a döntéstámogatás, a bizonytalanságok kezelése, a képelemzés, a változás és idősoros elemzések meghatározása. Az IDRISI szoftver a következő funkciócsoportokból áll: adatbevitel, adatbázis kezelés, térbeli adatok elemzése, adatcsere, statisztikai elemzés, döntéstámogatás, térbeli és időbeli változások elemzése, képfeldolgozás, valamint az eredmények megjelenítése. Az IDRISI a vektoros és a raszteres adatokat is egyaránt jól tudja kezelni. A legújabb verziók az Idrisi 15 The Andes Edition és az IDRISI TAIGA objektumorientált fejlesztési eszközöket használnak. Lehetőséget ad a környezetvédelmi monitoringra, a természeti erőforrások menedzselésére, beleértve a változás- és idősoros elemzéseket. Eszközt ad az összetett és több szempontot figyelembevevő döntés előkészítésre, bizonytalanságelemzésre (Bayes és Fuzzy elemzések), helyzetelemzésre és modellezésre (http://www.clarklabs.org/, Tamás J. 2000).

Az adatok bevitele, elemzése

A szoftver a vezető térinformatikai programcsomagok formátumait képes exportálni és importálni, így elsősorban Arc/Info shape file-okat, MapInfo MIPH formátumát, DXF, DVG, TIF, WMG, BMP formátumokat. Adatbázis kezelője kompatibilis a dBase III.-IV., valamint az Access 2.3 formátumával. Képes továbbá GPS adatok konverziójára és különböző nyers műholdas (SPOT, LANDSAT) formátumok fogadására. A programmal az alapvető térképi átfedések, pufferképzésektől kezdve a rendkívül összetett több tényezős és több célú döntéstámogatási rendszereken keresztül a kockázat és térbeli bizonytalanságok elemzéséig nagyon sokféle térinformatikai művelet végezhető el. Ez tekinthető a rendszer legnagyobb előnyének. Az elemzési lehetőségeket jól mutatja, hogy a rendszer mintegy 150 elemző tartalmaz. (http://www.agt.bme.hu/tantargyak/mernlet/idrisi_elemzes.html).

Adatok megjelenítése

A térképi eredmények elkészítését egy külön térképkészítő (Map Composer) segíti. Ennek révén a felhasználó különböző feliratokat, vektoros és raszteres színkulcsokat és szimbólum készletet használhat. A Windows kompatibilitás lehetővé teszi, hogy az elkészült képet más Microsoft alkalmazások számára clipboard-on vagy BMP formátumba hozzáférhetővé tegyük.

Raszteres adatok elemzése

A képfeldolgozó modul négy fő részből áll: képhelyreállítás, intenzitási műveletek, osztályozás és képkiemelés.

Image restoration (képhelyreállítás)

Az Image restoration műveletcsoportjához tartozó parancsok a nyers felvételek radimetriai hibák javítását szolgálják (3-5. ábra). A felvétel készítése során atmoszférikus hatások, a felvevők és műholdpálya sajátosságai, a felvevők, a földfelszín eltérő domborzati viszonyok következtében fellépő zavaró jellegű torzítások javítása a következő utasításokkal végezhető el:

  • ATMOSC, olyan egyszerű szűrést valósít meg, mely csökkenti a légkör (pára, köd) negatív hatását. Alapelve az, hogy megvizsgálja a vízfelületek szürkeségi értékeit a felvétel összes sávjában. Ha ezek lényegesen meghaladják a nullát, úgy ezt az értéket kivonja valamennyi pixel értékéből.

  • RADIANCE utasítás akkor használható a radiometriai korrekcióhoz, ha rendelkezésre állnak az adott felvételi időpontra szóló kalibrációs táblázatok.

  • DESTRIPE: A felvevők szenzoraiban az egyes detektorok különböző érzékenysége miatt a felvételeken keletkezett csíkosság javítása.

  • RESAMPLE szolgál a geometriai javításokra.

Image enhancement ( Intenzitási műveletek)

Az intenzitási műveletekkel a felvételek jobb, hatékonyabb vizuális kiértékelhetőségét lehet elősegíteni. Ebbe a csoportba a következő utasítások tartoznak:

  • STRECH segítségével lehetőség nyílik az eredeti felvétel kontraszt fokozására (hisztogram nyújtási és kiegyenlítési eljárások, 5-2. ábra).

  • FILTER parancs alkalmazásával a képpontok intenzitási értékeit módosíthatjuk a környezetük alapján (5-2. ábra). A módosítás során egy ún. súlymátrixot (filtert) illesztünk a képrészletre. Az új érték a pontnak a súlymátrix nagyságának megfelelő környezetében lévő képpontok intenzitásától függ.

  • COMPOSITE három sávos, színes képek előállítását szolgálja.

5-2. ábra IDRISI kontrasztfokozás és szűrés lehetőségei

Image classification (képosztályozás)

Az IDRISI komoly képfeldolgozó modullal rendelkezik, amely többféle osztályozási lehetőséget biztosít: automatikus, felügyelt, hierarchikus osztályozás, továbbá neurális hálózat alapú osztályozás és szegmentálás (lásd: IDRISI Taiga).

A tanulóterületek alapján történő osztályozás (5-3. ábra) esetén az első lépésben az általunk jól ismert tanulóterületeket jelöljük ki. A tanulóterületek digitalizálásakor – színkompoziton – egy poligonokat tartalmazó vektor file-t készítünk. Minden tanulóterület egy azonosítóval (ID) rendelkezik. A következő lépésben (MAKESIG) a tanulóterületekhez meghatározzuk az osztályt leíró file-okat (signature file). Az ilyen módon meghatározott spektrális jellemzők grafikusan összehasonlíthatók a SIGCOMP utasítás segítségével. Az ellenőrzött osztályozás több módszerrel is elvégezhető (HARD CLASSIFIERS). Az osztályozási eljárások részletes leírására itt nem kerül sor, ez részletesen az 5.2.3 fejezetben található.

5-3. ábra A tanulóterületek meghatározásának egyes lépései, Forrás: http://www.geo.info.hu/idrisi/images/andes/pages/Signature.html

A tanulóterületek nélküli osztályozást a CLUSTER elnevezésű parancs a színkompoziton végzi. Itt az osztályok spektrális adatosztályokat jelentenek. A cluster analízis a kompozit hisztogramját használja fel és a hisztogram csúcsai alapján csoportosítja a pixeleket (lásd: 5.2.3.1 fejezet).

Image Transformation (képek közötti műveletek)

A vizuális interpretációt segítő műveletek (intenzitási műveletek) mellett a kép osztályozása előtt az osztályozás pontosságának növelése céljából különböző lényeg kiemelő eljárások is alkalmazhatók, mint pl. PCA - főkomponens analízis (adat csökkentő eljárás), VEGINDEX - vegetációs indexek számítása, stb. Ezeknek a műveleteknek részletes leírása az 5.2.2.4 fejezetben található.

Az Idrisi 16 (The Taiga Edition) fejlesztései:

ETM (The Earth Trends Modeler)

A földfelszíni jelenségek megfigyeléséhez, elemzéséhez szükséges eszköztárat az ETM modul foglalja magában. A Globális Földmegfigyelő műholdprogramok a bolygónk egészségi állapotának alakulását kísérik figyelemmel (pl. NASA TERRA, NASA/JAXA TRMM, ENVISAT,...). A műholdak szenzorai adatsorozatot készítenek környezetünkről. A modult direkt ilyen adatok elemzésére fejlesztették. A ETM eszközei lehetőséget adnak a földön lezajló jelenségek monitoringjához, a változások trendjének megfigyelésére, valamint a változékonyságot meghatározó tényezők vizsgálatára. A modul különösen fontos a klímaváltozás és az ökoszisztémák kutatásában.

5-4. ábra IDRISI Taiga ETM eszköztára

Szegmentálás

IDRISI Taiga Edition szegmentáción alapuló osztályozási eljárás eszközeit három modulban foglalták össze.

SEGMENTATION

A képszegmentáció során a képet egymással összefüggő, homogén, a szomszédoktól elkülönülő területekre osztjuk fel. A homogenitás kritériumokat egyszerre több sávon alkalmazhtjuk. A szegmensek nagysága a meghatározott hasonlóság kritérium küszöbértékétől függ.

SEGTRAIN

Az osztályozáshoz szükséges tanulóterületek és spektrális jellemzőinek (szignaturák) definiálása (5-5. ábra).

SEGCLASS

A szegmens alapú tematikus osztályozás végrehajtása.

5-5. ábra Tanulóterületek és spektrális jellemzőik definiálása (IDRISI)

ERDAS IMAGINE térinformatikai és képfeldolgozó szoftver alapmoduljai

Az Erdas Inc. amerikai szoftverfejlesztő cég 30 évvel ezelőtt, 1978-ban készítette el első PC-n futó digitális képfeldolgozásra alkalmas termékét. Az azóta eltelt időszakban a szoftveripar fejlődését és az igényeket követve folyamatosan javított, bővített verziók készülnek a felhasználók részére. A legújabb, forgalomban lévő verzió ERDAS Imagine széleskörű képelemzési funkció készlettel rendelkezik, amely többek között magába foglalja az ortogonális képkorrekciót és olyan speciális funkciókat, mint a radaradatok interpretációja. A moduláris felépítésű szoftver a következő csomagokat foglalja magába: Essentials, Advantage és Professional. Az alapcsomag, az Essentials az általános elemzési lehetőségeket biztosítja a felhasználó számára, mint a raszteres és vektoros adatok megjelenítése, egyszerű osztályozás illetve geokódolás. Továbbá lehetőséget biztosít az ESRI shape file-ok export-importjára és 3D képek megjelenítésére. A haladó (Advantage) modul különböző geometriai transzformációkat ajánl és fejlett képi mozaik készítő, illetve képelemző tulajdonságokkal bír. A Professional változat a teljes funkciókészlettel, a műholdas képelemzéssel, fejlett képosztályozási és radaradat interpretációs képességgel is rendelkezik.

A szoftver egyik nagy előnye a térbeli modellkészítő képesség (Spatial model maker), amely egy olyan grafikus interface, melynek segítségével a különböző képelemzési eljárásokat és térinformatikai műveleteket kombinálhatjuk egy modellben. Az ERDAS Imagine nagyon szoros adatkapcsolatot biztosít az ArcInfo és az Arc/View termékekkel (az alap programcsomag lehetőséget ad a vektoros adatok hozzáadására és a vektor adatbázis kezelésére).

Az Erdas Imagine széles platformkörnyezetben használható. Leggyakrabban személyi számítógépen (PC-n) alkalmazzák, ahol a különféle Windows változatú operációs rendszereken (pl. a Windows 95, Windows 98, Windows NT 4.0, Windows 2000 változatok) fut. A személyi számítógépek mellett Unix (a Sun, Silicon Graphics, IBM) munkaállomásokon is használható.

Az ERDAS IMAGINE modulokból álló, bővíthető, fejleszthető szoftverkörnyezet. A szoftver grafikus felhasználói felülettel rendelkezik, mely legördülő menükből, ikonokból és párbeszéd ablakokból áll.

A fenti tagoláson kívül az Erdas IMAGINE bizonyos funkciókat külön modulokkal biztosít. Ilyen bővítő modulok és feladataik a következők:

  • IMAGINE OrthoBASE, Stereo Analyst: digitális fotogrammetriai mérő és sugárnyaláb kiegyenlítő, valamint kiértékelő modul,

  • IMAGINE Subpixel Classifier: pixelen belüli osztályozás,

  • Radar Mapping Suite: radarképek feldolgozására szolgáló modul,

  • IMAGINE Vector: vektoros adatok kezelésére, topológiai feldolgozásra szolgáló modul ARC (ESRI) struktúrában konverziók nélkül,

  • IMAGINE Virtual GIS: a 3D megjelenítés vezető szoftvere, valós idejű repülés szimulátor, összelátás vizsgálat, illetve 3D adatok minőségellenőrzését egyszerűsítő eszköz.

5.2.2 Távérzékelési felvételek előfeldolgozása

A digitális kép elemi pixelekből felépülő adathalmazt jelent. Minden egyes pixel egy adott területegységet fed le és rácsszerűen, sorokban és oszlopokban helyezkedik el. A pixel értéke az egyes felvételi sávokban mért sugárzás intenzitás értéke, mely a leképezett földfelszín részlet spektrális tulajdonságaitól és a szenzor érzékenységétől függ. Egy űrfelvétel raszteres felépítését és a hozzátartozó intenzitási értékeket az 5-6. ábra mutatja.

5-6. ábra Egy űrfelvétel raszteres felépítése és hozzátartozó intenzitási értékek

A digitális képet egy háromdimenziós adathalmazzal tudjuk leírni, ahol egy pixelsor és oszlop elhelyezkedése helykoordinátát, a harmadik szám pedig az egyes felvételi sávokban mért sugárzás intenzitási értéket jelenti. A többsávos digitális felvétel tehát egy olyan mátrixnak fogható fel, amelynek pixelei adott dimenziójú, egész értékeket tartalmazó vektorok. A vektorok közös dimenziószáma a felvétel készítésénél használt sávok számával egyezik (5-7. ábra)

5-7. ábra A többsávos digitális űrfelvétel három koordinátája: x,y helykoordináták, z az egyes felvételi sávokban mért sugárzás intenzitás értéke(Czimber K. 2001)

5.2.2.1 A képmegjelenítés, elemi képpont statisztikák számítása

A képmegjelenítés a felvétel képernyőn való áttekintését, a képen való tájékozódást és az elvégzett műveletek ellenőrzését szolgája. A digitális kép egyes pixelértékeit a kettes számrendszerben ábrázolt számok írják le. Ezért az intenzitás-tartomány is a kettes számrendszerhez igazodik. A fekete-fehér megjelenítés esetén minden pixel értékéhez hozzárendelünk egy szürkeségi fokozatot. A leggyakrabban használt értéktartomány a 0 - 255 (8 bites), de előfordulhat 64 szintes (6 bites) vagy 1024 szintes (10 bites) (5-8. ábra) ábrázolás is.

5-8. ábra A digitális kép kettes számrendszerű megjelenítése (bit – szürkeségi fokozat). Forrás: http://ccrs.nrcan.gc.ca/resource/tutor/ fundam/index_e.php

A feldolgozás során a legtöbb információt a színkompozitok nyújtják. A színkompozitok készítésekor a multispektrális felvétel sávjaihoz színeket rendelünk és az additív színkeveréssel színes képet nyerünk. A színes képek készítéséhez felhasznált sávok spektrális érzékenységétől és az alapszínek hozzárendelési sorrendjétől függően lehetnek színhelyesek és hamisszínesek. A leggyakrabban alkalmazott színkompozit a természetes színektől eltér és un. hamisszínes felvételt ad, mely egy-egy látható (kódolt szín: Blue - kék), a közeli infravörös (kódolt szín: Red- piros) és a közepes infravörös (kódolt szín: Green - zöld) sávot tartalmaz (5-9. ábra). Ilyen felvételen a vegetáció vörös színnel jelenik meg.

5-9. ábra Egy sávos megjelenítése és színkompozit előállításának lehetőségei

A felvétel előzetes vizsgálatához sávonként vagy több sáv együttes figyelembe- vételével elemi intenzitás statisztikák számíthatók ki. Ezek a statisztikai adatok alapinformációt adnak a felvételekről, továbbá felhasználhatók a különböző előfeldolgozási műveletek végrehajtásánál (pl. kontrasztfokozás).

A leggyakrabban alkalmazott statisztikák:

  • Képpontok száma, minimális-, maximális- és átlag intenzitási érték, az intenzitási értékek szórása, medián (középső érték),

  • Hisztogram (táblázatos, grafikus) megtekintése. A hisztogram az intenzitási értékek gyakorisági eloszlásának grafikus megjelenítését jelenti. A függőleges tengelyen az előfordulási gyakoriság, a vízszintes tengely mentén az intenzitási értékek szerepelnek. Egy egysávos felvétel hisztogram megjelenítését az IDRISI programmal az 5-11. ábra mutatja. Az ábrán a hisztogram mellett láthatjuk a fent felsorolt statisztikai adatokat is. Több sáv intenzitás értékeinek együttes megjelenítése az N-dimenziós hisztogram segítségével lehetséges, azonban kettőnél magasabb dimenzió ábrázolása igen nehéz. A hisztogramok elemzése alapján következtethetünk arra, hogy a lehetséges intenzitástartomány mely értékei fordulnak elő az egyes sávokban.

  • Több sáv együttes figyelembevételével számított statisztikák:

    • kovariancia mátrix – a kovariancia mátrix elemei a páronként vett képsávok együttes szórását mutatja,

    • korrelációs mátrix - egyes sávok közötti összefüggések számítása. A korrelációs mátrix értékei az egyes sávok közötti lineáris kapcsolat szorosságára utalnak. A korrelációs mátrix alapján eldönthetjük, hogy mely sávokat rendeljük hozzá a színkompozithoz a legnagyobb képi információ megjelenítése érdekében.

5.2.2.2 Intenzitás műveletek

A felvételek képernyőn való áttekinthetőségét, a vizuális kiértékelés hatásfokát, pontosságát segíteni lehet un. intenzitási műveletek – pl. hisztogram transzformáció, szűrés - alkalmazásával.

A hisztogramok elemzése alapján következtethetünk arra, hogy a lehetséges intenzitás-tartomány mely értékei fordulnak elő az egyes sávokban. A légkör és egyéb, a felvevő eszköz sajátságai miatt rendszerint a tartomány egy kis, sávonként változó részén sűrűsödnek az értékek. Ahhoz, hogy az egyes sávokat kontrasztosan, a teljes intenzitás-tartományt kitöltően tudjuk ábrázolni, szükségünk van a hisztogram széthúzásra (histogram stretching), vagy kontrasztfokozásra. Hisztogram transzformáció során az eredeti kép intenzitás tartományát (5-10. ábra) húzzuk szét a teljes (lehetséges) intenzitási tartományra (5-11. ábra). A módosított, új intenzitási érték nem közvetlenül a szomszédos képpontok intenzitás értékétől, hanem az egész kép intenzitási eloszlásától függ és nem környezet függő művelet. A leképzés különböző módjai közül leggyakrabban:

  • a lineáris transzformációt,

  • a lineáris transzformációt telítettséggel,

  • és a hisztogram kiegyenlítést használjuk.

A következő példa egy a LANDSAT TM felvétel harmadik sávjában rögzített intenzitási értékek dinamikájának növelését mutatja. A fokozás módszere: lineáris transzformáció telítettséggel.

Példa

Az 5-10. ábrán látható LANDSAT TM3 felvétel intenzitási értékeinek eloszlását a mellette lévő hisztogram mutatja. A pixelek döntő többsége 17 és 80 közötti értékeket vesz fel (bár igaz, hogy előfordulnak nagyobb intenzitású pixelek is, mint pl.129, 158, azonban kis előfordulásuk miatt nincsenek hatással a felvétel dinamikájára) ami a lehetséges 0 - 255 tartománynak csak egy részét jelenti. Ennek a felvételnek kontrasztosabb megjelenítését a következő módon nyerhetjük:

  • azokhoz az eredeti kis (0 közeli) intenzitási értékekhez melyeknek az előfordulási gyakorisága kisebb mint 2,5% (max. 5%) 0 értéket,

  • a nagy (255 közeli) intenzitási értékekhez, melyeknek az előfordulási gyakorisága kisebb mint 2,5% (max. 5%) pedig 255 értéket rendelünk hozzá,

  • a közbenső értékeket a két pont által meghatározott egyenesre lineáris leképzéssel módosítjuk.

Ezzel a művelettel az eredeti szűk intenzitási értékek intervalluma a lehetséges 0 - 255 tartományra ”széthúzható” (5-11. ábra). A javított képnek az eredetihez képest jobb a kontrasztja, így az vizuálisan könnyebben áttekinthető, tanulmányozható.

Hasonló eredmény más típusú hisztogram transzformációk elvégzésével is lehetséges, pl. lineáris transzformációval, amikor a legkisebb intenzitási értékhez hozzárendeljük a 0 értéket és a legnagyobbhoz a 255-öt (5-13. ábra).

5-10. ábra LANDSAT TM3 felvétel (hisztogram transzformáció előtt) és hisztogramja

5-11. ábra LANDSAT TM3 felvétel (hisztogram transzformáció után) és hisztogramja

Ezen felül a felvétel kiértékelési céljától függően speciális leképzési módok is alkalmazhatók: pl. a szakaszonként lineáris átvételi függvény, a hisztogram hiperbolizáció vagy logaritmikus leképzés. Egyes speciális leképzési módszereket az 5-12. ábra mutatja.

5-12. ábra A kép dinamikáját növelő egyes, speciális leképzési módszerek

  1. lineáris kontrasztfokozás elve, b) multilineáris leképzés

  1. logaritmikus leképzés, d) hisztogram kiegyenlítés

e) szeletelés.Forrás: (Swain P. H.-Davis S.M.,1983)

A képek megjelenésében további javítás érhető el szűrők (filterek) segítségével. A szűrések a hisztogram transzformációval ellentétben környezetfüggő műveletek. Egy módosítandó képpont intenzitási értéke nem a teljes intenzitási tartománytól, hanem a közvetlen környezetében lévő pontok intenzitásától függ. Ez úgy történik, hogy a képre egy ún. súlymátrixot illesztünk (pl. 3x3-as, 5x5-ös vagy nagyobb) mindenegyes képpontra és annak környezetére. A lefedett képpontokat a filter elemeivel megszorozva és az eredményt összegezve módosítjuk a szűrt pont értékét (5-13. ábra). Az élkiemelő szűrés eredményét az 5-14. ábra mutatja. Az eljárás célja az egyes képrészletek közötti átmeneti tartomány szűkítése, a határmenetek hangsúlyozása.

Néhány példa 3x3 súlymátrixokra.

átlagoló

élkiemelő

élkiemelő függőlegesen

élkiemelő vízszintesen

1

1

1

1

0

-1

-1

2

-1

-1

-1

-1

1

1

1

1

0

-1

-1

2

-1

2

2

2

1

1

1

1

0

-1

-1

2

-1

-1

-1

-1

5-13. ábra Egy 3x3x szűrő illesztése képrészletre

5-14. ábra Az élkiemelő szűrő hatása

5.2.2.3 Radiometriai korrekció

A felvétel készítése során fellépő zavaró légköri hatások, a felvevő és műholdpálya sajátosságai, a detektorok eltérő érzékenysége, a földfelszín változó domborzata és a változó megvilágítási viszonyok következtében a mért sugárzást különböző jellegű torzítások terhelik. A torzítások csökkentésére radiometriai korrekciót alkalmazunk (5-15. ábra).

5-15. ábra A radiometriai korrekció típusai

A radiometriai korrekció célja a kép különböző jellegű véletlen és szisztematikus intenzitási hibáinak eltávolítása, másképpen a kép helyreállítása, a felvétel fizikai jellemzőinek lehető legjobb megközelítése. A műholdképeket a felvevőrendszer adatai alapján a földi vevőállomásokon korrigálják. A rendszer-korrekció során azonban a radiometriai hibák eltávolítása nem maradéktalan és előfordulhat, hogy szükség van további javításra.

A földfelszínről érkező energiát detektorok (LANDSAT MSS-nél sávonként 6, TM-nél 24, SPOT esetében 3000 db illetve 6000 db) elektromos jelekké alakítják át. A detektorok működése azonban nem mindig tökéletes és előfordulhat, hogy ugyanolyan energiára különböző jelet adnak. A szenzorok öregedésével érzékenységük tovább változhat. Mindez a felvételek csíkosságát vagy spontán hibákat okoz. Ilyen például a LANDSAT és SPOT műhold felvevő detektorainak eltérő működéséből adódó pályára merőleges, illetve pályairányú felvételi csíkossága (5-16. ábra). A képet érő zavaró hatások más része abban nyilvánul meg, hogy a képpontok várható szürkeségi kódja – általában véletlenszerűen – megváltozik.

5-16. ábra Pályairányú felvételi csíkosság radiometriai korrekció előtt és után. Pályára merőleges felvételi csíkosság. Forrás: www.soonet.ca/.../ remotesensing/bl130lec10.html

A javítások során a vízszintes vagy függőleges csíkosságot különböző lineáris szűrők alkalmazásával, az intenzitás eltéréseket polinomiális függvényekkel, vagy lokális hisztogram transzformációval korrigálják.

A topográfiai normalizáció a domborzat okozta különböző felszíni megvilágítások intenzitás eltéréseinek kiegyenlítésére szolgál. Ennek során próbáljuk leírni az intenzitási értékek és a területegység megvilágítási viszonyai közötti kapcsolatot és ez alapján az intenzitási értékeket módosítani. A gyakorlatban alkalmazott normalizációs módszerek pl. lineáris kapcsolatot feltételeznek a visszaverődés és a megvilágítás között. A korrekció trigonometriai alapon is történhet.

A légköri korrekció a légkör hatásának mérséklését jelenti valamilyen fizikai modell alapján. Ez történhet a felvétellel egy időben végzett meteorológiai mérések alapján. Ennek hiányában a légköri paraméterek meghatározhatók a felvételen lévő, időben állandónak tekinthető reflektanciájú objektumok (pl. tiszta vizű tó) alapján. A zavaró hatások ismeretében matematikai modellek segítségével olyan inverz transzformációkat határozunk meg, melyek a modell által leírt hatásokat csökkentik, semlegesítik. Meg kell jegyezni azonban, hogy felhős időben, a látható- és az infravörös hullámhossz tartományban készített felvételeken keletkezett felhőzet sűrű foltjai és árnyéka nem korrigálható. A mikrohullámú tartományban viszont a felhőzet nem jelent akadályt a felvételezés számára.

A felvételeket terhelő spontán vagy szisztematikus hibák (5-17. ábra) javítására irányuló eljárásokat zajszűrésnek, zajelnyomásnak vagy simításnak nevezzük. Zajelnyomás esetén többnyire 3∗3-as, illetve 5∗5-ös konvolúciós szűrőket használunk, melyeknek valamennyi eleme pozitív. A filter elemeinek összege a gyakorlatban általában 1, így a homogén területek értékeit a konvolúciós szűrés nem változtatja meg. Azonos szűrőelemek azt eredményezik, hogy minden figyelembe vett szomszéd intenzitási érték azonos mértékben befolyásolja a végeredményt.

Tipikus konvolúciós szűrők:

A következő példában láthatjuk a 3∗3–as szűrők simító hatását.

Példa

Egy digitális képrészlet:

11

12

12

14

13

12

14

12

15

12

13

15

62

61

13

11

12

14

13

14

13

15

12

13

12

A képrészlet intenzitási értékek között lévő kiugró értékek simításához a T2 szűrőt alkalmazva a p(3,3) képpont 62-es értéke a következőképpen módosul:

p’(3,3) = 1/10(14+12+15+15+2*62+61+12+14+13) = 28

A kiugróan magas 62-es érték lényegesen kisebb lett, ezért a javított képen az adott pixel nem tér el a környezetétől. A módosítás azonban nemcsak a hibás pixelekre vonatkozik. Például a p(2,2) képpont 14-es értéke 18-ra változik:

p’(2,2) = 1/10(11+12+12+12+2*14+12+13+15+62) = 18

A zajszűrésre más típusú (nem konvolúciós) un. mediánszűrő is használható (Berke J. et all., 1996). Egy digitális minta mediánja a nagyság szerint rendezett értékek középső elemét jelenti. A szűrést úgy valósítjuk meg, hogy minden képpont intenzitását a ráillesztett szűrő által meghatározott minta mediánjával kicseréljük. Következőkben a fenti konvolúciós módszerrel javított p(3,3) képpont eredeti értékére (62) és környezetére helyezzünk rá a 3*3-as medián szűrőt. A kerettel megjelölt intenzitási értékeket nagyság szerint rendezve, kijelöljük a minta mediánját.

12 12 13 14 14 15 15 61 62

Ennek értelmében a p(3,3) új értéke 14 lesz. A következő lépésben a szűrőt egy oszloppal jobbra tolva és az eljárást megismételve a p(3,4) képpont 61-es értéke helyére 14 fog kerülni. Az 5-18. ábra jól szemlélteti az átlagoló és medián szűrő hatása közötti különbséget.

5-17. ábra Az átlagoló és medián szűrő hatását szemléltető ábra

A) zajjal torzított input kép, B)az átlagoló szűrővel javított kép C) a medián szűrővel javított kép

5.2.2.4 A képi információt növelő és adatcsökkentő eljárások

A vizuális interpretációt segítő műveletek (intenzitási műveletek) mellett a kép osztályozása előtt az osztályozás egyszerűsítése, a számítási idő csökkentése céljából különböző lényeg kiemelő eljárások is alkalmazhatók. A lényeg kiemeléssel csökkenthető a később osztályozandó elemi adatok dimenziója és ezzel együtt a feldolgozandó adatok mennyisége. A multispektrális felvételek, pl. LANDSAT TM alkalmazása esetén a 7 sávban rögzített információ jelentős része adatcsökkentő eljárás (főkomponens analízis) alkalmazásával kisebb sávszámba sűríthető.

Különbség és hányados képek

A különbség és hányados képek az eredeti felvétel sávjai között elvégzett aritmetikai műveletek eredményei. Az eljárás alkalmas két sáv információjának bizonyos mértékű összevonására, az eltérések kimutatására, normalizációra és különböző időpontban készült felvételek feldolgozására. A sávok között számított un. vegetációs indexek különösen a növényzet monitoringjához nyújtanak kedvező feltételeket. A vegetációs indexek számításához általában a spektrális csatornák közül a látható fény vörös (Red) tartományába eső sávot és a közeli infravörös (NIR) sávot használják. A vegetációs indexek - egyszerű vegetációs index VIi,j, és normalizált vegetációs index NDVIi,j - a növényzet jelenlétének kimutatására és állapotának jellemzésére használható, különösen a globális vegetációs monitoringban. Néhány hozambecslési eljárásban jó eredményeket kaptak a LANDSAT és az AVHRR adatok együttes alkalmazásával. SPOT és AVHRR felvételek alapján számított NDVI képek Afrika területről az 5-18. ábrán láthatók.

Néhány példa vegetációs indexek számítására:

Különbségi index:

Egyszerű vegetációs index:

Normalizált vegetációs index:

5-18. ábra SPOT és AVHRR felvételek alapján számított NDVI NDVI eloszlási térképek Afrika területéről (2006. augusztus). Forrás: http://images.google.co.hu

A két felvételi sáv felhasználható un. hányados kép létrehozásához. A hányados képek egyik sajátossága, hogy az egyes sávok intenzitásértékei, bár különböző mértékben, de korrelálnak a terület megvilágításával, ezért a hányados képeken a domborzat okozta megvilágítási különbségek kiegyenlítődnek. Néhány példát találhatunk a hányados képek számítására és alkalmazási területére a következő táblázatban (5-1. táblázat).

5.1. táblázat - 5-1. Táblázat Hányados képes számítása és alkalmazási területei

Szenzor

Hányados képek

EM Spektrum

Alkalmazás

Landsat TM

3.sáv/2.sáv

piros/zöld

Talajtan

Landsat TM

4.sáv/3.sáv

NIR/piros

Biomassza

Landsat TM

7.sáv/5.sáv

SWIR1/SWIR2

Ásványlelőhelyek térképezése

Landsat TM

4.sáv/5.sáv

NIR/SWIR

Erdészet


Főkomponens analízis (PCA – Principal Component Analysis)

A multispektrális vagy idősoros felvételek elemzésénél – az adatok mennyiségének csökkentése céljából – elvégezhető a főkomponens analízis (Gupta R.P. 1991). A főkomponens analízis megvizsgálja a sávok közötti korrelációs összefüggéseket. Az egymással különbözőképpen korreláló sávok lineáris transzformációját úgy végezzük el, hogy a kapott főkomponensek korrelálatlanok legyenek. Az eljárás abból indul ki, hogy a felvételek intenzitás vektorai az intenzitástérben nem egyenletesen oszlanak el. Az 5-19. ábrán egy SPOT4 multispektrális felvétel 1. és 2. sávjaira, valamint 2. és 3. sávjaira vonatkozó intenzitás értékek eloszlását láthatjuk, továbbá a sávok közötti lineáris korrelációt. Az 1. és 2. sáv magas korrelációt mutat.

5-19. ábra a) Egy SPOT4 multispektrális felvétel 1. és 2. sáv, valamint 2. és 3. sáv intenzitásértékeinek eloszlása és sávok közötti lineáris korrelációja b) A főkomponens transzformáció: c1 – 1.komponens, c2 – 2.komponens

A lineáris transzformáció során a képpont intenzitások (5-19. ábra) az eredeti helyett egy új, c1 1.komponens, c2 2.komponens koordináta rendszerben is megadhatók. Az új rendszerben a c2 tengely szerepe kisebb a képpontok elkülönítésében, mint az eredeti rendszerben. Ha csak a c1 1.komponens tengelyt használnánk a képpontok jellemzésére, egyes pontokat nem tudnánk szétválasztani, ami információ veszteséget jelentene. Az információ veszteség annál kisebb, minél korreláltabbak az egyes sávok (intenzitásvektorok). A főkomponens analízis során tehát a többdimenziós intenzitásvektorok eloszlását jellemző kovariancia mátrix segítségével meghatározzuk a sajátvektorokat, sajátértékeket és az eredeti felvétel intenzitásait a sajátvektorok által meghatározott koordinátarendszerbe transzformáljuk. A kapott új többsávos felvétel képsávjai korrelálatlanok lesznek. A sajátértékek nagysága (az elsőtől a negyedikig) jelentősen csökken (5-2. táblázat), így a kisebb sajátértékű sávokat elhagyva az adatmennyiség minimális információ veszteség mellett csökkenthető. A lényegkiemelő átalakítás után például a teljes variancia több mint 90 %-a a kép első két sávjában van, ezért az osztályozáshoz elegendő a felvétel első néhány sávjának használata.

5.2. táblázat - 5-2. Táblázat A főkomponens transzformáció adatai

Cor matrix velencef1 velencef2 velencef3 velencef4

velencef1 1.000000 0.966282 -0.245376 0.832017

velencef2 0.966282 1.000000 -0.334302 0.885093

velencef3 -0.245376 -0.334302 1.000000 -0.163927

velencef4 0.832017 0.885093 -0.163927 1.000000


komponens C 1 C 2 C 3 C 4

% var. 78.07 17.09 4.44 0.41

sajátérték 1807.90 395.77 102.77 9.39

1.sajátvektor 0.362080 0.034544 -0.480070 0.798272

2.sajátvektor 0.649442 -0.048227 -0.484660 -0.583955

3.sajátvektor -0.155724 0.963854 -0.196816 -0.089439

4.sajátvektor 0.650287 0.259743 0.704203 0.117301

5.2.2.5 Geometriai transzformáció

A műholdas felvételek geometriája lényegesen különbözik a légifényképek geometriai tulajdonságaitól, ami a műholdas felvételi rendszerek és a légifelvételek közötti eltérésekből adódik. Fényképezés során a kamera a másodperc töredéke alatt centrális projekcióval felvételt készít az optika által lefedett területről. Az eltolódás a légifényképen radiális és mindig egyirányú, a kép középpontjától kifelé mutató. A mechanikus pásztázók esetén a felvétel, a műhold mozgás pályájára merőlegesen, pixelenként (pl. LANDSAT) vagy soronként (pl. SPOT), nem egy időpillanatban, hanem több másodperc alatt jön létre. Így a földgörbületből, domborzatból, vagy a hordozóeszköz mozgási egyenetlenségeiből adódó torzulásokat még a Föld forgásából adódó geometriai hibák is fokozzák. A felvétel készítése során fellépő egyes geometriai hibák forrása az 5-20. ábrán látható.

5-20. ábra Különböző geometriai hibák a felvételen: a) a földgörbületből és domborzatból adódó torzulások, b), c) a hordozóeszköz mozgásának és a felvevő hibáiból adódó torzulások

A geometriai korrekció célja ezeknek a hibáknak a javítása és a felvétel meghatározott térképi vetületbe illesztése, vagyis a térinformatikai rendszerekkel való geometriai kapcsolat megteremtése.

A geometriai korrekció két részfeladatra bontható:

  • a koordináta transzformáció paramétereinek meghatározására,

  • pixelenkénti koordináta transzformációra és az újramintavételezésre.

A koordináta transzformáció során feltételezzük, hogy a digitális képalkotásnál alkalmazott mintavételezés valós. A háromdimenziós tér valamelyik pontjához a P(x,y) képpontot rendeljük hozzá. Ha azt akarjuk elérni, hogy ugyanennek a térpontnak a korrigált pontja a képen a P′(x′,y′) képpont legyen, akkor szükség van az

(x,y)→ ′(x′,y′)

koordináta transzformációra.

A két különböző koordináta rendszer (pl. LANDSAT TM és EOTR térkép) között megkeressük a függvény-kapcsolatot, mely segítségével a felvétel a másik rendszerbe átszámítható. Az átszámításhoz egy kétváltozós függvényt szokás alkalmazni. Ez általában n-ed fokú polinomális függvény. Leggyakrabban elegendő elsőfokú függvényeket szokás alkalmazni (5-21. ábra). A két különböző koordináta rendszer közötti átszámítás megadott pontossággal kell, hogy teljesüljön.

5-21. ábra Az input (transzformálandó) kép és az output (referencia) térkép kapcsolata

x = F1(x′,y′)

y = F2(x′,y′)

(x,y) – input képpont koordinátái

(x′,y′) – output pont koordinátái

F1, F2 – kétváltozós függvények

A korrekciós függvény együtthatóinak definiálása két módon történhet:

  • a bemenő és kimenő kép pontjainak koordinátái közötti kapcsolat függvény együtthatóinak megadása direkt módon,

  • illesztő pontok alapján a transzformációs paraméterek meghatározása.

Az első esetben a két koordináta rendszer között analitikus módon meghatározzuk a kapcsolatot és megadjuk a leképző függvény együtthatóit vagy a korrigáló algoritmus paramétereit. Például a rendszer-korrekció elvégzésekor speciális algoritmusokat alkalmaznak. A direkt módszernek másik speciális esete, amikor megadjuk a felvétel nagyítás/kicsinyítés mértékét, a képforgatás szögét, valamint az eltolás nagyságát és ezek az adatok alapján kiszámítjuk a leképző függvény együtthatóit.

A korrekciós függvény együtthatóinak illesztő pontok alapján történő meghatározásánál a térképen és a felvételen egyértelműen azonosítható, egymásnak megfelelő pontokat választunk ki (5-22. ábra). A két forrásból származó illesztő pontok mindkét rendszerben ismert koordinátái segítségével kiszámítjuk a feltételezett leképező függvény együtthatóit, az átlagos hibanégyzet minimalizálás (legkisebb négyzetek módszere) eljárását alkalmazva. A geometriai transzformáció során arra kell törekedni, hogy az átszámítási maradék hiba kisebb legyen, mint az adott felvétel pixelmérete.

.

5-22. ábra Az illesztő pontok kiválasztása SPOT243 (eredeti) színkompozito és LANDSAT TM georeferált (cél) felvételen

A koordináta transzformációval a koordináták átszámítása történik, ezt követően szükséges meghatározni, hogy az adott (korrigált) pontra melyik képpont intenzitási értéke kerüljön. A transzformált képpontok intenzitás értékeinek számítása a környező képpontok intenzitás értékeinek függvényében un. újramintavételezéssel, az alábbi módszerekkel oldható meg (5-23. ábra):

  • a leképzett ponthoz legközelebbi pont intenzitás értékét választjuk (legközelebbi szomszéd módszer),

  • a környező négy pont intenzitása alapján interpolációval számítjuk,

  • köbös konvolúciót alkalmazunk (kétváltozós, harmadfokú polinomot illesztünk a pont környezetére).

5-23. ábra Az újramintavételezési egyes módszerek.

  1. a legközelebbi szomszéd módszer

  2. a környező négy pont intenzitásának interpolációja

  1. köbös kovolúciós módszer

Forrás: http://www.ccrs.nrcan.gc.ca/resource/tutor

5.2.3 Az osztályozás

A számítógépes osztályozás képpontokon alapuló műveleteket, statisztikus (döntéselméleti) és szintaktikus (strukturális) módszereket foglal magában. Az osztályozás modellje matematikailag kell, hogy megfogalmazható eljárás legyen, amely megfelelő pontosságot biztosít, gyors, objektív, ismételhető és más területekre is kiterjeszthető. A kép osztályozása – sokfélesége ellenére – lényegében azonos feladat megoldását jelenti: képpontok, összetartozó képpontegyüttesek sajátságaik alapján való felismerése, kategorizálása, vagy előre megadott célkategóriák valamelyikébe történő besorolása. Ez különböző adatok alapján történhet:

  • Képpont értékek (intenzitási értékek) elemzése. Ebben az esetben a vizsgált sajátság a képpont érték (vektor), ami többsávos kép esetében az egyes spektrális összetevők vektora, különböző időpontban készült felvételek esetén pedig a geometriai értelemben összetartozó adatok vektora. Többsávos kép esetén multispektrális, több időpontban készült felvételek esetén pedig multitemporális osztályozásról beszélünk.

  • Textúra elemzés. A vizsgált sajátságok a kép mikroszerkezetét (textúráját) jellemzik. A felismerés többnyire a mintázat szempontjából homogén tartományokra terjed ki.

  • Alakfelismerés. A vizsgált sajátság a kép makroszerkezetét, objektumait jellemzi.

Az adatok elemzésében nagy segítséget nyújtanak a referencia-adatok, mint pl. topográfiai, geológiai térképek, talajtani, területhasznosítási adatok. A kiértékelést a reprezentatív mintaterületek spektrális adatai alapján végezzük. A mintaterületek kiválasztását megelőzi a munkaterület homogén régiókra való felosztása és a tematikus kategóriák spektrális tulajdonságait befolyásoló tényezők tanulmányozása. A referencia-területek, melyeket tanuló- és tesztterületekre osztunk fel, a teljes (kiértékelendő) területnek általában 2-4 %-át alkotják. Az első csoportot az osztályozás tanulási fázisában használjuk a kategóriák spektrális jellemzőinek meghatározásához, a másikat a kapott osztályozási eredmény pontosságának vizsgálatához. Az osztályozás egyes fázisait az 5-24. ábra mutatja.

5-24. ábra A többsávos felvétel tematikus kiértékelésének fázisai. Forrás: Lillesand T. M. et al., 2007

Az ismeretlen hovatartozású pixeleket az előre meghatározott célkategóriákvalamelyikébe soroljuk be. Ehhez ismerni kell a célkategóriák spektrális tulajdonságait, vagyis a kategóriákra jellemző leíró statisztikákat és előfordulási gyakoriságukat. A többsávos digitális kép egy olyan mátrix melynek sorai és oszlopai a földfelszíni pásztázási soroknak ill. oszlopoknak felelnek meg a térbeli felbontásnak megfelelően. A mátrix elemei vektorok, amelynek koordinátái az adott pixelnek megfelelő területről visszavert, különböző sávokban mért energia mennyiségének felelnek meg. Az intenzitási térben egy pixel helyét nem sor, oszlop koordináták, hanem a különböző sávokban mért intenzitási értékek határozzák meg. Különböző tematikus osztályok pixelei az intenzitástérben jellegzetesen csoportosulva helyezkednek el. A tematikus kategóriák reflektancia értékeinek előfordulását az intenzitástérben valószínűségi függvényekkel jellemezhetjük. A valószínűségi függvények rendszerint Gauss-féle normális eloszlást követnek. A spektrálisan meghatározott kategóriák (homok, víz) szűkebb intervallumban verik vissza az elektromágneses sugárzást, mint a spektrálisan kiterjedt, szétszórt település osztály. Ez érthető, hiszen utóbbiban jóval több, különböző visszaverő elem van. Az egyes kategóriák reflektancia értékeinek eloszlását jól mutatja a valószínűségi sűrűségfelület (5-25. ábra).

5-25. ábra Az egyes kategóriák intenzitás értékei jellegzetes valószínűség eloszlása. Forrás: Lillesand T. M. et al., 2007

A földfelszín és felszíni objektumok spektrális tulajdonságainak (reflektancia görbék) ismeretében kiválaszthatók olyan hullámtartományok - felvételezési sávok – melyekben a földfelszín különböző típusai jól elkülöníthetők egymástól (5-26. ábra). Egy adott kategóriához tartozó pixelek spektrálisan hasonlóak. Ez azt jelenti, hogy hasonlóan verik vissza az elektromágneses energiát. Az intenzitási térben ezek a pixelek tömörülő ponthalmazokat alkotnak. Ha a ponthalmazok elég távol vannak egymástól, akkor a különböző felszín típusok elkülöníthetők, ami az osztályozást megkönnyíti, illetve a téves osztályozás lehetőségét csökkenti. Az 5-27. ábrán három felszínborítási kategória intenzitási értékeinek szóródása látható az intenzitási térben. A tömörülésekre legkevésbé jellemző szélső értékek nem keverednek egymással. Azonban ilyen ideális állapot nagyon ritkán fordul elő. A természetben sokkal gyakoribb az 5-28. ábrán látható eset, mikor különböző kategóriák átnyúlnak egymásba, keverednek, ami osztályozási problémákat válthat ki.

5-26. ábra a) Talaj, növényzet és víz kategóriák pixelei az intenzitás térben (felvételi sávok terében), b) Talaj, növényzet és víz kategóriák intenzitás vektorainak szórása az intenzitási térben.

5-27. ábra A különböző felszínborítások intenzitásai átfedésekkel az intenzitási térben. Forrás: Csornai G.-Dalia O. 1991

Az 5-28. ábra több tematikus kategóriát mutat az intenzitási térben. Látható, hogy egyes kategóriák, mint pl. víz, homok intenzitásai jobban tömörülnek, mint az erdő vagy a település intenzitásai. Ennek az a magyarázata, hogy a víz, homok vagy kukorica kategória spektrálisan homogénebb, mint egy település. Hiszen egy település spektrális tulajdonságait sok, gyakran teljesen eltérő felszín befolyásolja, mint pl. park, betonút, lakóterület. Természetesen egy viszonylag homogén kategórián belül is előfordulnak olyan intenzitások, melyek kevésbé jellemzőek. Az egyes kategóriák sugárzás értékei az előfordulási gyakorissággal jellemezhetők. Azoknak az intenzitásoknak, melyek inkább jellemzőek az adott kategóriára nagyobb az előfordulási gyakoriságuk, mint a spontán, vagy a kevésbé jellemző intenzitásoknak.

5-28. ábra Az egyes tematikus kategóriák képpontjai az intenzitástérben. A legközelebbi középpontú és Box osztályozási módszer. Forrás: Lillesand T. M. et all., 2007.

A célkategóriák mintáiból kigyűjtött jellemző intenzitási adatok alapján - feltételezve, hogy azonos osztályba tartozó objektumok spektrálisan ugyanúgy viselkednek - az ismeretlen hovatartozású pixeleket összehasonlítjuk az osztályra jellemzőkkel és a leginkább hasonló kategóriába soroljuk be. A leggyakrabban használt besorolási módszerek:

  • a legközelebbi középpontú osztályozás (minimum distance módszer,)

  • box osztályozási módszer,

  • maximum-likelihood módszer,

  • Bayes módszer.

Az 5-28. ábra néhány célkategória képpontjait mutatja az intenzitástérben (ebben az esetben az intenzitástér két sáv intenzitás értékeinek diagramja). Az ábrán látható 1, 2 jelölésű pontokat különböző módszerek szerint soroljuk be valamelyik kategóriába, ezzel utalva a módszer lényegére. Ha az ismeretlen hovatartozású képpontot (1,2 jelölés) a legközelebbi középpontú osztályhoz sorolnánk, akkor az 1-el jelölt pont a C-osztályba kerülne (helyes döntés). A 2-el jelölt pont esetében hibát követnénk el, hiszen a kérdéses pont U-jelölésű kategóriába tartozik, de a módszer szerint S-jelölésű kategóriába sorolnánk.

A box módszer (5-28. ábra) esetében a célkategóriákat az intenzitástérben a koordináta-tengelyekkel párhuzamos oldalú téglalapok írják le. Látható, hogy a boxok nem jól illeszkednek a H, F, C osztályokhoz, továbbá az átfedések miatt kiegészítő döntést kell hozni az odaeső pixelek osztályozását illetően. Box módszert alkalmazva az 1. pont átkerül a H-osztályba, a 2. pont pedig az U-osztályba.

A maximum-likelihood módszer (5-29. ábra) az adott osztályhoz tartozó pixelek intenzitásainak gyakoriságát, valószínűség-eloszlását veszi figyelembe és a kérdéses pixelt oda sorolja, amelyik osztályban ilyen érték gyakrabban fordul elő. Bár igaz, hogy ez az osztályozási módszer - a hibák valószínűsége szempontjából - optimális, itt is követhetünk el hibát. Az egyszerűség kedvéért nézzünk meg egy két osztályból álló példát. Az 5-30. ábrát megtekintve látható, hogy bizonyos intenzitási értékek mindkét osztályban megtalálhatók, azonban más az előfordulási gyakoriságuk. Így, ha C intenzitású pixel hovatartozásáról kellene dönteni, akkor a maximum-likelihood elvét követve az 1. osztályba sorolnánk be, ahol az adott értéknek nagyobb az előfordulási gyakorisága. A döntéshatár a D értéknél van. A téves osztályozások számát a satírozott terület adja.

5-29. ábra A maximum-likelihood osztályozás

5-30. ábra A téves osztályozások számát a satírozott területek adják (x - intenzitás) Forrás (Csornai G.-Dalia O. 1991)

Minden tévesen besorolt pixel a gyakorlati alkalmazásban veszteséget jelent a felhasználó számára. Ha az a cél, hogy az osztályozási hibából származó veszteség a lehető legkisebb legyen, akkor eljutunk a Bayes-döntéshez. Általában a maximum-likelihood eljárás és a tévesztési eredmények elemzése után célszerű a Bayes osztályozást alkalmazni. A melléosztályozásból származó elemi veszteségek mátrixának megadása a felhasználó érdekei szerint történik. Amennyiben a nemkívánatos osztályozási hibák megfelelő helyeire nagyobb veszteségi értékeket adunk, azokat visszaszorítjuk.

Szegmentálás

A képszegmentáció során a képet egymással összefüggő, homogén, a szomszédoktól elkülönülő területekre osztjuk fel. A multispektrális felvételek használata esetén a homogenitás kritériumokat egyszerre több sávon alkalmazzák. A szegmensek nagysága a folyamat elején a meghatározott hasonlósági kritérium küszöbértékétől függ. A szegmensek homogenitása kisebb küszöbérték meghatározásával érhető el. Nagyobb küszöbérték esetén a szegmensekre nagyobb méretű heterogenitás jellemző (5-31. ábra).

5-31. ábra Egy multispektrális felvétel (részlet) szegmentálásának eredménye különböző homogenitási kritériumok esetén

Az osztályozáshoz szükséges tanulóterületek definiálása szegmentált képen történik. A továbbiakban a kijelölt szegmensekről, mint tanuló-területekről numerikus adatok gyűjtése következik a tematikus kategóriák spektrális jellemzőinek meghatározása céljából. Ezek után a szegmenseken speciális vagy pixel alapú osztályozási eljárásokkal végrehajtjuk az osztályozást.

Ezzel az eljárással növelhető az osztályozás pontossága (a pixel alapú osztályozással összehasonlítva), eredményeként továbbá a térképen - a szegmensek határvonalainak megőrzése mellett - az osztályok közötti átmenet egyenletesebb lesz (5-32. ábra).

5-32. ábra Pixel és szegmens alapú osztályozás eredménye

5.2.3.1 Spektrális adatosztályozás (clusterezés)

5-33. ábra A tematikus osztályok csoportosulása az intenzitási térben (IDRISI)

A felvétel osztályozásakor a kép pixeleit, az intenzitási érték alapján tematikus kategóriákba soroljuk. Az egyes tematikus osztályok pixelei az intenzitástérben csoportosulnak és elkülöníthetők egymástól (5-33. ábra). Ezeket az adatcsoportokat clustereknek nevezzük. A természetben gyakori, hogy egy tematikus osztályon belül is több adatcsoportosulás lép fel. Ennek oka, hogy adott kategória (pl. búzával fedett tábla) többféleképpen veri vissza az elektromágneses energiát, hiszen a növény fejlődése a búza fajtájától, a talaj állapotától (talajtípus, az erózió fokozata) a megelőző esőktől, a vetés időpontjától, stb. függ. Így egy tematikus kategória több homogén, spektrálisan hasonló csoportra (clusterre) bontható. Az 5-34. ábrán látható, hogy egy tematikus osztály több spektrális adatosztályból áll, de fordított eset is előfordulhat, amikor ugyanaz a spektrális osztály több tematikus osztályban is megjelenik. Ezek a pixelek osztályozási hibákat okoznak, hiszen az ide eső felszínborítások spektrálisan nem különböznek. Gyakorlatban nagyon ritka az egyértelmű megfeleltetés, amikor egy spektrális adatosztály egy tematikus osztálynak felel meg. Ennek értelmében a tematikus osztály és spektrális osztály között a következő három viszony állhat fenn:

  • egy spektrális adatosztály egy tematikus osztálynak felel meg,

  • több spektrális adatosztály egy tematikus osztályt épít fel,

  • egy spektrális adatosztály több tematikus osztályban is előfordul.

5-34. ábra a) Űrfelvétel részlet, b) spektrális adattérkép vagy cluster térkép (több spektrális adatosztály egy tematikus osztályt épít fel, egy spektrális adatosztály több tematikus kategóriában fordul elő)

A clusterezést vagy spektrális adatosztályok létrehozását gyakran automatikus vagy nem ellenőrzött (unsupervised classification) osztályozásnak nevezzük. A nem ellenőrzött osztályozásnál a digitális képet spektrális adatosztályokra bontjuk. Az egyes spektrális csoportokat, clustereket elkülönítjük, majd ezeket megfeleltetjük a tematikus kategóriáknak. A clusterezés célja a spektrális adatok olyan csoportosítása, aminek eredményeként az egymáshoz hasonló adatok egy csoportba kerülnek, az egyes csoportok pedig elegendően különböznek egymástól. A gyakorlatban használt clusterező eljárások a cluster középpontját keresik meg és a pixeleket a legközelebbi cluster-középponthoz sorolják (általában Euklideszi távolság alapján). A clusterezésnél kiindulhatunk fix számú adatosztályból, de megadhatunk az intenzitástérben egy távolságot, amelynek túllépése esetén egy újabb cluster jön létre. Az adatosztályok kezdeti elhelyezése az intenzitástérben történhet véletlenszerűen, az intenzitás minimum- és maximumvektorok között egyenletesen, és manuálisan. A clusterezést egymás után többször is lefuttathatjuk, ezzel finomítva a cluster középpontjainak helyzetét.

Több clusterezési eljárás közül három jellegzetes típust különböztetünk meg:

  • az iteratív módszereket (ISODATA eljárás),

  • szekvenciális clusterezést,

  • és a többdimenziós hisztogramok elemzésen alapuló eljárásokot.

Az iteratív módszert alkalmazva valamilyen célfüggvénnyel (pl. a cluster középponttól vett távolságok négyzetösszegének minimuma) meghatározzuk az osztályozás helyességét. Az eredmény több lépésben (iterációban) a célfüggvénnyel kapcsolatos szélső értékek egyre pontosabb és pontosabb teljesítése mellett alakul ki. Az iteratív clusterezés módszerei közül leggyakrabban az ISODATA-eljárást használjuk.

Az ISODATA cluster-kereső eljárás célja a felvétel adathalmazában olyan csoportok megtalálása, melyek egymáshoz közel vannak. Ez azt jelenti, hogy előre meghatározott cluster szám mellett az átlagtól való távolságok négyzetösszege minimális legyen. Az eljárás a cluster középpontjainak felkeresését, azok iteratív javítását valósítja meg. Képfeldolgozó rendszerekben ez az algoritmus a leggyakoribb. Az ISODATA eljárás lépései a következők (5-35. ábra):

  1. Az intenzitástérben egyenletesen vagy más módszerrel kiválasztunk egy előre meghatározott számú cluster középpontot.

  2. Minden képpontot a hozzá legközelebbi középponthoz (clusterhez) sorolunk be.

  3. Kiszámítjuk a clusterek új középpontjait (a besorolt pixelek átlagvektora).

  4. Megvizsgáljuk a clusterek változását. Ha a változás egy bizonyos küszöbnél nagyobb és az előre megadott iterációszámot még nem léptük túl, az eljárást a 2-ik ponttól folytatjuk tovább. Más esetben a clusterezést befejezettnek tekintjük.

Az ISODATA módszert nagyon gyakran alkalmazzák a különböző képfeldolgozó rendszerekben. A valóságban alkalmazott eljárások sokkal bonyolultabbak, többféle megszorítást tehetünk a clusterek méretére, elemszámára. Az egymáshoz túl közeli clustereket összevonhatjuk, a túl kicsiket megszüntethetjük és a túl lazákat szétvághatjuk. A felszámolt cluster elemeit minden esetben azonnal besoroljuk.

Az eljárás nagymértékben javítható, ha a középpontoktól való távolság helyett bevezetjük a valószínűség fogalmát. Egy x pixel besorolását a wi adatosztályok valamelyikébe nem az x-wi távolság minimumának, hanem a p(x/wi) osztályba-kerülési valószínűség maximumának meghatározása alapján döntjük el.

5-35. ábra Az iteratív cluster-kereső eljárás lépései Forrás (Csornai G.-Dalia O. 1991)

A szekvenciális clusterezés során a spektrális adatosztályok meghatározása egy menetben történik. Az algoritmus menete a következőkben foglalható össze:

  1. A pixeleket egymás után beolvassuk.

  2. Az aktuális pixelt a legközelebbi clusterhez soroljuk, ha a pixel clustertől való távolsága egy megadott, az intenzitástérben értelmezett távolságnál kisebb. Majd a cluster középpontját a besorolás után újraszámítjuk (az összes besorolt pixel átlagvektora).

  3. Ha az aktuális pixelt a 2. pontban nem tudtuk besorolni egyik clusterhez sem, akkor a pixelből egy új clustert hozunk létre.

  4. Ha két cluster középpontjának távolsága a megadott távolságon belül van, akkor a clustereket összefűzzük. Az új cluster közepét a két cluster középpontjának pixelek számával súlyozott átlagaként határozzuk meg.

  5. Vissza az 1. lépéshez, ameddig feldolgozatlan pixel van.

Ezen gyors algoritmus hátránya, hogy az új clusterek definiálását befolyásoló távolság megadása körülményes, valamint a clusterek némiképp az első pixelek tulajdonságait hordozzák, ugyanis ezek a pixelek az elején nagyobb súllyal szerepeltek a középpont kialakításában. Az eljárás szintén javítható, ha nem a középponttól való távolság, hanem a clusterhez tartozás valószínűsége alapján dolgozunk.

A többdimenziós hisztogram elemzésen alapuló eljárások csak kisszámú sáv esetén működnek hatékonyan. Az egyes intenzitás vektorok előfordulási gyakoriságának meghatározása N-dimenzióban és az N-dimenziós hisztogram tárolás bonyolultsága miatt nehézkes. Az eljárás célja a hisztogram helyi maximum környezetének megkeresése. A hisztogram minden csúcsa egy különálló spektrális osztályt jelent.

Az ellenőrzött osztályozás előtt végrehajtott clusterezés eredménye felvilágosítást adhat a tematikus osztályok homogenitásáról, így esetleg alkategóriák létrehozásáról, valamint ezek alapján az osztályozás pontossága is becsülhető.

A cluster-kereső eljárással megkeresett spektrális adatosztályokat leggyakrabban a normális eloszlással közelítjük. Az így jellemzett adatosztályok átfedése, közelsége okozza a tematikus osztályozás hibáit. A nagyobb átfedés nagyobb tematikus osztályozási hibát okoz (5-36. ábra). Az átfedést az átlagvektorok távolsága és szórása befolyásolja. Az átfedés csökken, ha változatlan szórás mellett növeljük az átlagok távolságát. Abban az esetben, ha az átlagok változatlanok maradnak, de a szórás növekszik akkor az átfedés is növekszik.

5-36. ábra Az adatosztályok átfedésének nagysága az átlag és szórás függvényében

5.2.3.2 A tematikus osztályozás pontosságvizsgálata

A távérzékelt felvételek kiértékelése során minden elemi felszíndarabot - spektrális jellemzői alapján – a tematikus kategóriák egyikébe besoroljuk. Ilyenkor feltételezzük, hogy az azonos osztályba tartozó objektumok spektrálisan hasonlóan viselkednek. A természetben azonban gyakran előfordul, hogy a különböző földfelszíni objektumok (különböző tematikus osztályok) hasonló vagy azonos spektrális tulajdonságai miatt téves osztályba kerülnek. Ennek következményei a tematikus osztályozási hibák. Ezért a felvételek elemzéséhez hozzátartozik az osztályozás pontosságának vizsgálata. A pontosságvizsgálatban az ismert földi referenciaterületek (tesztterületek) adatait - pixelenként - hasonlítjuk össze az osztályozással nyert tematikus térképpel. A két forrásból származó adatok összehasonlítási eredményét a tévesztési táblázat és a hibatérkép formájában vizsgálhatjuk.

A tévesztési táblázat (5-3. táblázat) egyes soraiban a referenciaosztályok képpontjainak az osztályozás utáni megoszlása kerül. A főátlóban a helyesen besorolt pixelek száma található. Az adott osztály főátlójától való eltérés a hibás besorolásra utal. A sorban lévő eltérés un. elsőfajú hibát (kihagyást) – az adott kategóriából más kategóriákba való besorolást, az oszlopban lévő eltérés másodfajú hibát (beválogatást) – más kategóriákból az adott kategóriába való besorolást jelez. A sorok összege a kategória referencia képpontjainak számát, az oszlopoké az osztályozás eredményében megjelenő képpont számát jelenti.

5-3. táblázat - Tévesztési táblázat (hiba mátrix) példája. Forrás: (Csornai G. – Dalia O., 1991)

A tényleges osztály

Az osztályozás eredménye

Pixel

hiba

Találat %

1

2

3

4

5

6

7

8

9

1

706

28

0

0

0

0

0

10

6

750

44

94

2

10

389

0

0

0

0

0

4

22

425

36

92

3

0

0

184

4

0

3

0

0

3

194

10

95

4

0

0

0

371

46

2

0

0

0

419

48

88

5

0

0

0

29

370

21

0

60

0

480

110

77

6

9

0

0

0

4

802

0

46

0

861

59

93

7

0

0

27

0

0

0

907

0

55

989

82

92

8

11

0

1

45

117

45

0

280

7

506

226

55


Jelkulcs:1-búzatarló, 2-búza, 3- (kukorica1), 4-(kukorica2), 5-(kukorica3), 6-(kukorica4), 7-cukorrépa, 8- település, 9 – nem felismert

A tévesztési táblázat (hiba mátrix, pontossági mátrix) nemcsak az osztályozás pontosságát, de a különböző téves osztályozások tendenciáit is jól mutatja. Ezek ismeretében szükség lehet a tanulóterületek újra kiválasztására, a referencia-adatok ellenőrzésére vagy a kategóriák spektrális összetevőinek felülvizsgálatára.

A hibatérkép a hibák területi eloszlására ad felvilágosítást. Itt a találatot és a különböző téves osztályozásokat külön kódok jelzik. A csoportos osztályozási hibák a referencia-adatok hibáit vagy a tematikus osztályozás tanulási fázisában elkövetett hibáit mutatja.