DÁLKOVÝ PRŮZKUM ZEMĚ

Transkript

1 Teichmann Vysoká škola báňská Technická univerzita Ostrava Hornicko-geologická fakulta DÁLKOVÝ PRŮZKUM ZEMĚ (Řízená klasifikace) Tomáš Peňáz Ostrava, 2014

2 Vysoká škola báňská Technická univerzita Ostrava Hornicko-geologická fakulta DÁLKOVÝ PRŮZKUM ZEMĚ (Řízená klasifikace) Tomáš Peňáz Ostrava, 2014

3 Obsah 1 Úvod Cíle cvičení Data a programové vybavení Časová náročnost Postup zpracování Geografické vymezení území Trénovací etapa Klasifikační schéma Tvorba tréninkových ploch Extrakce příznaků Zhodnocení kvality tréninkových ploch Klasifikační etapa Klasifikátor minimální vzdálenosti Normalizovaný klasifikátor minimální vzdálenosti Klasifikátor maximální pravděpodobnosti Klasifikátor pravoúhelníků Fischerův klasifikátor Úkoly pro samostatnou práci... 28

4 1 Úvod Ve cvičení nazvaném Interpretační znaky, interpretace obrazových dat, jsme prováděli vyhodnocení obrazových dat na základě vizuálního vjemu. Vjem, získaný pozorováním obrazu, doplňujeme svými znalostmi a zkušenostmi. Před zahájením interpretace máme možnost obrazová data zvýraznit a tím usnadnit vnímání části obsahu, který by zůstal za normálních okolností skrytý. Digitální obrazová data, získaná metodou DPZ, však mohou nést informace, které pro člověka nejsou bezprostředně viditelné. Takovou možnost poskytují především digitální obrazová data, získaná skenováním v intervalech vlnových délek, na něž není lidské oko citlivé. Potenciál využitelných informací skrývají obrazová data, tvořená N obrazovými pásmy, tedy tzv. víceobraz. V takových datech bývají informace zakódovány v několika pásmech současně. Jedná se především o multispektrální nebo hyperspektrální data, jejichž automatizované vyhodnocení je zajišťováno různými metodami klasifikace. Hyperspektrální data sestávají z obrazových pásem, odpovídajících N intervalům vlnových délek, které jsou relativně úzké a kontinuálně pokrývají určitý interval, označovaný jako atmosférické okno. Získání a vyhodnocení požadovaných informací z hyperspektrálních dat se provádí některou ze skupiny specializovaných metod. Pojmem multispektrální obrazová data, je nejčastěji označován víceobraz, jehož pásma odpovídají diskrétním intervalům vlnových délek a pro který platí: N 3; 10 Horní hranice počtu pásem pro multispektrální obrazová data není přesně stanovena, takže někteří odborníci se kloní k názoru, že se jedná o víceobraz, pro jehož pásma v počtu N platí: N 3; 15 Toto cvičení se zabývá klasifikací multispektrálních obrazových dat. V jednom z předchozích cvičení jsme se vykreslili křivky, vyjadřující spektrální odezvu pro tři typy pokryvu zemského povrchu: zastavěné oblasti, zalesněné oblasti a povrchové vody. Viděli jste, že projevy každého z těchto typů pokryvu jsou jedinečné. Typ povrchu může tedy být identifikován na základě své spektrální odezvy. Tento fakt stojí v pozadí klasifikace digitálních obrazových záznamů (image classification). Mnoho typů map (mapy krajiného pokryv, mapy půd, bathymetrické mapy, apod.) bylo vytvořeno na základě digitálních obrazových záznamů, získaných metodou dálkového průzkumu Země. Automatizovanou klasifikaci digitálních obrazových záznamů lze provádět dvěma základními metodami jako klasifikaci řízenou (supervised classification) a klasifikaci neřízenou (unsupervised classification).

5 Při řízené klasifikace uživatel vytvoří spektrální popis známých kategorií (les, voda, ) a použitý programový nástroj následně přiřadí jednotlivým pixelům obrazu tu kategorii, jíž jsou původní data nejvíce spektrálně podobné. Neřízená klasifikace je postup, při němž program nejprve automaticky rozdělí pixely do skupin s podobnými spektrálními vlastnostmi. Těmto skupinám, tzv. spektrálním třídám, uživatel následně přiřadí informační význam, kterým je typ povrchu. Kroky při řízené klasifikaci mohou být seřazeny následovně: lokalizace reprezentativních vzorů pro každý jednotlivý typ krajinného pokryvu, který je možno v obrazových datech identifikovat, tzv. tréninkové plochy (training sites), digitalizace polygonu okolo jednotlivých tréninkových ploch a přiřazení jedinečných identifikátorů jednotlivým typům pokryvu, analýza pixelů patřících jednotlivým typům tréninkových ploch a vytvoření spektrálních popisů pro každý typ pokryvu, klasifikace celého obrazu pixel po pixelu porovnáním jeho vlastností s vlastnostmi předem definovaných skupin (reprezentujících druh pokryvu). Přiřadíme-li jednotlivé pixely do skupin s nejpodobnějšími vlastnostmi, hovoříme o tzv. tvrdé klasifikaci (hard classification), Naopak měkká klasifikace (soft classification) ohodnocuje stupeň příslušnosti jednotlivého pixelu ke všem skupinám a bere v úvahu i fakt, že některé pixely mohou náležet skupinám dosud nedefinovaným. K rozhodnutí o podobnosti vlastností jednotlivých pixelů s vlastnostmi jednotlivých skupin dochází na základě statistické analýzy. Existuje několik možných statistických technik, které se používají při rozhodování, do které třídy má být zpracovávaný pixel zařazen. Tyto techniky se označují jako klasifikátory nebo klasifikační pravidla (classifiers). Toto cvičení ukazuje některé postupy tvrdé klasifikace. Se způsoby měkké klasifikace se seznámíte později v magisterském studiu v rámci předmětu Digitální zpracování dat v DPZ. Detailnější popis těchto postupů můžete najít například v kapitole Classification of Remotely Sensed Imagery v manuálu IDRISI Guide to GIS and Image Processing Volume 2. 2 Cíle cvičení Absolvováním cvičení budou dosaženy následující cíle: seznámíte se s praktickou stránkou řízené klasifikace digitálních obrazových dat, získaných metodou DZP, naučíte se základní kroky, nutné k provedení procesu automatizované klasifikace, získáte základní dovednosti při výběru tréninkových ploch a naučíte se je vymezit v obrazových datech,

6 na základě statistických metod a s využitím vizualizace statistických dat se naučíte provést zhodnocení kvality tréninkových ploch, pochopíte základní rozdíly ve fungování klasifikátoru nejmenší vzdálenosti od středů shluků, klasifikátoru pravoúhelníků a klasifikátoru maximální pravděpodobnosti. 3 Data a programové vybavení S interpretačními znaky se budete seznamovat v prostředí programu Idrisi Selva, který je vynikajícím nástrojem pro výuku zpracování obrazových dat v dálkovém průzkumu Země. Pro klasifikaci využijeme digitální obrazový záznam L _ , získaný systémem Landsat 7, jehož skener ETM+ vytváří obrazová data v 9 pásmech. Tato obrazová data z , pokrývají území o rozměrech 191x185 km. Předzpracování dat zahrnuje pouze systémové korekce. Data jsou doplněna o georeferenční údaje, které umožňují tzv. předběžnou geometrickou transformaci prováděnou při zobrazování ve vhodném programovém prostředí. Před klasifikací se nedoporučuje provádět další geometrické transformace. Klasifikaci budeme provádět pro oblast o rozměrech 11,6 x 9 km, s rozlohou přesahující 100 km 2. Cvičná data pro toto cvičení jsou připravena jako výřez z původní scény Pro klasifikaci budeme nadále používat pouze pásma 1,2,3,4,5 a 7, která jsou vybrána ve výřezu. 4 Časová náročnost Řešená část cvičení by mělo být zpracována v průběhu 90 minut. Aktivity cvičení jsou připraveny tak, abyste je mohli provádět samostatně a to jak pod dohledem pedagoga, tak v jeho nepřítomnosti. Aktivity, které nestihnete provést ve vymezeném časovém limitu v počítačové laboratoři, dokončíte samostatně. Předpokládá se, že zpracování samostatné části cvičení bude vyžadovat 120 minut. 5 Postup zpracování Postup, který si vyzkoušíme, představuje pouze zjednodušený proces zpracování dat, založený na řízené klasifikaci. V tomto cvičení se máte naučit základní principy a zjednodušený postup vám umožní tyto základní principy lépe pochopit. Reálně prováděný proces klasifikace je totiž výrazně složitější a pro vás jako pro začátečníky je příliš komplikovaný a zdlouhavý. 5.1 Geografické vymezení území Oblast, kterou se pokusíme klasifikovat na základě dat ze systému Landsat 7, se nachází v Moravskoslezském kraji. Ve výřezu se nacházejí obce Dolní Benešov, Háj ve Slezsku, Bolatice, Jilešovice, Kozmice a další. V území je zastoupena především zemědělská krajina a lesní plochy (obrázek 1). Významnou součást krajiny tvoří trvale zastavěné území sídel,

7 letiště a průmyslových objektů a dále též povrchové vodní objekty (rybníky, zatopené štěrkovny a vodní toky). Obrázek 1 Ukázka zájmového území na syntéze v pravých barvách Klíčovou součástí přípravy řízené klasifikace je terénní rekognoskace, která má zajistit co nejdokonalejší znalost území. Toto terénní šetření by mělo být provedeno velmi důkladně především před prováděním klasifikace. Jestliže se však v průběhu klasifikace vyskytne okamžitá potřeba upřesnění znalostí o území, je vhodné provést došetření in situ (tedy na místě samém) opakovaně, je-li to možné. V obrázku 2, zobrazujícím zájmové území, jsou vyznačeny typy krajinného pokryvu, reprezentující informační kategorie, které mají být výsledkem klasifikace, tzv. klasifikační schéma. Obrázek 1 byl vytvořen jako syntéza v pravých barvách a zobrazuje tedy území v barevném podání, které se přibližuje skutečnosti. 5.2 Trénovací etapa Začneme tvorbou tréninkových ploch. Vytvoření tréninkových ploch pro toto cvičení, je založeno na znalosti typu zemského povrchu, které byly získány v rámci rekognoskace terénu.

8 Každému jednotlivému typu pokryvu bude přiřazen jedinečný celočíselný identifikátor a pro každý povrch bude vytvořeno jedno nebo několik tréninkových ploch Klasifikační schéma Napište seznam všech typů pokryvu identifikovaných na obrázku 1 a jejich jedinečných číselných identifikátorů. Zatímco tréninkové plochy mohou být digitalizovány v libovolném pořadí, při tvorbě identifikátorů není možno přeskočit žádné z čísel. Takže máte-li 10 typů povrchů, vaše identifikátory musí tvořit číselnou řadu od 1 do 10. Tabulka 1 Typy povrchů a odpovídajících identifikátorů pro řízenou klasifikaci Hodnota ID Typ pokryvu 1 mělká voda 2 hluboká voda 3 orná půda 4 louky a pastviny 5 zastavěné oblasti 6 lesní porosty Naše cvičení je připraveno pro 6 typů krajinného pokryvu (tabulka 1), jejichž výskyt v modelové oblasti je současně vyznačen na obrázku 2. Obrázek 2 Ukázka zájmového území s vyznačením typů pokryvu, které jsou předmětem řízené klasifikace

9 5.2.2 Tvorba tréninkových ploch Trénovací etapu zahájíme zobrazením dat způsobem, který je vhodný pro snadnější orientaci vyhodnocovatele při rozlišení a výběru požadovaných typů pokryvu. Data proto zobrazíme jako syntézu v nepravých barvách. Spusťme program Idrisi Selva a v hlavní nabídce otevřeme okno pro vytvoření barevných syntéz (příkazy v nabídce Display / COMPOSITE). V okně COMPOSITE (obrázek 3) zvolíme vstupní pásma, jim odpovídající barevné kanály RGB a název souboru s výsledným kompozitním obrazem. Další parametry nastavíme podle obrázku 3 a potvrdíme tlačítkem OK. Vytvořená syntéza v nepravých barvách (kompozitní obraz) se otevře v samostatném okně. Jestliže již byla syntéza vytvořena dříve, zobrazíme ji jako kompozitní rastr příkazem v nabídce Display / DISPLAY Launcher. Obrázek 3 Okno COMPOSITE s nastavením parametrů pro vytvoření syntézy v nepravých barvách z obrazových pásem ETM+2, ETM+4 a ETM+5. Nyní vektorizací tréninkových ploch vytvoříme masky, tedy polygony, jimiž pro následující zpracování vymezíme zvolené množiny pixelů v klasifikovaném obrazu. Připomeňme si, že vektorizace je typ digitalizace, při níž jsou vytvářena vektorová data. Digitalizaci provedeme na obrazovce (on-screen digitizing) a použijeme při tom funkce programu IDRISI Selva, určené pro vektorizaci. Jedná se o 3 ikony (obrázek 4) v panelu nástrojů.

10 Obrázek 4 Ikony použité pro vytvoření masky tréninkových ploch. Ikona Digitize (vlevo), ikona Delete Feature (uprostřed) a ikona Save Digitized Data (vpravo). Použijte navigační tlačítka na spodní části okna Composer, abyste se získali detailní pohled na jeden z vodních objektů. Kliknutí na ikonu pro on-screen digitalizaci (obrázek 4 vlevo), způsobí otevření okna Digitize (obrázek 5). Zadejme TRENPLOCHY jako název vektorové vrstvy a přepínačem pro výběr geometrického charakteru sdělte programu, že budeme vytvářet polygony. Vyberte soubor QUAL256 s barevnou paletou, pro zobrazení vznikajících polygonů. Zadejte hodnotu identifikátoru (ID = 2), která odpovídá typ pokryvu hluboká voda. Obrázek 5 Okno Digitize s volbou parametrů pro digitalizaci. V okně Composer je nyní již vložena vektorová polygonová vrstva TRENPLOCHY, která však doposud neobsahuje žádné objekty. Povšimněte si kurzoru, která má podobný vzhled jako digitalizační ikona (obrázek 4 vlevo). Přesuňme nyní kurzor nad zvolenou část vodní plochy a začněme vytvářet nový polygon. Kliknutím na levé tlačítko myši zadejme počáteční bod polygonu, a stejně tak i následující vrcholy polygonu. Nyní můžeme pozorovat, jak postupným zadáváním definičních bodů vzniká hraniční linie polygonu. Polygon by měl zahrnovat homogenní oblast vybraného typu pokryvu, a proto si dejme pozor, abychom do něj neuzavřeli žádné pixely náležící např. břehu či dokonce zemědělským plochám v okolí.

11 Pokračujme v digitalizaci, pokud se kurzorem nepřiblížíme počátečnímu bodu. Stiskněme pravé tlačítko myši a tím zajistíme uzavření polygonu a ukončení jeho digitalizace. Dokončený polygon se zobrazí s výplní podle znaku z palety QUAL256, který odpovídá vybranému identifikátoru. Svou práci kdykoliv můžeme uložit pomocí tlačítka pro uložení geoprvků (obrázek 4 vpravo). Odpovězte ano, pokud chcete obsah vrstvy uložit. Pokud při vektorizaci uděláte nějakou chybu a chybně zadaný polygon nechcete uchovat, klikněte na ikonu určenou pro odstranění vektorového prvku (obrázek 4 uprostřed). Vyberte polygon, který chcete odstranit. Vybraný polygon se zvýrazní a bude označen hodnotou identifikátoru. Stiskněte klávesu Delete na klávesnici počítače a polygon je odstraněn. Polygony můžete z vektorové vrstvy odstraňovat až po jejím prvním uložení. Použitím navigačních tlačítek si zobrazme další tréninkovou plochu a digitalizační ikonou (obrázek 4 vlevo) opět aktivujte režim vektorizace. Otevře se okno (obrázek 6), v němž jsme dotazováni, zda máme v úmyslu přidávat geoprvky do aktivní vektorové vrstvy nebo zda si přejeme vytvořit novou vrstvu. Přepínačem zvolíme první možnost. Obrázek 6 Okno pro výběr režimu pokračování digitalizace do aktivní vektorové vrstvy TRENPLOCHY Otevře se okno, v němž vložíme hodnotu identifikátoru pro nový polygon. Chceme-li digitalizovat polygon kolem stejného typu povrchu, použijeme stejný identifikátor. Jestliže budeme vytvářet masku pro jiný typ povrchu, je nutné zadat jinou, odpovídající hodnotu identifikátoru. Pokud si pro některý z typů pokryvu přejete určit dvě nebo i více tréninkových ploch můžete vektorizací vytvořit dva či více polygonů. Tyto polygony však musí mít stejnou hodnotu ID.

12 Připomeňme si, že se jedná o identifikátor typu pokryvu a nikoliv o identifikátor konkrétního polygonu. Pro jakýkoliv typ pokryvu může být vybráno libovolné množství tréninkových ploch a vytvořeny polygony se stejným ID. Celkově by však mělo být k dispozici dostatečné množství pixelů pro statistickou analýzu vlastností každého pokryvu. Můžeme si pomoci pravidlem, že počet pixelů v kteréhokoliv tréninkové množině, by neměl být menší než desetinásobek počtu použitých pásem vlnových délek. V případě, že používáme 6 pásem, měli bychom mít v každé tréninkové množině více než 60 pixelů. Dále budeme pokračovat ve vektorizaci, dokud nemáme digitalizované všechny polygony kolem svých vybraných tréninkových ploch. Kliknutím na příslušnou ikonu (obrázek 4 vpravo) uložíme digitalizovaná data. Pokud v průběhu vektorizace polygonů definujících tréninkové plochy, potřebujeme přerušit práci, můžeme režim digitalizace ploch ukončit s tím, že výsledky práce uložíme do souboru. Následně pak máme možnost uložená data znovu otevřít a přidat je do okna s připraveným rastrovým obrazem (obrázek 8). Obrázek 7 Syntéza v nepravých barvách (ETM+2, ETM+4, ETM+5) s digitalizovanými maskami tréninkových ploch.

13 Obrázek 8 Okno určené k volbě parametrů pro načtení vektorové vrstvy s digtalizovanými maskami tréninkových ploch. Vymezování tréninkových ploch v rastrových datech je klíčovým krokem trénovací etapy klasifikace. Zpracovatel při této činnosti rozhoduje o přesnosti vymezení tréninkových ploch a tím zásadně ovlivňuje výsledky klasifikace. V následujících krocích jsou zpracovateli k dispozici postupy a nástroje, s jejichž využitím je schopen lépe posoudit kvalitu statistických charakteristik pixelů, označených jako příznaky. Jestliže uživatel zná nedostatky vymezení tréninkových ploch, může se k tomuto kroku vrátit a provést případné korekce. Následně však musí opět provést i kroky, které jsou popsány následující podkapitole Extrakce příznaků Jakmile máme připravený vektorový soubor s polygony definujícími tréninkové plochy (obrázek 7), můžeme přistoupit k třetímu kroku celého procesu, tedy tvorbě souborů s příznaky (signature files). Tyto soubory obsahují statistické informace o hodnotách odrazivosti pixelů v tréninkových plochách pro každou z tříd. Spusťme modul MAKESIG z nabídky Image Processing / Signature Development (obrázek 9). Dále vybereme vector jako typ tréninkového souboru (Type of training site file), vložte název souboru TRENPLOCHY, obsahující geometrické definice tréninkových ploch. Dále zadejte informaci, že bude zpracováváno 6 obrazových pásem a automaticky se objeví 6 dialogových oken pro výběr názvů souborů. Vyberte: vyrez_idrisi1.rst (modré pásmo), vyrez_idrisi2.rst (zelené pásmo), vyrez_idrisi3.rst (červené pásmo), vyrez_idrisi4.rst (blízké infračervené pásmo 0,76-0,90 μm), vyrez_idrisi5.rst (střední infračervené

14 pásmo 1,55 1,75 μm) a ještě (střední infračervené pásmo 2,08 2,35 μm) vyrez_idrisi3.rst. Obrázek 9 Okno modulu MAKESIG pro zadání parametrů s cílem získat příznaky informačních tříd Klikněme na tlačítko Enter Signature Filename, které způsobí otevření stejnojmenného okna. Obrázek 10 Okno pro zadání názvů souborů s příznaky tříd ve zvolených tréninkových plochách Pro každý identifikátor z vektorového souboru tréninkových ploch bude vytvořen samostatný soubor s příznaky (signature file). Pro každý identifikátor zadejte název

15 souboru. Tedy jestliže mělká voda má ID = 1, zadejte název souboru např. melka_voda. Po zadání názvů všech souborů zadejme OK. Jakmile ukončíme práci s modulem MAKESIG, použijeme Idrisi File Explorer z nabídky File. Nyní s pomocí filtru typů souborů zkontrolujeme, zda se vytvořily všechny potřebné soubory. Pokud jsme zapomněli zadat některý typ pokryvu, musíme zopakovat výše popsaný proces vytvoření resp. editace vektorového souboru a zadat chybějící tréninkové plochy a znovu je zpracovat modulem MAKESIG. Použití dalších modulů pro tuto sadu souborů s příznaky (signature files), si můžeme usnadnit vytvořením souboru sdružujícího více příznaků (signature group file). Urychlí to vyplňování potřebných informací do boxů. Stejně jako vícepásmový obrazový soubor tzv. zásobník (raster group file) je i soubor sdružující více příznaků (signature group file) v ASCII formátu. Tento soubor vytvoříme automaticky pomocí modulu MAKESIG. Vytvořený soubor má podobný název jako vektorový soubor s polygony tréninkových ploch tj. TRENPLOCHY.sgf. Otevřete Idrisi Explorer a ze záložky Filters označte soubory s příznaky tříd (*.sig + *.spf) a soubory se skupinami tříd (*.sgf). Ze záložky File následně vyberme TRENPLOCHY.sgf. V metadatech ověřte, zda v souboru jsou zapsány příznaky všech požadovaných tříd Zhodnocení kvality tréninkových ploch Pokud chcete soubory s příznaky tříd navzájem porovnat, je možno vytvořit jejich grafické znázornění, stejně jako v předcházejícím cvičení. Vyberte příkaz SIGCOMP z menu Image Processing / Signature Development a v okně Sigcomp vyberte použití Signature group file a zadejte TRENPLOCHY. Zobrazte jejich střední hodnoty (mean - průměr). Klikněme na tlačítko Enter Signature Filename, což způsobí otevření stejnojmenného okna. Zavřete okno Sigcompgraph a znovu spusťte SIGCOMP, ale tentokráte vyberte pouze dva soubory s příznaky tříd (lesni_porosty a zastavene_oblasti) a zadejte jejich názvy. Zobrazte jejich maxima, minima a střední hodnoty. Všimněte si, že hodnoty odrazivosti těchto popisných souborů se často v několika pásmech překrývají. Důvodem je skutečnost, že v zastavěných oblastech dochází k míchání spektrálního projevu různých typů pokryvu.

16 Obrázek 11 Okno SIGCOMP pro zadání názvů souborů s příznaky tříd ve zvolených tréninkových plochách Kontrolní otázky 1) Která pásma ze všech šesti vlnových pásem nejlépe zdůrazní vegetační pokryv? 2) Poznáte, který z těchto dvou souborů s příznaky má širší rozpětí hodnot odrazivosti ve všech pásmech? Víte proč tomu tak je? Obrázek 12 Okno Sigcompgraph s grafickým znázorněním aritmetických průměrů hodnot příznaků informačních tříd, tedy hodnot charakteristických pixelů

17 Jinou cestou pro zhodnocení souborů s příznaky (signature files) je jejich vykreslení v dvourozměrném (dvoupásmovém) rozptylogramu (scatterplot nebo scattergram). Rozptylogram je diagram, který ukazuje rozložení hodnot všech pixelů ve dvou pásmech, kde na vodorovné ose je uvedena odrazivost jednoho pásma a na svislé ose odrazivost druhého. Četnost pixelů v jednotlivých částech grafu je vyznačena pomocí kvantitativní barevné palety. Charakteristiky souboru s příznaky vykreslené v překryvu s rozptylogramem poskytují možnost zhodnotit, jak dobře jsou jednotlivé typy pokryvu rozlišitelné ve dvou zobrazených pásmech. Pro vytvoření rozptylogramu použijeme modul SCATTER. Používá data 2 pásem pro osy X a Y a vykresluje relativní polohy pixelů podle hodnot jejich odrazivosti, naměřené v jednom místě ve dvou zobrazených pásmech. Navíc vytváří vektorový soubor pravoúhlých oblastí vykreslených ve vzdálenosti dvojnásobku směrodatných odchylek kolem aritmetického průměru příznaku pro každé pásmo. Mohli bychom vytvořit a vyzkoušet různé rozptylogramy pro různé dvojice pásem. Nyní vytvoříme rozptylogram z červeného (ETM+3) a blízkého infračerveného (ETM+3) pásma. Spustíme SCATTER z menu Image Processing / Signature Development. Ve stejnojmenném okně vybereme soubor vyrez_idrisi3.rst (červené pásmo) pro osu Y a soubor vyrez_idrisi4.rst (blízké infračervené pásmo) pro osu X. Výsledek pojmenujme scatter_34 a ponechme volbu použití přirozeného logaritmu. Zvolme parametr pro vytvoření souboru příznaků (Create sigmature plot file) a zadejte název souboru sdružující skupinu příznaků TRENPLOCHY. Potvrdíme tlačítkem OK. Objeví se poznámka, že byl vytvořen vektorový soubor. Po stisku OK se zobrazí rozptylogram. V případě, že nedojde k zobrazení rozptylogramu, zvolíme v menu File / User Preferences. V záložce System Settings okna User Preferences (obrázek 13 vlevo) aktivujte volbu, která způsobí automatické otevírání oken s výstupy z operací provedených v analytických modulech (Automatically Display the Output of Analytical Modules). V záložce Display Settings okna User Preferences by měla být nastavena implicitní volba použití GREY256 jako standardní kvantitativní palety a QUAL256 jako standardní kvalitativní palety (obrázek 13 vpravo).

18 Obrázek 13 Záložky okna User Preferences pro nastavení grafických výstupů Obrázek 14 Okno pro volbu parametrů pro vytvoření rozptylogramu V okně Composer přidejte tlačítkem Add Layer vektorovou vrstvu s názvem souboru SCATTER a paletou QUAL256. Přesuňte kurzor nad rozptylogram. Všimněte si, že souřadnice X a Y na stavovém řádku jsou vždy nastaveny na rozsah Jestliže hodnoty jsou vyrez_idrisi3 v intervalu <12; 66> a pro vyrez_idrisi4 v rozmezí <5; 136>, všechny pixely jsou vykresleny v levém dolním kvadrantu. Zvětšete si tuto oblast. Můžete rovněž využít ikony pro maximalizaci zobrazení rámce vrstvy (Maximize Display of Layer Frame) na liště ke zvětšení obrazu.

19 Obrázek 15 Rozptylogram pro pásma vyrez_idrisi3.rst a vyrez_idrisi3.rst Hodnoty v rozptylogramu reprezentují hustoty (logaritmus četnosti) pixelů, tedy intenzívnější barva v paletě indikuje, že určité množství pixelů má stejnou kombinaci odrazivosti ve dvou pásmech. Naopak méně intenzívní barva v paletě vypovídá o méně početném zastoupení stejné kombinace hodnot odrazivosti ve dvou zobrazených pásmech. Překrývání příznaků naznačuje, že různé příznaky mají podobné hodnoty a tím je dána nižší separabilita těchto tříd. Modul SCATTER dovoluje zhodnotit kvalitu těchto příznaků. Některé příznaky se překrývají díky nesprávnému vymezení tříd pokryvu. Překryv může naznačovat nejčastěji chyby v definici tréninkových ploch. Určité objekty mohou mít skutečně podobné odrazové charakteristiky v některých pásmech (např. listnaté lesy a zalesněné mokřiny). Je běžné, že se provádí výběr tréninkových ploch, tvorba příznaků nebo ohodnocení příznaků opakovaně, než se dosáhne uspokojivých výsledků. Pro toto cvičení budeme předpokládat, že jsou příznaky adekvátní a budeme pokračovat v klasifikaci. 5.3 Klasifikační etapa Nyní když máme popisné soubory pro všechny kategorie zemského povrchu, jsme připraveni na poslední krok klasifikačního procesu, klasifikaci obrazových záznamů na základě souborů příznaků (signature file). Každý pixel má určitou hodnotu odrazivosti v každém ze šesti použitých pásem (vyrez_idrisi3 - vyrez_idrisi7). Jak již bylo popsáno výše, jedná

20 se o modré, zelené, červené, blízké infračervené (near infrared), střední infračervené, infračervené a další střední infračervené pásma. Hodnoty odrazivosti pro jeden pixel ve všech pásmech tento pixel přesně definují a umožňují jeho zařazení (podle popisných souborů, které jsme v předchozí části vytvořili) do kategorie, které odpovídá nejvíce. Pro porovnání, jak jsou si jednotlivé příznaky navzájem podobné je možno použít různé statistické postupy. Tyto postupy nazýváme klasifikátory (classifiers). Dále vytvoříme klasifikované obrázky pomocí čtyř hard klasifikátorů, které jsou k dispozici v IDRISI Selva. Vytvoříme různé varianty klasifikovaných obrazových dat. Aktivujte automatické zobrazování legendy (a nadpisu). V nabídce File / User Preferences Klasifikátor minimální vzdálenosti První klasifikátor, který použijeme, pracuje na principu nalezení minimální odchylky od střední hodnoty (minimum distance to means classifier). Tento klasifikátor počítá odchylku (vzdálenost) hodnoty odrazivosti pixelu pro aritmetické průměry příznaků v jednotlivých pásmech a přiřazuje pixel do té kategorie, ve které je střední hodnota odchylky minimální. Existují dva základní způsoby, jak počítat požadovanou odchylku. První počítá tzv. euklidovskou neboli hrubou (raw) odchylku hodnoty odrazivosti pixelu od spektrálního průměru. Tento koncept je znázorněn ve dvou rozměrech (příznaky byly vytvořeny pouze pro pásma červeného a infračerveného záření) na obr. 15. Obrázek 16 MINDIST - klasifikátor minimální vzdálenosti od středů shluků (Zdroj Idrisi Selva Tutorial) V tomto heuristickém diagramu jsou hodnoty odrazivosti pro jednotlivé signatury znázorněny malými písmeny, pixely porovnávané se signaturami jsou znázorněny čísly a spektrálními průměry pro jednotlivé kategorie jsou znázorněny černou tečkou. Pixel 1 je nejblíže spektrálnímu průměru pro kategorii obilí (c-corn) a proto byl přiřazen do této kategorie. Problém tohoto klasifikátoru je znázorněn na příkladu pixelu 2, který je nejblíže průměru pro kategorii písek (s-sand) a bude do této kategorie zařazen navzdory tomu, že by teoreticky zapadal do okruhu hodnot odrazivosti pro kategorii město (u-urban). Jinými slovy tato metoda nebere v úvahu rozložení hodnot odrazivosti okolo spektrálního průměru. Všechny klasifikátory, které budeme dále používat, lze nalézt v menu Image Process-ing/Hard Classifiers. Spusťte klasifikátor MINDIST (minimální odchylka od střední hodnoty), vyberte možnost Raw pro Distance type a

21 specifikujte Maximum search distance hodnotu Infinite, tedy neomezenou vzdálenosti pro vyhledávání. Klikněte na tlačítko Insert Signature Group a zadejte název souboru sdružujícího skupinu příznaků (TRENPLOCHY.sgf). V oknech pro zadávání názvů příznaků se automaticky vyplní jejich názvy. Zadejte název výstupního souboru MINDISTRAW a. Prohlédněte si výsledný obrázek krajinného pokryvu (pokud je potřeba, zvolte paletu QUAL256). Obrázek 17 Parametry klasifikátoru MINDIST Obrázek 18 Výsledek klasifikace - klasifikátor MINDIST posuzoval vzdálenosti na základě euklidovské metriky

22 Výsledek klasifikace klasifikátorem minimální vzdálenosti, který hodnotí vzdálenosti s využitím euklidovské metriky, vidíme na obrázku Normalizovaný klasifikátor minimální vzdálenosti Nyní použijeme opět klasifikátor hledající minimální odchylky od střední hodnoty (minimum distance to means classifier), avšak v tomto případě změníme metodu výpočtu vzdálenosti - použijeme tzv. normalizované vzdálenosti. V tomto případě klasifikátor vyhodnocuje směrodatnou odchylku vzdálenosti hodnot odrazivosti od průměru (vytváří izolinie směrodatné odchylky kolem průměru). Nyní budou pixely zařazeny do jednotlivých kategorií na základě vzdálenosti od středu s ohledem na směrodatnou odchylku, neboť směrodatná odchylka bude mírou vzdálenosti. Na obrázku 19 nyní vidíme, že pixel 2 může být správně zařazen do kategorie město, protože od průměru této kategorie je vzdálen pouze do dvojnásobku směrodatné odchylky, na rozdíl od kategorie písek (vzdálenost nejméně trojnásobku směrodatné odchylky od průměru kategorie). Obrázek 19 Princip klasifikátoru minimální odchylky od střední hodnoty s využitím směrodatných odchylek (Zdroj Idrisi Selva Tutorial) Pro lepší přiblížení této metody spusťte znovu MINDIST. Vyberte možnost Normalized (Z-scores) pro Distance type, což způsobí normalizaci vzdálenosti směrodatnou odchylkou (normalized standard deviation). Zadejte název souboru sdružujícího skupinu příznaků (TRENPLOCHY.sgf). Výstupní soubor nazvěte MINDISTNORMAL. Výsledek klasifikace normalizovaným klasifikátorem minimální vzdálenosti vidíme na obrázku 19. Kontrolní otázka 3) Porovnejte oba výsledky. Jak byste popsali efekt při použití standardizovaných vzdáleností u klasifikátoru minimální vzdálenosti?

23 Obrázek 20 Výsledek klasifikace - klasifikátor MINDIST posuzoval normalizované vzdálenosti na základě směrodatné odchylky Klasifikátor maximální pravděpodobnosti Další použitý klasifikátor, se nazývá klasifikátor maximální pravděpodobnosti (maximum likelihood classifier). Zde je distribuce hodnot odrazivosti v tréninkových plochách počítána pomocí funkce hustoty pravděpodobnosti, která je založena na principech Bayesovské statistiky (viz obrázek 21). Tento klasifikátor vyhodnocuje pravděpodobnost, s jakou daný pixel náleží určité kategorii a nakonec přiřadí pixel ke kategorii, u níž je pravděpodobnost příslušnosti nejvyšší. Obrázek 21 Princip klasifikátoru maximální pravděpodobnosti

24 Spusťme modul MAXLIKE (obrázek 23), vložte jméno skupinového souboru pro příznaky. Vyberme, Use equal prior probabilities for each signature, tedy požadavek, aby předpokládaná pravděpodobnost pro každou třídu byla stejná. Kliknutí na tlačítko Insert Signature Group umožní zadat název souboru sdružujícího skupinu příznaků (TRENPLOCHY.sgf). Ponechme hodnotu 0,0 pro parametr Minimum likelihood for classification, tedy hodnotu minimální pravděpodobnosti při klasifikaci. Výsledek nazvěme například MAXLIKE. Potvrďme zpracování tlačítkem OK. Obrázek 22 Parametry pro klasifikátor MAXLIKE Obrázek 23 Výsledek klasifikace - klasifikátor MAXLIKE

25 Výsledek klasifikace maximální pravděpodobnosti vidíme na obrázku 23. Metoda je nejpomalejší ze všech představených metod, ale v případě dobře definovaných tréninkových ploch dává nejlepší výsledky Klasifikátor pravoúhelníků Posledním klasifikátorem, se kterým se seznámíme je pravoúhelníkovým (pro 2D rozměrná data) resp. kvádrovým (pro 3D rozměrná data) resp. hyperkvádrovým (pro nd nebo n- rozměrná data, kde n>3) klasifikátorem (parallelepiped classifier). Tento klasifikátor vytváří obdélníkovou oblast na základě maximálních nebo minimálních hodnot odrazivosti nebo na základě směrodatné odchylky odrazivosti v rámci tréninkových ploch. Pokud je pixel zahrnut do obdélníkové oblasti určité kategorie, je této kategorii přiřazen. Toto je nejrychlejší klasifikátor a varianta s použitím minima a maxima bývala často používána v případě klasifikace pro získání informativních hodnot. Tento typ klasifikace však může být velmi zavádějící. Vzhledem ke korelaci hodnot v různých spektrálních pásmech mají pixely tendenci tvořit shluky protáhlého tvaru ( cigára ). Jak je vidět na obrázku 21, obdélníková oblast je příliš široká a zahrnuje i ty pixely, které by měly náležet jiné kategorii. V tomto případě pixel 1 bude přiřazen do kategorie listnatý les (d-deciduous), i když správně náleží do kategorie obilí (c-corn). Velmi často také dochází k překrývání obdélníkových oblastí. Pixely v těchto sporných místech jsou pak zařazeny k poslední kategorii, podle pořadí, ve kterém byly definovány příznaky (popisné soubory kategorií) - podle pořadí číselného identifikátoru příznaku. Obrázek 24 Princip klasifikátoru pravoúhelníků Spusťte modul PIPED a zvolte si možnost Min/Max. Klikněte na tlačítko Insert Signature Group a zadejte název souboru sdružujícího skupinu příznaků (TRENPLOCHY.sgf). Nazvěte výstupní soubor PIPEDMINMAX a potvrďte tlačítkem OK. Všimněte si černých pixelů (obrázek 25), kterým byla přiřazena nulová hodnota. Jsou to pixely, které nebyly zahrnuty do žádné z kategorií, a proto jim byla přiřazena kategorie nezařazených pixelů. Pravoúhelníkový klasifikátor, používající minimální a maximální

26 hodnoty, je extrémně citlivý vůči odlehlým hodnotám v příznacích. Proto se doporučuje používat raději klasifikátor, který vytváří pravoúhelníky na základě Z-score. Obrázek 25 Výsledek klasifikace - klasifikátor PIPED vytvářející pravoúhelníky omezující maximální a minimální hodnoty Spusťte znovu modul PIPED jako předtím, avšak s možností parametru Z-score a nastavte jej na hodnotu 1,96 jednotek. To vytvoří pravoúhelníky zahrnující 95% pixelů z příznaku. Nazvěte výstupní soubor jako PIPED_ZSCORE. Potvrďte tlačítkem OK a prohlédněte si výsledek klasifikace (obrázek 26). Kontrolní otázka 4) Do jaké míry použití směrodatné odchylky místo hodnot minima a maxima ovlivnilo průběh parallelepiped klasifikace? Klasifikátor PIPED pracuje velice rychle, protože při výpočtu využívá pouze jednoduché aritmetické operace.

27 Obrázek 26 Výsledek klasifikace - klasifikátor PIPED vytváří pravoúhelníky omezujícími násobky směrodatné odchylky Některé profesionální programové vybavení pro zpracování obrazových dat z DPZ (např. ERDAS Imagine) umožňují při klasifikaci kombinovat různé klasifikátory a tím zlepšit efektivitu klasifikačního procesu. Právě klasifikátor pravoúhelníků, který zanechá neklasifikované pixely, může být v následném kroku doplněn klasifikátorem minimální vzdálenosti či klasifikátorem maximální pravděpodobnosti. Tyto klasifikátory pak již klasifikují pouze pixely, které zůstaly v třídě neklasifikovaných pixelů Fischerův klasifikátor Jako poslední klasifikátor pro řízenou klasifikaci prozkoumáme modul FISCHER. Tato klasifikační metoda je založena na lineární diskriminační analýze (LDA). Spusťte modul FISCHER (obrázek 27) a zadejte parametry klasifikace. Nejprve tlačítkem Insert Signature Group zadejte název souboru sdružujícího skupinu příznaků (TRENPLOCHY.sgf). Nazvěte výstupní soubor FISCHER.rst, vložte titulek a potvrďte tlačítkem OK. Prohlédněte si výsledek klasifikace na obrázku 28.

28 Obrázek 27 Parametry pro klasifikátor FISHER Obrázek 28 Výsledek klasifikace - klasifikátor FISCHER Tabulka 2 Koeficienty lineární diskriminační analýzy (LDA) použité při řízené klasifikaci klasifikátorem založeným na Fischerově lineárním diskriminantu.

29 Porovnejte všechny klasifikace, které jste dosud vytvořili: MINDISTRAW, MINDISTNORMAL, MAXLIKE, PIPEDMINMAX, PIPEDZ a FISCHER. Zobrazte je všechny vedle sebe na monitoru s použitím kvalitativní palety. Kontrolní otázky 5) Který klasifikátor poskytnul nejlepší výsledky? Víte proč? Jako poslední poznámku, vezměte prosím do úvahy následující: V případě, že tréninkové plochy jsou velmi dobré, dává nejlepší výsledky metoda maximální pravděpodobnosti (maximum likelihood classifier). V případě, že však tréninkové plochy nejsou dobře definovány, je výsledek dosti slabý. V těchto případech se mnohem lépe osvědčí použití metody minimální odchylky od střední hodnoty (minimum distance classifier) s volbou standardizované vzdálenosti. Celkem ucházející výsledky dává i pravoúhelníková klasifikace (parallelepiped classifier) s volbou směrodatné odchylky, která je zároveň nejrychlejší ze všech výše zmíněných. Ponechte MINDISTNORMAL a MAXLIKE pro pozdější cvičení. Ostatní vytvořené soubory můžete smazat. Odpovědi na kontrolní otázky: 1) Infračervená pásma obvykle ukazují největší vzájemné odlišnosti typů vegetačního pokryvu. Jestliže to není zřejmé, možná jste digitalizovali tréninkové plochy, které nejsou dostatečně homogenní. 2) Příznaky pro urbanizované plochy jsou nejpravděpodobněji nejširší, protože tréninkové plochy pro urbanizované území zahrnují rozmanité povrchy (budovy, vegetaci, povrch silničních komunikací, aj..). 3) Odpověď na tuto otázku bude závislá na vytvořených příznacích. Pravděpodobně si však povšimnete největších rozdílů pro třídu zastavěných oblastí (urbanizované území). V odpovědi na předchozí otázku jsme uvedli, že příznaky pro zastavěné území mají tendenci být docela široké z důvodu heterogenní povahy této třídy. Zatímco volba normalizace vzdáleností mohla zajistit ostřejší klasifikaci pro jiné třídy. Pixely, které patří k jiným třídám, jsou, ve smyslu z-score, blíže k třídě zastavěných oblastí. 4) Odpověď na tuto otázku bude závislá na vytvořených příznacích. Pravděpodobně si všimnete, že více zůstalo pixelů neklasifikovaných, když jste použili z-skore. Je to proto, že pravoúhelníky resp. kvádry či hyperkvádry jsou menší než při použití min/max a více pixelů tedy nepatří do žádného pravoúhelníku resp. kvádru či hyperkvádru. Můžete zjistit, že volba z-skore mapuje více pixelů jako mělkou vodu, zatímco při volbě

30 min/max se mělká voda ztrácí v hluboké vodě. Pamatujte na to, že když je pixel v místě překryvu dvou pravoúhelníků resp. kvádrů či hyperkvádrů, je přiřazen druhý příznak. Pamatujte na to, že pixelu v místě překryvu dvou pravoúhelníků resp. kvádrů či hyperkvádrů, je přiřazen druhý z příznaků. V seznamu příznaků jsme zadali nejprve mělkou vodu a některé pixely v místě překryvu jsou přeznačeny na hlubokou vodu. Pravoúhelníky resp. kvádry či hyperkvádry při volbě z-skore jsou menší, jejich překryv není tak významný. Z tohoto jednoduchého důvodu můžete zjistit, že jehličnatý les uvedený v seznamu příznaků poslední, zabírá mnohem větší rozlohu při volbě min/max než při volbě z-skore. 5) To je zavádějící otázka! Zatímco některé výstupy klasifikací jsou zjevně chybné (např. klasifikátor PIPEDMINMAX), pro posouzení kvality klasifikace jsou nutné znalosti studované oblasti a dodatečné pochůzky v terénu s cílem získat vzorky pro ohodnocení přesnosti. Není neobvyklé, jestliže analytik používá rozmanité klasifikátory, aby se dozvěděl něco o charakteru krajiny a vlastnostech příznaků. Iterační podstatou procesu klasifikace se zabývá doporučená literatura vč. kapitoly Classification of Remotely Sensed Imagery v knize IDRISI Manual. Navíc vybraný typ klasifikace také často závisí na záměru použití pro finální výsledek. Jednou se může zabývat tvorbou obecné mapy krajinného pokryvu, v níž všechny kategorie mají stejný význam. Jindy však může mít větší zájem o přesnost konkrétních tříd. 6 Úkoly pro samostatnou práci Výsledek zpracování multispektrálních obrazových dat metodou analýzy a transformace hlavních komponent, lze využít jako vstupní obrazová data pro řízenou klasifikaci. Metodou PCA proveďte zpracování dat, která sloužila jako vstup pro řízenou klasifikaci. Získané komponenty PCA1, PCA2, PCA3 a PCA4 použijte jako vstup do řízené klasifikace. Požadované zpracování proveďte kompletně v rozsahu, který je popisován v tomto řešeném cvičení. Syntézou v nepravých barvách se pokuste zobrazit komponenty PCA1, PCA2 a PCA3 a rozhodněte se, zda získanou vizualizaci je vhodné použít pro vektorizaci tréninkových ploch. Pokud vám tato vizualizace komponent PCA1, PCA2 a PCA3 nevyhovuje, zůstaňte u původních tréninkových ploch, získaných vektorizací v řešené části tohoto cvičení. Klasifikaci proveďte s využitím všech čtyř popsaných klasifikátorů a jejich modifikací. Výsledky klasifikace obrazových dat, předzpracovaných metodou PCA, porovnejte a s výsledky klasifikace, které jste získali v řešené části tohoto cvičení. Formulujte závěry pro tuto samostatnou část cvičení.

31 Autor Ing. Tomáš Peňáz, Ph.D. Název Dálkový průzkum Země Vydavatel VŠB-TU Ostrava Rozsah 30 stran Rok 2014 Copyright Tomáš Peňáz, 2014 Zdroj financování Financováno z projektu CZ.1.07/2.2.00/ Inovace bakalářských a magisterských studijních oborů na Hornicko-geologické fakultě VŠB-TUO, spolufinancovaného Evropským sociálním fondem a státním rozpočtem České republiky