ROCZNIKI GEOMATYKI 2005 m TOM III m ZESZYT 4
SEGMENTACJA NIEU¯YTKÓW POROLNYCH
NA OBRAZACH SATELITY TERRA/ASTER
PRZY WYKORZYSTANIU ANALIZY KANONICZNEJ
SEGMENTATION OF ABANDONED FIELDS FROM
TERRA/ASTER IMAGES USING CANONICAL ANALYSIS
Micha³ Fary
Zak³ad Gleboznawstwa i Teledetekcji Gleb, Instytut Geografii Fizycznej i Kszta³towania rodowiska Przyrodniczego, Uniwersytet im. A. Mickiewicza
S³owa kluczowe: teledetekcja, analiza kanoniczna, obrazy satelitarne, segmentacja Keywords: remote sensing, canonical analysis, satellite images, segmentation
Wstêp
Na przestrzeni ostatnich kilkunastu lat, wraz ze zmianami strukturalnymi i w³asnocio-wymi obszarów rolniczych, obserwuje siê wzrost area³u nie¿ytów porolnych i od³ogów. W 2002 roku ³¹czna powierzchnia tych obszarów wynosi³a w Polsce 14,5% (GUS, 2003) ogólnej powierzchni gruntów ornych. Przes³anki ekonomiczne, stosowanie systemu dop³at bezporednich dla rolnictwa, wymusza opracowanie nowych, szybkich i dok³adnych metod identyfikacji powierzchni nieu¿ytków porolnych i od³ogów. Zastosowanie metody teledetek-cyjnych mo¿e wyjæ naprzeciw tym oczekiwaniom i przynieæ oczekiwane rezultaty.
Przetwarzanie obrazów satelitarnych obejmuje wiele procesów. Jedn¹ z istotniejszych procedur przetwarzania obrazów satelitarnych czy lotniczych zapisanych w postaci cyfro-wej jest jego podzia³ na ró¿ne regiony w celu wydzielenia obiektów spektralnych (Weeks, 1996). Mo¿e mieæ to charakter klasyfikacji czy segmentacji treci obrazu. Wydzielone na cyfrowych materia³ach teledetekcyjnych regiony mog¹ przedstawiaæ obiekty spektralne lub nie mieæ odniesienia w treci obrazu multispektalnego. Przyk³adem wydzielenia nie maj¹cego odniesienia do treci obrazu i spe³niaj¹cego drug¹ w³asnoæ mog¹ byæ szumy (Lira, 2002). Podzia³ obrazu na regiony jest istotnym etapem przetwarzania cyfrowego obrazu, pozwala na dokonywanie transformacji porednich, których celem jest poprawna analiza i interpreta-cja zdjêcia cyfrowego. Dziêki metodom podzia³u obrazów, mo¿na oddzieliæ obiekty zaintere-sowania od pozosta³ej informacji obrazu multispektalnego (Lira, 1998).
Analiza kanoniczna jest odmian¹ analizy g³ównych sk³adowych, zwana jest równie¿ trans-formacj¹ Karhunena-Leovena (KL), Hottelinga, czy te¿ transtrans-formacj¹ wektora w³asnego (eigenvector). Istot¹ tej analizy i zarazem cech¹ charakterystyczn¹ jest to, ¿e zawiera infor-macje statystyczne o klasach tej transformacji (Richards, 1999). W wyniku analizy kano-nicznej generowana jest nowa przestrzeñ, gdzie klasy, o których dostarcza siê informacje,
maj¹ maksymaln¹ roz³¹cznoæ (Lira, 2002). Zastosowanie analizy kanonicznej w teledetekcji s³u¿y do redukcji i selekcji charakterystyk spektralnych, poprzez rozk³ad wartoci wzd³u¿ nowych osi wspó³rzêdnych w taki sposób, ¿e wydzielone obiekty s¹ wobec siebie roz³¹czne. Celem pracy jest sprawdzenie przydatnoci zastosowania analizy kanonicznej, do informacji zawartych w kana³ach satelity TERRA/ASTER, do wydzielenia obszarów nieu¿ytków porol-nych z treci obrazu satelitarnego.
Prezentowane rozwi¹zanie metodyczne zosta³o opracowane w laboratorium teledetekcji Instytutu Geofizyki UNAM w Meksyku i wstêpnie da³o dobre rezultaty przy segmentacji gleb s³onych z sol¹ na powierzchni oraz powierzchni wodnych.
Metodologia
Zaproponowane rozwi¹zanie metodologiczne bazuje na propozycji sformu³owanej przez J. Lirê i zespó³. Celem postêpowania jest wydzielenie klasy odpowiadaj¹cym obiektom zain-teresowania od reszty obrazu.
Przy wyodrêbnianiu obiektów poddawanych segmentacji, nale¿y tak postêpowaæ, ¿eby zdefiniowane klasy spektralne by³y jak najbardziej kompaktowe, to znaczy o minimalnym rozproszeniu wartoci spektralnych i maksymalnym oddzieleniu miedzy nimi, czyli ¿eby posiada³y maksymalne wartoci odchylenia standardowego miêdzy klasami (Lira, 2002a).
Segmentacja nieu¿ytków porolnych, jako obiektów spektralnych, z treci obrazy satelity TERRA/ASTER przebiega w kilku etapach. Na obrazie multispektralnym wyznacza siê dwie klasy. Pierwsz¹ stanowi analizowany obiekt spektralny, zidentyfikowany nieu¿ytek porolny czy od³óg, drug¹ pozosta³a treæ obrazu. Obiekty na obrazach satelitarnych mog¹ byæ wy-dzielane na podstawie poziomów szaroci pikseli lub przez granice miêdzy obiektem i t³em obrazu. W opisywanej procedurze obiekty spektralne, jakimi s¹ nieu¿ytki porolne, s¹ wydzie-lone jako poligon utworzony przez reprezentatywn¹ liczbê pikseli, przedstawiaj¹cych staty-stycznie istotn¹ populacjê.
Segmentacja polega³a na sporz¹dzeniu bitmapy i mia³a nastêpuj¹cy przebieg.
m Wyznaczano na obrazie obiekt spektralny przez wizualn¹ interpretacjê obrazu multi-spektralnego. Obiekt ten tworzy³ poligon. Ze wzglêdu na nisk¹ czystoæ spektraln¹ oraz zró¿nicowanie rodzajów nieu¿ytków, konieczne by³o wydzielenie kilku obiektów. Utworzono kilka poligonów zawieraj¹cych zbiór pikseli reprezentuj¹cych spektralny rozk³ad jasnoci obiektów.
m Dla ka¿dego z wyznaczonych poligonów odpowiadaj¹cych wy³anianym obiektom wykonano analizê kanoniczn¹. Liczba poligonów jest zale¿na od zmiennoci jasnoci pikseli w danym zbiorze. Dlatego wa¿ne by³o przeanalizowanie histogramu ka¿dego poligonu zawieraj¹cego wydzielany obiekt.
m Do analizy kanonicznej wziêto kana³y VNIR o d³ugoci fal z przedzia³u od 0,52 do 0,86 µm oraz SWIR (1,602,43 µm). Ze wzglêdu na zmienn¹ rozdzielczoæ naziemn¹ tych dwóch grup kana³ów dokonano resamplingu. Zmieniono rozdzielczoæ kana³ów od 4 do 9 na 15 m.
m W wyniku zastosowania analizy kanonicznej otrzymano wartoci g³ównych sk³ado-wych, które pos³u¿y³y za podstawê do dalszych analiz. Wykorzystano tylko te kolejne g³ówne sk³adowe, w których suma zawartych informacji przekracza³a 90%. By³y to pierwsze trzy kana³y syntetyczne.
m Wykonano analizê klas obiektów (klastrów). Do realizacji tego celu wybrano algorytm ISODATA ze wzglêdu na mo¿liwoæ podzielenia chmur pikseli na liczne klasy. Przy zastosowaniu tego algorytmu istnieje równie¿ mo¿liwoæ ³atwego ³¹czenia klas lub ich eliminowania w przypadku nieistotnej licznoci. Mo¿na te¿ dopasowywaæ metod¹ prób i b³êdów liczbê wyjciow¹ klas, jak równie¿ definiowaæ maksymaln¹ i minimaln¹ liczbê klas.
m Sklasyfikowany automatycznie obraz, sk³adaj¹cy siê najczêciej z 30 klas, poddawa-ny zostawa³ interpretacji polegaj¹cej na ³¹czeniu otrzymapoddawa-nych klas ze sob¹ w celu oddzielenia obszarów odpowiadaj¹cych analizowanym obiektom spektralnym od reszty treci obrazu.
m Stworzono bitmapê, dla której wartoæ jeden opowiada wybranej grupie nieu¿ytków porolnych, a wartoæ zero pozosta³ym elementom obrazu multispektralnego.
Analizê kanoniczn¹ zastosowano w celu zmniejszenia wymiarowoci obrazu. Jest to de-kompozycja obrazu multispektalnego za pomoc¹ transformacji grupy danych, któr¹ stosuje siê symultanicznie dla wszystkich kana³ów tworz¹cych obraz. W wyniku tego postêpowania otrzy-muje siê równie¿ obraz multispektalny utworzony z kana³ów nieskorelowanych miêdzy sob¹. Informacja zawarta w tych kana³ach nie jest dostêpna w kana³ach oryginalnych.
Przetwarzanie obrazów wykonano stosuj¹c program Microimages TNTMips.
Obszar badañ
Obszar wybrany do analizy znajduje siê w zachodniej czêci Niziny Wielkopolskiej, w po³udniowo-zachodniej czêci powiatu nowotomyskiego, na pograniczu województw wiel-kopolskiego i lubuskiego. Z danych statystycznych GUS wynika, ¿e 6018 ha w badanym powiecie stanowi¹ nieu¿ytki porolne i od³ogi. Natomiast w s¹siednim woj. lubuskim 31% area³u gruntów ornych stanowi³y powierzchnie wy³¹czone z u¿ytkowania rolniczego (GUS, 2003). Jest to jeden z najwiêkszych udzia³ów tych powierzchni w kraju.
Wspó³rzêdne geograficzne terenu przestawionego na obrazie satelitarnym wynosz¹ od-powiednio: 52°1504 N, 16o1020 E (pn.- zach. naro¿nik) i 52°0241 N, 16o0016E
(pd.-wsch. naro¿nik). Obszar zdjêcia obejmuje po 1304 piksele w 1529 liniach, co stanowi 19,56 km x 22,93 km (rys. 1).
Przeprowadzono segmentacjê na dwóch obrazach, wykonanych w nastêpuj¹cych da-tach: 31.10.2001 r. oraz 11.05.2002 r.
W analizowanym przypadku wybrano cztery rodzaje nieu¿ytków i od³ogów porolnych. Wydzielone obszary zosta³y zlokalizowane na mapie glebowo rolniczej w skali 1:25 000 i scharakteryzowane na jej podstawie oraz w trakcie badañ terenowych.
Na obrazie multispektralnym satelity TERRA/ASTER wyznaczono dwie klasy. Pierwsz¹ stanowi analizowany obiekt spektralny nieu¿ytki porolne drug¹ pozosta³¹ treæ obrazu. Liczba poligonów jest zale¿na od zmiennoci jasnoci pikseli w danym zbiorze. Dlatego wa¿ne by³o przeanalizowanie histogramu ka¿dego poligonu zawieraj¹cego wydzielany obiekt. Stworzono po dwa poligony dla ka¿dego nieu¿ytku zawieraj¹ce zbiór pikseli reprezentuj¹-cych spektralny rozk³ad jasnoci obiektów w celu odzwierciedlenia ró¿norodnoci badanych obiektów. Analizê kanoniczn¹ zastosowano dla ka¿dego z wyznaczonych poligonów opo-wiadaj¹cych wy³anianym powierzchniom testowym nieu¿ytków.
Wyniki
Segmentacja nieu¿ytków porolnych z zastosowaniem analizy kanonicznej na obrazach sate-lity TERRA/ASTER zosta³a przeprowadzona dla 4 typów nieu¿ytków i ugorów zidentyfikowa-nych w terenie i scharakteryzowazidentyfikowa-nych na podstawie map glebowo rolniczych (tab. 1). Wybra-ne do badañ nieu¿ytki znajduj¹ siê na glebach s³abych, zaliczanych do 7 i 9 kompleksu rolniczej przydat-noci: ¿ytniego bardzo s³abego i zbo¿owo-pastewnego s³abego. S¹ to gleby rdzawe oraz murszowo-mineralne, utworzone z materia³ów piaszczystych, piasków s³abo gli-niastych oraz piasków lunych. Rolinnoæ porastaj¹ca te gleby to murawy kserotermiczne z nalotem drzew (N_3) czy dominacj¹ na-w³oci jak w przypadku N_1, czy brakiem wyranie dominuj¹cej ro-linnoci jak w przypadku N_2 i N_4.
Opisane w metodologii procedury zastosowano oddzielnie dla ka¿dego z czterech nie-u¿ytków porolnych oraz dla wszystkich ³¹cznie. Przeprowadzono analizy oddzielnie dla ob-razu z 31.10.2001 r. oraz obob-razu z 11.05.2002 r. Takie postêpowanie pozwoli³o zweryfiko-waæ otrzymywane rezultaty na poszczególnych etapach i odrzuciæ te, które nie przynosi³y potwierdzenia w terenie.
W wyniku zastosowania analizy kanonicznej dla ka¿dego nieu¿ytku otrzymano rozk³ad wartoci w³asnej (eigenvalue). Otrzymane wartoci przedstawiono w tabeli 2.
h c y w o t s e t l ó p h c y n a r b y w a k y t s y r e t k a r a h C . 1 a l e b a T k e t y ¿ u ei N y n l o r o p Kroomlnpcizelekjs i c o n t a d y z r p p y T y b el g Suezkaiwrneeinncjaia Raoktilunanlonaæ 1 _ N 7 Bw pl murawa a n z ci m r e t o r e s k ¹i c o ³ w a n z 2 _ N 7 Bw p.spl murawa a n z ci m r e t o r e s k 3 _ N 9 M p.spl murawa a n z ci m r e t o r e s k m e t o l a n z w e z r d 4 _ N 7 M pl murawa a n z ci m r e t o r e s k 4 _ N , 3 _ N , 2 _ N , 1 _ N w ó k t y ¿ u e i n a l d h c a ³ a n a k h c y n l ó g e z c z s o p w j e n s a ³ w i c o t r a w t n e c o r P . 2 a l e b a T h c a z a r b o h c y n a w o z il a n a a n 4 _ N 1 _ N , m e z a r h c i k t s y z s w z a r o .r 1 0 0 2 . 0 1 . 1 3 z z a r b O Obrazz11.05.2002 .r ³ a n a K N_1 N_2 N_3 N_4 N_1-N_4 N_1 N_2 N_3 N_4 N_1-N_4 1 82,4557 71,4254 62,2612 74,8985 78,0464 77,5832 52,3078 61,1117 64,3772 65,5707 2 11,8576 15,7174 29,4909 19,1955 16,5463 9,9856 33,2360 15,5820 27,2509 25,1331 3 4,0222 8,3952 5,8886 2,4735 3,4130 4,9299 7,6767 6,0535 3,1633 6,4528 4 0,6023 1,5083 0,8858 1,0283 1,0145 2,1741 2,6152 4,3615 2,7536 0,6342 5 0,5594 1,3769 0,5187 0,9502 0,3738 1,7627 1,2642 3,8464 1,7105 0,6208 6 0,3162 0,8169 0,3449 0,8177 0,2188 1,4490 1,1881 3,2955 0,7516 0,4852 7 0,1497 0,7750 0,2663 0,2575 0,1722 1,0376 0,5447 2,8938 0,3959 0,4468 8 0,0259 0,4307 0,1883 0,2385 0,1225 0,7781 0,2323 1,9123 0,1717 0,4040 9 0,0109 0,1272 0,1552 0,1403 0,0926 0,2998 0,9350 0,9433 0,4253 0,2523
Syntetyczne kana³y pos³u¿y³y dla sporz¹dzenia mapy dwubitowej, gdzie wartoæ jeden odpowiada klasie nieu¿ytków a zero pozosta³ym komponentom rodowiska przedstawionym na wybranym fragmencie obrazu satelitarnego. Mapa zosta³a wykonana na postawie klasyfi-kacji nienadzorowanej. Dla algorytmu ISODATA wprowadzono nastêpuj¹ce parametry: mak-symalna liczba iteracji: 20, liczba klas: 30, odchylenie standardowe: 1. Kana³y wprowadzane do algorytmu zosta³y przedstawione w tabeli 2 pogrubion¹ czcionk¹. W kana³ach tych jest zgromadzone rednio ponad 95% informacji spektralnej o badanym terenie.
Wyniki klasyfikacji analizowano na podstawie dendrogramu (rys. 2.) oraz stopnia pokry-cia klas otrzymanych po klasyfikacji ISODATA, z wyznaczonymi poligonami, odpowiadaj¹-cymi typom nieu¿ytków. Na rysunku 3 przedstawiono poligon odpowiadaj¹cy nieu¿ytkowi N_1. Wynik zastosowanej klasyfikacji nienadzorowanej na podstawie analizy kanonicznej przedstawiono na rysunku 4. Jedna klasa pokrywa w 100% powierzchniê wyznaczonego nieu¿ytku. W pozosta³ych przypadkach sytuacja by³a analogiczna do opisanej. Jedynie naj-mniejsza korelacja miedzy wyznaczonym poligonem a otrzyman¹ mask¹ dla ca³ego obszaru wystêpowa³a dla nieu¿ytku na glebie s³abej, poroniêtego muraw¹ kserotermiczn¹ z nalotem drzew: N_3. Dla tego nieu¿ytku porolnego wystêpowa³o du¿e podobieñstwo miedzy klas¹ koresponduj¹c¹ z powierzchni¹ poligonu testowego a otaczaj¹cymi j¹ lasami, dlatego te¿ poprawna segmentacja tego nieu¿ytku by³a utrudniona.
Po przeanalizowaniu segmentacji dla ka¿dego nieu¿ytku oddzielnie przeprowadzono seg-mentacjê dla wszystkich powierzchni ³¹cznie. Jako wynik otrzymano obraz (rys. 5), na którym barw¹ czarn¹ przedstawiono t³o a pozosta³e barwy przedstawiaj¹ nieu¿ytki. Obraz powsta³ z po³¹czenia maski otrzymanej przy zastosowaniu wartoci w³asnej do klasyfikacji nienadzorowanej metod¹ ISODATA, t³o barwne jest wynikiem kompozycji RGB z trzech pierwszych g³ównych sk³adowych CP2CP1CP3.
W kolejnym etapie badañ przeledzono wyniki segmentacji na obrazach tego samego obszaru, wykonanych w ró¿nych datach: 31.10.2001 r. oraz 11.05.2002 r. Na podstawie otrzymanych analiz statystycznych i weryfikacji terenowej stwierdzono, ¿e zastosowana metoda przynosi bar-dzo dobre rezultaty dla obrazu z maja. Obraz wykonany w padzierniku nie daje oczekiwanych wyników, odzwierciedlaj¹cych stan rodowiska. Nie mo¿na w tym okresie, przy wykorzystaniu analizy kanonicznej, dokonaæ w³aciwej segmentacji nieu¿ytków. Jest to spowodowane du¿ym podobieñstwem spektralnym komponentów rodowiska wystêpuj¹cych w analizowanym krajo-brazie. Na rysunku 6 przedstawiono wyniki segmentacji na obrazie satelity TERRA/ASTER z 31.10.2001 r. Natomiast zobrazowanie wykonane w maju (11.05.2002 r.) jest w³aciwe do prze-prowadzenia segmentacji przy zastosowaniu analizy kanonicznej. Wynika to miêdzy innymi z wiêkszej biomasy rolin na polach i nieu¿ytkach, wiêkszego zró¿nicowania gatunkowego rolin a w konsekwencji obserwuje siê wiêkszy kontrast spektralny miedzy obiektami.
Na podstawie dendrogramów klasyfikacyjnych stwierdzono, ¿e powierzchnia nieu¿ytków na ba-danym obszarze wynosi odpo-wiednio: N_1 2,09%, N_2 1,86% N_3 0,94%, N_4 0,61%. Procen-towy udzia³ wszystkich nieu¿yt-ków na badanym terenie wynosi 5,5% powierzchni przedstawionej
satelitarnego. Stopieñ roz³¹cznoci miedzy nieu¿ytkami a wszystkimi pozosta³ymi obiektami spektralnymi na obrazie satelity TERRA/ASTER z 31.10.2001r wynosi 11,83 (rys. 7).
Wnioski
Zastosowanie opisanych procedur do segmentacji nieu¿ytków porolnych na obrazach satelitarnych TERRA/ASTER zbadano na kilku poligonach. Wybrane obiekty ró¿ni¹ siê od siebie w³aciwociami spektralnymi. Prezentowana metoda przynosi pozytywne rezultaty. Segmentacja przy wykorzystaniu analizy kanonicznej pozwala na wydzielenie nieu¿ytków porolnych na obrazach multispektralnyh satelity TERRA/ASTER oraz daje mo¿liwoæ ilo-ciowego okrelenia ich powierzchni. Jej zalet¹ jest ³atwoæ zastosowania.
W przysz³oci nale¿y przeprowadziæ badania terenowe polegaj¹ce na inwentaryzacji nie-u¿ytków i skorelowaæ dane polowe z obrazami pokrywaj¹cymi siê dat¹ z okresem badañ terenowych. Takie postêpowanie pozwoli na oszacowanie ilociowe ewentualnego b³êdu zastosowanej metody.
Literatura
Lira, J. Maletti, G., 2002a: A supervised contextual classifier based on a region-growth algorithm. Computers & Geosciences, 28, str. 951-959.
Lira, J., 2002: Introducción al tratamiento digital de imágenes. Instituto Politécnico Nacional, UNAM, Fono de Cultura Económica, México, DF.
Lira, J., Frulla, L., 1998: An Automated Region Gowing Algoithm for Segmentation of Texture Regions in SAR Images. International Journal of Remote Sensing, vol. 19, str. 3595-3606.
Richards, J.A., Jia, X., 1999: Remote Sensing Digital Analysis, Springer-Verlag, Berlin.
Wa¿niejsze dane o podregionach, powiatach i gminach województwa poznañskiego, 2003 GUS, Warszawa. Weeks, A., 1996:Fundamentals of Electronic Image Processing, Wiley-IEEE Press.
Summary
In 2002, total area of abandoned fields and fallow fields in Poland amounted to ca 14% of the total area of arable fields. Economic reasons, the application of direct subsidies in agriculture, make it necessary to develop new, fast and accurate methods of identification of areas of abandoned and fallow fields. The use of the remote sensing method may bring desired effects. The aim of this paper is to test the suitability of using the canonical analysis, on the basis of information included in the channels of the TERRA/ASTER satellite in order to segment areas of abandoned fields from the contents of satellite images. The canonical analysis, in the form of decomposition of main constituents, may bring good results as a tool to separate single class spectral objects. The results of the canonical analysis were used as output data to analyze clusters in order to create a bitmap. The ISODATA algorithm was used to classify images. The obtained classes were connected so as to create a binary image where the value of one refers to the location of a spectral object, while the value of zero refers to the remaining content of the image. TNTMips software was used for the digital processing of images.
dr Micha³ Fary mafarys@amu.edu.pl http://ztg.amu.edu.pl/
69
.
Rys. 1. Kompozycja w barwach fa³szywych z trzech pierwszych g³ównych sk³adowych: CP3CP2CP1
Rys. 2. Dendrogram klasyfikacji obrazu z 31.12. 2001 r. dla wszystkich klas; wynik zastosowania ISODATA
Rys. 3. Maska odpowiadaj¹ca poligonowi N_1
Rys. 4. Rezultat zastosowania klasyfikacji ISODATA dla nieu¿ytku N_1; jedna klasa pokrywa powierzchniê pola testowego
Rys. 5. Bitmapa z wydzielonymi powierzchniami nieu¿ytków porolnych
na obrazie z 11.05.2002 r.
Rys. 6. Bitmapa z wydzielonymi powierzchniami nieu¿ytków porolnych
