Főfeldolgozás

Az előfeldolgozást követően a növényállományok kvalitatív tulajdonságainak vizsgálata következett. Első lépésként zajcsökkentés céljából a nagyméretű 359 dimenziós tér adat-transzformációját végeztük el a teljes repülési sávokra az ENVI szoftverrel. A rossz jel/zaj arányú csatornák kiválasztásához a minimális zaj (Minimun Noise Fraction = MNF) transzformációt alkalmaztuk. Az MNF olyan lineáris transzformáció, amely két egymást követő főkomponens analízisből (Principal Component Analysis = PCA) tevődik össze. A vizsgált felvételen elválasztja a zajt az adattól, majd a zajjal csökkentett adatsoron végzi el a transzformációt, annak érdekében, hogy az egyes csatornák között ne legyen korreláció (Van der Meer és De Jong, 2001).

66

A PCA sajátságértékeket választ ki, és az általuk meghatározott koordinátarendszerbe transzformáljuk a felvételünket (főtengely-transzformáció). A hiperspektrális adatkockában a szomszédos sávok gyakran redundánsak, hasonló adatokat, információkat szolgáltatnak. A részben korreláló sávok lineáris transzformációját követően, a kapott jelentősen alacsonyabb számú főkomponensek már függetlenek egymástól (Fung és Ledrew, 1987). Ezek a sávok a teljes varianciának általában több mint 90 %-át teszik ki, ezért az osztályozáshoz rendszerint csak ezeket az osztályokat használják fel. A nem korreláló zajos sávok az utolsó főkomponensekbe kerülnek, ahol az elvégzett

„simításokkal” és a visszafelé történő transzformációval, a felvételek közel zajmentessé tehetőek (Czimber, 2001).

Az egész adatgyűjtést jellemző légköri elnyelési sávok által okozott zaj esetében az MNF úgynevezett statisztikus zaj szűrésére is alkalmazható. A rossz jel/zaj arányú felvételeken a zaj mértékét oly módon csökkenti, hogy még értelmezhető adatokat nyerhessünk ki belőle.

Gyakorlatban a túlnyomórészt zajos sávokat már nem szűrik, hanem kihagyják a feldolgozási folyamatból (Jain, 1989). Annak megállapítására, hogy a rossz jel/zaj arányú felvétel mikor tekinthető a kiértékelés szempontjából teljesen használhatatlannak, és az osztályozás eredményét ez milyen mértékben befolyásolja, SFD értékeket számoltunk.

Megvizsgáltuk melyik sávok terheltek oly mértékben, hogy a feldolgozásból teljesen kizárásra kerüljenek, vagy előfordulhat, hogy még a zajos sávok is hordoznak hasznos információkat. A zajos sávok kiválasztására az SFD görbék lefutásainak jellemzői alapján következtettünk. Az SFD mérésre vonatkozó információk külön alfejezetben kerülnek részletezésre.

A detektor hibájából adódó zajtípussal akkor találkozhatunk, ha pl. a detektor vagy CCD elállítódik, esetleg tönkremegy. A vizsgált felvételeken ez a zajtípus világosabb illetve sötétebb csíkként jelenik meg (Gonzalez és Woods, 1992). Az érzékelő által okozott zaj szűrésére gyakorlatban a periodikusan előforduló zajok szűrésére szolgáló Fast Fourier Transformation-t (FFT) futtattuk le. Az eljárás folyamán a felvételt a képtartományból a frekvenciatartományba konvertáljuk. A frekvenciatérben könnyen felismerhető (pl.

vonalként megjelenő) zaj, így az elkülönült terület kivágásával kiszűrhető, és az azt követően elvégzett inverz transzformációval a felvétel zajmentesnek tekinthető. Az FFT-vel szűrt felvételeket a további adatfeldolgozási folyamatainkba nem építettük be, miFFT-vel a kutatásaink kiindulópontját a nyers adatállományok képezték, ugyanis megítélésünk szerint az SFD alapú vizsgálatok kevésbé érzékenyek az ilyen típusú zajokra.

67

A gyakorisági diagramok (hisztogram) elemzéséből következtethetünk arra, hogy a spektrális sávokban az intezitástartománynak mely értékei fordulnak elő. A hisztogramok az egyes cellaértékek előfordulási gyakoriságát ábrázolják sávonként (Bates és McDonnell, 1986). Amennyiben a felvevő eszköz vagy a légkör sajátosságai miatt a radiometriai felbontás kicsi, az intenzitástartomány egy kisebb részén sűrűsödnek az értékek, amely sávonként változó lehet. Általában ennek kiküszöbölésére az információk elemzése érdekében hisztogram széthúzást (histogram streching) kell alkalmazni (Nixon és Aguado, 2008). A hiperspektrális felvételek egész sávjainak a kiegyenlítésre leginkább alkalmazott átviteli függvények: a lineáris, a négyzetgyökös, a normális eloszlást követő és a lépcsős.

A képi információk növelésére az automatikus kontraszt kiegyenlítést (autocontrast) választottuk azért, hogy tanulmányozzuk, mennyire befolyásolja a felvételek információtartalmát a látórendszerhez igazított módosítás, illetve ez megmutatkozik-e az SFD értékekben.

A hiperspektrális felvételek magas információtartalmukkal növelik az osztályozás pontosságának eredményét, viszont negatív hatással is lehetnek rá, azáltal hogy a nagy csatornaszámból adódó variációikkal fokozzák a zaj jelenlétét. A növényállományok elkülönítése céljából optimálisnak tekinthető csatornák kiválasztására - amelyek kellő információval rendelkeznek a vizsgált tulajdonságra vonatkozóan, de nem tartalmaznak redundáns adatokat és jel/zaj arányuk is megfelelő - úgynevezett csatornaszelekciós eljárásokat használtunk fel (Motta et al., 2006). Az atmoszférikus zajjal terhelt csatornák kizárása után, a következő dimenziószám csökkentő adatbányászati műveleteket hajtottuk végre:

• Vizuális interpretáció, tapasztalat alapján

• Atmoszférikus ablak, szakirodalom alapján

• SFD optimális sávok alapján

• SFD zaj nélküli sávok alapján

• SFD zajjal terhelt sávok alapján

• MNF szűrést követően kiválasztott optimális sávok alapján

• MNF szűrést követő teljes kép alapján

Ezek az adatcsökkentő eljárások megadták azokat az optimálisnak tekinthető csatornákat, amelyekkel a legjobban leírhatóak a vegetációk jellemzői és osztályozhatóak a mezőgazdasági területek. Az egyes csatornaszelekciós műveletek megbízhatóságának elemzéséhez és egymáshoz viszonyított összehasonlításához, a kapott számú csatornákat

68

ugyanazon osztályozási módszer bemeneti egységeiként használtuk fel. A különböző input adatokat betöltve az ENVI osztályozó moduljai közül a spektrális szögek módszerével (Spectral Angle Mapper = SAM) végeztük el az osztályozást. Ezt követően értékeltük, melyik dimenziószám csökkentő művelet eredménye jellemzi leginkább a vizsgált növénykultúráinkat.

A SAM kiválasztásánál több kritériumot is figyelembe vettünk. Mivel a tesztterületünkön elhelyezkedő felszínborítási kategóriák ismertek voltak számunkra, mindenképpen ellenőrzött osztályozási eljárást kerestünk. A SAM volt a legelső objektumkereső módszerek egyike, amely a hiperspektrális felvételeknél rendszeresen alkalmazott és a spektrálisan definiálható tulajdonságok keresésére mindeddig egyik leghatékonyabbnak mutatkozó osztályozási eljárás (Kruse et al., 1993). Az algoritmus - az elnevezéséből adódóan - két spektrum közötti spektrális hasonlóságot határozz meg. A spektrumgörbe lefutását vizsgálja úgy, hogy a referenciaként szolgáló és a vizsgált pixel spektruma közötti szögeltérést, a vektorok által bezárt szöget adja meg. A spektrális szög kevésbé érzékeny a pixelek intenzitásának változásaira, mivel nem veszi figyelembe a különböző megvilágításokból adódó különbségeket (pl. domborzati különbözőségek, felhők hatása).

Az intenzitás csökkenése vagy növekedése a vektorok hosszát megváltoztatja, de a vektorok irányát nem (Shippert et al., 1995), így a SAM az árnyékhatás kiszűrését is csökkenti (Kerse, 2002). A két vektor közötti szöget (0 és π/2 értéket vehet fel) az alábbi képlettel számoljuk az n-dimenziós térben (Luc et al., 2005):

(7)

ahol, n: a képsávok száma, r: referencia spektrum, t: teszt spektrum.

A SAM módszer alkalmazásakor előírhatunk egy bizonyos küszöbértéket, amelynél kisebb spektrum eltéréseket hasonlónak, a küszöbértéknél nagyobb szögeket pedig eltérőnek tekintünk. Az osztályba sorolásnál az AISA Dual érzékelő által szolgáltatott teljes

69

A nagy geometriai felbontásból adódóan az osztályozási típusok közül egyéb pixel alapú osztályozási eljárások találati pontosságát is meg kívántuk határozni, ezért a SAM mellett a hiperspektrális felvételek elemzésére leggyakrabban alkalmazott osztályozási eljárások kerültek összehasonlításra. A vizsgálatokat egyforma előfeldolgozottsági szinttel hajtottuk végre, tehát minden osztályozásnál azonos bemenő adatsorral dolgoztunk. Az osztályozási módszerek teljes mértékű összehasoníthatóságának biztosítása érdekében minden esetben azonos tanítóterületekkel valósítottuk meg az ellenőrzött osztályozást. Nem rendelkeztünk referencia spektrumokkal, ezért a felvételről - tanítóterületek segítségével - vettünk fel spektrumokat. A tesztterületen gyűjtött tapasztalataink alapján a sokszög (poligon) típusú tanítóterületek (Region of Interest = ROI) kijelölésével adtuk meg a lehető legnagyobb homogén egységeket.

A kutatásaink során az ENVI programba beépített összesen kilenc különböző tanítóterületes osztályozási eljárás közül a gyakorlatban általánosan használt öt módszert hasonlítottuk össze. A képpontok osztályozását és az egyes osztályozási hibákat ezek eredményei alapján mutatjuk majd be. A SAM már korábban kifejtésre került, ezért csak a többi osztályozási eljárás jellemzőit írjuk le, Richards publikációjában közöltek és az ENVI kézikönyv alapján (Richards, 1999; ENVI kézikönyv, 2004):

1. Legközelebbi középpontú osztályozás vagy minimális távolság módszere (Minimum Distance classification = MD)

Az MD osztályozás az egyes osztályok középértékeitől mért legkisebb távolság szerint osztályoz. Az osztályozás során az ismeretlen pixel abba az osztályba kerül, amelynek tulajdonságtérbeli osztályközéppontja a legközelebb áll hozzá. A számítás többnyire euklideszi távolság alapján történik, noha más távolságnormák is alkalmazhatók.

Kevésbé rugalmas módszernek tekinthető, mivel az osztályközéptől való távolságot veszi csak figyelembe, de az irányát nem. Mivel az osztály variabilitásával nem számol, így alul- vagy túlreprezentált osztályokat eredményezhet. Előnyei az egyszerű osztályleírás, a gyors számítás, hátrányai között az azonos távolságokból adódó nehézségek és az átfedő osztályok kezelhetetlenségei szerepelhetnek.

2. Legnagyobb valószínűség osztályozás (Maximum Likelihood classification = ML) A módszer az adott osztályhoz tartozó pixelek intenzitásainak gyakoriságát, valószínűség-eloszlását veszi figyelembe. Megvizsgálja, hogy az ismeretlen képelem milyen valószínűséggel tartozik egy adott osztályba és oda sorolja be, amelyik osztályban ilyen érték gyakrabban fordul elő. Egy parametrikus módszer, amely függ

70

az egyes sávok adatainak normális eloszlásától. Az alapegyenlet feltételezi, hogy a bemenő sávoknak az eloszlása normális. A maximum likelihood eljárásban a minták sajátosságait a számtani középérték vektoraikon kívül a kovariancia-mátrixukkal is jellemezzük, így nemcsak az osztályközéptől való távolságot vizsgájuk, hanem annak irányát is. Ezért általánosságban jobb eredményeket ad, amennyiben megfelelő számú tanuló-pixel kerül kijelölésre minden osztály esetében. Előnyei a pontos osztályleírás, a jó paraméterezhetőség, hátránya a bonyolult számítási eljárás és a lassú számítás.

3. Irány érzékeny távolság osztályozás (Mahalanobis Distance classification = MA) A mahalanobis osztályozás egy irány érzékeny távolság alapú osztályozás, amely statisztikai elemzésekre épül. A távolságokon kívül kovariancia mátrixot is figyelembe vesz az osztályba sorolás alkalmával, ebben különbözik a minimális spektrális távolság módszerétől és emiatt mutat hasonlóságot a maximum likelihood eljáráshoz.

Viszont ez a módszer feltételezi, hogy az osztályok kovarianciája megegyezik, ezért gyorsabb lefutást eredményez.

A sávok közötti kapcsolat jellemzésére szolgáló alapstatisztikai módszerek a kovariancia (Sváb, 1973) és a korrelációs mátrixok.

Két sáv közötti kovariancia:

(8)

ahol, R, C: a kép sorainak és oszlopainak száma,

Pixy , Pjxy: kép i-edik vagy j-edik sávjának, xy pixelének intenzitásértéke, mi, mj: az i-edik és a j-edik képsáv intenzitásértékeinek átlaga.

A kovariancia ismeretében a korreláció:

(9)

ahol, s_i, s_j: az i-edik illetve j-edik képsáv intenzitásértékeinek szórása

A kiszámított korrelációs mátrix értékei a főátlóra szimmetrikusak, és az egyes sávok közötti lineáris kapcsolat szorosságát fejezik ki.

∑

71

4. Tégla vagy boksz osztályozás (Parallelepiped classification = PA)

A hipertégla osztályozás során a koordinátatengelyekkel párhuzamos oldalú téglalapot tekintjük az osztály intenzitásterének. Amennyiben az ismeretlen képelem egy felvett

„dobozba” esik, akkor az annak megfelelő osztályba kerül besorolásra, viszont a dobozokon kívül eső, illetve a dobozok között elhelyezkedő pixelek nem kerülnek osztályozásra. A hiperspektrális felvételek sávjai között többé-kevésbé szoros korreláció van, emiatt az egyes osztályok eloszlásai ferdék vagy elnyúltak lehetnek.

Mivel a dobozok párhuzamosak a spektrális tengelyekkel, ezért „átlapolódhatnak”, így bizonyos pixelek ebből kifolyólag nem kerülnek osztályozásra. Előnye a gyors számítás.

Több új technika is létezik kifejezetten hiperspektrális adatfeldolgozásra (Independent Component Analysis (ICA), Mutual Information (MI), Markov Random Field (MRF), Support Vector Machines (SVM), Spectral Information Divergence (SID), Neural Net (NN) vagy Binary Encoding (BE). Ezeket azért nem alkalmaztuk, mivel az ENVI nem tartalmazta, így a felhasználók nem találkozhatnak vele a gyakorlatban (ICA, MI, MRF) vagy a módszerek kevésbé ismertek a felhasználók számára (SVM, SID, NN, BE).