Γενικότερος στόχος της διατριβής είναι η ανάπτυξη και η εφαρμογή μεθόδων πληροφορικής για την εξαγωγή χρήσιμων πληροφοριών από δορυφορικές εικόνες. Αντικείμενο της διατριβής είναι η ταξινόμηση σε τύπους εδαφοκάλυψης και η αναγνώριση των γραμμικών σχηματισμών από δορυφορικές εικόνες. Με τον όρο εδαφοκάλυψη (land cover) ή φυσική κάλυψη εννοούμε τα βιοφυσικά υλικά που καλύπτουν την επιφάνεια της Γης. Η ταξινόμηση σε τύπους εδαφοκάλυψης σε τοπικό, περιφερειακό ή και παγκόσμιο επίπεδο είναι θεμελιώδης και απαραίτητη διαδικασία σε πολλές εφαρμογές, όπως έλεγχος ποιότητας και διαχείριση περιβάλλοντος, έλεγχος αγροτικών καλλιεργειών, παρακολούθηση δασών κλπ. Με τον όρο γραμμικοί σχηματισμοί ή φωτογραμμώσεις (lineaments) εννοούμε τα ευθύγραμμα χαρακτηριστικά που διατρέχουν την επιφάνεια της Γης. Ο προσδιορισμός και η χαρτογράφησή τους ενδιαφέρει, καθώς συνδέονται τόσο με την τεκτονική, π.χ. ρήγματα, όσο και με την ύπαρξη μεταλλευμάτων ή υπόγειων υδάτων. Στις δορυφορικές εικόνες οι γραμμώσεις εμφανίζονται σαν ευθείες ή ακμές που διακόπτονται συχνά είτε λόγω χαμηλής χρωματικής αντίθεσης (contrast) με το περιβάλλον είτε λόγω μερικής κάλυψής τους από επιφανειακά υλικά. Ο εντοπισμός τους γίνεται, συνήθως, από αεροφωτογραφίες ή δορυφορικές εικόνες. Οι δύο προαναφερόμενες διαδικασίες, η ταξινόμηση σε τύπους εδαφοκάλυψης και η αναγνώριση των γραμμικών σχηματισμών, είναι από τη φύση τους διαδικασίες πολύ χρονοβόρες, δαπανηρές και σε μεγάλο βαθμό υποκειμενικές. Είναι επομένως επιθυμητό μια όσο το δυνατόν αυτοματοποίησή τους. Η διατριβή αυτή βρίσκεται σε αυτήν την κατεύθυνση.Για την ταξινόμηση σε τύπους εδαφοκάλυψης χρησιμοποιήθηκαν μέθοδοι από την επιστημονική περιοχή των νευρωνικών δικτύων, της ασαφούς λογικής αλλά και, για συγκριτικούς κυρίως λόγους, της Στατιστικής. Οι νευρωνικοί ταξινομητές που χρησιμοποιήθηκαν είναι επιβλεπόμενοι (οπισθόδρομης διάδοσης του σφάλματος back- propagation, Learning Vector Quantization) και μή επιβλεπόμενοι (αυτο-οργανούμενοι χάρτες-Self Organizing Maps). Για το χειρισμό των ασαφειών και αβεβαιοτήτων της ταξινόμησης, χρησιμοποιήθηκε ο ασαφής ISODATA ταξινομητής. Επίσης, εφαρμόσθηκαν οι στατιστικοί ταξινομητές ISODATA και των k- πλησιέστερων γειτόνωνΓια την εφαρμογή χρησιμοποιήθηκαν οι τρεις φασματικές ζώνες (κανάλια) ΤΜ3, ΤΜ2, ΤΜ1 πολυφασματικής δορυφορικής εικόνας Landsat περιοχής της νήσου Λέσβου, με στόχο την ταξινόμηση στους εξής τύπους: α) δάσος, β) θάλασσα, γ) αγροτικές καλλιέργειες καί δ) περιοχές με αραιή (<10%) βλάστηση (κατοικημένες περιοχές- βραχώδεις εκτάσεις-λατομεία). Η ταξινόμηση βασίστηκε στη φασματική υπογραφή (τιμές του γκρίζου στα διάφορα κανάλια) των εικονοστοιχείων. Ο έλεγχος των αποτελεσμάτων έγινε τόσο στο σύνολο ελέγχου όσο και στην αρχική εικόνα. Στο σύνολο ελέγχου, που είναι ένα μικρό υποσύνολο της αρχικής εικόνας με στοιχεία ήδη ταξινομημένα με φωτοερμηνεία στις τέσσαρες προαναφερθείσες κατηγορίες, τα ποσοστά επιτυχίας των ταξινομητών ήταν πάνω από 95%. Στο σύνολο της αρχικής εικόνας, ο έλεγχος των αποτελεσμάτων έγινε ποιοτικά, καθώς δεν διαθέταμε την ταξινόμηση όλης της εικόνα για να προχωρήσουμε και σε ποσοτικές συγκρίσεις και ποσοστά επιτυχίας επί του συνόλου της εικόνας. Για να γίνει η ποιοτική αυτή σύγκριση, τα αποτελέσματα των ταξινομητών μετατράπηκαν σε εικόνες, μετατρέποντας τις 4 κατηγορίες σε τιμές του γκρίζου (ή χρώματα). Τα αποτελέσματα, και στο σύνολο της εικόνας, κρίνονται πολύ ικανοποιητικά τόσο από άποψη πιστότητας του αποτελέσματος, όσο και από άποψη χρόνου που απαιτείται για την εξαγωγή του.Για την επιτάχυνση της διαδικασίας ταξινόμησης και τη συμπίεση του όγκου των δεδομένων προτείνεται η εφαρμογή μιας γενικής χρήσης μεθοδολογίας, που στηρίζεται σε αυτο-οργανούμενους χάρτες και πίνακες δεικτοδότησης (indexing tables). Η μεθοδολογία αυτή επιτυγχάνει για όλους τους ταξινομητές μεγάλη επιτάχυνση και εξοικονόμηση μνήμης χωρίς σημαντική επιβάρυνση της ποιότητας του αποτελέσματος.Οι προαναφερόμενοι ταξινομητές καθώς και ένα πολυτμηματικό σύστημα για το συνδυασμό των αποφάσεων όλων των επιμέρους ταξινομητών. εφαρμόσθηκαν και για την ταξινόμηση σε λιθολογικές ενότητες πολυφασματικής δορυφορικής εικόνας Landsatτης περιοχής Κνίδη του νομού Κοζάνης. Στόχος ήταν η ταξινόμηση στους εξής τύπους: α) οφιόλιθοι, β) ασβεστόλιθοι, γ) νεογενή, δ) εξα/.λοκαμένοι οφιόλιθοι, ε) αλλούβια και στ) σκιές. Παρόλο που το πρόβλημα αυτό είναι από τη φύση του δύσκολο να αντιμετωπισθεί με μόνο δορυφορικά δεδομένα και απαιτούνται πληροφορίες και από άλλες πηγές, εντούτοις, σε όσες περιπτώσεις δεν επηρεάζει η φυσική κάλυψη, εντοπίζονται οι αντίστοιχες κατηγορίες.Για την αναγνώριση των γραμμικών σχηματισμών σε δορυφορική εικόνα χρησιμοποιήθηκαν μέθοδοι τονισμού τους καθώς και σύστημα αυτόματου προσδιορισμού τους. Χρησιμοποιήθηκε εικόνα LandSat της περιοχής Πύργων Βερμίου. Η μέθοδος τονισμού που επιλέχθηκε είναι από την επιστημονική περιοχή της Μαθηματικής Μορφολογίας. Το σύστημα αυτόματου προσδιορισμού των γραμμικών σχηματισμών που εφαρμόσθηκε στηρίζεται σε τροποποίηση του μετασχηματισμού Hough.. Όπως φαίνεται από τα αποτελέσματα, η χρήση των μορφολογικών φίλτρων βοηθά στον τονισμό και την οπτική αναγνώρισή τους. Το σύστημα αυτόματης εξαγωγής των γραμμικών σχηματισμών, παρά τον ευριστικό χαρακτήρα του, έδωσε κάποια πρώτα ενθαρρυντικά αποτελέσματα.Για τις ανάγκες της διατριβής χρησιμοποιήθηκε σε πολλές περιπτώσεις το λογισμικό που έχει αναπτυχθεί από το Εργαστήριο Νευρωνικών Δικτύων του ΕΚΕΦΕ «Δημόκριτος». Όπου ήταν απαραίτητο (αλγόριθμοι ISODATA, fuzzy ISODATA, dilation, erosion και μετασχηματισμός Hough) έγινε ανάπτυξη των αλγορίθμων σε γλώσσα προγραμματισμού C.Συμπερασματικά, οι μέθοδοι που προτείνονται μπορούν να χρησιμοποιηθούν με επιτυχία και είναι ένα βήμα προς την κατεύθυνση της αυτοματοποίησης της παραγωγής θεματικών χαρτών που αφορούν την εδαφοκάλυψη, τις λιθολογικές ενότητες και τον εντοπισμό των γραμμικών σχηματισμών από δορυφορικές εικόνες. Σε κάθε περίπτωση η χρησιμοποίησή τους κάνει πιο αντικειμενικές τις αντίστοιχες διαδικασίες, μειώνοντας έως ελαχιστοποιώντας την οπτική επεξεργασία και αποδεσμεύοντας χιλιάδες εργατοώρες φωτοερμηνείας. Χωρίς να καταργείται η ανάγκη του ειδικού, ο ρόλος του αναβαθμίζεται στο επίπεδο της τελικής λήψης αποφάσεων.
Advances in Self-Organizing Maps, Learning Vector Quantization, Clustering and Data Visualization
