Sub-pixel mapping: ontwerp en vergelijking van technieken

Koen Mertens

    Onderzoeksoutput: ScriptieDoctoraatsscriptie - Doctoraatsscriptie

    Uittreksel

    Teledetectie speelt een belangrijke rol in het vergaren van geografische landbedekkingsgegevens en de karakterisatie van het dynamisch gedrag ervan. De belangrijkste beperking van correcte landbedekkingsinformatie met behulp van teledetectie is de intrinsieke schaal van variatie aanwezig in landbedekking. De schaal die wordt opgelegd door de satelliet sensor is meestal niet fijn genoeg om alle aanwezige details te vatten. Dit zorgt ervoor dat pixels heterogeen zijn en zodoende objecten bevatten die tot meerdere klassen behoren. Zachte klassificatietechnieken laten een pixel toe om meerdere landbedekkingsklassen te bevatten in een bepaalde graad. Dit in tegenstelling tot de wijdverspreide en veelgebruikte harde klassificatie-technieken. Deze kennen één enkele klasse toe aan elke pixel. Zo’n vereenvoudigde voorstelling kan gezien worden als een verspilling van de beschikbare multispectrale informatie die op een efficiëntere wijze zou kunnen geïnterpreteerd worden. Schatting van de klasse proporties in een pixel geeft echter geen informatie over de manier waarop de fracties ruimtelijk gepositioneerd zijn in de pixel. Dit zette professor Atkinson ertoe aan om een pixel te verdelen in kleinere eenheden, die we sub-pixels noemen. Maar de onzekerheid over de ruimtelijke positionering van deze subpixels blijft bestaan. Aangezien er geen extra informatiebron bestaat om dit probleem op te lossen, moet er een veronderstelling gebeuren. Dit behelst de aanname van ruimtelijke afhankelijkheid. Subpixel mapping combineert de voordelen van zowel harde als zachte klassificaties, om te komen tot een makkelijk interpreteerbare kaart, met de hoge informatie inhoud van een zachte klassificatie. In dit onderzoek worden er vier methodes voorgesteld die voortbouwen op de aanname van ruimtelijke afhankelijkheid. De eerste methode gebruikt de zoekcapaciteiten van genetische algoritmes. Genetische algoritmes zijn gebaseerd op de principes van natuurlijke evolutie en ‘the survival of the fittest’. Bij de tweede techniek wordt de leercapaciteit van neurale netwerken benut om bepaalde patronen te herkennen. Het neurale netwerk simuleert een menselijk brein dat leert om de ruimtelijke locatie van sub-pixels te voorspellen aan de hand van een venster met fractiewaarden. Wavelets gecombineerd met de neurale netwerken vormen de basis voor de derde methode. De kwaliteiten van wavelets bestaan erin om analyses van beelden toe te laten over verschillende schaalniveaus heen. Wavelet detail coëfficiënten worden voorspeld door het neurale netwerk. Deze worden gebruikt om een gepaste ruimtelijke locatie te voorspellen voor de sub-pixels in een proces dat multiresolutie analyse wordt genoemd. De laatste techniek bootst een menselijke subpixel mapper na. Het idee hierachter is dat een menselijke gebruiker beter kan inschatten hoe de ruimtelijke patronen in realiteit zijn. In de laatste techiek worden ruimtelijke aantrekkingsmodellen gebouwd om de aantrekking tussen pixels en sub-pixels van gelijke klassen te simuleren. Om de nauwkeurigheid van subpixel mapping resultaten te onderzoeken, werd de geschikt-heid van verschillende indexen onderzocht. Ook werd een set met validatie beelden ontwikkeld, waarop de resultaten van de sub-pixel mapping technieken statistisch en visueel werden vergeleken. Alle methodes leiden tot mooie resultaten indien de schaalfactor beperkt blijft. Het voorhanden zijn van een nauwkeurige zachte klassificatie bleek een belangrijke beperking om aan sub-pixel mapping te doen.
    TaalEngels
    Gedrukte ISBN's9789059892538
    StatusGepubliceerd - 2008

    Trefwoorden

    • T181-teledetectie

    Dit citeren