Városok öko-környezetének komplex vizsgálata - Nyugat ...

Objektum orientált képosztályozásA végzett kutatásnak olyan módszer kifejlesztésevolt a célja, amely alkalmas avárosra és környezetére jellemző felszínborítástérképezésére a szuper nagyfelbontásúműholdas felvételek alapján. Amunka során hagyományos pixelalapúosztályozási eljárások alkalmazása mellettkülönös hangsúly fektettünk az objektumorientált képelemzésre. A városra jellemzőfelszínborítási kategóriák spektrális heterogenitásaés a távérzékelés fizikai törvényszerűségeimiatt az egyes felszínborításikategóriák térképezéshez a műholdas felvételek(WorldView2) spektrális információités a lézeres légi szkennelésből származómagassági adatokat használtuk fel. Az épületekmagasság alapján történő leválogatásaadta a legpontosabb eredményt, de nem zártaki a spektrális adatok, valamint a szomszédságiviszonyok elemzéséből származóinformáció fontosságát. Az előzetes leválogatásttöbb hiba terheli, pl. magassággalrendelkező objektumok (fás területek) egybeeséseaz épületekkel. Ilyen jellegű hibákkorrigálása spektrális, szomszédsági vagygeometriai elemzések alapján történik.A felszínborítás térképezési módszerénekbemutatása az alapszintű kategóriák meghatározásánkeresztül történik. Az eljárás aküszöbértékek módosításával alkategóriákleválogatására alkalmas. A tematikus kategóriákazonosítását és leválogatását különbözőalgoritmusok számítása és szelektálásaelőzte meg. Az eljárás az objektumok(szegmensek) spektrális és térbeli tulajdonságainakelemzésen alapszik és a következőlépéseket tartalmazza:• szegmentálás• kategória jellemzőinek definiálása, szelektálása• szegmensek előzetes osztályozása• az osztályozás módosítása (szükség esetén)pl. spektrális vagy térbeli tulajdonságokalapján• tematikus kategóriák véglegesétése• pontosság vizsgálataSzegmentálásObjektum oriental osztályozás egyik kritikuslépése a szegmentálás, melynek soránelőállított szegmenseket (objektumakot) azosztályozás további lépéseiben input adatkénthasználunk (BURNETT – BLASCHKE2003). A pixelek szegmensekbe való sorolásaspektrális vagy térbeli paraméterekalapján végezhető el (SCHÖPFER et al.2010). A kutatáshoz alkalmazott DefinienseCognition szoftverrel több eljárás (a legegyszerűbbun. soktáblás eljárástól kezdveösszetett rigió-orientált modszerig) szerintszegmentálhatónk képeket. Egy objektumot(szegmenst) nem csak spektrálistulajdonságok alapján határozzuk meg,hanem figyelembe vesszük az alaki, geometriaiösszefüggéseket, a szomszédságiviszonyokat, valamint az objektumoknak ahierarchiáját (az objektumokat fölé- és alárendeltségét)is. A szoftver továbbá lehetőségetad eltérő geometriai felbontású (többforrásból származó) adatok együttes szegmentálására,valamint egyéb tematikus térképekfigyelembe vételére az objektumokmeghatározása során. Jelen kutatásbanfelvételek szegmentálását régió-összevonó(multiresolution segmentation, spectralsegmentation difference) eljárásokkal végeztük.A folyamat többszöri lefutatásaalatt az objektumok alakjára és tömörségérevonatkozó paramétereket állandónaktekintettünket, a méretre vonatkozókatpedig (scale factors: 10, 20, 30 és 40) növeltük(11. kép). A legjobb eredményt - teljesmintaterületre vonatkozóan - a következőparaméterek mellett nyertünk meg: méret(scale factor) 10, alak (shape factor) 0,1 éstömörség (compactness) 0,5. Spektrálisanhasanló objektumok összevonása SDS(Spectral Difference Segmentation) algaritmusalkalmazásával végeztünk (12. kép).84