UNIVERSITÀ DEGLI STUDI DI CASSINO

Transcript

1 UNIVERSITÀ DEGLI STUDI DI CASSINO FACOLTÀ DIINGEGNERIA DAEIMI - DIPARTIMENTO DI AUTOMAZIONE, ELETTROMAGNETISMO, INGEGNERIA DELL INFORMAZIONE E MATEMATICA INDUSTRIALE TESI DI DOTTORATO IN INGEGNERIA ELETTRICA E DELL INFORMAZIONE XIX CICLO SETTORE SCIENTIFICO ING-INF/03 ANALISI DI DATI OTTICI E RADAR BASATA SU UN MODELLO MARKOVIANO DELL IMMAGINE Relatori: Ing. Ciro D Elia Prof.ssa Gilda Schirinzi Candidato: Giovanni Cuozzo

2 Ai miei genitori

3 Indice Introduzione iv 1 Sistemi di telerilevamento Il telerilevamento Applicazioni Immagini multispettrali Il sistema di acquisizione multispettrale Sensori ottici Rilevatori ottici Sistemi di sensori multispettrali Esempi di sensori multispettrali e iperspettrali Immagini SAR Tecnica di compressione dell impulso Storia di fase del target puntiforme Campionamento e ambiguità Interazione superficiale delle onde E.M Speckle Radarsat-1: un esempio di sistema di acquisizione e distribuzione La strumentazione Radarsat e i beam mode Le orbite Radarsat Raccolta e trasmissione dei dati I prodotti Radarsat Il processo di certificazione Radarsat Analisi e compressione di immagini telerilevate Introduzione i

4 INDICE ii 2.2 La classificazione Principali tecniche di classificazione Altre tecniche di classificazione non contestuali Classificazione contestuale Altri tipi di classificatori La compressione La compattazione La compressione lossy Framework per la compressione e l analisi di dati ottici e radar Segmentazione Estrazione dei descrittori Classificazione Compressione Segmentazione di immagini telerilevate Introduzione Stato dell arte Campi casuali e stima Bayesiana Campi casuali markoviani Il vicinato e le cricche La distribuzione di Gibbs Il modello utilizzato per la segmentazione delle immagini Modelli MRF evoluti Il modello RAG (Region Adjacency Graph) Il modello multiscala MSRF Il modello TS-MRF Procedure di ottimizzazione La scelta del modello di MRF Rilassamento stocastico e annealing simulato Il caso non supervisionato Il metodo delle mode condizionali iterate Cenni al campionamento di Metropolis Utilizzo del TS-MRF per il caso SAR Risultati sperimentali Algoritmi di ottimizzazione Scelta della temperatura iniziale

5 INDICE iii La scelta della condizione di arresto Ulteriori modifiche all algoritmo Frequenza di aggiornamento del parametro β Il caso di segmentazione binaria Applicazione al TS-MRF Applicazioni del TS-MRF a immagini ottiche Riconoscimento di foreste Detection di nuvole Valutazione con algoritmi di classificazione Applicazioni del TS-MRF a immagini SAR Applicazioni a immagini mediche Conclusioni 209 Elenco delle figure 212 Elenco delle tabelle 216

6 Introduzione Il telerilevamento è un settore dell ingegneria delle telecomunicazioni in rapida espansione, sia per il progresso avutosi nello sviluppo della tecnologia dei sensori, che in quella degli strumenti di calcolo e della trasmissione delle informazioni. A questo aspetto si sta affiancando anche una maggiore consapevolezza da parte dei potenziali utenti finali sui vantaggi e sulla varietà delle applicazioni rese disponibili da tali tecniche. Lo sviluppo della ricerca e la crescita della comunità dei possibili utenti sono ovviamente collegati e costituiscono un rispettivo stimolo allo sviluppo ulteriore di questo campo che è tuttora ben lungi dall essere assestato. Se da un lato, infatti, l incremento della committenza permette di ridurre il costo unitario dei dati disponibili, rendendo conveniente l uso del telerilevamento non solo in luoghi difficilmente accessibili, dall altro il progresso scientifico e tecnologico permette di rendere disponibili dati per applicazioni prima impensabili. Come è noto nel telerilevamento si sfruttano le diverse proprietà di riflessione, trasmissione e assorbimento degli oggetti e dell atmosfera a radiazioni elettromagnetiche provenienti da una sorgente esterna, nonché la loro diversa capacità di emissione nella cosiddetta banda termica. L oggetto dell indagine, che è tipicamente la porzione della superficie terrestre sulla quale si vogliono ottenere informazioni, è detto scena. In particolare, per incrementare le informazioni dispobili sulla scena si può puntare a spingere per avere un elevatissima risoluzione spaziale, come nel caso delle immagini pancromatiche, o a cercare di ottenere elevate risoluzioni spettrali, come nel caso delle immagini multispettrali o iperspettrali, misurando la risposta della superficie terrestre a onde elettromagnetiche con differenti lunghezze d onda. Lo studio, oltre che nella direzione spaziale e spettrale, può essere rivolto nella direzione temporale, cercando di ottenere serie temporali con un periodo di acquisizione adatto a studiare l evoluzione del fenomeno in iv

7 Introduzione v esame (change detection). Per le applicazioni appena descritte è immediato pensare di utilizzare l energia solare come sorgente della radiazione elettromagnetica ottenendo delle istantanee della superficie terrestre. Tuttavia, le immagini ottiche pancromatiche, multispettrali e iperspettrali, soffrono della limitazione di essere fortemente influenzate dalle condizioni atmosferiche e richiedono ovviamente di essere rilevate solo in alcune ore della giornata. Esiste però nella tecnologia radar, e in particolare del SAR (Synthetic Aperture Radar), una possibilità alternativa ai sensori appena descritti. In questo caso la sorgente di illuminazione è il sensore stesso che emette opportuni impulsi alle frequenze delle microonde e che rileva il segnale retrodiffuso della scena. Le immagini ottenute in questo caso sono meno sensibili agli agenti atmosferici e permettono di completare l informazione ottenuta nel caso ottico misurando differenti proprietà come ad esempio la rugosità e, in applicazioni come quelle di interferometria differenziale, forniscono informazioni sulla deformazione superficiale. Per ottenere buone risoluzioni spaziali in questo caso occorre che il radar trasmetta impulsi di durata e forma opportune e che si sfrutti l informazione sul movimento del sensore. Il dato SAR richiede quindi un opportuna preelaborazione per essere visualizzato in forma di immagine e queste sono comunque meno immediatamente interpretabili rispetto a quelle ottiche. Non esiste quindi in assoluto un sistema sensoriale ottimo, ma questo va scelto sulla base dell applicazione, integrando magari diverse tecnologie. Dal discorso fatto finora si evince che nella fase di analisi dell immagine, cioè di interpretazione del dato, si presenta il problema di avere algoritmi diversi per i diversi tipi di immagini (ottiche o SAR). Infatti, vista la diversa natura dei dati, se si vuole utilizzare un unico algoritmo occorre o ricorrere a strumenti pixel-based semplici, ma che non risultano particolarmente accurati per nessuno dei due casi, oppure se si vuole definire un modello dell immagine allo scopo di un analisi più accurata non si riesce ad ottenerne uno adatto ad entrambi i casi. La scelta fatta in questa tesi è stata quella di sviluppare un framework per l analisi delle immagini implementato in C++ che, per ottenere una elevata qualità nei risultati, sfrutta un modello dell immagine basato sui campi di Markov. Esso è inglobato nell operazione di segmentazione dell immagine. Questa è un operazione di basso livello che costituisce il passo

8 Introduzione vi preliminare per successive elaborazioni sulle immagini, quali la classificazione e la compressione, e può essere definita come quel processo per cui i pixel di un immagine vengono etichettati in base alle loro proprietà e a valle del quale l immagine stessa risulta partizionata in regioni con caratteristiche omogenee (mappa di segmentazione). La segmentazione basata sui Markov Random Field (MRF) è di tipo contestuale, cioè è basata non solo sulle caratteristiche del pixel in esame, ma utilizza anche le informazioni che derivano dalla conoscenza della dipendenza statistica tra esso e i suoi vicini. Sono ovviamente possibili molte possibili scelte da questo punto di vista, a cui corrispondono diversi possibili modelli markoviani. La scelta fatta in questo caso è quella di utilizzare un modello di MRF sufficientemente semplice da ovviare ai problemi di complessità computazionale che costituiscono il limite principale degli algoritmi basati sui campi di Markov. In questo modello si tiene conto del fatto che in una mappa di segmentazione èpiù probabile che pixel vicini facciano parte di una stessa classe di segmentazione piuttosto che le etichette siano disposte in una configurazione rumorosa. I parametri del modello sono stati studiati per il caso ottico. Per rendere funzionante l algoritmo senza riscriverlo per il caso SAR è stato aggiunto un blocco iniziale di preelaborazione da eseguire nel caso SAR. Questo estrae dei descrittori di eterogeneità dall immagine fornendo in uscita un immagine meno rumorosa che ben si adatta al modello MRF. La struttura della tesi è impostata nel modo seguente. Nel capitolo 1 è presentata una panoramica sui sensori e sulle caratteristiche delle immagini ottiche e SAR allo scopo di evidenziarne le differenze e di comprendere gli interventi che saranno necessari sulle immagini SAR allo scopo di utilizzare lo stesso algoritmo di analisi. Il capitolo è chiuso dalla descrizione di un particolare sistema di acquisizione e distribuzione di dati SAR con il quale l autore della tesi ha avuto esperienza diretta in un periodo di studio e ricerca svolto presso il MARSec (Mediterranean Agency for Remote Sensing and Environmental Control) di Benevento. Nel capitolo 2 si descrive il framework per l analisi e la compressione delle immagini su cui si basa il lavoro di tesi. In esso (a parte la preelaborazione necessaria nel caso SAR), il primo passo è l algoritmo di segmentazione. L accuratezza di questo, essendo il primo step comune a tutte le operazioni successive, e contenendo il modello dell immagine, è fondamen-

9 Introduzione vii tale per la qualità del prodotto finale. La mappa di segmentazione è utilizzata sia per eseguire operazioni di classificazione ed estrazione dei contenuti, che per la compressione. L incremento delle risoluzioni spaziali, spettrali e radiometriche richiede, infatti, una quantità sempre crescente di risorse di memoria disponibili. Inoltre, esso influisce sui tempi di trasmissione e in quelli di navigazione e ricerca di dati di interesse nei database di dimensioni sempre crescenti. La segmentazione da questo punto di vista, permettendo di lavorare su regioni omogenee, incrementa le prestazioni di metodi di compressione basati su trasformate lineari (come quelli usati in questa sede). Fra il blocco di segmentazione e quello di classificazione è realizzata anche un operazione di estrazione di descrittori geometrici, spettrali e contestuali, che consentono di individuare meglio le regioni di interesse e di realizzare una classificazione object-oriented anziché pixel-oriented. Nel capitolo 3, è descritto in maggiore dettaglio il modello dell immagine e l algoritmo di segmentazione scelti. In particolare un algoritmo strutturato ad albero e basato sui MRF, permette di ottenere prestazioni analoghe a quelle del caso MRF non strutturato in tempi ridotti. L algoritmo permette di ricondurre il problema della segmentazione a un problema di stima a massima probabilità a posteriori, il che comporta la necessità diaf- frontare una scelta nel tipo di ricerca della soluzione ottima. Sono utilizzate a tale scopo due tecniche, quella subottima dell ICM (Iterated Conditional Mode) e quella del rilassamento stocastico con annealing simulato (SR-SA). Quest ultima a rigore è la scelta ottima, ma èpiù onerosa computazionalmente. Pertanto, particolare attenzione è stata fatta nella prove sperimentali a scegliere i parametri dell algoritmo tali da dare risultati di qualità elevata in tempi non troppo superiori rispetto all ICM. Quest obiettivo, impossibile negli algoritmi basati su MRF non strutturati, ha fornito invece risultati incoraggianti nel caso del modello ad albero binario. Il capitolo si conclude con la descrizione dell algoritmo di estrazione dei descrittori di eterogeneità necessaria per applicare la segmentazione a immagini SAR. Nell ultimo capitolo sono infine illustrati i risultati sperimentali ottenuti utilizzando sia l ICM che l SR-SA, prima nel caso non strutturato, per evidenziare le differenze di comportamento dei due algoritmi, poi in quello basato sul modello ad albero binario. La segmentazione è stata poi provata su una vasta gamma di immagini telerilevate sia ottiche che SAR, quindi per verificare l efficacia del metodo, tramite un semplice algoritmo basato

10 Introduzione viii sull uso di soglie sui descrittori delle regioni, sono state estratte regioni di interesse dalle varie immagini. Alcune prove sono state effettuate anche su immagini medicali evidenziando la flessibilità dell algoritmo. Infine, sono stati provati a valle dell estrazione dei descrittori geometrici alcuni algoritmi di classificazione realizzando esempi di classificazione object-based. Giovanni Cuozzo

11 Capitolo 1 Sistemi di telerilevamento In questo capitolo saranno trattati i principi di base del telerilevamento con particolare attenzione sia al caso ottico che a quello SAR. La descrizione sarà rivolta alla comprensione generale dei fenomeni fisici che portano alla formazione di questi tipi di immagini, e ha lo scopo di sottolineare le relative differenzene nei due casi. In questo modo si evidenzierà l opportunità di usare differenti tecniche nella fase di elaborazione atte a estrarre le informazioni di interesse. In particolare un medesimo algoritmo di segmentazione può non fornire risultati soddisfacenti sia per sensori ottici che per sensori alle microonde. A scopo esemplificativo, il capitolo si conclude con una descrizione di uno specifico sensore con il relativo sistema di acquisizione e distribuzione con cui l autore ha avuto esperienza diretta durante il periodo di preparazione della tesi. 1.1 Il telerilevamento Nel senso più ampio del termine, per telerilevamento si intende la raccolta di informazioni su oggetti senza diretto contatto fisico con essi. Nella pratica questa definizione è alquanto vaga e, in questo ambito, questo termine verrà ristretto allo studio dell atmosfera e della superficie terrestre mediante l uso di radiazioni elettromagnetiche. L insieme delle tecniche utilizzate è riferito spesso anche come Earth Observation, e si basa sulla misura delle interazioni tra gli oggetti di interesse e le onde elettromagnetiche (emesse artificialmente da dispositivi esterni, o naturalmente dagli oggetti stessi), permettendo l osservazione della terra su scala macroscopica [1]. 1

12 CAPITOLO 1. SISTEMI DI TELERILEVAMENTO 2 In pratica ogni oggetto è caratterizzato da una propria capacità diri- flessione, assorbimento e trasmissione delle onde elettromagnetiche che ne permette la caratterizzazione. Oltre agli oggetti situati sulla superficie terrestre, anche l atmosfera può assorbire, riflettere o trasmettere in modo diverso nello spazio e nel tempo la radiazione elettromagnetica, comportandosi come un disturbo quando non rappresenta l oggetto di studio della rilevazione. Di conseguenza la scelta delle lunghezze d onda utilizzabili è limitata a particolari domini (vedi Figura 1.1), quali il visibile (λ = µm), il vicino infrarosso (0, 7 2, 0 µm), l infrarosso termico (circa 5 10 µm) eil dominio delle microonde. Questi domini rappresentano, infatti, finestre di trasparenza dell atmosfera terrestre alle radiazioni elettromagnetiche. Figura 1.1: Lo spettro elettromagnetico Ci sono essenzialmente due aspetti utilizzabili per descrivere la radiazione ricevuta: 1. Quanta radiazione è rilevata; 2. Quando la radiazione è rilevata. Il primo aspetto permette di discriminare la superficie terrestre sulla base del diverso comportamento elettromagnetico dei diversi tipi di copertura, il secondo, invece, permette di determinare la distanza del sensore dal target ed è alla base del funzionamento di strumenti quali il LIDAR (acronimo di LIght Detection And Ranging), il radar altimetrico e altri tipi di sistemi radar.

13 CAPITOLO 1. SISTEMI DI TELERILEVAMENTO 3 Da quanto detto finora, si evince che la metodologia utilizzata dipende dal dominio della lunghezza d onda della radiazione: Nel visibile e nel vicino infrarosso è utilizzata la riflettanza. Il sensore a bordo di un satellite (o di un velivolo in generale) misura lo spettro di energia riflessa dalla scena in esame. Poiché la sorgente di energia è il sole, in questo caso si parla di telerilevamento passivo. Queste non sono le uniche lunghezze d onda alle quali il sole emette radiazione (vedi ad esempio la figura 1.2), ma nelle altre bande l atmosfera risulta essere opaca alle radiazioni. Nel dominio dell infrarosso termico, il sensore rileva direttamente l emissione naturale degli oggetti situati sulla superficie terrestre (e si parla perciò ancora di telerilevamento passivo). Infatti, tutti gli oggetti, che sono a una temperatura diversa dallo zero assoluto, emettono radiazione termica. La quantità di radiazione effettivamente emessa dipende dalla temperatura dell oggetto e dalla sua emissività. Nel campo delle microonde un radar emette la radiazione elettromagnetica, quindi un sensore rileva la frazione di questa riflessa dagli oggetti posti sulla superficie terrestre. Poiché la radiazione è emessa da una fonte artificiale (che rileva poi anche il segnale retrodiffuso), si parla in questo caso di telerilevamento attivo. In questo caso, a differenza dei precedenti, la rilevazione può essere effettuata anche in condizioni atmosferiche perturbate. Da quanto detto emerge che le informazioni su un dato target direttamente osservabili da un sistema di telerilevamento sono limitate: si possono infatti misurare la distanza, la riflettività e una combinazione di temperatura ed emissività. Inoltre sono necessari diversi sensori per ottenere tutte queste informazioni congiuntamente. Tuttavia si possono incrementare le variabili a disposizione misurando le grandezze di interesse in diversi istanti temporali, a diverse lunghezze d onda (bande spettrali) e utilizzando diverse polarizzazioni della radiazione. In definitiva le informazioni potenzialmente disponibili riguardano variazioni dei valori del campo in tre domini: Spettrale;

14 CAPITOLO 1. SISTEMI DI TELERILEVAMENTO 4 Figura 1.2: Emissione solare nell ultravioletto Spaziale; Temporale. Per ottenere le informazioni richieste per una data applicazione occorre quindi: Misurare le variazioni del campo in uno o più di tali domini; Relazionare tali variazioni all informazione desiderata. Una volta che i dati sono stati raccolti dal sensore devono essere digitalizzati, trasmessi, memorizzati e analizzati. Nella maggior parte dei casi i dati formeranno un immagine (o in alcuni casi più immagini, come si vedrà meglio nel seguito), cioè una rappresentazione bidimensionale della distribuzione dell intensità della radiazione sulla scena. L Image Processing rappresenta l insieme delle tecniche di elaborazione e analisi dell immagine, ed è parte integrante del telerilevamento. Tipicamente l Image Processing è composto di una serie di passi. Per esempio l immagine è corretta in modo da instaurare una precisa corrispondenza geometrica con la superficie terrestre, è sottoposta a calibrazione con la rimozione degli effetti di propagazione atmosferica e possono essere usate tecniche di rimozione del

15 CAPITOLO 1. SISTEMI DI TELERILEVAMENTO 5 rumore per aumentare l intelligibilità dell immagine. Il passo successivo è quello di estrarre informazioni utili dai dati forniti dal sensore, ed è basato sull analisi della luminosità dei pixel dell immagine e sul contesto spaziale (analisi della forma e della texture degli oggetti basata tipicamente su un modello matematico dell immagine). Inoltre, vista l ingente mole di dati fornita dal sensore, è spesso necessaria un operazione di compressione dei dati nella fase della loro trasmissione. Da quanto detto si evince che un sistema di telerilevamento può essere visto nel suo complesso come composto di tre componenti fondamentali: (A) : La scena, cioè la parte del sistema situata di fronte all occhio del sensore. Essa è costituita dalla porzione della superficie terrestre illuminata e dall atmosfera interposta. Questa parte del sistema è caratterizzata dal fatto di non essere sotto il controllo umano né nella fase di progetto né nella fase operativa e rappresenta spesso la parte più complessa e dinamica del sistema. (B) : Il sensore, cioè la parte del sistema che raccoglie i dati. Nel caso di sensori attivi, sia a microonde (SAR), che ottici (LIDAR), il meccanismo di illuminazione può essere visto come parte del sensore stesso. Il sensore è caratterizzato dall essere sotto il controllo umano nella fase di progetto, ma di esserlo poco o per nulla nella fase operativa. (C) : Il sistema di elaborazione già descritto, che è la parte del sistema in cui l analista può attuare un più stretto controllo delle operazioni e ha una maggiore possibilità di scelta fra varie opzioni. Sebbene sia possibile automatizzare completamente questa fase, di solito non viene seguita questa scelta. Infatti, le capacità associative e di ragionamento dell uomo possono essere di grande aiuto nel completare le grandi capacità di elaborazione delle macchine. Inoltre, il personale utile non è solo quello esperto di algoritmi (compressione, classificazione, ecc.), ma anche quello che conosce in maggior dettaglio le specifiche dell applicazione (come ad esempio le diverse caratteristiche di differenti specie vegetali o le caratteristiche del suolo nell analisi del monitoraggio di terreni a rischio franoso).

16 CAPITOLO 1. SISTEMI DI TELERILEVAMENTO Applicazioni Le possibili applicazioni del telerilevamento sono innumerevoli e, sebbene molte delle tecniche hanno avuto origine per applicazioni di riconoscimento in ambito militare, molte possibilità sono state sviluppate nella sfera civile per la quale si parla di telerilevamento ambientale. In particolare, sulla base delle variabili misurate, si possono individuare i seguenti insiemi di variabili ambientali che possono essere misurate: Atmosfera: Temperatura, precipitazioni, distribuzione e tipo di nuvole, velocità del vento e concentrazione di gas quali il vapore d acqua, l ozono, ecc. Superficie terrestre: Movomenti tettonici, topografia, temperatura, riflettanza, contenuto di umidità del suolo, natura e tipo del suolo a differenti livelli di dettaglio quali differenti tipi di vegetazione e manufatti umani. Superfici oceaniche: Temperatura, topografia, velocità del vento, colore (spesso legato alla produzione biologica di plancton), profondità, maree. Criosfera: dati sulla distribuzione, le condizioni e il comportamento dinamico di neve, iceberg e ghiacciai. A quest insieme di variabili corrispondono un insieme di discipline che possono sfruttare questi dati. Queste comprendono tra l altro il monitoraggio agricolo e dei raccolti, l archeologia, la batimetria, la cartografia, la climatologia, l ingegneria civile, lo studio dell erosione costiera, la predizione e il monitoraggio dei disastri, l analisi delle foreste, la geologia, la glaciologia, l oceanografia, la meteorologia, il controllo dell inquinamento ambientale, la caratterizzazione del suolo, la mappatura urbana, la mappatura e il monitoraggio dei ghiacciai e delle risorse d acqua. Potenzialmente l utilità delle tecnologie del telerilevamento è enorme, tuttavia il motore per il loro sviluppo è ovviamente di natura economica. Ad esempio, la raccolta di informazioni per gestire le risorse terrestri può essere fatta direttamente sul posto, ma è lenta e costosa. Così l uso di velivoli velocizza l elaborazione e riduce i costi. Infatti, anche se un velivolo

17 CAPITOLO 1. SISTEMI DI TELERILEVAMENTO 7 è costoso paragonato a una persona che cammina a piedi, il primo può raccogliere dati molto più velocemente su un area molto più ampia abbassando di molto il costo per unità d area. Questi vantaggi sono ampliati con l uso di tecnologie satellitari. In ogni caso questo abbattimento dei costi è effettivamente presente, ed è tanto più forte, quanto maggiore è il numero di clienti che richiedono la consegna di tali dati. Pertanto è necessario, da un punto di vista economico, avere una comunità di utenti sviluppata, e dei sistemi progettati per soddisfare ciò che la comunità potenziale di utenti percepisce come necessario. Nei prossimi paragrafi saranno esaminati i concetti fondamentali relativi ai due casi più comuni di immagini telerilevate: le immagini multispetttrali (esempio di immagini ottenute tramite un sensore passivo) e le immagini SAR (esempio di immagini ottenute tramite un sensore attivo). 1.3 Immagini multispettrali Le immagini multispettrali sono rilevate per mezzo di sensori passivi e consistono di più immagini prelevate sulla stessa scena. Nel caso in cui il numero di immagini sia particolarmente elevato (nell ordine del centinaio) si parla invece di immagini iperspettrali. Le lunghezze d onda coinvolte sono quelle del visibile, del vicino infrarosso e, talvolta, anche quelle dell infrarosso termico. In ogni immagine (chiamata comunemente banda) ciascun pixel è associato al valore di luminanza (o meglio di riflettanza) a quella lunghezza d onda. La riflettanza di un oggetto R λ è definita dal rapporto R λ = L(λ)/H 0 (λ), dove H 0 (λ) è la radiazione solare incidente sull oggetto e L(λ) è la luminanza, cioè la radiazione riflessa rilevata dal sensore. I diversi valori di riflettanza nella banda del visibile dei vari oggetti sono percepiti come il colore proprio dell oggetto dall occhio umano e può essere considerata la firma spettrale dell oggetto nel dominio del visibile. In realtà una caratterizzazione dell oggetto (relativamente alla radiazione solare) è influenzata dalla riflettanza anche nel dominio del vicino infrarosso che contribuisce perciò ulteriormente alla capacità di discriminare i diversi tipi di oggetti. Nel caso multispettrale/iperspettrale la regione elementare in un immagine non sarà rappresentata quindi da un singolo valore di luminanza, bensì da un vettore di valori di luminanza corrispondenti a pixel omologhi

18 CAPITOLO 1. SISTEMI DI TELERILEVAMENTO 8 in immagini relative a diverse lunghezze d onda. Ogni immagine è digitalizzata, cioè resa discreta nello spazio (con una certa risoluzione spaziale dipendente dal sensore e dalla particolare applicazione) e a valori quantizzati, con una certa risoluzione radiometrica, associati ai pixel. La separazione tra le singole bande caratterizza poi la risoluzione spettrale. Nelle diverse bande cambia la risposta fra i possibili tipi di superficie terrestre, che riflettono e/o assorbono in modo diverso l energia solare, nonché, avendo diversa capacità termica, irradiano spontaneamente quantità di energia diverse. Analizzando quindi, la risposta rilevata dal sensore a diverse lunghezze d onda è possibile discriminare il diverso tipo di superficie. Un esempio di ciò è illustrato dalla figura 1.3 in cui si confrontano i comportamenti spettrali di acqua, terreno e vegetazione. Da essa si ha la conferma che il colore assunto dagli oggetti è relativo alla lunghezza d onda della radiazione solare che viene maggiormente riflessa. Figura 1.3: Comportamento di acqua (1), vegetazione (2) e terreno (3) nel visibile e nell infrarosso. Quanto più è elevato il numero di bande, tanto più precisa è la discriminazione tra i diversi tipi di superficie. Nella banda termica, essendo maggiore la lunghezza d onda, la risoluzione spaziale è meno accurata: è infatti necessario in questo caso una maggiore apertura per ricevere un segnale di energia sufficiente.

19 CAPITOLO 1. SISTEMI DI TELERILEVAMENTO 9 I sensori possono essere situati su satelliti o essere aviotrasportati. I sensori aviotrasportati godono del vantaggio di risentire meno degli effetti di attenuazione atmosferica, ma richiedono la programmazione del volo necessario per raccogliere informazioni su una data scena di interesse e risultano perciò più costosi. La scelta del numero di bande e della risoluzione spaziale è un parametro di progetto legato al fatto che l energia riflessa dalla terra è ovviamente finita. Questa energia va quindi suddivisa spazialmente sui singoli pixel e spettralmente sulle singole bande. La scelta va fatta tenendo conto della presenza del rumore inevitabilmente presente nel sensore. Così, un incremento indiscriminato di tali risoluzioni rischia di confondere il livello del segnale con quello del rumore. I parametri fondamentali (e correlati tra loro) del processo di raccolta delle informazioni sono quindi: La risoluzione spaziale; La risoluzione spettrale; Il rapporto segnale-rumore (SNR). Si osservi che se la potenza del segnale decresce, per mantenere la stessa risoluzione radiometrica, la risoluzione spaziale peggiora secondo una legge quadratica, mentre quella spettrale con una legge lineare. Ciò spiega il rapido sviluppo che ha avuto l approccio di tipo spettrale, rispetto a quello di tipo puramente spaziale. Naturalmente con il progredire della tecnologia, l incremento delle risoluzioni ha portato non solo a un elevato numero di bande, e quindi a immagini iperspettrali, ma anche a risoluzioni spaziali molto spinte e quindi a immagini ad alta risoluzione Il sistema di acquisizione multispettrale Generalizzando quanto detto in precedenza si può affermare che il sistema di acquisizione multispettrale [2, 3], è composto dalle seguenti parti come illustrato nella figura 1.4: La sorgente di radiazione (il sole); Il percorso nell atmosfera; La scena di interesse della superficie terrestre;

20 CAPITOLO 1. SISTEMI DI TELERILEVAMENTO 10 Il sensore. Figura 1.4: Il sistema di acquisizione nel caso multispettrale. Le informazioni potenzialmente utili sono relative alle variazioni spettrali, temporali e spaziali del campo. Ogni oggetto a temperatura superiore allo zero assoluto irradia, infatti, energia elettromagnetica. Inoltre può assorbire, trasmettere o riflettere parte della radiazione originata da fonti esterne che incidono su di esso. Quando la radiazione è assorbita l energia è convertita in calore e reirradiata ad altre lunghezze d onda. In ogni caso resta naturalmente valida la legge di conservazione dell energia che può essere espressa in questo caso come: ρ + α + τ =1, dove ρ, α e τ sono i rapporti rispettivamente dell energia riflessa, assorbita e trasmessa, rispetto a quella incidente. Nel nostro caso la sorgente è il sole, e come mostrato in figura 1.5, l illuminazione solare è particolarmente intensa nella banda del visibile. Si noti