IMAGINE Objective. Il Futuro per l Estrazione di Informazioni, la Classificazione e le Mappe di Cambiamento

Transcript

1 IMAGINE Objective Il Futuro per l Estrazione di Informazioni, la Classificazione e le Mappe di Cambiamento

2 IMAGINE Objective consente la classificazione ad oggetti e multi-scala di immagini, insieme ad elevate capacità di estrazione di informazioni specifiche (feature), per creare e mantenere aggiornati dati geospaziali con elevata affidabilità ed accuratezza. Con IMAGINE Objective, immagini ed ogni genere di dato geospaziale possono essere analizzati per produrre mappe GIS-ready. Rivolto ai Problemi delle Aziende Nel mondo, i dipartimenti GIS e le istituzioni dedicate alla generazione di mappe, investono buona parte dei loro ricavi nella creazione e, aspetto forse ancora più importante, nel mantenimento dei loro database geospaziali. Poiché la superficie terrestre è in continuo cambiamento, anche la mappa più precisa deve essere aggiornata o sostituita regolarmente. Tradizionalmente, la raccolta e l'aggiornamento di informazioni geospaziali viene fatta attraverso una laboriosa digitalizzazione manuale (per esempio per le fotografie aeree) ed ispezioni post produzione, entrambe con costi elevati. Informazioni più complete ed accurate aumentano il valore e la semplicità dell'analisi. Le immagini telerilevate, siano esse da aereo o da satellite, possono rappresentare una ricca fonte di informazioni aggiornate e tempestive, se vengono convertite con facilità in informazioni direttamente utilizzabili. Questa trasformazione di dati in informazioni rilevanti e confezionate su misura, fornisce beneficio a numerose tipologie di clienti: Le Istituzioni governative locali mappando in modo accurato e costante la crescita urbana (ad esempio strade ed edificato) possono gestire un valido database geospaziale destinato a organismi di competenza, dipartimenti fiscali, pianificatori, etc. In caso di disastri, ad esempio, è possibile identificare rapidamente la posizione delle abitazioni danneggiate ed altre infrastrutture, attività fondamentale per minimizzare la perdita di vite umane e supportare gli operatori della Protezione Civile negli sforzi per il recupero. Le Organizzazioni e le Istituzioni in ambito forestale possono meglio stimare i mix di specie, la resa potenziale e l impatto ambientale. Le Agenzie di Stato possono gestire meglio i diritti di accesso ed erogazione dell acqua, mappando i confini dei campi agricoli e le tipologie di coltivazione. I Valutatori fiscali possono mappare con maggiore precisione superfici impervie ed incroci di proprietà sulle particelle catastali, incrementando l accuratezza sul calcolo delle relative tassazioni e promuovendo una migliore pianificazione Le Compagnie di servizi di pubblica utilità possono identificare e mappare, per esempio, la posizione di pozzetti lungo la rete fognaria cittadina. Capita spesso, infatti, che quando queste strutture siano installate su lunghi periodi e da differenti soggetti, molte compagnie di servizi possiedano registrazioni storiche non accurate o incomplete.

3 Figura 1: La struttura di base di un feature model che mostra il procedimento lineare con cui i dati sono analizzati. Gli Operatori sono progettati come plug-in, così da poter essere aggiunti più facilmente quando richiesto da specifici scenari. Automatizzare i flussi di lavoro Originariamente, i flussi di lavoro (workflow) erano svolti in maniera manuale. Da allora sono stati fatti molti tentativi per cercare di automatizzare le operazioni nell'analisi d'immagini telerilevate. Questi tentativi spesso hanno avuto successo limitato, specialmente man mano che la risoluzione delle immagini è aumentata ed anche la scala di copertura richiesta. Grazie alle recenti innovazioni nelle tecnologie geospaziali, oggi i flussi di lavoro possono essere automatizzati con successo. Quando il satellite Landsat è stato lanciato con successo più di 30 anni fa, si annunciava una nuova era di mappatura automatica della superficie terrestre. Tuttavia, le immagini e quindi i dati geospaziali che da esse derivavano, erano di risoluzione relativamente bassa e quindi furono limitate ad applicazioni di piccola scala. L'analisi di tali immagini inoltre era ristretta agli "esperti di remote sensing". Allo stesso modo, le tecniche di classificazione supervisionate e non supervisionate tradizionali, sviluppate per estrarre informazioni da questo tipo di immagini, erano limitate alle basse risoluzioni. Le fonti odierne d immagini a più alta risoluzione (intendendo principalmente quelle con dimensioni del pixel inferiore ad 1 metro, quali quelle dai satelliti IKONOS, QuickBird o WorldView o quelle da riprese aeree) non soffrono del fenomeno dei "pixel misti" delle immagini a più bassa risoluzione e quindi non sussistono le condizioni statistiche che devono essere soddisfatte per le classificazioni tradizionali non e supervisionate. Per questo sono necessarie tecniche più avanzate per analizzare le immagini ad alta risoluzione, necessarie per creare e mantenere aggiornate mappe a larga scala e database geospaziali. Le migliori tecniche per risolvere tale problema analizzano le immagini sulla base di oggetti, in contrasto a quelle basate sui pixel.

4 Estrazione di Feature e Strumenti di Classificazione Intuitivi IMAGINE Objective include un innovativo insieme di strumenti per l'estrazione di feature, l'aggiornamento e le change detection, permettendo di creare e gestire strati di dati geospaziali utilizzando immagini telerilevate. Questa tecnologia supera i limiti del processamento di immagini mediante la "computer vision" tradizionale, attraverso l'uso di differenti livelli di pixel ed il reale processamento ad oggetti, fondamentalmente simulando il sistema di visione umana di interpretazione delle immagini. Adatto in pari misura ad operatori esperti e non, IMAGINE Objective contiene un'ampia varietà di potenti strumenti. Per gli esperti di remote sensing e territorio, IMAGINE Objective include un sistema desktop di authoring per la creazione e l'esecuzione di metodologie per l'estrazione di specifiche feature (edifici, strade, ecc.) o l'estrazione della copertura del suolo (come il tipo di vegetazione). Altri utenti possono modificare e applicare esempi già esistenti di tali metodologie, sui propri dati. L'interfaccia utente permette agli esperti di mettere a punto modelli (feature model) per estrarre un tipo specifico di feature da un tipo specifico di immagine. Per esempio, la determinazione delle linee dei centri delle strade mediante immagini da satellite a colori-infrarosso (CIR) a 60cm, richiede un feature model specifico, basato sull'individuazione di una serie di elementi basati sull'immagine. La generazione dei footprint a partire da fotografie aeree a colori reali da 6 pollici e da modelli di superficie LIDAR, richiede un feature model differente. Per coloro che sono familiari con le capacità esistenti di ERDAS IMAGINE, si può fare un'analogia con il Model Maker, con la sua capacità di permettere a utenti esperti di costruire graficamente il proprio modello spaziale utilizzando i blocchi forniti dall'interfaccia. Gli utenti meno esperti possono semplicemente utilizzare i Feature Models forniti fra gli esempi o quelli costruiti dagli esperti, applicandoli così come sono o modificandoli attraverso l'interfaccia utente. Pur essendo simile all'approccio di IMAGINE Expert Classifier, la costruzione e l'utilizzo dei feature model all'interno di IMAGINE Objective è più semplice e potente. La costruzione di un feature model è più lineare ed intuitivo per gli esperti. Inoltre, il supporto all'apprendimento supervisionato (supervised training) e all'apprendimento probatorio (evidential learning) del classificatore stesso, fa si che i feature model, una volta costruiti, siano più facilmente trasferibili ad altre immagini. L approccio di ERDAS, in fase di brevetto, utilizza una combinazione unica di intelligenza artificiale, computer vision e processamento tradizionale di immagini, con le tecnologie di telerilevamento. Il risultato è che gli algoritmi sono in grado non solo di estrarre i contorni dai raster (raster contouring, quindi con i tipici bordi a scalini ), ma permettono anche il processamento a livello di oggetti e di vettori, per ottenere una forma precisa e spazialmente coerente per ogni feature. In questo modo il risultato ottenuto sarà pronto per i sistemi GIS (GIS-ready), generando ad esempio strade smussate o edifici squadrati. Perciò il risultato può essere direttamente importato in un GIS con un post-processing minimo e rifletterà accuratamente il contenuto dell immagine. Gli output possibili includono vettori dai contorni puliti e auto-attribuzione di poligoni con misure di probabilità, permettendo la ricerca di risultati dubbi per i controlli di qualità.

5 Figura 2: L interfaccia utente di IMAGINE Objective, che mostra un feature model progettato per estrarre la posizione dei footprint degli edifici in una forma GIS-ready per minimizzare il post-processing e l editing manuale IMAGINE Objective è fornito con numerosi esempi pre-definiti di Feature Model per la classificazione delle immagini e l estrazione delle feature. Tali modelli possono essere velocemente adattati per lavorare sui propri dati. Gli utenti possono anche crearsi i propri Feature Model per risolvere differenti problemi o scenari non ancora trattati negli esempi. La Metodologia di IMAGINE Objective Offre feature model aperti, modificabili ed estensibili. In pratica, il classificatore può essere raffinato sulle specifiche circostanze dell immagine analizzata quando i risultati iniziali non sono soddisfacenti. Un approccio realmente orientato agli oggetti fa si che, oltre alle proprietà spettrali utilizzate, sono misurabili anche le componenti spaziali che quindi possono essere utilizzate nel motore di processamento Permette l estrazione di feature discrete (per esempio dove si trovano gli edifici) e l estrazione multiclasse (classificazione wall to wall ), fornendo strumenti flessibili per differenti scenari di problematiche Permette l estrazione di feature discretizzate con la possibilità di includere nel modello operatori di clean-up, utili a produrre un output idoneo all immissione in un GIS con un minimo post-processing (edifici squadrati, strade smussate e senza interruzioni, contorni di aerei, ecc.) Integrandosi con ERDAS IMAGINE, il modulo Objective fornisce una suite completa di strumenti di editing vettoriale per ulteriori clean-up e modifiche. Questa integrazione fornisce un processo di estrazione delle feature end-to-end in un unico pacchetto integrato. Altri flussi di lavoro invece, spesso richiedono passaggi che devono essere eseguiti su software differenti e quindi con il rischio inerente di perdita d informazioni ed efficienza

6 Figura 3: L interfaccia utente di IMAGINE Objective, che mostra un feature model progettato per identificare la posizione di un particolare tipo di aereo. Utilizza strati informativi ancillari (data fusion) tipo pendenza, esposizione, LIDAR, tessitura ecc. unitamente alle capacità, inerenti ad un approccio basato sugli oggetti, di utilizzare la misura delle forme, la prossimità e l associazione di oggetti, Questo porta ad un incremento dell accuratezza nell estrazione delle feature Identifica e mappa i cambiamenti fra layer vettoriali esistenti e le immagini più recenti Sfrutta le caratteristiche di tutte le immagini telerilevate, incluse le immagini pancromatiche, multispettrali, iperspettrali, SAR, LIDAR, ecc. Estrae feature e classi basandosi sulle misure utilizzate per identificarle ed includendo anche la probabilità finale di appartenenza alla classe assegnata. Ciò favorisce una più immediata validazione dei risultati finali e successive analisi delle problematiche. Fornisce la possibilità di realizzare prototipi di nuovi feature model e di testarli su una finestra selezionata dall utente (anche se gli elementi di training si trovano al di fuori dell area considerata), per un rapido perfezionamento e quindi applicare il modello definitivo all intero data set (o a differenti data set) Funziona con licenza floating come standard e ciò consente di ottimizzare l utilizzo del software all interno delle strutture. Copyright 2008 ERDAS, Inc. L immagine satellitare in falsi colori in copertina è Digitalglobe, Inc. Planetek Italia s.r.l. è unico distributore in Italia dei prodotti software della famiglia ERDAS. Tel , planetek.it Per ulteriori informazioni visita pkm