Η παρούσα διδακτορική διατριβή ασχολείται με το πρόβλημα της ταξινόμησης κάλυψης γης από τηλεπισκοπικές εικόνες. Μια πρόσφατα υποσχόμενη μέθοδος είναι η θεώρηση της χωρικής πληροφορίας που υπάρχει στην εικόνα μέσω της λεγόμενης αντικειμενοστραφούς προσέγγισης, εφαρμόζοντας δηλαδή κάποια μέθοδο κατάτμησης εικόνας. Σε αυτό το πλαίσιο, προτείνεται στη διατριβή ένας καινοτόμος αλγόριθμος κατάτμησης με την ονομασία GeneSIS, ο οποίος εφαρμόζεται σαν μέθοδος μετα-επεξεργασίας επάνω στο αποτέλεσμα ενός ταξινομητή βασισμένου σε εικονοστοιχεία. Αυτό επιτυγχάνεται εκμεταλλευόμενο τις δυνατότητες των μεθόδων υπολογιστικής νοημοσύνης, όπως είναι η ασαφής λογική και οι γενετικοί αλγόριθμοι. Ο αλγόριθμος GeneSIS παράγει ένα μοναδικό χάρτη κατάτμησης, αντί για μια ιεραρχία αποτελεσμάτων, επιλύοντας το ζήτημα της πολλαπλής κλίμακας σε μια εκτέλεση. Ο προτεινόμενος αλγόριθμος κατάτμησης ενσωματώνεται σε τέσσερα διαφορετικά σχήματα ταξινόμησης, το καθένα εκ των οποίων προσπαθεί να αντιμετωπίσει το ζήτημα της κατάτμησης υπό διαφορετική σκοπιά. Το πρώτο σχήμα εφαρμόζεται πάνω σε στο επίπεδο των εικονοστοιχείων, ενώ το δεύτεροεφαρμόζεται πάνω σε έναν ήδη κατακερματισμένο χάρτη. Στην τρίτη μεθοδολογία, η συνολική διαδικασία αποσυντίθεται στη διαδοχική και ανεξάρτητη εξαγωγή μεμονωμένων κλάσεων και τα αποτελέσματα που προκύπτουν συνδυάζονται σε μετέπειτα στάδιο. Τέλος, το τέταρτο προτεινόμενο σχήμα συνδυάζει τις ιδιότητες του GeneSIS με τις αρχές των αλγορίθμων επέκτασης περιοχών, με στόχο να επιταχύνει τη διαδικασία κατάτμησης διατηρώντας παράλληλα υψηλές ακρίβειες ταξινόμησης. Τα προτεινόμενα σχήματα εφαρμόστηκαν σε ένα ποικίλο σύνολο τηλεπισκοπικών εικόνων διαφορετικού περιεχομένου (αγροτικές,δασικές,αστικές) που προήλθαν από διαφορετικούς αισθητήρες με διαφορετική χωρική και φασματική ανάλυση.
This doctoral dissertation deals with the problem of land cover classification fromremote sensing images. A recently promising method is to consider the spatial informationexisting in the image, through the so called object-based approach, i.e. by applyingan image segmentation algorithm. In this context, a novel segmentation algorithm,called GeneSIS, is proposed in this dissertation, which refines the classification resultobtained initially by a pixel-wise classifier. This is achieved by exploiting the capabilitiesof computational intelligence methods, such as fuzzy logic and genetic algorithms.The GeneSIS algorithm creates a unique segmentation map, instead of a hierarchy, resolvingthe multi-scale problem in a single run. The proposed segmentation algorithmis embedded in four different classification schemes, each of which tries to address thesegmentation issue from a different point of view. The first scheme is applied on a pixelbasedmap, while the second one is applied on an already fine segmented map. Thethird methodology decomposes the overall process into a successive and independentextraction of unique classes and combines the obtained results at a subsequent stage.Finally, the fourth proposed scheme combines the properties of GeneSIS with the principlesof region growing algorithms, with the goal to boost the segmentation processwhile retaining high classification accuracies. The proposed schemes have been appliedto a diverse set of remote sensing images (agricultural,forest,urban) emanating fromdifferent sensors with variable spectral and spatial resolution.
Εθνικό Κέντρο Τεκμηρίωσης και Ηλεκτρονικού Περιεχομένου (ΕΚΤ)
