Βασικές αρχές λειτουργίας του eCognition

Μέχρι πρόσφατα η χρήση της τηλεπισκόπησης και των προϊόντων της υπήρξε περιορισμένη κυρίως λόγω της αναντιστοιχίας μεταξύ των χαρακτηριστικών των προσφερόμενων προϊόντων και των απαιτήσεων του τελικού χρηστή για υψηλής θεματικής και χωρικής ακρίβειας προϊόντα. Αυτό εξηγεί το γεγονός ότι στις σημαντικότερες προσπάθειες συστηματικής καταγραφής των φυσικών πόρων χρησιμοποιούνται παραδοσιακές μέθοδοι όπως οπτική φωτοερμηνεία δορυφορικών εικόνων (Corine Land Cover) και εργασίες πεδίου (e.g. Natura 2000 Annex II habitat maps). Κατά την τελευταία δεκαετία ωστόσο υπήρξε μια θεαματική βελτίωση τόσο στην ποιότητα των προϊόντων τηλεπισκόπησης όσο και στην διαθεσιμότητα τους. Η νέα γενιά τηλεπισκοπικών δεδομένων πολύ υψηλής χωρικής και φασματικής ανάλυσης ουσιαστικά μετατρέπει το pixel από αντικειμενικό στόχο της φωτοερμηνείας σε απλό φορέα πληροφοριών. Πλέον το αντικείμενο της φωτοερμηνείας είναι η αναγνώριση γεωγραφικών οντοτήτων που αποτελούνται από μια ομάδα pixels με μια σχετική ομοιογένεια σε σχέση με τον περιβάλλων χώρο. Οι παραδοσιακές μέθοδοι ταξινόμησης που στηρίζονται στην ταξινόμηση κάθε pixel ανεξάρτητα από το περιβάλλον του (pixel oriented methods), δυσκολεύονται να χειριστούν τα νέα τύπου δεδομένα και να παράξουν προϊόντα φιλικά προς τον χρήστη και με τη μέγιστη δυνατή χωρική και θεματική ακρίβεια. Οδηγούν συχνά σε μια απεικόνιση του τοπίου με σημαντικό θόρυβο “salt and pepper result” , ενώ τα διάφορα post-classification φίλτρα που συχνά χρησιμοποιούνται περιορίζουν χωρίς να εξαλείφουν το πρόβλημα.

Η Trimble με το eCognition έρχεται να καλύψει την ανάγκη που έχει δημιουργηθεί από την νέα γενιά δεδομένων παρέχει στον χρήστη μια πλήρη σειρά εργαλείων για την αντικειμενοστραφή ανάλυση εικόνων (Object Oriented Image Analysis), που μπορεί να ικανοποιήσει τις ανάγκες τόσο του εξειδικευμένου και έμπειρου χρήστη όσο και του χρήστη που απλά χρησιμοποιεί είδη υπάρχουσες ρουτίνες και διαχειρίζεται μεγάλο όγκο δεδομένων.

Η Trimble υιοθετεί την ιδέα της πολυεπίπεδης διανυσματοποίησης της εικόνας όπου η ίδια εικόνα μπορεί να κατατμηθεί και να δημιουργηθούν αντικείμενα (Objects) σε περισσότερα από ένα επίπεδα τα όποια έχουν μεταξύ τους μια ιεραρχική δομή και συσχέτιση. Έτσι κάθε αντικείμενο γνωρίζει το περιεχόμενο του, τους γείτονες τους καθώς και τα υπο-αντικείμενα (sub-objects) και υπερ – αντικείμενα του (super-objects).

Multi-Scale Segmentation (MSS)

Η δημιουργία αντικειμένων (object primitives) με την ομαδοποίηση ομοιογενών pixels αποτελεί το πρώτο βήμα κάθε εφαρμογής της αντικειμενοστραφούς ταξινόμησης. Ο συνολικός αριθμός των παραγόμενων αντικειμένων καθώς και ο βαθμός ομοιογένειάς τους καθορίζονται από τον χρήστη με την κατάλληλη ρύθμιση των παραμέτρων της κατάτμησης. Η διαδικασία αυτή είναι συνεχής καθόλη τη διάρκεια της ανάλυσης και σκοπό έχει την τελική δημιουργία αντικειμένων που ανταποκρίνονται στις επιθυμητές γεωγραφικές οντότητες. Εκτός από τον αλγόριθμο MSS υπάρχουν τέσσερις ακόμη αλγόριθμοι που μπορούν να χρησιμοποιηθούν για την δημιουργία των κατάλληλων αντικειμένων.

Αντικειμενοστραφής Ταξινόμηση Εικόνας

Η τελική ταξινόμηση της εικόνας είναι ο αντικειμενικός στόχος κάθε ανάλυσης. Ένα από τα σημαντικότερα πλεονεκτήματα που προσφέρει το λογισμικό eCognition είναι η δυνατότητα ιεραρχικής ταξινόμησης όπου σε διαφορετικά επίπεδα αναγνωρίζονται διαφορετικές κλάσεις οι οποίες όμως έχουν μια ιεραρχική συσχέτιση μεταξύ τους. Το λογισμικό προσφέρει μια σειρά από δυνατότητες, αλγορίθμους και εργαλεία που υποβοηθούν τον χρήστη κατά την διαδικασία της ταξινόμησης και επιτρέπουν την ορθότερη και αντιπροσωπευτικότερη περιγραφή των κλάσεων που θα αναγνωριστούν.

Ταξινόμηση με την χρήση του αλγορίθμου Nearest Neighbor.

Ο συγκεκριμένος τύπος είναι ίσως ο απλούστερος και ταχύτερος τρόπος ταξινόμησης.  Στηρίζεται σε ένα σετ δεδομένων για την εκπαίδευση του ταξινομητή όπου περιέχεται επαρκής αριθμός αντιπροσωπευτικών αντικειμένων για κάθε κλάση. Σε κάθε μη ταξινομημένο αντικείμενο επισυνάπτεται μια τιμή από 0 έως 1 (ασαφής λογική; Fuzzy logic) )που αφορά την πιθανότητα να ανήκει σε μια συγκεκριμένη κλάση (membership value).  Όσο πιο κοντά, στον πολυδιάστατο χώρο, βρίσκεται ένα αντικείμενο σε ένα αντικείμενο-δειγμα τόσο μεγαλύτερη είναι η πιθανότητα ταξινόμησής του στην κλάση του δείγματος. Ο πολυδιάστατος χώρος εφαρμογής του Nearest Neighbor καθορίζεται από τον χρήστη και έχει τόσες διαστάσεις όσες και ο αριθμός των χαρακτηριστικών (Features) που επιλέγονται για τον ορισμό του.

Ταξινόμηση με την χρήση Membership Functions

Υιοθετώντας και πάλι ασαφής λογική κάθε κλάση περιγράφεται μέσα από μια ή περισσότερες συναρτήσεις που αφορούν ένα η περισσότερα χαρακτηριστικά αντίστοιχα. Κάθε αντικείμενο ελέγχεται ως προς την πιθανότητα ένταξής του σε κάθε μια από τις κλάσεις μέσα από την εφαρμογή των συναρτήσεων που περιγράφουν αυτές. Από τον έλεγχο αυτόν προκύπτει η membership value του αντικειμένου σε κάθε μια από τις περιγραφόμενες κλάσεις και εντάσσεται τελικά σε αυτήν για την οποία συγκεντρώνει την μεγαλύτερη τιμή.

Επιλογή χαρακτηριστικών για την περιγραφή των κλάσεων ή/και του Nearest Neighbor

Το Πακέτο αντικειμενοστραφούς ανάλυσης εικόνας της Definiens  προσφέρει μια ευρεία γκάμα χαρακτηριστικών που μπορούν να χρησιμοποιηθούν κατά την διαδικασία της ταξινόμησης. Αυτά μπορούν να αφορούν τις φασματικές πληροφορίες της εικόνας όπως αυτές προσδιορίζονται για το κάθε αντικείμενο, το σχήμα του αντικειμένου, την δομή του, την σχετική του θέση στο ιεραρχικό σύστημα ταξινόμησης, την συσχέτιση του με υπό-αντικείμενα υπέρ-αντικείμενα και γειτονικά αντικείμενα η και χαρακτηριστικά που προκύπτουν από συνδυασμό των παραπάνω σύμφωνα με τις απαιτήσεις και την εμπειρία του χρήστη.

Ένα από τα σημαντικότερα ίσως πλεονεκτήματα του πακέτου είναι η δυνατότητα ενσωμάτωσης τόσο στην διαδικασία της ταξινόμησης όσο και στην διαδικασία δημιουργίας των αντικειμένων (Segmentation) εξωτερικών πληροφοριών που δεν σχετίζονται ούτε με την υπό ταξινόμηση εικόνα ούτε με την ιεραρχική δομή της ταξινόμησης. Οι πληροφορίες αυτές εισάγονται στο σύστημα είτε με την μορφή Raster δεδομένων, όπως π.χ. ένα Ψηφιακό Μοντέλο Εδάφους (DTM), είτε με την μορφή θεματικών χαρτών (shapefiles) όπως π.χ. παλαιότερες καταγραφές, χάρτες υποδομών, χάρτες που περιγράφουν την εποχική αλλαγή των χαρακτηριστικών του τοπίου (πλημμυρικά φαινόμενα) κ.λ.π.

Η επιλογή των κατάλληλων χαρακτηριστικών για την περιγραφή των κλάσεων εξαρτάται σε μεγάλο βαθμό από την εμπειρία του χρήστη ωστόσο το πακέτο προσφέρει μια σειρά από εργαλεία που μπορούν να υποβοηθήσουν στην καταλληλότερη επιλογή των χαρακτηριστικών.
Τα σημαντικότερα από αυτά είναι:
O Sample Editor όπου απεικονίζεται η σχετική θέση των αντικειμένων-δειγματων πάνω στο εύρος του κάθε χαρακτηριστικού. Συγκρίνοντας τις κλάσεις μεταξύ τους και ανά ζεύγη μπορεί να προκύψει ένας συνδυασμός χαρακτηριστικών με την καλύτερη δυνατή διαχωριστική ικανότητα. Επίσης μπορεί να χρησιμοποιηθεί για τον αυτόματο υπολογισμό των membership functions
Τα γραφήματα απεικόνισης χαρακτηριστικών (2D Feature plots), όπου απεικονίζεται η θέση όλων των αντικειμένων  σε έναν δισδιάστατο χώρο που καθορίζεται από τα επιλεγμένα κάθε φορά χαρακτηριστικά
Tο Feature Space optimization tool όπου με τρόπο αυτοματοποιημένο επιλέγεται από ένα ευρύ σύνολο το επιμέρους πλήθος των χαρακτηριστικών που επιτυγχάνουν τον καλύτερο δυνατό διαχωρισμό είτε του συνόλου των κλάσεων είτε ενός υποσύνολου αυτών.

Παράλληλα η δυνατότητα εξαγωγής των αντικειμένων (export) σε οποιοδήποτε σημείο της ανάλυσης επιτρέπει την χρησιμοποίηση μιας πιο εξειδικευμένης στατιστικής μεθόδου όπως Canonical Variate Analysis, Factor Analysis και Logistic Regression για την εύρεση των κατάλληλων χαρακτηριστικών για των διαχωρισμό των κλάσεων.

Process Tree

Το σύνολο των αλγορίθμων που χρησιμοποιούνται σε όλη την διαδικασία της ανάλυσης για την δημιουργία του συνόλου των κανόνων (Ruleware) επεξεργασίας της εικόνας εισάγονται με την μορφή ενός Process Tree.Ο χρήστης μπορεί να επανέλθει σε οποιοδήποτε σημείο της διαδικασίας τροποποιώντας τις παραμέτρους επιτυγχάνοντας έτσι το καλύτερο δυνατό τελικό αποτέλεσμα. Το σύνολο αυτό των κανόνων μπορεί να αποτελέσει μια βασική ρουτίνα επεξεργασίας η οποία επαναλαμβάνεται όταν πρόκειται να επεξεργαστεί ένας μεγάλος όγκος παρόμοιων δεδομένων χωρίς να είναι απαραίτητη η επαναδημιουργία της. Έτσι όταν π.χ. η ταξινόμηση αφορά μια ευρύτερη γεωγραφική περιοχή μπορεί το σύνολο των κανόνων να δημιουργηθεί για ένα αντιπροσωπευτικό τμήμα της και να εφαρμοστεί για το σύνολο της περιοχής, είτε τμηματικά είτε στο σύνολο της μειώνοντας σημαντικά τόσο τον χρόνο επεξεργασίας όσο και τα απαιτούμενα χαρακτηριστικά της μονάδας επεξεργασίας.

Εξαγωγή των αποτελεσμάτων (Export Results)

Η εξαγωγή των αποτελεσμάτων μπορεί να γίνει είτε σε μορφή Raster είτε σε μορφή Vector (shapefiles) και να χρησιμοποιηθούν σε ένα Γεωγραφικό Σύστημα Πληροφοριών χωρίς καμιά περεταίρω επεξεργασία. Το στοιχειό αυτό είναι ιδιαίτερα σημαντικό καθώς κατά κανόνα ο τελικός χρήστης είναι περισσότερο εξοικειωμένος με ένα Vector παρά με ένα Raster περιβάλλον. Όταν τα αποτελέσματα εξάγονται με την μορφή Vector μπορούν παράλληλα να συνοδεύονται από ένα πλήθος χαρακτηριστικών των αντικειμένων καθοριζόμενο από τον χρήστη που πιθανόν να χρησιμοποιηθεί σε κάποιο στάδιο χρήσης των αποτελεσμάτων.