POTENCJAŁ INTERPRETACYJNY ZDJĘĆ WYSOKOROZDZIELCZYCH WPŁYW METODY ŁĄCZENIA DANYCH MS I PAN NA WARTOŚĆ INTERPRETACYJNĄ ZDJĘĆ VHR

Transkrypt

1 POTENCJAŁ INTERPRETACYJNY ZDJĘĆ WYSOKOROZDZIELCZYCH WPŁYW METODY ŁĄCZENIA DANYCH MS I PAN NA WARTOŚĆ INTERPRETACYJNĄ ZDJĘĆ VHR Streszczenie Katarzyna Osińska-Skotak Politechnika Warszawska Instytut Fotogrametrii i Kartografii Plac Politechniki 1, Warszawa K.Osinska-Skotak@gik.pw.edu.pl W niniejszym opracowaniu zaprezentowano wyniki prac związanych z kompleksową oceną jakości algorytmów łączenia zdjęć wielospektralnych MS i panchromatycznych PAN, wbudowanych w ogólnodostępne pakiety oprogramowania, takich jak: ERDAS Imagine, PCI Geomatica oraz ENVI. Ocenie jakościowej poddane zostały obrazy wynikowe, uzyskane przy zastosowaniu różnych metod łączenia zdjęć o różnej rozdzielczości przestrzennej i spektralnej. Do określenia jakości spektralnej i przestrzennej obrazów przetworzonych wykorzystano m.in. współczynniki korelacji, wskaźnik jakości spektralnej Q oraz ERGAS. 1. Wstęp W ciągu ostatnich kilku lat nastąpił wyraźny rozwój wysokorozdzielczych technik satelitarnych. Na orbity okołoziemskie wprowadzono satelity nowej generacji, które umożliwiają dokonywanie rejestracji obrazów o metrowej a nawet blisko półmetrowej wielkości piksela. Są to jednak monochromatyczne dane panchromatyczne, niosące informacje w jednym stosunkowo szerokim zakresie spektralnym. Ich niewątpliwym atutem jest wysoka rozdzielczość przestrzenna. Aby jak najlepiej wykorzystać potencjał interpretacyjny zdjęć satelitarnych panchromatycznych i wielospektralnych bardzo często stosuje się procedury obliczeniowe pozwalające na dokonanie łączenia (z ang. image fusion lub image merge) wysokorozdzielczych zdjęć panchromatycznych ze zdjęciem wielospektralnym o niższej rozdzielczości przestrzennej ale większej rozdzielczości spektralnej. W efekcie uzyskuje się obraz wielospektralny o wyższej rozdzielczości przestrzennej. Metod pozwalających na dokonanie tego rodzaju łączenia jest bardzo dużo, ale mimo to nieustannie trwają prace nad stworzeniem coraz lepszych algorytmów. Część z istniejących algorytmów umożliwia uzyskanie dobrego materiału w sensie wizualnym ale nie pozwala na zachowanie walorów spektralnych źródłowego zdjęcia wielospektralnego, co np. znacznie utrudnia wykonanie klasycznej klasyfikacji cyfrowej. Problemem przy łączeniu danych o różnej rozdzielczości przestrzennej i spektralnej jest zachowanie zarówno czynnika spektralnego, jak i czynnika przestrzennego. Prace związane z tym tematem trwają na całym świecie. Pojawiają się nowe algorytmy lub odmiany już znanych metod, ale są one na ogół nadal w fazach prac badawczych albo wymagają dużego udziału użytkownika i ich zautomatyzowanie jest utrudnione. Inną kwestią jest również fakt, iż dotychczasowo stosowane algorytmy projektowano dla danych panchromatycznych rejestrowanych w węższym przedziale widma (0,5-0,7 m), a najnowsze systemy satelitarne o bardzo dużej rozdzielczości przestrzennej VHR (QuickBird, IKONOS, OrbView) rejestrują zdjęcia panchromatyczne w zakresie fal 0,45-0,90 m, a więc obejmują również bliską podczerwień, co nie pozostaje bez znaczenia na proces łączenia zdjęć PAN i MS.

2 W celu operacyjnego wykorzystania wysokorozdzielczych zdjęć satelitarnych dla różnych zastosowań ważne jest przeprowadzenie analizy, określającej przydatność różnych metod łączenia danych satelitarnych przy interpretacji wizualnej bądź dla wykorzystania automatycznych lub półautomatycznych metod klasyfikacji zdjęć wielospektralnych. Nie każda bowiem metoda łączenia danych PAN i MS umożliwia poprawne przeprowadzenie klasyfikacji cyfrowej w sposób klasyczny, gdzie istotne jest aby radiometryczne i spektralne cechy obrazu wynikowego były zachowane w stosunku do danych wejściowych.. Obszary testowe Badania przeprowadzono na trzech obszarach testowych: BARTOSZYCE, ŁOWICZ, WARSZAWA, które charakteryzują się różną strukturą przestrzenną oraz różnorodnym pokryciem i użytkowaniem terenu. Obszar testowy BARTOSZYCE (Rysunek 1b) stanowi teren o strukturze agrarnej skonsolidowanej wielkoobszarowej. Pola siewne są różnej wielkości (nawet do 5 ha), mają różnorodne wymiary i kształty ale bardzo rzadko występują pola o wydłużonym kształcie, tak bardzo charakterystyczne m.in. dla Niziny Mazowieckiej. Drugi wybrany obszar testowy ŁOWICZ (Rysunek 1a) jest to teren charakteryzujący się rozdrobnioną strukturą agrarną. Średnie gospodarstwo rolne w tym regionie ma powierzchnię od ha do 4 ha, natomiast pola siewne są na ogół niewielkich rozmiarów (od 0,4 ha do 1 ha). Często są one wąskie i bardzo wydłużone. Trzecim obszarem badawczym (Rysunek 1c) jest centralna część miasta Warszawa o zróżnicowanej strukturze zabudowy oraz różnym udziale terenów miejskiej zieleni urządzonej oraz zieleni osiedlowej. Wszystkie analizowane obszary testowe charakteryzują się niewielkimi deniwelacjami. Jedynie w dolinach rzecznych występują skarpy o znacznych deniwelacjach. a) ŁOWICZ b) BARTOSZYCE c) WARSZAWA Rysunek 1: Fragmenty obszarów testowych przedstawione w formie kompozycji barwnej w barwach naturalnych ze zdjęć QuickBird w tej samej skali. We wszystkich przypadkach analizie podlegały sceny satelitarne zarejestrowane z pokładu satelity QuickBird w 003 i 004 roku. Jedna ze scen pozyskana została 11 maja 004 r. i obejmowała swoim zasięgiem teren Niziny Mazowieckiej w okolicach Łowicza, natomiast drugą ze scen, obejmującą obszar północno-wschodniej Polski w okolicach

3 Bartoszyc, zarejestrowano w dniu 0 kwietnia 004 r. Trzecia scena satelitarna, obrazująca obszar Warszawy, pozyskana została 4 maja 003 r. Taki wybór scen satelitarnych pozwala na dokonanie stosunkowo obiektywnej analizy jakości wyników uzyskiwanych przy pomocy poszczególnych algorytmów łączenia danych PAN i MS, ponieważ mamy do czynienia ze zdjęciami zarejestrowanymi z jednego systemu satelitarnego (dokładnie te same zakresy spektralne danych panchromatycznych i wielospektralnych) i o tej samej porze roku. 3. Metody łączenia zdjęć PAN i MS W połowie lat 80-tych XX wieku, po wprowadzeniu na orbitę okołoziemską satelity SPOT 1, zwrócono bardzo dużą uwagę na procedury łączenia danych panchromatycznych i wielospektralnych (Zhang, 004). System SPOT 1 pozyskiwał zdjęcia wielospektralne w trzech zakresach promieniowania o rozdzielczości przestrzennej 0x0 m oraz zdjęcia panchromatyczne z rozdzielczością 10x10 m. Wówczas to o tych zdjęciach mówiono, że są wysokorozdzielcze. Ważną cechą zdjęć SPOT PAN było i jest nadal to, iż w zakresie panchromatycznym rejestrowane jest faktycznie tylko promieniowanie widzialne (0,51-0,73 m). Algorytmy projektowane specjalnie dla tych zdjęć działają odmiennie dla zdjęć panchromatycznych, obejmujących również zakres bliskiej podczerwieni (np. QuickBird, IKONOS). Rejestrowanie tego zakresu na zdjęciach panchromatycznych powoduje wzrost kontrastu, rozjaśnienie obszarów roślinnych oraz podkreślenie cieni rzucanych przez obiekty. Powszechnie dostępne komercyjne oprogramowanie służące do przetwarzania zdjęć satelitarnych i lotniczych (m.in. ERDAS Imagine, PCI Geomatica, ENVI) ma wbudowane standardowe algorytmy łączenia zdjęć panchromatycznych i wielospektralnych. Część z nich, jak się okazało w wyniku przeprowadzonych badań, nie jest jeszcze w pełni dostosowana do przetwarzania danych zapisanych na większej - niż 8 - ilości bitów (dane QuickBird zapisywane są w formacie 11-bitowym). W zależności od obszaru badań różne metody łączenia zdjęć PAN i MS dają nieco odmienne wyniki. Niektóre metody można uznać za bardzo dobre dla celów interpretacyjnych na terenach wiejskich, inne zaś do interpretacji terenów zurbanizowanych, a jeszcze inne można polecić dla opracowania cyfrowej klasyfikacji pokrycia terenu przy zastosowaniu podejścia klasycznego, w którym podstawą są właściwości spektralne poszczególnych obiektów naziemnych. W niniejszym opracowaniu dokonano kompleksowej analizy metod łączenia zdjęć satelitarnych o różnej rozdzielczości przestrzennej i spektralnej, które znajdują się w ogólnodostępnym oprogramowaniu ERDAS Imagine 8.7, PCI Geomatica 9 oraz ENVI Porównaniu podlegały następujące metody łączenia zdjęć PAN i MS: transformacja składowych głównych PC, transformacja falowa WT (z ang. wavelet transform), transformacja RGB-IHS-RGB, metoda mnożnikowa (z ang. multiplicative), transformacja Brovey a, normalizacja kolorów CN (z ang. color normalized), metoda Gram a-schmidt a, metoda Zhang a. 1 Szczegółowe informacje o poszczególnych algorytmach oraz odwołanie do stosownej literatury można znaleźć w podręcznikach użytkownika wymienionego oprogramowania i wielu publikacjach na ten temat

4 Generalnie algorytmy łączenia zdjęć panchromatycznych i wielospektralnych można podzielić na metody wykorzystujące: transformację przestrzeni kolorów (transformacja RGB- IHS-RGB), działania arytmetyczne (np. transformacja Brovey a, metoda mnożnikowa) lub analizę statystyczną (np. transformacja PC). Większość z wymienionych powyżej metod umożliwia przetwarzanie danych wielospektralnych i panchromatycznych niezależnie od liczby rejestrowanych zakresów spektralnych. Możliwe jest wykonanie przetworzenia dla wszystkich danych lub jedynie dla wybranych zakresów spektralnych (transformacja PC, transformacja falowa, metoda mnożnikowa, metoda Gram a-schmidt a, metoda Zhang a). Transformacja Brovey a oraz transformacja RGB-IHS-RGB pozwalają natomiast na przetworzenie jedynie trzech wybranych zakresów spektralnych. Wybór tych zakresów uzależniony jest głównie od dalszego zastosowania wyników przetworzenia cyfrowego. Jeśli celem jest interpretacja roślinności to do procesu łączenia wysokorozdzielczych danych PAN i MS wykorzystywane są zakresy promieniowania zielonego, czerwonego oraz bliska podczerwień. Jeśli zaś prace prowadzone są dla obszarów zabudowanych to poleca się wykorzystanie zakresów promieniowania widzialnego, dzięki czemu unika się silnego podkreślenia cieni, co ma miejsce przy uwzględnieniu promieniowania podczerwonego. W przypadku metod o charakterze statystycznym (np. transformacja PC) bardzo duże znaczenie mają dane wejściowe. Jeżeli do przetwarzania cyfrowego wykorzystamy wszystkie rejestrowane dane, uzyskamy odmienne wyniki niż w przypadku zastosowania trzech wybranych zakresów spektralnych. Rozważając teoretycznie wyniki transformacji PC dla zdjęć QuickBird można przypuszczać, że lepsze wyniki powinniśmy uzyskać dla procesu łączenia zdjęć panchromatycznych oraz zakresów promieniowania: zielonego, czerwonego i bliskiej podczerwieni niż przy łączeniu z zakresami promieniowania widzialnego: niebieskim, zielonym i czerwonym. Wynika to z faktu, iż zdjęcie panchromatyczne QuickBird obejmuje również bliską podczerwień. 4. Ocena jakości wyników metod łączenia zdjęć PAN i MS 4.1. Metody oceny jakości wyników łączenia zdjęć PAN i MS W celu porównania algorytmów łączenia zdjęć satelitarnych panchromatycznych i wielospektralnych oraz ich przydatności dla różnych celów przeprowadzono analizę pod kątem dokonywania wizualnej interpretacji i możliwości identyfikacji poszczególnych obiektów terenowych oraz analizę w kontekście wykonywania klasyfikacji cyfrowej w podejściu klasycznym. Analizując dokładniej te same metody, które znajdują się w poszczególnych oprogramowaniach okazało się, że transformacja PC oraz transformacja RGB-IHS-RGB w każdym z rozważanych programów jest nieco inaczej zaprogramowana. W przypadku metody wykorzystującej analizę składowych głównych PC, w szczególności dla obszaru testowego ŁOWICZ, system ERDAS Imagine 8.7 daje odmienne rezultaty niż ma to miejsce w oprogramowaniu ENVI. Jeśli chodzi o transformację RGB-IHS-RGB, uzyskanie różnych rezultatów w różnych oprogramowaniach wynika z przyjęcia odmiennych modeli barw IHS (heksagonalny, sferyczny lub cylindryczny), co skutkuje innym algorytmem przejścia z układu barw RGB do układu IHS i odwrotnie. W przypadku danych 11-bitowych, takich jak zdjęcia

5 QuickBird i IKONOS, transformacja RGB-IHS-RGB nie działa poprawnie we wszystkich analizowanych oprogramowaniach. Okazuje się, że nie są one jeszcze przystosowane do tego rodzaju danych wejściowych. Zostały zaprojektowane dla danych 8-bitowych i na takich danych działają poprawnie. Okazało się również, że system PCI Geomatica 9 we wszystkich algorytmach, poza metodą Zhang a, jako dane wejściowe przyjmuje jedynie dane 8-bitowe. Tak więc, w obecnej wersji oprogramowania możliwe jest wykonanie łączenia danych 11- bitowych o różnej rozdzielczości przestrzennej i spektralnej tylko jedną metodą autorską metodą Zhang a (idea metody opisana jest w publikacji Zhang a z 004 roku) lub zdegradowanie danych 11-bitowych do 8-bitowych. Ważnym elementem oceny jakości uzyskanych wyników przetwarzania danych PAN i MS jest ocena jakości spektralnej i przestrzennej. Dwa porównywane obrazy (oryginalny wielospektralny i wynik łączenia PAN+MS) powinny mieć jak najbardziej zbliżone właściwości spektralne oraz jakość przestrzenną danych panchromatycznych. Z punktu widzenia interpretacji wizualnej zdjęcia satelitarnego najważniejsze jest uzyskanie obrazu barwnego, który pozwoli na jak najlepsze uwypuklenie zróżnicowania różnych obiektów pod względem barwy i tekstury. W tym przypadku nie jest konieczne zachowanie charakterystyki radiometrycznej zestawu danych wejściowych. Istotą jest uzyskanie jak najlepszego efektu wizualnego, bez specjalnej dbałości o zachowanie charakterystyk spektralnych obiektów, lecz z wyjątkową dbałością o zachowanie kolorystki bez tzw. zniekształceń barwy oraz z jak najlepszym wzmocnieniem zdjęcia wielospektralnego w sensie przestrzennym. W przypadku metod automatycznej ekstrakcji informacji na drodze klasyfikacji cyfrowej mamy do czynienia z sytuacją odmienną, niż ma to miejsce przy interpretacji wizualnej. Dane wejściowe do wykonania klasyfikacji cyfrowej, w tzw. podejściu klasycznym, powinny spełniać określone warunki. Teoretycznie rzecz rozważając, spektralne właściwości obrazu będącego wynikiem łączenia powinny być identyczne jak oryginalnego obrazu wielospektralnego. Wówczas wykonanie klasyfikacji w sposób automatyczny czy półautomatyczny będzie prostsze i cały proces będzie przebiegał prawidłowo, a przede wszystkim w sposób przewidywalny. W przypadku obrazów, które nie zachowują w żadnym stopniu zgodności spektralnej z oryginalnymi danymi wielospektralnymi, trudno przewidzieć, jaki przebieg może mieć klasyfikacja i czy uzyskana klasa reprezentuje ten sam rodzaj obiektu. Wykonując klasyfikację danych, będących wynikiem łączenia zdjęć o różnej rozdzielczości przestrzennej i spektralnej, należy więc zdawać sobie sprawę z tego, z jakimi danymi mamy do czynienia. Jeśli nie mamy wiedzy na ten temat, najwłaściwszym podejściem będzie próba wykonania klasyfikacji nienadzorowanej, która umożliwi nam uzyskanie wstępnej klasyfikacji oraz ocenę możliwości dokonania delimitacji poszczególnych typów obiektów. Czasami dystrybutorzy zdjęć satelitarnych sprzedają gotowy obraz typu pan-sharpen, którego dokładnych właściwości w porównaniu z danymi oryginalnymi nie znamy. W literaturze światowej spotyka się pojedyncze próby wykonywania klasyfikacji na obrazach łączonych, które nie zachowują podobieństwa do oryginalnych danych wielospektralnych. Na ogół jednak przyjmuje się, że obraz uzyskany w wyniku łączenia danych PAN i MS powinien mieć jak najbardziej zbliżoną charakterystykę radiometryczną do oryginalnego zdjęcia wielospektralnego. Do przeprowadzenia oceny jakości spektralnej rezultatów łączenia zdjęć PAN i MS wykorzystuje się najczęściej porównanie różnych charakterystyk statystycznych takich jak:

6 podstawowe parametry statystyczne: wartość średnia, minimum, maksimum, moda, mediana, odchylenie standardowe, histogramy w poszczególnych zakresach spektralnych, macierze korelacji między poszczególnymi zakresami spektralnymi, macierz wariancyjnokowariancyjna, korelacja pomiędzy danymi oryginalnymi a wynikami poszczególnych przetworzeń. W literaturze światowej można spotkać również innego rodzaju propozycje oceny jakości metod łączenia danych o różnej rozdzielczości przestrzennej i spektralnej. Jedną z nich jest obliczenie różnic pomiędzy wynikiem łączenia PAN+MS i oryginalnym zdjęciem wielospektralnym. Chavez i in. (1991) proponują zastosować do oceny jakości spektralnej obrazu PAN+MS odchylenie standardowe różnic pomiędzy obrazem PAN+MS i oryginalnym obrazem wielospektralnym oraz procent występowania różnic o wartości 0 lub 1. Przy zachowaniu dużej zgodności spektralnej oryginalnego obrazu wielospektralnego oraz obrazu wynikowego łączenia danych wielospektralnych i panchromatycznych procent występowania pomiędzy nimi różnic o wartości 0 lub 1 powinien być jak najbardziej zbliżony do 100%. W rzeczywistości sytuacja tego rodzaju występuje niezmiernie rzadko. Inną propozycją oceny jakości spektralnej wyników łączenia danych PAN i MS jest wykorzystanie odchylenia standardowego różnic pomiędzy wartościami znormalizowanego różnicowego wskaźnika roślinności NDVI obliczonego na podstawie danych PAN+MS a wartościami NDVI obliczonymi dla oryginalnych danych wielospektralnych MS (Doxani i Stamou, 004). Jest to jednak metoda, która porównuje jedynie dwa zakresy spektralne czerwony i bliską podczerwień a więc nie pozwala ona na przeprowadzenie oceny globalnej wyników łączenia danych PAN i MS. Jej wykorzystanie jest jednak zasadne przy zastosowaniach ukierunkowanych na badania roślinności, gdzie te dwa zakresy spektralne są najistotniejsze z punktu widzenia dalszych prac. W ostatnich latach opracowano kilka wskaźników (Wald i in., 1997; Wang i Bovik, 00; Alparone i in., 004), które umożliwiają dokonanie bardziej obiektywnej globalnej oceny jakości spektralnej obrazów typu pan-sharpen w stosunku do oryginalnych danych wielospektralnych. Podstawowym parametrem, który pozwala ocenić w sposób globalny jakość wyniku połączenia zdjęć wielospektralnych i panchromatycznych jest średni błąd kwadratowy RMSE wyrażony dla k-tego zakresu spektralnego w następujący sposób (Beaulieu i in., 004): 1 RMSE (1) C R k (MS k FUSk ) C R i1 j1 gdzie: MS i wartość radiometryczna w k-tym zakresie spektralnym oryginalnego obrazu wielospektralnego, FUS i wartość radiometryczna w k-tym zakresie spektralnym obrazu powstałego w wyniku łączenia danych panchromatycznych i wielospektralnych, C liczba kolumn w obrazie wynikowym, R liczba wierszy. SAM (Spectral Angle Mapper) ocenia zniekształcenia spektralne wprowadzane w procesie łączenia danych wielospektralnych i panchromatycznych (Garzelli i in., 004). Wyraża się go w stopniach a zdefiniowany jest poprzez: v,vˆ SAM ˆ arccos () v vˆ

7 gdzie: v oznacza wektor spektralny danych wielospektralnych MS, a vˆ - oznacza wektor spektralny dla danych PAN+MS Wang i Bovik (00) proponują z kolei do oceny jakości spektralnej wyników łączenia danych PAN i MS wskaźnik jakości Q, który oblicza się dla każdego zakresu spektralnego oddzielnie: 4 MS,FUS MS FUS (3) ( ) [( ) ( ) ] Q MS FUS gdzie: MS - wartość średnia w k-tym kanale spektralnym obrazu oryginalnego, FUS - wartość średnia w k-tym kanale spektralnym obrazu przetworzonego, MS - wariancja w k-tym kanale spektralnym obrazu oryginalnego, FUS - wariancja w k-tym kanale spektralnym obrazu typu przetworzonego, FUS - kowariancja między k-tym kanałem spektralnym oryginalnego obrazu wielospektralnego a k-tym kanałem spektralnym obrazu przetworzonego. Uwzględnia ona kilka różnych parametrów statystycznych charakteryzujących zestaw danych i a wartość średnia tego wskaźnika według autorów stanowi pozwala na ocenę globalną uzyskanych wyników. Wald i in. (1997) proponują do globalnej oceny jakości rezultatów łączenia danych PAN i MS wskaźnik nazwany mianem ERGAS. Skrót pochodzi od Erreur Relative Globale Adimensionelle de Synthèse i oznacza bezwymiarowy globalny błąd względny wyniku łączenia: MS FUS K h 1 RMSE ERGAS 100 k (4) l k k1 k gdzie: k zakres spektralny, h rozmiar piksela obrazu panchromatycznego, l rozmiar piksela obrazu wielospektralnego, k wartość średnia w k-tym zakresie spektralnym. Według autorów wartość błędu ERGAS mniejsza od 3 świadczy o satysfakcjonującej jakości uzyskanego wyniku łączenia danych panchromatycznych i wielospektralnych w sensie zachowania spójności spektralnej w porównaniu z oryginalnym zdjęciem wielospektralnym. Idąc tą myślą Lillo-Saavedra i in. (005) sugerują, iż o jakości przestrzennej łączenia PAN+MS może świadczyć analogicznie zdefiniowany wskaźnik ERGAS spatial : gdzie: K pan h 1 RMSE k ERGAS spatial 100 (5) l k k1 PAN 1 RMSE (6) C R pan k (PAN FUSk ) C R i1 j1 Inna metoda dokonania oceny jakości przestrzennej obrazu uzyskanego w wyniku łączenia danych wielospektralnych i panchromatycznych to wykorzystanie filtracji górnoprzepustowej (np. filtru Laplace a) oraz obliczenie korelacji pomiędzy podanymi wcześniej filtracji górnoprzepustowej oryginalnym zdjęciem wielospektralnym a wynikiem przetworzenia (Chavez i in., 1991, Zhoua i in., 1998). Filtracja górnoprzepustowa uwydatnia

8 informację o wysokiej częstotliwości a wysoka korelacja pomiędzy przefiltrowanym obrazem panchromatycznym oraz obrazem PAN+MS świadczy o znacznej absorpcji informacji przestrzennej, którą zawiera obraz panchromatyczny wykorzystany w trakcie procesu łączenia danych PAN i MS. 4.. Ocena wizualna Nadal dla wielu celów, m.in. dla identyfikacji upraw i zasiewów oraz tworzenia TBD, operacyjnie wykorzystuje się interpretację wizualną zdjęć satelitarnych. Przeprowadzona analiza dotyczyła oceny wizualnej przydatności poszczególnych metod łączenia danych o różnej rozdzielczości przestrzennej i spektralnej pod kątem identyfikacji różnego rodzaju obiektów naziemnych (również upraw i zasiewów) na drodze interpretacji wizualnej. Okazało się, że cześć metod niezbyt przydatnych w procesie klasyfikacji cyfrowej daje bardzo dobre wyniki przy interpretacji wizualnej (np. metoda mnożnikowa czy transformacja Brovey a). Niestety interpretacja wyników uzyskanych przy zastosowaniu transformacji Brovey a jest trudna, ponieważ następuje duża zmiana barwy w stosunku do oryginalnych danych wielospektralnych. Z tego względu nie poleca się jej m.in. do interpretacji wizualnej roślinności, w szczególności gdy zakres panchromatyczny obejmuje również bliską podczerwień. W literaturze można znaleźć sugestie, iż metoda ta przydatna jest przy interpretacji terenów zabudowanych. Ze względu na zmniejszenie zakresu wartości radiometrycznych pozwala ona na uwypuklenie zróżnicowania w obrębie ciemnych jak również bardzo jasnych elementów obrazu. Rysunek prezentuje porównanie wyników łączenia zdjęć PAN i MS uzyskanych przy zastosowaniu wybranych metod. Analizując rezultaty uzyskane poprzez wykorzystanie transformacji falowej WT (opcje: PC, single band w programie ERDAS Imagine) oraz transformacji PC można stwierdzić, iż obrazy wynikowe są rozmazane i mimo zachowania bardzo dobrej zgodności barwnej z wejściowymi danymi wielospektralnymi dają słabszą jakość w sensie przestrzennym, co utrudnia określenie przebiegu granic pomiędzy poszczególnymi obiektami. Fakt pewnego rozmazania ujawnia się najsilniej przy interpretacji obiektów o drobnej strukturze takich jak np. sady, rośliny okopowe, drobna zabudowa. Obrazy, będące wynikiem transformacji PC charakteryzują się, podobnie jak te uzyskane w wyniku zastosowania metody mnożnikowej, bardzo słabą czytelnością w przypadku obiektów o dużej jasności (np. budynki, szklarnie). Metoda mnożnikowa zachowuje równowagę kolorystyczną ale przy wykorzystaniu standardowych procedur rozciągania kontrastu powoduje zanik informacji dla obiektów ciemnych oraz bardzo jasnych. Najlepsze walory interpretacyjne oferuje wykorzystanie metody Zhang a, znajdującej się w oprogramowaniu PCI Geomatica 9 oraz metody Gram a-schmidt a, która została włączona do ENVI 4.1. Przy zachowaniu tonacji barwnej oryginalnych zdjęć wielospektralnych, uzyskuje się obraz o wręcz doskonałej jakości w sensie przestrzennym. Wyraźnie widoczna tekstura obrazu poszczególnych obiektów staje się drugą najistotniejszą cechą wykorzystywaną podczas interpretacji wizualnej. W przypadku sadów możliwe jest wręcz policzenie drzewek i krzewów. Doskonale widoczne są rośliny okopowe a w przypadku terenów zabudowanych budowa dachów i szczegóły topograficzne ulic. Pozostałe z analizowanych metod (transformacja PC, transformacja falowa WT, metoda mnożnikowa) dają znacznie mniejsze możliwości.

9 MS PC WT-PC Metoda Zhang a Metoda Gram a-schmidt Schmidt a CN a. MS PC WT-PC Metoda Zhang a Metoda Gram a-schmidt Schmidt a CN b. MS PC WT-PC Metoda Zhang a Metoda Gram a-schmidt Schmidt a CN c. Rysunek : Porównanie wizualne pomiędzy oryginalnymi danymi wielospektralnymi a wynikami łączenia danych PAN i MS kompozycja barwna RGB=43, a. obszar testowy BARTOSZYCE, b. obszar testowy ŁOWICZ, c. obszar testowy WARSZAWA.

10 4.3. Ocena jakości spektralnej wyników łączenia zdjęć PAN i MS Ocena jakości spektralnej wyników uzyskanych w procesie łączenia zdjęć PAN i MS może obejmować różnorodne parametry statystyczne charakteryzujące poszczególne kanały spektralne zdjęć (wartość średnia, moda, mediana, odchylenie standardowe itp.). Analiza podstawowych charakterystyk statystycznych oddzielnie daje jednak zbyt ubogie informacje na ten temat i stąd wynika potrzeba tworzenia wskaźników o charakterze kompleksowym. Do oceny jakości wyników łączenia danych PAN i MS wykorzystuje się najczęściej współczynnik korelacji pomiędzy danymi wejściowymi a obrazem wynikowym. Wskazuje on na ile odpowiadające sobie zakresy spektralne są do siebie podobne, czyli czy uzyskano obraz o podobnej radiometrii i właściwościach spektralnych jak wejściowy obraz wielospektralny. Dla wszystkich analizowanych obszarów testowych najwyższe wartości korelacji (Tabela nr 1) uzyskano w przypadku: transformacji falowej WT PC (ERDAS Imagine), metody Zhang a (PCI Geomatica), metody Gram a-schmidt a (ENVI) oraz transformacji PC (ENVI). Metoda łączenia wykorzystująca analizę składowych głównych PC daje najwyższe współczynniki korelacji między danymi wejściowymi i wyjściowymi, jeśli wykorzystujemy trzy zakresy spektralne (PCA34): zielony, czerwony i bliską podczerwień. Wynika to z faktu, iż zakres panchromatyczny rejestrowany przez satelitę QuickBird jest szerszy i zawiera również bliską podczerwień (0,45-0,90 m). W przypadku zdjęć satelitarnych SPOT czy IRS, gdzie dane panchromatyczne obejmują zakres promieniowania widzialnego od 0,51 m do 0,73 m, wyniki będą odmienne. Najniższe wartości współczynnika korelacji pomiędzy oryginalnym zdjęciem wielospektralnym a rezultatami łączenia PAN+MS uzyskano przy zastosowaniu transformacji, Brovey a, transformacji PC (PCA13) wykonanej dla zakresów promieniowania niebieskiego zielonego i czerwonego oraz w przypadku metody mnożnikowej. Tabela nr 1: Korelacja między danymi oryginalnymi a wynikami łączenia dla poszczególnych obszarów testowych. Metoda BARTOSZYCE ŁOWICZ WARSZAWA B G R NIR B G R NIR B G R NIR PCA134 (ENVI) PCA13 (ENVI) PCA34 (ENVI) CN (ENVI) Gram-Schmidt Average (ENVI) Gram-Schmidt Sensor (ENVI) Zhang (PCI) WT-PC (ERDAS) WT - Single Band (ERDAS) Mnożnikowa Brovey Brovey Wartości kolejnego obliczanego wskaźnika jakości spektralnej Q zestawione w tabeli nr, wskazują, iż najlepsze wyniki łączenia danych PAN i MS uzyskano w przypadku wykorzystania metod: transformacji falowej WT-PC, Gram a-schmidt a, Zhang a oraz transformacji PC. Dla wszystkich badanych scen satelitarnych są to metody najlepiej

11 zachowujące właściwości spektralne w poszczególnych zakresach spektralnych zdjęcia. W przypadku metody Zhang a, metody Gram a-schmidt a jak również transformacji PC najniższe wartości wskaźnika jakości spektralnej Q występują dla obszaru testowego WARSZAWA, zaś najwyższe dla obszaru BARTOSZYCE. Oznacza to, iż stopień rozdrobnienia krajobrazu powoduje pogorszenie jakości uzyskiwanych wyników, co było zgodne z przewidywaniami. Tabela nr : Zestawienie wartości wskaźników jakości Q dla poszczególnych obszarów testowych. Metoda / oprogramowanie BARTOSZYCE LOWICZ WARSZAWA Q B Q G Q R Q NIR Q SR Q B Q G Q R Q NIR Q SR Q B Q G Q R Q NIR Q SR PCA134 (ENVI) PCA13 (ENVI) PCA34 (ENVI) CN (ENVI) Gram-Schmidt Average (ENVI) Gram-Schmidt Sensor (ENVI) Zhang (PCI) WT-PC (ERDAS) WT-Single Band (ERDAS) Porównując wartości wskaźnika jakości spektralnej Q zauważyć również można, że przyjmuje on także wartości ujemne, tak więc obliczenie wartości średniej tego wskaźnika nie może służyć do obiektywnej oceny globalnej jakości spektralnej wyników łączenia. Właściwszym podejściem będzie obliczenie wartości średniej kwadratowej: QB QG QR QNIR Q (7) 4 która pozwala na uzyskanie bardziej reprezentatywnej informacji o jakości globalnej wyniku łączenia danych PAN i MS. Tabela nr 3: Zestawienie wartości RMSE w kolejnych zakresach spektralnych dla badanych obszarów testowych. Metoda / (oprogramowanie) BARTOSZYCE LOWICZ WARSZAWA B G R NIR B G R NIR B G R NIR PCA134 (ENVI) PCA13 (ENVI) PCA34 (ENVI) CN (ENVI) Gram-Schmidt Average (ENVI) Gram-Schmidt Sensor (ENVI) Zhang (PCI) WT-PC (ERDAS) WT - Single Band (ERDAS)

12 W przypadku średniego błędu kwadratowego RMSE wartości najniższe świadczą o najlepszym zachowaniu właściwości spektralnych wyników łączenia danych PAN i MS w porównaniu z danymi źródłowymi MS. Zestawione w tabeli nr 3 wartości RMSE dla poszczególnych kanałów spektralnych pokazują, iż najlepsze pod względem jakości spektralnej podobnie jak w przypadku wskaźnika Q są metody: transformacji falowej WT- PC, Gram a-schmidt a, Zhang a oraz transformacji PC. Najmniejsze wartości RMSE występują w zakresach widzialnych, zaś wartości najwyższe RMSE przyjmuje w zakresie bliskiej podczerwieni. Tabela nr 4: Zestawienie wartości wskaźników ERGAS spectral dla poszczególnych obszarów testowych. Metoda (oprogramowanie) BARTOSZYCE LOWICZ WARSZAWA ERGAS SPEC. ERGAS SPAT. ERGAS SPEC. ERGAS SPAT. ERGAS SPEC. ERGAS SPAT. PCA134 (ENVI) PCA13 (ENVI) PCA34 (ENVI) CN (ENVI) Gram-Schmidt AVERAGE (ENVI) Gram-Schmidt SENSOR (ENVI) Zhang (PCI) WT-PC (ERDAS) WT - Single Band (ERDAS) ERGAS spectral, podobnie jak pozostałe badane wskaźniki, również potwierdza najwyższą jakość spektralną wyników łączenia metodami: transformacji falowej WT-PC, Gram a- Schmidt a, Zhang a oraz transformacji PC (tabela nr 4). W większości przypadków wartości analizowanych wskaźników jakości spektralnej rezultatów łączenia danych PAN i MS są najlepsze dla obszaru testowego BARTOSZYCE, który ma najbardziej skonsolidowaną strukturę krajobrazu. Najsłabsze wyniki uzyskuje się na ogół w przypadku obszaru testowego WARSZAWA, czyli obszaru o bardzo zróżnicowanej i rozdrobnionej strukturze krajobrazu Ocena jakości przestrzennej wyników łączenia zdjęć PAN i MS Ocenę jakości przestrzennej wyników łączenia zdjęć o różnej rozdzielczości przestrzennej i spektralnej przy zastosowaniu analizowanych w tej pracy algorytmów przeprowadzono dwiema metodami. Jedną z nich było obliczenie wskaźnika ERGAS spatial zaproponowanego przez Lillo-Saavedra i in. (005). Wyniki uzyskane dla poszczególnych obszarów testowych zestawiono w tabeli nr 4. W drugim podejściu najpierw poddano procesowi filtracji górnoprzepustowej zdjęcie panchromatyczne oraz obrazy wynikowe a następnie obliczono współczynnik korelacji pomiędzy tak przygotowanymi danymi. Analizując uzyskane wartości wskaźnika ERGAS spectral okazało się, iż metody: Zhang a (PCI), Gram a-schmidt a (ENVI) oraz transformacja PC i transformacja falowa (ERDAS Imagine) najlepiej zachowują czynnik spektralny, zawarty w oryginalnych danych wielospektralnych. Zauważyć również można, że najwyższe wartości wskaźnika jakości

13 przestrzennej ERGAS spatial osiągane są w przypadku metod: transformacji PC wykonanej dla trzech kanałów spektralnych (niebieskiego, zielonego i czerwonego), metody Zhang a oraz Gram a-schmidt a i transformacji falowej WT-PC. Jest to wynik ciekawy, gdyż wizualna ocena jakości wyników łączenia metodą transformacji falowej WT-PC wskazywała na osiągnięcie bardzo słabej jakości przestrzennej w tym przypadku. Wynika stąd, iż ERGAS spatial nie jest najlepszym parametrem służącym do oceny jakości przestrzennej rezultatów łączenia zdjęć panchromatycznych i wielospektralnych. Nieco odmienne wyniki uzyskano w przypadku drugiej metody oceny jakości przestrzennej, czyli obliczania korelacji między informacją wysokoczęstotliwościową obrazu panchromatycznego i obrazów wynikowych PAN+MS (Tabela nr 5). Najwyższe wartości korelacji otrzymano dla transformacji PC obliczonej dla trzech kanałów spektralnych (niebieskiego, zielonego i czerwonego), metody Zhang a oraz Gram a-schmidt a. Przy ocenie wizualnej jakości przestrzennej wyników łączenia PAN+MS te algorytmy również uzyskały wysoką ocenę. Tabela 5: Korelacja między obrazem panchromatycznym po filtracji górnoprzepustowej a wynikami łączenia poddanymi filtracji górnoprzepustowej dla poszczególnych obszarów testowych. Metoda BARTOSZYCE ŁOWICZ WARSZAWA B G R NIR B G R NIR B G R NIR PCA134 (ENVI) PCA13 (ENVI) PCA34 (ENVI) CN (ENVI) Gram-Schmidt Average (ENVI) Gram-Schmidt Sensor (ENVI) Zhang (PCI) WT-PC (ERDAS) WT-Single Band (ERDAS) Mnożnikowa Brovey Brovey Podsumowanie W wyniku przeprowadzonych prac okazało się, że wszystkie rozważane pakiety oprogramowania nie są w pełni przystosowane do przetwarzania danych o wyższej niż 8 bitów rozdzielczości radiometrycznej. Najsłabiej pod tym względem wypada oprogramowanie PCI Geomatica, gdzie tylko jeden algorytm metod Zhang a umożliwia dokonanie łączenia 11- bitowych zdjęć panchromatycznych i wielospektralnych. Pod względem jakości spektralnej w zależności od wskaźnika zastosowanego do jej oceny, obszaru testowego i porównywanego zakresu spektralnego ranking najlepszych algorytmów ulega drobnym zmianom. Nie mniej jednak wszystkie wskaźniki proponowane do oceny jakości spektralnej najwyżej plasują metodę Zhang a (PCI Geomatica), metodę Gram a- Schmidt a (ENVI), transformację falową WT-PC (ERDAS Imagine), oraz transformację PC (ENVI).

14 Dwa różne podejścia zastosowane do oceny jakości przestrzennej wyników łączenia danych panchromatycznych i wielospektralnych dały całkowicie odmienne rezultaty, jeśli chodzi o algorytm wykorzystujący transformację falową WT-PC. Wskaźnik ERGAS spatial uznaje ją za bardzo dobrą metodę pod względem jakości przestrzennej, natomiast drugie zastosowane podejście zaprzecza temu. Również ocena wizualna wskazuje na znacznie słabszą jakość tej metody w porównaniu z pozostałymi. Podsumowując przeprowadzone porównania i analizy można stwierdzić, że najlepsze wyniki zarówno pod względem jakości spektralnej, jak i przestrzennej uzyskuje się przy zastosowaniu do łączenia metody Zhang a (PCI Geomatica) oraz metody Gram a-schmidt a (ENVI). Dokładniejszy opis tych dwóch opatentowanych algorytmów nie jest niestety znany ale wiadomo, iż metoda Zhang a wykorzystuje analizę składowych głównych PC. 6. Literatura Alparone, L., Baronti. S., Garzelli, A., Nencini, F., (004): A global quality measurement of pan-sharpened multispectral imagery. IEEE Geoscience and Remote Sensing Letters. vol.1. no. 4. October Garzelli, A., Nencini, F., Alparone, L., Aiazzi, B., Baronti. S., (004): Pan-sharpening of multispectral images: a critical review and comparison. IEEE Geoscience and Remote Sensing Letters. vol.1. no Beaulieu, M., Foucher, S., Gagnon, L., (003): Multi-spectral image resolution refinement using stationary wavelet transform. Proceedings IGARS003, Toulouse. Chaves, P.S., Sides, C., Anderson, J.A., (1991): Comparison of tree different methods to merge multiresolution and multispectral data: Landsat TM and SPOT panchromatic. Photogrammetric Engineering & Remote Sensing. vol. 57. no Lillo-Saavedra, M., Gonzalo. C., Arquero, A., Martinez, E., (005): Fusion of multispectral and panchromatic satellite sensor imagery based on tailored filtering in Fourier domain. International Journal of Remote Sensing. vol. 6. no Munechika, C.K., Warnick, J.S., Salavaggio, C., Schott, J.R., (1993): Resolution enhancement of multispectral image data to improve classification accuracy. Photogrammetric Engineering & Remote Sensing. vol. 59. no Wald, L., (1997): Fusion of Satellite Images of Different Spatial Resolutions: Assessing in quality of resulting images. Photogrammetric Engineering & Remote Sensing. vol. 63. no Zhang, Y., (00): Problems in the fusion of commercial high-resolution satellite images as well as LANDSAT 7 images and initial solutions. Interantional Archives of Photogrammetry and Remote Sensing (IASPRS). vol. 34. part 4. GeoSpatial Theory. Processing and Applications. Ottawa. July 00 Zhang, Y., (004): Understanding image fusion. Photogrammetric Engineering & Remote Sensing. June Zhou, J., Civco. D.L.. Silander. J.A.. (1998): A wavelet transform method to merge Landsat TM and SPOT panchromatic data. International Journal of Remote Sensing. vol. 19. no