Archiwum Fotogrametrii, Kartografii i Teledetekcji, Vol. 18, 2008 ISBN 978-83-61576-08-2 WYBRANE PRZYKADY WYKORZYSTANIA MORFOLOGII MATEMATYCZNEJ W PRZETWARZANIU OBRAZÓW W TELEDETEKCJI SELECTED EXAMPLES OF APPLYING MATHEMATICAL MORPHOLOGY TO IMAGE PROCESSING IN REMOTE SENSING Przemysaw Kupidura, Jacek Marciniak, Piotr Koza, Micha Kowalczyk Politechnika Warszawska, Zakad Fotogrametrii, Teledetekcji i SIP SOWA KLUCZOWE: morfologia matematyczna, filtracja obrazu, klasyfikacja obiektowa, wykrywanie krawdzi STRESZCZENIE: Morfologia matematyczna stanowi zbiór nieliniowych operacji, umoliwiajcych zmian struktury obrazu cyfrowego. Jej specyficzna natura pozwala na przetwarzanie obrazów w zalenoci od ksztatu, wielkoci, tekstury czy ssiedztwa obiektów obecnych na zdjciu. W artykule przedstawiono wyniki uzyskiwane w projekcie MNiSzW Nr N526 034 32/3448, powiconym w caoci wykorzystaniu operacji morfologicznych w przetwarzaniu danych teledetekcyjnych. Wnioski wynikajce z przeprowadzonych bada potwierdzaj wysok skuteczno morfologii matematycznej w wielu rónorodnych zastosowaniach, jak filtracja dolnoprzepustowa, wydzielanie na obrazie heterogenicznych typów obiektów, czy wykrywanie krawdzi obiektów. W artykule przedstawiono analiz moliwoci wykorzystania funkcji morfologicznych w przetwarzaniu danych teledetekcyjnych. Zaprezentowano równie zaoenia darmowego oprogramowania BlueNote, tworzonego w ramach projektu. 1. WPROWADZENIE Operacje morfologiczne znane s od 60-tych lat XX wieku. Wtedy wanie, francuscy naukowcy, Jean Serra i George Matheron, opracowali na bazie operacji Minkowskiego funkcje erozji (ang. erosion) i dylacji (ang. dilation), które stay si podstaw dziedziny, nazwanej póniej morfologi matematyczn. Od stworzenia operacji erozji i dylacji funkcje morfologii matematycznej byy dalej rozwijane, co doprowadzio do powstania kolejnych funkcji o rónorodnym przeznaczeniu, jak równie przyczynio si do rozwoju caej dziedziny morfologii matematycznej. Gówn zalet operacji morfologicznych jest dostosowanie ich dziaania do obiektowej struktury obrazu, zalenie od rodzaju operacji. Pozwala to na uzalenienie wyniku operacji od takich cech obiektów, jak wielko, ksztat, tekstura, czy ssiedztwo i co istotne, w sposób odmienny, ni ma to miejsce w przypadku tradycyjnych kontekstowych przeksztace cyfrowych. Wymienione zalety funkcji morfologicznych sprawiy, e znalazy one zastosowanie w cyfrowym przetwarzaniu obrazów w wielu dziedzinach, m.in. w diagnostyce medycznej, astronomii, a take w teledetekcji. Mimo to, analiza moliwoci morfologii matematycznej wskazuje na duy jej potencja, dotychczas jeszcze niewykorzystany, zwaszcza w teledetekcji. 323
Wybrane przykady wykorzystania morfologii matematycznej w przetwarzaniu obrazów w teledetekcji Badania prowadzone w ramach projektu wykazay, e okrelone operacje morfologiczne mog by z powodzeniem stosowane tam, gdzie tradycyjne metody przetwarzania obrazów zdaj si zawodzi. Jest to moliwe dziki silnemu uzalenieniu wyniku dziaania okrelonej funkcji od struktury przeksztacanego obrazu. W artykule zaprezentowano pokrótce kilka wtków, którymi zajmuj si wykonawcy projektu. S to, przede wszystkim, badania dotyczce klasyfikacji treci zdj lotniczych i satelitarnych (ze szczególnym uwzgldnieniem wyodrbniania obiektów heterogenicznych, takich jak sady, czy tereny zabudowane), a take usuwaniu szumu na obrazie. Dodatkowo, przedstawiono gówne zaoenia oprogramowania powstajcego w ramach projektu, pod nazw BlueNote, umoliwiajcego wykonywanie operacji morfologii matematycznej, przede wszystkim tych, których przydatno dla teledetekcji stwierdzono w trakcie przeprowadzonych bada. 2. PODSTAWY MORFOLOGII MATEMATYCZNEJ Dwie fundamentalne funkcje morfologiczne erozja i dylacja wywiedzione zostay z operacji Minkowskiego na zbiorach. W literaturze mona spotka dwie róne ich notacje: Serry/Matherona (Serra, 1982) oraz Haralicka/Sternberga (Sternberg, 1986, Haralick, 1987). Ta druga wydaje si by bardziej popularna w praktycznych zastosowaniach (Nieniewski, 1998), wic wykorzystano j w niniejszym artykule do zapisu podstawowych operacji morfologicznych. W notacji Haralicka/Sternberga erozja zdefiniowana jest w nastpujcy sposób: natomiast dylacja, jak poniej: X B, (1) X y ybˆ X B, (2) yb X y gdzie X oznacza zbiór przeksztacany, B oznacza element strukturujcy, natomiast x y : x X. (3) X y Wszystkie inne operacje morfologii matematycznej zawieraj w sobie przynajmniej jedn z przedstawionych powyej funkcji podstawowych. Przykadem mog by dwie inne, popularne operacje morfologiczne, otwarcie i domknicie, stanowice proste sekwencje operacji erozji i dylacji. Otwarcie moemy zdefiniowa przy uyciu nastpujcego wzoru: X B XB B, (4) natomiast domknicie, jako: X B X B B (5) W celu bardziej dogbnego zrozumienia morfologii matematycznej, autorzy zachcaj do zapoznania si z publikacjami, w których znacznie szerzej przedstawiono tak podstawy teoretyczne, jak i przykady zastosowa wybranych funkcji morfologii matematycznej. Wymieni tu naley przede wszystkim (Serra, 1982, 1988, Nieniewski, 1998, 2005, Kupidura, 2006, Gwadera, 2008, Jakubiak, 2008). 324
Przemysaw Kupidura, Jacek Marciniak, Piotr Koza, Micha Kowalczyk 3. PRAKTYCZNE PRZYKADY ZASTOSOWA MORFOLOGII MATEMATYCZNEJ Morfologia matematyczna, z racji swojej unikalnej waciwoci, polegajcej na zmianie struktury obrazu, w zalenoci od ksztatu, wielkoci, tekstury obiektów, czy te wzajemnych relacji midzy nimi, pozwala na obiektowe podejcie do przeksztacanego obrazu. Dotychczas dominujce w teledetekcji przeksztacenia bezkontekstowe pomijaj cechy interpretacyjne obiektów takie jak ksztat, wielko itd. Wykorzystanie tych cech przy przetworzeniach morfologicznych pozwala zbliy cyfrow interpretacj obrazów do metod postrzegania naturalnych dla ludzi. Wykorzystanie podejcia obiektowego sprawia, e funkcje morfologiczne mog stanowi narzdzie rozwizania wielu problemów trudnych, czy wrcz niemoliwych do rozwizania przy uyciu tradycyjnych metod. Poniszy rozdzia pracy przedstawia wyniki praktycznej weryfikacji zastosowa operacji morfologicznych w przetwarzaniu teledetekcyjnych obrazów. Kolejne podrozdziay prezentuj potencjalne korzyci pynce z zastosowania morfologii matematycznej w: - wydzieleniu heterogenicznych klas pokrycia terenu - filtracji obrazów - wykrywaniu krawdzi. W kadym z podrozdziaów przedstawiono wyniki bada autorów oraz rezultaty weryfikacji przydatnoci operacji morfologicznych do poszczególnych zada. W przypadku wyrónienia heterogenicznych obiektów w eksperymentach korzystano zarówno z lotniczych, jak i satelitarnych obrazów optycznych. Filtracj morfologiczn przeprowadzono na monochromatycznych optycznych obrazach satelitarnych i lotniczych oraz na mikrofalowych obrazach satelitarnych. Natomiast zagadnienie wykrywania krawdzi przeprowadzono na obrazach z amatorskiej kamery cyfrowej. Kady z podrozdziaów skada si z sekcji wstpu prezentujcego problem, przedstawia metodyk badania oraz podsumowanie wyników. Wyniki operacji morfologicznych zestawiono z wynikami przetworze nie morfologicznych. 3.1. Wydzielanie heterogenicznych obiektów na zdjciach lotniczych i satelitarnych Klasyfikacja treci zdjcia cyfrowego przy uyciu tradycyjnych metod bezkontekstowych, polegajcych na uwzgldnieniu tylko wartoci radiometrycznych poszczególnych pikseli (ang. pixel-based) jest dobrze znana i opisana w literaturze naukowej. Wskazujc gówne cechy tego typu algorytmów mona stwierdzi, e wysokim wspóczynnikiem dokadnoci klasyfikacji charakteryzuj si obiekty wzgldnie homogeniczne, skadajce si jednoczenie z pikseli o wartociach wyróniajcych si na tle innego typu obiektów. Znacznie gorzej tego typu metody sprawdzaj si w przypadku obiektów z natury heterogenicznych, a wic nie speniajcych powyszego warunku, jak np. sady, czy tereny zabudowane. Rozwizaniem tego typu problemów moe by oczywicie klasyfikacja obiektowa, jednak specjalistyczne oprogramowanie niezbdne do jej wykonania jest drogie, a i sam proces stosunkowo skomplikowany. 325
Wybrane przykady wykorzystania morfologii matematycznej w przetwarzaniu obrazów w teledetekcji Propozycja wykorzystania morfologii matematycznej do wydzielania obiektów heterogenicznych na zdjciach zakada wykorzystanie ogólnie dostpnych i powszechnie znanych bezkontekstowych algorytmów klasyfikacyjnych. Zasadnicza rónica proponowanego podejcia polega na poddaniu klasyfikacji nie oryginalnych zdj, ale rezultatów ich przetworze, uzyskanych przy uyciu odpowiednich funkcji morfologicznych. Pierwszym krokiem przed przystpieniem do klasyfikacji s morfologiczne przetworzenia obrazu wejciowego, przy czym naley wybra takie funkcje, w wyniku zastowowania których obraz wyjciowy zawiera bdzie najwicej inforamacji o zadanych cechach obiektów (np. dotyczce czstotliwoci przestrzennej w danych partiach obrazu, mówic inaczej, wielkoci i rozkadu obiektów na obrazie). W ten sposób przygotowane zostaj dane w postaci, w której tradycyjne algorytmy klasyfikacyjne bd w stanie wyodrbni interesujce nas obiekty. Nastpnie na wynikowych obrazach przeprowadzana jest klasyfikacja bezkontekstowa (pikselowa). Jednym z przykadów tego typu podejcia jest algorytm opracowany dla wyodrbniania sadów. Obraz sadów jest heterogeniczny i charakteryzuje si regularn tekstur. Opracowany algorytm zakada zoenie obrazów otwarcia i domknicia morfologicznego na obu z nich obszary sadów uzyskuj homogeniczn struktur, na jednym charakteryzuj si wartoci radiometryczn podoa, a na drugim drzew w sadzie. Poczenie obu wartoci na obrazie otwarcia i domknicia daje w rezultacie unikaln kombinacj na tle innych typów pokrycia terenu. Tak przygotowany obraz moe zosta poddany tradycyjnej (opartej na wartociach radiometrycznych pikseli) klasyfikacji. Autorzy przeprowadzili szereg eksperymetnów weryfikujych przydatno opisanego powyej algorytmu dla wyróniania obszarów sadów. Wykorzystano do tego obrazy satelitarne z systemu QuickBird (zakres widzialny oraz bliska podczerwie) o rozdzielczoci 0,64 cm. Testy dowiody, e klasyfikacja obrazu poddanego przeksztaceniom morfologicznym pozwala na wyodrbnienie interesujcej nas klasy (w tym wypadku sadów) z wysok dokadnoci (Kupidura, 2006, 2007, Gwadera, 2008), wysz nawet ni w przypadku obiektowej klasyfikacji wykonanej przy uyciu specjalistycznego oprogramowania (Gwadera, 2008). Testy porównawcze przeprowadzono z wykorzystaniem pakietu E-Cognition. Przykad klasyfikacji przeprowadzonej z wykorzystaniem opisanego algorytmu przedstawiony zosta poniej (rys. 1.). woda odkryta gleba wzrastajca rolinno rolinno 1 rolinno 2 drzewa sady Rys. 1. Fragment scecy satelitarnej Quickbird i klasyfikacja jej treci przy uyciu przeksztace morfologicznych 326
Przemysaw Kupidura, Jacek Marciniak, Piotr Koza, Micha Kowalczyk Innym przykadem wykorzystania morfologii matematycznej do wyodrbniania obiektów heterogenicznych moe by wydzielanie na zdjciu terenów zabudowanych. Charakterystyczn cech tej klasy pokrycia terenu jest dua zmienno jasnosnoci obrazu, spowodowana wystpowaniem w duym zagszczeniu stosunkowo niewielkich obiektów, tworzonych przez piksele o zrónicowanych wartociach radiometrycznych. W tym przypadku, zastosowanie moe znale granulometria. Polega ona na przeprowadzaniu na obrazie operacji otwarcia (bd domknicia, wtedy mówimy o antygranulometrii) elementem strukturujcym o coraz wikszym rozmiarza a nastpnie wyszukaniu zmian pomidzy obrazami otwar o rónych rozmiarach elemntów strukurujcych. W efekcie powstaj tak zwane mapy granulometryczne (Serra, 1982), pokazujce rónice pomidzy wynikami poszczególnych otwar morfologicznych. Naoenie na siebie serii map granulometycznych pozwala uzyska seri obrazów, w których wartoci pikseli zale od zrónicowania przestrzennego obrazu w okrelonym otoczeniu piksela. Taki zestaw obrazów, poddany tradycyjnej klasyfikacji pozwala na skuteczne wyodrbnienie klasy terenów zabudowanych. Wstpne badania wskazuj na znaczcy potencja tej metody. Przykad takiej klasyfikacji przedstawiono poniej (rys. 2.). Rys. 2. Przykad klasyfikacji przy uyciu map granulometrycznych, naoony na zdjcie satelitarne Quickbird. Czerwonym kolorem zaznaczono wyodrbnion klas terenów zabudowanych Warto tu nadmieni, e przedstawione powyej algorytmy w sposób istotny róni si od innych znanych metod, np. analizy tekstury. W tej ostatniej metodzie, moemy pozna jedynie warto statystyczn (odchylenie standardowe, wariancj itp.), która mówi nam o ogólnym zrónicowaniu pikseli w okrelonym ssiedztwie rozpatrywanego piksela, nie dotyczy jednak w aden sposób rozkadu tych rónic wewntrz tego ssiedztwa, a tak informacj moemy uzyska np. przy wykorzystaniu map granulometrycznych. 327
Wybrane przykady wykorzystania morfologii matematycznej w przetwarzaniu obrazów w teledetekcji 3.2. Filtracja obrazów Jednym z istotnych zada cyfrowego przetwarzania obrazów jest poprawianie ich jakoci poprzez usuwanie z nich szumów. Cech idealnego filtru jest usuwanie szumu z obrazu, przy jednoczesnym pozostawieniu sygnau bez zmian. Wymaga to umiejtnoci odrónienia pikseli obraczonych bdnymi wartociami wynikajcymi z wystpowania szumu, od pikseli posiadajcych prawidowe wartoci sygnau. Nieco upraszczajc wymow tego postulatu mona stwierdzi, e prawidowo dziaajcy filtr powinien usuwa szum wewntrz obiektów, pozostawiajc nienaruszone krawdzie obiektów. W rzeczywistoci, wikszo dolnoprzepustowych filtrów cyfrowych powoduje wiksze bd mniejsze rozmycie krawdzi, co prowadzi do spadku waciwoci interpretacyjnych obrazu. Rozwizaniem tego problemu moe by podejcie obiektowe. Ciekaw propozycj okazuj si by filtry morfologiczne z wielokrotn funkcj strukturujc. Pozwalaj one na usuwanie odizolowanych pikseli o wyróniajcych si wartociach (te zostaj potraktowane jak szum), przy jednoczesnym bardzo dobrym zachowaniu liniowych struktur na obrazie, bdcych prawdopodobnie krawdziami obiektów. W ramach opisywanego projektu przeprowadzono badania w celu okrelenia skutecznoci filtracji morfologicznej. Testy przeprowadzono na tradycyjnych zdjciach optycznych (lotniczych i satelitarnych) oraz na zdjciach radarowych. Wyniki porównano z wynikami uzyskanymi dla innych, powszechnie stosowanych filtrów cyfrowych. W przypadku obrazów optycznych testy przeprowadzono na monochromatycznych obrazach lotniczych oraz z satelity QuickBird. Obrazy te byy sztuczne zaszumiane dwoma rodzajami filtów (gausowskim oraz sól i pieprz ). Nastpnie byo one odszumiane z wykorzystaniem powszechnie wykorzystywanych filtów oraz z wykorzystaniem filtów morfologicznych z wielokrotn funkcj stukturujc. Ocen wyników przeprowadzono poprzez porównanie obrazu odszumionego z obrazem pierwotnym (przed sztucznym zaszumieniem). Wyniki uzyskane dla zdj optycznych wykazay, e filtracja morfologiczna cechuje si skutecznoci w usuwaniu szumów porównywaln z innymi, najlepszymi filtrami, a jednoczenie w najwyszym stopniu zachowuj krawdzie obiektów (Kupidura, 2006, Jakubiak, 2008) (rys. 3). Rys. 3. Przykad filtracji morfologicznej. Po lewej obraz oryginalny, w rodku obraz z symulowanym szumem, po prawej, wynik uycia filtru z wielokrotn funkcj strukturujc 328
Przemysaw Kupidura, Jacek Marciniak, Piotr Koza, Micha Kowalczyk Przprowadzono równie badania na zdjciach radarowych z satelity TerraSAR-X, z trybu StripMap o rozdzielczoci pikslela ok. 4 metrów. Obrazy mikrofalowe z swojej natury s silnie zaszumione, tak wic nie wprowadzano do nich dodatkowych sztucznych szumów. Obrazy radarowe odszumiano filtrami GammaMap, Lee-Sigma, Local Region, Frost, a take filtrami morfologicznymi o wieloktornym elemencie strukturujcym. Porówanie efektrów odszumienia przeprowadzono dwuetapowo poprzez dokonanie klasyfikacji obszarów homomorficznych (a wic ocen ujednolicenia obszarów) oraz ocen zachowania krawdzi (zachowanie krawdzi jest gównym krytemium oceny przydatnoci filtru). Ocena zachowania krawdzi zostaa przeprowadzona poprzez rczne pozyskanie obiektów mogcych zosta bdnie zakwalifikowanych przez filtr jako szum (czyli gównie budynków) na obrazach pierwotnych oraz odszumionych. Badania na obrazach mikrofalowych dowiody, e filtry morfologiczne z wielokrotn funkcj strukturujc dorównuj nalepszym filtrom przeznaczonym do odszumiania obrazów mikrofalowych (Kupidura, Koza, 2008). Filtry morfologiczne zapewniaj jednakow dokadno zachowania krawdzi jak filt Frost a oraz GammaMap - na poziomie 85% w przyjtej metodyce badawczej. Z racji specyficznej natury szumu na obrazach radarowych, uzyskiwane rezultaty byy sabsze, ni w przypadku zdj optycznych. 3.3. Wykrywanie krawdzi W szerokim zbiorze operacji morfologicznych, obok przetworze dolnoprzepustowych, takich jak opisane powyej operacje wykorzystywane do usuwania szumów, znale mona równie przetworzenia górnoprzepustowe, które mog znale zastosowanie w wykrywaniu krawdzi na obrazie. Prawidow do tego zastosowania operacj ze zbioru przetworze morfologicznych jest gradient morfologiczny. Gradient mofrolologiczny polega na rónicy wyników operacji dylacji i erozji. Tak wic gradient jest filtrem niekierunkowym, a rozmiar najmniejszej wykrywanej krawdzi zaley od rozmiaru elementu strukturujcego zastosowanych operacji morfologicznych. Przeprowadzone przez autorów badanie polegao na zestawieniu wyników wykrywania krawdzi metod gradnientu morfologicznego oraz powszechnie stosowanych bezkierunkowych filtrów niemorfologicznych filtru Prewitt a oraz gradientu Sobela. Do bada wykorzystano seri zdj naziemnych wykonanych amatorskim apartem cyfrowym o rozdzielczoci 8 megapikseli. Zdjcia przedstawiay obiekt (w tym wypadku stereokomperator) o zrónicowanych krawdziach, zarówno owalnych, jak i prostych, o róznych kierunkach. Zdjecia wstpnie odszumiono (stosujc zarówno filtry medianowe, jak i morfologiczne) a nastpie przystpiono do wzmocnienia krawdzi wymienionymi filtrami. Kolejnym krokiem byo progowanie, które doprowadzio do ekstrakcji krawdzi. Wstpne porównania wynikowych obrazów pokazuj, e gradient morfologiczny moe stanowi alternatywn propozycj w stosunku do innych niekierunkowych algorytmów wykrywajcych krawdzie (Kowalczyk i in., 2008) (rys. 4). 329
Wybrane przykady wykorzystania morfologii matematycznej w przetwarzaniu obrazów w teledetekcji a b c Rys. 4. Obraz okularu stereokomparatora wykonany przy uyciu amatorskiego aparatu cyfrowego a) oryginalny obraz w skali szaroci, b) obraz po przetworzeniu gradientem Sobela, c) obraz po przetworzeniu gradientem morfologicznym 4. BLUENOTE Jednym z zada projektu jest opracowanie oprogramowania pozwalajcego na swobodne stosowanie morfologii matematycznej. Rónorodno operacji morfologicznych, a take moliwo wpywania na wynik operacji poprzez odpowiednie dobieranie wielkoci i ksztatu elementu strukturujcego sprawia, e dopiero moliwo dowolnego ich projektowania przez uytkownika pozwoli na pene wykorzystanie potencjau morfologii matematycznej. Najwaniejsze cechy tworzonego programu o nazwie BlueNote to: szeroki wybór zaimplementowanych funkcji morfologicznych, moliwo dowolnego budowania sekwencji wybranych operacji na obrazach przy zastosowaniu wewntrzego jzyka skrypowego, wykorzystywanie dowolnie zaprojektowanych elementów strukturujcych, szeroki wybór operacji bezkontekstowych i kontekstowych, obsuga obrazów georeferencjonowanych (geotiff). Co istotne, oprogramowanie bdzie darmowe i ogólnie dostpne poprzez Internet. W styczniu 2009 roku jego pierwsza wersja pojawi si na stronie Laboratorium Teledetekcji i SIP Politechniki Warszawskiej: http://telesip.gik.pw.edu.pl i bdzie dostpna do cignicia. W intencji autorów, program BlueNote ma wspomóc prace badawcze w zakresie cyfrowego przetwarzania obrazów i stanowi swego rodzaju platform wspópracy midzy orodkami badawczymi. 5. PODSUMOWANIE Badania prowadzone w ramach projektu MNiSzW wykazay, e potencja morfologii matematycznej jako pomocnego narzdzia w przetwarzaniu danych teledetekcyjnych, zwaszcza tam, gdzie istotne jest obiektowe podejcie do przeksztacanego obrazu., jest wci nie do koca wykorzystany. Wybrane operacje morfologiczne stosowane do wydzielania heterogenicznych obiektów na zdjciach, czy usuwania szumu, umoliwiaj uzyskiwanie wysokiej jakoci rezultatów. Pewnym ograniczeniem w tym zakresie moe by utrudniony dostp do oprogramowania, pozwalajcego na swobodne stosowanie 330
Przemysaw Kupidura, Jacek Marciniak, Piotr Koza, Micha Kowalczyk morfologii matematycznej do przetwarzania obrazów. Opracowywane oprogramowanie BlueNote umoliwi szersze zbadanie potencjau funkcji morfologicznych. Autorzy maj nadziej na wspóprac z innymi orodkami badawczymi w tym zakresie. Praca naukowa finansowana ze rodków na nauk w latach 2007-2008. 6. LITERATURA Gwadera,., 2008. Badanie porównawcze wybranych metod wyodrbniania heterogenicznych klas pokrycia terenu na przykadzie sadów. Praca magisterska, Politechnika Warszawska. Haralick, R. M., Sternberg, S. R., Zhuang, X, 1987. Image Analysis using Mathematical Morphology. IEEE Transactions on Pattern Analysis and Machine Intelligence, 9(4), 532-550. Jakubiak, M., 2008. Badanie przydatnoci operacji morfologii matematycznej do filtracji danych teledetekcyjnych. Praca magisterska, Politechnika Warszawska. Kowalczyk, M., Koza, P., Kupidura, P., Marciniak, M. 2008. Application of mathematical morphology operations for simplification and improvement of correlation of images in close-range photogrammetry. The international archives of the photogrammetry, remote sensing and spatial information sciences. Volume XXXVII, Part B5. Benjin, 153-159. Kupidura, P., 2006. Zastosowanie wybranych operacji morfologii matematycznej do wydzielania klas pokrycia terenu na zdjciach satelitarnych. Rozprawa doktorska, Politechnika Warszawska. Kupidura, P., 2007. Morphological processing of satellite images for improvement of classification of orchards. New Developments and Challenges in Remote Sensing. Ed. Z. Bochenek, Millpress, Roterdam, 225-232. Kupidura, P., Koza, P., 2008. Filtration of radar images using morphological operations. Polish Journal of Environmental Studies. Nieniewski, M., 1998. Morfologia matematyczna w przetwarzaniu obrazów, Akademicka Oficyna Wydawnicza PLJ, Warszawa. Nieniewski, M., 2005. Segmentacja obrazów cyfrowych. Metody segmentacji wododziaowej. Akademicka Oficyna Wydawnicza EXIT, Warszawa. Serra, J., 1982. Image Analysis and Mathematical Morphology, vol.1. Academic Press, Londyn. Serra, J. (editor), 1998. Image Analysis and Mathematical Morphology, vol.2: Theoretical Advances. Academic Press, Londyn. Sternberg, S. R., 1986. Grayscale Morphology. Computer Vision Graphics and Image Processing, 35 (3) 333-355. 331
Wybrane przykady wykorzystania morfologii matematycznej w przetwarzaniu obrazów w teledetekcji SELECTED EXAMPLES OF APPLYING MATHEMATICAL MORPHOLOGY TO IMAGE PROCESSING IN REMOTE SENSING KEY WORDS: mathematical morphology, image filtration, object-oriented classification, edge detection Summary The paper presents results of a research project concerning the application of mathematical morphology in remote sensing. Mathematical morphology was developed created in the 1960s by two Fench scientists: Jean Serra and George Matheron. Since then, the great progress in this discipline has led to the development of many different operators. Their most important advantage is involving important features of objects in the image, such as size, shape, texture, and neighbourhood. Because of that, selected morphological operators are used in digital image processing in many fields, including remote sensing. However, the analysis shows mathematical morphology to have an even greater potential in this field. The first line of thought presented is the object-oriented classification. The traditional, pixelbased algorithms are often ineffective when classifying selected heterogenic types of land cover. A morphological operator developed by Kupidura, involving a combination of results of opening and closing of the original image, allows to extract the class of orchards by using a simple pixelbased algorithm. The subsequent research showed that granulometric maps, first presented by Serra, which for each pixel - generate a set of values denoting heterogeneity of the pixel neighbourhood, allow to extract the built-up class in a traditional classification process. The issue in which morphological operators prove their high efficiency is noise removal. Application of alternate filters allows to filter out both optical and microwave images with a high noise level. Noteworthy is that the filters show inpressive results wherever detail preservation is concerned. The project involved also experiments on edge detection with morphological gradient Preliminary results showed a high efficiency of those procedures comperable to Sobel s gradient. An additional aim of the project was to develop software that would allow running any combination of morphological operators. The software called BlueNote will be available free of charge, which could lead to further increase of applications of mathematical morphology to remote sensing. dr in. Przemysaw Kupidura e-mail: p.kupidura@gik.pw.edu.pl tel. +48 22 234 7358 fax.: +48 22 234 5389 mgr in. Jacek Marciniak e-mail: jacekbm@gmail.com tel. +48 667785 351 mgr in. Piotr Koza e-mail: piotr.koza@wp.eu tel.: +48 22 234 7358 fax.: +48 22 234 5389 dr in. Micha Kowalczyk e-mail: mikowalczyk@wp.pl tel. +48 22 234 7604 332