Analiza możliwości rozróżniania wybranych klas pokrycia terenu na zdjęciach satelitarnych z wykorzystaniem granulometrii obrazowej

From the SelectedWorks of Przemysław Kupidura 2015 Analiza możliwości rozróżniania wybranych klas pokrycia terenu na zdjęciach satelitarnych z wykorzystaniem granulometrii obrazowej Przemysław Kupidura Marcin Kłębowski Paulina Ściana Patrycja Truszkiewicz Available at: http://works.bepress.com/przemyslaw_kupidura/17/

Przemysław Kupidura 9 Marcin Kłębowski 10 Paulina Ściana 10 Patrycja Truszkiewicz 10 ANALIZA MOŻLIWOŚCI ROZRÓŻNIANIA WYBRANYCH KLAS POKRYCIA TERENU NA ZDJĘCIACH SATELITARNYCH Z WYKORZYSTANIEM GRANULOMETRII OBRAZOWEJ Abstrakt: Referat poświęcony jest analizie wpływu rozdzielczości przestrzennej na efektywność analizy teksturowej opartej na granulometrii obrazowej mającej na celu klasyfikację treści zdjęć satelitarnych. Granulometria obrazowa jest skutecznym narzędziem takiej analizy i pozwala uzyskiwać dużą dokładność klasyfikacji spektralno-teksturowej, wykorzystującej zarówno cechy spektralne jak i teksturalne. Ponieważ tekstura jako cecha przestrzenna jest w znacznym stopniu uzależniona od rozdzielczości przestrzennej obrazu źródłowego, istotna jest odpowiedź na pytanie o jej efektywność na obrazach o różnym rozmiarze piksela. Badania przeprowadzono na zdjęciach panchromatycznych QuickBird oraz obrazach utworzonych na ich podstawie o sztucznie degradowanej rozdzielczości (piksele o rozmiarach od 0,61 m do 30 m) dla podstawowych klas pokrycia terenu. Słowa kluczowe: teledetekcja, klasyfikacja, tekstura, granulometria obrazowa, morfologia matematyczna 1. Wprowadzenie Automatyczna lub półautomatyczna klasyfikacja treści zdjęć satelitarnych może być odpowiedzią na rosnące zapotrzebowanie na informację przestrzenną i zwiększającą się rolą fotogrametrii i teledetekcji w procesie jej pozyskiwania. Przykładem metody klasyfikacji o dużym potencjale jest klasyfikacja spektralno-teksturowa wykorzystująca zarówno oryginalne spektralne obrazy, jak i obrazy wyniki analizy teksturowej (Kupidura, 2015). Tego typu klasyfikacja stanowi rozszerzenie tradycyjnej klasyfikacji spektralnej (zwanej też pikselową ang. pixel-based classification); dzięki wprowadzeniu dodatkowej cechy interpretacyjnej tekstury, pozwala uzyskiwać większą dokładność klasyfikacji terenu. Jednocześnie jednak z uwagi na niewielki stopień komplikacji przypomina klasyfikację spektralną, dzięki czemu jest prostsza w wykonaniu i wymaga mniej nakładu pracy operatora, 9 dr inż., Politechnika Warszawska, Wydział Geodezji i Kartografii opiekun naukowy 10 inż., Politechnika Warszawska, Wydział Geodezji i Kartografii 53

niż klasyfikacja obiektowa podejście o bardzo dużym potencjale, jednak charakteryzujące się powyższą i innymi wadami (Hay i Castilla, 2006). Historia spektralno-teksturowej klasyfikacji treści zdjęć cyfrowych rozpoczęła się wraz z powstaniem pierwszych metod oznaczania tekstury. W pierwszej kolejności należy tu wymienić macierz współwystępowania (ang. Grey-Level Co-occurence Matrix - GLCM) zaproponowaną przez Julesza (1962), po raz pierwszy wykorzystaną w klasyfikacji treści cyfrowych zdjęć satelitarnych przez Darlinga i Josepha (1968), choć w powszechnym odbiorze najczęściej kojarzoną z nazwiskiem Haralicka, który w przedstawionej przez siebie i współautorów pracy (Haralick i in., 1973) przedstawił i zdefiniował liczne statystyki, użyteczne w określaniu różnych aspektów tekstury. GLCM jest jednak tylko jedną z metod analizy teksturowej; warto wymienić m.in. analizę fraktalną (a zwłaszcza multifraktalną) oraz wskazać kilka prac poświęconych badaniu jej skuteczności (Lam, 1990; Kupidura, 2014: Wawrzaszek i in. 2014), a także transformację falkową (Mallat, 1989), której skuteczność w wyodrębnianiu wybranych klas pokrycia terenu badana była m.in. w (Zhu i Yang, 1998; Hwang, Lee, 2003) oraz losowe pola Markova (Spitzer, 1971; Preston, 1974) badane m.in. w (Newsam i in., 2002, 2003; Navarro i in., 2009; Gong i in., 2010). Spośród metod analizy teksturowej, które można wykorzystać w klasyfikacji spektralno-teksturowej, wyróżnia się granulometria obrazowa oraz oparte na niej mapy granulometryczne. Podstawy granulometrii zostały opracowane wraz z podstawami morfologii matematycznej (Haas i in., 1967), natomiast w użytecznej dla klasyfikacji terenu formie map granulometrycznych zostały opracowane przez Dougherty ego i in. (1992). Istotne zalety map granulometrycznych to m.in. wieloskalowość, pozwalająca analizować teksturę o zróżnicowanym poziomie szczegółowości, ale przede wszystkim odporność na tzw. błąd krawędzi (ang. border effect) będący udziałem w zasadzie wszystkich przedstawionych powyżej metod analizy teksturowej (Kupidura, 2015), a który w wybranych przypadkach może znacząco obniżać jej efektywność. Więcej na temat samej granulometrii obrazowej znaleźć można m.in. w (Kupidura i in., 2010; Kupidura, 2015), natomiast na temat samej morfologii matematycznej również w pracach (Serra, 1982; Nieniewski, 1998; Kupidura, 2006). Mimo niewątpliwych zalet granulometrii obrazowej, jej wykorzystanie w analizie teksturowej danych teledetekcyjnych nie jest bardzo rozpowszechnione. Przykłady poświęconych jej badań są w tym kontekście stosunkowo nieliczne. Można tu wymienić m.in. prace Mering i inni (1996), Mering i in. (2010) oraz Kupidury (2010, 2014). Wyniki tych badań wskazują na duży potencjał metody i dużą skuteczność analizy teksturowej wykonanej za jej pomocą. Z kolei pierwsza praca poświęcona klasyfikacji spektralno-teksturowej z wykorzystaniem map granulometrycznych (Kupidura, 2015), pokazuje, że efektywność granulometrii w tym kontekście pozwala podnieść dokładność klasyfikacji o nawet kilkanaście procent w stosunku do klasyfikacji spektralnej. I właśnie z dużego potencjału tej metody oraz stosunkowo słabego rozpoznania jeszcze wielu jej aspektów wynika cel niniejszej pracy: określenie wpływu rozdzielczości przestrzennej obrazu na możliwość wyróżniania wybranych klas pokrycia lub użytkowania terenu przy pomocy map granulometrycznych. Tekstura jest przestrzenną cechą interpretacyjną, zatem teza o wpływie rozdzielczości na jej obraz, a w związku z tym również na skuteczność analizy teksturowej wydaje się w pełni zasadna. Potwierdzają ją również przeprowadzone badania w kontekście granulometrii obrazowej (Kupidura, 2015) oraz innych służących temu celowi metod, takich jak GLCM, filtry Laplace a itp. (Lewiński i in., 2014), wskazujące na spadek efektywności analizy teksturowej wraz z rozdzielczością przestrzenną obrazu. Niniejsza praca ma na celu poznanie zależności między rozmiarem piksela a efektywnością analizy teksturowej przeprowadzonej z użyciem map granulometrycznych, w zależności od analizowanych klas pokrycia lub użytkowania terenu. 54

2. Metodyka i dane źródłowe Do badań wybrano 8 następujących przykładów klas pokrycia lub użytkowania terenu różniących się między sobą cechami teksturowymi lub spektralnymi: 1. gleba odkryta, 2. pola uprawne pokryte roślinnością dla uproszczenia zwane dalej roślinnością, 3. zabudowa jednorodzinna wiejska dalej zwana zabudową wiejską, 4. zabudowa blokowa, 5. zabudowa jednorodzinna typu miejskiego dalej zwana zabudową miejską 6. las iglasty, 7. las liściasty, 8. las mieszany. Na powyższej liście znaleźć można klasy znacznie różniące się między sobą spektralnie, jak np. gleba odkryta i roślinność (cechujące się zresztą podobnie słabą teksturą), czyli takie, dla których wzajemnego odróżnienia nie jest wymagana analiza teksturowa, jednak największy nacisk w przeprowadzonej analizie położono przede wszystkim na klasy przynajmniej częściowo zbliżone spektralnie. W przypadku takich par klas jak gleby odkryte i tereny zabudowane (niezależnie od typu zabudowy), lasy i roślinność, analiza spektralna jest mało skuteczna, w związku z czym skuteczność analizy teksturowej może być decydująca dla efektywności całej klasyfikacji spektralno-teksturowej. Powyższa lista z pewnością nie wyczerpuje przypadków klas, dla których tekstura może być istotną cechą interpretacyjną, jednak stanowi ich dobrą reprezentację, przedstawiając klasy o różnym charakterze tekstury. W celu oddzielenia wpływu czynników innych, niż rozmiar piksela, na skuteczność analizy teksturowej, badania przeprowadzono na obrazie panchromatycznym QuickBird (rozmiar piksela 0,61 m; data wykonania zdjęcia: 04.05.2004) oraz szeregu obrazów pochodnych, powstałych w wyniku degradacji rozdzielczości obrazu źródłowego. W efekcie uzyskano zestaw 9 obrazów testowych (tab. 1). L.p. Tablica 1. Zestawienie wykorzystanych obrazów testowych i ich cech Współczynnik powiększenia rozmiaru piksela Liniowy (przybliżony) rozmiar piksela [m] Rozmiar okna granulometrii Maksymalny indeks mapy granulometrycznej 1 1 0,61 60 10 2 2 1,22 30 6 3 4 2,44 15 3 4 8 4,88 10 3 5 16 10 10 2 6 25 15 10 2 7 33 20 6 1 8 41 25 5 1 9 49 30 4 1 Należy dodać, że obszary testowe dobrano w taki sposób, by zminimalizować wpływ innych, niż wewnętrzna tekstura samych obiektów. Jak pokazują wcześniejsze badania, zwłaszcza w przypadku obrazów o mniejszej rozdzielczości może występować sytuacja, w której, sam rozmiar obiektu, którego tekstura jest analizowana może wpływać na wynik 55

analizy teksturowej (Kupidura, 2015). Przykładem mogą być gleby odkryte i pola pokryte roślinnością, na działkach o małych rozmiarach, w przypadku charakterystycznej struktury agrarnej. Wpływ tego czynnika zależy jednak tylko częściowo od rozdzielczości przestrzennej obrazu i w zależności od wspomnianej struktury agrarnej może występować nawet na obrazach o bardzo dużej rozdzielczości (w przypadku bardzo wąskich działek) lub być niezauważalny na obrazach o mniejszej rozdzielczości (w przypadku działek o dużych rozmiarach). Reasumując, dobrano takie przykłady, by zminimalizować wpływ tego typu czynników. Każdy z obrazów poddano przetworzeniom morfologicznym. Do badań wybrano mapy granulometryczne oparte na prostych operacjach morfologicznych, których skuteczność w analizie teksturowej została udowodniona wcześniejszymi badaniami (Kupidura, 2015). Rozmiar okna granulometrii, określający promień koła znaczącego sąsiedztwo poszczególnych pikseli, w którym analizowana była lokalna tekstura różni się na poszczególnych obrazach i jest uzależniony od rozmiaru piksela dobrany został na podstawie analizy poszczególnych obrazów. Podobnie rzecz ma się z kolejnym parametrem przedstawionym w tabeli 1 - indeksem mapy granulometrycznej. Oznacza on rozmiar elementu strukturującego (a dokładnie: jego promień) wykorzystanego do utworzenia danej mapy, a więc, w uproszczeniu, rozmiar ziarna tekstury wykrywanego na obrazie. W przypadku obrazów o największej rozdzielczości, rozmiar obiektów stanowiących o teksturze obrazu jest stosunkowo duży, stąd maksymalny indeks mapy granulometrycznej wynoszący 10 pikseli. Te same elementy na obrazach o mniejszej rozdzielczości (a więc o większym rozmiarze piksela) mają znacznie mniejsze rozmiary liczone w pikselach. Podobnie jak w przypadku rozmiaru okna granulometrii, maksymalne indeksy map granulometrycznych zostały dobrane dla poszczególnych obrazów na podstawie analizy tekstury poszczególnych obrazów. Na poniższej ilustracji (rys. 1) przedstawione zostały obszary testowe na obrazie testowym o największej rozdzielczości (rozmiar piksela 0,61 m) oraz na kompozycjach barwnych utworzonych z map granulometrycznych wygenerowanych na podstawie tych obrazów. Rzeczone kompozycje należy interpretować w ten sposób, że duża wartość piksela wyrażona jasnością świadczy o silnej teksturze w okolicy danego piksela. Na wszystkich obrazach (a ściślej rzecz ujmując, na każdej mapie granulometrycznej wykonanej na podstawie każdego obrazu testowego) wybrano dokładnie te same obszary i porównywano je parami między sobą w obrębie pojedynczych zdjęć. Efektywność analizy granulometrycznej w odróżnianiu poszczególnych par klas terenu związano z separatywnością zbiorów pikseli reprezentujących dane klasy, ocenianą z kolei przy użyciu odległości Jeffries-Matusita (Swain, Davis, 1978), a także wizualnej oceny tekstur poszczególnych klas na poszczególnych obrazach testowych. Maksymalną wartością odległości Jeffries-Matusita (dalej J-M) jaką można uzyskać dla dwóch zbiorów jest wartość 2, w przybliżeniu 1,414; taka wartość oznacza pełną separatywność. Z kolei za bardzo dobrą satysfakcjonującą separatywność oznacza się taką, która jest oszacowana wartością ok. 1,3 (Lewiński i in., 2014). Warto wspomnieć, że niektórzy autorzy, m.in. Lewiński i in. (2014) wykorzystują inną postać wzoru, w której pełną separatywność oznacza wartość 2, będąca jednocześnie maksymalną wartością. Analizowano separatywność wybranych klas na pojedynczych mapach granulometrycznych oraz na wybranych grupach map granulometrycznych. Skupiono się przede wszystkim na tych klasach pokrycia lub użytkowania terenu, które są, przynajmniej częściowo, podobne spektralnie, a więc takich, których ewentualne wyróżnienie powinno opierać się na innych, niż spektralne cechach m.in. cesze tekstury. 56

Rys. 1. Obszary testowe na obrazie panchromatycznym o pikselu 0,61 m oraz na kompozycji barwnej złożonej z map granulometrycznych: RGB (c3, c2, o1), gdzie o i c oznaczają mapy na podstawie otwarcia i domknięcia, a liczba oznacza indeks mapy granulometrycznej 3. Analiza wyników Wynik badań przedstawiono w pięciu grupach skupionych wokół różnych grup klas cechujących się charakterystyczną, silną teksturą, których dokładna delimitacja w procesie klasyfikacji treści obrazu powinna opierać się m.in. na analizie teksturowej. Wyróżnione grupy poświęcono następującym zagadnieniom: 1. Porównanie tekstury terenów zabudowanych oraz roślinności i odkrytej gleby zwłaszcza w przypadku gleb odkrytych może występować istotne podobieństwo spektralne do terenów zabudowanych, co zwiększa znaczenie analizy teksturowej. Poza tym, w zależności od definicji klasy terenów zabudowanych (całe obszary, wraz z przestrzeniami pomiędzy budynkami, nie tylko poszczególne budynki, a więc trawniki, drzewa itp.), może występować ich podobieństwo spektralne do klasy roślinności. 2. Porównanie tekstury klasy roślinności do lasów ze względu na podobne charakterystyki spektralne, lasy mogą cechować się podobnymi wartościami pikseli na obrazach spektralnych co piksele przedstawiające łąkę lub zboża, przynajmniej częściowo, dlatego w przypadku tego typu klas istotna może być analiza teksturowa. 3. Porównanie tekstury terenów zabudowanych i lasów w zależności od definicji terenów zabudowanych na potrzeby klasyfikacji (patrz punkt 1.) częściowo mogą cechować się podobnymi wartościami spektralnymi. Jednocześnie są to klasy o silnej, wyraźnej teksturze. Celem tego porównania była odpowiedź na pytanie, na ile analiza teksturowa wykonana przy użyciu map granulometrycznych może pozwolić zróżnicować te klasy na podstawie unikalnych cech ich tekstury. 57

4. Porównanie tekstury różnych typów zabudowy różne klasy terenów zabudowanych cechują się w zasadzie takimi samymi wartościami spektralnymi (niezależnie od przyjętej definicji terenu zabudowanego), najczęściej charakteryzują się jednak innym rodzajem tekstury, wynikającym z różnych rozmiarów budynków oraz innej struktury ich występowania. 5. Porównanie tekstury różnych typów lasów lasy różnego drzewostanu mogą być do siebie zbliżone spektralnie, przynajmniej częściowo. Mogą jednak cechować się odmienną teksturą, pozwalającą rozróżniać je na obrazach o odpowiedniej rozdzielczości. 3.1. Porównanie tekstury terenów zabudowanych oraz roślinności i odkrytej gleby Poniżej (tab. 2) przedstawione zostały wartości odległości J-M dla wyszczególnionych par klas terenu. W tym przypadku, podobnie jak w kolejnych, przedstawiono wybrane mapy granulometryczne, istotne lub charakterystyczne z punktu widzenia badanej separatywności wybranych klas terenu. W tabeli (również we wszystkich pozostałych) mapy granulometryczne służące za podstawę analiz oznaczano w zależności od rodzaju operacji ( o otwarcie oraz c domknięcie) oraz indeksu, w uproszczeniu określającego rozmiar ziarna tekstury (liczony w pikselach) analizowanej na danym obrazie. Tablica 2. Odległości J-M dla wybranych par klas, w zależności od rozmiaru piksela 0,61 1,22 2,44 4,88 para klas terenu o1 o5 o1 o4 c1 o1 o1 c2 roś./zab. blok. 1,413 1,397 1,414 1,412 1,406 1,413 1,414 1,414 roś./zab. wiejska 1,324 1,414 1,406 1,414 1,414 1,414 1,413 1,414 roś./zab. miejska 1,410 1,414 1,414 1,414 1,414 1,413 1,414 1,414 gleba./zab. blok. 1,414 1,408 1,414 1,413 1,414 1,414 1,414 1,414 gleba./zab. wiejska 1,410 1,414 1,414 1,414 1,414 1,414 1,414 1,414 gleba./zab. miejska. 1,414 1,414 1,414 1,414 1,414 1,413 1,414 1,414 Tablica 2. cd. Odległości J-M dla wybranych par klas, w zależności od rozmiaru piksela 10 15 20 25 30 para klas terenu c1 o2 c2 o2 o1 o1 o1 roś./zab. blok. 1,414 1,414 1,413 1,414 1,391 1,413 1,332 roś./zab. wiejska 1,403 1,401 1,414 1,372 1,253 0,989 0,514 roś./zab. miejska 1,414 1,414 1,366 1,414 1,251 1,356 1,054 gleba./zab. blok. 1,414 1,414 1,414 1,414 1,414 1,414 1,414 gleba./zab. wiejska 1,414 1,413 1,414 1,414 1,414 1,339 1,306 gleba./zab. miejska. 1,414 1,414 1,414 1,414 1,414 1,414 1,412 Przedstawione wyniki wskazują na bardzo dobrą separatywność klas roślinności i odkrytej gleby względem klas terenów zabudowanych. Wynika to z widocznej tekstury terenów zabudowanych na wszystkich obrazach testowych. Chociaż należy zauważyć, że na obrazach o ile na obrazach o większej rozdzielczości (tutaj rozmiar piksela 15 m i mniej) udało się uzyskać 58

pełną separatywność klas na podstawie przynajmniej jednej mapy granulometrycznej, to na kolejnych obrazach, separatywność spada wraz z rozdzielczością. Należy przy tym zaznaczyć, że większy spadek wartości odległości J-M obserwowany w przypadku klasy roślinności jest spowodowany częściowo sąsiedztwem mniejszych działek o innym pokryciu terenu (odkryta gleba), skutkującym podwyższeniem wartości na mapach granulometrycznych, zwłaszcza uzyskanych na podstawie obrazów o najmniejszej rozdzielczości. Jest to zresztą zjawisko ważne z punktu widzenia klasyfikacji treści obrazów satelitarnych o średniej i małej rozdzielczości przestrzennej (zaakcentowane w poprzednim rozdziale). Jeśli jednak spojrzeć na rozróżnienie tekstury odkrytej gleby od terenów zabudowanych, widać, że satysfakcjonującą (według przyjętych kryteriów) separatywność uzyskano na wszystkich obrazach, również tych o najmniejszej rozdzielczości. W przypadku obrazów o największej rozdzielczości warto zwrócić uwagę na fakt, że na większości map granulometrycznych uzyskiwano pełną lub choćby bardzo dobrą separatywność wszystkich przedstawionych tu par klas. Oznacza to, że tekstura terenów zabudowanych jest wieloskalowa, czyli składa się z ziaren o różnych rozmiarach. Wieloskalowa analiza teksturowa, jakiej przykładem może być właśnie analiza granulometryczna pozwala w tej sytuacji zwiększyć skuteczność rozróżnienia wybranych klas pokrycia lub użytkowania terenu. 3.2. Porównanie tekstury klas roślinności oraz sadów i lasów W poniższym zestawieniu (tab. 3) przedstawione zostały wartości odległości J-M dla par klas terenu roślinności oraz zaproponowanych rodzajów lasów i dwóch typów sadów. Wyniki w dużej mierze pokrywają się z przedstawionymi w poprzednim rozdziale. Wyraźna tekstura lasów i sadów pozwala bardzo dobrze odróżnić je od roślinności pozbawionej silnej tekstury. Na obrazach o większej rozdzielczości (do rozmiaru piksela 4,88 m włącznie) zaobserwowano pełną separatywność badanych obszarów testowych i to, najczęściej, na kilku mapach granulometrycznych, co wskazuje, że, przynajmniej na obrazach o bardzo dużej i dużej rozdzielczości, tekstura lasu widoczna jest w więcej niż jednej skali charakteryzuje się ziarnem o różnych rozmiarach. Poczynając od obrazu o pikselu 10 m separatywność jednak spada (choć na tym akurat obrazie wciąż jest na bardzo wysokim poziomie), co wiąże się z zanikiem wyraźnej tekstury lasu. Stosunkowo duża separatywność na obrazie o pikselu 25 m wiąże się częściowo z poruszonym wcześniej zjawiskiem zwiększenia wartości pikseli obszaru testowego klasy roślinności na odpowiednich mapach granulometrycznych spowodowanym sąsiedztwem działek o innym pokryciu terenu; w tym przypadku, paradoksalnie, obszar roślinności cechuje się większymi wartościami na mapach granulometrycznych, niż obszary leśne, co pomaga w odróżnieniu tych dwóch obszarów. Biorąc jednak pod uwagę, że jest to raczej wpływ rozmiaru obiektu, a nie charakterystycznej dla niego tekstury należy wnioskować, że na obrazach o mniejszej rozdzielczości przestrzennej odróżnienie tego typu par klas może być bardzo trudne. Tablica 3. Odległości J-M dla wybranych par klas, w zależności od rozmiaru piksela 0,61 1,22 2,44 4,88 10 15 20 25 30 para klas terenu c1 c4 o1 o2 o1 o2 c1 c1 c1 o1 roś./las igl. 1,414 1,414 1,414 1,414 1,414 1,354 1,411 1,378 1,402 1,264 roś./las lis. 1,414 1,414 1,414 1,414 1,414 1,408 1,325 1,269 1,262 1,244 roś./las mieszany 1,414 1,414 1,414 1,414 1,414 1,194 1,356 1,250 1,320 1,150 59

3.3. Porównanie tekstury klas terenów zabudowanych oraz lasów i sadów Jak pokazuje poniższe zestawienie wartości odległości J-M na wybranych mapach granulometrycznych (tab. 4), większość badanych par klas udaje się odróżnić na podstawie analizy teksturowej w stopniu wysokim lub bardzo wysokim. Na obrazach o największej rozdzielczości, najlepsze rozróżnienie udaje się uzyskać na mapach o bardzo różnych indeksach, co oznacza, że poszczególne pary klas różnią się między sobą teksturą na różnych poziomach skalach. Np. para klas: zabudowa blokowa i las liściasty jest w pełni separatywna na mapie granulometrycznej o indeksie 2, a więc takiej, w przypadku której decydujące znaczenie ma ziarno tekstury o rozmiarze ok 3 m, podczas gdy na mapie o indeksie 9 (rozmiar ziarna tekstury ok. 11 m) separatywność jest bardzo mała (wartość 0,539) natomiast w przypadku pary: zabudowa miejska sad stary mamy do czynienia z odwrotną sytuacją: na mapie granulometrycznej uzyskano pełną separatywność, natomiast na mapie o indeksie 2 stosunkowo niedużą (1,122). Po raz kolejny potwierdza to istotność wieloskalowości analizy teksturowej. Na obrazach o mniejszej rozdzielczości również uzyskano bardzo dobrą separatywność. Wynika to z zaobserwowanych już wcześniej: zaniku tekstury lasów na obrazach o mniejszej rozdzielczości i wciąż wyraźnej tekstury obszarów zabudowanych na tych obrazach. Tablica 4. Odległości J-M dla wybranych par klas, w zależności od rozmiaru piksela 0,61 1,22 2,44 4,88 para klas terenu c2 c9 c1 c5 c1 c3 o2 c3 zab. blok./las igl. 1,414 1,394 1,414 1,376 1,089 1,371 1,413 1,396 zab. blok./las lis. 1,414 0,539 1,414 0,804 1,414 0,540 1,307 1,326 zab. blok./las miesz. 1,414 1,121 1,414 0,775 1,414 1,178 1,403 1,163 zab. wiej./las igl. 1,402 1,410 1,371 1,399 0,541 1,414 1,414 1,414 zab. wiej./las lis. 1,392 0,584 1,400 1,002 1,408 1,004 1,139 1,414 zab. wiej./las miesz. 1,411 1,186 1,410 0,560 1,399 0,676 1,399 1,391 zab. miej./las igl. 1,396 1,414 1,213 1,414 1,272 1,414 1,414 1,414 zab. miej./las lis. 1,345 1,334 1,362 1,326 1,242 1,405 1,294 1,406 zab. miej./las miesz. 1,411 0,524 1,406 0,491 1,105 0,362 1,411 1,180 Tablica 4. cd. Odległości J-M dla wybranych par klas, w zależności od rozmiaru piksela 10 15 20 25 30 para klas terenu c1 o1 c1 c1 c1 zab. blok./las igl. 1,414 1,414 1,414 1,414 1,414 zab. blok./las lis. 1,414 1,414 1,414 1,414 1,414 zab. blok./las miesz. 1,414 1,414 1,414 1,414 1,414 zab. wiej./las igl. 1,414 1,414 1,414 1,414 1,414 zab. wiej./las lis. 1,409 1,414 1,413 1,414 1,407 zab. wiej./las miesz. 1,411 1,413 1,412 1,414 1,375 zab. miej./las igl. 1,414 1,414 1,414 1,414 1,414 zab. miej./las lis. 1,414 1,414 1,414 1,414 1,414 zab. miej./las miesz. 1,414 1,414 1,414 1,414 1,413 60

3.4. Porównanie tekstury klasy terenów zabudowanych oraz lasów i sadów W kolejnej tablicy (tab. 5) przedstawione zostały wybrane wartości odległości J-M określające wzajemną separatywność różnych typów terenów zabudowanych. Jak widać satysfakcjonujący poziom rozdzielności udało się uzyskać w zasadzie wyłącznie dla pary klas: zabudowa blokowa i zabudowa miejska. W pozostałych przypadkach są z tym istotne problemy, dotyczą one zwłaszcza pary: zabudowa blokowa zabudowa wiejska, w obu przypadkach mamy bowiem do czynienia ze stosunkowo rzadko rozłożonymi budynkami. Spadek separatywności wraz z rozdzielczością dotyczy w największym stopniu pary: zabudowa wiejska zabudowa miejska, w dwóch pozostałych przypadkach aż do obrazu o pikseli 25 m uzyskano satysfakcjonującą rozdzielność badanych par klas terenów zabudowanych. Tablica 5. Odległości J-M dla wybranych par klas, w zależności od rozmiaru piksela 0,61 1,22 2,44 4,88 para klas terenu c2 c9 c1 c6 c1 c1 o3 zab. blok./zab. wiej. 0,760 0,146 0,809 0,917 0,881 0,549 1,126 zab. blok./zab. miej. 1,409 1,168 1,401 0,286 1,372 1,379 0,978 zab. wiej./zab. miej. 1,086 1,214 1,001 1,124 1,040 1,364 1,379 Tablica 5. cd. Odległości J-M dla wybranych par klas, w zależności od rozmiaru piksela 10 15 20 25 30 para klas terenu c1 c2 c1 c2 c1 c1 o1 c1 zab. blok./zab. wiej. 1,382 0,644 1,414 1,211 1,063 0,957 1,385 1,132 zab. blok./zab. miej. 1,132 1,411 1,414 1,306 1,414 1,400 1,396 1,155 zab. wiej./zab. miej. 1,375 1,190 0,296 1,386 1,076 1,261 0,794 0,549 3.5. Porównanie tekstury klas lasów i sadów W poniższym zestawieniu (tab. 6) przedstawiono wartości odległości J-M dla klas lasów różnych typów. Zaobserwować można dużą separatywność lasów iglastych względem pozostałych klas lasów: liściastych i mieszanych na obrazach wszystkich rozdzielczości, chociaż poczynając od obrazu o pikseli 25 m separatywność nieznacznie spada w obydwu przypadkach. Natomiast para: las liściasty i las mieszany okazuje się być dość podobna pod względem tekstury, przy czym nawet stosunkowo niewielkie różnice jeszcze zmniejszają się wraz ze spadkiem rozdzielczości obrazu, poczynając właściwie od obrazu o pikselu 4,88 m. Tablica 6. Odległości J-M dla wybranych par klas, w zależności od rozmiaru piksela 0,61 1,22 2,44 4,88 para klas terenu o1 c5 o1 o2 c1 c3 c1 c3 las igl./las lis. 0,219 1,414 1,274 1,413 1,414 1,414 1,414 1,234 las igl./las miesz. 1,339 1,413 1,414 1,414 1,414 1,414 1,414 1,400 las lis./las miesz. 1,258 0,278 1,223 0,418 0,572 1,337 0,410 1,012 61

Tablica 6. cd. Odległości J-M dla wybranych par klas, w zależności od rozmiaru piksela 10 15 20 25 30 para klas terenu c1 o2 c1 c1 c1 c1 las igl./las lis. 1,414 1,414 1,414 1,414 1,396 1,356 las igl./las miesz. 1,414 1,392 1,414 1,201 1,411 1,362 las lis./las miesz. 0,319 0,900 1,108 0,758 0,419 0,741 4. Wnioski Przeprowadzone badania potwierdziły dużą skuteczność map granulometrycznych jako narzędzia do analizy teksturowej. W większości przypadków dzięki analizie granulometrycznej uzyskano pełną lub chociaż bardzo dobrą separatywność porównywanych par klas. Dotyczy to przede wszystkim par klas o wyraźnie różniącej się sile tekstury, takich jak gleby odkryte lub pola uprawne pokryte roślinnością z jednej strony i tereny zabudowane lub lasy z drugiej. Bardzo dobrą separatywnością cechowały się również pary klas charakteryzujące się silną teksturą, jednak o odmiennym charakterze, czyli tereny zabudowane i lasy (różnych rodzajów). W tym przypadku duże znaczenie miała wieloskalowość analizy granulometrycznej pozwalająca nadawać obrazom wynikowym różne cechy, w zależności od rozmiaru ziarna tekstury. Najmniejszą separatywność uzyskano dla par podobnych klas, jak różne typy zabudowy lub różne rodzaje lasów, chociaż i tutaj, w wybranych przypadkach uzyskano satysfakcjonujące rezultaty. Zaobserwowano, że wpływ rozdzielczości przestrzennej obrazu na efektywność analizy granulometrycznej może być różny, w zależności od zestawianych klas. Dla przykładu, rozmiar piksela ma duże znaczenie w przypadku wyróżnienia różnych klas lasów, ponieważ ich tekstura charakteryzuje się stosunkowo niewielkim ziarnem, a więc najlepiej widoczna jest na obrazach o dużej lub bardzo dużej rozdzielczości. Na obrazach o mniejszej rozdzielczości ziarna tekstury, a w związku z tym i sama tekstura są niezauważalne, w związku z czym z punktu widzenia analizy teksturowej lasy mogą przypominać inne, bardziej jednolite typy pokrycia terenu, jak np. pola uprawne porośnięte roślinnością. Z kolei tereny zabudowane charakteryzują się wyraźną wieloskalową teksturą, co pozwala ją obserwować (i wykrywać na mapach granulometrycznych) również na obrazach o stosunkowo małej rozdzielczości, takich jak wykorzystane w badaniach obrazy o pikselu 30 m. Pozwala to odróżniać klasy terenów zabudowanych od innych, np. gleb odkrytych czy roślinności z dużą skutecznością, w dużym stopniu niezależnie od rozmiaru piksela. Jednak należy zwrócić uwagę, że w przypadku obrazów o małej rozdzielczości może pojawić się inny problem, również zaobserwowany w przedstawionych wyżej badaniach. Chodzi o wpływ rozmiaru obiektu na wynik analizy teksturowej w zależności np. od struktury agrarnej czyli rozmiaru działek rolnych i ich wzajemnego rozmieszczenia, wartości uzyskiwane na mapach granulometrycznych przez klasy w zasadzie pozbawione wyraźnej tekstury, takie jak gleba odkryte czy roślinność, mogą być bardzo duże i znacząco utrudniać ich odróżnienie od innych klas cechujących się wyraźną teksturą, takich właśnie jak tereny zabudowane. Na obrazach o większej rozdzielczości ten problem nie występuje, ponieważ w ich przypadku możliwe jest zastosowanie analizy w większej skali, nie obejmującej rozmiaru poszczególnych działek. 62

Stosunkowo problematyczne okazało się odróżnienie niektórych klas o podobnym charakterze, np. różnych rodzajów zabudowy, chociaż, jak pokazały wyniki badań, w wybranych przypadkach można uznać analizę granulometryczną za skuteczne narzędzie w tym kontekście. Podobnie w przypadku różnych rodzajów lasów, chociaż, ze względu na zanik tekstury na zdjęciach o mniejszej rozdzielczości, również separatywność tych par klas spadała wraz ze zwiększaniem rozmiaru piksela. ANALYSIS OF DISTINCTION OF SELECTED LAND COVER CLASS ON SATELLITE IMAGES USING IMAGE GRANULOMETRY Summary The paper is dedicated to analysis of the impact of spatial resolution on the effectiveness of texture analysis basing on image granulometry. The purpose of such an analysis is a classification of satellite images. Image granulometry is an effective tool for texture analysis and allows to achieve high accuracy of the spectro-textural classification using both spectral and textural characteristics. Because the texture as a space-based feature is largely dependent on a spatial resolution of the image, it is important to recognize how its effectiveness depends on pixel size. The study was conducted on QuickBird panchromatic photos and images with artificially degraded resolution (pixel sizes ranging from 0.61 m to 30 m) for basic land cover classes. 63