STRATEGIE DI CLASSIFICAZIONE AUTOMATICA DI IMMAGINI MULTISPETTRALI PER AREE URBANE

i

Sommario

Sommario .............................................................................. i

Introduzione ........................................................................ 5

Capito lo 1

L’energia come veicolo di informazione ........................ 9

1.1 La radiazione elettromagnetica ........................................ 11

1.1.1 Lo spettro e le finestre spettrali .................................. 12

1.2 L’immagine multispettrale ............................................... 15

1.2.1 Principali bande utilizzate nel telerilevamento ............... 17

A.1.2 Le grandezze radiometriche ........................................... 22

1.3 I sensori ....................................................................... 23

1.3.1 Classificazione in base alla tecnologia .......................... 24

1.3.2 Classificazione in base alla risoluzione spaziale ............. 31

1.3.3 Classificazione in base alla risoluzione spettrale ............ 33

1.3.4 Classificazione in base alla risoluzione temporale .......... 35

A.1.3 Principali sensori attualmente in orbita ........................... 37

ii

Capito lo 2

La classificazione e l’interpretazione ............................ 41

2.1 Classificazione automatica ............................................... 45

2.2 Classificazione pixel-based ............................................... 49

2.2.1 Classificazione pixel-based di tipo guidato (Supervised) ... 49

2.2.2 Classificazione pixel-based di tipo non guidato

(Unsupervised) .................................................................... 66

2.3 Classificazione Object-oriented ......................................... 69

2.3.1 Segmentazione .......................................................... 70

2.3.2 Classificazione............................................................ 74

2.4 Validazione .................................................................... 77

2.4.1 Accuratezza non-site-specific ....................................... 78

2.4.2 Accuratezza site-specific .............................................. 79

Capito lo 3

L’uso del telerilevamento in ambito urbano ............... 83

3.1 Esempi di applicazioni ...................................................... 86

Capito lo 4

Sperimentazione condotta sul caso studio(Bologna)..... 107

4.1 Dati a disposizione ........................................................ 109

4.1.1 Pre-processamento dell’immagine WolrdView-2 ............ 112

iii

4.2 Estrazione automatica di edifici ...................................... 115

4.2.1 Estrazione basata sul solo dato multispettrale ............. 120

4.2.2 Estrazione basata sul dato multispettrale e sul DSM ..... 136

4.3 Validazione .................................................................. 149

4.4 Considerazioni sulle problematiche riscontrate .................. 158

4.4.1 Estrazione basata sul solo dato multispettrale .............. 158

4.4.2 Estrazione basata sul dato multispettrale e sul DSM ..... 164

Conclusioni e osservazioni............................................ 169

Bibliografia ........................................................................ clxxiii

Sitografia ........................................................................ clxxviii

Ringraziamenti ................................................................... clxxxiii

Introduzione

Con il termine Telerilevamento si comprendono quelle tecniche che

permettono di ricavare informazioni da realtà poste a distanza nota

dal sistema di presa, o sensore.

In questo elaborato sono prese in esame le sole modalità di

telerilevamento passivo, in cui viene sfruttata la proprietà dei corpi di

assorbire, emettere o riflettere una radiazione incidente già presente

in natura, in maniera e quantità diversa tra loro, a seconda delle

caratteristiche chimico-fisiche e tessiturali intrinseche.

La raccolta ed elaborazione delle informazioni è stata, ed è tuttora,

possibile grazie allo sviluppo dei sensori e delle modalità di

acquisizione, nonché delle tecniche di elaborazione delle immagini

digitali.

Nato come potente risorsa nel campo militare, il Remote Sensing si è

distinto nell’ambito di studi per le Scienze Ambientali come ad

esempio la biologia, la geologia, l’esplorazione in campo mineralogico,

il rilevamento delle caratteristiche geomorfologiche, l’idrologia,

l’oceanografia, la classificazione delle risorse agricole e forestali,

stime dei raccolti, studi legati ai tipi di stress ed inquinamento

ambientali e così via.

L’insieme dei parametri che si riescono a misurare a distanze che

raggiungono anche centinaia di chilometri, è assai ampio e

testimonia, da una parte, le grandi potenzialità già raggiunte e in

continuo sviluppo, di questa tecnica di indagine relativamente

“nuova” e, dall’altra, il largo campo di impieghi in cui il

Telerilevamento si è affermato.

Introduzione

6

Molto interessante, in questo ambito, è la possibilità offerta dagli

strumenti dei Sistemi Informativi Territoriali (SIT o GIS) di integrare

tra loro dati di natura diversa (raster e vettoriali, planimetrici e

altimetrici), in modo da ottenere ulteriori informazioni riguardanti

l’area di studio; tra essi i dati telerilevati rivestono un’ importanza

significativa. Il loro uso sinergico consente di sintetizzare scenari

futuri, fruibili per eventuali pianificazioni, oppure di prendere decisioni

sul territorio.

Questo aspetto ha dato una notevole spinta all’impiego, in ambito

urbano, del telerilevamento; ne sono di esempio i recenti studi sulle

caratteristiche termiche delle superfici, collegati alle indagini sul

cambiamento climatico, eseguite mediante telerilevamento termico

aereo e satellitare sfruttando le bande dello spettro elettromagnetico

dell’IR termico.

Nel settore dell’urbanistica possono essere evidenziati esempi di

utilizzo del telerilevamento come valido supporto nella gestione e

verifica dell’impatto dei piani regolatori e nel controllo dello sviluppo

dell’area urbana, con particolari applicazioni legate, per esempio, alla

ricognizione e rivalutazione delle aree verdi.

Questa tecnica di indagine si è particolarmente distinta, inoltre, nelle

situazioni di catastrofi naturali, fornendo, in maniera celere, un primo

set di informazioni sulla portata dei danni occorsi in seguito a disastri

quali terremoti o inondazioni.

È infine da citare il largo uso che si è fatto delle tecniche di

telerilevamento per la redazione di stime e simulazioni del fabbisogno

energetico ed idrico di un nucleo urbano, collegato al fenomeno di

sviluppo delle agglomerazioni metropolitane e periferiche.

Tema centrale di questa tesi è l’individuazione di una strategia per la

creazione di un prodotto, l’estrazione degli edifici da un nucleo

urbano, indispensabile per le applicazioni sopra citate.

Lo scopo di questo elaborato è quello di sviluppare una procedura di

classificazione automatica di edifici, basata su tecnica object-oriented,

di recente proposta a partire da immagini satellitari ad alta

risoluzione. In particolare, la sperimentazione è stata effettuata su

parte dell’area metropolitana della Città di Bologna.

I dati a disposizione comprendono un’immagine satellitare

multispettrale WorldView-2, caratterizzata da 8 bande e risoluzione

Introduzione

7

spaziale di 2 m nel multispettrale e di 0,5 m nel pancromatico, il

DTM (Digital Terrain Model), e il DSM (Digital Surface Model) dell’area

indagata e la CTC (Carta Tecnica Comunale).

La sperimentazione è stata effettuata mediante l’impiego del software

eCogniton Developer 8.8 di Trimble e il software open source

Quantumgis, per verificare l’accuratezza della mappa degli edifici

prodotta dalla classificazione object-oriented con una procedura di

validazione.

La tesi è organizzata in 4 capitoli.

Il primo capitolo è incentrato sul concetto di radiazione

elettromagnetica; si sofferma sulla descrizione degli intervalli di

lunghezza d’onda particolarmente utili nel campo del telerilevamento

e offre una panoramica dei principali utilizzi di ciascuno di questi

intervalli, in materia di protezione e pianificazione del territorio.

Una sezione è dedicata, inoltre, alla definizione del concetto di

sensore e all’illustrazione delle modalità di ripresa, con particolare

riferimento alle missioni satellitari odierne.

Nel secondo capitolo viene proposta una rassegna delle tecniche di

classificazione automatica di tipo pixel-based e object-oriented per

poi terminare con l’illustrazione del concetto di accuratezza e dei

parametri ad esso legati.

Nel terzo capitolo sono descritti 10 casi di studio significativi relativi

all’impiego delle immagini satellitari per applicazioni in ambito

urbano; questa raccolta mira a concentrare l’attenzione sulla varietà

di obiettivi raggiungibili attraverso dataset diversificati.

L’ultimo capitolo, il quarto, è dedicato al caso di studio ed, in

particolare, ai dati a disposizione, ai software utilizzati ed al workflow

che ha condotto alla realizzazione del progetto.

Introduzione

8

Capitolo 1

L’energia come veicolo di informazione

Il telerilevamento nasce con lo scopo di captare e misurare a distanza

le caratteristiche fisico-chimiche di un oggetto, tramite un sensore

che sia in grado di misurare l’energia elettromagnetica che la

superficie dell’oggetto irradia nello spazio circostante, verso il sensore

stesso.

Tale energia può essere emessa dall’oggetto stesso (quella ad

esempio termica, nel momento in cui la superficie del corpo sia ad

una temperatura maggiore dell’ambiente circostante), o riflessa, cioè

che il corpo, in virtù della sua composizione chimica e della tessitura

della sua superficie, riflette una volta colpito dall’energia

elettromagnetica proveniente da sorgenti naturali (come il sole) o da

sorgenti artificiali (ad esempio un laser, un radar…ecc. ).

In questo elaborato si prenderanno in considerazione misure

effettuate attraverso sensori passivi che misurano la radiazione


10

elettromagnetica proveniente dall’oggetto osservato (sia essa emessa

o riflessa). Tali sensori effettuano la misura in diversi canali spettrali,

centrati su specifiche lunghezze d’onda dello spettro

elettromagnetico.

In particolare, la scelta dell’intervallo spettrale dipende dal tipo di

indagine che si vuole effettuare; quindi, esisteranno sensori adatti

all’osservazione della superficie terrestre, altri adatti all’analisi di

acqua marina e/o lacustre; altri ancora specifici per studi nel campo

energetico e termico.

Figura 1.1 Percorso dell'energia elettromagnetica (Brivio P.A. et al., 2006)


11

1.1 La radiazione elettromagnetica

Le radiazioni elettromagnetiche emesse dalle sorgenti sono una forma

di energia che si propaga. Il fenomeno ondulatorio è infatti dovuto

alla propagazione contemporanea di due campi nello spazio, uno

elettrico e uno magnetico, oscillanti, perpendicolari tra loro.

È utile rappresentare questo fenomeno con carattere di onda piana,

definita da tre parametri:

- La lunghezza d’onda λ, ovvero la distanza che separa due

consecutive creste dell’onda;

- La frequenza ν, definita come numero di creste in un certo

intervallo di tempo, misurata in Hz ;

- L’ampiezza A, che equivale all’altezza di ogni cresta; nella

rappresentazione, indicherà il picco di Energia irradiata

misurata in Wm-2 μm-1 ;

Figura 1.2 La radiazione elettromagnetica


12

1.1.1 Lo spettro e le finestre spettrali

La radiazione elettromagnetica può essere rappresentata come

distribuzione monodimensionale dell’energia emessa: lo spettro

elettromagnetico.

Figura 1.3 Rappresentazione schematica dello spettro elettromagnetico (Brivio P.A. et al., 2006)

Gli intervalli di lunghezza d’onda della radiazione, definiscono regioni

dello spettro, convenzionalmente suddivisi e nominati.

La rappresentazione dello spettro parte da valori di λ minori di 0.3 Å

con la regione dell’ultravioletto (UV) fino a 350nm, dove inizia la

regione del visibile (VIS). Quest’ultima è distribuita tra le lunghezze

d’onda del violetto, passando per il blu, il verde e arrivando, col

rosso, a 750nm, dove inizia l’intervallo dell’infrarosso.

All’interno della regione dell’infrarosso, sono individuate le zone

dell’infrarosso vicino (NEAR IR) [0.75 μm – 3 μm], infrarosso medio

(MWIR) [3 μm – 7 μm], infrarosso termico (TIR) [7 μm – 20 μm] e,

infine, l’infrarosso lontano (FIR), che termina a [20 μm–1000 μm ],

dove inizia la regione delle onde radio, fra cui le microonde (MW),

impiegate nel telerilevamento attivo e passivo, tra le lunghezze

d’onda di [0.1 cm – 30 cm].


13

BANDA INTERVALLO λ INTERVALLO ν

Raggi cosmici < 0.03 Å > 108 THz

Raggi γ 0.03 – 3 Å 108 – 106 THz

Raggi X 0.3 – 10 nm 106 – 30000 THz

Raggi UV 10 – 380 nm 30000 – 789 THz

Visibile VIS 380 – 750 nm 789 – 400 THz

Infrarosso IR 0.75 – 1000 μm 400000 – 300 GHz

Microonde MW 0.1 – 100 cm 300 – 0.3 GHz

Onde radio > 1 m < 300 MHz

Tab. 1.1 Lunghezze d’onda e frequenze delle principali regioni dello spettro elettromagnetico


14

A causa dell’assorbimento della radiazione elettromagnetica, dovuto

all’interazione radiazione-gas atmosferici, non tutte le regioni dello

spettro sopracitate risultano utili al telerilevamento; solo in

corrispondenza delle cosiddette finestre atmosferiche, o zone di

trasparenza dell’atmosfera, la radiazione viene trasmessa e le perdite

dovute all’assorbimento sono minime o nulle.

Le finestre atmosferiche sono:

- [0.35 - 0.75 μm], nel VIS;

- [0.7 - 1.3 μm], [1.5 - 1.8 μm], [2.0 - 2.8 μm], nell’IR riflesso;

- [3 - 4 μm], nell’IR termico vicino;

- [8 - 14 μm], nell’IR termico medio;

- tutta la regione delle microonde.

Figura 1.4 Zone di assorbimento e riflessione dello spettro elettromagnetico


15

1.2 L’immagine multispettrale

Un’immagine satellitare è la rappresentazione di una porzione

di territorio dove i valori dei pixel, gli elementi quadrati che

compongono l’immagine stessa, rappresentano una o più parti

dello spettro elettromagnetico. In generale, le immagini

satellitari si distinguono in pancromatiche e multispettrali. Nel

primo caso si ha un’immagine singola che registra l’intero

intervallo del visibile; le immagini multispettrali registrano

ciascuna uno specifico intervallo dello spettro elettromagnetico.

Un’immagine che copre più bande dello spettro

elettromagnetico, è in grado di offrire più informazioni di quelle

che l’occhio umano può ricavare dalla sola regione del visibile.

Inoltre, le immagini multispettrali risultano utili per il

riconoscimento della risposta spettrale, delle superfici osservate

con particolare riferimento alla realizzazione di mappe d’uso e

copertura del suolo che necessitano l’interpretazione di

fenomeni di riflessione in diverse regioni dello spettro.

Poter disporre di più bande consente di individuare e classificare

elementi della scena, studiandone la cosiddetta firma

spettrale.

Osservando infatti l’energia riflessa dalle superfici, a diverse

lunghezze d’onda, se ne ricava una curva di riflettività, detta

appunto firma spettrale; essa permette di distinguere diversi

elementi a seconda della loro composizione chimico-fisica e di

come, questa, influisca nei processi di riflessione dell’energia

elettromagnetica (http://www.ricercasit.it).

Esistono, di fatto, vere e proprie librerie spettrali, che

raccolgono le firme di spettrali di numerose sostanze che

compongono gli elementi da cui siamo circondati.

http://www.ricercasit.it/


16

Figura 1.5 (a,b,c) esempi delle firme spettrali più note


17

1.2.1 Principali bande utilizzate nel telerilevamento

Si riportano di seguito alcuni esempi d’impiego delle bande in

funzione del fenomeno indagato.

Suddette bande possono essere combinate mediante operazioni

matematiche al fine di ottenere degli indici spettrali (IS) che

enfatizzino un fenomeno di interesse (ad esempio il contenuto in

clorofilla) o riducano eventuali elementi “di disturbo” (ad esempio

fenomeni di scattering dell’atmosfera).

- Individuazione vegetazione naturale:

FENOMENI INDAGATI assorbimento spettrale della clorofilla nel rosso con la

riflessione nel vicino infrarosso, fortemente influenzata dal tipo di strutture fogliare.

BANDE

VIS Utilizzati nella definizione di IS IR vicino

Microonde caratteristiche morfologiche,

contenuto in acqua

IS

NDVI (Normalized

Difference Vegetation Index)

L’indice varia nell’intervallo [-1,1]; A valori negativi corrispondono zone d’acqua; a valori maggiori di zero fino

ad uno, corrispondono aree vegetate e suoli.

RVI (Ratio Vegetation

Index)

Per valori bassi compresi tra 0 e 1 ci si trova su una zona di suolo o acqua; per valori che si aggirano da 6 a 10, si ha di

fronte vegetazione.

Tab. 1.2 Principali bande e indici utilizzati nell’individuazione di vegetazione naturale


18

- Individuazione vegetazione coltivata:

FENOMENI INDAGATI

assorbimento spettrale della clorofilla nel rosso con la riflessione nel vicino infrarosso, fortemente influenzata dal tipo di strutture fogliare.

BANDE

VIS Utilizzati nella definizione di

IS, fotointerpretazione delle colture; analisi dello stato di

salute: RED EDGE POINT IR vicino

IS

NDVI (Normalized Difference

Vegetation Index)

INDICI FOGLIARI

Tab. 1.3 Principali bande e indici utilizzati nell’individuazione di vegetazione coltivata

- Pianificazione ed uso del suolo:

FENOMENI INDAGATI

discriminare le diverse risposte spettrali degli oggetti; uso integrato di immagini ad alta risoluzione spaziale e radiometrica servendosi anche di dati archiviati e di pubblico accesso, per la costruzione di

indagini multitemporali.

BANDE

VIS Riflessione superfici

e materiali, fotointerpretazione; definizione di indici vegetazionali per polmoni verdi;

IR vicino

Pancromatico

Fotointerpretazione geometrica ad alta risoluzione, confronto con mappe catastali pre-esistenti; realizzazione di pan-sharpening;

IS

NDVI (Normalized

Difference Vegetation Index)

LAI (Leaf Area Index)

Tab. 1.4 Principali bande e indici utilizzati nella pianificazione del suolo


19

- Monitoraggio catastrofi naturali (1): alluvioni, frane e smottamenti

FENOMENI INDAGATI

l’uso dei dati satellitari in ambito di protezione civile in caso di alluvioni, terremoti, frane, incendi è sempre più determinante: la tempestività dei dati può essere determinante; approccio

multimissione come ad esempio la realizzazione di costellazioni di satelliti che ottimizzino il tempo di accesso ai dati di interesse come è stato messo a punto per il programma COSMO-Skymed dell’Agenzia Spaziale Italiana.

BANDE

VIS IR

PANCROMATICO

Delimitazione aree inondate per

fotointerpretazione;

Microonde

Tecnologia SAR : osservazione a più riprese della superficie terrestre, definizione dell’area inondata; possibilità di agire in qualunque situazione meteorologica.

Tab. 1.5 Principali bande e indici utilizzati nel monitoraggio di catastrofi naturali

- Monitoraggio catastrofi naturali (2):

incendi

FENOMENI INDAGATI Identificazione zone a rischio; circoscrizione in tempi brevi dell’area interessata; quantificazione e georeferenziazione de i danni.

BANDE

VIS Delimitazione aree interessate per fotointerpretazione; presenza di fumo; Pancromatico

MWIR (Infrarosso a onde medie)

In accordo con la legge di Wien, per cui un corpo emette radiazione elettromagnetica con lunghezza d’onda λmax tanto più piccola, quanto più alta è la sua temperatura, si è calcolato che l’emissione radiativa, per gli oggetti che emettono alle

tipiche temperature degli incendi boschivi, si manifesta con lunghezze d’onda fra i 3 a 5 µm. Questo intervallo corrisponde a quello dell’ IR medio nei principali sensori.

Tab. 1.6 Principali bande e indici utilizzati nel monitoraggio di catastrofi naturali


20

- Monitoraggio inquinamenti (1): discariche abusive

FENOMENI INDAGATI

La decomposizione della parte organica dei rifiuti, depositata in discarica e messa in condizioni di mancanza di ossigeno, a causa del sotterramento con l’intenzione di eludere i controlli, si accompagna a una produzione di calore sullo strato superficiale del terreno, posto ad una temperatura minore, specialmente nelle

stagioni più rigide.

BANDE

VIS Delimitazione aree interessate per fotointerpretazione; Pancromatico

TIR (Infrarosso

termico)

Emissioni di energia sotto forma di calore visibili nella banda del termico;

Tab. 1.7 Principali bande e indici utilizzati nel monitoraggio di discariche abusive

- Monitoraggio inquinamenti (2):

inquinamento aree costiere

FENOMENI INDAGATI

La conseguenza delle attività industriali e domestiche, che riversano gli scarichi nelle acque aperte, è il manifestarsi di un calo di ossigeno sul fondale. Questo causa una decomposizione delle sostanze organiche e una produzione

di quelle tossiche, che a loro volta innescano una diminuzione progressiva di fitoplancton sottocosta.

BANDE

VIS Delimitazione aree interessate per fotointerpretazione; Monitoraggio del fitoplancton sottocosta attraverso la specifica del blu ( 430 nm) e secondariamente nel rosso

( 670 nm) Pancromatico

Microonde Tecnologia SAR per l’individuazione in mare di residui di petrolio o discariche abusive;

Tab. 1.8 Principali bande e indici utilizzati nel monitoraggio di inquinamento di aree costiere

Figura 1.6 Dettaglio dell'assorbimento di radiazione elettromagnetica da parte del fitoplancton (Teggi S. Appunti di Telerilevamento)


21

- Fotogrammetria: realizzazione di cartografie e modelli digitali del terreno

FENOMENI INDAGATI

Sistemi di ripresa ottici (NADIR e OFF-NADIR); Tecnologie Radar/ SAR

BANDE

VIS Delimitazione aree interessate per definizione geometrie; fotointerpretazione scena; stereocoppie (nadir e off-nadir)

per la realizzazione di modelli

digitali del terreno; confronto con cartografia esistente;

NEAR IR (infrarosso vicino)

Pancromatico

Microonde Tecnologia Radar e SAR per la

realizzazione di modelli digitali del terreno;

Tab. 1.9 Principali bande e indici utilizzati nel monitoraggio di inquinamento di aree costiere


22

A.1.2 Le grandezze radiometriche

Di seguito si riportano le grandezze fisiche utilizzate nella misura

dell’energia dello spettro elettromagnetico.

SIMBOLO DESCRIZIONE ESPRESSIONE DIMENSIONI

Q

(energia radiante)

Energia trasportata

dalle onde elettromagnetiche

(fascio composto da n fotoni)

Q= ∑ [ ]

Ф (flusso radiante)

Energia radiante Q

trasferita da una superficie, nell’unità

di tempo

Ф =

[ ]

M (exitanza)

o E (irradianza) (densità di flusso

radiante uscente o incidente)

Equivale al rapporto tra il flusso radiante e l’’area interessata

dallo scambio

M =

E =

[ ]

L (flusso radiante per unità di superficie e

angolo solido)

Concetto legato alla geometria di

osservazione: lega il flusso di energia

percepita all’angolo di osservazione e alle caratteristiche

strumentali

L =

= angolo tra la

direzione di osservazione e la

verticale alla superficie misurata = angolo solido del

flusso di energia radiante

[ ]

Tab. 1.10 Grandezze radiometriche utilizzate nel telerilevamento


23

1.3 I sensori

Gli strumenti utilizzati nel telerilevamento per misurare la radiazione

elettromagnetica sono generalmente chiamati sensori.

Un sensore è un trasduttore che riceve un segnale in entrata,

l’energia elettromagnetica, ed emette un segnale elettrico in uscita.

Nel rilevamento a distanza della superficie terrestre e degli oggetti

che ne fanno parte, si parla di energia elettromagnetica emessa o

riflessa dagli oggetti e il segnale elettrico in uscita corrisponde ad un

valore discreto denominato digital number .

In generale, il termine di viene impiegato per identificare un sistema

a più componenti costituito da:

- Rilevatori;

- Trasduttori;

- Supporti di memoria;

- Registratori di dati;

- Attuatori;

Esso può essere montato su piattaforme diverse, a seconda del

fenomeno investigato:

- Piattaforme fisse terrestri;

- Piattaforme mobili terrestri;

- Piattaforme sottomarine o sub-terrestri;

- Piattaforme satellitari;

- Velivoli;

- Veicoli;

- Imbarcazioni;

La scelta del sensore impiegato in una certa applicazione viene

effettuata in base al tipo di indagine che si vuole condurre.

Di seguito, nell’enunciare le caratteristiche tecniche che influenzano

questa scelta, vengono descritte le diverse categorie di sensori.


24

1.3.1 Classificazione in base alla tecnologia

In base alla tecnica di acquisizione delle informazioni, i sensori

vengono suddivisi in passivi e attivi.

Si definiscono passivi quei sensori che misurano la radiazione solare

riflessa ed emessa da oggetti o superfici; la registrazione si svolge

esclusivamente di giorno e inoltre l’esposizione alla luce solare incide

notevolmente sulla qualità del prodotto che verrà realizzato.

Di questa categoria fanno parte strumenti come :

- Radiometri: strumenti che misurano la radiazione in termini di

radianza spettrale (si può parlare di radiometri o radiometri

multispettrali);

- Spettroradiometri: strumenti che misurano la radianza

multispettrale ad intervalli di 1nanometro ciascuno, arrivando

ad avere una serie continua di dati distribuiti su tutto lo

spettro;

- Sistemi fotografici: strumenti che trasducono il segnale

elettromagnetico in un segnale elettrico di digital numbers

rappresentanti i valori di pixel che compongono un’immagine

digitale;

Figura 1.7 Rappresentazione di un sistema di acquisizione ottico, con supporto di tipo pellicola fotosensibile (a) o sistema CCD (b). (www.e-education.psu.edu)


25

- Sistemi a scansione: anch’essi strumenti che producono un

segnale elettrico in output sotto forma di immagine digitale;

la particolarità degli scanner è la registrazione continua di una

scena bidimensionale durante un moto di avanzamento della

piattaforma su cui sono alloggiati e la contemporanea

osservazione del radiometro, che opera con tecnica whisk-

broom o push-broom.

La tipologia whisk-broom registra una scena bidimensionale

attraverso uno specchio mantenuto in rotazione che devia i

raggi della radiazione proveniente dal suolo verso il sistema

ottico di ripresa.

Uno scanner di questo tipo è caratterizzato dal parametro IFOV

(Istantaneous Field Of View) che è l’angolo solido di vista

(generalmente misurato in steradianti) a cui corrisponde un

angolo piano FOV (angular Field Of View) e un gIFOV (ground

IFOV), cioè l’area spazzata a terra, che dipende anche dalla

quota di volo.

Figura 1.8 Sistema a scansione di tipo whisk-broom (www.creaf.uab.es )


26

La tipologia push-broom è dotata di particolari sistemi ottici

attraverso i quali l’immagine di una strisciata scansionata è

osservata e registrata istantaneamente da un array di CCD1. Il

segnale acquisito quindi dai CCD costituisce una fila intera di

pixel dell’immagine. La scena totale quindi è il montaggio di file

successive di pixel acquisite durante l’avanzamento della

piattaforma su cui si trova il sensore.

Nel caso di sensore multispettrale si avrà un array di rivelatori

per ogni banda di acquisizione.

L’acquisizione contemporanea di una dimensione dell’intera

scena, necessita di un tempo di esposizione superiore a quello

dei sistemi whisk-broom e una sorgente luminose costante per

ottenere una luminosità uniforme.

Figura 1.9 Sistema a scansione di tipo whisk-broom (www.creaf.uab.es )

1 CCD (Coupled Charged Device): rivelatore ottico che trasforma l’energia elettromagnetica registrata in entrata, in segnale elettrico; viene definito “processo fotoelettrico”. Si trovano spesso utilizzati in Linear array o Matrix array.


27

Si definiscono, invece, attivi quei sensori che emettono un segnale

per “illuminare” la scena indagata e ne registrano l’eco di ritorno.

Essi permettono, quindi, la ripresa sia di giorno sia di notte e in

presenza di copertura nuvolosa;

Un esempio di sensore attivo è il RADAR (RAdio Detection and

Ranging).

I radar sono classificati tra i sensori attivi, poiché sono essi stessi

sorgenti di energia elettromagnetica di tipo microonde, emessa da un

antenna verso il bersaglio; i segnali inviati sono direzionabili e

polarizzabili. Questi sistemi di acquisizione sono inoltre dotati di un

ricevitore che riceve il segnale riflesso dall’obiettivo.

Dal segnale retroriflesso si ottengono due tipi di informazioni sul

bersaglio:

- In primo luogo, la distanza obliqua dall’antenna, ottenuta

mediante la misura del tempo intercorso tra l’invio del segnale

e la ricezione dell’eco;

- In secondo luogo, viene misurata la potenza del segnale

ricevuto;

in particolare la potenza del segnale dipende dai parametri:

[

]

dove :

è la potenza del segnale inviato dall’antenna;

G è il guadagno dell’antenna;

D è la distanza obliqua tra antenna e superficie del bersaglio; il

sistema radar infatti vede il terreno lungo una linea obliqua che

collega bersaglio e antenna.

è la lunghezza d’onda del segnale emesso;

è il coefficiente di retrodiffusione a cui è legata la risposta delle

superfici; esso è funzione di parametri legati al sistema radar e

parametri del terreno stesso, come ad esempio la rugosità e il

contenuto in acqua.


28

Le immagini ottenute sono composte da pixel i cui digital numbers

dipendono dalla potenza del segnale retro-riflesso dalle superfici,

all’antenna.

Quanto più un’antenna è grande, tanto maggiore è l’area “illuminata”,

di conseguenza, permette risoluzioni migliori.

È tuttavia difficile praticamente montare un’antenna di dimensioni

elevate.

Questi limiti pratici vengono aggirati da un Radar di tipo SAR

(Synthetic-Aperture Radar), che monta comunque un’antenna di

dimensioni ridotte, ma che sfrutta l’effetto Doppler.

Durante il movimento della piattaforma, viene emesso un impulso in

corrispondenza di ogni posizione occupata. Elaborando

opportunamente i dati acquisiti dal sensore in posizioni successive, si

simula un'antenna di dimensioni molto maggiori di quella reale,

corrispondenti all’ampiezza di tutto lo spazio coinvolto

nell’osservazione

Figura 1.10 Modalità di acquisizione del segnale, nella tecnologia di ripresa SAR


29

Ogni oggetto che entri nel fascio di illuminazione dell’antenna riflette

il segnale con una diversa frequenza a seconda della posizione che

occupa all’interno dello swath2.

In particolare, in fase di avvicinamento , l’oggetto retro-diffonde il

segnale con frequenza maggiore del segnale emesso; nel momento in

cui l’oggetto è allineato all’antenna, esso riflette con frequenza uguale

al segnale che lo colpisce; infine in fase di allontanamento, il segnale

riflesso dall’oggetto avrà frequenza minore. Questo meccanismo è

definito “Storia delle Fasi” e permette la localizzazione nello spazio, di

un corpo.

La localizzazione di un oggetto lungo la direzione perpendicolare al

volo (direzione trasversale),avviene misurando il tempo impiegato dal

segnale portante a tornare al ricevitore, una volta colpito il bersaglio.

La localizzazione, invece, lungo la direzione di volo è ottenuta

nell’istante in cui frequenza Doppler e frequenza della Portante sono

uguali.

2 Swath: campo totale di vista.


30

Tra i sistemi attivi è opportuno citare il Laser (Light Amplification by

Stimulated Emission of Radiation) a scansione. Il prodotto che si

ottiene, illuminando gli oggetti con il fascio laser, che opera

generalmente nella regione del visibile e dell’infrarosso vicino, è una

nuvola di punti tridimensionali.

I laser a scansione si distinguono in base al principio di

funzionamento del sensore, che può essere:

- Misura del tempo di volo (ToF);

- Triangolazione;

- Metodo della comparazione di fase;

Nel telerilevamento un laser a scansione fa generalmente parte di un

sistema più complesso di acquisizione chiamato Lidar (Light Detection

and Ranging); esso è composto da :

- Mezzo mobile;

- Trasmettitore laser;

- Ricevitore

- Posizionamento GPS;

- Sistema inerziale;

- Sistema di acquisizione di dati;


31

1.3.2 Classificazione in base alla risoluzione spaziale

La risoluzione spaziale, o geometrica, è la minima area elementare

al suolo di cui si rileva l’energia elettromagnetica ad una certa

distanza e ad un dato istante; essa esprime il dettaglio raggiungibile

da un sistema di ripresa.

La risoluzione spaziale può essere suddivisa in classi

CLASSI DI RISOLUZIONE RISOLUZIONE IN METRI DEFINIZIONE DI RISOLUZIONE

1 0.1 – 0.5 m ALTISSIMA

2 0.5 – 1 m ALTA

3 1 – 4 m

4 4 – 12 m MEDIO - ALTA

5 12 – 50 m MEDIA

6 50 – 250 m BASSA

7 250 – 1000 m

8 > 1000 m BASSISSIMA

Tab. 1.11 Classi di risoluzione dei sensori

Tra i sensori ad alta risoluzione spaziale si annoverano i sensori

passivi :

- Camere fotogrammetriche analogiche (montate su aereo);

sono gli strumenti fotografici tradizionali che operano nel campo

del visibile e nell’infrarosso vicino (fino a 0,9 μm). Le foto aeree

possono fornire fino a risoluzioni spaziali inferiori ai 50

centimetri. Le pellicole più utilizzate sono quelle pancromatiche

sensibili al visibile oppure, per l’acquisizione di più bande

spettrali differenti, viene utilizzato un sistema a più ottiche con

diversi filtri.

- Camere fotogrammetriche digitali (montate su aereo);

utilizzano un piano focale composto da elementi CCD(Charge

Coupled Device) in linea o a matrice, che scansionano la scena

da rilevare; La risoluzione dipende sia dalle condizioni di volo,

sia dalle dimensioni degli elementi CCD.

- Sensori pancromatici, e multispettrali

(montati su satelliti ad orbita quasi polare);

Si tratta di sensori che lavorano nel campo del visibile e

dell’infrarosso vicino(solitamente tra 0,4 e 0,9 μm). Essi

misurano l’intera energia elettromagnetica proveniente in

questo intervallo per ottenere un’alta risoluzione spaziale a

scapito della risoluzione spettrale.


32

Mediante le immagini pancromatiche è possibile realizzare due

prodotti di grande aiuto nel telerilevamento; in primo luogo le

fusioni di immagini multispettrali e pancromatiche attraverso la

tecnica di pan-sharpening, per ottenere la stessa immagine

multispettrale con medesima risoluzione spaziale della

pancromatica ; nel caso in cui siano disponibili due riprese del

sensore pancromatico, una nadir e l’altra off-nadir, è possibile

sfruttare la stereoscopia al fine di ottenere informazioni sulle

quote dei punti ripresi, attraverso la creazione di modelli digitali

del terreno.

Figura 1.11 Esempio di immagine Pan-sharpened (a destra), ottenuta dalla fusione delle due immagini precedenti (la prima, proveniente da un sensore pancromatico e la seconda, proveniente dai canali RGB di un sensore multispettrale)

Fra i sistemi attivi ad alta risoluzione spaziale, si cita il laser scanner

(montato su aereo). Un laser a scansione ad alta risoluzione ( tipo

Laser altimetro Optech ALTM 3033) può emettere 33000 impulsi al

secondo e in base alla quota di volo e all’angolo di scansione si

possono ottenere nuvole di 10.200 punti per ettaro.

Un altro esempio di sistema attivo, ad alta risoluzione spaziale, è la

costellazione formata dai 4 satelliti COSMO-SkyMed, ognuno dei quali

è equipaggiato di un radar ad apertura sintetica (SAR) a microonde

che opera nella banda X. L’area coperta a terra è di circa 600km, con

una risoluzione che va da 1 a 100m. (http://www.cosmo-skymed.it/it/index.htm)


33

1.3.3 Classificazione in base alla risoluzione spettrale

La risoluzione spettrale esprime il numero di bande in cui è diviso

l’intervallo di sensibilità spettrale del sensore a cui si riferisce.

Nel momento in cui il sistema di ripresa possiede più canali di

acquisizione, in diverse bande spettrali, si inizia a parlare di alta

risoluzione spettrale e quindi di sensori multispettrali e iperspettrali .

I sensori multispettrali, contano fino a 15 bande per cui risultano

adatti, ad esempio, per applicazioni di classificazione d’uso e

copertura del suolo e per l’interpretazione dei fenomeni territoriali e

ambientali che ne derivano.

I sensori iperspettrali misurano in un numero di bande fino all’ordine

del centinaio e comunque, per convenzione, maggiore di 16. Sono

particolarmente utilizzati nel riconoscimento e catalogazione delle

firme spettrali degli elementi osservati ed è possibile attivarne un

certo numero e tipo di bande a seconda del caso studio.

Di seguito, nell’Appendice A 1.3 sono raccolti i più recenti e noti

sensori multispettrali e iperspettrali e multispettrali alloggiati su

missioni satellitari.


34

Le esperienze e la ricerca condotte finora sui sensori montati su

piattaforme satellitari stanno fornendo buoni risultati dal punto di

vista della risoluzione spettrale, ma continuano a rimanere penalizzati

per quanto riguarda la risoluzione spaziale, a causa delle grandi

distanze dalla Terra delle piattaforme su cui sono alloggiati.

La ricerca, nel campo dei sensori iperspettrali, è volta soprattutto

verso piattaforme a bordo di aerei.

Di seguito si forniscono degli esempi di sensori iperspettrali montati

su piattaforme aeree.

SENSORI PROPRIETÀ SPETTROMETRI BANDE RISOLUZIONE

SPAZIALE

Aviris Airborne Jet Propulsion

Laboratory (JPL) 4

31 (0.41- 0.60 μm) 63 (0.68 – 1.27 μm) 63 (1.25 – 1.86 μm) 63 (1.84 – 2.45 μm)

20 m

Casi 1500 1 288 (0.40 -1.25 μm) 0.25 – 1.5 m

Mivis CNR 4

20 (0.43 - 0.83 μm) 8 (1.15 – 1.55 μm)

64 (2.00 – 2.50 μm) 63 (8.20 – 12.7 μm)

24m (12000 m quota) / 2m

(1000m quota)

Tab. 1.12 Esempi di sensori iperspettrali, montati su piattaforme aeree.

Il numero di livelli impiegati nella rappresentazione di una scena, è

legato alla risoluzione radiometrica del sistema. Essa esprime in

pratica la differenza minima di intensità che il sensore è in grado di

rilevare tra due valori di radiazione elettromagnetica.

Maggiore è la risoluzione radiometrica del sensore in questione, più

saranno i livelli di energia con cui viene espressa la radiazione

elettromagnetica misurata.


35

1.3.4 Classificazione in base alla risoluzione temporale

Per risoluzione temporale si intende il periodo di tempo

(generalmente in giorni o ore) che intercorre tra due riprese

successive della stessa area.

La scelta del sensore, e della piattaforma su cui alloggiarlo, deve

prendere in considerazione anche questo aspetto, strettamente legato

alle indagini per cui è destinato.

Esistono applicazioni come la meteorologia, gli studi di oceanografia o

le indagini sui cambiamenti climatici, che necessitano un

monitoraggio costante su aree ben precise, aggiornamenti continui di

giorno e di notte real time.

Per questi scopi vengono impiegati satelliti con orbite geostazionarie,

per i quali ad un’alta risoluzione temporale si contrappone una bassa

risoluzione spaziale generalmente dell’ordine del chilometro.

Figura 1.12 Orbita di tipo geostazionario

Figura 1.13 tipico punto di vista di un satellite con orbita geostazionaria


36

L’evoluzione delle trasformazioni urbane, dell’uso e della copertura

del suolo possono essere invece studiati attraverso il confronto di

immagini della stessa scena riprese a mesi o ad anni di distanza.

In questo caso si fa ricorso a piattaforme con tempi di rivisitazione

più lunghi. Si parla quindi di satelliti con orbite eliosincrone (polari o

quasi polari) con a bordo sensori a media, medio-alta o alta

risoluzione spaziale e spettrale, che consentono analisi nel tempo.

Figura 1.14 Orbita di tipo eliosincrono (quasi polare). Il periodo T dell’orbita deve essere tale da percorrere un perfetto ciclo orbitale prestabilito. Le tracce al suolo percorse dal satellite si ripetono una sola volta per ogni ciclo orbitale; le tracce al suolo che delimitano le scene dovranno essere ogni ciclo uguale.

Figura 1.15 tipico punto di vista di un satellite con orbita eliosincrona

Di seguito si riporta una tabella che riassume i parametri

caratterizzanti delle orbite geostazionarie ed eliosincrone.

ORBITA QUOTA DI VOLO CICLO

ORBITALE RISOLUZIONE TEMPORALE

RISOLUZIONE SPAZIALE

ORBITA GEOSINCRONA

~ 36000 km - 15 / 30 min (BASSA) 1 / 5 km

ORBITA ELIOSINCRONA

~ 900/600 km 13-15 orbite/gg 1 / 30 gg (MEDIA / ALTA)

1m / 1km

Tab. 1.13 parametri di ciclo orbitale eliosicrono e geosincrono.


37

A.1.3 Principali sensori attualmente in orbita

Si riporta di seguito una panoramica dei paesi che contribuiscono

all’offerta di materiale telerilevato, con programmi di attività spaziale:

USA : serie Landsat7/8, NOAA, IKONOS, QuickBird;

FRANCIA : SPOT-4/5;

GIAPPONE : MOS-1;

INDIA : IRS-1A/B;

ISRAELE : EROS-A/B;

RUSSIA : Resource.

EUROPA : ENVISAT, ERS-1/2, Meteosat;

EUROPA : CosmoSkyMed;

Di seguito si riportano le caratteristiche dei principali sensori passivi

ad alta e medio/alta risoluzione. In particolare, la sperimentazione

descritta in questo lavoro è stata condotta su immagini del sensore

WorldView2, a bordo dell’omonimo satellite.

SAT / SENSORI PROPRIETÀ

BANDE SPETTRALI

RISOLUZIONE GEOMETRICA

RISOLUZIONE RADIOMETRICA

ALT

A R

ISO

LU

ZIO

NE

WorldView2

Su WorldView2

(USA)

Ciclo 1 gg ca.

Strisciata

16.4km

Altezza 770km

[ ] Coastal Blu

[ ] Blu

[ ] Verde

[ ] Giallo

[ ] Rosso

[ ] Red Edge

[ ] IR vicino1

[ ] IR vicino2

[ ] Pan.

Panchr.

0.46m (NADIR)

0.52m

(OFF NADIR)

Multispectr.

1.84m (N)

2.06m (O N)

11 bit


38

SAT / SENSORI PROPRIETÀ

BANDE SPETTRALI

RISOLUZIONE GEOMETRICA

RISOLUZIONE RADIOMETRIC

A

ALT

A R

ISO

LU

ZIO

NE

IKONOS

(Space Imaging,

USA)

Ciclo 1-14 gg

Strisciata

11.3km

Altezza 680km

[ ] Blu [ ] Verde

[ ] Rosso [ ] IR vicino

[ ] Pan.

3.2 m

0.82 m

11 bit

QUICKBIRD

(Digital Globe,

USA)

Ciclo 1-3.5 gg

Strisciata

16.5km

Altezza 450km

[ ] Blu [ ] Verde [ ] Rosso [ ] IR vicino

[ ] Pan.

2.44 m

0.61 m

11 bit

ME

DIO

–A

LT

A R

ISO

LU

ZIO

NE

ASTER

Terra (Earth Observation

System)

(NASA USA)

Ciclo 1 gg ca.

Strisciata 60 km

14 bande

15 m (VIS e NEAR

IR )

8 bit

MODIS

Terra (Earth Observation

System)

(NASA, USA)

Ciclo 1 gg ca.

Strisciata 2.3 km

36 bande

250 m (b 1-2) 500 m (b 3-7) 1000 m (b 8-36)

12 bit


39

ME

DIO

– A

LT

A R

ISO

LU

ZIO

NE

HYPERION

EO-1

(NASA, USA)

Ciclo 16 gg

Strisciata 7.5 km

Altezza 705 km

220 bande

[0.4 – 2.25 ] 30 m 16 bit

ALI

EO-1

(NASA, USA)

Ciclo 16 gg

Strisciata 7.5 km

Altezza 705 km

[ ] Pan. [ ] MS - 1' [ ] MS - 1 [ ] MS - 2 [ ] MS - 3

[ ] MS – 4 [ ] MS – 4’ [ ] MS - 5 [ ] MS – 5’ [ ] MS - 7

10 m 30m 30m 30m 30m 30m 30m 30m 30m

16 bit

HRVIR (haute

resolution visible infrarouge)

su Spot 4,5

(CNES, France)

Ciclo 26 gg

Strisciata 60km

Altezza 832km

[ ] Verde [ ] Rosso

[ ] IR vicino [ ] SWIR

[ ] Pan.

20 m 20 20 20

10

8 bit

LISS-1 (Linear self scanning sensors)

su Irs 1A-1B

(India)

Ciclo 22 gg

Strisciata 148km

Altezza 904km

[ ] Blu [ ] Verde [ ] Rosso

[ ] IR vicino

72 m 72 72 72

8 bit

Tab. 1.14 Principali sensori ad alta e medio-alta risoluzione, attualmente in orbita.


40

Capitolo 2

La classificazione e l’interpretazione

Nei capitoli precedenti è stato sottolineato come i prodotti delle

tecniche di telerilevamento siano contenitori di informazioni, acquisite

attraverso la registrazione dei valori di energia elettromagnetica

emessa o riflessa dalle superfici di ciò che ci circonda. Altro discorso è

come estrarre queste informazioni una volta raccolte e memorizzate.

Tradizionalmente l’individuazione di oggetti, fenomeni o processi

ambientali avveniva mediante fotointerpretazione dell’operatore di

immagini su pellicola.

I risultati potevano essere tanto più accurati quanto maggiore fosse

l’esperienza e la dedizione dell’operatore, tuttavia erano comunque

legati strettamente alla sua soggettività, non ripetibili e non

quantificabili.

A partire dagli anni ’80 inizia la produzione e raccolta di informazioni

con immagini “numeriche” anziché con immagini su pellicola

fotografica. (Kraus K. 1998)

L’attività di classificazione si trasforma in un duplice passaggio di

spazio; essa parte dallo spazio delle immagini, in cui ad ogni pixel è

associato un digital number (un certo livello di grigio, da 0 a 255, per


42

tutte le n bande di acquisizione del sensore); passa allo spazio delle

caratteristiche, in cui ad ogni pixel è associato un vettore posizione

nello spazio n-dimensionale delle caratteristiche ed arriva alla mappa

tematica, in cui viene associata ad ogni classe spettrale di pixels (con

simile pattern e vicina posizione nello spazio caratteristiche) una

classe tematica e quindi un’informazione semantica oltre a quelle già

presenti geografiche e spaziali.

Figura 2.1 Rappresentazione del passaggio dallo spazio delle misure, osservate dai sensori del telerilevamento, al mondo dei modelli, a cui si arriva mediante il processo di classificazione. (Brivio P.A. et al., 2006)

La definizione di procedure automatiche permette una

standardizzazione dei processi decisionali e rende possibile una

quantificazione egli errori.

Nell’ipotesi di lavorare con immagini multispettrali e quindi di avere

più informazioni legate ad uno stesso pixel immagine, il primo passo

della pattern recognition sarà quello di estrarre per ad ogni pixel il

valore nelle n bande di acquisizione, questo vettore di valori

rappresenta la posizione univoca dello stesso nello spazio n-

dimensionale delle caratteristiche.


43

Figura 2.2 Formazione di cluster nello spazio delle caratteristiche, dovuto all’addensarsi di vettori posizione associati a pixel appartenenti alla medesima classe tematica .

Le risposte spettrali delle diverse superfici nell’immagine faranno in

modo che i vettori posizione associati ai pixel raffiguranti oggetti di

uguale tipologia, o classe di informazione, tenderanno ad addensarsi

formando nuvole di punti, dette clusters o anche classi spettrali.

Non è raro tuttavia che capiti che le classi spettrali presentino,

all’interno dello spazio caratteristiche, un grado di separazione basso

o addirittura che si sovrappongano in alcune zone.

Si può affermare quindi che la bontà di un processo di classificazione

dipenda dal grado di separabilità di queste classi, ma anche in larga

parte dalle funzioni di decisione (o di discriminazione) con cui si

inserisce un pixel, individuato da un vettore univoco, in una o

nell’altra classe spettrale.

Si ipotizzi di avere come dato di partenza un’immagine multispettrale

in n bande. Ad ogni pixel dell’immagine sarà quindi associato un

vettore delle misure in n componenti, una per ogni banda, che

localizzerà univocamente il pixel, nello spazio n-dimensionale delle

caratteristiche;

le funzioni di decisione agiscono direttamente sul vettore delle

misure;

Esse possono agire secondo la logica booleana nell’ambito di una

classificazione di tipo hard oppure secondo la logica probabilistica

nell’ambito di una classificazione soft.


44

In entrambi i casi si valuterà l’appartenenza di un pixel ad una classe

spettrale se la funzione discriminate della classe i-esima è

maggiore delle altre:

Nello spazio caratteristiche le funzioni di decisione rappresentano le

frontiere dei domini delle classi spettrali.

Figura 2.3 Le funzioni di decisione rappresentano le frontiere delle classi spettrali nello spazio delle caratteristiche . (Brivio P.A. et al., 2006)


45

2.1 Classificazione automatica

Nel corso degli anni sono stati sviluppati e messi alla prova nuovi e

sempre più sofisticati sistemi di classificazione automatica o semi-

automatica, guidati o non guidati delle immagini telerilevate.

Tali sistemi permettono di derivare l’informazione semantica che si

sta ricercando senza o con un minimo aiuto da parte del

fotointerprete .

Un processo di classificazione di tipo automatico, è strutturato su tre

fasi fondamentali e generali che sono:

- Una fase di addestramento (o training), che interessa una

ristretta parte di pixel (dall’ 1% al 5% generalmente) o intere

aree, dette ROI (Region of Interest);

vengono individuati una serie di training site, o campioni, per

ogni classe tematica, attraverso la semplice esperienza

dell’operatore o informazioni supplementari di cui si è in

possesso; la scelta di punti che rappresentino le classi

tematiche, è in realtà un processo di individuazione di

determinate bande spettrali e di ben precisi livelli di grigio per

ciascuna, chiamato estrazione delle feature;

- Basandosi sulle feature estratte, le quali hanno definito delle

funzioni di separazione tra le classi spettrali nello spazio delle

caratteristiche, la macchina effettua l’assegnamento

automatico (allocation) del resto dei pixel immagine ad una o

ad un’altra classe spettrale; ad ogni classe spettrale nello

spazio caratteristiche verrà assegnata una classe tematica nello

spazio geografico;

- Segue la fase di validazione e controllo dell’accuratezza della

mappa tematica.


46

La classificazione non guidata (unsupervised) prevede invece un

intervento dell’operatore a posteriori, il quale assegna le classi

tematiche alle classi spettrali definite dalla macchina in precedenza,

attraverso le tecniche di clustering.

Figura 2.4 Distinzione fra i processi di classificazione guidata e non guidata . (Istituto Scienze della

Terra - SUPSI)

Nella pratica operativa tuttavia, i metodi di classificazione automatica

o semi-automatica stentano a sostituire la fotointerpretazione

manuale.


47

Il motivo di questo gap tra il progresso della ricerca e l’effettivo

affermarsi delle tecnologie innovative è da ricercarsi nei limiti che

frequentemente dimostrano gli elaborati prodotti con classificazione

supervised e unsupervised, in termini di accuratezza di classificazione

e complessità di lettura delle carte prodotte.

Un ostacolo alla diffusione di queste metodologie, è l’approccio, di

tipo pixel-based prevalentemente utilizzato : l’uso e copertura del

suolo viene determinato per ogni pixel dell’immagine originaria, in

maniera indipendente dagli altri.

Con questi presupposti, sono andate diffondendosi tecniche di

classificazione di immagini di tipo object-oriented , le quali sono

state anche recentemente introdotte nei pacchetti software più

utilizzati e diffusi, come eCognition della Trimble, che è proprio il

software utilizzato in questo elaborato.

Questo tipo di classificazione tratta i poligoni vettoriali generati da un

procedimento di segmentazione dell’immagine di partenza, anziché i

singoli pixel.

Il risultato finale, al di là dell’algoritmo di assegnazione utilizzato, è

un prodotto vettoriale, in contrapposizione a quello raster derivante

dall’approccio pixel-based.


48


49

2.2 Classificazione pixel-based

La classificazione pixel-based è un processo di assegnazione di

informazioni semantiche che avviene a livello del singolo pixel; esso

sfrutta il solo dato radiometrico, tralasciando quella serie di

informazioni derivanti dalla localizzazione del singolo pixel all’interno

dell’immagine e dello spazio.

Figura 2.5 Illustrazione del prodotto raster di una classificazione pixel-based.

2.2.1 Classificazione pixel-based di tipo guidato (Supervised)

La classificazione guidata tratta direttamente le classi informative,

definite in principio dall’analista, che si avranno al termine del

processo, nella carta tematica.

› Selezione delle classi e addestramento

La prima parte di questo approccio si incentra sulla definizione

della legenda della carta tematica e quindi sullo stabilire il

grado di dettaglio che essa avrà, al termine della

classificazione.

La definizione delle classi tematiche è strettamente connessa

all’ambito dello studio che si vuole condurre.


50

Ad esempio, uno studio di tipo agrario sullo sfruttamento di

un’area coltivata, sceglierà di discriminare appezzamenti di

terreno in base al tipo di coltura praticata; uno studio invece

incentrato sull’occupazione del suolo in ambito urbano, separerà

genericamente un suolo edificato da uno vegetato, al limite

discriminando un’area boschiva da una coltivata.

Figura 2.6 Esempi di legende di carte tematiche, differiscono a seconda del tipo di studio condotto.


51

Per ognuna delle classi definite precedentemente, deve essere

individuato un campione di pixel sufficiente a fungere come

modello per le fasi successive di classificazione automatica

attraverso algoritmi di decisione. Tali pixel vengono detti

training site.

La fase di addestramento richiede l’intervento dell’operatore, il

quale si aiuta con dati ancillari ad esempio:

- Sopralluoghi sul campo;

- Utilizzo di Carte topografiche, foto aeree ad una più alta

risoluzione spaziale, dati catastali, spettri di riflettanza al

suolo, carte tematiche esistenti;

- Esperienza personale ed interpretazione visuale;

Due sono gli aspetti da tenere presente durante questa fase: il

numero e la rappresentatività dei pixel di training.

Chiaramente sarebbe auspicabile un numero più grande

possibile di training site; questo fatto però comporterebbe costi

monetari e di tempo troppo onerosi.

Generalmente si adotta un numero di pixel di training

complessivo tra l’1% e il 5% del totale dei pixel dell’immagine.

Nella pratica si può adottare la regola per cui si richiede un

numero di training site compreso tra 10k e 30k, per ogni classe

tematica , dove k è il numero di caratteristiche selezionate

per la classificazione, cioè la dimensione dello spazio

caratteristiche.

Poiché dei pixel di training viene calcolato il pattern, ovvero

l’impronta spettrale nello spazio delle caratteristiche, è

necessario che essi siano rappresentativi della classe.

Ciò significa che dovranno essere scelti pixel omogenei e

dovranno essere evitate zone di confine fra un tipo di copertura

ed un’altra, che porterebbero inevitabilmente ad avere “pixel

misti” come training site.


52

È inoltre consigliabile selezionare pixel della stessa classe in

zone diverse dell’immagine, per tenere da conto gli effetti (sulla

riflettanza) di un’illuminazione diversa su aree omogenee.

› Selezione delle caratteristiche

Vengono selezionate le caratteristiche (siano esse bande

spettrali o indici spettrali) su cui impostare gli algoritmi di

decisione (classificatori).

Lo spazio delle caratteristiche, durante l’attività di

classificazione, è composto da tutte le bande spettrali in cui è

stata acquisita originariamente l’immagine, oppure dopo che ha

subito trasformazioni quali ad esempio le correzioni

atmosferiche per la riduzione del rumore.

Se l’avvento delle immagini multispettrali ha apportato notevoli

benefici all’attività di classificazione, non si può dire che abbia

anche aumentato incondizionatamente l’accuratezza finale delle

carte tematiche.

Con l’incremento dei dati multispettrali è diventato d’attualità il

fenomeno di Hughes, che rappresenta la tendenza

dell’accuratezza a crescere inizialmente man mano che

aumentano le bande spetrali, fino a raggiungere un picco di

massimo, ed iniziare successivamente una discesa.

Figura 2.7 Fenomeno di Hughes: diminuzione di accuratezza del classificatore, all’aumento progressivo di dimensioni dello spazio caratteristiche (Brivio P.A. , Lechi G. , Zilioli E. 2006).


53

È importante quindi considerare un numero di bande tali da non

creare ridondanza di informazioni nello spazio delle

caratteristiche.

Il contenimento del fenomeno di ridondanza, mediante

l’identificazione delle migliori variabili del problema, è

sviluppato con due metodi differenti: da un lato, attraverso

l’analisi delle componenti principali; dall’altro, attraverso

l’analisi della separabilità.

Si ipotizzi di tracciare tutti i vettori, nello spazio delle

caratteristiche n-dimensionale, rappresentativi dei pattern di

tutti i k pixel dell’immagine multispettrale in n bande.

Figura 2.8 Siano X1 e X2 due generiche bande dello spazio delle caratteristiche, xk pixel generico individuato nello spazio n dimensionale dal suo vettore.

Data la distribuzione di punti, il vettore del punto medio m

definisce l’ubicazione dell’insieme dei punti nello spazio.

=

∑

La varianza indica la distribuzione della proiezione dei punti

lungo un determinato asse (consideriamo X1)

=

∑

Dalla varianza si ricava la deviazione standard, che è la stima di

quanto i punti si discostino dal valore medio


54

√ = √

∑

Si definisce infine la matrice di varianza-covarianza, che mostra

la varianza, espressa dai valori lungo la diagonale, e la

correlazione tra le bande, espressa dai valori al di fuori della

diagonale.

Nel caso in cui si abbiano valori grandi al di fuori della

diagonale, la correlazione tra le bande è alta. Nei casi invece in

cui i valori siano prossimi a 0 o nulli, la correlazione tra le

bande è scarsa o nulla; ci troviamo davanti allora a due possibili

componenti principali.

Figura 2.9 a) esempio di distribuzione a bassa o nulla correlazione tra le bande; b) esempio di distribuzione con medesima varianza, ma ad alta correlazione tra le bande: l’informazione è ridondante.

Alcune bande presentano possono presentare quindi forte

correlazione tra loro, comportando distribuzioni di pixel con

covarianza alta. L’informazione sarebbe in questo caso

ridondante.

Si definiscono Componenti Principali quelle bande, create

artificialmente con criteri statistici, definite da assi

perpendicolari tra loro, a massima varianza di distribuzione di

pixel.

L’utilizzo di C.P. nelle fasi di costruzione ed applicazione degli

algoritmi decisionali di classificazione, ha i vantaggi di

comprimere l’informazione in un minor numero di immagini

garantendo, allo stesso tempo, un maggior contributo

informativo rispetto alle immagini originarie.


55

La trasformazione dalle coordinate basate sulle bande spettrali

a quelle che utilizzano le componenti principali come assi del

sistema di riferimento, viene effettuata attraverso una matrice

di trasformazione.

[ ]

La matrice di trasformazione viene scelta in modo tale che i

nuovi assi definiscano uno spazio a massima varianza e

covarianza minima o nulla.

Essa quindi sarà del tipo

[

]

Figura 2.10 Trasformazione da uno spazio definito dagli assi X1 e X2 ad alta correlazione, ad uno spazio negli assi Y1 Y2 a bassa correlazione.

Il principale svantaggio di questo metodo di selezione delle

caratteristiche, risiede nel fatto che i livelli di grigio delle

Componenti Principali non sono ovviamente indicazione di

diversa riflettanza per determinate lunghezze d’onda dello

spettro, bensì rappresentano il valore di varianza associato.


56

L’analisi nelle C.P. ha infatti come ultimo step il procedimento di

riscalare le immagini nei valori di digital numbers da 0 a 255.

L’analisi di separabilità viene condotta sulle ROI o sui singoli

training sites, valutando geometricamente le distanze che

separano le distribuzioni delle classi, nello spazio delle

caratteristiche.

Di seguito si riportano le espressioni di queste misure di

distanza, per una coppia generica di bande a e b appartenenti

allo spazio delle caratteristiche a n dimensioni. Si noti, però,

che nelle applicazioni è necessario valutare la separabilità fra

tutte le coppie di classi per le diverse combinazioni di bande

spettrali.

Fra le misure di distanza più semplici si citano la L1 (City block),

la L2 (Euclidea) e l’Angolare.

Esse esprimono la distanza che separa i valori medi delle classi,

tralasciando eventuali sovrapposizioni nelle distribuzioni nello

spazio delle caratteristiche.

- L1 (City block) | | ∑ | |

- L2 (Euclidea) ‖ ‖ √∑

- Angolare (

‖ ‖‖ ‖)


57

Per tenere conto del possibile grado di sovrapposizione delle

distribuzioni delle classi, si introducono due differenti misure di

distanza: la L1 normalizzata e la distanza di Mahalanobis in cui

compaiono la deviazione standard , nella prima, e la

covarianza C, nella seconda.

- L1 normalizzata ∑| |

(√ √ )

- Mahalanobis [ (

)

]

⁄

Nel caso in cui i valori delle medie siano uguali, le espressioni

sopracitate decadono; si fa quindi riferimento ad altre misure di

distanza, basate sulle distribuzioni di probabilità.

Siano le distribuzioni di probabilità normali, allora vengono

definite come segue la divergenza e la distanza di

Bhattacharrya .

- Divergenza

[ (

)]

[(

)

]

- Bhattacharrya

(|

| √| || |⁄ )

Le misure sopraelencate crescono indefinitamente, al crescere

della distanza di separazione tra le classi.

Vengono perciò proposte di seguito, due diverse espressioni

delle distanze con la caratteristica di acquistare meno peso,

man mano che la distanza tra le medie delle classi aumenta.

Questo è possibile grazie al fattore esponenziale che corregge il

corpo dell’espressione.

- Divergenza trasformata (

⁄ )

- Jeffries Matusita [ ]

⁄


58

› Algoritmi di assegnazione

A questo punto, si può procedere con la scelta dell’algoritmo di

classificazione, con cui il classificatore assegna, in maniera

automatica, tutti i pixel alla classe tematica corrispondente.

Nella pratica del calcolatore, l’algoritmo di decisione agisce

come una misura di distanze, all’interno dello spazio delle

caratteristiche, dove si sono formati i cluster di pixel per le

diverse classi tematiche.

Si può parlare di :

- Posizione del cluster (o della classe) , indicando il vettore

rappresentante la posizione del pixel medio della classe

stessa;

- Compattezza del cluster (o della classe) , indicando la

distanza (media) di ciascun pixel del cluster, dal punto

medio della classe;

- Grado di separazione dei cluster (o delle classi) , come

descritto nel paragrafo precedente, ci si riconduce a

misure di distanze tra i pixel medi delle classi;

Una volta determinate queste misure, il processo di

assegnazione di un pixel ad una classe o ad un’altra, è condotto

con logica booleana nel caso di classificatori definiti Hard (o

classificatori rigidi), o con logica probabilistica, nel caso di

classificatori definiti Soft (o classificatori morbidi).

A questi due diversi approcci, conseguono due diversi prodotti;

nel caso di una classificazione Hard, si ottiene una mappa

tematica in k classi, quante sono quelle stabilite in partenza,

nella legenda; ogni pixel è assegnato esclusivamente ed

automaticamente ad una e una sola classe, sulla base di diverse

metodologie di misura delle distanze nello spazio delle

caratteristiche.

Nel caso di classificazione Soft, il prodotto che si ottiene è

costituito da k mappe tematiche, una per ogni classe tematica

stabilita in partenza, in cui viene associata ad ogni pixel

dell’immagine, una probabilità di appartenenza a ciascuna di

queste classi.


59

Figura 2.11 Diversi prodotti delle classificazioni Hard (MDM, parallelepipedo, SAM, Maximum Likelihood ) e Soft (fuzzy, reti neurali). (Gomarasca M. 2004)


60

Di seguito si forniscono esempi dei più utilizzati classificatori

che operano in logica booleana (Hard o Rigidi).

- Minimum Distance from Mean (MDM)

All’interno dello spazio delle caratteristiche l’algoritmo

misura, per ogni pixel individuato dal vettore x, la distanza

dal punto medio μi dei cluster, composti dai pixel di training

di ogni classe ωi .

Il pixel viene assegnato alla classe ωi per cui la distanza

d(x) risulta minore:

un pixel

Si noti che la funzione di distanza d(x) può essere una

qualsiasi di quelle illustrate nel capitolo sulla separabilità

delle classi, tuttavia un criterio di scelta può essere quello di

valutare il grado di dispersione dei cluster e quindi il grado

di compattezza.

Figura 2.12 Esempio di assegnazione del pixel 1 ad una classe tematica, all’interno dello spazio delle caratteristiche, sfruttando il metodo MDM. (Lillesand T.M. et al., 1994)


61

- Box (algoritmo del parallelepipedo)

Per tenere conto del diverso grado di dispersione dei cluster

delle classi tematiche, si ricorre ad un algoritmo che

“racchiuda” al’interno di due limiti (superiore ed inferiore)

per ogni banda spettrale, tutti i pixel di training relativi alla

classe in questione. L’appartenenza di un pixel ad un cluster

è stabilita se il valore del suo vettore posizione x è

compreso nei limiti del cluster stesso.

un pixel

Si noti che con questo algoritmo è possibile che certi pixel

non ricadano in nessun parallelepipedo e quindi rimangano

inclassificati.

La definizione dei limiti (e quindi la costruzione del

parallelepipedo) può avvenire anche attraverso la misura

della dispersione dei clusters, mediante i parametri statistici

di media μi e deviazione standard :

e

Allora vale lo stesso :

Figura 2.13 Esempio di assegnazione dei pixel 1 e 2, all’interno dello spazio caratteristiche, sfruttando il metodo Box. (Lillesand T.M. et al., 1994)


62

- Gaussian maximum likelihood (MLL)

In questo caso dai training sites è necessario ricavare

posizione del pixel medio , varianza e deviazione standard

di ogni classe. Tali parametri stabiliscono forma e

posizione della nuvola del cluster, relativo ad ogni classe.

Si assume inoltre, che la distribuzione di probabilità che

caratterizza ogni classe sia di tipo normale, gaussiana.

Si definiscono, quindi, delle superfici concentriche di

equiprobabilità di appartenenza, che si allontanano dal

punto medio della classe.

La distribuzione di densità di probabilità (pdf) |

associata alla classe è data dalla forma

|

√

Ovviamente, il gradiente di probabilità per forme elissoidali

sarà minore lungo gli assi a massima varianza e maggiore

lungo quelli a minima varianza.

Figura 2.14 Rappresentazione della funzione di densità di probabilità in uno spazio delle caratteristiche bi-dimensionale.(Lillesand T.M. et al., 1994)


63

Per ogni pixel x, l'algoritmo calcola la verosimiglianza

(funzione pdf) di appartenere ad ognuna delle classi e lo

assegna a quella per cui si ha la verosimiglianza massima

(viene cioè massimizzata la pdf).

Se tutti i valori di probabilità a posteriori risultano al di sotto

di una certa soglia Si, ritenuta significativa per la classe

spettrale , i pixel possono venire “etichettati” come

inclassificati.

Figura 2.15 Esempio di assegnazione del pixel 1 ad una classe, all’interno dello spazio delle caratteristiche, sfruttando il metodo MLL. (Lillesand T.M. et al., 1994)

- Spectral Angle Mapper (SAM)

Rappresenta l’algoritmo di riferimento per la classificazione

di immagini iperspettrali.

Esso confronta direttamente il pattern dei training sites con

quello del pixel da classificare, definito nello spazio

multispettrale, dal vettore x.

Per ogni classe, il pattern di riferimento per il confronto è

ottenuto dalla media delle firme spettrali dei training sites.


64

La differenza dagli altri metodi consiste nel fatto che la

similarità tra le firme spettrali è espressa come distanza

angolare tra i due vettori nello spazio delle caratteristiche.

Il pixel rimane inclassificato, nel caso in cui la distanza

angolare superi una soglia fissata a priori.

Dall’enunciato di prodotto scalare tra vettori

∑

Da cui si ricava che l’angolo compreso tra i due vettori è

(∑

√∑

√∑

⁄ )

L’angolo è quindi una misura di distanza angolare in

radianti che va da 0 a ⁄ .

Figura 2.16 Rappresentazione della misura di distanza angolare nello spazio delle caratteristiche.


65

L’evoluzione dei sensori ha portato ad alte risoluzioni spaziali,

garantendo nelle immagini, dimensioni del pixel relativamente

piccole (anche 0,50 m a terra). Da questi valori ci si aspettava

di avere pixel con caratteristiche spettrali pure, facilmente

inseribili nelle diverse classi tematiche .

Di fatto questo non è accaduto, poiché la più alta risoluzione

spaziale ha portato alla comparsa di nuovi dettagli, che prima

non venivano nemmeno captati.

Il problema dei pixel misti, ovvero quei pixel il cui livello di

grigio è dato dal contributo di più categorie di superficie, e

quindi di più pattern spettrali, continua ad esistere.

Essi evidenziano i limiti di una classificazione di tipo Hard

(convenzionale) e portano in primo piano la necessità di un

diverso approccio di classificazione : quello Soft (non

convenzionale).

Questi diversi classificatori partono dal presupposto che la

risultante spettrale di un pixel misto raramente è data da una

relazione lineare (linear mixing) dei vari costituenti. Emerge

allora il concetto di appartenenza parziale alle diverse classi

tematiche, dove per ogni classe viene creata una carta tematica

e ad ogni pixel è associato un grado (o probabilità) di

appartenenza a tale classe.

Le k carte tematiche possono essere successivamente elaborate

per per produrne una unica, sfruttando il criterio di

massimizzazione:

ogni pixel

dove si è indicato con il grado di appartenenza del pixel alla

classe i-esima.

Fra i classificatori Soft più utilizzati si citano:

- Approccio in logica Fuzzy;

- Reti Neurali Artificiali (ANN);


66

2.2.2 Classificazione pixel-based di tipo non guidato (Unsupervised)

La classificazione non guidata parte dal presupposto per cui ad

oggetti simili sulla scena, corrispondano pattern spettrali simili;

questo fatto si concretizza nello spazio delle caratteristiche con la

formazione di clusters più o meno compatti, ad opera dei vettori

associati ai pixel dell’immagine.

Le fasi di una classificazione non guidata si riducono a :

› Attività di clustering

Vengono definiti i cluster attraverso criteri di compattezza e

separabilità e vengono associati i pixel ad uno o ad un altro

cluster, sulla base di misure di distanza;

L’assegnazione dei pixel ai cluster viene eseguita attraverso

misure di distanze nello spazio delle caratteristiche.

Di seguito si citano le più note, operanti sul vettore posizione x

del pixel da analizzare, e sul centroide del cluster preso in

esame mi .

- L1 (City block) ∑ | |

- L2 (Euclidea) ‖ ‖ √∑

L’attività di clustering è un’attività di tipo iterative; ogni

qualvolta venga assegnato un pixel ad un cluster, è necessario

calcolare di nuovo il punto individuato come centroide.

L’intera procedura è raccolta nell’Algoritmo delle medie mobili

(k-means).


67

Figura 2.17 Illustrazione del processo iterativo k-mean. Vengono messi in risalto i valori degli errori di classificazione (Sum of Squared Errors) dei pixel, in ciascuno step. (Richard, Jia 1999)

- L’idea centrale dell’algoritmo sta nella definizione a priori

del numero k di cluster che ci si aspetta di trovare; per

ognuno si definisce un plausibile punto centroide mi (con

i=1,…,k);

questa parte iniziale è importante poiché la scelta oculata

di questi due parametri, aiuta successivamente la

convergenza del processo.

- A questo punto si procede con l’assegnazione dei pixel ai

cluster, cioè l’attività di clustering sopracitata.


68

- Sulla base degli assegnamenti fatti, si ricalcolano i nuovi

vettori delle medie mi’ e si valuta la migrazione netta del

vettore delle medie dal passo precedente.

Si definisce qui il criterio di arresto in termini di

spostamento massimo tra due iterazioni consecutive n-1

ed n.


69

2.3 Classificazione Object-oriented

La procedura di classificazione object-oriented non è più basata sui

singoli pixel ma su aggregazioni di essi, chiamate object.

I valori radiometrici degli object derivano dalla media dei valori

radiometrici dei pixel che ne fanno parte, tuttavia essi portano con sé

molte più informazioni:

- Statistiche di colore

- Tessitura

- Forma

- Contesto

- Relazioni geo-spaziali

- Rapporti dimensionali

La disponibilità di un numero maggiore di informazioni permette di

meglio gestire le elevate risoluzioni spaziali e spettrali dei più recenti

sensori multispettrali.

Essa garantisce perciò una serie molto più numerosa e variegata di

feature o caratteristiche attraverso cui operare, diverse a seconda del

caso studio, e permette quindi di intraprendere un processo di

classificazione più vicino all’esperienza di interpretazione visiva

dell’operatore.

Il processo di classificazione object-oriented si compone

fondamentalmente di due attività:

- la segmentazione

- la classificazione


70

2.3.1 Segmentazione

La segmentazione è definita come “la ricerca di regioni omogenee

nell’immagine” (Darwish A., Leukert ., Reinhardt W. 2003), che verranno poi

chiamate object e da cui partirà la classificazione object-oriented.

Il criterio di omogeneità è inteso come una combinazione di colore

(livelli di grigio nelle diverse bande spettrali di acquisizione) e

proprietà di forma (compattezza e uniformità).

Gli approcci di segmentazione possono essere raggruppati in 3

categorie:

- Point based , basata sull’individuazione di soglie attraverso cui

discriminare diversi livello di grigio nelle bande spettrali;

- Edge based, basata sull’individuazione di margini tra ipotetici

objects;

- Region based , con cui vengono implementate azioni di

divisione (split) e unione (merge) al fine di soddisfare criteri di

omogeneità;

Il region based è uno degli approcci più semplici ma anche più

utilizzati; la formazione di regioni parte dall’accorpamento di pixel

attorno a seed point (semi, origini degli object). Questo tipo di

segmentazione presuppone un’accurata scelta di seed point e di

criteri di arresto alla crescita delle regioni.

Essa tipicamente conduce a risultati grossolani e non sempre

soddisfacenti.

Segmentazioni più precise possono invece derivare dalla conoscenza

pregressa di aree di training, da utilizzarsi come sorgenti di

informazioni per una segmentazione più efficace.

La formazione di object produce nuove informazioni: essi, una volta

creati, saranno anche dotati di attributi “relazionali”.

Possono essere instaurate relazioni di posizione reciproca, allo stesso

livello o fra differenti livelli di segmentazione; possono essere

costruite query3 sull’adiacenza fra object o sulle dimensioni (assolute

o relative).

Idealmente, l’obiettivo che ci si pone, intraprendendo algoritmi di

segmentazione automatica, è quello di individuare tutti gli oggetti di

3 Query : interrogazione di un calcolatore o di un database, per compiere determinate azioni

su un gruppo di dati.


71

interesse all’interno dell’immagine; risultano subito evidenti, tuttavia,

problemi di gestione della moltitudine di dati geometrici, semantici e

di riflettanza.

Queste difficoltà vengono affrontate con algoritmi di segmentazione

multirisoluzione (ad esempio quello implementato nel software

eCognition di Trimble)

L’algoritmo di segmentazione multirisoluzione è di tipo region based.

Parte considerando ogni pixel come un oggetto separato che,

successivamente, viene fuso ad altri, formando oggetti più grandi.

Le decisioni di fusione sono basate su criteri di omogeneità locale che

si instaurano fra oggetti adiacenti: la fusione è portata a termine nel

momento in cui una certa soglia di omogeneità è raggiunta.

Come spiegato da Baatz e Shape, il criterio decisionale per applicare il

merge, in ciascuno step, si basa su criteri di omogeneità locale che si

instaurano fra oggetti adiacenti.

È possibile impostare l’analisi di omogeneità su tutte le bande in cui è

stata acquisita la scena, ma anche solo su alcune, o infine impostare

diversi “pesi” a ciascuna di esse.

La determinazione degli object che dovranno subire un passaggio di

merge, avviene attraverso un certo tipo di Decisioni Euristiche

(Fitting, Best fitting, Local mutual best fitting, Global mutual

best fitting, Distributed treatment order of image object ).

(Baatz M., Shape A., 2000)

Ad ogni passaggio di merge viene associata una “funzione costo”

chiamata Degree of fitting, che esprime il grado di aggregazione di

pixel.

Il Degree of fitting (Dof) rappresenta il Parametro Scala (PS), definito

a priori dall’utente, ed indica le dimensioni degli object: un basso

Degree of fitting genererà object di dimensioni ridotte, al contrario,

un alto Degree of fitting produrrà object di dimensioni più elevate.

Il Dof funge in questo senso da criterio di arresto, nel processo

iterativo della segmentazione.


72

La segmentazione multirisoluzione deve il suo nome alla possibilità di

realizzare una rete gerarchica (o “ad albero”) di image object,

organizzata su più livelli di segmentazione in cui, ad ognuno, è

associato un diverso parametro di scala che definisca un criterio di

omogeneità differente.

Figura 2.18 Tipica struttura “ad albero” creata a partire da una segmentazione multirisoluzione

Nella pratica, una volta generato il primo livello di poligoni è possibile

generare n nuovi livelli gerarchici di livello superiore al primo (se il

fattore di scala è più grande e quindi poligoni mediamente più grandi)

oppure di livello inferiore (se il fattore di scala è più piccolo e quindi i

poligoni mediamente più piccoli).

Si noti che tutti i poligoni di livello gerarchico inferiore sono sempre

contenuti in quelli di livello gerarchico superiore.

È infine caratterizzante l’aspetto di connessione logica tra livelli

gerarchici differenti che sta alla base delle query relazionali istituibili

fra object.


73

La valutazione della bontà di una segmentazione dipende dagli

obbiettivi di classificazione successivi, dal momento che gli object

costituiscono il materiale di base con cui condurla.

Si possono comunque definire degli standard da ricercare nella

segmentazione, quali:

- Alta qualità degli image object di partenza, di modo che si

prestino con versatilità a diversi problemi e studi della stessa

tipologia;

- Multirisoluzione, cioè il Parametro Scala deve essere il primo

parametro da settare in maniera ottimale per favorire la

classificazione che si sta andando a fare; l’utilizzo di più livello

gerarchici può sicuramente essere d’aiuto;

- Risoluzione degli attributi, in funzione della scala, secondo cui

l’analisi di feature e la definizione di query, deve essere

condotta fra object con risoluzione simile;

- Riproducibilità;

- Universalità, cioè la segmentazione deve potere adattarsi a

diversi tipi di dati;

- Velocità di elaborazione ragionevole, anche su sistemi di dati di

grandi dimensioni.

Un prerequisito importante, per una soddisfacente classificazione

delle immagini col metodo object-oriented, è una corretta

segmentazione iniziale.


74

2.3.2 Classificazione

L’approccio di classificazione object-oriented non definisce

intrinsecamente un metodo di classificazione.

Una volta terminata la fase di segmentazione (con uno o più livelli

gerarchici), la classificazione può poi procedere con approccio

Supervised o Unsupervised, teoricamente tutti gli algoritmi sviluppati

per classificazioni pixel-based possono essere applicati: sia con logica

booleana, sia probabilistica.

La classificazione di tipo object-oriented, in particolare quella

derivante da una segmentazione multirisoluzione, permette di

ampliare il numero di fonti informative sfruttabili nella classificazione,

poiché maggiori sono le informazioni associabili ai poligoni, rispetto a

quelle disponibili per i singoli pixel di un’immagine. (Chirici G. et al., 2003 )

Indipendentemente dal livello gerarchico, le informazioni deducibili da

un poligono sono di tipo:

- Spettrale : dati statistici (ad es. deviazione standard, media

minimo, massimo, ecc.) calcolati per ogni poligono a partire dai

valori di digital number dei rispettivi pixel afferenti, per ogni

banda di acquisizione dell’immagine;

- Geometriche : informazioni derivanti dalle caratteristiche

geometriche dei singoli poligoni (come area, perimetro, forma),

ma anche quei rapporti relazionali di localizzazione spaziale (ad

es. “più a nord di..” o “più a est di…”);

- Tessiturali : possono derivare dall’analisi dei singoli pixel o di

poligoni ottenuti da livelli di segmentazione inferiori (dove il

fattore di scala sia abbastanza piccolo per cogliere questo

aspetto);

- Gerarchiche : statistiche calcolate per ogni poligono del livello

di segmentazione che si analizza, sulla base di poligoni

omologhi, su un diverso livello gerarchico;

- Attributi tematici : tutte quelle informazioni derivanti da strati

informativi accessori o dati ancillari (ne sono esempio i DSM, i

dati climatici, ecc.);


75

Sono tuttavia due le strategie di classificazione object-oriented più

comuni: in parallelo o in serie.

Durante una classificazione in parallelo vengono definite tutte le

classi tematiche contemporaneamente e l’assegnazione avviene in un

unico processo; si compone delle seguenti fasi:

- definizione della nomenclatura della classificazione;

- definizione del livello della segmentazione da classificare (nel

caso preceda una segmentazione multirisoluzione);

- selezione delle informazioni associate ai poligoni da classificare;

- acquisizione manuale di un certo numero di training object;

- applicazione di un algoritmo di classificazione: scelta di feature

e soglie.

Una classificazione in serie viene detta anche “ad albero”.

L’immagine è infatti analizzata con dettaglio tematico

progressivamente crescente, con una segmentazione post-

classificazione.

Si compone delle seguenti fasi:

- definizione del sistema di nomenclatura con struttura ad albero

a dettaglio progressivo;

- classificazione al primo livello tematico del sistema di

nomenclatura;

- segmentazione post-classificazione con dettaglio geometrico

maggiore. La segmentazione post-classificazione permette di

derivare nuovi poligoni geometricamente coerenti con il

risultato della classificazione del livello gerarchico superiore. Il

processo viene reiterato per tutti i livelli gerarchici del sistema

di nomenclatura e per ognuno di essi viene realizzato anche un

nuovo livello di segmentazione.

In ambedue i casi, si noti che tutto il processo può essere reiterato

nel caso in cui l’accuratezza della classificazione non soddisfi le

aspettative.

In questo caso, si procede acquisendo nuovi poligoni di training,

cambiando la base informativa (o il peso delle diverse informazioni)

oppure il sistema di nomenclatura.


76


77

2.4 Validazione

Si definisce accuratezza di una mappa tematica la misura dell’accordo

tra la mappa tematica, ottenuta attraverso la classificazione, e un

riferimento che si assume come corretto, cioè come “verità”.

(Brivio P.A. et al., 2006)

La mappa di riferimento viene costruita sulla base di informazioni

dettagliate, la cosiddetta ground truth o “verità a terra”. Van

Genderen et al. (1978) riportano il procedimento adottato per una

corretta selezione dei pixel su cui condurre la verifica di accuratezza.

I temi principali indagati con una verifica di questo tipo riguardano:

- La natura degli errori, cioè QUALI classi vengono confuse nella

mappa ;

- La frequenza degli errori, cioè quanto spesso il procedimento

incappa in queste situazioni di confusione;

- La grandezza degli errori, ovvero una sorta di misura della

gravità dell’errore. Essa dipende dalle classi che vengono

confuse tra loro: l’erronea classificazione di un area di verde

urbano, con la copertura di un edificio è considerata certamente

più grave della classificazione di una copertura in tegole per

una copertura in lamiera.

- La sorgente degli errori, cioè la causa;

prendendo in considerazione il solo caso di classificazione

automatica e tralasciando quello di fotointerpretazione, per il

quale gli errori sarebbero imputabili in primo luogo al tipo di

generalizzazione del soggetto, la valutazione degli errori

coinvolge diversi fattori.

Le prime occasioni di errore da valutare sono da ricercarsi nella

risoluzione del sensore (spaziale, spettrale e radiometrica), nel

pre-processamento subito dall’immagine, precedente la

classificazione e nell’algoritmo classificatore.

I metodi di valutazione dell’accuratezza di una mappa possono essere

raggruppati in due famiglie che differiscono per approcci e costi


78

economici e computazionali completamente diversi: site-specific e

non-site-specific.

2.4.1 Accuratezza non-site-specific

Il metodo più elementare di verifica, consiste nella valutazione delle

aree complessivamente assegnate a ciascuna classe tematica e nel

confronto con le aree delle corrispondenti classi, nella carta assunta

come “verità”.

Ciò che si ottiene sono percentuali di riuscita nella classificazione

delle diverse entità in legenda.

Si noti che, così operando, non viene presa in considerazione il

disaccordo nella localizzazione spaziale delle classi.

Figura 2.19 Accuratezza basata sul solo confronto tra aree (non-site-specific): l’estensione delle aree occupate dalle classi è uguale, anche se la loro localizzazione è molto diversa: l’accuratezza valutata con questo metodo non è soddisfacente (Brivio P.A. et al., 2006).


79

2.4.2 Accuratezza site-specific

In questo metodo la valutazione dell’accuratezza si basa sugli accordi

pixel per pixel.

Questo tipo di verifica non viene solitamente condotto su tutti i pixel

della mappa bensì su gruppi di pixel opportunamente scelti e

localizzati al fine di garantire la bontà statistica della stima.

Dalla mappa utilizzata come verità a terra, viene estratto un

campione di pixel (o poligoni, nel caso di una classificazione object-

oriented), detti test sample, per ognuna delle classi tematiche

presenti in legenda.

Per una corretta stima dell’accuratezza è sconsigliato, nonché

controproducente, l’utilizzo dei pixel di training (utilizzati per una

eventuale classificazione Supervised) come test sample.

Il metodo standard di raccolta delle informazioni, derivanti dal

confronto fra il set di test sample, e gli omologhi site sull’immagine

classificata, è rappresentato dalla confusion matrix.

La confusion matrix riporta sulle righe le classi tematiche (At, Bt, Ct)

della mappa realizzata, da verificare, mentre le colonne raccolgono le

classi di ground truth (Av, Bv, Cv).

Figura 2.20 Esempio numerico di una matrice di confusione per l’accertamento dell’accuratezza della classificazione (Gomarasca M., 2000).

La matrice di confusione viene utilizzata come base per la costruzione

di una serie di misure di accuratezza.


80

Le grandezze principali che è interessante interpretare vengono

formulate di seguito:

1) Accuratezza globale (overall accuracy): il rapporto tra il totale

degli accordi e il totale dei test sample.

Figura 2.21 Esempio numerico di overall accuracy

L’accordo fra i test sites e i test samples si trova sulla

diagonale; il totale di campioni presi in considerazione per la

verifica risiede nell’angolo terminale di righe e colonne;

∑

2) Accuratezza dell’utente (user accuracy) : il rapporto, definito

per ogni classe i, di test site corretti, sul totale dei test sample

associati a tale classe.

Figura 2.22 Esempio numerico di user accuracy


81

3) Accuratezza del produttore (producer accuracy) : il rapporto,

per ogni classe i, di test site corretti, sul totale dei test sample

presenti nella mappa di riferimento.

Figura 2.23 Esempio numerico di producer accuracy

4) Errore di Commissione (Commission error) : indica per ogni

elemento associato, nella classificazione, alla classe i, la

probabilità condizionale che appartenga alla classe k , nel dato

di riferimento.

Figura 2.24 Esempio numerico di commission error

∑

5) Errore di Omissione (Omission error) : indica, per ogni

elemento, che nel dato di riferimento appartiene alla classe k,

la probabilità condizionale che esso sia stato assegnato, nella

mappa tematica, alla classe i.

Figura 2.25 Esempio numerico di omission error

∑


82

Capitolo 3

L’uso del telerilevamento

in ambito urbano

Nelle ultime decadi, grazie alla possibilità di osservare grandi porzioni

di territorio, aree difficilmente accessibili e di investigare nelle diverse

bande dello spettro elettromagnetico, il telerilevamento satellitare è

diventato una delle principali risorse per la raccolta di informazioni sul

territorio.

Nell’ambito delle indagini sul territorio a scala urbana, tematica

trattata nel presente lavoro, un grande vantaggio è rappresentato

dalla possibilità di effettuare misure frequenti e regolari nel tempo.

In generale, le applicazioni di dati telerilevati in aree urbane sono le

seguenti:

L’uso del telerilevamento in ambito urbano

84

- Realizzazione di mappe di uso e copertura del suolo;

Figura 3.1 Mappa tematica uso e copertura suoli (Armano, De Cecco, Boesso e Del Re, TELERILEVAMENTO E URBANISTICA, 2011)

- Indagini sugli effetti di catastrofi naturali;

Figura 3.2 Cambiamenti nel centro abitato di Boumerdes, Turchia, tra il 22 Aprile 2002 e il 18 Giugno 2003 (Bitelli, Camassi, Gusella e Mognol, IMAGE CHANGE DETECTION ON URBAN AREA: THE EARTHQUAKE CASE, 2001)

- Analisi, stime e previsioni di fenomeni urbani quali “Urban

Sprawl” (espansione urbana incontrollata) e la domanda idrica

di una grande città ;

Figura 3.3 Domanda idrica città di Madrid m3/anno ha

(Albizua, Donezar e Ibànez, MONITORING URBAN

DEVELOPMENT CONSOLIDATION FOR

REGIONAL MANAGEMENT ON WATER SUPPLY USING

REMOTE SENSING TECHNIQUES, 2011)


85

- Ricostruzioni 3D di nuclei o aree abitative;

Figura 3.4 Modello 3D di un particolare di centro abitato, realizzato su una classificazione di copertura del suolo.

La potenza dei prodotti raster e vettoriali del telerilevamento (come

mappe tematiche, ortofoto o Modelli Digitali del Terreno ) sta nella

possibilità di essere utilizzati all’interno di un Sistema Informativo

Territoriale, attraverso i software di tipo GIS (Geographic Information

System).

Essi permettono di archiviare le informazioni in dati di tipo geometrico

ed alfanumerico, organizzate in “strati informativi” cioè layer a

contenuto informativo omogeneo.

Una volta archiviati, è possibile agire sui dati mediante operazioni di:

- Georeferenziazione (passaggio tra diversi sistemi di coordinate

o georeferenziazione di dati che originariamente non lo sono);

- Attività di Query (interrogazione dei dati dal punto di vista

geometrico e geografico, o dal punto di vista degli attributi

associati );

- Attività di Overlay logico o matematico (funzioni che

consentono operazioni tra due o più layer informativi);

- Operazioni geometriche;


86

3.1 Esempi di applicazioni

Di seguito una rassegna di esempi relativi all’impiego del

telerilevamento in ambito urbano.

La scelta è stata volta a sottolineare i diversi casi di studio in cui il

Telerilevamento si è dimostrato uno strumento efficace, nonché i

molteplici strumenti e strategie di classificazione automatica e semi-

automatica che è stato possibile costruire, a partire da dati

provenienti da missioni satellitari e Lidar.

"Image change detection on urban area: the earthquake case"

di G. Bitelli R. Camassi L. Gusella A. Mognol

Università di Bologna, Dipartimento di Ingegneria Civile, Chimica, Ambientale e dei

Materiali (DICAM) , 2004

Lo studio propone un’integrazione dei classici metodi di rilievo dei

danni provocati da un sisma, con un approccio di riconoscimento ed

identificazione semi-automatico attraverso il telerilevamento

satellitare.

Esso interessa, nella fattispecie, la valutazione degli effetti provocati

da due eventi sismici molto distruttivi: quello di Marmara (Turchia,

1999) di Magnitudo 7 s.Richter. e quello di Boumerdes (Algeria,

2003) di Magnitudo 6.8 s.Richter.

Utilizzando, come risorse informative, immagini a medio-alta e alta

risoluzione provenienti dai sensori ETM+(su Landsat 7), IRS e

QuickBird, si vuole produrre una mappa degli edifici danneggiati,

mediante un confronto tra le immagini pre-evento sismico e post-

evento sismico.

L’estrazione di informazioni da questo dataset, avviene attraverso

una classificazione di tipo object-oriented, attraverso il software

ECognition.


87

dati DATA SET per il sisma di Marmara

ETM+ 7 bande multispettr + 1 pan risol 30m + 15m

IRS 1 pan risol 5m

DATA SET per il sisma di Boumerdes

QuickBird 4 bande multispettr + 1pan risol 2,8m + 0,7 cm

IRS 1 pan risol 5m

procedura di classificazione

SEGMENTAZIONE MULTIRESOLUTION, con il software eCognition , sulle immagini pre e post-sisma, per ottenere regioni/oggetti a riflettanza paragonabile.

ESAME VISIVO, per capire quali siano le effettive differenze di riflettanza spettrale fra oggetti omologhi, ottenuti coregistrando le immagini dei diversi periodi.

classificazione degli "oggetti edifici" e del loro grado di danneggiamento attraverso una soglia numerica nel valore medio di riflettanza

A questo punto si passa ad una procedura automatica:

Individuazione delle features e dell’algoritmo ottimali per la classificazione automatica di edifici danneggiati

Questa procedura verrà effettuata con un approccio PIXEL BASED e successivamente OBJECT BASED.

valutazione dell'accuratezza per entrambi i metodi

Tab 3.1 Image change detection on urban area: the earthquake case


88

"Rilevazione delle aree verdi nelle città italiane tramite

immagini ad alta risoluzione”

di Bonora N., Sambucini v., Marinosci I., Azzolini F., Baiocco F.,

Visentin R. e Marinelli M.

Rivista italiana di telerilevamento, 2008

In questo studio si è scelto di mappare diverse classi di copertura del

suolo di tipo vegetazionale nella Città di Roma (56,536 km2).

Per fare ciò sono state sfruttate le immagini ad alta risoluzione

provenienti dal sensore QuickBird, che hanno permesso di ottenere

una grande precisione a livello geometrico, ma al contempo una

ridondanza di informazioni di tipo spettrale, che, a tratti, non ha

facilitato la procedura di riconoscimento.

Per la fase di classificazione, è stata scelta una procedura

semiautomatica che seguisse il metodo delle reti neurali artificiali.


89

dati DATA SET

QuickBird

4 bande multispettr (NADIR) risol 2,44 m

1 pan (NADIR) risol 0,61 m


correzione geometrica e ortorettifica.

DATA FUSION, ricampionamento di tutti i pixel a

0,61 m, per ottenere la massima risoluzione spaziale anche nell’utilizzo del multispettrale. Coregistrazione delle immagini nelle diverse fasi temporali

ESAME VISIVO, per capire le effettive differenze di riflettanza spettrale fra oggetti omologhi,

CLASSIFICAZIONE del verde urbano attraverso una RETE NEURALE

4, creata con il

software SNNS:

- un primo strato di input formato da tanti nodi quante sono il numero di bande

spettrali che compongono l’immagine satellitare;

- per gli strati nascosti, la decisione del loro numero e del numero dei loro nodi

è dettata dall’esperienza dell’operatore;

- uno strato di output formato da un numero di nodi equivalente al numero

delle classi da rappresentare.

Il prodotto è un’immagine raster vettorizzato

VERIFICA DI ACCURATEZZA:

Sulla scena è stata costruita una griglia quadrata con 462 celle di lato 350,8 m, nel sistema di coordinate UTM33N, datum WGS84. É stato selezionato in modo casuale il 10% delle celle, per un totale di 46. In ogni cella sono stati selezionati (sempre in modo casuale) 4 punti, per un totale di 184 punti di controllo. Intorno ad ognuno dei punti sono state create aree circolari di circa 380 m

2 di

superficie (raggio di 11 m). Di queste aree ne sono state scelte 12, di cui controllate in campo 10 in quanto 2 sono risultate inaccessibili.

L’errore medio di classificazione del singolo pixel risulta del 6,88 %

Tab 3.2 Rilevazione delle aree verdi nelle città italiane tramite immagini ad alta

risoluzione

4 Una rete neurale artificiale (ANN) è una forma di intelligenza che cerca di imitare alcuni modi di funzionamento del cervello umano. Le più comuni sono le cosiddette “reti a percettoni multistrato”, dove il percettone consiste in un singolo nodo che riceve in ingresso dei segnali, con un certo peso, e fornisce dei risultati, secondo una certa regola. (Brivio, Lechi e Zilioli: Principi e metodi di telerilevamento, CittàStudi Edizioni, Bologna, 2006, 401-

409)


90

" Monitoring urban development consolidation for regional

management on water supply using remote sensing techniques”

di Lourdes Albizua, Uxue Donezar e Juan Carlos Ibáñez

Italian society of remote sensing, 2011

In questo elaborato viene presentato lo studio del rapporto fra

domanda e offerta idrica della Città di Madrid (8021,8 km², Spagna)

strettamente connesso alla crescita urbana, con previsioni e stime

della crescita di domanda idrica, per i successivi 50 anni.

Viene presentato come risultato un database cartografico, inserito nel

GIS “ Canal de Isabel II”, che faccia da supporto ad eventuali lavori di

sviluppo e potenziamento delle infrastrutture, volti a venire incontro

alla domanda idrica futura.

Il dataset si compone di immagini dal satellite SPOT5 raccolte con

cadenza temporale, e di immagini dal satellite QuickBird, per la

validazione dei risultati.

La classificazione condotta è di tipo object-oriented.

La stima di domanda idrica viene costruita sommando i contributi di

utilizzo pro-capite e di irrigazione delle aree vegetate.


91

dati DATA SET

SPOT5 bande multispettr + pan risol 10m multisp + 2,5m pan

QuickBird bande multispettr + pan risol 2,4m multisp + 0,6m pan


Questo lavoro si articola in 3 macrofasi:

1) Definizione di un database cartografico che monitori i cambiamenti nelle categorie di interesse ,effettuato mediante le immagini SPOT5: 2 categorie di urbanizzato, 3 categorie di verde e uno di substrato uniforme (suolo di vario tipo).

2) Image processing base: ortorettifica, correzioni atmosferiche e radiometriche, pansharpening.

- Segmentazione

- CLASSIFICAZIONE OBJECT ORIENTED :

vengono registrati i cambiamenti tra un'acquisizione di dati e l'altra.

- Delimitazione aree vegetate(NDVI).

- Comparazione fra i risultati di un immagine SPOT5 e una QuickBird: una peggiore risoluzione spaziale (SPOT5) tende a sovrastimare le aree verdi e le zone con elementi di urbanizzazione.

3) stima della domanda di risorsa idrica, secondo modelli.

Realizzazione di un DATABASE CARTOGRAFICO basato sulla domanda di risorsa idrica, che verrà integrato in un dato GIS, sotto forma di mappe tematiche, utili alla generazione periodica di report.

Tab 3.3 Monitoring urban development consolidation for regional management on water supply using remote sensing techniques


92

" A hybrid multi-step approach for urban area mapping in the

Province of Milan, Italy”

di Villa P., Boschetti M., Bianchini F. e Cella F.

Italian society of remote sensing, 2011

Lo studio, condotto sull’area della provincia di Milano, si incentra sulla

mappatura delle aree urbane, al servizio del controllo dello sviluppo

ambientale.

Utilizza, come dato, immagini di medio-alta risoluzione provenienti

dai satelliti Landsat5 e SPOT4, raccolti con continuità durante gli

ultimi vent’anni.

La redazione della mappa di uso del suolo viene redatta in tre fasi:

- Una prima classificazione di tipo pixel-based;

Una seconda, object-oriented, incentrata sul terreno

urbanizzato, ma ad uso agricolo;

- Definizione delle due macro-classi finali: Urbanizzato e Non

Urbanizzato;

- Al termine, viene condotta una validazione con calcolo

dell’accuratezza.

L'utilizzo finale del prodotto è duplice: da un lato si assiste al

cambiamento di uso del suolo durante gli anni in cui si è raccolto il

dato satellitare, conducendo statistiche di occupazione per ciascuna

classe di interesse; dall'altro si possono fare stime evolutive per

quanto riguarda l'area di occupazione di ogni classe, nei periodi

successivi.


93

dati DATA SET

SPOT4 bande multispettr risol 30m

Landsat5 bande multispettr risol 20m


Geocodifica, calibrazione radiometrica e correzione effetti atmosferici.

La mappatura si svolge con un processo "multistep" in 3 livelli:

1) definizione di 10 classi di copertura: si sfruttano indici

5 che combinano la riflettanza in più bande per identificare

materiali differenti. La CLASSIFICAZIONE È di tipo PIXEL-BASED.

2) Raggruppamento classi ottenute in 3 macro-classi: TERRENO NON OCCUPATO (dall'uomo), ACQUA, TERRENO OCCUPATO(dall'uomo).

3) Analisi dell'accuratezza

Tab 3.4 A hybrid multi-step approach for urban area mapping in the Province of Milan, Italy

5 Indici spettrali (IS): una qualche trasformazione delle misure spettrali, che permettano di massimizzare la sensibilità ad un determinato parametro di interesse e minimizzare la sensibilità a quelli che non interessano. Rappresenta quindi una via algebrica di enfatizzare la

riflettanza su bande di interesse, al fine di individuare una determinata firma spettrale. (Brivio, Lechi e Zilioli: Principi e metodi di telerilevamento, CittàStudi Edizioni, Bologna, 2006, 446-451)


94

" Classification tree based building detection from laser scanner and

aerial image data”

di Leena Matikainen, Harri Kaartinen e Juha Hyyppä

ISPRS Workshop on Laser Scanning 2007 and SilviLaser 2007, IAPRS Volume

XXXVI, Part 3

Lo studio interessa l’area suburbana nei pressi di Helsinki (Finlandia),

chiamata Espoonlahti; la zona è caratterizzata da piccole colline

coperte di conifere, alberi decidui e bassa vegetazione.

Servendosi di dati da missioni Lidar, viene compiuto un lavoro di

individuazione e classificazione di edifici utilizzando in primo luogo un

dato DSM creato con la teconologia Toposys Falcon e , una volta

esaurito il dato di quota, si procede alla classificazione attraverso

delle ortofoto scattate da una Leica RC30.

Il lavoro vuole mostrare l’uso combinato del first pulse e last pulse

del raggio laser inviato dallo scanner, come tecnica di discriminazione

in quota tra soggetti edificio e soggetti vegetazione.


95

dati DATA SET

DSM first pulse da first pulse di Toposys FALCON II risol 10punti/m2

DSM last pulse da last pulse di Toposys FALCON II risol 10punti/m2

ortofoto RGB da Leica RC30


Il processo di classificazione si basa sui seguenti step:

1) segmentazione del DSM in regioni omogenee

2) prima classificazione degli oggetti in "suolo" e "edifici o alberi" sfruttando il dato di quota proveniente dai FIRST PULSE e LAST PULSE del laser.

3) separazione degli oggetti edifici e alberi dalla classe "edifici o alberi" sfruttando il dato dell'ortofoto aerea, della forma degli oggetti e della disposizione delle quote dei punti.

4) RAFFINAMENTO DELLA CLASSIFICAZIONE utilizzando criteri di vicinanza tra oggetti, di forma e dimensione. l'obbiettivo è di eliminare i piccoli oggetti non classificati.

5) operazioni di nuova segmentazione e/o MERGING in modo da ottenere oggetti corrispondenti a tetti.

Tab 3.5 Classification tree based building detection from laser scanner and aerial image data


96

" Metodologie automatiche nell'elaborazione di immagini satellitari

stereoscopiche ad alta risoluzione per applicazioni ingegneristiche”

di Brigante R.

Università di Perugia – Dipartimento di Ingegneria Civile e Ambientale (DICA)

L'area di studio corrisponde ad una parte del comune di Foligno

(Perugia) di circa 150 Km2. La morfologia è abbastanza complessa: si

alterna tra aree rurali e boschive piuttosto estese, piccoli centri

storici, edifici isolati e piccole aree industriali;

anche le quote variano tra i 300 e i 1200 m s.l.m.

Lo studio svolge un’analisi ed elaborazione di immagini

stereoscopiche satellitari ad alta risoluzione riprese dal satellite

IKONOS nell'ottobre del 2006.

L’obiettivo è valutarne le possibili applicazioni ingegneristiche quali la

creazione di mappe di copertura del suolo.


97

dati DATA SET

2 coppie stereoscopiche di immagini Ikonos 2006

pancromatico risol 1m

multisp RGB risol 4m

pansharpened6 risol 1m


PRE-PROCESSING

1) correzione geometrica delle immagini (GCP )

2) Estrazione del modello digitale della superficie (DSM) : attraverso riprese stereoscopice Nadir e Off Nadir dell'area di studio (Along track)

3) viene generata l’ortofoto dell’intera area di studio.

4) controllo dei risultati mediante sovrapposizione con CTR

CLASSIFICAZIONE

1) Classificazione di tipo PIXEL BASED MULTISPETTRALE SUPERVISIONATA: prima assegnazione dei pixel alle diverse categorie di copertura del suolo sulla base dei valori di DN.

2) errori di misclassificazione ed erronea classificazione vengono affrontati utilizzando il dato di QUOTA.

Viene filtrato il dato DSM attraverso FILTRI DI ESALTAZIONE DELLE DIFFERENZE DI QUOTA per i diversi pixel (Sobel). L'informazione altimetrica , viene sfruttata per creare un nuovo prodotto: un nuovo raster differenza DSM-DTM .

Raffinamento della classificazione che integra il dato altimetrico con la classificazione precedente, attraverso l’informazione multispettrale.

Tab 3.6 Metodologie automatiche nell'elaborazione di immagini satellitari stereoscopiche ad alta risoluzione per applicazioni ingegneristiche

6 Pansharpening è un procedimento di fusione di immagini pancromatiche(ad alta risoluzione) e immagini a canali RGB(più bassa risoluzione, ma dotate del dato multispettrale). Il procedimento è meglio noto con tecnica IHS (Intensity, Hue, Saturation). Date tre bande dell’immagine multispettrale(nello spazio colore RGB), la trasformazione genera tre nuove bande, nello spazio IHS.Si sostituisce poi la componente I con un’altra immagine (nella fattispecie la pancromatica), e si ritorna allo spazio RGB. Ottengo quindi una nuova immagine a tre canali RGB con la risoluzione della pancromatica. (Brivio, Lechi e Zilioli:

Principi e metodi di telerilevamento, CittàStudi Edizioni, Bologna, 2006, 355-356)


98

" Extraction of buildings and trees in urban environments”

di Norbert Haala, Claus Brenner

ISPRS Journal of Photogrammetry & Remote Sensing 54 , 1999

Il caso di studio interessa la città di Karlsruhe (Germania), vicino

Stuttgart.

Dalle sole risorse di un ortofoto CIR (Colour InfRared) e un DSM,

creato da un rilievo Lidar con laser scanner Toposys, viene creata una

mappa 2D di occupazione e copertura del suolo.

Il processo di classificazione è di tipo pixel-based non guidato e si

aiuta con l’algoritmo ISODATA.

Una volta in possesso della carta tematica, si procede ad “estrudere”

gli edifici, creando un modello 3D del sito, utilizzando, come

informazione di quota, il DSM.


99

dati DATA SET

immagine CIR risol 0,5m

DSM da laser scanner Toposys risol 0,2m


PRE-PROCESSING

1) digitalizzazione e ortorettifica immagine CIR

7

2) coregistrazione orto-immagine CIR e DSM

3) realizzazione del prodotto raster DSM-DTM

CLASSIFICAZIONE

1) CLASSIFICAZIONE PIXEL BASED NON SUPERVISIONATA (utilizzando l'immagine ortorettificata nei canali RGB e il prodotto del DSM "normalizzato" come quarto canale)

Si utilizza un criterio di classificazione ISODATA (Iterative Self-Organizing Data Analysis Technique) che ottimizza il numero di clusters nello spazio caratteristiche, da archiviare poi come categorie di classificazione dei pixel.

2) Viene utilizzata la classificazione, come base su cui costruire il MODELLO 3D del sito.

L'informazione DSM qui viene sfruttata sul modello 2D ottenuto dalla classificazione precedente, come informazione di quota con cui "estrudere" gli edifici.

Tab 3.7 Extraction of buildings and trees in urban environments

7 Immagine CIR (Color InfraRed) : immagini ottenute da sensori sensibili alla regione del visibile e del vicino infrarosso; sono utili particolarmente per separare l’acqua dalla

vegetazione, in quanto la prima riflette pochissimo nelle bande tra 0,8-0,9 micron, mentre la seconda riflette molto. (Brivio, Lechi e Zilioli: Principi e metodi di telerilevamento, CittàStudi Edizioni, Bologna, 2006, 188)


100

" Optimisation of building detection in satellite images by combining

multispectral classification and texture filtering”

di Yun Zhang

ISPRS Journal of Photogrammetry & Remote Sensing 54 , 1999

Lo studio viene effettuato sull’intera area metropolitana della città di

Shanghai (30 km2 , Cina).

Il lavoro presenta un metodo veloce e accurato di individuazione

automatica di edifici sfruttando l'informazione multispettrale, del

sensore TM (a bordo del Landsat 5) e pancromatica , del sensore

HRV2 (a bordo dello SPOT1).

Viene effettuata anche l’analisi della texture che può rivelarsi

particolarmente utile per la valutazione dello sviluppo dell'area

metropolitana di una città in forte espansione come quella di

Shanghai.


101

dati DATA SET

Bande 3,4, 7 sensore TM Landsat 5 1987

Pancromatico sensore HRV2 SPOT1 1989


PREPROCESSING

Trasformazione IHS sulle immagini (si noti che la differenza temporale di cattura ha creato un decremento di accuratezza)

PRIMA CLASSIFICAZIONE Classificazione multispettrale di tipo pixel based non supervisionata ISODATA.

SECONDA CLASSIFICAZIONE

Viene svolta una CLASSIFICAZIONE CON ANALISI DI TEXTURE

L'analisi di tessitura in questo caso viene svolta con un metodo di misura statistica di secondo livello e in particolare quello della Matrice di co-occorrenza

8.

La MATRICE DI CO-OCCORRENZA agisce mettendo in luce i pixel con tessitura diversa, ovvero con DN nei livelli di grigio, di valore diverso. In virtù di questa disuguaglianza, vengono raggruppati in cluster.

Questo processo separa gli edifici dal contesto, grazie a differenze di radianza operate solo dalla tessitura.

Si noti che nei diversi cluster sono raggruppati i pixel appartenenti a edifici di simili dimensioni.

Tab 3.8 Optimisation of building detection in satellite images by combining multispectral classification and texture filtering

8 Matrice di co-occorrenza: strumento per l’analisi della tessitura nelle immagini digitali, basato sulla struttura spaziale dell’immagine stessa. La co-occorrenza identifica la proprietà congiunta, che a un livello di grigio i in posizione (x,y) sulla scena, corrisponda un livello j a distanza d con un certo angolo φ. La suddetta matrice rappresenta quindi la densità di probabilità delle transizioni da un livello di grigio i ad uno j per una certa distanza d e una certa direzione. (Brivio, Lechi e Zilioli: Principi e metodi di telerilevamento, CittàStudi

Edizioni, Bologna, 2006, 325-326)


102

" Telerilevamento e urbanistica”

di Armano S., De Cecco A., Boesso F. e Del Re R.

http://www.qr3.it , 2012

In questo elaborato viene proposta un’indagine temporale sul

fenomeno dell’Urban Sprawl (espansione disordinata della città

diffusa) applicata alla città di Pordenone (Friuli Venezia Giulia, Italia)

attraverso i dati rilevati dai satelliti LANDSAT e SPOT .

All’interno dello studio viene illustrato il progetto “Moland”, sviluppato

con lo scopo di fornire uno strumento spaziale di pianificazione per

valutare, monitorare e modellare lo sviluppo di ambienti urbani e

regionali.

http://www.qr3.it/


103

dati DATA SET

LANDSAT serie 1985-2005

SPOT serie 1985-2005


Le immagini vengono classificate attraverso procedure di CLASSIFICAZIONE AUTOMATICA secondo classi di copertura del suolo quali edificato, suolo nudo, prati, cespugli, boschi, strade. Attraverso le SERIE DI RIPRESE ad intervalli temporali, si pongono in luce le principali variazioni nelle classi durante il periodo considerato.

I risultati di questo processo hanno fornito una serie di CARTE TEMATICHE che rappresentano le diverse occupazioni del suolo durante gli anni, valutandone l'area (in ettari) attraverso strumenti di analisi GIS.

Tab 3.9 Telerilevamento e urbanistica


104

" Building extraction from high resolution satellite images using

hough transform”

di D. Koc San, M. Turker

International Archives of the Photogrammetry, Remote Sensing and Spatial

Information Science, Volume XXXVIII (Kyoto, Japan) 2010

Nel presente elaborato viene condotta uno studio di mappatura di

edifici, su un centro abitativo di nuova realizzazione sito nel distretto

di Batikent (Ankara, Turchia), il “Batikent Project”, di 10 km2.

Nella fattispecie viene presentato un metodo di estrazione automatica

di edifici di diverse forme, ad uso residenziale e industriale,

attraverso riprese satellitari IKONOS ad alta risoluzione.


105

dati DATA SET

IKONOS Img. multispettrale

IKONOS Img. pancromatica

Dato vettoriale esistente


PREPROCESSING 1) PANSHARPENING su immagini

multispettrale

2) creazione di un DSM DA IMMAGINI pancromatiche STEREO

3) creazione di un DTM a partire dalle informazioni vettoriali a disposizione

CLASSIFICAZIONE

1) creazione del DSM normalizzato come prodotto del DSM-DTM e individuazione di edifici assegnando una soglia di 3m.

2)ortorettifica dell'immagine multispettrale attraverso il DSMnormalizzato co-registrato. (Verrà utilizzato come banda aggiuntiva nella classificazione)

3) viene calcolato l'indice di vegetazione NDVI e si definiscono così i possibili candidati come edifici.

4) l'algoritmo di classificazione SVM (Support vector machine)

9; esso

viene applicato tra le classi di "vegetazione" e "edifici".

5) vengono ESTRATTI I BORDI DELLE AREE (ancora in formato raster) riconosciute come "edifici" sull'immagine multispettrale.

6) Mediante l'applicazione della TRASFORMATA DI HOUGH

vengono convertititi i bordi degli edifici in formato vettoriale, attraverso un processo di riconoscimento algebrico di forme.

7) In questa maniera vengono raggruppati e definiti i confini degli edifici.

Tab 3.10 Building extraction from high resolution satellite images using hough transform

9 SVM(Support Vector Machine): tipologia di classificazione supervisionata che discrimina tra

due (e due sole) classi di output. Vengono forniti all’algoritmo dei training sites per ciascuna categoria e, successivamente, ogni nuovo pixel classificato, diventa egli stesso un nuovo training site.


106

Capitolo 4

Sperimentazione condotta

sul caso studio (Bologna)

In questo capitolo vengono analizzate due diverse procedure di

classificazione object-oriented finalizzate all’estrazione automatica di

edifici in ambito urbano.

Lo studio è stato condotto su parte dell’area metropolitana della città

di Bologna (Emilia Romagna, Italia); l’area di studio ha un’estensione

di circa 4,85 km2 (44°30’09.75’’N 11°20’26.86’’E, 44°30’30.40’’N

11°18’57.66’’E, 44°29’22.45’’N 11°18’21.10’’E, 44°28’51.53’’N 11°19’52.53’’E).

Figura 4.1 Localizzazione dell’area di studio.

Sperimentazione condotta sul caso studio (Bologna)

108

I dati utilizzati comprendono un’immagine multispettrale ad alta

risoluzione, acquisita dal sensore WorldView-2, un modello digitale

della superficie (DSM) realizzato attraverso il processamento di dati

ottenuti da un volo Lidar sulla città, il modello digitale del terreno

(DTM) e la Carta Tecnica Comunale (CTC).

Per la sperimentazione sono stati utilizzati il software eCognition

Developer 8.8, distribuito da Trimble, e il software open source

QuantumGIS 1.8 Lisboa.

I due processi di classificazione proposti sono svolti in parallelo,

prendendo in esame dati diversi e sviluppando strategie indipendenti.

Per ciascuna delle procedure vengono evidenziate le principali fonti di

difficoltà ed incertezza; infine, vengono mostrati i risultati derivanti

dalle valutazioni dell’accuratezza al fine di mettere a confronto i

risultati ottenuti con le due classificazioni proposte.


109

4.1 Dati a disposizione

Di seguito vengono presentati i dati a disposizione per il caso di

studio, evidenziandone caratteristiche tecniche e modalità di

acquisizione.

- Immagine multispettrale ad alta risoluzione WorldView-2

Viene analizzata una porzione di immagine WorldView-2 di circa

4,85 km2, acquisita in data 09/07/2011.

Figura 4.2 Porzione di immagine WorldView-2 analizzata nel caso studio (Bologna, 09/07/2011).

Il sensore WorldView-2 è il primo sensore ad alta risoluzione ad 8

bande di acquisizione. Opera ad un’altezza di 770 km, con tempo

di rivisitazione pari ad 1,1 gg ed è in grado di acquisire immagini

per 1000000 di km2 al giorno.


110

BANDA INTERVALLO RISOLUZIONE

SPAZIALE

Coastal Blue 400-450 nm

2 m

Blue 450-510 nm

Green 510-580 nm

Yellow 585-625 nm

Red 630-690 nm

Red edge 705-745 nm

Near IR 1 770-895 nm

Near IR 2 860-1040 nm

Pancromatico 450-800 nm 0,5 m

Figura 4.3 Bande di acquisizione del sensore WorldView-2 (DigitalGlobe Imagery Support Data (ISD) Documentation) .

- DSM (Digital Surface Model)

Il DSM è stato ricavato dall’elaborazione dei dati ottenuti da un

volo Lidar del 2009, gentilmente messo a disposizione dall’Unità

SIT del Comune di Bologna. La nuvola di punti è stata convertita in

DSM mediante il software E3De (EXELIS, Visual Information

Solutions).

Il DSM è georeferenziato in UTM-WGS84 32N, ha una risoluzione

pari a 2m e la quota è di tipo ellissoidico.

Figura 4.4 a) nuvola di punti raccolta sull’area di interesse, dal dato Lidar. b) DSM ottenuto, rappresentato con palette di scala di grigi .


111

- DTM (Digital Terrain Model)

Il modello digitale del terreno ha risoluzione spaziale di 5m ed è

stato ottenuto, in UTM-WGS84 32N, dagli OPEN DATA dal Catalogo

dei Dati Geografici della Regione Emilia

Romagna.(http://geo.regione.emilia-romagna.it/geocatalogo/)

Le quote sono riferite al geoide che, nel caso di Bologna, ha un

ondulazione media di 40m.

Figura 4.5 DTM dal Catalogo dei Dati Geologici, ritagliato sull’area di interesse, rappresentato con palette di scala di grigi .

- CTC (Carta Tecnica Comunale)

La Carta tecnica comunale di Bologna realizzata con metodo

fotogrammetrico diretto, aggiornata all’anno 2012, è stata ottenuta

dagli Open Data del Comune di Bologna (http://dati.comune.bologna.it/).

Il vettoriale, in UTM-ED50 32N, è stato riproiettato in UTM-WGS84

32N tramite Qgis al fine di renderlo coerente con l’immagine

WorldView2.

http://geo.regione.emilia-romagna.it/geocatalogo/


112

Figura 4.6 Shapefile della CTC, ritagliato sull’area di interesse.

4.1.1 Pre-processamento dell’immagine WolrdView-2

L’immagine multispettrale WorldView-2 è stata ortorettificata.

impiegando il DSM con risoluzione pari a 2 m, ottenuto dal dato

LIDAR, e con l’ausilio di 5 punti di controllo (Ground Control Point). Le

coordinate e la quota di suddetti punti sono state ricavate dalla CTC.

In particolare, per l’informazione relativa alla quota è stato

considerato l’attributo QUOTA_G , contenuto nel database della CTC,

corrispondente alla quota geoidica di gronda.

Considerando che il DSM utilizzato per l’ortorettifica risulta essere in

quote ellisoidiche, alla quota di ciascun punto di controllo è stato

sommato un valore pari a 40 m conforme all’ondulazione geoidica

media nell’area indagata.


113

Figura 4.7 Individuazione dei GCP sull’immagine WV-2 .


114


115

4.2 Estrazione automatica di edifici

L’obiettivo della sperimentazione è la definizione di metodologie per

l’estrazione automatica di edifici da immagini multispettrali ad alta

risoluzione.

La classificazione è stata sviluppata mediante il software eCognition

Developer 8.8, che opera con approccio object-oriented (Capitolo 2,

La classificazione e l’interpretazione).

Il generico processo di classificazione implementato dal software

eCogntion, si articola in diverse fasi :

- Creazione di un nuovo progetto (create new project), durante la

quale viene importata l’immagine da analizzare nei suoi canali

di acquisizione; ad ogni canale corrisponde un layer nel

progetto; eventuali dati accessori vengono inseriti anch’essi

come layer di progetto.

- Creazione di una strategia (Rule set), durante la quale viene

sviluppato, all’interno del Process tree, un processo gerarchico

costituito di fasi organizzate ad albero; ciascuna fase viene

concepita attraverso la scelta e la calibrazione di feature,

individuate nella Feature View. Una volta testato il processo e

approvati i parametri, la regola appena definita viene “appesa”

all’albero della strategia.

- Verifica dei risultati; eCognition 8.8 offre la possibilità di

verificare l’accuratezza della classificazione svolta attraverso un

processo site-specific, durante il quale vengono individuati i test

sites e viene stilata una matrice per il controllo dell’accuratezza

(confusion matrix).

- Una volta validato il processo di estrazione delle classi

tematiche, viene effettuata l’esportazione dei risultati. La

finestra di esportazione permette di scegliere il formato del file ,

la destinazione e le classi tematiche da esportare.


116

Figura 4.8 Schema logico del processo di classificazione nell’ambiente di eCognition Developer. (eCognition 8.8: Guided Tour Level 1)

Ogni progetto parte, quindi, con la scelta dell’immagine da analizzare

e dall’inserimento di essa nell’elenco dei dati da utilizzare per la

classificazione. .

L’immagine WorlView-2 è acquisita in 8 canali spettrali diversi, per

cui, al momento dell’inserimento nel nuovo progetto, vengono creati

automaticamente 8 layer. Nello specifico è stato inserito, come dato

accessorio all’interno del progetto, il DSM .

Figura 4.9 Particolare di inserimento delle bande dell’immagine multispettrale, come layer del nuovo progetto, e rinomina di ciascuno di essi, con il nome della banda spettrale.


117

La visualizzazione di tutti i layer o solo di alcuni, a seconda dell’utilità,

viene gestita nel workspace, attraverso le funzioni di VIEW.

Figura 4.10 Layer mixing per creare la visualizzazione dell’immagine nel canali RGB.

Le due procedure di classificazione proposte hanno previsto una

prima fase di segmentazione mediante l’impiego dell’algoritmo

“multiresolution segmentation” implementato in eCognition.

La segmentazione divide l’immagine in parziali regioni ovvero gruppi

di pixel, che presentano differenti caratteristiche, detti image

objects, che presentano caratteristiche omogenee; gli image objects

risultano collegati fra loro e formano un livello, il cosidetto “level”;

successive segmentazioni, ma anche attività di merge, danno origine

ad un progetto su più level indipendenti.


118

Figura 4.11 a)b) Due diversi level all’interno dello stesso progetto, caratterizzati da

segmentazione multiresolution con fattori di scala successivi differenti.

c) Informazioni associate a ciascun poligono,

visualizzabili attraverso l’ Image object information.

A partire dalla segmentazione, le funzionalità del software, impiegate

nella sperimentazione, verranno citate durante l’illustrazione del

workflow .

In generale, la strategia di classificazione è sviluppata inizialmente su

un subset dell’immagine; una volta raggiunto l’obiettivo, la procedura

è stata applicata sull’intera area di studio.


119

I risultati ottenuti dalle due diverse procedure di classificazione sono

stati esportati come shapefile10 : ad ogni oggetto classificato, è

associata una posizione nello spazio e una georeferenziazione nel

sistema di riferimento cartografico di progetto (UTM WGS84 32N).

Questo passaggio ha permesso di mettere a confronto i prodotti delle

due classificazioni con la CTC, all’interno del software QuantumGIS;

nello specifico, considerando il dato ottenuto nella CTC come verità a

terra (Ground truth) è stato possibile valutare l’accuratezza delle due

procedure di classificazione sviluppate.

10 Uno shapefile (.shp) è un formato vettoriale di registrazione di identità geometriche e delle loro informazioni associate, sviluppato da ESRI, ; esso registra i dati primitivi di geometria: punti, linee, poligoni e testi. questo file da solo è incompleto poiché interpretazione ed utilizzo dipendono dagli altri file associati, che registrano le informazioni attributarie, con estensioni .shp, .dbf, .shx.


120

4.2.1 Estrazione basata sul solo dato multispettrale

La prima procedura di classificazione proposta ha previsto

l’identificazione degli edifici mediante l’elaborazione dell’immagine

WorldView-2 senza l’ausilio di dati aggiuntivi.

Innanzitutto, è creato un New Project in cui, come layer, compaiono

le 8 bande di acquisizione del sensore WorldView-2.

Figura 4.12 Particolare di creazione di un nuovo progetto: inserimento e rinomina dei Layer.


121

Tra le diverse funzioni di SEGMENTAZIONE implementate dal

software, è scelta la multiresolution; in particolare, per sfruttare

appieno l’informazione multispettrale, è assegnato un peso uguale ad

ognuna delle bande.

Viene stabilito il Parametro scala (Capitolo 2, La classificazione e

l’interpretazione) e gli ulteriori parametri di shape e compactness.

Nello specifico, il parametro scala indica un preciso valore di

eterogeneità tra gli object, mentre i valori di shape e compactness

impediscono che vengano creati oggetti con texture troppo differente.

La texture prende in considerazione l’aspetto della forma individuata

da bordi più o meno squadrati (shape) e il discorso della compattezza

(compactness).Come primo livello gerarchico di segmentazione, sono

stati impostati i valori:

La scelta è stata motivata dalla volontà di creare object di forma

abbastanza compatta, vicina alla forma generica delle coperture, e

squadrata.

Figura 4.13 Particolare di impostazione dei parametri utili alla segmentazione multiresolution.


122

Figura 4.14 Risultato della prima fase di segmentazione multiresolution.

Una volta effettuata la segmentazione, l’immagine è suddivisa in

oggetti, ciascuno dei quali caratterizzato da proprietà (feature) di tipo

spettrale, geometrico e tessiturale che possono essere sfruttate in

fase di classificazione: il software permette di interrogare

singolarmente ogni object al fine di controllare il valore delle diverse

feature inoltre, permette di creare nuove feature, attraverso il

comando customize.

Ogni caratteristica può essere rappresentata su tutta la scena

attraverso la Feature View con una palette in toni di grigio o dal verde

al blu, settando un range di valori da visualizzare.

Durante la sperimentazione sono state create 3 nuove feature basate

su operazioni tra bande dell’immagine.

Figura 4.15 Vista della Feature View , con focus sulle feature create per l’individuazione di vegetazione, tetti rossi e tetti chiari.


123

- La prima feature creata rappresenta l’indice spettrale NDVI

(Normalized Difference Vegetation Index), per esaltare la

presenza di vegetazione;

Figura 4.16 Vista della finestra di editing per le features.

- La seconda feature è stata creata per esaltare la presenza di

tetti caratterizzati da una copertura in tegole; tale feature è

stata definita “ROSSO SU ALTRI” , ed esalta la riflettenza nella

banda del rosso rispetto alle bande del VIS;


124

Figura 4.17 Vista della finestra di editing per le features.

- Infine è stata creata la feature “BIANCO” al fine di identificare

la riflettanza di edifici con coperture bianche/grigie, in

calcestruzzo o lamiera, generalmente praticabili, tipiche di

palazzine, ospedali, istituti dell’area metropolitana.

Figura 4.18 Vista della finestra di editing per le features customizzate.


125

Queste tre feature sono state interrogate su tutta l’area , attraverso

la feature view. Tale controllo ha permesso di definire specifiche

soglie sulle feature al fine di assegnare gli image object ad una classe

precisa.

Figura 4.19 Vista della caratteristica di NDVI su un’ area dell’ immagine e controllo, per il singolo object, del valore di NDVI.

In particolare, le classi tematiche sono state definite a priori,

all’interno della “Class Hierarchy” e sono le seguenti:

Figura 4.20 Finestra di Class Hierarchy.

- Verde urbano; zone occupate da vegetazione pubblica o

privata, indifferentemente di tipo prato, arbusti o alberi, colta o

incolta.

- Strade; rete viaria e parcheggi.

- Ombreggiature; zone di ombra causate da edifici o costruzioni

elevate. È utilizzata per lo più come classe di ”servizio”, per

contenere errori di commissione.

- Tetti rossi; coperture tipiche di ville, piccole palazzine o

murature del centro storico, realizzate in tegola rossa.

- Tetti bianchi; comprende tutte le coperture di grandi palazzi

tipici del secondo dopoguerra. Si tratta spesso di coperture

praticabili in calcestruzzo, ghiaino o lamiera.


126

Successivamente alla prima fase di segmentazione, è stata effettuata

una prima fase di classificazione al fine di identificare il verde urbano

e gli edifici caratterizzati da copertura in tegole rosse e copertura

bianca/grigia.

In generale, la classificazione implementata con eCognition ha una

struttura “ad albero” e viene rappresentata nel process Tree

attraverso un impianto gerarchico composto da rami principali e figli

(child processes).

Nel caso specifico, la classificazione degli image object è svolta

implementando più volte il comando assign class fissando soglie

molto restrittive alle feature “NDVI” , “ROSSO SU ALTRI” e “BIANCO”.

Figura 4.21 Classificazione mediante la definizione di soglie per le features “NDVI”, “ROSSO SU ALTRI”, “BIANCO),


127

I risultati della prima fase di classificazione sono riportati di seguito:

Figura 4.22 Feauture view relativa alla caratteristica ”NDVI” e classificazione del verde urbano attraverso l’NDVI.

Figura 4.23 Feauture view della caratteristica “ROSSO SU ALTRI” e classificazione dei tetti rossi attraverso la caratteristica ROSSO SU ALTRI.

Figura 4.24 Feauture view della caratteristica “BIANCO” e classificazione dei tetti bianchi attraverso la caratteristica BIANCO.

La struttura a level dell’ambiente di eCognition ha permesso di

realizzare una seconda segmentazione, caratterizzata da un

Parametro Scala minore del precedente, con l’obiettivo di

RAFFINARE la classificazione.


128

A tale proposito, nel process tree è stato creato un secondo blocco di

funzioni, che partono con la seconda segmentazione dell’immagine e

con il trasferimento degli object già classificati, nel nuovo livello.

Figura 4.25 Vista del process tree: fase di RAFFINAMENTO.

Figura 4.26 Particolare della seconda segmentazione .


129

La funzione implementata per questa operazione di trasferimento è

contenuta nel gruppo di feature denominato class related.

Esistono, infatti, feature che mettono in relazione object posti sullo

stesso level, oppure altre che coinvolgono objects su level differenti

(super-objects e sub-objects).

Nello specifico, per trasferire la classificazione effettuata dal livello

superiore a quello nuovo inferiore, è stata utilizzata una feature

relazionale di esistenza.

La segmentazione multiresolution crea livelli di segmentazione non

indipendenti. Ciò implica che è possibile utilizzare feature relazionali

anche fra object di livello differente.

In questo caso è stata utilizzata la feature relazionale di “Existence

of” che viene interrogata sulla presenza di una certa classe tematica,

al livello adiacente. In caso di esito positivo (questo algoritmo lavora

in logica booleana), la classificazione in questione viene copiata al

nuovo livello.


130

Figura 4.27 a) rappresentazione della feature “Existence of super objects” per la classe tetti rossi . La logica booleana fornisce come risposte Sì o NO, che corrispondono, nella feature view, nei colori bianco e nero. b) trasporto della classe tetti rossi, al livello inferiore.

Figura 4.28 a) rappresentazione della feature “Existence of super objects” per la classe tetti bianchi b) trasporto della classe tetti bianchi, al livello inferiore.

Figura 4.29 a) rappresentazione della feature “Existence of super objects” per la classe verde urbano. b) trasporto della classe verde urbano, al livello inferiore.


131

All’interno del livello 2 vengono assegnate le classi di strade e

ombreggiature.

Essendo l’obiettivo della sperimentazione, l’estrazione di edifici, le

classi tematiche strade e ombreggiature possono essere viste come

“classi di servizio”, poiché la loro esclusione dagli object rimasti

unclassified, preclude eventuali errori di commissione. La risposta

spettrale di queste due nuove categorie tematiche, infatti, si avvicina

molto a quella delle coperture delle palazzine; per quanto riguarda la

regione del VIS, entrambe sono di colore grigio chiaro (o scuro) a

seconda dell’illuminazione.

Per quanto riguarda invece le restanti regioni (NEAR IR 1 e 2) esse

non sono interessate da comportamenti degni di nota.

Questi aspetti indurrebbero in errore il programma che, durante le

operazioni di raffinamento della categoria tetti bianchi, è portato ad

includerle.

Per l’individuazione delle ombreggiature, è stata utilizzata la feature

Brightness che, appunto, individua gli object maggiormente illuminati.

Questo, di fatto esclude a priori le zone d’ombra.

È stata quindi fissata una soglia, al di sotto della quale tutti gli object

unclassified vengono assegnati alla categoria ombreggiature.

Figura 4.30 a) Feature view della caratteristica di Brightness. b) classificazione degli object con Brightness minore della soglia, come ombreggiature.


132

Per l’individuazione degli object appartenenti alla categoria strade, si

è fatto riferimento ad aspetti geometrici mediante l’impiego del blocco

Geometry, nella feature view.

Nello specifico sono stati classificati come strade quegli oggetti con

lunghezza e rapporto lunghezza/larghezza maggiori di una certa

soglia attraverso le funzioni di Length/Width e Length.

⁄

Figura 4.31 a)b) la combinazione delle features di lenght e lenght/width fornisce la classe strade. c) classificazione degli object strade.

Gli object rimasti non classificati sono stati studiati con le stesse

customized feature utilizzate nella prima segmentazione, ovvero

NDVI, ROSSO SU ALTRI e BIANCO; in generale, sono state applicate

soglie più alte per l’assegnazione rispettivamente alle classi di verde

urbano, tetti rossi e tetti bianchi.


133

La seconda segmentazione, è stata eseguita con Parametro Scala più

piccolo. Gli object ottenuti possiedono, quindi, caratteristiche

spettrali, tessiturali e geometriche più omogenee ; è stato possibile,

quindi, iniziare la fase di RAFFINAMENTO, durante la quale sono

state modificate le soglie per le feature ROSSO SU ALTRI e BIANCO,

precedentemente utilizzate per la classificazione di tetti rossi e tetti

bianchi.

Figura 4.32 Fase di raffinamento delle classi verde urbano, tetti rossi e tetti bianchi.

La fase di RAFFINAMENTO termina con la creazione di un ulteriore

level e il merge degli object classificati come verde urbano e tetti

rossi.

Per i tetti rossi è utilizzata un’altra feature relazionale (“Relative

border to…”) operante tra object del medesimo livello.

In particolare il merge della classe tematica, è stato effettuato solo

fra quegli object con più di 29 pixel di contorno in comune i quali,

quindi, è plausibile che appartengano alla stessa copertura.


134

La classificazione termina con la creazione di un ultimo level,

all’interno del quale sono state unite le classi tetti rossi e tetti bianchi,

sotto un’unica classe, tetti.

Figura 4.33 Creazione dell’ultimo Level e merge delle classi tetti rossi e tetti bianchi, sotto un’unica classe: tetti.

Il prodotto finale ottenuta dalla procedura di classificazione sopra

descritta è riportato in figura:

Figura 4.34 Vista della classificazione ultimata.


135

Per le successive verifiche di accuratezza, la classe tetti, è stata

esportata sotto forma di shapefile (.shp).

Figura 4.35 Esportazione di risultati in formato shapefile o raster


136

4.2.2 Estrazione basata sul dato multispettrale e sul DSM

La seconda procedura di classificazione proposta ha previsto

l’identificazione degli edifici mediante l’elaborazione dell’immagine

WorldView-2 congiuntamente all’impiego del DSM e del DTM dell’area

di studio.

È stato creato un New Project in cui, come layer, compaiono le 8

bande di acquisizione del sensore WV-2, e i due raster contenenti il

dato di quota, ossia il DTM e il DSM.

Figura 4.36 Particolare di creazione di un nuovo progetto: inserimento e rinomina dei Layer.


137

Come nel caso precedente, la classificazione è stata svolta in più fasi;

Il processo di classificazione è partito con la creazione di un primo

livello di object, su cui è stata effettuata una prima classificazione,

volta all’individuazione di edifici sfruttando il dato di quota.

Figura 4.37 Vista del Rule set implementato nella classificazione con dato multispettrale e DEM.

La creazione degli image object è stata effettuata, anche in questo

caso, attraverso l’operazione di SEGMENTAZIONE multiresolution;

tuttavia si è voluto dare maggiore importanza al dato di quota, e

quindi al layer del DSM; questo aspetto è giustificato dal fatto che,

con questo approccio, si è voluto estrarre gli edifici sfruttando

l’informazione di elevazione, riportata dal DSM.

La risoluzione del DSM a 2m, tuttavia, può indurre in errore durante

la segmentazione; il dato di quota, associato a ciascun pixel, è

uniforme su tutta l’area del pixel e questo crea degli evidenti errori di

segmentazione lungo gli spigoli degli edifici.

È stato, perciò, applicato un filtro di smoothing sul layer DSM,

ottenendo come prodotto un ulteriore layer chiamato DSM_smoothed.

Il principio di funzionamento si basa sul fatto che, nel DSM, ad ogni

pixel è associato un dato di quota uniforme. Successivamente

all’applicazione del filtro, all’interno di ogni pixel si hanno zone a

quota diversa ed quindi è possibile individuare una pendenza.

I diversi valori di quota all’interno di ciascun pixel sono calcolati sulla

base dei valori di quota posseduti dai pixel adiacenti.


138

Figura 4.38 Principio di funzionamento del filtro di smoothing. ( eCognition 8.8: Guided Tour – Level 3)

Di seguito è rappresentato il risultato dell’applicazione del filtro di

smoothing.

Figura 4.39 View del DSM (a sx) e del DSM_smoothed (a dx). I pixel giacenti sugli spigoli degli edifici non hanno differenze nette nei valori di quota, bensì variabili.


139

La prima segmentazione è stata quindi effettuata sfruttando il layer

creato attraverso il filtro di smoothing con l’obiettivo di ottenere degli

image object simili alle sagome degli edifici discriminandoli in base

all’informazione di quota; il Parametro di Scala è stato settato su un

valore pari a 15, mentre i valori di shape e compactness sono stati

entrambi impostati a 0,5 con l’obiettivo di utilizzare valori medi e non

condizionare così la segmentazione basata sul layer filtrato.

Figura 4.40 Particolare delle impostazioni dei valori si segmentazione.

Figura 4.41 Particolare della prima segmentazione.


140

La prima fase di classificazione ha previsto la creazione di due nuove

feature specifiche per lo studio del dato di quota:

- standard deviation del valore del layer DSM_smoothed

Figura 4.42 Particolare della definizione della feature DSM_smooth standard deviation, nella feature view .

- differenza tra DSM e DTM :

Figura 4.43 Particolare della finestra di creazione di customized features .


141

La prima caratteristica è stata creata per l’individuazione delle zone in

cui si ha un notevole cambio di quota. In particolare, gli objects

composti da pixel a grande variabilità del valore di quota sono

raffigurati con un digital number alto nei livelli di grigio. Una bassa

variabilità della quota tra i pixel costituenti un object, è raffigurata

attraverso un digital number basso.

La seconda caratteristica vuole invece effettuare una prima

classificazione di tutti quegli object con altezza netta (cioè differenza

tra DSM e DTM ) maggiore di una certa soglia. Nelle figure di seguito,

è rappresentato, con una palette a livelli di grigio, il valore di

differenza di quote DSM-DTM, propria di ogni object. A valori di

differenza di quota maggiore, sono associati digital number maggiori,

viceversa a valori di differenza di quota minori, e quindi edifici più

bassi, sono associati digital number inferiori.

È importante definire che la scelta di questa soglia adatta è stata

sviluppata osservando il prodotto della collaborazione tra queste due

feature.

Figura 4.44 Particolare del lavoro sinergico delle due customized features (a sx, DSM-DTM , a dx standard deviation DSM_smoothed)


142

Una prima identificazione degli edifici è stata effettuata mediante la

definizione di due soglie relativamente alle due caratteristiche

sopradescritte:

e subito dopo:

Sono stati lanciati due comandi successivi di assign class con lo scopo

di individuare due tipologie di edifici: quelli più alti con, sugli spigoli,

objects con variabilità di quota maggiore e quelli più bassi, con

objects sugli spigoli interessati da minore variabilità di quota.

Figura 4.45 finestre di editing per il comando Assign class. Si vuole mettere in evidenza la possibilità dii inserire due condition separate.

I risultati della prima fase di classificazione sono i seguenti:

Figura 4.46 Particolare della prima fase di classificazione edifici.


143

La seconda fase del processo è di RAFFINAMENTO.

In questa fase è stata implementata una segmentazione delle zone

occupate da unclassified object, condotta con Parametro Scala molto

più fine:

Figura 4.47 Vista del process tree, con focus sulla fase di REFINEMENT.

Figura 4.48 Particolare della seconda segmentazione.


144

Durante il processo di RAFFINAMENTO è stata utilizzata la

customized feature “NDVI”.

In particolare tutti gli objects caratterizzati da una valori di NDVI

maggiore di una soglia sono stati classificati come verde urbano.

Figura 4.49 Monitoraggio dei valori di NDVI assunti dagli object.

La classificazione del verde urbano è svolta prima del raffinamento

della classificazione dei tetti; si sono voluti, infatti, eliminare

classificandoli gli object caratterizzati da una certa elevazione, ma

rappresentanti alberi o vegetazione di elevata statura.

In questi termini, il successivo raffinamento della classificazione,

basato sull’informazione della feature DSM-DTM, non rischia di

includere object alti, ma di tipo vegetazionale.

A questo punto la soglia della feature DSM-DTM, attraverso cui

effettuare una nuova assegnazione, viene modificata al fine di

includere più object, senza rischiare di classificare erroneamente

alberi di altezza paragonabile ad un edificio.

Lo strumento di NDVI è , a questo punto, utilizzato anche per epurare

la classificazione tetti effettuata nel primo livello e copiata al livello 2,

dagli objects di verde urbano classificati erroneamente.


145

Figura 4.50 Fase di REFINEMENT per la classificazione dei tetti.

Mediante una serie di processi (definiti “cleening up processes”) la

classe tetti è stata depurata da quegli image object di piccole

dimensioni ed isolati, spesso frutto di commissione durante le fasi di

scelta delle soglie.

Infine è stata implementata la funzione di merge su tutti gli object

tetti.

Figura 4.51 Particolare del confronto tra l’immagine di partenza e la classificazione finale.


146

L’individuazione di edifici nella zona S-SE dell’area studiata,

interessata dall’inizio della zona collinare di Bologna, non è risultata

soddisfacente.

La segmentazione basata sul layer DSM_smoothed ha mostrato

grandi difficoltà, in questa zona, nell’estrazione di image object

attraverso il dato di elevazione, a causa della presenza di vegetazione

con altezza paragonabile agli edifici .

Si è deciso allora di inserire un blocco di operazioni con lo scopo di

individuare gli edifici attraverso il dato di riflettanza spettrale.

Figura 4.52 Particolare del confronto tra il DSM e la feature ROSSO SU ALTRI

Figura 4.53 Vista del rule set definitivo.


147

A questo scopo, sono stati trasferiti gli object rimasti unclassified ad

un nuovo livello.

Sono stati uniti utilizzando la funzione di merge, e successivamente

segmentati attraverso la multiresolution segmentation, basata sul

solo dato multispettrale.

Figura 4.54 Particolare delle impostazioni di segmentazione basate sul dato mutlispettrale.

Sugli objects così ottenuti è stata implementata la funzione assign

class, sfruttando una doppia condizione; in primo luogo, è stata

impostata una soglia di “rosso su altri” sufficientemente alta, in modo

da individuare esclusivamente gli edifici con copertura in coppi

classica, situati in prevalenza in zona collinare, dove difficilmente

sorgono palazzi di grandi dimensioni e caratterizzati da coperture a

falda piana e in cls.

È stata successivamente introdotta, come seconda condition, una

soglia minima per la feature “DSM-DTM”, con lo scopo di evitare di

includere, erroneamente, elementi come i campi da tennis in terra

rossa o il tracciato della pista di atletica in tartan rosso.


148

Figura 4.55 Particolare delle impostazione delle soglie nella funzione di assign class.

Gli object classificati come tetti rossi hanno successivamente subìto

un’operazione di merge.

La mappa degli edifici finale, così classificata, è poi stata esportata in

formato shapefile (.shp) per valutarne l’accuratezza.


149

4.3 Validazione

Per valutare l’accuratezza della classificazione object-oriented sopra

descritta, è stata condotta una procedura di validazione.

In particolare, la validazione della mappa dei tetti è stata effettuata

confrontando, in ambiente GIS (QuantumGIS), il vettoriale della

classificazione dei tetti e la CTC, assunta come verità a terra: per

ogni poligono presente nella Carta Tematica Comunale è stata

calcolata l’area classificata correttamente come tetti.

Quella che è stata condotta è quindi una validazione, di tipo

geometrico, su ogni oggetto identificabile a terra, e che quindi non

interessa solo un campione di test site (ground truth), estratti dal

riferimento .

Come indicazione della bontà della classificazione, vengono calcolati i

seguenti parametri :

- overall accuracy,

- user accuracy,

- producer accuracy;

Si ricorda che entrambi i file ottenuti dalla classificazione dei tetti

sono georeferenziati nel sistema di riferimento UTM-WGS84 32N per

cui risultano perfettamente co-registrati con la CTC .

Questo ha permesso di implementare la funzione, presente in QGIS,

di overlay, attraverso la quale sono stati sovrapposti i vettoriali della

classificazione dei tetti, ottenuta dall’immagine multispettrale, in un

caso, e dall’immagine multispettrale congiuntamente al DEM, nel

secondo caso, con la CTC ritagliata sull’area di studio.


150

Figura 4.56 Particolari di overlay , in Qgis, tra la classificazione tetti e la ctc . a) classificazione prodotta attraverso il dato multispettrale. b) class. prodotta attraverso il dato multisp.e e il DEM.

Per quantificare l’effettiva porzione di area classificata correttamente

nel vettoriale tetti , è stata sfruttata l’operazione di intersezione,

individuabile tra gli strumenti di GeoProcessing, la quale opera sui

due vettoriali inseriti nel workspace di Qgis.

Figura 4.57 Vista del gruppo di funzioni di Geoprocessing per i vettoriali nel workspace di Qgis.


151

Il risultato è un nuovo vettoriale contenente solo le porzioni di

poligoni classificati correttamente.

Figura 4.58 Particolari dell’intersezione eseguita, in Qgis, tra la classificazione tetti e la ctc . a) classificazione prodotta attraverso il dato multispettrale. b) class. prodotta attraverso il dato multisp.e e il DEM.


152

A ciascun vettoriale è associato un file attributi (.dbf) attraverso il

quale è stato possibile calcolare l’area totale degli oggetti presenti

nell’intersezione; è stata valutata quindi anche numericamente l’area

di classificazione andata a buon fine.

Figura 4.59 Vista della funzione di calcolo aree all’interno della tabella attributi, associata ai vettoriali.

È stato calcolato, grazie a questo dato, il parametro di overall

accuracy, come rapporto tra l’area classificata correttamente e l’area

totale dei poligoni presenti sulla CTC.

Per il calcolo degli errori di commissione ed omissione e, quindi, la

valutazione dei parametri di User accuracy e Producer accuracy, sono

stati sfruttati i risultati dell’operazione di differenza areale tra

classificazione tetti e CTC, e viceversa.

In particolare, è stata utilizzata la funzione, presente anch’essa fra i

comandi di GeoProcessing di Qgis, di Differenza tra vettoriali.


153

Sono state eseguite, nella fattispecie, le operazioni di Differenza tra

Classificazione tetti e CTC e di Differenza tra CTC e Classificazione

tetti

Figura 4.60 Vista delle impostazioni per la funzione di Differenza fra vettoriali.

Sono stati ottenuti, come risultati, i seguenti file vettoriali:

Figura 4.61 Particolari della Differenza eseguita tra la classificazione tetti e la ctc . a) classificazione prodotta attraverso il dato multispettrale. b) class. prodotta attraverso il dato multisp.e e il DEM.


154

Figura 4.62 Particolari della Differenza eseguita tra la ctc e la classificazione tetti. a) classificazione prodotta attraverso il dato multispettrale. b) class. prodotta attraverso il dato multisp.e e il DEM.

L’operazione di calcolo delle aree, attraverso il file attributi (.dbf) è

stata eseguita anche per i vettoriali delle Differenze, ottenendo così i

valori di area classificata erroneamente (nel caso di Differenza tra

Class.tetti e CTC) oppure omessa (nel caso di Differenza tra CTC e

Class.tetti).

La valutazione dell’area dei poligoni classificata erroneamente e

omessa è servita al calcolo degli errori di Commissione (CE) ed

Omissione (OE) come rapporti tra aree;

in particolare l’errore di commissione deriva dal rapporto tra l’area dei

poligoni classificata erroneamente e l’area totale della Class. tetti,

mentre l’errore di omissione deriva dal rapporto dell’area omessa e

l’area totale della CTC.

Da questi valori si ottengono i parametri di User accuracy e Producer

accuracy.


155

[ ]

[ ]

Di seguito sono i riportati i valori dei parametri calcolati, per ciascuna

delle classificazioni sviluppate:

m2 Overall accuracy

AREA totale CLASS. tetti

1.429.539,89

60,8% AREA totale CTC 1.391.713,92

INTERSEZIONE CLASS. Tetti - CTC

846156,740

m2 Err. di Commissione (CE) User accuracy (AU)

totale area DIFFERENZA

CLASS. tetti - CTC 602.290,85 42,1% 57,9%

m2 Err. di Omissione (OE) Producer accuracy (PA)


CTC - CLASS. tetti 530.416,87 38,1% 61,9%

Tab 4.1 Valori di accuracy e errori di classificazione per la classificazione tetti sviluppata attraverso il dato multispettrale

m2 Overall accuracy

AREA totale CLASS. tetti

1.653.273,94

85,21%

AREA totale CTC 1.391.713,92

INTERSEZIONE

CLASS. Tetti - CTC 1.185.874,29

m2 Err. di Commissione (CE) User accuracy (AU)


CLASS. tetti - CTC 553.604,90 33,48% 66,52%

m2 Err. di Omissione (OE) Producer accuracy (PA)


CTC - CLASS. tetti 173.315,68 12,45% 87,55%

Tab 4.1 Valori di accuracy e errori di classificazione per la classificazione tetti sviluppata attraverso il dato multispettrale e il DEM.


156


157


158

4.4 Considerazioni sulle problematiche riscontrate

Grazie alla procedura di validazione sopra descritta è possibile

effettuare alcune considerazione relativamente agli errori che

affliggono la classificazione e alle difficoltà incontrate

nell’implementazione della stessa.

Di seguito vengono quindi presentate, per entrambe le strategie di

estrazione portate a termine, le situazioni più ricorrenti di errore o

mancata classificazione.

A tale scopo viene confrontata la classe tematica tetti, è stata

esportata, attraverso il software QGIS in formato Keyhole Markup

Language (.kml), ed è stata sovrapposta ad immagini ad alta

risoluzione dell’area di studio, di tipo open source.

4.4.1 Estrazione basata sul solo dato multispettrale

L’estrazione della classe degli edifici dall’ immagine multispettrale è

stata eseguita attraverso l’esame delle caratteristiche di riflettanza

dei materiali da costruzione nelle 8 bande acquisite dal sensore.

Questo esame ha prodotto, tuttavia, risultati simili anche per diversi

materiali impiegati nell’ambito urbano.

In particolare, alcuni materiali come la sabbia presente sul suolo

stradale, o la massicciata in pietra presente sui binari ferroviari, che

hanno presentato risposta spettrale simile a quella ritrovata per la

categoria tetti bianchi.

La mancanza di un analisi accurata , attraverso software appositi,

della firma spettrale di materiali da costruzione attraverso cui

discriminare in maniera efficace il suolo dall’edificio, ha prodotto

erronee inclusioni, di cui, di seguito, sono riportati solo alcuni esempi.


159

Figura 4.63a Particolare della sovrapposizione della classificazione tetti in formato .kml e le immagine open source ad altissima risoluzione: erronea classificazione di sabbia bianca come tetti bianchi

Figura 4.63b Particolare dell’erronea classificazione di campi da tennis in terra come tetti bianchi.

Figura 4.63c Particolare dell’erronea classificazione della massicciata fra i binari come tetti bianchi.


160

Un chiaro esempio di commissione è quello di erronea inclusione di

pavimentazioni d’esterno in cotto, tra la categoria tetti rossi.

La loro discriminazione sulla base della sola riflettanza, è risultata

difficile a causa della composizione chimica affine.

Figura 4.64 Particolare della sovrapposizione della classificazione tetti in formato .kml e le immagine open source ad altissima risoluzione: erronea classificazione di una pavimentazione da esterno in cotto, come tetti rossi.

Gli esempi finora elencati giustificano, in parte, l’errore di

commissione (CE) calcolato precedentemente (paragrafo 4.3).

Esiste, tuttavia, un’altra consistente fonte di errore di commissione,

all’interno della classificazione basata sul solo dato multispettrale ed è

particolarmente visibile nel caso di edifici alti.

Le riprese del sensore WorldView-2 eseguite off-nadir e,

successivamente, ortorettificate, causano un effetto prospettico in

corrispondenza degli edifici.

Questo effetto è dovuto al cono d’ombra creato dalla vista off nadir di

un edificio di notevole altezza e comporta il posizionamento errato del

piede dell’edificio, nel punto a terra in cui riprende la visuale del

sensore.


161

Il risultato, visibile sull’ortofoto, è un impronta dell’edificio tanto più

allargata, quanto maggiore è stato il cono d’ombra.

L’individuazione di edifici che sfrutta il solo dato multispettrale

rappresentato sull’ortofoto comporta, quindi, l’estrazione di sagome

più estese di quanto non lo siano in realtà.

Figura 4.65 (a)Particolare

esempio dell’effetto prospettico; sono state

sovrapposte l’immagine WV-2

(sfumata) e le immagini open source ad alta

risoluzione (nitida); (b)errori nella

segmentazione e quindi nella

classificazione basate sul solo dato

multispettrale, causati dall’effetto

prospettico.


162

Figura 4.66a esempio di errore nella segmentazione e quindi nella classificazione basate sul solo dato multispettrale, causati dall’effetto ghost.

Figura 4.66b esempio di errore nella segmentazione e quindi nella classificazione basate sul solo dato multispettrale, causati dall’effetto ghost.

Figura 4.66c esempio di errore nella segmentazione e quindi nella classificazione basate sul solo dato multispettrale, causati dall’effetto ghost.


163

Vengono infine elencati degli esempi che giustificano, in parte,

l’errore di omissione (OE) calcolato nel paragrafo precedente

(paragrafo 4.3).

Si è verificata la mancata classificazione di coperture calpestabili,

realizzate in cls o in laterizio scuro. La causa è da ricercarsi nella

volontà di non includere, erroneamente, aree di manto stradale

realizzate con materiali a riflettanza simile.

Figura 4.67a Esempio mancata classificazione polo di Ingegneria;

Figura 4.67b Esempio mancata classificazione Ipercoop via A.Costa;

Figura 4.67c Esempio mancata classificazione Chiesa di Borgo SanPietro;


164

4.4.2 Estrazione basata sul dato multispettrale e sul DSM

Dalle analisi di accuratezza descritte nel paragrafo precedente, si

evince un notevole incremento delle prestazioni della classificazione,

grazie all’introduzione dei due layer aggiuntivi DTM e DSM nel

progetto eCognition.

Il valore di accuratezza raggiunto (85,21%) è da considerarsi molto

interessante; considerando anche che sussistono alcuni fattori, che

verranno descritti successivamente, che possono avere penalizzato la

procedura seguita.

In primo luogo, l’immagine WorldView-2 utilizzata è del 2011 mentre

il dato di quota relativo al DSM, impiegato nella segmentazione, è

aggiornato al 2009.

È quindi possibile che nel corso dei due anni di distanza, siano state

realizzate costruzioni che non compaiono nel DSM ma che la CTC

(aggiornata al 2012) già annovera.

Di seguito è riportato l’esempio di una copertura, individuata nei

pressi della stazione ferroviaria, realizzata dopo il 2011 che, quindi,

non appare nel DSM bensì è raffigurata nella CTC.

Figura 4.68 (a sx)Particolare del confronto del dato multispettrale con il dato DSM, ottenuto utilizzando i dati raccolti da volo Lidar del 2009 ; (a dx) ctc aggiornata al 2012;


165

È stato riscontrato una forte calo di prestazione della strategia di

classificazione, in prossimità delle aree collinari della città.

La segmentazione basata esclusivamente sul DSM non ha permesso

di individuare gli edifici immersi nella vegetazione ad alto fusto, che

tipicamente è presente sui colli.

Le altezze paragonabili della vegetazione e dei tetti hanno infatti

impedito alla funzione di segmentazione di individuare una sufficiente

variabilità del dato di quota mediante cui isolare gli edifici.

L’introduzione, in calce al processo, di un blocco di funzioni che

sfruttano il solo dato multispettrale ha in parte risolto questo

problema.

Di seguito è riportato un confronto della classificazione effettuata, con

le immagini ad alta risoluzione presenti sul portale Google Earth.

In blu sono rappresentati gli edifici estratti prima di introdurre il

blocco di azioni sopracitate; in rosso è rappresentato il miglioramento

della classificazione, grazie all’introduzione delle operazioni di cui

sopra, mentre le frecce gialle indicano gli elementi rimasti, tuttavia,

inclassificati. Infine, in rosa, è raffigurata, a titolo di confronto, la

CTC.

Figura 4.69 Vista del confronto tra classificazione ed immagini ad alta risoluzione (Google Earth).


166

Figura 4.70 Vista del confronto tra la CTC ed immagini ad alta risoluzione open source.


167


168

Conclusioni e osservazioni

La classificazione automatica di immagini telerilevate si prefigge

l’obiettivo di sostituire l’interpretazione visiva dell’operatore allo

scopo di ridurre i tempi di elaborazione manuale e gli inconvenienti di

una classificazione soggettiva e non ripetibile.

Nello specifico, le tecniche object-based di recente sviluppo

forniscono un valido strumento per lo sviluppo di tali procedure

automatiche, soprattutto utilizzando le immagini ad alta e altissima

risoluzione oggi disponibili. In questa direzione si è orientato lo studio

del presente elaborato di tesi; l’esperienza è stata condotta

utilizzando un caso di studio per il quale si dispone di un’informazione

di riferimento ai fini della validazione della procedura. In tal modo è

possibile valutare che il processo messo a punto possa essere

applicato con sufficiente grado di affidabilità anche in situazioni in cui

non si dispone di una base di cartografia numerica in ambiente GIS.

La sperimentazione è stata condotta con l’obiettivo di implementare

una procedura di classificazione per l’estrazione automatica degli

edifici da immagini satellitari ad alta risoluzione spaziale in un ambito

urbano. Il caso di studio è stato riferito ad una porzione dell’area

urbana di Bologna, impiegando un’immagine multispettrale del 2011

acquisita dal sensore WorldView-2 caratterizzata da una risoluzione

spaziale di 2 m nelle 8 bande multispettrali e di 0,50 m nel


170

pancromatico; sono stati inoltre utilizzati il DSM e il DTM dell’area

indagata.

Nel corso della tesi, sfruttando le grandissime potenzialità del

software utilizzato (Trimble eCognition) e l’efficacia dell’interfaccia

con un ambiente GIS, sono state messe a punto strategie specifiche

per la soluzione di singoli problemi, spesso con raffinamenti

successivi basati sulle analisi puntuali dei risultati via via ottenuti. Si

è inoltre posta attenzione alla fase di validazione a posteriori dei

risultati, al fine di verificare l’effettiva qualità del processo su aree

estese.

Nella prima fase della sperimentazione è stata sviluppata una

procedura di classificazione object-based per l’estrazione degli edifici

dal solo dato multispettrale. Nello specifico, per la mappa prodotta è

stata ottenuta un’accuratezza del 60%. Tra le cause di una discreta

accuratezza, al di là dei deficit nel processo di ortorettifica delle

immagini acquisite off nadir, è stata riscontrata la difficile

discriminazione degli edifici rispetto ad altre infrastrutture urbane, nel

caso in cui la realizzazione fosse stata eseguita mediante il medesimo

materiale o attraverso materiali con caratteristiche chimico-fisiche, e

quindi riflettanza, simili.

È stata successivamente introdotta nella procedura di classificazione

l'informazione altimetrica, integrando il dato multispettrale con il DSM

ottenuto da un volo Lidar del 2009; questo ha permesso di

intraprendere una nuova strategia di classificazione che ha portato

l’overall accuracy all’ 85%. L’incremento si è rivelato notevole, con

valori di accuratezza elevati, pur non potendo evidentemente

raggiungere un successo pieno.

Potrebbe essere interessante effettuare, qualora si rendessero

disponibili molti casi di studio come quello trattato, una valutazione

dei benefici che si ottengono con questi nuovi dati in rapporto ai

maggiori costi che necessariamente comportano; non è

evidentemente una valutazione semplice, non essendo facile

generalizzare il risultato di studi che si compiono su ambienti urbani,

che per loro natura si presentano estremamente complessi e

diversificati nelle diverse aree geografiche.

D’altra parte, il continuo sviluppo di risoluzione spettrale, geometrica

e radiometrica dei sensori, da un lato aiuta la convergenza del

processo di estrazione, ma, dall’altro, fa sì che la ricerca di un grado


171

di dettaglio maggiore, suggerito dai migliori prodotti dei sensori,

determini classificazioni comunque affette da errore.

D’altronde, la potenza di un processo di classificazione automatico

risiede nella possibilità non solo di essere esteso a porzioni sempre

maggiori dell’area di studio su cui è stato messo a punto, ma anche di

bene adattarsi a zone (comunque in un contesto urbano) diverse e

distanti tra loro, talvolta modificando opportunamente le soglie di

assegnazione e altrove agendo minimamente sulle regole.

Un’efficace procedura di classificazione automatica degli edifici

consente la ripetibilità della classificazione sulla medesima area di

immagini acquisite in periodi temporali diversi, supportando analisi

statistiche dei cambiamenti intercorsi su grandi moli di dati (es.

mappatura dell’urban sprawl) o l’individuazione di variazione puntuali

(ad es. nel controllo degli abusi edilizi); al tempo stesso, può essere

un dato utile anche nella redazione di previsioni e trend per il futuro

per valutazioni di carattere urbanistico.

La possibilità offerta dai software moderni di integrare dati

geospaziali digitali di tipo e formato diverso consente di svolgere

attività come l’aggiornamento periodico di banche dati esistenti o

indagini che richiedono l’uso congiunto di categorie diverse di dati;

tra gli esempi si possono citare l’identificazione di coperture

particolari (es. amianto) o mappature in campo energetico che si

avvalgono del dato termico. Il prodotto di una classificazione, quale

può essere la mappa degli edifici di una vasta area urbana, può

essere il punto di partenza di numerose attività nel campo della

protezione e pianificazione del territorio, come evidenziato nei

numerosi esempi descritti nella tesi.

Si ringrazia l’Unità SIT del Comune di Bologna che ha messo a

disposizione i dati altimetrici e di cartografia numerica.


172

clxxiii

Bibliografia

ALBIZUA L., DONEZAR U., IBANEZ J.C., 2011, “Monitoring urban

development consolidation for regional management”, AIT

Associazione Italiana di Telerilevamento

ARMANO S., DE CECCO A., BOESSO F., DEL RE R., 2005,

“Telerilevamento e Urbanistica”, QR3

BAATZ M., SHÄPE A., 2000, “Multiresolution Segmentation: an

optimization approach for high quality multi-scale image

segmentation”, Angewandte Geographische Informationsverarbeitung

XII, Wichmann, Heidelberg, pp. 12-23

BITELLI G., CAMASSI R., GUSELLA L., MOGNOL A., 2004, “Image

change detection on urban area: the earthquake case”, ISPRS Journal

of Photogrammetry & Remote Sensing

BONORA N. ET AL., 2008, “Rilevazione delle aree verdi nelle città

italiane tramite immagini ad alta risoluzione”, Rivista italiana di

Telerilevamento, 40 (3), pp.17-25

BRIGANTE R., “Metodologie automatiche nell’elaborazione di

immagini satellitari stereoscopiche ad alta risoluzione per applicazioni

ingegneristiche”, Università di Perugia – Dipartimento di Ingegneria

Civile e Ambientale (DICA)

clxxiv

BRIVIO P.A. , LECHI G., ZILIOLI E., “Principi e metodi del

telerilevamento”, CittàStudi Edizioni, 2006

CHIRICI G., CORONA P., TRAVAGLINI D., 2003, “Sperimentazione di

tecniche di classificazione object-oriented di immagini quickbird a fini

forestali” , L’Italia Forestale e Montana, 4, pp. 231-250

CONGALTON R. G., 1991, “A Review of Assessing the Accuracy of

Classifications of Remotely Sensed Data”, Remote sensing

Environment, 37, pp.35-46

DARWISH A., LEUKERT K., REINHARDT W., 2003, “Image

Segmentation for the Purpose Of Object-Based Classification”,

Geoscience and Remote Sensing Symposium, IGARSS '03.

Proceedings, IEEE International, vol.3

DESSENA M.A., MELIS M.T., “Telerilevamento applicato”, Mako

Edizioni, 2006

GOMARASCA M.A. , “Elementi di geomatica”, AIT Associazione

Italiana di Telerilevamento, 2004

HAALA N., BRENNER C., 1999, “Extraction of buildings and trees in

urban environments”, ISPRS Journal of Photogrammetry & Remote

Sensing, 54 , pp. 130–137

HAVERKAMP D., PH.D., 2004, “Automatic building extraction from

Ikonos imaginery”, Proceedings of ASPRS 2004 Conference, Denver,

Colorado

KOC SAN D., TURKER M., 2010, “Building extraction from high

resolution satellite images using Hough transform”, International

Archives of the Photogrammetry, Remote Sensing and Spatial

Information Science, 38 (8), Kyoto Japan

KRAUS K. , “Photogrammetry”, tr.it. DEQUAL S.,

“Fotogrammetria / Teoria e applicazioni”, Levrotto & Bella Ed., 1998

LILLESAND T. M., KIEFER R. W., 1994, “Remote Sensing and Image

Interpretation”, Wiley

MATIKAINEN L., KAARTINEN H., HYYPPÄ J., 2007, “Classification tree

based building detection from laser scanner and aerial image data”,

ISPRS Workshop on Laser Scanning 2007 and SilviLaser 2007, Espoo,

September, Finland

clxxv

MILIARESIS G., KOKKAS N., 2006, “Segmentation and object-based

classification for the extraction of the building class from LIDAR

DEMs”, Computers & Geosciences, 33, pp.1076-1087

RICHARDS, J.A. AND JIA, X., “Remote Sensing Digital Image

Analysis : an Introduction”, Springer-Verlag, 1999

VAN GENDEREN et Al. , 1978, “Remote sensing: statistical testing of

thematic map accuracy”, Proceedings of the twelfth international

symposium on remote sensing of environment, pp. 3-14

VILLA P. ET AL., 2011, “A hybrid multi-step approach for urban area

mapping in the Province of Milan, Italy”, AIT Associazione Italiana di

Telerilevamento

ZHANG Y., 1999, “Optimisation of building detection in satellite

images by combining multispectral classification and texture

filtering”, ISPRS Journal of Photogrammetry & Remote Sensing, 54 ,

pp. 50–60

QuantumGIS 1.8 Lisboa, User Guide

Trimble, eCognition Developer 8.8, User Guide

Trimble, eCognition Developer 8.8, Guided Tour 1 “Getting started –

Example: Simple Building Extraction”

Trimble, eCognition Developer 8.8, Guided Tour 3 “Advanced RuleSet

Writing – Example: Building Extraction ”

clxxvi

clxxvii

clxxviii

Sitografia

Digital Globe,

http://www.digitalglobe.com/

UGS – COSMO-SkyMed

http://www.cosmo-skymed.it/

Servizio Geologico, Sismico e dei Suoli - Catalogo dei Dati Geografici,

http://geo.regione.emilia-romagna.it/geocatalogo/

OPEN DATA - Comune di Bologna,

http://dati.comune.bologna.it/

Università Iuav di Venezia - Facoltà di Pianificazione del Territorio -

NUOVE TECNOLOGIE & INFORMAZIONE TERRITORIO,

http://www.didatticaericercasit.it/

SUPSI – Istituto scienza della Terra,

http://www.supsi.ch/ist

Dutton e-Education Institute,

https://www.e-education.psu.edu/

Centre de Recerca Ecològica – Aplicacions Forestals,

http://www.creaf.uab.es/

clxxix

USGS – Science for a changing world,

http://Ipdac.usgs.gov/

clxxx

USGS – Science for a changing world,

http://eo1.usgs.gov/

NASA,

http://www.nasa.gov/

La data dell’ultimo accesso alle URL citate è: 24/09/2013

clxxxi

clxxxii

clxxxiii

Ringraziamenti

Desidero innanzitutto ringraziare il Professor Bitelli per aver suscitato

in me un nuovo, profondo e sentito interesse in questo ultimo anno di

Università;

ringrazio inoltre la Dott.sa Francesca Franci e il Dott. Emanuele

Mandanici per aver incoraggiato e coordinato i miei sforzi negli ultimi

mesi.

Ringrazio di aver potuto ricevere il sostegno dei miei familiari e delle

mie amiche

Ringrazio tantissimo la vicinanza di Evandro

Da ultimo ringrazio infinitamente i ragazzi con cui ho trascorso questi

lunghi e pieni anni, e che mi hanno insegnato un nuovo spirito con cui

affrontare tutto.

STRATEGIE DI CLASSIFICAZIONE AUTOMATICA DI IMMAGINI MULTISPETTRALI PER AREE URBANE

Engineering

Transcript of STRATEGIE DI CLASSIFICAZIONE AUTOMATICA DI IMMAGINI MULTISPETTRALI PER AREE URBANE