congresos.adeituv.es€¦ · web view) y las características de resoluciones espaciales y...

CLASIFICACIONES DE IMÁGENES SINTÉTICAS CREADAS EN SOFTWARE LIBRE BLENDER

Carlos Alberto Stelle1, Francisco Javier Ariza-López2, Manuel Antonio Ureña-Cámara2

1Ejército de Tierra de Brasil, Directoria de Servicio Geografico, Quartel General do Exército,Bloco “F”, 2º Piso, Setor Militar Urbano, 70630-901, Brasília, DF, Brazil. [email protected] de Jaén, Departamento de Ingeniería Cartográfica, Geodésica y Fotogrametría, Edificio A3, Campus Las Lagunillas, s/n, 23071, Jaén, España. {fjariza, maurena}@ujaen.es

RESUMEN

Se crean y clasifican imágenes totalmente sintéticas de escenarios aleatorios. Las imágenes han sido generadas por el Simulador de Imágenes Sintéticas (SImS) basado en software libre, utilizando la Librería Espectral ASTER (Advanced Spaceborne Thermal Emission and Reflection Radiometer) y las características de resoluciones espaciales y espectrales de los sensores OLI (Operational Land Imager) y TIRS (Thermal Infrared Sensor) de la plataforma LANDSAT 8. En este sentido, el objetivo del trabajo es validar la calidad, tanto del simulador de imágenes en desarrollo, como de la potencialidad del clasificador elegido.

Palabras clave: Imágenes sintéticas; classificadores; escenarios aleatórios; software libre.

ABSTRACT

Totally synthetic images of random scenarios are created and classified. The images have been generated by the Synthetic Image Simulator (SImS) based on free software, using the ASTER (Advanced Spaceborne Thermal Emission and Reflection radiometers) spectral library and the characteristics of spatial resolutions and Spectral Sensors OLI (Operational Land Imager) and TIRS (Thermal Infrared Sensor) of the LANDSAT 8 platform. In this sense, the objective of the work is to validate the quality, both of the simulator of developing images, and of the potentiality of the chosen classifier.

Keywords: Synthetic images; classifiers; random scenarios; free software.

1. INTRODUCCIÓN

La determinación del uso y cobertura del suelo es fundamental en la evaluación ambiental de una región, lo que permite un diagnóstico confiable (Espinoza y Abraham, 2005). Diagnósticos como éste son especialmente relevantes y de gran importancia, en muchas aplicaciones como las de carácter ambiental, urbanístico y turístico.

Las imágenes derivadas de la Teledetección son una fuente de datos excelente para este fin porque permiten elaborar cartografías de manera ágil y confiable en el contexto de interés del usuario. Muchas de estas cartografías son generadas por técnicas de procesamiento de imágenes, como la clasificación digital, y deben ser evaluadas en cuanto a su exactitud temática a partir del conocimiento de una “verdad del terreno”, o referencia. El conocimiento de la calidad de un producto nos da confianza a la hora de basar la toma de decisiones sobre él. Esto significa que los procesos de la evaluación de la calidad del producto tienen que ser conocido (Powell el al., 2004).

Por otro lado, identificar y conocer los errores temáticos existentes en un producto permite determinar las fuentes que los originan, por ejemplo, procesos aleatorios o sistemáticos,

1

errores groseros introducidos en los procesos, problemas en los parámetros del clasificador utilizado, anomalías introducidas por los efectos atmosféricos e ionosféricos, o incluso problemas de la plataforma y sensores, como descalibraciones geométricas y/o radiométricas.

En este sentido, la simulación de imágenes satelitales permite controlar todas las variables y parámetros (naturales o no) que influyen en la toma de una imagen de satélite. De esta forma, se puede jugar en el laboratorio controlando los aspectos que se desee (hora de toma, bandas intervinientes, altura del sensor, resolución, condiciones atmosféricas, etc.), con el fin de mitigar o potenciar al máximo su influencia en la toma y conocer con ello sus efectos e influencias en el posterior proceso de clasificación temática. En esta línea, consideramos que las imágenes sintéticas se presentan como una potente herramienta de trabajo en diversas áreas de conocimiento alrededor de la Teledetección. En este contexto, la simulación imágenes puede significar una reducción significativa en costes económicos y temporales en la etapa de diseño de futuros sensores, plataformas, procesos operativos de las plataformas, etc., pero también sobre dominios de aplicación específicos (p.ej. cambios de la cubierta) al permitir ensayar (p.ej. técnicas de clasificación) sobre unos datos generados bajo condiciones deseadas y controladas. Un enorme desafío de la simulación de imágenes es reducir al máximo la brecha entre las imágenes sintéticas generadas y la realidad que se desea modelar.

La evolución de los recursos computacionales en hardware y software ha permitido avances en la visualización y manipulación de la información debido a la creciente necesidad de representar la realidad y la mucha información del mundo real. Por lo tanto, las herramientas de simulación y modelado representan una forma de respaldar los estudios de diseño, implantación y operación (Schott et al., 2010), tanto de dispositivos simples como de sistemas complejos.

De esta manera, las Imágenes Sintéticas (IS) pueden ser definidas como aquellas creadas por el uso de recursos computacionales y lo de Realidad Virtual con un software de modelado específico o métodos para ser posible explorar y sugerir diferentes situaciones a la visualización, inmersión e interacción como facilitador en trabajos complejos de aprendizaje, a través de la creación de un entorno en el que la generación de datos las condiciones se reproducen (Stelle et al., 2018).

En este mismo trabajo se propone una clasificación de métodos para la generación de imágenes sintéticas en tres categorías: i) de base analógica, ii) basados en métodos computacionales sobre imágenes existentes y iii) basados en métodos computacionales e imágenes totalmente sintéticas.

El Simulador de Imágenes Sintéticas (SImS) (Synthetic Images Simulator) desarrollado, se basa en la propuesta (Schott, 1997), es decir, se trata de un procedimiento computacional que crea imágenes totalmente sintéticas. El núcleo computacional de esta herramienta el paquete Blender 2.78 un software libre dedicado al modelado, iluminación, renderizado, animación y creación de gráficos tridimensionales. Los desarrollos y personalización se realizan con Python 3. El sistema diseñado permite generar de forma automática y paramétrica imágenes satelitales sintéticas.

En este contexto, el propósito de este trabajo es verificar la capacidad del sistema SImS para generar imágenes sintética, así como mostrar su potencialidad y versatilidad. Para ello se generarán tres imágenes variando uno de sus múltiples parámetros controlables, en este caso la hora del día. Como ejemplo de utilidad de disponer de este sistema de simulación, estas imágenes serán procesadas por un algoritmo convencional de clasificación de imágenes para poder deducir alguna consecuencia debida al cambio del parámetro modificado.

2

2. MÉTODO

SImS es una herramienta en desarrollo que, según se ha indicado se basa en el programa Blender y desarrollos propios en Python. La Figura 1 muestra un modelo conceptual. Blender actúa de herramienta anfitriona pues ofrece grandes capacidades ya implementadas para el modelado y renderización. Algunos aspectos ya implementados en SImS son: el sensor satelital, control de la iluminación solar, edificaciones, vegetación, carreteras, respuesta espectral y, consecuentemente, la imagen creada con su respectivo archivo de metadatos.

Figura 1. Modelo conceptual del SImS (Stelle et al., 2018).

En la (Figura 2), se puede ver el Panel de Control donde el usuario define los parámetros de interés para su estudio. En este trabajo los mismos fueron:

Porcentaje de construcciones. Las construcciones y vegetación pueden ser generados sobre una cartografía importada o insertados aleatoriamente, como es el caso del ejemplo con un 12% de construcciones y 20% de vegetación.

Tipos de disposición de carreteras. Pueden ser importadas o seleccionarse de un conjunto de patrones predefinidos. En este caso se seleccionó el patrón Tipo 2.

Tipos de materiales. Existe una librería de materiales. En el caso de esta imagen, los materiales elegidos fueron: Aluminio (Construcciones); Conífera (Vegetación); Concreto (Suelo); y Carreteras (Asfalto).Resolución espectral del sensor. Se ha seleccionado el sensor de Landsat 8 y de él las Bandas 2 (Azul), 4 (Rojo) y 5 (Infrarrojo cercano).

Resolución espacial. Se puede establecer cualquier resolución espacial. En este caso se ha establecido en 1 m.

Datos espectrales. El sistema puede importar valores de cualquier librería que se ajuste a su formato de importación. En este caso se ha utilizado la Librería Espectral ASTER (Baldridge et al., 2009).

Hora solar. Permite establecer la hora solar y con ella la posición del astro en el momento de la toma. En este caso se ha tomado la fecha del equinoccio de primavera del año 2017 (21 de marzo de 2017).

Centro de la escena. Se establecen las coordenadas geográficas en distintos formatos (p.ej. DDGGMM). Las utilizadas en el ejemplo son las del centro de la ciudad de Jaén (latitud norte 37,78 y longitud 3,78 oeste).

3

Figura 2. Panel de control del SImS.

Con posibilidad de variar los parámetros que se quiera, bien por medio de la interface (Figura 2) o de generar un guion (script o bat) para el procesado por lotes, el sistema permite una gran automatización de las tareas de simulación de tomas y generación de las correspondientes imágenes sintéticas. Como se ha indicado anteriormente, en este trabajo el parámetro que se va a modificar, ceteris paribus, es la hora solar de la toma dentro de un mismo día (fecha), siendo las 9, 12 y 15 horas las elegidas. De esta forma, se generan archivos que son nombrados automáticamente con el formato "aammdd_xxx_yyzzzwww_envi", donde se recoge la selección de parámetros aplicados, según lo siguiente:

aa - año; mm - mes; dd - día; xxx - hora considerada; yy - tipo de carretera; zzz - % de construcciones; www - % de vegetación; envi - identificador del archivo creado y clasificado.

Las imágenes generada por el SImS para las distintas horas fueron importadas en el software ENVI bajo la composición RGB (452), aplicando el filtro Linear, definiendo una Región de Interés (ROI) para el clasificador supervisado y clasificadas funcionalmente en 4 clases (construcciones, vegetación, carreteras y suelo) por el clasificador supervisado Support Vector Machine cuyos parámetros de trabajo pueden verse en la (Figura 3).

El SVM fue seleccionado pues representa un desarrollo prometedor en investigación de aprendizaje de máquina que podría ser más ampliamente utilizado en la comunidad de teledetección pues permite resultados de experimentos diferentes en los que SVMs de varias clases pueden compararse (Pal y Mather, 2005).

4

Figura 3. Parámetros del Clasificador SVM.

Finalmente, se utilizará una comparación basada en el Porcentaje de Acuerdo para concluir, sobre estos 3 casos, si existe influencia en la clasificación debida a la diferencia horaria. Se desea destacar que esto es un ejemplo muy sencillo de lo que permite la herramienta, pero consideramos que este trabajo es una forma de darla a conocer y de ir validando los resultados que se obtienen de su aplicación.

3. RESULTADOS Y DISCUSIÓN

La imagen sintética creada es de 927 x 927 píxeles, com 1 metro de resolución espacial. La Figura 4 presenta una visión general y la Figura 5 un detalle de su zona central.

Figura 4. Imagen sintética creada (859.329 píxeles).

5

Figura 5. Detalle del área central.

Deseamos destacar que se preserva el comportamiento topológico, es decir, los objetos no invaden volúmenes ajenos. Los datos de las ROIs, seleccionados manualmente, se resumen en la Tabla 1 y los colores fueron definidos aleatoriamente según contraste considerado necesario.

Tabla 1. Regiones de Interés (ROIs).

ROI

Clase Color Polígonos Píxeles

Construcción Naranja 1 50 12.968

Vegetación Verde 25 15.982

Suelo Siena 3 25 19.592

Asfalto Negro 5 56.619

TOTAL 105.161

Según Richards (1999), determinar la separabilidad de las clases espectrales consiste en calcular la distancia espectral entre pares de ellas. Es usual informar sobre separabilidad utilizando las medidas de Jeffries-Matusita y la Divergencia Transformada. Estos valores van de 0 a 2,0 e indican en qué grado los pares seleccionados están estadísticamente separados. Los valores superiores a 1,9 indican que tienen buena separabilidad. Para valores de separabilidad inferiores, se debe intentar mejorar la separabilidad editando las ROIs o seleccionando nuevas ROIs. Para los pares con valores de separabilidad muy bajos (menos de 1), es posible que convenga combinarlas en un solo ROI.

En este sentido, la separabilidad de las ROIs de valores menores a mayores confirman la depuración obtenida, considerando (Jeffries-Matsusita, Transformed Divergence). Sus resultados en las clasificaciones fueron:

6

Para 170321_09h_t2c12v20_envi

Clase 1 Clase 2 Medida de Jeffries-MatsusitaNombre Nr de píxeles Nombre Nr de píxeles

Construcción 12.968 Suelo 19.592 1,83914004Construcción 12.968 Asfalto 56.619 1,87761269Vegetación 15.982 Asfalto 56.619 1,89990176

Construcción 12.968 Vegetación 15.982 1,96420040Vegetación 15.982 Suelo 19.592 1,99174816

Suelo 19.592 Asfalto 56.619 1,99995739





Suelo 19.592 Asfalto 56.619 2,00000000





Suelo 19.592 Asfalto 56.619 2,00000000

La (Figura 6) presenta, para cada uno de los 3 casos, las imágenes (composición de bandas 452) y su clasificación de modo que permite observar visualmente sus distinciones así como el vector de sentido de iluminación solar (en rojo). Se desea indicar que, cuanto menor es el módulo del vector, tanto más cenital estará la posición del Sol (representado por la longitud del vector rojo).

7

Imágenes

Composición de las bandas 452 Clasificada

(a)

(b)

(c)

Escala gráfica: 250m

Figura 6. Imágenes en composición y clasificada: (a) 9hs. (b) 12hs y (c) 15hs. La flecha roja indica la dirección solar aproximada.

8

En la (Tabla 2) se presentan la Exactitud del Productor (Exac. Prod.), Exactitud del Usuario (Exac. Usuario), Porcentaje de acuerdo y Coeficiente Kappa, como resumen de índices para informar sobre la calidad de los procesos de clasificación realizados sobre las imágenes sintéticas.

Tabla 2. Estadística de las clasificaciones.

9 hs 12 hs 15 hs

Clase Exac. Prod. (%)

Exac. Usuario (%)

Exac. Prod. (%)

Exac. Usuario (%)

Exac. Prod. (%)

Exac. Usuario (%)

Construcción 81,63 98,60 93,58 99,53 92,98 99,23

Vegetación 97,90 99,91 99,37 99,96 99,09 99,78

Suelo 99,54 97,42 99,95 96,93 99,98 96,56

Asfalto 100,00 96,38 100,00 99,54 100,00 99,59

Porcentaje de Acuerdo (%)

(102.352/105.161)97,3289

(104.217/105.161)99,1023

(104.102/105.161)98,9930

Coeficiente K 0,9575 0,9859 0,9842

A la vista de los resultados mostrados en la Tabla 2, se observa que, para los parámetros definidos, el Porcentaje de Acuerdo mínimo es superior al 97%, siendo su máximo valor a las 12hs. Por otra parte, se destaca que para los tres casos el 100% de la Exactitud del Productor siendo dos de ellos superiores a 99%. Respecto de la Exactitud del Usuario, aunque para las 9hs este sería su menor valor. Parece que el Asfalto en este horario tiende a reflejar menos según los datos espectrales elegidos.

Aparte de lo mencionado, los valores menores de Exactitud del Usuario están en la clase Suelo. Llama la atención este aspecto pues las ROIs fueron obtenidas de zonas totalmente homogéneas y sin ninguna influencia espectral de cualquier otra clase ya que sus índices de separabilidad espectral eran estando sólo el de las 9 hs cercano a 1,8 respecto de las construcciones. Al igual que se ha indicado en el párrafo anterior, una posible explicación podría estar vinculada a los datos espectrales.

Lo anterior debería ser una breve presentación de los valores alcanzados y, sobre todo, un comentario consistente con el cambio de la hora solar (iluminación). Esto es lo que se pretende validar, según se ha indicado anteriormente.

4. CONCLUSIONES

Se ha presentado de manera general la herramienta SImS y sus capacidades. Como primer chequeo de su funcionamiento correcto se han generado tres imágenes correspondientes a una misma escena y tomadas a tres horas distintas. El simple análisis visual de las imágenes parece consistente con lo anterior. Además, la evaluación por medio del índice de acuerdo global y del índice Kappa ha mostrado que en las condiciones propuestas en este trabajo el mejor resultado es el de las 12hs. Considerando que no se aplicó ningún modelo atmosférico, y que la energía solar incidente es igual para las otras dos horas (posiciones simétricas), podemos considerar que este factor influye en los resultados. Es decir, el medio día solar se corresponde con el instante de mayor energía incidente y, como consecuencia, de mayor reflectancia y de mayor contraste. En este

9

sentido, dado que el terreno simulado es llano y las clases Suelo y Asfalto predominan en términos de área, según cabía esperar, se confirman los mejores resultados en este horario.De esta forma, consideramos que cuando el sistema SImS esté acabado, podrá servir con una herramienta de ayuda para el desarrollo de futuros sensores al permitir jugar con la variación de sus parámetros, tanto de manera individual como en conjunto, lo que significa enormes ahorros de costes financieros, temporales y de trabajo de laboratorio.

5. AGRADECIMIENTOS

Los autores desean agradecer a la Junta de Andalucía la financiación del Grupo de Investigación em Ingeniería Cartográfica (PAIDI-TEP-164), así como al Departamento de Ciencia y Tecnología del Ejército de Tierra de Brasil.

6. BIBLIOGRAFÍA

Baldridge, A. M., S. J. Hook, C. I. Grove and G. Rivera, 2009. The ASTER Spectral Library Version 2.0. Remote Sensing of Environment, vol 113, pp. 711-715.

Espinoza, H. F.; Abraham, A. M. Aplicação de técnicas de sensoriamento remoto e geoprocessamento para o estudo dos recursos hídricos em regiões costeiras. In: Simpósio Brasileiro de Sensoriamento Remoto (SBSR), 12. 2005. Goiânia. Anais. São José dos Campos: INPE, 2005. Artigos, p. 2487-2494. CD-ROM, On-line. ISBN 85-17-00018-8.

M. Pal, P. M. Mather. Support vector machines for classification in remote sensing. International Journal of Remote Sensing 26:5, pages 1007-1011. 2005.

Powell, R. L.; Matzke, N.; Souza Jr. C.; Clark, M.; Numata, I.; Hess, L. L.; Roberts, D. A. Sources of error in accuracy assessment of thematic land-cover mape in the Brazilian Amazon. Remote Sensing of Environment, n. 90, p. 221-123. 2004.

Richards, J. A. Remote Sensing Digital Image Analysis, Springer-Verlag, Berlin, p. 240, 1999.

Schott, J. R. Remote sensing the image chain approach. New York, NY: Oxford University, 1997 394305169.

Schott, J.R.; Raqueno, R.V.; Raqueno, N.G.; Brown, S. D. A Synthetic Sensor/Image Simulation Tool to Support the Landsat Data Continuity Mission (LDCM). In Proceedings of ASPRS 2010 Annual Conference, San Diego, CA, USA, 26–30 April 2010.

Stelle, C. A.; Ariza-López, F. J.; Ureña-Cámara, M. A. Synthetic Images Simulation (SImS): a tool in development. 4th International Conference on Geographical Information Systems Theory, Applications and Management, Funchal, 2008.

10

congresos.adeituv.es€¦ · web view) y las características de resoluciones espaciales y...

Documents