2009.11.20.
Tanszék besorolása Geomatikai oktatási és kutatási eredmények a Nyugat-Magyarországi Egyetem Erdőmérnöki Karán • • • • •
Tanszék bemutatása Oktatott tárgyak Tanszéki kutatások, fejlesztések Diplomatervek PhD témák
Tanszék dolgozói • • • • •
3 docens (nagydoktor, 2 PhD) 2 tanársegéd 1 adminisztrátor 1 leltáros, műszerész 3 nyugdíjas kolléga aktív részvétele
Oktatás fejlesztése Képzés
Szak Erdőmérnök Környezetmérnök Környezettudós
Természetvédelmi m. Vadgazda mérnök
BSc
Geomatika Geoinformatika I. Távérzékelés I.
Geomatikai alapismeretek Geoinformatikai alapism. Távérzékelési alapism.
MSc
Földmérés Geoinformatika II. Távérzékelés II.
Alkalmazott Földmérés Alk. Geoinformatika Alk. Távérzékelés
• • • •
Nyugat-magyarországi Egyetem Soproni Egyetemi Karok Erdőmérnöki Kar Geomatikai, Erdőfeltárási és Vízgazdálkodási Intézet • Földmérési és Távérzékelési Tanszék • Földmérés, GPS, Távérzékelés, Fotogrammetria és Térinformatika részleg
Oktatott tárgyak • Erdőmérnöki szak: Geodézia I, Geodézia II, Távérzékelés, Térinformatika I, Térinformatika II • Környezetmérnöki szak: Földmérés és Térképezés, Távérzékelés, Térinformatika I, Térinformatika II, Alkalmazott térinformatika • Környezettan szak: Térképismeret, Távérzékelés, Térinformatika • Természetvédelmi mérnöki szak: Geomatikai ismeretek, Automatizált geodéziai adatgyűjtés, Térinformatika, Távérzékelés, Monitoring távérzékeléssel • Vadgazda mérnöki szak: Geodéziai ismeretek • Más karokon: Alkalmazott Térinformatika, Geodézia és Távérzékelés, PhD tantárgyak
1. Kutatások – Földmérés • Integrált térbeli adatgyűjtő rendszer ITAR • GPS mérésvizsgálatok erdővel borított területeken • Szúkáros területek felmérése
1
2009.11.20.
Integrált térbeli adatgyűjtő rendszer ITAR GPS (RTK), Smart Mérőállomás, Digitális kamerapár földi fotogrammetriához
2. Kutatások - Térinformatika • Erdészeti digitális térképek • DigiTerra Map asztali térinformatikai szoftver • DigiTerra Explorer terepi térinformatikai szoftver • Fertő-Hanság Nemzeti Park térinformatikai rendszere • Digitális felületmodellezés az erdészetben
Digitális erdészeti térképek Részvétel a specifikáció kidolgozásában, a digitalizáló szoftver elkészítésében, a digitalizálásban, az utómunkálatokban
DigiTerra Map térinformatikai szoftver Részvétel a fejlesztésben
2001-ben 100% készültség 1879-től erdészeti térképek
DigiTerra Explorer térinformatikai szoftver
Fertő-Hanság Nemzeti Park térinformatikai rendszere
Részvétel a fejlesztésben
Terepi térinformatika és GPS adatgyűjtő
2
2009.11.20.
Digitális felületmodellezési fejlesztések
3. Kutatások – Fotogrammetria • Sugárnyaláb kiegyenlítés • Automatikus felületmodell kinyerés • Sopron város digitális ortofotója
Trianguláció (TIN) Bikubikus felületek Valós idejű algoritmusok Térbeli megjelenítés
Sugárnyaláb kiegyenlítés Digitális légi felvételek tájékozása
Automatikus felületmodell kinyerés Borított felszín, ortofotó, korrelációs kép előállítása
Sopron város digitális ortofotója
8 cm, lombtalan állapot, k=300, példátlan pénzügyi összefogás
4. Kutatások – Távérzékelés • Erdei ökoszisztéma térképezés űrfelvételek alapján • Új képosztályozási módszerek kidolgozása
3
2009.11.20.
Erdei ökoszisztéma térképezés (PHARE-MERA kutatás)
Új képosztályozási módszerek kidolgozása pixel, szegmens, textúra
Légi lézeres letapogatás
5. Kutatások – Lézeres letapogatás első
• Digitális geoadatállomány előállítása légi lézeres letapogatásból • Erdészeti célú légi és földi lézeres letapogatás
második
különbség
Famagasság-becslés légi lézeres letapogatással
25
30
Átlagmagasság-számítás
20
Magassági modellek
Lombkoronafelszín modellezése
H-Lorey [m]
Lézeres adatnyerés
15
Légi lézeres letapogatás
10
15
20
25
30
3rdQu Laser vegetation height [m]
4
2009.11.20.
Erdészeti célú földi lézeres letapogatás • • • •
Algoritmusok fejlesztése Domborzatmodellezés Törzstérképezés Egyesfa jellemzők mérése
Erdészeti célú földi lézeres letapogatás Domborzatmodell
Törzsmodell
Mérési ponthalmaz
• Mellmagassági átmérő • Famagasság
• Törzsmodellezés Átmérőmodell Törzstérkép
Diplomatervi példák • • • • • • • • •
A Kecskeméti Arborétum talajnyilvántartási rendszere A Peskő-katlani-barlang térképezése korszerű módszerekkel Vegetáció-térképezés támogatása térinformatikai módszerekkel Nagyterületi erdőleltározás digitális űrfelvételek felhasználásával Erdőleltározás a távérzékelés többfázisú adatgyűjtéssel dolgozó eljárása és a térinformatika alkalmazásával A Homokbödögei Magánerdők térinformációs rendszerének kifejlesztése Távérzékelési és korszerű képfeldolgozási módszerekkel történő művelési ág meghatározás a Fertő-Hanság Nemzeti Park egy kijelölt területén Halszem optika kalibrálása és a vele készített zenitfelvételek erdészeti felhasználása Digitális felületi modellek az erdészeti tervezésben
PhD témák • Korszerű geoinformatikai algoritmusok az erdészetben • A távérzékelés erdészeti alkalmazásai • Lézeres letapogatás erdészeti alkalmazása • Korszerű földi adatgyűjtési módszerek
Példa: textúrával rendelkező infraszínes légifelvétel részlet Aktuális kutatások – Általános célú képosztályozó Célkitűzések: • Kisfelbontású (Landsat) és nagyfelbontású, textúrával rendelkező felvételek osztályozására (Ikonos, légifelvétel), • Egy (pankromatikus) és többsávos (multi- és hiperspektrális) felvételek feldolgozására (1..1024 sáv), • Eltérő geometriai (0.1-30 m) és radiometriai felbontású felvételek együttes feldolgozására (8..32 bit egész, valós), • Eltérő időpontú felvételek feldolgozására (idősorok), • Zajos radarfelvételek hatékony feldolgozására, • Osztályozott objektumok kinyerésére (pont, vonal, poligon), • Feliratok, alakok méret és forgatás független felismerése. Legyen gyors, megismételhető, tanítható. Minimális tudás a használatához.
Hasonló spektrális jellemzők, de eltérő felszínborítás
Szabályos y textúra
Árnyékok Szabálytalan textúra
5
2009.11.20.
Textúra jellemzők
Haralick jellemzők
Textúra: a kép részleteinek szabályos vagy szabálytalan ismétlődése. Textúra mérése: • Elsődleges statisztikák: átlag, szórás • Másodlagos statisztikák: differencia kép statisztikái • Haralick (1979) jellemzők
13 jellemző számítása a GLCM alapján. GLCM – kereszt előfordulási mátrix: - pixelek és 8 szomszédjuk alkotta párok szóródási diagrammja (scattergram)
Lentről-felfelé régió növesztő szegmentálás: • • • • •
Eredeti kép
Kezdetben minden pixel egy szegmens (1000x1000 pixel 100MB!) Nagyméretű fájlok miatt soronkénti felépítés, szegmens topológia Szegmensek azonos kezelése (jelzők), sodródás elkerülése Minimalizálási feladat: legjobban hasonlító szegmensek összevonása Szegmensen belüli homogenitás mérése, szórás és alakszám súlyozása:
h = (1 − a )
∑ ∑ b
i =1 b
wiσ i
w i =1 i
+a
l n
• Homogenitás területtel súlyozott változásának mérése (Baatz, 2000):
∆h = hm nm − h1n1 − h2 n2
Ahol: m: összevont szegmens, 1: első szegmens, 2: második szegmens h: hasonlóság, hc: szín hasonlóság, hs: alakszám, hb: kerületszám w: súlyok, b: sávszám, n: pixelszám, σ: szórás, l: kerület, b: befoglaló kerület
Szegmentált kép, S=40
Szegmentált kép, S=160
6
2009.11.20.
5. Képobjektum jellemzők
6. Adaptív képosztályozó
Szegmentálás során számos jellemző közvetlenül rendelkezésre áll: • Spektrális sávok átlagértékei és szórása • Számított spektrális értékek: intenzitás, szaturáció, hányadosok • Alakjellemzők: terület, kerület, középpont, kiterjedés, alakszám • Szomszédok spektrális p és alakjellemzői. j Súlyozás y a közös határ hosszával vagy szegmens területével
A jellemzők nagy száma miatt egy szegmens osztályba sorolásához az optimális jellemzők kiválasztása komoly szakértelmet igényel Példa a korábbi felvételre (Szakértői osztályozás): • Erdő: sötétvörös, nagy kiterjedés, szórás közepes • Fa településen: p sötétvörös,, kis méret,, mellette árnyék y • Erdei út: fehér, hosszúkás, szomszéd sötétvörös • Település: kis méret, szomszédok szórása nagy • Szántó: kék, kis szórás, nagy méret • Rét: középvörös, kis szórás, nagy méret
Külön számítani kell: • Haralick jellemzők • Sajátértékek • Momentumok
Megoldás: a hasonló spektrális tulajdonságú tanulóterületek szegmensei alapján jellemzők automatikus súlyozása.
Képosztályozás eredménye
Adaptív képosztályozó működése • Két szegmens f jellemzőjének távolsága: D(i, j , f ) = f i − f j σ f • Jellemzők közelsége Fuzzy-logika szerint: S (i, j , f ) = exp (− kD (i, j , f )2 ) sávok
• Két szegmens spektrális közelsége: C (i, j ) = ∏ D(i, j , µb ) b =1
• Elsődleges jellemzők: spektrális tulajdonságok (sávonkénti átlagok) • Másodlagos jellemzők: spektrálisan közeli szegmensek esetén, (A) ha azonos osztályba tartoznak és a jellemző azonos, azonos (B) ha eltérő osztályba tartoznak és a jellemző eltér, akkor aktiválás: m
Aif = ∑ C (i, j )S (i, j , f ) j =1
m
∑ C (i, j ) j =1
n
Bif = ∑ C (i, j )(1 − S (i, j , f )) j =1
n
∑ C (i, j ) j =1
F • Osztályozás: a szegmenst abba az ∑ (Aif + Bif )S (i, j, f ) osztályba soroljuk, amelynél a Gij = C (i, j ) f =1 F súlyozott jellemzők alapján (Aif + Bif ) ∑ számított közelség a legkisebb (G): f =1
Képosztályozás eredménye 7. Alakfelismerés Osztályozás és összevonás után méret és forgatás független alakfelismerés. Alakfelismerésre használható jellemzők: kerület • Alakszám: a = 4 terület ⎡ varx varx , y ⎤ • Kovariancia mátrix sajátértékei: Cov( x, y) = ⎢vary , x vary ⎥ → λ1 , λ2 ⎣ ⎦ • Distogram: g pixelek p száma középponttól pp való távolság g függvényében gg y • 7 invariáns momentum (Hu, 1962):
7
2009.11.20.
6 sávos sztereo ortofotó
6 sávos sztereo ortofotó szegmentálása, s=80
6 sávos sztereo ortofotó szegmentálása, s=160
Sarang szegmentálás és fatömeg számítás
Köszönöm a figyelmet
8