elaborazione delle immagini wavelet

Dott. Angiati Elena
RELAZIONE SULL'ATTIVITA' E LE RICERCHE SVOLTE ALLA
CONCLUSIONE DEL SECONDO ANNO DEL XXIII CICLO DEL CORSO DI
DOTTORATO
DI
RICERCA
IN
SCIENZE
E
TECNOLOGIE
DELL’INFORMAZIONE E DELLA COMUNICAZIONE, INDIRIZZO: SCIENZE
ED INGEGNERIA DELLO SPAZIO
1. TEMATICHE DI RICERCA
Le tematiche da me sviluppate hanno avuto per oggetto:
1)
Studio e sviluppo di algoritmi di elaborazione di immagini SAR per il monitoraggio
del territorio;
1.1. Studio e sviluppo di algoritmi di elaborazione di immagini SAR per il
monitoraggio del territorio
Durante il mio secondo anno di dottorato è stata proseguita la ricerca inerente lo studio di
metodi per l’elaborazione di immagini SAR (Synthetic Aperture Radar) per il
monitoraggio del territorio. L’utilizzo del dato SAR infatti è particolarmente indicato per
il monitoraggio di disastri naturali, in quanto permette di identificare la situazione al
suolo in qualsiasi condizione meteorologica e di illuminazione (giorno/notte) [1].
Le principali attività di ricerca del secondo anno di dottorato si sono focalizzate su:
− Analisi di metodi di “despeckling” per la riduzione del rumore moltiplicativo in
immagini SAR [2],[4];
− Pre-processing di immagini SAR per normalizzazione del modello dell’immagine per
il miglioramento delle elaborazioni multitemporali [5];
− Studio delle statistiche di diverse classi di territorio nelle varie tipologie di immagini
SAR acquisite tramite il nuovo programma spaziale Cosmo/Skymed;
− Sviluppo di diversi metodi di segmentazione (multitemporali, adattivi anisotropi, a
colori, fuzzy) [6][7][8][9];
− Studio ed implementazione di algoritmi di estrazione di “feature” lineari e semantiche
da immagini ottiche ad alta risoluzione per il supporto della generazione di modelli
virtuali 3D dell’ambiente urbano.
L’attività di ricerca è stata effettuata nell’ambito del progetto OPERA, in collaborazione
con la Protezione Civile e l’Agenzia Spaziale Italiana, come progetto pilota per la
prevenzione e il monitoraggio delle alluvioni, con lo scopo di supportare le decisioni di
protezione civile basate sull’uso del dato di osservazione della terra e valutare i vantaggi
di tali tecniche in confronto con quelle tradizionalmente usate nella prassi operativa.
Le attività di interesse nell’ambito del progetto si focalizzano principalmente sulla
generazione di modelli 3D della aree urbane, sull’individuazione dell’estensione dei corpi
idrici presenti all’interno di un determinato bacino e dei laghi alpini in formazione, sulla
generazione di mappe delle aree inondate in caso di evento alluvionale.
Tutti gli esperimenti sono stati effettuali sia sulle immagini della nuova missione
satellitare Cosmo/Skymed, impiegando immagini acquisite, in diverse modalità e con
conseguente diversa risoluzione spaziale e in differenti configurazioni geometriche, sia su
immagini di ERS.
1.1.1 Analisi di metodi di “despeckling” per la riduzione del rumore moltiplicativo in
immagini SAR
Le immagini SAR sono affette da rumore moltiplicativo detto “speckle”, causato
dall’interferenza casuale, di tipo sia distruttivo sia costruttivo, degli echi di ritorno sfasati
dovuti agli scatteratori presenti all’interno di una cella di risoluzione [1].
L’analisi effettuata ha comparato tra loro diversi tipi di filtraggi adattivi di diffusione
anisotropa largamente impiegati in letteratura per la riduzione di questo tipo di rumore. In
particolare si sono scelti sia filtri classici come quelli di Lee e Frost e due miglioramenti
dei suddetti filtri, i cosiddetti Enhanced Lee ed Enhanced Frost, sia il più recente
filtraggio “Speckle Reducing Anisotropic Diffusion” (SRAD) di Yu e Acton [2], [3], che
riduce il rumore iterativamente, preservando i contorni presenti nelle immagini.
Quest’ultimo tipo di filtraggio nasce per le applicazioni in ambito biomedico per la
riduzione del rumore presente in immagini ad ultrasuoni [10][11]. Si è scelto di applicare
questo tipo di filtraggio anche alle immagini SAR, poiché il metodo può essere
efficacemente impiegato anche in questo ambito [12].
Gli esperimenti per il confronto dei vari metodi di filtraggio sono stati applicati alle
immagini provenienti dalla missione Cosmo/Skymed. Le immagini utilizzate sono state
acquisite in diverse modalità di risoluzione, con una conseguente diversità di risoluzione
e numero di look. Inoltre anche le caratteristiche di geometria di acquisizione come lookside (right/left) e tipo di orbita (ascending/descenging) potevano variare in funzione delle
immagini.
I diversi metodi di filtraggio sono stati testati su immagini Cosmo/Skymed, acquisite sia
in configurazione Stripmap (3 metri di risoluzione) che in configurazione Spotlight (1
metro di risoluzione) su un’area del Piemonte, in prossimità della città di Alessandria, in
configurazioni geometriche di right/ascending e left/descending. Le valutazioni
qualitative dimostrano che il filtraggio SRAD permetta una migliore riduzione di rumore
e una migliore preservazione dei contorni rispetto ai metodi tradizionali di Lee, Frost,
Enhanced Lee ed Enhanced Frost. Le analisi per la valutazione delle prestazioni dei
filtraggi sono state inizialmente di tipo qualitativo, effettuati tramite un’analisi visiva
delle immagini. Si sono iniziati studi di valutazione quantitativa tramite l’utilizzo di
parametri numerici quali il “Speckle Suppression Index (SSI)” [13], che permette di
valutare la bontà del filtraggio utilizzando l’immagine affetta da rumore e la corrispettiva
filtrata, senza necessitare dell’immagine assente da rumore. Le valutazioni vengono
effettuate al variare dei parametri dei differenti filtri, al fine di individuare la migliore
configurazione dei parametri stessi che permetta di ottenere la migliore riduzione del
rumore, senza l’eccessivo bluring dei contorni e dei dettagli dell’immagine.
I risultati delle valutazioni così come lo studio e lo sviluppo di diversi metodi di filtraggio
basati su analisi wavelet e diffusione anisotropa fanno parte delle attività di ricerca del
terzo anno di dottorato.
1.1.2 Pre-processing di immagini SAR l’elaborazione multitemporale
L’elaborazione di immagini SAR multitemporali, acquisite sulla stessa area ma in istanti
di tempo successivi, necessita di alcune pre-elaborazioni. Infatti non sempre è possibile
ottenere una coppia di immagini multitemporale acquisite con la medesima geometria del
sensore. Gli studi effettuati su differenti immagini di Cosmo/Skymed hanno dimostrato
che la geometria può influenzare pesantemente sui risultati delle elaborazioni
multitemporali. I migliori risultati si ottengono quando la geometria è identica; buone
prestazioni si hanno con coppie di immagini acquisite con angolo di look e direzione
dell’orbita dimetricamente opposta (ad esempio left-descending e right-ascending oppure
left-ascending e right-descending), mentre non è possibile utilizzare i dati eterogenei
provenienti da immagini acquisite al variare della sola direzione dell’orbita (ad esempio
right-ascending e right-descending)
Nei primi due casi descritti sopra è possibile utilizzare le immagini, ma solo dopo
un’opportuna coregistrazione, che nel caso specifico è stata effettuata sotto ipotesi di non
rotazione ne scalamento delle immagini, tramite il calcolo dello shift da applicare
all’immagine slave per riportarla sull’immagini master.
Inoltre, nel caso di acquisizione delle immagini con geometria opposta, si osservano
cambiamenti nella dinamica dell’immagine, che possono generare differenze imputabili
non a cambiamenti avvenuti al suolo ma a diversità nella modalità di acquisizione delle
immagini. Questa problematica può essere risolta elaborando le singole immagini e
normalizzando la distribuzione dell’istogramma in modo da ricondurlo ad un modello
noto e poter così ottimizzazione la generazione dei prodotti multitemporali.
Lo studio di diverse elaborazioni delle immagini di ampiezza SAR, che seguono una
legge di distribuzione di Rayleigh [1], hanno portato a selezionare le seguenti
elaborazioni come le migliori:
ƒ Troncamento dell’istogramma originale dell’immagine al 95-esimo o 99-esimo
percentile e riscaldamento nell’intervallo [0-255];
ƒ Successiva equalizzazione dell’immagine troncata.
Un esempio di risultati delle elaborazioni sono mostrate in Figura 1. Le immagini
utilizzate sono state acquisite tramite Cosmo/Skymed in modalità Spotlight, su un’area
presso Alessandria in date 29/04/2009 (left-descending) e 01/05/2009 (right-ascending).
L’operazione di troncamento limita il range di livelli di grigio di interesse ad un
intervallo compreso entro il 95-esimo percentile della dinamica iniziale dell’immagine,
mentre la successiva equalizzazione permette di normalizzare la distribuzione dei livelli
di grigio. Tali elaborazioni hanno condotto a risultati di segmentazione e/o classificazione
più accurati rispetto all’utilizzo delle immagini originali.
(a) Troncamento al 95-esimo percentile
(Immagine 29/04/2009)
(b) Troncamento al 95-esimo percentile &
equalizzazione (Immagine 29/04/2009)
(d) Troncamento al 95-esimo percentile &
equalizzazione (Immagine 01/05/2009)
(c) Troncamento al 95-esimo percentile
(Immagine 01/05/2009)
Figura 1: Risultati della pre-elaborazione per uniformare la distribuzione dei livelli di grigio delle immagini
multitemporali
1.1.3 Studio delle statistiche di diverse classi di territorio nelle varie tipologie di
immagini SAR - Cosmo/Skymed
Sono state effettuate analisi delle statistiche delle immagini SAR relative a differenti
classi di territorio, al fine di individuare pre-elaborazioni utili al miglioramento della
separabilità di classi di interesse. In particolare si è focalizzata l’attenzione sull’analisi
del comportamento di due differenti classi, “Acqua” e “Non acqua”, nelle immagini
Cosmo/Skymed, acquisite sia in modalità Spotlight.
Sono state analizzate medie e varianze campionarie di campioni delle due classi
individuati in diverse immagini acquisite con caratteristiche geometriche differenti
(configurazioni left-descending e right-ascending) al fine di individuare criteri stabili per
la validazione delle aree indicate come di possibile presenza di acqua.
Si è inizialmente analizzato lo scatter-plot di media e varianza delle due classi osservate
nelle immagini originali (Figura 2-a), osservando come fosse presente una correlazione
tra valori di media e varianza, dovuti al rumore moltiplicativo che affligge le immagini
SAR. Sono stati effettuati esperimenti di differenti elaborazioni al fine di rendere
maggiormente separabili le due classi e si è concluso che l’elaborazione già
precedentemente descritta di troncamento dell’istogramma seguito dall’equalizzazione
(vedi paragrafo 1.1.2) portasse ai migliori risultati (Figura 2-b).
Scatter Plot - Immagini Originali
Scatter Plot - Immagini Troncate 8 bpp - Equalizzate
80
70
70
60
60
Acqua - P
Acqua - PP
Acqua - PPP
40
No Acqua - P
No Acqua - PP
No Acqua - PPP
30
Deviazione standard
Deviazione standard
50
50
Acqua - P
40
Acqua - PP
Acqua - PPP
No Acqua - P
30
No Acqua - PP
No Acqua - PPP
20
20
10
10
0
0
0
20
40
60
80
Media
100
120
140
160
0
50
100
150
200
250
Media
(a)
(b)
Figura 2: Scatter-plot di medie e varianze campionarie di campioni classe “Acqua” (in toni di blu) e “Non
Acqua” (in toni di arancione) di tre immagini Spotlight acquisite in un’area del Tanaro (vicinanze di
Alessandria) in date 29/04/2009, 30/04/2009 e 01/05/2009
(a) Immagini originali; (b) Immagini elaborate tramite troncamento e successiva equalizzazione
1.1.4 Sviluppo di diversi metodi di segmentazione (multitemporali, adattivi anisotropi, a
colori, fuzzy)
Durante il secondo anno di dottorato sono stati studiati diversi approcci di
segmentazione:
o Segmentatore multiseme monocanale con sogliatura adattiva rispetto alla statistica
locale: è un algoritmo di segmentazione che sfrutta la statistica locale nell’intorno
di uno o più punti seme inseriti dall’utente per la stima dei parametri intrinseci
all’algoritmo, in modo da tenere in considerazione le caratteristiche di ogni
regione da individuare. Regioni anche disomogenee tra loro e necessitanti di
parametri specifici possono essere individuate contemporaneamente. La crescita
delle regioni è anisotropa e robusta a piccoli spostamenti del punto seme;
o Segmentatore fuzzy monoseme monocanale: permette di identificare una sola
regione di interesse all’interno dell’immagine, segmentando tutta l’immagine
tramite logica e misure topologiche fuzzy. Viene generata una mappa di
connettività inerente il punto seme inserito e successivamente si individua la
regione di interesse applicando una sogliatura a tale mappa;
o Segmentatore multiseme multitemporale: permette di individuare cambiamenti
avvenuti in immagini multitemporali monocanale tramite l’indicazione di punti
seme. Anche in questo caso le elaborazioni sono di tipo anisotropo ed adattivo;
o Segmentatore a colori lineare: l’algoritmo elabora un’immagine proveniente da
una composizione RGB di dati multitemporali e permette di generare una mappa
di classificazione tramite la sogliatura delle varie componenti per l’identificazione
di cambiamenti.
o Segmentatore multiseme a colori con sogliatura adattiva rispetto alla statistica
locale: è un segmentatore che effettuale la crescita anisotropa ed adattiva tramite
l’analisi della statistica locale nell’intorno di uno o più punti seme in
un’immagine a colori RGB, utilizzando la trasformazione nello spazio Lab per
sfruttare le proprietà di distanza uniforme tra i colori.
Esperimenti di segmentazione sono stati effettuati su immagini Cosmo/Skymed Stripmap
per l’identificazione di laghi (Figura 3 - Segmentatore fuzzy “seed-growing” monoseme
monocanale), per la generazione di mappe delle aree inondate speditive (Figura 4 Segmentatore a colori lineare) e dettagliate (Figura 5 - Segmentatore “seed-growing”
multiseme multitemporale)
(a)
(b)
(c)
Figura 3: Segmentazione di immagini Stripmap acquisite in un’area del Piemonte per l’identificazione di
corpi idrici tramite Segmentatore fuzzy “seed-growing” monoseme monocanale. (a) Immagine originale del
02/06/2008 (b) Mappa di connettività (c)ed identificazione del corpo idrico
(a) Immagine del 30/04/2009
(b) Immagine del 01/05/2009
(c) Composizione RGB delle aree inondate
(d) Mappa delle aree inondate speditive. Legenda: Blu
speditive. Legenda: Rosso cupo = “Acqua
= “Acqua permanente”; Cyano = “Inondato”
permanente”; Magenta = “Inondato”
Figura 5: Segmentazione di immagini Stripmap acquisite in un’area del Tanaro (vicinanze di Alessandria)
per la generazione di mappe delle aree inondate dettagliate tramite Segmentatore “seed-growing”
multiseme multitemporale
(a) Immagine del 30/04/2009
(b) Immagine del 01/05/2009
(c) Mappa delle aree inondate dettagliate. Legenda:
Blu = “Acqua permanente”; Cyano = “Inondato”
Figura 5: Segmentazione di immagini Stripmap acquisite in un’area del Tanaro (vicinanze di Alessandria)
per la generazione di mappe delle aree inondate dettagliate tramite Segmentatore “seed-growing”
multiseme multitemporale
1.1.5 Studio ed implementazione di algoritmi di estrazione di “feature” lineari e
semantiche da immagini ottiche ad alta risoluzione per il supporto della generazione di
modelli virtuali 3D dell’ambiente urbano
Sono stati implementati metodi di elaborazione di immagini ottiche ad alta risoluzione
per l’estrazione di “feature” lineari e semantiche per il supporto della generazione di
modelli virtuali 3D dell’ambiente urbano. In particolare si sono implementati algoritmi
per l’estrazione di perimetri di strutture di interesse e le ombre correlate a questi ultimi,
da cui è possibile estrarre l’informazione di altezza. Tali algoritmi uniscono il metodo di
segmentazione “seed-growing” multiseme a colori con sogliatura adattiva rispetto alla
statistica locale presentato nel paragrafo precedente con metodi di estrazione di contorni e
segmenti. Gli esperimenti sono stati effettuati su diverse immagini acquisite sull’area di
Chicago e mostrate in Figura 6, in cui sono riportati in rosso i perimetri delle strutture di
interesse e in verde le ombre.
Figura 6: Identificazione di perimetri di strutture e ombre per il supporto alla generazione di modelli 3D
Riferimenti bibliografici 1.1
[1] Oliver, C., and Quegan, S.: 2004, “Understanding Synthetic Aperture Radar Images”, SciTec
Publishing.
[2] Yu, Y. Acton, S.T., 2002, “Speckle reducing anisotropic diffusion”, IEEE Transactions on Image
Processing, 11(11)
[3] Perona, P., Malik, J., 1990, “Scale Space and edge detection using anisotropic diffusion”, IEEE Trans.
Pattern Anal. Machine Intelligence, 12: 629–639
[4] Z Shi, KB Fung, 1994, “A comparison of digital speckle filters”, Geoscience and Remote Sensing
Symposium, 2129-2133
[5] A.K.JAIN, 1989 “Fundamentals of Digital Image Processing”, Prentice Hall Inf. and Sys. Sciences
Series
[6] Bo, G., Dellepiane, S.G., De Laurentiis, R., 2000: “Semiautomatic coastline detection in remotely
sensed images”, IEEE 2000 International Geoscience and Remote Sensing Symposium, IGARSS 2000, 5:
1869-1871
[7] Dellepiane, S., Fontana, F., 1995: “Extraction of intensity connectedness for image processing”, Pattern
Recognition Letters, 16:313-324.
[8] Dellepiane, S., Fontana, F., 1996: “Supervised fuzzy contextual segmentation of polarimetric SAR
images”, European Transactions on Telecommunications, 7:515-525
[9] G. J. Klir, T.A. Folger , “Fuzzy sets, uncertainty, and information”, Prentice Hall, Englewood Cliffs,
New Jersey
[10] Q. Suna, J. A. Hossackb, J. Tangc, S. T. Actonb, 2004, “Speckle reducing anisotropic diffusion for 3D
ultrasound images”, Computerized Medical Imaging and Graphics, Volume 28, Issue 8, Pages 461-470
[11] B. C. Yoo, J. G. Ryu, H. K. Park, T. H. Nishimura, "Multi-scale Based Adaptive SRAD for Ultrasound
Images Enhancement," wcecs, pp.258-266, Advances in Electrical and Electronics Engineering - IAENG
Special Edition of the World Congress on Engineering and Computer Science 2008, 2008
[12] Yu, Y. and Acton, S. T. “Automated delineation of coastline from polarimetric SAR imagery”,
International Journal of Remote Sensing, 25: 17, 3423-3438
[13] Y. Sheng, Z. Xia, 1996, “A comprehensive evaluation of filters for radar speckle suppression”,
Geoscience and Remote Sensing Symposium,. IGARSS '96, 1559-1561 vol.3
2.
ELENCO DELLE PUBBLICAZIONI
Conference papers:
[1]
E. Angiati, G. Moser, S. B. Serpico, “Multiscale unsupervised change detection
by Markov random fields and wavelet transforms”, Proceedings of SPIE,
Conference on Image and Signal Processing for Remote Sensing XIII, Florence,
Italy, 17-20 September 2007.
A. Renga, A. Moccia, M. D’Errico, S. Dellepiane, E. Angiati, G. Vernazza, P.
Lombardo, F. Colone, M. Sedehi, D. Cristallini, S. Pignataro, Q. Rioli, G. Milillo,
C. Bruno, F. Di Giorgio, M. Labriola, “From the expected Scientific Applications
to the Functional Specifications, Products and Performance of the SABRINA
missions”, IEEE Radar Conference, May 26-30, 2008, Rome, Italy, pp. 11171122, IEEE Catalog No. 08CH37940C, ISBN 1-4244-1539-X, ISSN 1097-5659.
[2]
[3]
G. Moser , E. Angiati, S. B. Serpico, “A contextual multiscale unsupervised
method for change detection with multitemporal remote-sensing images”,
Intelligent Signal and Image Processing for Remote Sensing, November 30 December 2, 2009, Pisa, Italy, (in press)
Research reports:
[1]
G. Moser , E. Angiati, S. B. Serpico, “Multiscale unsupervised change detection
on optical images based on Markov random fields andwavelets”, Gruppo
Telecomunicazioni e Tecnologie dell'Informazione (GTTI), June 23-25 2009,
Parma, Italy
3.
PIANO DI STUDI
3.1.
Primo anno
− Corso di Tecniche di trasformazione di spazi vettoriali per analisi statistica
multidimensionale – G. Moser (CFU 8)
− Corso di Elaborazione di immagini 1 – S. Dellepiane (CFU 5)
− Corso di Teoria e Tecniche del Riconoscimento 1 – S. Dellepiane (CFU 6)
3.2.
Secondo anno
− Sistemi e Servizi Cognitivi per l'Intelligenza di Ambiente e le Telecomunicazioni
– C. Regazzoni (CFU 8)