�ݺ�ߣ

UNIVERSITA' DEGLI STUDI DI ROMA TOR VERGATA
TESI DI LAUREA IN INGEGNERIA DELLE TELECOMUNICAZIONI
PRODUZIONE DI MAPPE DI COPERTURA DEL SUOLOPRODUZIONE DI MAPPE DI COPERTURA DEL SUOLO
DA DATI SAR AD ALTA RISOLUZIONE SPAZIALEDA DATI SAR AD ALTA RISOLUZIONE SPAZIALE
Laureando:Laureando:
Guido CasatiGuido Casati
Relatore:Relatore:
Prof. Fabio Del FrateProf. Fabio Del Frate
Correlatore:Correlatore:
Chiara PratolaChiara Pratola
A.A. 2009/2010A.A. 2009/2010

COSMO-Skymed MissionCOSMO-Skymed Mission
? Missione dell'Agenzia Spaziale Italiana
? Costellazione LEO di 4 satelliti equipaggiati con
Syntethic Aperture Radar (SAR) operanti in banda
X che offrono copertura globale della Terra.
? Possibilit�� di osservazione dell'area di interesse
pi�� volte in un giorno e in tutte le condizioni
atmosferiche (tempo min rivisitazione 140 min)
? Rapidit�� di esecuzione delle richieste.
Modalit�� di acquisizioneModalit�� di acquisizione
? Spotlight : risoluzione spaziale 1 m
? Stripmap:
?Himage: risoluzione spaziale 3 m
?Ping-Pong: risoluzione spaziale 15 m
? Scansar:
?Wideregion: risoluzione spaziale 30 m
?Hugeregion: risoluzione spaziale 100 m
Spotlight SAR

ObiettivoObiettivo
? Classificazione automatica del suolo sulla base dei pixel tramite elaborazione di rete neurale
29/7/2007 ? Google Earth
Immagine ottica del sito di interesse:
Zona Roma Tor VergataZona Roma Tor Vergata
? Modalit�� acquisizione: SpotlightSpotlight
? Tipo di acquisizione: right ascendingright ascending
? Polarizzazione HHHH
? Angolo di elevazione: ~ 25��
? Dimensione immagini 4230x2500
pixel
vegetazionevegetazione
vegetazionevegetazione
edificiedifici
edificiedifici
asfaltoasfalto
asfaltoasfalto
Cosmo-Skymed 8 Giugno 2010
3 Classi di appartenenza: AsfaltoAsfalto,, EdificiEdifici,, VegetazioneVegetazione

Metodo: Rete NeuraleMetodo: Rete Neurale
Reti neurali:
modelli di ispirazione neurobiologica per la
soluzione di problemi che richiedono una
complessa elaborazione.
Multilayer Perceptron (MLP):Multilayer Perceptron (MLP):
Feed Forward Network, il segnale percorre la rete
in avanti attraverso 3 tipologie di strato:
? Input Layer, introduce i parametri dei pixel
? Hidden Layer, costituito da neuroni non lineari
? Output Layer, produce il segnale in uscita
(associazione pixel-classe)
MSE
Epoche
Errore training set
Errore validation set
Addestramento con supervisore:Addestramento con supervisore:
Ricerca della topologia di rete che rende
minima la funzione di costo.
STOP
Sul minimo globale

Software utilizzatiSoftware utilizzati
? Visualizzazione immagini,
selezione set di pixel, statistica
(min, max, mean, standard
deviation).
? Pre-Elaborazione immagini,
produzione input/output rete
neurale, fusione di immagini.
? Simulatore rete neurale.
? ENVIENVI ((? ITT VIS)? ITT VIS)
? IDLIDL ((? ITT VIS)? ITT VIS)
? Stuttgart Neural NetworkStuttgart Neural Network
SimulatorSimulator (? University of(? University of
Stuttgart)Stuttgart)

Estrazione set di dati per l'addestramentoEstrazione set di dati per l'addestramento della rete.
Classificazione.Classificazione.
Acquisizioni Spotlight in data:
? 8 Giugno 20108 Giugno 2010
? 9 Luglio 20109 Luglio 2010
? 10 Luglio 201010 Luglio 2010
Acquisizioni e set di datiAcquisizioni e set di dati
Cosmo-Skymed 8 Giugno 2010 Cosmo-Skymed 9 Luglio 2010

Elaborazioni preliminari e Input della rete neuraleElaborazioni preliminari e Input della rete neurale
?Scalamento (ScalingScaling) DN tra [ 0 ; 210
]
?Input:
? AmpiezzaAmpiezza
? Deviazione Standard LocaleDeviazione Standard Locale
dell'ampiezza su finestra mobile 3x3
? Media LocaleMedia Locale dell'ampiezza su finestra
mobile 3x3
?Analisi statistica del set di dati.

Classificazioni ottenute (falsi colori)Classificazioni ottenute (falsi colori)
Accuratezza classificazione: 80,92%
EdificiEdifici VegetazioneVegetazioneAsfaltoAsfalto8 Giugno 2010
9 Luglio 2010
29/7/2007 ? Google Earth
3x9x9x33x9x9x3
Input:
? AmpiezzaAmpiezza
? Deviazione standard localeDeviazione standard locale
? Media localeMedia locale
Output:Output:
? AsfaltoAsfalto
? EdificiEdifici
? VegetazioneVegetazione
COSMO-SkyMed 10 Luglio 2010

Classificazioni ottenute (falsi colori)Classificazioni ottenute (falsi colori)
8 Giugno 2010
9 Luglio 2010
29/7/2007 Google Earth
AsfaltoAsfalto EdificiEdifici VegetazioneVegetazione
3x11x11x23x11x11x2
Input:
? AmpiezzaAmpiezza
Output:Output:
? EdificiEdifici
? Non-EdificiNon-Edifici
3x9x9x23x9x9x2
Input:
? AmpiezzaAmpiezza
Output:Output:
? AsfaltoAsfalto
? VegetazioneVegetazione
Accuratezza: 77,92%Accuratezza: 77,92%
COSMO-SkyMed 10 Luglio 2010

ConclusioneConclusione
? I risultati mostrati, ottenute tramite classificazione di rete neurale sulla base dei pixel,I risultati mostrati, ottenute tramite classificazione di rete neurale sulla base dei pixel,
forniscono mappe di copertura del suolo a partire da immagini SAR Spotlight acquisiteforniscono mappe di copertura del suolo a partire da immagini SAR Spotlight acquisite
da COSMO-Skymed su una zona urbana periferica.da COSMO-Skymed su una zona urbana periferica.
? Sono state considerate 3 caratteristiche delle immagini per il vettore di ingresso della rete.
? Limitazioni: elementi del suolo classificati erroneamente a causa di caratteristiche dei pixel
che si discostano nettamente dalla media statistica della propria classe di appartenenza:
? Margini di miglioramento:
? Ricerca di parametri di tessitura pi�� sofisticati per migliorare l'accuratezza dei risultati.
? Ricerca di metodi di classificazione alternativi.
? Inclusione di informazione relativa a diverse modalit�� di acquisizione nel vettore di ingresso
della rete.
? Distinzione tra un numero maggiore di classi (alberi, terreno nudo, erba).
Colture agricole:
classificate come edifici
Vegetazione ad alto fusto:
classificata in parte come edifici

Produzione di mappe di copertura del suolo da dati SAR ad alta risoluzione spaziale.

�ݺ�ߣ

Produzione di mappe di copertura del suolo da dati SAR ad alta risoluzione spaziale.

More Related Content

Produzione di mappe di copertura del suolo da dati SAR ad alta risoluzione spaziale.