Tanszék besorolása Geomatikai oktatási és kutatási eredmények a Nyugat-Magyarországi Egyetem Erdőmérnöki Karán Tanszék bemutatása Oktatott tárgyak Tanszéki kutatások, fejlesztések Diplomatervek PhD témák Nyugat-magyarországi Egyetem Soproni Egyetemi Karok Erdőmérnöki Kar Geomatikai, Erdőfeltárási és Vízgazdálkodási Intézet Földmérési és Távérzékelési Tanszék Földmérés, GPS, Távérzékelés, Fotogrammetria és Térinformatika részleg Tanszék dolgozói 3 docens (nagydoktor, 2 PhD) 2 tanársegéd 1 adminisztrátor 1 leltáros, műszerész 3 nyugdíjas kolléga aktív részvétele 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 Oktatás fejlesztése 1. Kutatások Földmérés Képzés BSc Szak Erdőmérnök Környezetmérnök Környezettudós Geomatika Geoinformatika I. Távérzékelés I. Természetvédelmi m. Vadgazda mérnök Geomatikai alapismeretek Geoinformatikai alapism. Távérzékelési alapism. Integrált térbeli adatgyűjtő rendszer ITAR GPS mérésvizsgálatok erdővel borított területeken Szúkáros területek felmérése MSc Földmérés Geoinformatika II. Távérzékelés II. Alkalmazott Földmérés Alk. Geoinformatika Alk. Távérzékelés 1
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 2001-ben 100% készültség 1879-től erdészeti térképek DigiTerra Map térinformatikai szoftver Részvétel a fejlesztésben DigiTerra Explorer térinformatikai szoftver Részvétel a fejlesztésben Fertő-Hanság Nemzeti Park térinformatikai rendszere Terepi térinformatika és GPS adatgyűjtő 2
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
Erdei ökoszisztéma térképezés (PHARE-MERA kutatás) Új képosztályozási módszerek kidolgozása pixel, szegmens, textúra Légi lézeres letapogatás 5. Kutatások Lézeres letapogatás Digitális geoadatállomány előállítása légi lézeres letapogatásból Erdészeti célú légi és földi lézeres letapogatás első második különbség Légi lézeres letapogatás Famagasság-becslés légi lézeres letapogatással Lézeres adatnyerés Lombkoronafelszín modellezése Magassági modellek Átlagmagasság-számítás H-Lorey [m] 15 20 25 30 10 15 20 25 30 3rdQu Laser vegetation height [m] 4
Erdészeti célú földi lézeres letapogatás Erdészeti célú földi lézeres letapogatás Domborzatmodell Algoritmusok fejlesztése Domborzatmodellezés Törzstérképezés Egyesfa jellemzők mérése Mellmagassági átmérő Famagasság Törzsmodellezés Mérési ponthalmaz Átmérőmodell Törzsmodell Törzstérkép Diplomatervi példák PhD témák 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 Korszerű geoinformatikai algoritmusok az erdészetben A távérzékelés erdészeti alkalmazásai Lézeres letapogatás erdészeti alkalmazása Korszerű földi adatgyűjtési módszerek 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. Példa: textúrával rendelkező infraszínes légifelvétel részlet Hasonló spektrális jellemzők, de eltérő felszínborítás Szabálytalan textúra Szabályos textúra Árnyékok 5
Textúra jellemzők Textúra: a kép részleteinek szabályos vagy szabálytalan ismétlődése. Textúra mérése: Elsődleges statisztikák: átlag, szórás Másodlagos statisztikák: differencia kép statisztikái Haralick (1979) jellemzők Haralick 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: 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: b l w i i i =1 σ h = ( 1 a) + a b w n i =1 i Homogenitás területtel súlyozott változásának mérése (Baatz, 2000): h = h n h n m m 1 1 h2n2 Eredeti kép 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
5. Képobjektum jellemzők 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 és alakjellemzői. Súlyozás a közös határ hosszával vagy szegmens területével Külön számítani kell: Haralick jellemzők Sajátértékek Momentumok 6. Adaptív képosztályozó 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: sötétvörös, kis méret, mellette árnyék Erdei út: fehér, hosszúkás, szomszéd sötétvörös Település: kis méret, szomszédok szórása nagy Szántó: kék, kis szórás, nagy méret Rét: középvörös, kis szórás, nagy méret Megoldás: a hasonló spektrális tulajdonságú tanulóterületek szegmensei alapján jellemzők automatikus súlyozása. Adaptív képosztályozó működése Két szegmens f jellemzőjének távolsága: D( i, f ) = f i f j σ f 2 Jellemzők közelsége Fuzzy-logika szerint: S( i, f ) = exp( kd( i, f ) ) sávok Két szegmens spektrális közelsége: C( i, j) = D( i, µ b ) b= 1 Elsődleges jellemzők: spektrális tulajdonságok (sávonkénti átlagok) Másodlagos jellemzők: spektrálisan közeli szegmensek esetén, (A) ha azonos osztályba tartoznak és a jellemző azonos, (B) ha eltérő osztályba tartoznak és a jellemző eltér, akkor aktiválás: Képosztályozás eredménye m Aif = C( i, j) S( i, f ) C( i, j) Bif = C( i, j) ( 1 S( i, f )) C( i, j) j= 1 Osztályozás: a szegmenst abba az osztályba soroljuk, amelynél a súlyozott jellemzők alapján számított közelség a legkisebb (G): m j = 1 G j n = 1 n j= 1 F ( Aif + Bif ) S( i, f ) f = 1 C( i, j) ( Aif + Bif ) ij = F 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) = λ1, λ2 var, var y x y Distogram: pixelek száma középponttól való távolság függvényében 7 invariáns momentum (Hu, 1962): 7
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