Resultat

Programmet testades med bilderna för kartblad 103 från år 2002 och 2005. Den utförda förändringsanalysen följde den rekommenderade arbetsgången som redovisas i bilaga A. Före analysen studerades bilderna noggrant och samtliga förändringar av intresse kunde därmed pekas ut. Med kännedom om dessa förändringar kunde sedan kvaliteten på för-ändringsanalysens automatiska identiering utvärderas. Vid testet ansågs förändringar såsom nytillkomna byggnader och vägar, bytta hustak och förändrad markbeläggning till följd av mänsklig påverkan vara intressanta förändringar. Av de indikerade förändring-arna ansågs de som hade en viss form, placering och storlek vara indikationer värda att undersöka närmare. Resultatet (se tabell 5) visar att drygt hälften av förändringarna upptäcktes av programmet och att en tredjedel av de indikerade förändringarna visade sig vara ointressanta (i gur 5 kallat falska förändringar).

Totalt antal förändringar 29 st

Indikerade förändringar 27 st

Falska förändringar 9 st

Upptäckta förändringar 18 st

Missade förändringar 11 st

Tabell 5: Resultat efter förändringsanalys med CDetector.

5.5 Slutsatser och diskussion

Den utvecklade applikationen liknar de genomgångna programvarorna i kap. 4 ovan vad gäller sättet att ta reda på förändringar mellan två bilder, vilket alltså görs genom bildal-gebra. Det som i huvudsak skiljer programmen åt är att den nya applikationen är särskilt anpassat för förändringsanalys och därför har funktioner som de övriga programmen inte erbjuder, t.ex. tidigare nämnd brusreducering, kalibrering och synkronisering av bildpar (det sistnämnda nns dock även i SOCET SET).

Synkroniseringen är en av funktionerna som gör programmet till ett mycket lämpligt verktyg för visuell förändringsanalys.

Kalibrering av bilderna minskar bruset i förändringsbilden, liksom de avsedda metoderna för brusreducering.

Programmet genererar en förändringsbild i färg, utan att operatören på omvägar behöver skapa en färgkomposit, och färgbilden underlättar arbetet med att nna intressanta förändringar och bortse från ointressanta.

I programmet nns en funktion för att på automatisk väg markera de största föränd-ringarna. Denna funktion ger ibland ett korrekt resultat, ibland inte, och operatören bör därför inte förlita sig endast till denna funktion, utan även genomföra visuell förändrings-analys och hela tiden vara öppen för att den automatiska identieringen inte upptäcker allt som är önskvärt.

Det ska också tilläggas att kantdetektion testades i olika led i förändringsanalysen. Kanter detekterades i Adobe Photoshop CS2 med ett Sobel-lter; i ett test endast i förändrings-bilden och i ett annat test i originalbilderna före det att själva förändringsberäkning-en startades. Resultatet var dock inte tillfredsställande, eftersom ltret detekterade så många kanter att resultatet var mycket svårt att tolka. Att jämföra kantdetekterade bil-der innebär dessutom att enbart nytillkomna föremål på markytan kan upptäckas, inte föremål som bara ändrat färg, t.ex. hus med nya tak och nyasfalterade vägar.

Möjligheter till förbättringar av programmet är att införa en funktion för att göra föränd-ringsanalys endast i områden med bygglov, låta operatören markera områden och spara koordinaterna i en extern l, skapa olika ritverktyg med vilka operatören kan göra olika minnesmarkeringar för att exempelvis se vilka områden som redan undersökts, skapa en funktion för att zooma också i förändringsbilden, göra så att en synlig ram ritas vid val av förändringspixlar (istället för en osynlig ram, se bilaga A, s. 4), ge operatören möj-ligheten att specicera egna parametrar vid exempelvis brusreducering och radering av förändringspixlar, samt låta programmet detektera geometriskt intressanta förändringar såsom exempelvis homogena ytor med räta vinklar m.m.

6 Slutsatser och diskussion

Förutom bilderna för kartblad 103 som behandlats ovan genomfördes också förändrings-analys bl.a. i centrala delar av Stockholm, där byggnaderna är betydligt högre än i villaförorter. Medan förändringsanalysen fungerade förhållandevis väl i låghusområden, så var fallet det motsatta i höghusområden. Här gör sig påmint det faktum att ortofo-tona endast är rektierade i marknivå och inte efter en höjdmodell som även innehåller byggnadshöjder. De höga husen lutar kraftigt och gör så oberoende av sin motsvarighet i ett annat års ortofoto. Detta beror dels på att man vid de olika årens ortofotopro-duktioner sammanfogat ygbilderna med olika skarvar i ortofotomosaiken, dels på att ygfotograferingarna inte är synkroniserade i förhållande till varandra vad gäller yg-stråk och exponeringslägen. Därför kan ett hus och dess motsvarighet i ett annat ortofoto skilja sig mycket åt i läge relativt sina bildcentra vid de olika fotograferingstillfällena. Figur 18 visar ett exempel på detta.

Figur 18:Exempel på lutande hus. Bilderna visar samma hus; till vänster från år 2002, till höger från 2005. I den vänstra bilden nns en mosaikskarv mellan husen, då de lutar åt olika håll. I bilderna syns också de rådande olikheterna i skuggornas utbredning.

Detta problem skulle eventuellt kunna minskas genom användning av s.k. sanna ortofoton eller genom återanvändning av fotomosaik och ygstråk med bestämda exponeringslägen från år till år. I ett sant ortofoto har inte bara markytan ortogonalrektierats, utan också de byggnader som benner sig ovanför markytan. För ett sådant ortofoto krävs tillgång till en höjdmodell som innehåller byggnadernas höjder, vilka det skulle vara möjligt att extrahera t.ex. från den 3D-stadsmodell som har upprättats av Stockholms stad. Det är dock inte klarlagt hur denna ortofotoproduktion skulle gå till i detalj eller hur tids- och kostnadskrävande den skulle vara, samt vilken kvalitet det slutgiltiga resultatet skulle ha. Antalet tänkbara programvaror för uppgiften är också okänt, men det nns indikationer på att det nns applikationer som skulle kunna genomföra uppgiften, t.ex. Terrasolid från Terrasolid Ltd. Den andra vägen att gå; genom att använda sig av samma mosaikmönster, ygstråk och exponeringslägen vid varje ortofotoproduktion, försvåras av det faktum att ortofotona ofta produceras av olika entreprenörer från år till år och att tekniken ibland förändras, t.ex. som vid övergången från analog till digital kamerateknik och då med förändrad bildstorlek som följd. En eventuell tredje lösning skulle möjligen kunna vara att genomföra förändringsanalys i 3D-data istället för i bilder, t.ex. genom att jämföra 3D-data från ygburen laserskanning från två olika datum. Detta skulle också lösa problemet med skillnader p.g.a. skuggors olika utbredning.

Ett annat problem, som man bör vara medveten om, är att om ett heterogent område mellan två datum förändras och blir mer homogent, så leder detta till en heterogen förändring i förändringsbilden. En sådan förändring kan lätt missas, eftersom det främst är homogena ytor som sticker ut i förändringsbilden. Dessutom blir risken för att en sådan förändring missas ännu större om den i detta examensarbete utvecklade funktionen för automatisk brusreducering används, eftersom denna funktion utgår ifrån att viktiga förändringar är de som är homogena i ett område om minst 5 m2. En heterogen förändring riskerar således att ltreras bort från resultatet. Genom att klassicera bilderna på så vis som beskrevs som fuzzy i kap. 2.1.4 skulle detta problem eventuellt kunna lösas. Det bör också iakttagas att om en intressant förändring sker i ett område som också förändras till likartade gråvärden som den intressanta förändringen, t.ex. om ett nytt hus och marken runt omkring har likartad färg, så är det mycket möjligt att denna totala förändring ter sig som asymmetrisk och geometriskt ointressant för operatören. Alla indikerade förändringar bör därför undersökas närmare.

7 Rekommendationer och framtida arbete

Av de tre kommersiella programvarorna som testats för förändringsanalys i detta exa-mensarbete rekommenderas användning av Idrisi, som är mest ekonomiskt och lättanvänt av de tre. Programmet är dock inte avsett endast för förändringsanalys och kan därför vara tidskrävande. Den applikation för förändringsanalys som utvecklades specikt för examensarbetet är mer lämpat för det slags förändringsanalys som är aktuellt i Stock-holms stads fall.

Förändringsanalysens resultat lider dock av det faktum att data skiljer sig mycket åt från år till år, t.ex. eftersom ortofotona är skapade genom rektiering endast i marknivå och eftersom det nns spektrala skillnader p.g.a. atmosfäriska förhållanden, årstid och tid på dagen vid fotograferingstillfällena. Det är därför lämpligt att ytterligare undersöka möjligheterna att producera sanna ortofoton, och även om det är problematiskt att genomföra alla års ygfotograferingar vid samma tidpunkt på år och dag samt vid samma atmosfäriska förhållanden, så bör detta åtminstone strävas efter även i fortsättningen. Det är också av intresse att undersöka om ortofotona skulle kunna atmosfärskorrigeras mer ingående än vad den presenterade kalibreringsfunktionen kan åstadkomma.

Det rekommenderas inte att skuggade områden utelämnas från förändringsanalysen, ef-tersom detta kan resultera i missade förändringar som borde ha upptäckts.

En lösning på problemet med de i ortofotona lutande byggnaderna som försvårar ana-lysen rekommenderas sökas i möjligheten att använda s.k. sanna ortofoton (eng. true orthophotos, se s. 37) som underlag vid förändringsanalysen. Det skulle också vara av intresse att närmare undersöka möjligheten att genomföra förändringsanalys genom att jämföra 3D-data från olika datum.

En mer bildanalytisk förlängning av examensarbetet skulle kunna vara att utreda huruvi-da detektering av särskilhuruvi-da geometriska förändringar kan förbättra förändringsanalysens resultat eller inte. En sådan funktion skulle då eventuellt kunna vara ett ämne för ytter-ligare implementering i CDetector.

På grund av tidsbrist har det inte testats att genomföra förändringsanalys endast i bygglovsområden och eftersom detta var ett önskemål från Stockholms stad, så är det rekommenderat att möjligheten för detta undersöks närmare.

Med tanke på de problem som uppstår p.g.a. skillnader mellan olika års ortofoton re-kommenderas Stadsbyggnadskontoret att inte enbart förlita sig till förändringsanalys i data som behandlats i detta examensarbete. De presenterade metoderna, och då främst förändringsanalys med CDetector, rekommenderas istället användas som komplement till den traditionella verksamheten.

8 Litteraturförteckning

Referenser

[1] J.R. Jensen (2005). Introductory Digital Image Processing. Third Edition. USA: Pearson Prentice Hall.

[2] R.S. Lunetta, C. Elvidge (2000). Remote Sensing Change Detection:

Environmental Monitoring Methods and Applications. New York, USA: Taylor & Francis.

[3] D. Skole (1994). Data on Global Land-cover Change: Acquisition, Assessment and Analysis. I W.B. Meyer, B.L. Turner. Changes in Land Use and Land Cover: A Global Perspective. Cambridge, Storbritannien: Cambridge University Press. [4] G.M. Foody (2001). Monitoring the Magnitude of Land-Cover Change Around the

Southern Limits of the Sahara. Photogrammetric Engineering & Remote Sensing, vol. 67.

[5] S. Arzandeh, J. Wang (2003). Monitoring the Change of Phragmites Distribution Using Satellite Data. Canadian Journal of Remote Sensing, vol. 29.

[6] S. Phalke (2005). Change Detection of Linear Man-made Objects Using Feature Extraction Technique. Calgary, Canada: Department of Geomatics Engineering. [7] B. Pilemann Olsen, T. Knudsen, P. Frederiksen (2002). Digital Change Detection

for Map Database Update. International Archives of Photogrammetry, Remote Sensing and Spatial Information Sciences, vol. 34.

[8] P. Hurskainen, P. Pellikka (2004). Change Detection of Informal Settlements Using Multi-Temporal Aerial Photographs  The Case of Voi, SE-Kenya.

Helsing-fors, Finland: Department of Geography, University of Helsinki.

[9] J.F. Maas (1999). Monitoring Land-cover Changes: A Comparison of Change Detection Techniques. International Journal of Remote Sensing, vol. 20.

[10] H. Huang, S. Lin (2001). Change Detection of River Way Using Aerial Images. Taipei, Taiwan: Deparment of Land Economics, National Chengchi University. [11] M.K. Ridd, J. Liu (1998). A Comparison of Four Algorithms for Change Detection

in an Urban Environment. Remote Sensing of Environment, vol. 63.

[12] J.C. Stamm, R. Briggs (1999). Change Detection in Digital Orthophotos. GIM (Geomatics International Magazine), Vol. 13, No. 4.

[13] C. Song, C.E. Woodcock, K.C. Seto, M.P. Lenney, S.A. Macomber (2001). Classication and Change Detection Using Landsat TM Data: When and How to Correct Atmospheric Eects. Remote Sensing of Environment, vol. 75.

[14] Lantmäteriet (1998). HMK-Fotogrammetri. Gävle, Sverige: Lantmäteriet.

[15] Nationalencyklopedin Multimedia 2000 plus (2000). Höganäs, Sverige: Bokförlaget Bra Böcker AB.

[16] Information hämtad 4 februari 2007 från <http://www.pcigeomatics.com>. [17] Information hämtad 4 februari 2007 från <http://www.idrisi.com>.

[18] BAE Systems (2004). SOCET SET User's Manual. Version 5.2.

[19] Information hämtad 4 februari 2007 från <http://www.socetset.com>. [20] Idrisi32 Help.

[21] Geomatics 10 Help.

[22] Java(TM) SE Runtime Environment (JRE) hämtat 12 februari 2007 från <http://developers.sun.com/downloads/top.jsp>.

A Användarhandledning

A.1 Installation

För att programmet CDetector ska kunna köras krävs att len CDetector.jar och den tillhörande mappen ext är placerade i samma mapp och att Java(TM) SE Runtime Environment (JRE) nns installerat på systemet. JRE kan hämtas på hemsidan för Sun Microsystems [22].