Geomatica FreeView 9 och Geomatica 10 kan som visats användas för att genomföra förändringsanalys i ortofoton, men med vissa begränsningar. Geomatica FreeView kan bara användas för förändringsanalys med metoderna WFMI och visuell jämförelse av ortofoton, där den senare är i det närmaste oanvändbar i fallet med en fullständig för-ändringsanalys i något bildpar, eftersom de esta bildparen innehåller ett för stort antal möjliga förändringar för att operatören ska ha möjlighet att undersöka dem alla. Pro-grammet lämpar sig bättre om förändringsanalys endast ska utföras i mindre områden, t.ex. i områden där det nns bygglov.
Geomatica 10 har förutom funktionerna i Geomatica FreeView 9 också möjlighet att utfö-ra bildalgebutfö-raisk förändringsanalys med metoderna GCD och CHDET. På grund av stoutfö-ra skillnader mellan bilderna vad gäller skuggor och växtlighet var dock resultatet svårt att överskåda. För att få ett mer lättolkat resultat är det möjligt att låta förändringsanalysen föregås av klassi cering av bilderna med några efterföljande kartalgebraiska operationer för att reducera bildernas innehåll med avseende på källor till ointressanta förändringar. En nackdel med detta förfarande är att viktiga förändringar kan gås om miste, eftersom det räcker att det brus som ska raderas endast förekommer i en av bilderna för att dessa pixlar ska ltreras bort. Så om t.ex. skugga klassas som brus och en ny byggnad uppförs i ett område som är skuggat i en av bilderna, så kommer denna förändring inte att synas i resultatet. Klassi ceringsprocessen är också mycket tidskrävande, vilket gör lösningen mindre tänkbar i Stockholms stads fall.
Förändringsanalys med GCD och CHDET kan endast genomföras i ett band i taget, men om en färgkomposit av förändringsbilden önskas kan en sådan skapas genom att först genomföra förändringsanalys i alla band och sedan sätta ihop de tre resultaten till en ny färgbild. På så vis kan det bli lättare att identi era olika sorters förändringar (med olika färger).
4.4.2 Idrisi
Idrisi innehåller som visats ett ertal funktioner för förändringsanalys. Några av dem är mer lämpliga, andra mindre, och en del fungerar inte alls med de data som används i den här undersökningen.
Liksom i fallet med Geomatica är det möjligt att genomföra visuell förändringsanalys med WFMI i Idrisi. Programmets funktion för att visa endast ett särskilt intervall på gråvärdeskalan är ett bra hjälpmedel, och jämfört med Geomatica gör detta Idrisi till det bättre verktyget vid den här sortens förändringsanalys.
Av de olika bildalgebraiska metoderna för förändringsanalys lämpar sig Dierence image bäst, d.v.s. förändringsanalys genom enkel dierensberäkning. De metoder som beräknar förhållande mellan bilder genom division genererar mycket mörka förändringsbilder, vil-ket här inte är tillräckligt för att intressanta förändringar ska kunna upptäckas. Spektral förändringsvektoranalys med metoden CVA ger liksom Dierence image ett gott resultat, men den senare är enklare att använda och rekommenderas därför framför CVA. Liksom i Geomatica kan förändringsanalys med de bildalgebraiska metoderna i Idrisi endast genomföras i ett band i taget, men det nns också här möjlighet att skapa en färgkomposit efter förändringsanalys i samtliga band.
Idrisi har en ytterligare metod för förändringsanalys; CROSSTAB, men denna fungerade inte med aktuella data, sannolikt p.g.a. att bilderna är registrerade i 8-bitarsformat och metoden inte kan behandla bilder med er än 128 grånivåer.
4.4.3 SOCET SET
Som visats tillhandahåller även SOCET SET möjligheter att genomföra förändringsana-lys i ortofoton, antingen på visuell eller bildalgebraisk väg.
Visuell förändringsanalys i SOCET SET lämpar sig förhållandevis väl, tack vare att de två bilderna som jämförs är synkroniserade med varandra och att det därför är lätt att hitta samma område i båda bilderna. Det ska dock återigen påpekas att metoden liksom i Geomatica och Idrisi är mycket tidskrävande och det är inte rekommenderat att genomföra visuell förändringsanalys i ett stort område som skiljer sig mycket åt mellan datum 1 och 2.
Den bildalgebraiska metoden Change detection i SOCET SET fungerar på likartat vis som i Geomatica och Idrisi. Metoden beräknar dierensen mellan två bilder och visar resultatet i en ny bild. Change detection fungerade dock inte vid testet i den här undersök-ningen, utan genererade endast en enfärgad dierensbild utan någon läsbar information om förändring.
Även om metoden Change detection hade gett ett tillfredsställande resultat, så anses inte SOCET SET vara lämpligt för att genomföra förändringsanalys, eftersom programvaran har ett betydligt högre pris än exempelvis Geomatica och Idrisi, samt för att det främst är avsett för fotogrammetriska operationer, inte förändringsanalytiska.
5 Applikationsutveckling
För att Stockholms stadsbyggnadskontor ska kunna använda digital förändringsanalys för att ajourhålla sina kartor på ett smidigt och eektivt sätt behövs alltså ett verktyg som är anpassat efter verksamhetens behov och förutsättningar. Be ntliga programvaror anses som sagt inte vara tillräckliga för att uppfylla dessa krav, och uppgiften blir därför att utveckla en ny applikation för förändringsanalys. Uppgiften togs an i programspråket Java, där paketet Java Advanced Imaging (JAI) kan användas för att utföra avancerade bildoperationer i olika format. En användarhandledning för det utvecklade programmet (CDetector) nns att tillgå i bilaga A.
5.1 Programmets metod
Programutvecklingen startade experimentellt, med målet att skapa ett användbart verk-tyg för förändringsanalys. Under utvecklingens inledande fas blev det allt tydligare att detta också skulle vara möjligt, och en rekommenderad arbetsgång för Stockholms stads-byggnadskontor blev mallen för programmets form:
1. Val av bildpar
2. Kalibrering av bildpar 3. Förändringsberäkning 4. Brusreducering
5. Visuell identi ering av förändringar 6. Automatisk identi ering av förändringar
7. Manuell kontroll av identi erade förändringar i steg 6 5.1.1 Val av bildpar
Som en naturlig inledning på förändringsanalysen laddas de två bilderna som ska ana-lyseras in i datorns minne och visas i varsitt fönster, varvid de också synkroniseras med varandra på så vis att varje koordinat i den ena bilden kan referera till sin motsvarighet i den andra bilden. Synkroniseringen gäller också för rullningslisterna i varje bilds fönster, d.v.s. en panorering i den ena bilden innebär samma för yttning i den andra bilden. Detta hjälper operatören att orientera sig i bilderna.
5.1.2 Kalibrering
För att minska mängden brus i den kommande förändringsberäkningen kan bilderna kalibreras med varandra. Denna kalibrering kan ses som ett slags atmosfärskorrektion och innebär att områden i de två bilderna som sammanfaller lägesmässigt, och som man
vet också ska sammanfalla egenskapsmässigt, tilldelas samma pixelvärde. Ett krav för att kalibreringen ska vara möjlig är att operatören nner och pekar ut områden som denne vet är desamma i tidigare och senare bild. Figur 14 visar ett exempel på kalibrering.
Figur 14:Exempel på kalibrering med CDetector i ett område i kartblad 103. Bilden till vänster och bilden i mitten är från år 2002 resp. 2005 och är omodi erade. Bilden till höger är från 2002 och är kalibrerad efter 2005 års bild med avseende på en del växtlighet, vägar och hustak.
5.1.3 Förändringsberäkning
Själva förändringsberäkningen baseras på bildalgebraisk dierens, där gråvärdena i den senare bildens tre spektrala band subtraheras med den tidigare bildens gråvärden. Re-sultatet är en ny färgbild som är skapad av absolutbeloppen av pixelvärdenas dierenser (se bilaga C för exempel på förändringsbild). Den färg som en förändring har beror av vad förändringen orsakats av, d.v.s. en förändring från gräs till asfalterad väg har en viss färg, medan en förändring från skugga till bebyggelse kan ha en annan färg. Det går dock inte att i förväg säga vilken färg som motsvarar vilken förändring, utan detta beror på bildernas utseende vad gäller färgsammansättning, ljusstyrka och kontrast. Figur 16 i stycke 5.1.4 visar hur ett område i en förändringsbild kan se ut.
Utöver vanlig dierens undersöktes även andra former av bildalgebraiska operationer, men den enkla subtraheringen visade sig vara lämpligast. Varför förklaras i kap. 5.3 ne-dan. Det undersöktes också om det var en bra lösning att vid subtraheringen utelämna skuggade områden och låta tilldela dessa gråvärdet 0 i förändringsbildens samtliga band. På så vis kan nämligen mängden oönskade förändringar i resultatet av subtraheringen minskas (se även kap. 4.1.5). Detta innebar dock att en del viktiga förändringar gicks om miste, t.ex. en hustillbyggnad i ett tidigare skuggat område (se gur 15). Det visade sig senare att dessa oönskade förändringar kan reduceras på mer manuell väg efter sub-traheringen, vilket minskar risken för missade intressanta förändringar (se stycke 5.1.4). En enkel tillämpning av spektral förändringsvektoranalys implementerades också. Meto-den resulterar endast i ett lager som visar de åtta förändringsklasserna (se kapitel 2.2.5
Figur 15: Exempel på nybyggnation i skuggat område. Bilden till vänster och bilden i mitten är från år 2002 resp. 2005 års bilder. I bilden från 2005 syns en ny tillbyggnad på huset i mitten. Dierensbilden till höger har beräknats utan exkludering av skuggade områden och visar därför tydligt denna förändring.
för mer information), vilket i det här fallet sannolikt är otillräckligt. För många olika förändringar har samma tecken i de olika banden för att det ska vara möjligt att särskilja dem, och resultatet av metoden är därför alltför svepande. Två sätt att göra metoden mer användbar är troligen att skapa även ett lager som redovisar förändringsmagnituderna. 5.1.4 Brusreducering
Som nämnts tidigare består förändringsbilden ofta av ointressanta förändringar (brus), som är ett resultat av bildernas skillnader i t.ex. skugga och växtlighet. Istället för att ta hänsyn till dessa källor till brus redan vid den förändringsanalytiska operationen, så kan brusreducering genomföras först efter att dierensen beräknats. I programmet nns två slags brusreduceringar; en där operatören identi erar, pekar ut och raderar pixlar som denne vet beskriver ointressanta förändringar, samt en där pixlar raderas (d.v.s. tilldelas gråvärdet 0 i samtliga band) om de inte ingår i ett homogent kluster om minst 5 pixlar, eftersom viktiga förändringar anses vara de som upptar en yta som är större än 5 m2. En risk med denna senare brusreducering är att den i vissa fall kan radera viktiga förändringar som är heterogena, t.ex. förändringar som kan uppstå när en byggnad eller väg byggs på ett heterogent underlag. Figur 16 och tabell 3 visar resultatet efter brusreducering i förändringsbilden mellan de kalibrerade bilderna för kartblad 103. Efter båda brusreduceringsstegen minskade medelvärdet av gråvärdena i förändringsbildens olika band med upp till 93 % och standardavvikelsen med upp till 61 %. En minskning av medelvärdet betyder här att förändringsbilden får er pixlar med gråvärden nära 0, vilket syns i gur 16.
GVR GVG GVB σR σG σB
Före brusreducering 14 3 13 46 40 38
Efter brusreducering 1 1 1 18 16 15
Minskning 93% 67% 92% 61% 60% 61%
Tabell 3: Exempel på förändring av gråvärdenas medelvärde (GVband) och standardavvikelse (σband) vid brusreducering med CDetector.
Figur 16:Exempel på brusreducering med CDetector. Bilderna visar förändringar från år 2002 till 2005 i ett område i kartblad 103. I bilden till vänster har ingen brusreducering utförts, i den mellersta bilden har en del utpekade förändringar p.g.a. skillnader i växtlighet och skugga raderats, och i bilden till höger har dessutom automatisk brusreducering genom radering av ensamma pixlar i heterogena områden utförts.
5.1.5 Visuell identi ering
Före, under och efter arbetet med att nna och reducera brus är det möjligt för ope-ratören att på visuell väg identi era inte bara oönskade förändringar, utan även viktiga sådana. Detta kan då ses som ett slutligt steg i förändringsanalysprocessen. Homoge-na och geometriskt avvikande mönster i dierensbilden är ofta lätta att uppfatta för ett människoöga, vilket är vad som utnyttjas i detta steg. Om operatören upptäcker en förändring som han eller hon vill undersöka närmare, så kan det aktuella området i originalbilderna markeras och förstoras.
5.1.6 Automatisk identi ering
Som ett komplement till visuell identi ering kan automatisk identi ering av förändring-ar genomföras med dierensbilden som informationskälla. Metoden visförändring-ar de förändringförändring-ar som operatören rekommenderas att undersöka närmare i originalbilderna genom att färg-lägga aktuella områden med en tydlig färg. Förändringar som visas är de, vars summe-rade pixelvärden i samtliga band överstiger ett av operatören angivet tröskelvärde. Till skillnad från operatörens möjlighet att upptäcka geometriskt intressanta förändringar är automatisk identi ering här bara förmögen att upptäcka förändringar vars spektrala re ektion överstiger en viss nivå. För att sedan minska antalet spridda enstaka mar-keringspixlar i originalbilderna kan dessa pixlar reduceras på liknande sätt som i den senare av de två brusreduceringsmetoderna som beskrevs i stycke 5.1.4 ovan. De reduce-rade pixlarna färgläggs då i en mörkare och inte lika framträdande färg. Figur 17 visar ett resultat efter automatisk identi ering av förändringar i ett område i bildpar 103.
Figur 17: Exempel på visning av automatiskt identi erade förändringar i CDetector. Röda markeringar indikerar skedd förändring, likaså gör de blåa markeringarna, men dessa är mindre än 5 m2 och anses därför vara mindre intressanta.
5.1.7 Manuell kontroll
Efter automatisk identi ering återstår endast att kontrollera de områden som rekom-menderats av programmet för närmare undersökning. Detta kan ses som ett slags visuell analys, och görs på liknande sätt som beskrevs i stycke 5.1.5 ovan. Områden som blivit markerade vid den automatiska identi eringen kan då förstoras för tydligare visning, och markeringarna kan döljas för att det ska vara möjligt att se de föremål som dessa pekar ut. Koordinaterna för slutgiltigt konstaterade intressanta förändringar kan sedan antecknas av operatören för senare åtgärder.