教師あり分類には,example based 手法と rule based 手法がある.example based 手法とは, セグメント化されたオブジェクトそのものに対して, クラスラベルを与える手法であり,rule based 手法とはセグメント化されたオブジェクトに対して, あるルールを満たす

Size: px

Start display at page:

Download "教師あり分類には,example based 手法と rule based 手法がある.example based 手法とは, セグメント化されたオブジェクトそのものに対して, クラスラベルを与える手法であり,rule based 手法とはセグメント化されたオブジェクトに対して, あるルールを満たす"

よりとしおおふさ
5 years ago
Views:

1 神戸大学都市安全研究センター研究報告, 第 20 号, 平成 28 年 3 月 2 枚の衛星写真解析による災害直後の地図作成 Post-disaster map production by satellite image analysis 笹島敬介 1) Keisuke Sasajima ムハマドレザパウザベール 2) Mohammad Reza Poursaber 有木康雄 3) Yasuo Ariki 滝口哲也 4) Tetsuya Takiguchi 概要 : リモートセンシング技術とは, 衛星写真や航空写真を用いて, 離れた位置から広範囲のデータを取得する技術である. 本研究では, リモートセンシング技術を災害状況把握へ応用することを目的としている. 瞬時に災害ダメージを把握することによって, 救助計画を立てる際に役立つと考えられる. 具体的には, 災害前と災害後の2 枚の衛星画像を用い, オブジェクトベース分類である example based 手法と rule based 手法を組み合わせることによって, 被害検出精度の向上を図り, 災害直後の地図を作成している. キーワード : 衛星画像, オブジェクト分類,Example based,rule based, 1. はじめにリモートセンシングは, 簡単にいえば離れて観測すること一般を指す. 人工衛星からのリモートセンシングの大きな特徴としては,1) 広い範囲を瞬時に観測可能,2) 同じ地域を繰り返し定期的に観測することにより時間変化を把握できる,3) 直接現地に行かずとも状況の把握が可能,4) 人間の目で確認できない近赤外線やマイクロ波なども観測可能, などが挙げられる. 1) これらの性質を用いて, リモートセンシング技術は土地利用調査, 都市計画, 災害状況調査などに用いられている. 特に, 災害状況の把握という点ではリモートセンシングの分野は大いに期待されている. この理由は, 人が直接立ち入るには難しい場所の情報も瞬時に獲得したり, 広範囲の情報を一度に得られるからである. また, 災害が起きた後の復興の過程を把握するためにも使われる. たとえば, 土砂や瓦礫でおおわれていた場所に建物が建ったり, 道路が舗装されたりという整備の過程である. また, 主要な道路を優先的に復旧させるといったように, 復旧計画にも用いることが可能である. リモートセンシングに使われるセンサの性能が向上するにつれ, 得られる情報量も増えてくる. ゆえに, 情報を早く正確に獲得すること, 解析を行うことが必要とされてきている. また, これらの膨大な情報をマニュアルで解析するのではなく, 自動で行うことも必要となってくる. 近年, リモートセンシングにおける地表面の解析に用いられる手法は, ピクセルベースのものからオブジェクトベースへと移り変わってきている. オブジェクトベースにおける手法としては, まず画像を画像オブジェクトと呼ばれる小領域にセグメント化する. このとき, 近くにあるピクセル同士を似た基準に基づいてグループ化する. その後クラス分類を行う. クラス分類においては教師なし分類, 教師あり分類があり, 教師なし分類では,k-means などが用いられる. 教師あり分類は, それぞれのクラスを表すクラスラベルと対応するオブジェクトをあらかじめ目視で取り出しておき, それを基にすべてのオブジェクトにクラスラベル 2) 3) を自動的に与える手法である. 68

2 教師あり分類には,example based 手法と rule based 手法がある.example based 手法とは, セグメント化されたオブジェクトそのものに対して, クラスラベルを与える手法であり,rule based 手法とはセグメント化されたオブジェクトに対して, あるルールを満たすものだけに, クラスラベルを割り当てる手法である. 本研究では,example based 手法と rule based 手法の両方を用いた手法により, さらに精度の高い分類結果を地図情報に反映させることを目的としている. 2. 衛星画像解析における前処理 (1) DN 値から Reflectance 値への変換衛星画像データを解析する際には,Reflectance( 反射率 ) 値へ変換する必要がある. 以下に変換式を示す. 4) ρ p p L d 2 = (1) Esun cosθ s ここで L = Gain DN + Offset, s = 90 elevationangle ρ p は reflectance 値,d は地球と太陽の距離, θ である. の天頂角, L はセンサー開口部でのバンドでの radiance 値, れるバンドでの放射計測校正オフセットである. Esun はバンド別の太陽放射量, θ s は衛星通過時の太陽 Gain, Offset はメタデータから得ら (2) 2 枚の衛星画像の位置合わせ撮影された時期が違うため, 衛星の軌道により2 枚の画像に多少のずれが生じている. 画像を比べるにあたりずれをできるだけなくす必要がある. 本研究では2 枚の画像を使うので, 災害前の画像を基準にし, 災害後の画像を幾何補正する. まず,Ground Control Point(GCP) を作成する.GCP は, 画像を合わせるときに用いる特定可能な位置のことである. 例としては, 道路の角, 建物の端などである. 本研究では10 個の GCP を作成した. これらを用いて災害後の画像に対して, 幾何補正を行った. 3. Example based な分類手法画像から Edge 抽出を行い,Full lambda schedule 5) を用いて, 似た性質を持つピクセル集合にセグメント化する. ここでセグメント化されたピクセル集合をオブジェクトと呼ぶ. Example based な分類手法では, オブジェクト化された画像に対して, いくつかのクラスを作成し, 教師となる学習データを与える. 災害前の画像においては建物, アスファルト, 水, 木や草, 土の5クラス, 災害後は瓦礫を加えて6クラスとした. 災害前の画像では 361,587 オブジェクト中,844 個のオブジェクトをランダムに選び教師信号を与えた. 災害後の画像では 319,960 オブジェクト中,788 個のオブジェクトをランダムに選び教師信号を与えた. 与えた教師信号を基に SVM を学習し, これを用いて全オブジェクトのクラス分類を行った. 最後に災害前後の 2 枚のクラス分類画像を比較することにより, 被害検出を行った.( 例 : 災害前では建物だった場所が, 災害後では瓦礫になっている. など ) 4. Rule based な分類手法 Rule based な分類手法では, オブジェクト化された画像に対していくつかのルールを作り, それを満たすオブジェクトだけを特定のクラスとして抽出する. 本研究では建物の被害検出を行うために,Rule based な分類手法で建物を表すオブジェクトを抽出する. 69

その際に4つのルールを用いた.1. オブジェクトを構成しているピクセルの濃淡値の平均値 (Texture mean), 2. 四角さ (Rectangular= 面積 /( 長軸の長さ短軸の長さ )),3. 細長さ (Elongation= 長軸の長さ / 短軸の長さ ), 4. オブジェクトの大きさ (Area) である.

3 その際に4つのルールを用いた.1. オブジェクトを構成しているピクセルの濃淡値の平均値 (Texture mean), 2. 四角さ (Rectangular= 面積 /( 長軸の長さ短軸の長さ )),3. 細長さ (Elongation= 長軸の長さ / 短軸の長さ ), 4. オブジェクトの大きさ (Area) である. オブジェクトが, これらルールの数値の範囲内であれば建物とみなす ( 図 -1 参照 ). このルールの作成においては, 建物は形状が四角のものが多く, 一定の大きさより大きい範囲にあるという性質に着目した. また, 建物は道路ほど細長くはないという性質を利用するために, 細長いオブジェクトは除くというルールも設定した. 以下にルールの定義式と閾値の範囲を示す.ClassScore が 0.68 以上であれば, 建物とみなす. また,Attribute score は以下の範囲内にあれば 1, なければ 0 とする.Attribute Weight は主観的に決定した. 4 ClassS co re = ( AttributeScore AttributeWeight) (2) i= 1 図 -1 建物抽出におけるルールこのルールを災害前後の画像に対して適用し, 建物抽出を行う. その後, それらの抽出画像を比較し, 建物が存在しなくなった場所, つまり被害を受けた場所を検出する ( 図 -2 参照 ). 5. 組み合わせと地図作成以上の2つの手法で得られた結果をマージ (OR で組み合わせる ) する. 組み合わせ手法の結果と,Example based 分類手法,Rule based 手法との比較結果を以下の表に示す. 表 -1 分類の比較結果 Precision(%) Recall(%) Example based Rule based 組み合わせここで,Precision とは正解率のことで, 検出した結果の中で実際に被害があった場所をどれだけ含んでいるかという割合である.Recall とは再現率のことで, 実際に被害があった場所を今回の検出でどれだけ網羅できているかという割合である. 図 -2 に作成した地図を示す. 70

図 -2 災害後の推定された被害状況地図 6. おわりに本稿では, 災害状況を把握するために災害直後の地図を作製した. また, 信頼できる地図を作成するにあたり, 被害検出の精度を上げることも目的とし,Example based な分類手法と Rule based な分類手法を組み合わせることによって精度の向上に努めた.

4 図 -2 災害後の推定された被害状況地図 6. おわりに本稿では, 災害状況を把握するために災害直後の地図を作製した. また, 信頼できる地図を作成するにあたり, 被害検出の精度を上げることも目的とし,Example based な分類手法と Rule based な分類手法を組み合わせることによって精度の向上に努めた. また, 地図上には被害があるという情報だけでなく, がれきや土砂など, どのような被害を受けたかという情報を記している. 参考文献 1) 山崎文雄, 防災におけるリモートセンシング技術利用の最新動向, 土木学会第 10 回地震災害マネジメントセミナー,ISBN , pp.1-12, ) Ochi Shiro, Land cover classification based on image objects for high resolution satellite image, 東南アジア研究, 46 巻 4 号, pp ) Sun Xiaoxia, Zhang Jixian, Liu Zhengjun, An object-oriented classification method on high resolution satellite data, 25 th Asian conference on remote sensing, pp , ) Nancy E. Podger, William B.Colwell, Martin H. Taylor, GeoEye-1 Radiance at Aperture and Planetary Reflectance,2011 5)Nicholas J. Rededing, David J.Crisp, Dahong Tnag, Garry N. Newsam, An efficient algorithm for Mumford-Shah segmentation and its application to SAR imagery, Proceeding of the 1999 conference on digital image computing: Techniques and Application,pp35-41, 1999 筆者 : 1) 笹島敬介, 工学部情報知能工学科, 学生 ;2) ムハマドレザパウザベール, システム情報学研究科, 学生 ;3) 有木康雄, 都市安全研究センター, 教授 ;4) 滝口哲也, 都市安全研究センター, 准教授 71

5 Post-disaster map production by satellite image analysis Keisuke Sasajima Mohammad Reza Poursaber Yasuo Ariki Tetsuya Takiguchi Abstract Remote sensing is a technology that obtains extensive area information by using satellite image or aerial image. We use remote sensing technology for damage detection. By detecting damage quickly, it can be used for planning to rescue people in danger. However it needs higher accuracy of damage detection. In this paper, we use 2 satellite images; before disaster and after disaster. First, we combine two object based classification methods, example based and rule based, to improve damage detection accuracy and finally produce the post-disaster map Research Center for Urban Safety and Security, Kobe University, All rights reserved. 72

教師あり分類には,example based 手法と rule based 手法がある.example based 手法とは,セグメント化されたオブジェクトそのものに対して,クラスラベルを与える手法であり,rule based 手法とはセグメント化

教師あり分類には,example based 手法と rule based 手法がある.example based 手法とは,セグメント化されたオブジェクトそのものに対して,クラスラベルを与える手法であり,rule based 手法とはセグメント化神戸大学都市安全研究センター研究報告, 第 20 号, 平成 28 年 3 月 2 枚の衛星写真解析による災害直後の地図作成 Post-disaster map production by satellite image analysis 1) 笹島敬介 Keisuke Sasajima ムハマドレザパウザベール 2) Mohammad