Διερεύνηση οντολογιών, μηχανικής μάθησης, μορφομετρίας, και αντικειμενοστρεφούς ανάλυσης εικόνας για την αναγνώριση γεωμορφών, κτιρίων, και μεταβολών κτιρίων

Abstract

The objective of this research was the investigation, design, implementation, andenhancement of state-of-the-art computer vision and artificial intelligence approaches within the framework of GEographic Object-Based Image Analysis (GEOBIA) and their employment in specific remote sensing problems such as building extraction, foreshore mapping, building change detection and alluvial fan and bajada identification.The first objective of this dissertation was the design and implementation of an ontological reasoner allowing to design ontologies based on fuzzy spectral, geometric, and spatial relationships through multi-scale GEOBIA analysis, named SPatial Ontology Reasoner (SPOR). Identification of complex landscape components in terms of spectral, geometric, and rich spatial relationships, requires the representation of expert knowledge into a problem-solving strategy through an establish-and-refine-paradigm, within the environment of a knowledgerepresentation system. To take advantage of this expert knowledge within an automated image analysis system it is required to be formalized into a computer-conceivable form. Thus, a semantic gap arises between the high-level semantics employed by the experts to describe the phenomenon and the numerical low – level information extracted from data. To this end ontologies offer potential for knowledge formalization. Previous studies depicted the applicability of ontologies in GEOBIA. However, still remained the need to incorporate fuzzy reasoning in an ontology-based GEOBIA approach. Furthermore, the importance of spatialrelationships and multi-scale analysis has already been stated in earlier GEOBIA studies. Although, spatial reasoning with ontologies for image analysis has been examined, still remained the need for spatial reasoning in a multi-scale GEOBIA approach. Finally a limitation was stated for current Description Logic (DL) – based ontology reasoners, concerning the required processing time, when dealing with large number of classes and objects, which is very common in GEOBIA studies. Thus to address these needs in SPOR, OWL 2 was selected to formalize the ontology, which is latest version of this W3C standard. OWL 2 ensures the integration and exchange of GEOBIA ontologies with current semantic web technologies. Since GEOBIA frameworks should be compatible with Open GIS Standards, and it was also requiredcomputation of spatial relationships during the reasoning process, SPOR integratedPostgreSQL which supported such functionality.The second objective was the integration of advanced machine learning techniques within the ontological-based reasoning. In the literature machine learning techniques have been employed as a classification step before the ontology-based refinement in medical and scene analysis studies. However, still remains the need to examine the applicability of such approach in GEOBIA. To address this issue, it was decided to examine Deep Learning methods, which are machine learning algorithms aiming to model high-level abstractions in data by using model architectures composed of multiple non-linear transformations. Such algorithm is the Deep Belief Network. DBN training is performed in two phases. At first unsupervised training is performed by stacking multiple layers of simple unsupervised networks such as the Restricted Boltzmann machines (RBM) which were trained by the contrastive divergencealgorithm. Unsupervised training output is provided as input to Logistic Regression supervised algorithm which provides the final DBN output. To perform integrated reasoning with DBN and fuzzy ontologies, OWL 2 was enhanced with proper restrictions which allowed class definitions through the combination of DBN and fuzzy expressions. SPOR was also enhanced to be able to perform reasoning with such ontologies. The third objective was the investigation and addressing of specific remote sensing problems through GEOBIA multiscale analysis. To evaluate SPOR a building extraction approach through multi-scale analysis from QuickBird imagery was designed. Three segmentation and classification levels were designed and implemented. Aim of level 1 was the extraction of spectral categories with spectral properties similar to the present buildings. Aim of level 3 was the elimination of the road network. The final buildings were extracted on level 2. Evaluation with photo-interpretation data was satisfactory since 75% of the total rooftop area was extracted while the commission error was around 20%.Afterwards, an ontology-based multi-scale GEOBIA approach based on anisotropic diffusion and fuzzy ontologies for foreshore automatic identification was designed and implemented. The identification was based on the foreshore interpretation criteria provided by the Greek Cadastral Office, from multispectral and Digital Terrain Model (DTM) data. Management of the coastal zone is now recognized as an issue of importance due to the growing social and demographic pressures that threaten its sustainability. More than half of the world's population lives within 60 km of the coast. Specifically, foreshore mapping is important as the processes that take place in the foreshore affect the nearby water quality. Proper management of the foreshore will improve property values and provide recreational amenity. Foreshore mapping in Greece will contribute to the completion of the National Cadastre. Although in Greece this mapping was performed manually, it was decided to investigate methods for the formalization of the foreshore interpretation criteria provided by the Greek Cadastral Office towards the automation of the process. Due to the expression of the spatialorganization of the foreshore within the interpretation criteria (e.g. present vegetation, slopes, present infrastructure etc.) it was decided to formalize the criteria through an Ontology-Based GEOBIA approach. Due to the number and complexity of these criteria, the two most commonly appearing criteria in Greece were investigated, the vegetation border and the topographic crown border. To reduce undesired spectral and spatial detail, the imagery was filtered through morphological leveling which smoothed small spectral differences while major edges of the original image objects were preserved. A three level segmentation and classification hierarchy was developed were smaller objects were created on the lower levels, while larger objects where created on the higher levels. Level creation sequence was 1-2-3. On Level 1, general thematic categories were extracted (e.g. vegetation, water, low sloping areas). Through the interpretation rules derived from foreshore criteria these areas were refined on Level 2 and the final foreshore area was determined on Level 3.Evaluation with image interpreted reference data was satisfactory since 89% of the total foreshore area was identified while commission errors was around 14%.A building change detection scenario was investigated in suburban areas of Greece. The developed multi-scale GEOBIA approach integrated Deep Learning classification with ontological reasoning. A three level segmentation hierarchy was designed and implemented. Level creation order was 1-2-3. On the lowest level an estimation of areas of possible change was performed through fuzzy properties and multiple DBN classifications. Through interpretation rules related to the geometry of the buildings, employed on Level 2 and level 3 the final changes were derived. Results were satisfactory since 73 out of 87 changes were successfully identified, while having small omission and commission errors (10 and 14 changes respectively). To perform alluvial fan and bajada mapping, state-of-the-art DEM processing and multi-scaleGEOBIA analysis approaches were investigated, extended, and implemented. Mapping of alluvial fans and bajadas is important for practical and economic importance to society, particularly in arid and semiarid climates where they may be the principal groundwater source for irrigation farming and the sustenance of life. In this study, advanced image processing and knowledge representation methods were investigated and enhanced, towards the automatic identification of alluvial fans and bajadas. The developed method was based on the landform-pattern element approach which identifies landforms based on pattern-elements such astopography, drainage pattern and texture, soil spectral signature, spatial relationships, and other characteristics. Data used included the 10m spatial resolution National Elevation Dataset, provided by USGS and a pan-sharpened Landsat OLi imagery. The study area was located in the Death Valley, Nevada, USA. DTM processing included noise-removal filtering and depression treatment. A two-phase GEographic Object-Based Image Analysis (GEOBIA) approach involving multi-scale segmentation and fuzzy ontology-based reasoning was designed. Aim of the first phase was the identification of topographic forms such as the basin, mountain-range, and piedmont. Piedmont is the area where alluvial fans and bajadas reside.A four level segmentation hierarchy, accompanied by a four level ontological hierarchy, were developed. The identification was based on topography attributes such as slope gradient and curvature, and spatial reasoning. Aim of the second phase was the identification of alluvial fans and bajadas based on drainage pattern texture and topographic features such as landform shape. Thus a two-level segmentation and ontological hierarchy were developed. Due to a systematic omission on the fan toe, each fan and bajada soil spectral signature was taken into account to determine the omitted areas through region growing on the multispectral imagery. Accuracy assessment indicated satisfactory results, since a 90% completeness and 89% quality was achieved for both alluvial fans and bajadas.Finally, the fourth objective of this dissertation was the development and release of all the developed methods as Free and Open Source Software.

Στόχος της παρούσας διατριβής ήταν η διερεύνηση, ο σχεδιασμός, η επέκταση, και η υλοποίηση καινοτόμων μεθόδων Όρασης Υπολογιστών και Τεχνητής Ευφυΐας μέσα στα πλαίσια της Γεωγραφικής Αντικειμενοστρεφούς Ανάλυσης Εικόνας (GEographic Object-Based Image Analysis – GEOBIA) όπως εξαγωγή κτιρίων, οριοθέτηση αιγιαλού, ανίχνευση μεταβολών κτιρίων, και χαρτογράφηση αλουβιακών ριπιδίων. Ο πρώτος στόχος αυτής της διατριβής αφορούσε την ανάπτυξη μιας μηχανής συλλογιστικής η οποία θα επέτρεπε την τυποποίηση της φωτοερμηνευτικής γνώσης των εμπείρων φωτοερμηνευτών σε μέσα από την υλοποίηση ασαφών φασματικών, χωρικών, γεωμετρικών και τοπολογικών σχέσεων στα πλαίσια της πολυκλιμακωτής ανάλυσης εικόνας, το οποίο ονομάστηκε SPOR (SPatial Ontology Reasoner). Καθώς η αναγνώριση θεματικών κατηγοριών οι οποίες έχουν πολύπλοκες φασματικές, γεωμετρικές και χωρικές ιδιότητες, απαιτεί την αναπαράσταση και δόμηση της φωτοερμηνευτικής γνώσης για την παρατηρούμενη κατηγορία σε μια διαδικασία επίλυσης προβλήματος, απαιτούνται μέθοδοι αναπαράστασης της ανθρώπινης γνώσης σε μορφή κατανοητή από τον υπολογιστή. Λόγω του ότι οι φωτοερμηνευτές χρησιμοποιούν ”υψηλού επιπέδου” αναπαράσταση γνώσης για να περιγράψουν μια θεματική κατηγορία, ενώ ο υπολογιστής μπορεί να εξάγει “χαμηλού επιπέδου” αριθμητική πληροφορία από τα δεδομένα, παρουσιάζεται η ανάγκη να γεφυρωθεί το υπάρχον σημασιολογικό κενό (Semantic gap). Η τυποποίηση και αξιοποίηση αυτής της γνώσης σε μορφή “κατανοητή” από τον υπολογιστή επιτυγχάνεται με την χρήση μεθόδων όπως οι οντολογίες. Οι οντολογίες μπορούν να χρησιμοποιηθούν για να γεφυρώσουν το σημασιολογικό κενό και να αποτελέσουν τμήμα της υλοποίησης ενός αυτόματου συστήματος ανάλυσης εικόνας με βάση την GEOBIA. Η δυνατότητα που έχουν οι οντολογίες να τυποποιήσουν την φωτοερμηνευτική γνώση έχει ήδη αποδειχθεί από προηγούμενες μελέτες. Παρόλα αυτά, δεν είχε γίνει διερεύνηση των οντολογιών με ταυτόχρονη χρήση ασαφούς λογικής, χωρικών συσχετίσεων και πολυκλιμακωτής χωρικής ανάλυσης μέσα στο πλαίσιο της GEOBIA. Τέλος, έχει αναφερθεί στη βιβλιογραφία πως οι υπάρχουσες μηχανές συλλογιστικής για οντολογίες που στηρίζονται σε περιγραφικές λογικές χρειάζονται μεγάλο χρόνο για την περάτωση της συλλογιστικής διαδικασίας, όταν η βάση γνώσης περιέχει πολλές κατηγορίες ή/και αντικείμενα, όπως είναι οι μελέτες που στηρίζονται στην GEOBIA. Για να αντιμετωπισθούν αυτές οι ανάγκες, στην την ανάπτυξη και υλοποίηση του SPOR ως γλώσσα τυποποίησης της οντολογίας χρησιμοποιήθηκε η ΟWL 2 η οποία αποτελεί σήμερα το τελευταίο επίσημο πρότυπο της γλώσσας OWL για τον Σημασιολογικό Ιστό (ΣΙ). Έτσι διασφαλίζεται η συμβατότητα με τις τεχνολογίες του ΣΙ αλλά και την ανταλλαγή GEOBIA οντολογιών με χρήση των τεχνολογιών του. Καθώς τα συστήματα που στηρίζονται στην GEOBIA πρέπει να είναι συμβατά με τα ανοικτά γεωχωρικά πρότυπα(Open GIS Standards) και καθώς απαιτούνταν ο υπολογισμός χωρικών συσχετίσεων κατά τη διάρκεια της συλλογιστικής διαδικασίας, στο SPOR χρησιμοποιήθηκε η PostgreSQL η οποία ενσωματώνει τέτοιες δυνατότητες.Ο δεύτερος στόχος αυτής της διατριβής αφορά την διερεύνηση και ενσωμάτωση μεθόδων μηχανικής μάθησης μέσα στη συλλογιστική διαδικασία των οντολογιών. Στη βιβλιογραφία έχει ήδη διερευνηθεί ο συνδυασμός μεθόδων μηχανικής μάθησης με οντολογίες για την ταξινόμηση επίγειων λήψεων ή ιατρικών δεδομένων με ικανοποιητικά αποτελέσματα, αλλά κάτι τέτοιο δεν είχε διερευνηθεί στα πλαίσια της GEOBIA. Αποφασίστηκε η διερεύνηση μεθόδων Deep Learning, οι οποίες τυποποιούν πληροφορία υψηλής αφαιρετικότητας από τα δεδομένα, μέσω της υλοποίησης μη γραμμικών μετασχηματισμών. Σε αυτή την οικογένεια αλγορίθμων ανήκει και o Deep Belief Network (DBN). Ένα DBN εκπαιδεύεται σε δύο φάσεις. Αρχικά γίνεται μη επιβλεπόμενη εκπαίδευση όπου χρησιμοποιούνται πολλαπλά επίπεδα από Restricted Boltzmann Machines (RBM) τα οποία εκπαιδεύονται μέσω του αλγορίθμου contrastive divergence. Η τελική έξοδος των RBM δίνεται ως είσοδο στον αλγόριθμο επιβλεπόμενης μάθησης Logistic Regression, ο οποίος εκπαιδεύεται μέσω του stohastic gradient decent. Η έξοδος της επιβλεπόμενης εκπαίδευσης αποτελεί το τελικό αποτέλεσμα της ταξινόμησης του DBN. Για να μπορέσει να γίνει συνδυαστική συλλογιστική DBN και ασαφών περιορισμών, επαυξήθηκε η τυποποίηση των οντολογιών με κατάλληλες δηλώσεις – περιορισμούς οι οποίες επέτρεψαν τον ορισμό κατηγοριών με συνδυασμό ασαφών περιορισμών αλλά και μηχανική μάθηση. Επίσης επεκτάθηκε κατάλληλα η συλλογιστική διαδικασία του SPOR ώστε να συμπεριλάβει τον αλγόριθμο DBN.Ο τρίτος στόχος αυτής της διατριβής ήταν η διερεύνηση συγκεκριμένων προβλημάτων της τηλεπισκόπησης και υλοποίηση μεθοδολογιών για την αντιμετώπισή τους μέσα από την υλοποίηση μεθοδολογιών πολυκλιμακωτής ανάλυσης εικόνας. Ο SPOR δοκιμάστηκε σε ένα σενάριο εξαγωγής κτιρίων από εικόνες QuickBird στο οποίο σχεδιάστηκε και υλοποιήθηκε πολυκλιμακωτή ανάλυση εικόνας για την εξαγωγή τους. Υλοποιήθηκαν τρία (3) επίπεδα κατάτμησης. Για κάθε επίπεδο κατάτμησης υλοποιήθηκε ιεραρχία θεματικών κατηγοριών σε μια οντολογία. Στο επίπεδο 1 έγινε εντοπισμός κατηγοριών οι οποίες είχαν φασματικές ιδιότητες παρόμοιες με τα κτίρια. Στο επίπεδο 3,έγινε εξαγωγή των δρόμων ώστε να αφαιρεθούν από το τελικό αποτέλεσμα. Ο τελικός εντοπισμός των κτιρίων έγινε στο επίπεδο 2. Τα αποτελέσματα κρίθηκαν ικανοποιητικά μετά από σύγκρισή τους με φωτοερμηνευτικά δεδομένα αναφοράς, καθώς από τη συνολική επιφάνεια των κτιρίων, εντοπίστηκε επιτυχώς το 75%, ενώ υπήρχε σφάλμα συμπερίληψης της τάξης του 20%.Στη συνέχεια διερευνήθηκε η δυνατότητα εξαγωγής του αιγιαλού μέσω της υλοποίησης πολυκλιμακωτής ανάλυσης εικόνας και ασαφούς οντολογικής συλλογιστικής. Η διαχείριση των παράκτιων ζωνών είναι πολύ σημαντική σε παγκόσμιο επίπεδο καθώς πάνω από 50% του πληθυσμού του πλανήτη ζει σε απόσταση έως 60 Km από τις ακτές. Επίσης, η χαρτογράφηση του αιγιαλού είναι σημαντική λόγω των φυσικών διεργασιών που λαμβάνουν χώρα στη ζώνη αυτή, καθώς επηρεάζουν την ποιότητα του νερού. Στην Ελλάδα, η χαρτογράφηση της ζώνης του αιγιαλού θα συμβάλει και στην ολοκλήρωση του Εθνικού Κτηματολογίου. Παρόλο που η χαρτογράφηση αυτή έχει ήδη γίνει με φωτοερμηνεία, αποφασίστηκε η διερεύνηση μεθοδολογιών για την τυποποίηση των κριτηρίων της ΚΤΗΜΑΤΟΛΟΓΙΟ Α.Ε. με στόχο την αυτόματη χαρτογράφηση του αιγιαλού. Οι περιγραφές των κριτηρίων περιλαμβάνουν συσχετίσεις του αιγιαλού με γειτνιάζουσες χρήσεις γης (πχ βλάστηση, κλίσεις, τυχόν έργα υποδομής κτλ). Έτσι αποφασίστηκε η διερεύνηση της τυποποίησης των κριτηρίων με την υλοποίηση κατάλληλης οντολογίας στα πλαίσια τηςGEOBIA. Λόγω του πλήθους και της πολυπλοκότητας των κριτηρίων διερευνήθηκαν τα πιο κοινά εμφανιζόμενα στον ελλαδικό χώρο, το κριτήριο της βλάστησης και το κριτήριο της στέψης πρανούς. Για την αφαίρεση ανεπιθύμητης φασματικής και χωρικής πολυπλοκότητας από τις εικόνες, εφαρμόστηκε φίλτρο ανισοτροπικής διάχυσης στα δεδομένα. Τα φίλτρα αυτά εξομαλύνουν μικρές διαφορές φωτεινότητας, ενώ παράλληλα διατηρούν τις κύριες ακμές των αντικειμένων. Υλοποιήθηκε μια ιεραρχία τριών επιπέδων κατάτμησης όπου μικρότερα αντικείμενα σχεδιάστηκαν στα χαμηλότερα επίπεδα και μεγαλύτερα στα υψηλότερα. Για κάθε επίπεδο κατάτμησης υλοποιήθηκε στην οντολογία ιεραρχία θεματικών κατηγοριών στις οποίες ταξινομήθηκαν τα αντικείμενα. Η σειρά υλοποίησης των επιπέδων ήταν 1-2-3. Στο επίπεδο 1 αναγνωρίστηκαν γενικές θεματικές κατηγορίες (πχ βλάστηση, νερό, επιφάνειες με χαμηλή κλίση). Στη συνέχεια μέσω ερμηνευτικών κανόνων που προέκυψαν από τα κριτήρια χάραξης του αιγιαλού δημιουργήθηκαν ενδιάμεσες οντότητες συσχετιζόμενες με τα υποαντικείμενα του αιγιαλού, ο οποίος αιγιαλός αναγνωρίστηκε τελικά στο 3ο και τελευταίο επίπεδο. Η αξιολόγηση έγινε με φωτοερμηνευτικά δεδομένα αναφοράς και κρίθηκε ικανοποιητική καθώς αναγνωρίστηκε επιτυχώς περίπου το 89% της συνολικής έκτασης του αιγιαλού, ενώ τα σφάλματα συμπερίληψης δεν ξεπέρασαν το 14%. Επίσης, ένα σενάριο ανίχνευσης μεταβολών σε περιαστικό περιβάλλον σχεδιάστηκε και υλοποιήθηκε. Μια ιεραρχία τριών επιπέδων σχηματίστηκε για την αναγνώριση των αλλαγών. Η σειρά δημιουργίας των επιπέδων ήταν 1-2-3. Στο χαμηλότερο επίπεδο με χρήση ασαφών κανόνων και πολλαπλών DBN ταξινομήσεων έγινε μια πρώτη εκτίμηση των περιοχών όπου έγιναν αλλαγές. Στη συνέχεια με χρήση ερμηνευτικών κανόνων στα επίπεδα 2 και 3 προσδιορίστηκαν οι τελικές αλλαγές. Τα αποτελέσματα έπειτα από σύγκριση με φωτοερμηνευτικά δεδομένα αναφοράς κρίθηκαν ικανοποιητικά, καθώς 73 από συνολικά 87 αλλαγές εντοπίστηκαν επιτυχώς, με μικρά σφάλματα παράλειψης (10) και συμπερίληψης (14).Τέλος έγινε διερεύνηση, υλοποίηση και επέκταση προχωρημένων τεχνικών επεξεργασίας ψηφιακών μοντέλων αναγλύφων και την αξιοποίησή τους μέσα στο πλαίσιο της GEOBIA με στόχο την αναγνώριση αλουβιακών ριπιδίων και Bajadas. Η αναγνώριση στηρίχθηκε στην προσέγγιση της αναγνώρισης προτύπων γεωμορφών το οποίο έχει αναπτυχθεί στις ΗΠΑ και ευρέως χρησιμοποιηθεί διεθνώς για την χαρτογράφηση γεωμορφών. Η χαρτογράφηση αυτών των σχηματισμών είναι πολύ σημαντική ειδικά σε ερημικές και ημιερημικές περιοχές όπου πιθανότατα οι σχηματισμοί αυτοί είναι η κύρια πηγή επιφανειακού νερού για χρήση σε ύδρευση και άρδευση. Έχοντας αυτό ως κίνητρο, διερευνήθηκαν και αναπτύχθηκαν προχωρημένες τεχνικές ανάλυσης εικόνας, ψηφιακών μοντέλων αναγλύφου και αναπαράστασης γνώσης με απώτερο στόχο την αυτόματη αναγνώριση αυτών των γεωμορφών. Στα πλαίσια αυτής της διερεύνησης η αναγνώριση αυτών των γεωμορφών έγινε αρχικά από ψηφιακά μοντέλα εδάφους (ΨΜΕ) και στη συνέχεια το αποτέλεσμα βελτιώθηκε με χρήση πολυφασματικών δορυφορικών δεδομένων. Για την απομάκρυνση του θορύβου το ΨΜΕ φιλτραρίστηκε με βέλτιστο φίλτρο Weiner. Στη συνέχεια, καθώς ένα από τα απαραίτητα στοιχεία για τον εντοπισμό αυτών των μορφών είναι το υδρογραφικό δίκτυο, σύγχρονες τεχνικές σχετιζόμενες με τη διαχείριση βυθισμάτων και επίπεδων περιοχών, καθώς και εξαγωγής του υδρογραφικού δικτύου από ΨΜΕ διερευνήθηκαν, επεκτάθηκαν, υλοποιήθηκαν. Τα αποτελέσματα της εξαγωγής του δικτύου ήταν ικανοποιητικά όσον αφορά το δίκτυο των υπερκείμενων λεκανών, αλλά όχι τόσο ικανοποιητικά για την εξαγωγή του διχοτομικού υδρογραφικού προτύπου. Έτσι αποφασίστηκε πως στη μέθοδο αναγνώρισης θα γίνει προσέγγιση του προτύπου μέσω ευρετικών κανόνων οι οποίοι θα χαρακτήριζαν τις ιδιότητες του. Επίσης, λόγω του ιδιαίτερου ημικυκλικού σχήματος του αλουβιακού ριπιδίου, σχεδιάστηκε και υλοποιήθηκε ένας δείκτης ο οποίος λαμβάνει υπόψη το υδρογραφικό δίκτυο της υπερκείμενης κοιλάδας, τη θέση, τον προσανατολισμό, και το μέγεθος της κάθε υποψήφιας για αλουβιακό ριπίδιο μορφής. Ο δείκτης συνέκρινε την υποψήφια μορφή με ισεμβαδικό κυκλικό τομέα και υπολόγιζε ένα ποσοστό ταύτισης. Η τελική διαδικασία εξαγωγής έγινε μέσω της GEOBIA με την υλοποίηση δύο ιεραρχιών κατάτμησης και ταξινόμησης των αντικειμένων μέσω οντολογιών. Η πρώτη ιεραρχία περιείχε 4 επίπεδα με σειρά δημιουργίας 4-1-2-3. Στο επίπεδο 4 αναγνωρίστηκαν οι κοιλάδες που υπήρχαν στην περιοχή. Στο 1ο επίπεδο έγινε αναγνώριση των ζωνών στις οποίες πιθανώς να υπάρχουν αλλουβιακά ριπίδια ή/και bajadas. Στο αποτέλεσμα της ταξινόμησης του επιπέδου 1 έγινεδιόρθωση και πλήρωση κενών στα επίπεδα 2 και 3. Στο αποτέλεσμα της ταξινόμησης του επιπέδου 3 έγινε μορφολογικό άνοιγμα ώστε να μπορέσουν να διαχωριστούν οι αλλουβιακοί σχηματισμοί από άλλες περιοχές, και στο αποτέλεσμα αυτό έγινε κατάτμηση για τον υπολογισμό νέων αντικειμένων που θα αναπαριστούσαν τις επιθυμητές γεωμορφές, σχηματίζονταν το επίπεδο 2b. Για να εντοπισθούν υποψήφια τμήματα του υδρογραφικού δικτύου σχετιζόμενα με τη μεταφορά φερτών υλικών για το σχηματισμό των αλουβιακών ριπιδίων, το επίπεδο 1b δημιουργήθηκε κάτω από το επίπεδο 2b. Η τελική αναγνώριση των μορφών έγινε στο επίπεδο 2b. Τα αποτελέσματα της αναγνώρισης μετά από αξιολόγηση με φωτοερμηνευτικά δεδομένα αναφοράς κρίθηκαν ικανοποιητικά, καθώς για όλες τις μορφές εντοπίστηκε επιτυχώς το 90% των εκτάσεών τους, ενώ ο δείκτης ποιότητας του τελικού αποτελέσματος ήταν της τάξης του 89%.Ο τελευταίος στόχος της παρούσας διατριβής ήταν η υλοποίηση και δημοσίευση των αλγορίθμων οι οποίοι υλοποιήθηκαν ως ελεύθερο λογισμικό.