maa-57.351 kaukokartoituksen yleiskurssi
DESCRIPTION
Maa-57.351 Kaukokartoituksen yleiskurssi. Luento 5: Kuvan ehostaminen Yksi kuva: histogrammi, suodatus Monikanavakuva: suhde- ja erotuskuva Muunnokset: Karhunen-Löwe, Tasselled Cap. KUVAN EHOSTAMINEN. Parannetaan kuvaa tulkintaa varten - PowerPoint PPT PresentationTRANSCRIPT
Maa-57.351 Kaukokartoituksen yleiskurssi
Luento 5:
• Kuvan ehostaminen
• Yksi kuva: histogrammi, suodatus
• Monikanavakuva: suhde- ja erotuskuva
• Muunnokset: Karhunen-Löwe, Tasselled Cap
KUVAN EHOSTAMINEN• Parannetaan kuvaa tulkintaa varten
• Pikselioperaatiot: muuttavat pikselin harmaasävyä riippumatta muista harmaasävyistä
• Paikalliset operaatiot: pikselin harmaasävyn muuttamiseen vaikuttaa lähellä olevien pikselien harmaasävyt
• Globaalit operaatiot: pikselin harmaasävyn muuttamiseen vaikuttavat kaikki kuvan harmaasävyt
HISTOGRAMMI• Graafinen esitysmuoto harmaasävyjen
esiintymistodennäköisyydelle• Vaaka-akselilla kuvataan pikselin harmaasävyarvoa ja
pystysuoralla akselilla kuvassa esiintyvien harmaasävyarvojen lukumäärää tai esiintymistodennäköisyyttä
HISTOGRAMMI• Kuvan harmaasävyt yleensä kapeammalla harmaasävyalueella
kuin mitä monitori käyttää
• Venytetään harmaasävyt laajemmalle alueelle kuvasta saa paremmin selvää
HISTOGRAMMI• Histogrammin tasoittaminen: Venytystä painotetaan
harmaasävyjen esiintymistodennäköisyyden mukaan • Tiettyjä harmaasävyjä paljon niiden esittämiseen käytetään
enemmän harmaasävyjä kuin vähemmän esiintyvien harmaasävyjen esittämiseen
HISTOGRAMMI• Epälineaarisesti tasoitettu histogrammi: voidaan määritellä myös
muita matemaattisia funktioita / funktioiden yhdistelmiä
• Esimerkiksi muunnetun histogrammin pitäisi muistuttaa normaalijakaumaa
HISTOGRAMMI• Kynnystäminen: jaetaan kuvan harmaasävyt kahteen ryhmään • Kynnysarvoa pienemmät harmaasävyt -> 0 • Kynnysarvoa suuremmat harmaasävyt -> 1 • Esim. vesialueet / maa-alueet
HISTOGRAMMI
"Level Slicing”
• Histogrammi jaetaan alueisiin, joita on huomattavasti vähemmän kuin alkuperäisiä harmaasävyjä
• Kullekin alueelle osuvat alkuperäiset harmaasävyt esitetään käyttäen samaa harmaasävyä / väriä
• Käytetään esim. lämpö- tai kasvillisuusindeksikuvien esittämiseen
HISTOGRAMMI• Level Slicing: Kasvillisuusindeksikuva
SUODATUS
• Konvolvoidaan kuva f maskilla / suodattimella h
g = f * h
• Kuvafunktion pehmentäminen: poistetaan kohinaa
• Kuvafunktion terävöittäminen: korostetaan reunaviivoja
SUODATUS
Kuvan pehmentäminen
• Poistetaan datan siirrossa ja instrumentissa syntyneitä satunnaisia häiriöitä
• Keskiarvosuodatus
• Mediaanisuodatus
SUODATUS• Perustuu suodatinmaskin käyttöön• Yksinkertainen keskiarvoistava 5x5 maski:
1/25 1/25 1/25 1/25 1/25
1/25 1/25 1/25 1/25 1/25
1/25 1/25 1/25 1/25 1/251/25 1/25 1/25 1/25 1/251/25 1/25 1/25 1/25 1/25
•Keskiarvoistava 3x3 maski:
1/16 2/16 1/16
2/16 4/16 2/16
1/16 2/16 1/16
SUODATUS
• Periaate:
•Pikselin arvoksi saadaan:
SUODATUS• Alkuperäinen PAN ja 3x3 suodatusikkunalla keskiarvosuodatettu
kuva
SUODATUS• Alkuperäinen PAN ja 7x7 suodatusikkunalla keskiarvosuodatettu
kuva
SUODATUS
Mediaanisuodatus
• Pikseli saa maskin määrittämän alueen harmaasävyjen mediaaniharmaasävyn
• Otetaan maskin määrittämät pikselit
järjestetään suuruusjärjestykseen
valitaan mediaani (keskimmäisin)
• Toimii hyvin jos kohina muodostuu voimakkaista yksittäisistä piikeistä ja halutaan säilyttää reunojen terävyys
SUODATUS
Mediaanisuodatus
=> Laite taan suuruus- jä rjestykseen:
M ediaani: 35
SUODATUS• Alkuperäinen PAN ja 3x3 suodatusikkunalla mediaanisuodatettu
kuva
SUODATUS• Alkuperäinen PAN ja 7x7 suodatusikkunalla mediaanisuodatettu
kuva
SUODATUS• Keskiarvosuodatus vastaa kuvafunktion
integrointia
• Mikäli halutaan saada selville kuvafunktion muutoskohdat derivoidaan kuvafunktio
• Saadaan selville kuvafunktion muutosten suuruus ja suunta kussakin pikselissä
• Käytännössä derivointi hoidetaan vierekkäisten pikselien erotuksilla
• Tämäkin voidaan hoitaa suodatinmaskeilla
SUODATUS• Kuvafunktion
derivaatta vaakasuuntaan saadaan suodattimella:
1 1 1
0 0 0
-1 -1 -1
SUODATUS• Kuvafunktion
derivaatta pystysuuntaan saadaan suodattimella:
1 0 -1
1 0 -1
1 0 -1
SUODATUS• Kummastakin derivaattakuvasta otetaan itseisarvo...
SUODATUS• …ja lasketaan keskiarvo saadaan 1. derivaatan suuruus
TEKSTUURI• Harmaasävyjen säännöllinen alueellinen
muutos, kohteen pintakuviointi
• Määrittää kohteiden "sileyden" tai "karkeuden"
• Erilaisilla kohteilla erilainen tekstuuri voidaan käyttää apuna kuvan tulkinnassa
TEKSTUURI• Tietokoneella täytyy tekstuurista määrittää
tunnuslukuja, jotka kuvaavat tekstuurin ominaisuuksia
• Yksinkertaisimmassa tapauksessa lasketaan ikkunan, eli pikselin ympärillä olevien pikselien keskiarvo ja hajonta
• Saadaan tekstuurin tilastolliset ominaisuudet
TEKSTUURI• Varianssi ja jakauman vinous, 7x7 ikkuna
Monikanavaisen kuvan ehostaminen
• Oleellinen tieto esille suuresta tietomäärästä eli instrumentin kaikista kanavista
• Kaikki kanavat eivät ole hyödyllisiä -> jätetään käyttämättä
Visuaalinen tarkastelu
• Kanavittain (mustavalkoisena)
tai
• Useita kanavia kerrallaan (värikuvana)
Landsat-7 ETM, 29.7.2000: Näkyvän valon kanavat
Infrapuna-alueen kanavat
Värikuva
• Silmä pystyy erottamaan n 20-30 harmaasävyarvoa• Kuvissa usein 256 tai enemmän harmaasävyjä • -> yksityiskohtia ei silmällä erota mustavalkokuvasta• Värejä ihminen erottaa huomattavasti enemmän
-> kannattaa hyödyntää tulkinnassa!• Tietokoneella additiivinen värinmuodostus• Monitorissa:
– punainen, vihreä ja sininen väritykki
– RGB-värijärjestelmä
Värikuvatarkastelu- 3 kanavaa
• Kanavat esitetään näytöllä kolmen kanavan kombinaationa (sin, vih, pun) (RGB)
• Jos jonkin kanavan harmaasävyarvo on kohteella huomattavasti muita korkeampi, kohde näkyy ko värisenä.
-> voidaan tunnistaa eri kohteita värin perusteella
Tosivärikuva• Tosivärikuva: esitetään
kanavat niiden luonnollisissa väreissä:– sininen kanava sinisenä– vihreä vihreänä– punainen punaisena
• Onnistuu vain instrumenteilla, joilla on nämä kolme kanavaa (esim. TM)
Väärävärikuva• Esitetään kanavia,
joita ei silmällä erota / näkyvän valon kanavia väärässä järjestyksessä
• Esim:– vihreä kanava
sinisellä värillä– punainen vihreällä– lähi-infra punaisella
ETM, R: Ch7, G: Ch4, B: Ch5
IHS-värikoordinaatisto• RGB-koordinaatiston lisäksi myös muita
värikoordinaatistoja• IHS:
Intensity (voimakkuus): värin kirkkaus
Hue (sävy): värin aallonpituus
Saturation (kylläisyys): värin puhtaus tai harmaus• Joskus halutun kuvan kohteen korostamiseksi
kannattaa tehdä muunnos RGB IHS, muokata kuvaa ja tehdä muunnos IHS RGB
IHS-värikoordinaatistoERDAS Imaginen RGB IHS:• Intensity
I = ( M + m ) / 2,jossa M = MAX(R,G,B), m=MIN(R,G,B)ja R,G,B skaalattu välille 0,1
• HueJos M = m, H = 0Jos R = M, H = 60 ( 2 + B – G )Jos G = M, H = 60 ( 4 + R – B )Jos B = M, H = 60 ( 6 + G – R )
• SaturationJos I < 0.5, S = ( M – m ) / ( M + m )Jos I > 0.5, S = ( M – m ) / ( 2 – M – m )
IHS-värikoordinaatisto• Porvoo: ETM 321 ja Intensity (voimakkuus)
IHS-värikoordinaatisto• Porvoo: ETM 321 ja Hue (sävy)
IHS-värikoordinaatisto• Porvoo: ETM 321 ja Saturation (kylläisyys)
Suhdekuvat: chA/chB
• Jaetaan kanava A kanavan B arvolla pikseleittäin
• Esimerkiksi instrumentin NIR-kanava näkyvän valon aallonpituusalueen jollakin kanavalla
• Saadaan eri kanavien erot korostettuna esille• Esimerkiksi kasvillisuuden ja kasvittomien
alueiden erot (eri maankäyttöluokkien erot)
Heijastussuhde eri aallonpituuksilla• Erilaisista maastokohteista
saatava heijastussuhde erilainen eri aallonpituuksilla
• Korostuu kanavasuhteessa• Esim. vedellä ja teillä on
alhainen heijastus lähi-infralla, punaisella suurempi
• Kasvillisuudella päinvastoin• NIR/PUN:
– vedellä hyvin pieni << 1
– kasvillisuudella suuri >> 1
Suhdekuva• Poistetaan kertautuvia tekijöitä, jotka vaikuttavat kaikilla
kanavilla• Esimerkiksi topografia, auringon kulma, varjot• Pienentää samaan maankäyttöluokkaan kuuluvien
kohteiden arvojen vaihtelua eri puolilla kuvaa
• Esim: CH1 CH 2 CH1/CH 2
Lehtimetsä:– auringossa 48 50 0.96– varjossa 18 19 0.95
Havumetsä:– auringossa 31 45 0.69– varjossa 11 16 0.69
Suhdekuva
• Myös hyväkuntoisen ja huonokuntoisen kasvillisuuden ero
• NIR/PUN- suhde korkea terveellä kasvillisuudella
• Alhaisempi sairaalla (tai syksyllä), koska
lehtivihreän tuotto alhaisempaa
lehtivihreän absorptio punaisella kanavalla pienempi
OIF-optimum index factor• Paras kolmen suhdekuvan yhdistelmä• Kanavasuhteita on monikanavaisella
kuvalla n(n-1) kappaletta• Kaikkien visuaalinen vertailu on kova
homma• Hyödynnetään
– kunkin suhdekuvan varianssi– korrelaatiota muihin suhdekuviin– suurin varianssi ja pienin korrelaatio sisältää
eniten informaatiota alkuperäisistä kuvista
Ongelmia
• Suhdekuvissa erilaiset maastokohteet (eri harmaasävyt) voivat saada saman arvon jos harmaasävyjen suhde on sama
• Kannattaa hyödyntää yhdessä jonkin alkuperäisen kanavan kanssa, jolloin sävyerotkin näkyvät
Suhdekuvia
• Voidaan käyttää myös monimutkaisempia yhdistelmiä:
(CH_A - CH_B) / (CH_C - CH_B)
• Eliminoidaan kanavalla B erottuvat haittatekijän/kohinan (ilmakehä) vaikutus kanavasuhteesta
Esimerkkejä kanavasuhteista
• pun/nir (TM3/TM4)– vesi ja tiet: suuri arvo– kasvit :pieni
• infrapuna/vih (TM5/TM2)– kasvit : yleensä suuri
• pun/fir (TM3/TM7) (fir= far infrared)– tiet ja rakennukset suuri arvo
Esimerkki
• TM7 (2.2 m) / TM1 (0.48 m): hiekkaiset alueet vaaleita
• TM 1.9.1990• Alue: Jebel
Bishri, Syyria
Esimerkki
• ETM 29.1.1999
EsimerkkiMuutokset• Vihreä: hiekkaa
enemmän 1990• Punainen: hiekkaa
enemmän 1999
• HUOM: Kuvat on otettu eri vuoden-aikaan, joten muutok-set voivat johtua myös vuodenajan mukaisista vaihte-luista kuten maaperän kosteuden muutok-sista
Erotuskuvat
• Vähennetään kanavan A arvo kanavan B arvosta
TAI
• Vähennetään eri ajankohtien kuvia toisistaan
Eri ajankohtien kuvien erotus -muutosten seuranta
• Yksinkertainen tapa löytää kuva-alueella tapahtuneet muutokset eri ajankohtina
• Muuttumattomat alueet saavat arvoja lähellä nollaa
• Muuttuneet alueet joko positiivisia / negatiivisia arvoja
Eri ajankohtien erotuskuvat
• Luontaiset muutokset poistettava ennen vertailua:
- valaistusmuutokset
- kohina kuvilla
- radiometrisen kalibroinnin erot
- kasvillisuuden ja luonnonolojen luonnollinen vaihtelu vuoden aikana
ESIMERKKI: TM 191/12 20.7.1987 vs. ETM 193/11 29.7.2000, kanava 3 (pun)
Erotus kuvan eri kanavilla• Vähennetään esim. ilmakehän tai muun koko
kuvalla olevan kohinan vaikutusta• NIR-PUN: kasvillisuusindeksi
Summakuvat
• CH_A + CH_B
• Reunakuvat (esim. tiestö) + alkuperäinen kuva
• Helpottaa tulkintaa
Kuvien kertominen keskenään
• CH_A*CH_B
• Voimistaa maanpinnan muotoja
• Voidaan maskata turhat alueet pois kuvalta:
turha==0
muut==1
Kuva-indeksejä
• Kasvillisuusindeksit merkittävimpiä
• Lasketaan eri aallonpituusalueiden kanavia yhdistelemällä
• Useanlaisia versioita, kaikissa mitä suurempi arvo, sitä enemmän kasvillisuutta
RVI (ratio vegetation index)• RVI = NIR / PUN• arvot: 0 - ääretön
NDVI: Normalized Difference Vegetation Index
• NDVI = (NIR-PUN)/(NIR+PUN)
• arvot: -1 - +1• käytetyin ja
tunnetuin• vedellä
negatiivisia (ja alhaisia) arvoja
• metsä 0.5-0.8• avomaat 0.5-0.6
NDVI
• huhtikuu 19• pilvet näkyvät
harmaana• lehtivihreä-alueet
valkoisena• luminen lappi
tummana, • vesi mustana
IPVI: Infrared Percentage Vegetation Index:
• IPVI = NIR/(NIR+PUN)
• vaihteluväli: 0 - +1
Vielä indeksejä:• Difference Vegetation Index (DVI):
DVI = NIR - PUN
arvot: -max(PUN) - max(NIR)
• Transformed Vegetation Index (TVI):
TVI = ((NIR-PUN)/(NIR+PUN)+0.5)0.5 x 100
Terrill W. Ray: A FAQ on Vegetation in Remote Sensing
http://www.yale.edu/ceo/Documentation/rsvegfaq.html
Indeksien erotus-muutokset kasvillisuudessa
Erotuskuva
Eri ajankohdan kuvilta laskettujen indeksien erotus havainnollistaa maastossa tapah-tunutta muutosta
Erotuskuva jaettuna luokkiin
Tasseled cap-muunnos
• Lineaarinen muunnos TM-instrumentille
• Muodostetaan eri kanavien arvoista vakiokertoimien avulla:
– kirkkaus
– vihreys
– kosteus
Tasseled cap (Landsat-7 ETM)
• Kirkkaus = 0.3561 * Ch1 + 0.3972 * Ch2 + 0.3904 * Ch3 + 0.6966 * Ch4 + 0.2286 * Ch5 + 0.1595 * Ch7
- Vastaa maaperän heijastusta
• Vihreys = -0.3344 * Ch1 - 0.3544 * Ch2 - 0.4556 * Ch3 + 0.6966 * Ch4 - 0.0242 * Ch5 - 0.2630 * Ch7
- Kasvillisuuden määrä
• Kosteus= 0.2626 * Ch1 + 0.2141 * Ch2 + 0.0926 * Ch3 + 0.0656 * Ch4 - 0.7629 * Ch5 - 0.5388 * Ch7
- Maaperän ja kasvillisuuden kosteus
Kirkkaus
Vihreys
Kosteus
R: kirkkausG: vihreysB: kosteus
Karhunen - Löwe muunnos
• Kanavien lukumäärän ja turhan informaation pienentämiseksi
• Poistetaan kanavien välistä korrelaatiota
eli samaa tietoa eri kanavilla
(sama kohde kirkas usealla kanavalla)
• Esim: TM-kuva, 6 kanavaa -> muunnettu kuva, 3 kanavaa
Karhunen -Löwe muunnos
• y=Ax
jossa
x alkuperäiset pikselit
y muunnetut arvot
A muunnosmatriisi
• Tiivistetään alkuperäisen kuvan informaatio muutamaan kanavaan
Karhunen-Löwe muunnos
• Eri tapoja tehdä muunnosmatriisi:
- Pääkomponenttimuunnos: maksimoidaan koko datan hajonta
- Kanoninen korrelaatio: maksimoidaan luokkien väliset erot
• Perustuu koordinaattien kiertoon suurimman varianssin suuntaan
Pääkomponenttimuunnos
• PCA: Principal Component Analysis
• Keskiarvovektori ja kovarianssimatriisi (ilmaisee datan hajonnan koordinaattiakselien suhteen)
• Perusoletus:
suuri varianssi - paljon informaatiota (ja valitettavasti kohinaa)
pieni varianssi - vähän tarpeellista tietoa
Pääkomponentti
kanava2
kanava1
1. pääkom´.
Pääkomponentti
• Landsat ETM: kuusi kanavaa, 6-ulotteinen avaruus
• Yleensä valitaan kolme ensimmäistä pääkomponenttia
PCA esimerkki 1• Porvoo: Landsat ETM 743 ja PCA 123
• Pääkomponenttikuvat on laskettu kaikista ETM-kuvan kanavista
PCA esimerkki 1• Landsat ETM 743 ja PCA 1
PCA esimerkki 1• Landsat ETM 743 ja PCA 2
PCA esimerkki 1• Landsat ETM 743 ja PCA 3
PCA esimerkki 1• Landsat ETM 743 ja PCA 4
PCA esimerkki 1• Landsat ETM 743 ja PCA 5
PCA esimerkki 1• Landsat ETM 743 ja PCA 6
PCA esimerkki 2
• Pääkomponenttien osuus alkuperäisen kuvan hajonnasta:
1. 73 % 2. 19 % 3. 3 % 4. 0.7 % 5. 0.3 % 6. 0.2 %
• Kolmella ensimmäisellä 99% hajonnasta
Decorrelation strecth
• Kuvan ehostusmenetelmä
• Skaalataan (stretch) kaikkien pääkomponenttikanavien varianssit vastaamaan ensimmäisen kanavan varianssia.
• Suoritetaan pääkomponenttimuunnoksen käänteismuunnos, eli palataan takaisin alkuperäiseen kuva-avaruuteen.
Alueellisen erotuskyvyn parantaminen
• Yleensä:
Hyvä alueellinen erotuskyky - huono spektraalinen erotuskyky
Huono alueellinen erotuskyky - hyvä spektraalinen erotuskyky
• Esimerkiksi
Spot-5 pankromaattinen: 5m, 0.48 - 0.71 µm
Spot-5 monikanava: 10m, Green: 0.50 – 0.59 µm, red: 0.61 – 0.68 µm, NIR: 0.78 – 0.89 µm, 20m, SWIR: 1.58 – 1.75 µm
Alueellisen erotuskyvyn parantaminen
• Sköldvik Landsat ETM 342 ja PAN
Alueellisen erotuskyvyn parantaminen• Sköldvik Landsat ETM 342 sekä PAN- ja monikanavakuvan
keskiarvokuva
Alueellisen erotuskyvyn parantaminen• Sköldvik Landsat ETM 342 ja pääkomponenttimuunnos-
menetelmällä terävöitetty kuva