1 / 19

Hyperspektridatan tulkinta

Hyperspektridatan tulkinta. Maa-57.3210 Kaukokartoitusaineiston luokittelu ja mallintaminen 2. luento 26.1.10 Juho Lumme. Luennon aiheita. Kuvaavat spektrometrit Hyperspektrikuva Heijastusspektri Hyperspektridatan tulkintaa visuaalinen tulkinta piirteiden irroitus

ashlyn
Download Presentation

Hyperspektridatan tulkinta

An Image/Link below is provided (as is) to download presentation Download Policy: Content on the Website is provided to you AS IS for your information and personal use and may not be sold / licensed / shared on other websites without getting consent from its author. Content is provided to you AS IS for your information and personal use only. Download presentation by click this link. While downloading, if for some reason you are not able to download a presentation, the publisher may have deleted the file from their server. During download, if you can't get a presentation, the file might be deleted by the publisher.

E N D

Presentation Transcript


  1. Hyperspektridatantulkinta Maa-57.3210 Kaukokartoitusaineiston luokittelu ja mallintaminen 2. luento 26.1.10 Juho Lumme

  2. Luennon aiheita • Kuvaavat spektrometrit • Hyperspektrikuva • Heijastusspektri • Hyperspektridatan tulkintaa • visuaalinen tulkinta • piirteiden irroitus • Hyperspektrikuvan luokittelu • Sovelluksia

  3. Kuvaavat spektrometrit • Lentokone • AVIRIS • HyMap • AISA (Specim) • Satelliitti • Hyperion (NASA – EO-1 - 2000) • PROBA (ESA - 2001) • TANSO (GOSAT-Japani) • EnMAP (Saksa – 2013?) • UAV (UnmannedAerialVehicle)

  4. Hyperspektrikuva • Useita kapeita peräkkäin sijaitsevia kanavia • 3-ulotteinen tietojoukko (data cube) • Hyvä spatiaalinen resoluutio • Erittäin hyvä spektraalinenresoluutio

  5. Heijastusspektri • Materiaalin heijastaman säteilyn voimakkuus aallonpituuden funktiona • Eri materiaalien heijastusspektrit usein yksilöllisiä • Spektrikirjastot • http://speclib.jpl.nasa.gov/ • http://speclab.cr.usgs.gov/spectral.lib06/

  6. Visuaalista tulkintaa • Pystytään esittämään vain 3 kanavaa samanaikaisesti • Tietokoneen näyttö • RGB • Ihmisen näköjärjestelmä • kolmen tyyppisiä tappisoluja • värisokeilla voi jokin tyyppi puuttua

  7. Piirteiden valinta ja irroitus • Hyperspektridatasta on erityisen tärkeää löytää oleellinen tieto • Turha data hidastaa/vaikeuttaa tulkintaa • Oleelliset piirteet voivat olla hyvin vaikeasti erottuvia (katoaa massaan) • Piirteiden valinta • Piirteiden irroitus • Kanavista voidaan laskea uusia piirteitä: suhde, erotus, indeksit, kertominen

  8. Piirteiden irroitusmenetelmiä • Pääkomponenttimuunnos • PCA - PrincipalComponentAnalysis • PCA kääntää kuva-avaruuden akseleita siten että niiden varianssi maksimoituu • Hyperspektrikuvan data pakataan muutamalle ensimmäiselle pääkomponenttikanavalle • Suosittu menetelmä • Erityiset kohteet erottavat piirteet saattavat siirtyä loppupään pääkomponenttikanaville, joiden oletetaan olevan kohinaa ja epäoleellista tietoa

  9. Piirteiden irroitusmenetelmiä • Minimum Noise Fraction (MNF) • Pienentää datan määrää erottamalla kohinaa • Kaksi pääkomponenttimuunnosta • perustuu estimoituunkohinankovarianssimatriisiin • on perinteinen pääkomponenttimuunnos kohinasuodatetulle

  10. Luokittelualgoritmeja • Spectral Angle Mapper • Spectral Correlation Mapper • Spectral Unmixing • Spectral Feature Fitting • Tukivektorikone-luokittelija

  11. Spectral Angle Mapper • Yksinkertainen ja nopea • Valoisuuserot vaikuttavat eniten vektorien pituuteen – ei niiden väliseen kulmaan!

  12. Spectral Correlation Mapper • spektrivektorit standardisoidaan • vähentämällä spektrivektoreista vektorien keskiarvo

  13. Spectral Unmixing • Hyperspektriaineiston kuvapikselit kuvaavat usein alueita, jotka koostuvat eri materiaaleista • Selvitetään pikselissä esiintyvien materiaalien suhteelliset osuudet • Puhtaiden materiaalien heijastusspektri pitää tuntea • Metsässä valoisuuserot vaikeuttavat • Materiaalien spektrit sekoittuvat lineaarisesti • Lineaarinen SpectralUnmixing:

  14. Spectral Feature Fitting (SFF) • SFF vertaa tutkittavan kohteen spektriä vastaavaan referenssispektriin • Käyttäähyväksimateriaalienyksilöllisiäabsorptio-ominaisuuksia • Absorptiopiikkien syvyys ja muoto • Usein käytetään pienimmän neliösumman tekniikkaa • Esim. kasvin lehtivihreä ja sen sisältämät vesimolekyylit absorpoivat säteilyä • Mineraaleilla myös paljon absorptiopiirteitä Kuva: http://cstars.ucdavis.edu/classes/mexusenvi/images/tut10_6.gif

  15. Tukivektorikone-luokittelija • SVM - SupportVector Machine • Ohjattuja opetusmenetelmiä • Soveltuu hyvin hyperspektridatan tulkintaan • SVM erottaa moniulotteisen piirreavaruuden näytejoukot • maksimoimalla havaintoluokkien välisten marginaalitasojen välimatkaa • minimoimalla luokitteluvirheiden lukumäärää • aineistoa analysoidaan suoraan hyperdimensioisessa piirreavaruudessa • Kernelifunktio • piirreavaruus kuvataan useampidimensioiseen avaruuteen • ei-separoituvat näytejoukot saadaan separoituviksi

  16. Neurovekko-luokittelija

  17. Sovelluksia • Ilmakehä (aerosolit, pilvet, ilmakehän kaasut, vesihöyry) • Metsät (puulajit) • Maatalous (kasvitaudit) • Geologia (mineraalit, maaperätyypit) • Vesi (klorofylli, orgaaniset aineet, sedimentit) • Jää/lumi (vesipitoisuus, hiukkasten koko)

  18. Hyperspektritutkimusta Suomessa • TKK • GL • VTT • GTK • SYKE • Metla • Pöyry Group • Specim

  19. Lisää tietoa • Diplomityö, Juho Lumme • http://foto.hut.fi/publications/diplomityot/koko/lumme_juho.pdf • Spektrikirjastoja: • http://speclib.jpl.nasa.gov/ • http://speclab.cr.usgs.gov/spectral.lib06/ • Remotesensingtutorial • http://rst.gsfc.nasa.gov/Sect13/Sect13_5.html

More Related