940 likes | 1.08k Views
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
E N D
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: • Keskiarvoistava 3x3 maski:
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
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:
SUODATUS • Kuvafunktion derivaatta pystysuuntaan saadaan suodattimella:
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
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-värikoordinaatisto ERDAS 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 • Hue Jos M = m, H = 0 Jos R = M, H = 60 ( 2 + B – G ) Jos G = M, H = 60 ( 4 + R – B ) Jos B = M, H = 60 ( 6 + G – R ) • Saturation Jos 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