1 / 94

Maa-57.351 Kaukokartoituksen yleiskurssi

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

hasad-barnett
Download Presentation

Maa-57.351 Kaukokartoituksen yleiskurssi

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. Maa-57.351 Kaukokartoituksen yleiskurssi Luento 5: • Kuvan ehostaminen • Yksi kuva: histogrammi, suodatus • Monikanavakuva: suhde- ja erotuskuva • Muunnokset: Karhunen-Löwe, Tasselled Cap

  2. 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

  3. HISTOGRAMMI • Graafinen esitysmuoto harmaasävyjen esiintymistodennäköisyydelle • Vaaka-akselilla kuvataan pikselin harmaasävyarvoa ja pystysuoralla akselilla kuvassa esiintyvien harmaasävyarvojen lukumäärää tai esiintymistodennäköisyyttä

  4. HISTOGRAMMI • Kuvan harmaasävyt yleensä kapeammalla harmaasävyalueella kuin mitä monitori käyttää • Venytetään harmaasävyt laajemmalle alueelle  kuvasta saa paremmin selvää

  5. HISTOGRAMMI • Histogrammin tasoittaminen: Venytystä painotetaan harmaasävyjen esiintymistodennäköisyyden mukaan • Tiettyjä harmaasävyjä paljon  niiden esittämiseen käytetään enemmän harmaasävyjä kuin vähemmän esiintyvien harmaasävyjen esittämiseen

  6. HISTOGRAMMI • Epälineaarisesti tasoitettu histogrammi: voidaan määritellä myös muita matemaattisia funktioita / funktioiden yhdistelmiä • Esimerkiksi muunnetun histogrammin pitäisi muistuttaa normaalijakaumaa

  7. HISTOGRAMMI • Kynnystäminen: jaetaan kuvan harmaasävyt kahteen ryhmään • Kynnysarvoa pienemmät harmaasävyt -> 0 • Kynnysarvoa suuremmat harmaasävyt -> 1 • Esim. vesialueet / maa-alueet

  8. 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

  9. HISTOGRAMMI • Level Slicing: Kasvillisuusindeksikuva

  10. SUODATUS • Konvolvoidaan kuva f maskilla / suodattimella h g = f * h • Kuvafunktion pehmentäminen: poistetaan kohinaa • Kuvafunktion terävöittäminen: korostetaan reunaviivoja

  11. SUODATUS Kuvan pehmentäminen • Poistetaan datan siirrossa ja instrumentissa syntyneitä satunnaisia häiriöitä • Keskiarvosuodatus • Mediaanisuodatus

  12. SUODATUS • Perustuu suodatinmaskin käyttöön • Yksinkertainen keskiarvoistava 5x5 maski: • Keskiarvoistava 3x3 maski:

  13. SUODATUS • Periaate: • Pikselin arvoksi saadaan:

  14. SUODATUS • Alkuperäinen PAN ja 3x3 suodatusikkunalla keskiarvosuodatettu kuva

  15. SUODATUS • Alkuperäinen PAN ja 7x7 suodatusikkunalla keskiarvosuodatettu kuva

  16. 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

  17. SUODATUS Mediaanisuodatus

  18. SUODATUS • Alkuperäinen PAN ja 3x3 suodatusikkunalla mediaanisuodatettu kuva

  19. SUODATUS • Alkuperäinen PAN ja 7x7 suodatusikkunalla mediaanisuodatettu kuva

  20. 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

  21. SUODATUS • Kuvafunktion derivaatta vaakasuuntaan saadaan suodattimella:

  22. SUODATUS • Kuvafunktion derivaatta pystysuuntaan saadaan suodattimella:

  23. SUODATUS • Kummastakin derivaattakuvasta otetaan itseisarvo...

  24. SUODATUS • …ja lasketaan keskiarvo saadaan 1. derivaatan suuruus

  25. TEKSTUURI • Harmaasävyjen säännöllinen alueellinen muutos, kohteen pintakuviointi • Määrittää kohteiden "sileyden" tai "karkeuden" • Erilaisilla kohteilla erilainen tekstuuri  voidaan käyttää apuna kuvan tulkinnassa

  26. 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

  27. TEKSTUURI • Varianssi ja jakauman vinous, 7x7 ikkuna

  28. Monikanavaisen kuvan ehostaminen • Oleellinen tieto esille suuresta tietomäärästä eli instrumentin kaikista kanavista • Kaikki kanavat eivät ole hyödyllisiä -> jätetään käyttämättä

  29. Visuaalinen tarkastelu • Kanavittain (mustavalkoisena) tai • Useita kanavia kerrallaan (värikuvana)

  30. Landsat-7 ETM, 29.7.2000: Näkyvän valon kanavat Infrapuna-alueen kanavat

  31. 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

  32. 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

  33. Tosivärikuva • Tosivärikuva: esitetään kanavat niiden luonnollisissa väreissä: • sininen kanava sinisenä • vihreä vihreänä • punainen punaisena • Onnistuu vain instrumenteilla, joilla on nämä kolme kanavaa (esim. TM)

  34. Väärävärikuva • Esitetään kanavia, joita ei silmällä erota / näkyvän valon kanavia väärässä järjestyksessä • Esim: • vihreä kanava sinisellä värillä • punainen vihreällä • lähi-infra punaisella

  35. ETM, R: Ch7, G: Ch4, B: Ch5

  36. 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

  37. 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 )

  38. IHS-värikoordinaatisto • Porvoo: ETM 321 ja Intensity (voimakkuus)

  39. IHS-värikoordinaatisto • Porvoo: ETM 321 ja Hue (sävy)

  40. IHS-värikoordinaatisto • Porvoo: ETM 321 ja Saturation (kylläisyys)

  41. 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)

  42. 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

  43. 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

  44. 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

  45. 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

  46. 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

  47. Suhdekuvia • Voidaan käyttää myös monimutkaisempia yhdistelmiä: (CH_A - CH_B) / (CH_C - CH_B) • Eliminoidaan kanavalla B erottuvat haittatekijän/kohinan (ilmakehä) vaikutus kanavasuhteesta

  48. 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

  49. Esimerkki • TM7 (2.2 m) / TM1 (0.48 m): hiekkaiset alueet vaaleita • TM 1.9.1990 • Alue: Jebel Bishri, Syyria

  50. Esimerkki • ETM 29.1.1999

More Related