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

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-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 Alue: Jebel Bishri, Syyria

Esimerkki ETM 29.1.1999

Esimerkki Muutokset 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: kirkkaus G: vihreys B: 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 1. pääkom´. kanava2 kanava1

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: 73 % 19 % 3 % 0.7 % 0.3 % 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