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