Maa Kaukokartoituksen yleiskurssi

Esitys aiheesta: "Maa Kaukokartoituksen yleiskurssi"— Esityksen transkriptio:

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 varjossa Havumetsä: auringossa varjossa

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
Alue: Jebel Bishri, Syyria

50 Esimerkki ETM

51 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

52 Erotuskuvat Vähennetään kanavan A arvo kanavan B arvosta TAI
Vähennetään eri ajankohtien kuvia toisistaan

53 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

54 Eri ajankohtien erotuskuvat
Luontaiset muutokset poistettava ennen vertailua: - valaistusmuutokset - kohina kuvilla - radiometrisen kalibroinnin erot - kasvillisuuden ja luonnonolojen luonnollinen vaihtelu vuoden aikana

55 ESIMERKKI: TM 191/12 20.7.1987 vs. ETM 193/11 29.7.2000, kanava 3 (pun)

56 Erotus kuvan eri kanavilla
Vähennetään esim. ilmakehän tai muun koko kuvalla olevan kohinan vaikutusta NIR-PUN: kasvillisuusindeksi

57 Summakuvat CH_A + CH_B Reunakuvat (esim. tiestö) + alkuperäinen kuva
Helpottaa tulkintaa

58 Kuvien kertominen keskenään
CH_A*CH_B Voimistaa maanpinnan muotoja Voidaan maskata turhat alueet pois kuvalta: turha==0 muut==1

59 Kuva-indeksejä Kasvillisuusindeksit merkittävimpiä
Lasketaan eri aallonpituusalueiden kanavia yhdistelemällä Useanlaisia versioita, kaikissa mitä suurempi arvo, sitä enemmän kasvillisuutta

60 RVI (ratio vegetation index)
RVI = NIR / PUN arvot: 0 - ääretön

61 NDVI: Normalized Difference Vegetation Index
NDVI = (NIR-PUN)/(NIR+PUN) arvot: käytetyin ja tunnetuin vedellä negatiivisia (ja alhaisia) arvoja metsä avomaat

62 NDVI huhtikuu 19 pilvet näkyvät harmaana lehtivihreä-alueet valkoisena
luminen lappi tummana, vesi mustana

63 IPVI: Infrared Percentage Vegetation Index:
IPVI = NIR/(NIR+PUN) vaihteluväli:

64 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

65 Indeksien erotus-muutokset kasvillisuudessa

66 Erotuskuva Eri ajankohdan kuvilta laskettujen indeksien erotus
havainnollistaa maastossa tapah- tunutta muutosta

67 Erotuskuva jaettuna luokkiin

68 Tasseled cap-muunnos Lineaarinen muunnos TM-instrumentille
Muodostetaan eri kanavien arvoista vakiokertoimien avulla: kirkkaus vihreys kosteus

69 Tasseled cap (Landsat-7 ETM)
Kirkkaus = * Ch * Ch * Ch * Ch * Ch * Ch7 - Vastaa maaperän heijastusta Vihreys = * Ch * Ch * Ch * Ch * Ch * Ch7 - Kasvillisuuden määrä Kosteus= * Ch * Ch * Ch * Ch * Ch * Ch7 - Maaperän ja kasvillisuuden kosteus

70 Kirkkaus

71 Vihreys

72 Kosteus

73 R: kirkkaus G: vihreys B: kosteus

74 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

75 Karhunen -Löwe muunnos
y=Ax jossa x alkuperäiset pikselit y muunnetut arvot A muunnosmatriisi Tiivistetään alkuperäisen kuvan informaatio muutamaan kanavaan

76 Karhunen-Löwe muunnos
Eri tapoja tehdä muunnosmatriisi: - Pääkomponenttimuunnos: maksimoidaan koko datan hajonta - Kanoninen korrelaatio: maksimoidaan luokkien väliset erot Perustuu koordinaattien kiertoon suurimman varianssin suuntaan

77 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

78 Pääkomponentti 1. pääkom´. kanava2 kanava1

79 Pääkomponentti Landsat ETM: kuusi kanavaa, 6-ulotteinen avaruus
Yleensä valitaan kolme ensimmäistä pääkomponenttia

80 PCA esimerkki 1 Porvoo: Landsat ETM 743 ja PCA 123
Pääkomponenttikuvat on laskettu kaikista ETM-kuvan kanavista

81 PCA esimerkki 1 Landsat ETM 743 ja PCA 1

82 PCA esimerkki 1 Landsat ETM 743 ja PCA 2

83 PCA esimerkki 1 Landsat ETM 743 ja PCA 3

84 PCA esimerkki 1 Landsat ETM 743 ja PCA 4

85 PCA esimerkki 1 Landsat ETM 743 ja PCA 5

86 PCA esimerkki 1 Landsat ETM 743 ja PCA 6

87 PCA esimerkki 2 Pääkomponenttien osuus alkuperäisen kuvan hajonnasta:
73 % 19 % 3 % 0.7 % 0.3 % 0.2 % Kolmella ensimmäisellä 99% hajonnasta

88

89 Decorrelation strecth
Kuvan ehostusmenetelmä Skaalataan (stretch) kaikkien pääkomponenttikanavien varianssit vastaamaan ensimmäisen kanavan varianssia. Suoritetaan pääkomponenttimuunnoksen käänteismuunnos, eli palataan takaisin alkuperäiseen kuva-avaruuteen.

90

91 Alueellisen erotuskyvyn parantaminen
Yleensä: Hyvä alueellinen erotuskyky - huono spektraalinen erotuskyky Huono alueellinen erotuskyky - hyvä spektraalinen erotuskyky Esimerkiksi Spot-5 pankromaattinen: 5m, 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

92 Alueellisen erotuskyvyn parantaminen
Sköldvik Landsat ETM 342 ja PAN

93 Alueellisen erotuskyvyn parantaminen
Sköldvik Landsat ETM 342 sekä PAN- ja monikanavakuvan keskiarvokuva

94 Alueellisen erotuskyvyn parantaminen
Sköldvik Landsat ETM 342 ja pääkomponenttimuunnos-menetelmällä terävöitetty kuva