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

• 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:

1/25 1/25 1/25 1/25 1/25

1/25 1/25 1/25 1/25 1/25

1/25 1/25 1/25 1/25 1/251/25 1/25 1/25 1/25 1/251/25 1/25 1/25 1/25 1/25

•Keskiarvoistava 3x3 maski:

1/16 2/16 1/16

2/16 4/16 2/16

1/16 2/16 1/16

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

=> Laite taan suuruus- jä rjestykseen:

M ediaani: 35

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:

1 1 1

0 0 0

-1 -1 -1

SUODATUS• Kuvafunktion

derivaatta pystysuuntaan saadaan suodattimella:

1 0 -1

1 0 -1

1 0 -1

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-värikoordinaatistoERDAS 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

• HueJos M = m, H = 0Jos R = M, H = 60 ( 2 + B – G )Jos G = M, H = 60 ( 4 + R – B )Jos B = M, H = 60 ( 6 + G – R )

• SaturationJos 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

EsimerkkiMuutokset• 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: kirkkausG: vihreysB: 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

kanava2

kanava1

1. pääkom´.

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:

1. 73 % 2. 19 % 3. 3 % 4. 0.7 % 5. 0.3 % 6. 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