Presentation laddar. Vänta.

Presentation laddar. Vänta.

Pontus Olofsson, Department of Physical Geography and Ecosystems Analysis, Faculty of Science, Lund University FA för FPO 026, föresläsning 2.

Liknande presentationer


En presentation över ämnet: "Pontus Olofsson, Department of Physical Geography and Ecosystems Analysis, Faculty of Science, Lund University FA för FPO 026, föresläsning 2."— Presentationens avskrift:

1

2 Pontus Olofsson, Department of Physical Geography and Ecosystems Analysis, Faculty of Science, Lund University FA för FPO 026, föresläsning 2

3 Spektral reflektans •Reflektans = solstrålning ”studsar” på ett objekt (förenklat) •Sensor registrerar reflektansen •Olika objekt reflekterar olika •Medför: urskilja objekt då spektral reflektans skiljer sig.

4

5 Upplösning (”resolution”) Fem ”sorters upplösningar”: 1. Geometrisk (spatiell, ”spatial”) •Minsta avståndet mellan två objekt sett från sensorn •T ex, 30 m för LANDSAT TM och ETM+, och 1 km för SPOT-VEGETATION •På bekostnad av areell och temporal upplösning •QuickBird: 0.6 m

6 2. Temporal •Hur ofta man får data för en punkt •T ex, 16 dygn för LANDSAT-7, 1 dygn för Terra, och var 15:e minut för Meteosat •Hög temporal upplösning  kontinuerliga tidsserier •Ofta viktig egenskap •Svårt (omöjligt) att kombinera med geometrisk upplösning •Terra/MODIS 1 dygn och 250 m

7 3. Spektral •I hur många våglängdsband sensorn registrerar reflektans (benämns ofta ”kanaler” el. ”spektrala band”) •Satellitdata ofta vida överlägset flybildsdata •ETM+ 8 kanaler, MODIS 36 och Hyperion 220 •Utnyttjar atmosfäriska fönster – bandbredden viktig

8 4. Areell •Hur stort område som täcks in av en scen •Bestäms av svepvidden (”swath width”) •T ex, QuickBird 16.5 km, ETM+ 180 km, MODIS 1200 km, Meteosat ¼ av jorden MeteosatTvå MODIS-scener

9 5. Radiometrisk •Med vilken precision lagras data •Ofta 8 bitar, dvs värden mellan 0 och 255 •Kallas DN-värden (digital number) eller ”brightness values” •MSS: 6 bitar

10 FA-mjukvara •Geomatica (PCI Geomatics) •Ortho/Sip (SpaceMetric) •SocetSet (IIT/BAE Systems) •Erdas Imagine 8.7 (Leica GeoSystems) •IDRISI (Clark Labs, Clark University)

11 Geomatica v8.2 •PCI Geomatics, Kanada •Subprogram ”ImageWorks” eller ”Focus” •Lagrar geografisk data i databas: PCIDSK (*.pix) •Även andra format kompatibla •Bilder lagras som channels •Annan information som segment •Projekt sparas som projektfiler (*.gpr)

12 Digital bildbehandling 1.Input (få tag i och bestämma vilka data som ska behandlas) 2.Förprocessering: geometrisk och radiometrisk korrektion 3.Förstärkning: t ex kontraststräckning, filtrering, bilda index 4.Fotogrammetri: flygbildstolking (ej digitalt) 5.Klassificering: supervised eller unsupervised 6.Output och display: t ex kartor och GIS

13 Bildförstärkning (image enhancement) •Förändrar hur en bild uppfattas •Förändrar DN-värdena T ex kontrastförstärkning •Rådata liten kontrast  vill förstärka kontrasten •Genom t ex linjär kontraststräckning: •Liten andel av låga DN-värden sätts till 0 (= svart) •Lika andel av höga DN -värden sätts till 255 (= vitt) •Återstående linjärt distribuerade däremellan

14 Bildförstärkning (image enhancement) Exempel: ingen förstärkning > >255 x -> x

15 Histo min  0 Histo max -255  255 Histo min  Histo max  Bildförstärkning (image enhancement) Exempel: linjär kontrastförstärkning Bildförstärkning (image enhancement)

16 Exempel: LUT (lookup table) In -> Out 0 -> 0 1 -> 0 2 -> 1 3 -> 1 … 255 -> 255

17 Bildförstärkning (image enhancement) Andra metoder: •En mängd andra kontraststräckningar •Indexering, t ex NDVI •Aritmetiska operationer på kanalerna •False Colour Composite (FCC) •LUT •Bildfiltrering

18 Grass marshTree swamp Band 7, rawRatio Bands 7/5 Dryland trees Bildförstärkning (image enhancement)

19 Bildfiltrering (image filtering) •Opererar på ett fönster (kernel), vanligtvis 3  3, 5  5, 7  7 eller 9  9 •Spatiell frekvens: “The number of changes in DN-value per unit distance for any particular part of an image” •Few changes? Low frequency •Many changes? High frequency

20 Bildfiltrering (image filtering) 1. Low Pass Filters •Filtrerar ut höga frekvenser (smoothing) •Undertrycker skarpa kanter •Opererar ofta på medelvärdet på omkringliggande pixlar m h a vikter

21 Bildfiltrering (image filtering) 2. High Pass Filters •Tar bort lågfrekventa förändringar •Framhäver högfrekventa förändringar •Kanter och detaljer i bilden förstärks •T ex Edge Sharpening Filter och Edge Detection Filter

22 Bildklassificering (image classification) Bygger på spektrala signaturer Två typer: •Unsupervised -Klassificering utan förhandsinformation -Datorn separerar data i olika klasser •Supervised -Använder sk träningsytor insamlade i fält

23 Unsupervised klassificering Vanligtvis clustering: •Spektralt lika DN-värden klumpas ihop i grupper (kluster) •Ingen input förutom satellitdata T ex k-Means Clustering: •DN-värden delas in i k st kluster •k förutbestämt •Spektralt avstånd mellan DN-värden och klustercenter beräknas  DN-värde tillskrivs ett kluster

24 Unsupervised klassificering Exempel på k-Means Clustering med fyra kluster:

25 Supervised klassificering Mängd olika metoder, Maximum Likelihood vanligast: •Pixel på position x tillhör klass  i för alla i  j om P{  i är den korrekta klassen för pixel på position x} > P{  j är den korrekta klassen för pixel på position x}, vilka beräknas från träningsdata Andra vanliga metoder: •Parallellepiped-klassning •Minsta avståndsklassning •Neurala nätverk

26 Supervised klassificering Exempel på parallellepipedklassning: Supervised klassificering

27 Klassificeringsresultat Min distMLUnsupervised Coniferous Mixed forest Poor forest Klassificeringsresultat

28


Ladda ner ppt "Pontus Olofsson, Department of Physical Geography and Ecosystems Analysis, Faculty of Science, Lund University FA för FPO 026, föresläsning 2."

Liknande presentationer


Google-annonser