FA för FPO 026, föresläsning 2

Slides:



Advertisements
Liknande presentationer
FA för FPO 026, föresläsning 1
Advertisements

Datalagring Data lagras på olika sätt beroende på vilken lösning man väljer för sitt GIS. Varje lagringstyp har sina för respektive nackdelar. © Ulrik.
Vegetationsklassning med en kombination av SPOT-bilder och LiDAR
Föreläsning 7, Kapitel 7 Designa klasser Kursbok: “Objects First with Java - A Practical Introduction using BlueJ”, David J. Barnes & Michael Kölling.
Basic Security (Grundläggande säkerhet) Methods Of Attack (Attackmetoder)
II130V Konstruktion av webbsidor Välkommen till föreläsning 3 September 2007.
© Anders Broberg, Ulrika Hägglund, Lena Kallin Westin, 2003 Datastrukturer och algoritmer Föreläsning
Nya Leica TPS1200+ Vad är nytt ?.
Sökning i ArcMap Var ligger Kairo?
Klasser och objekt.
Numeriska beräkningar i Naturvetenskap och Teknik
SWEPOS  Framtida utveckling Bo Jonsson Lantmäteriet/SWEPOS
Spatiella egenskaper hos trafiken i operatörsnät Anders Gunnar Spatiella egenskaper hos trafiken i operatörsnät Anders Gunnar Swedish Institute of Computer.
Några standardalgoritmer
©annax1 PC-teknik Minnen. 2 MINNEN Segmenterat minne 16 bits segmentregister + 32 bits offset = 64k*4Gbyte = 512Tb obs! Ofta används inte alla 16 bitarna.
Spektrala Transformer för Media
Programmeringsteknik K och Media
MEDELVÄRDE, MEDIAN & TYPVÄRDE
Digitala bilder. Elektroniska bilder VH Digitala bilder Datorskärmen visar bild m.h.a. pixlar.
Kontinuerliga system: Differentialekvationer
Silberschatz, Galvin and Gagne ©2009 Operating System Concepts – 8 th Edition, Kapitel 13: I/O-system.
© Anders Broberg, Ulrika Hägglund, Lena Kallin Westin, 2004 Datastrukturer och algoritmer Föreläsning 3.
Karin Larsson GIS-centrum Lunds universitet
Introduktionskurs för användare Del 1
Schedule F6: Segmentation and Clustering F7: Multispectral Images (Sune Svanberg) F8: Segmentation and Fitting F9: Segmentation, Recognition and Classification.
Föreläsning 2 Kort Översikt Över Javaspråket. Källkodsformat Unicode används åäöμψζ tillåtna Inte alla miljöer klarar av det Källkod Bytekod Java VM för.
Sverre Wikström, ST-läkare, barnkliniken CSK
1 ITK:P1 Föreläsning 7 Algoritmer och datastrukturer DSV Marie Olsson.
Datorseende TexPoint fonts used in EMF: AA Niels Chr Overgaard 2010.
Datamodeller C21.2 Kursansvarig: Eva Lindh
Persondatorn.
Lantmäteriet, LF-data Geodesi, Dan Norin Nätverks-RTK - var står tekniken i dag? Informationsmöte Växjö Konserthus, 3 december, 2002.
Jonny Karlsson INTRODUKTION TILL PROGRAMMERING Föreläsning 7 ( ) INNEHÅLL: -Klasser -Att definiera egna klasser -Klassvariabler -Klassmetoder.
Jonny Karlsson INTRODUKTION TILL PROGRAMMERING Föreläsning 8 ( ) INNEHÅLL:Klasser: -Konstruktorer -Klassvariabler -Instansmetoder -Privata.
Kartografi Att ha grundläggande kunskaper om kartor, projektioner, koordinatsystem samt kartografisk presentationsteknik gör en till en bättre GIS-användare.
Ljusets reflektion Den vanligaste reflektionen kallas för diffus reflektion och sker när ljuset når en oregelbunden yta och reflekteras lite hur som.
Anslutningar till/från systemenheten?
F1-be-03_PS1 Telekommunikation F1. F1-be-03_PS2 INFORMATION KODNING MODULATION KANALEN tid frekvens.
Välkommen till Analoga system LE1500.
Föreläsning 4 Klasser Och Objekt.
Datorseende TexPoint fonts used in EMF: AAA Datorseende vt-08Föreläsning 6.
Spektrala Transformer
Repetition of some basic concepts. PCM = Pulse Code Modulation = Digital transmission of analogue signals Sampler AD-converter with seerial output
Datorseende TexPoint fonts used in EMF: AA.
Digitalitet.
Spektrala Transformer
William Sandqvist Lab 3 Några slides att repetera inför Lab 3 William Sandqvist
1 Mjukvaru-utveckling av interaktiva system God utveckling av interaktiva system kräver abstrakt funktionell beskrivning noggrann utvecklingsmetod Slutanvändare.
Mathematics 1 /Matematik 1 Lesson 5 – experimental data and their models Lektion5 – experimentell data och deras modeller.
Nätverks-RTK – var står tekniken idag?
ITM1 Kapitel 8 Datastrukturer Grundläggande datavetenskap, 4p Utgående från boken Computer Science av: J. Glenn Brookshear.
Mål Matematiska modeller Biologi/Kemi Statistik Datorer
LÄGET kan presenteras på kartor
TUV3031 Att mäta är att veta. TUV3031 Nyheter i Argus CC/4 3 typer av Argus basenhet CC/4P - Portabel CC/4F - 19” Ramverk CC/4C - Kompaktmodell -->
BSHC LIDAR Seminar SMA experiences from and future plans of LIDAR surveys.
Föreläsning 1 Introduktion till kursen. Algoritmer
XML, scheman och mappningar
Shannon dekomposition
DateMe Khoushal, Jonatan, Anders, Therese, Mia. Begränsning och målgrupp 128*160 pixlar 128*160 pixlar Målgruppen är: svensk singel, över 18år, ny mobil,
GIS-metodik för sårbarhetskartering stranderosion = Erosionsindex Per Danielsson,
Lars Madej  Talmönster och talföljder  Funktioner.
Industriella tillämpningar inom bildanalysen Neuronnät Peter Wintoft Institutet för rymdfysik i Lund.
Fjärranalys från flyg och satellit - möjligheter för detaljerad kartering och analys Mats Söderström, SLU, 2011.
Manada.se Geometrisk summa och linjär optimering.
Sveriges geografi Det svenska kulturarvet. Geografi Göra geografiska analyser av omvärlden och värdera resultaten med hjälp av kartor och andra geografiska.
Geographic Information Systems as a tool to support monitoring and assessment of landscape and regional sustainability Kjell Andersson Swedish University.
Sju sätt att visa data Sju vanliga och praktiskt användbara presentationsformat vid förbättrings- och kvalitetsarbete.
Röntgenfysik/Bildkvalitet
Presentationens avskrift:

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

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

VI som NDVI, EVI -> FAPAR, NPP odyl

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 Dvs minsta avståndet mellan två objekt då sensorn fortfarande urskiljer två objekt

Hur ofta man får data för en punkt 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 Vid samma tidpunkt varje dag Hur ofta satelliten passerar

Satellitdata ofta vida överlägset flybildsdata 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 Atmos fönster: våglängdsområden med minimal atmos. påverkan.

Hur stort område som täcks in av en scen 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 Två MODIS-scener Meteosat

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

FA-mjukvara Geomatica (PCI Geomatics) Ortho/Sip (SpaceMetric) SocetSet (IIT/BAE Systems) Erdas Imagine 8.7 (Leica GeoSystems) IDRISI (Clark Labs, Clark University) Dvs minsta avståndet mellan två objekt då sensorn fortfarande urskiljer två objekt

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) Dvs minsta avståndet mellan två objekt då sensorn fortfarande urskiljer två objekt

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

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 Dvs minsta avståndet mellan två objekt då sensorn fortfarande urskiljer två objekt

Bildförstärkning (image enhancement) Exempel: ingen förstärkning 255 Dvs minsta avståndet mellan två objekt då sensorn fortfarande urskiljer två objekt 0 -> 0 255 ->255 x -> x 255

Bildförstärkning (image enhancement) Exempel: linjär kontrastförstärkning 255 0-Histomin  0 Histomax -255  255 Histomin  Histomax  0-255 255

Bildförstärkning (image enhancement) Exempel: LUT (lookup table) In -> Out 0 -> 0 1 -> 0 2 -> 1 3 -> 1 … 255 -> 255 Dvs minsta avståndet mellan två objekt då sensorn fortfarande urskiljer två objekt

Bildförstärkning (image enhancement) Andra metoder: En mängd andra kontraststräckningar Indexering, t ex NDVI Aritmetiska operationer på kanalerna False Colour Composite (FCC) LUT Bildfiltrering Dvs minsta avståndet mellan två objekt då sensorn fortfarande urskiljer två objekt

Bildförstärkning (image enhancement) Grass marsh Tree swamp Band 7, raw Ratio Bands 7/5 Dryland trees

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 Dvs minsta avståndet mellan två objekt då sensorn fortfarande urskiljer två objekt

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 Dvs minsta avståndet mellan två objekt då sensorn fortfarande urskiljer två objekt

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 Dvs minsta avståndet mellan två objekt då sensorn fortfarande urskiljer två objekt

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 Dvs minsta avståndet mellan två objekt då sensorn fortfarande urskiljer två objekt

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 Dvs minsta avståndet mellan två objekt då sensorn fortfarande urskiljer två objekt

Unsupervised klassificering Exempel på k-Means Clustering med fyra kluster: Dvs minsta avståndet mellan två objekt då sensorn fortfarande urskiljer två objekt

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 Dvs minsta avståndet mellan två objekt då sensorn fortfarande urskiljer två objekt

Supervised klassificering Exempel på parallellepipedklassning:

Klassificeringsresultat Min dist ML Unsupervised Mixed forest Coniferous Poor forest