| |
Dienstag, 1. Juni 2010Multispektral-Klassifizierung
Für die Multispektral-Klassifizierung wird ein Multispektraldatensatz benötigt, also ein Datensatz (z.B. Satellitenbild) mit mehreren Kanälen, also neben Panchromatisch auch noch RGB und Infrarot verschiedener Spektralbereiche.
Als Fernerkundungssystem für so einen Multispektraldatensatz der für eine thematische Karte zu Landnutzung klassifiziert werden soll bietet sich Landsat TM an.  Bei der Klassifikation wird ein neuen Rasterdatensatz erzeugt, der die Informationen über die zum Zeitpunkt der Aufnahme aktuelle Landnutzung (Wasserflächen, Siedlungen, Wald, freie Ackerflächen, Wiesen und verschiedene Feldvegetationen) in dem dargestellten Gebiet enthält. Die Klassifikation funktioniert hier über die für bestimmte Landnutzungen typischen Reflektionswerten, die für mehrere Kanäle gleichzeitig ausgewertet werden.  Die Reflexionseigenschaften von Objekten sind die Voraussetzung für die Multispektral-Klassifizierung. Es entsteht ein Merkmalsraum, der so viele Dimensionen hat wie Kanäle betrachtet werden. Kriterium für die Auswahl bei eine Multispektral-Klassifizierung wenn viele Spektralbereiche zur Verfügung stehen ist die deutliche Unterscheidbarkeit der gewünschten Objekte. Innerhalb dieses Merkmalsraums bilden die Flächenelemente des Bildes jedoch keine klar abgerenzten Punkte sondern eher Punkthaufen wegen der vielfältigen kleinen Unterschiede der Flächenelemente innerhalb einer Klasse und störender Einflussfaktoren. Zunächst wird auf den zu klassifizierenden Multispektraldatensatz eine Histogrammstreckung angewandt, um den Kontrast und damit die Unterscheidbarkeit der Landnutzung zu verbessern. Danach werden mittels interaktiver Festlegung geeignete Trainingsgebiete zu definiert.  Die Trainingsgebiete sind homogene kleine Referenzflächen von denen bekannt ist, welcher Objektklasse sie angehören. Den Trainingsgebieten kann dann eine Flächensignatur zugewiesen werden:  Anschließend erfolgt die automatische Landnutzungsklassifizierung. Die so genannte überwachte Klassifizierung basiert genau auf dieser Verwendung bekannter Testflächen zur Klassifikation.   Dienstag, 1. Juni 2010Pan Sharpening
Beim Pan Sharpening wird die Helligkeitsinformation in einem Farbbild mit niedriger geometrischer Auflösung durch ein Bild der gleichen Region mit höherer Auflösung ersetzt.
Das Bild mit niedriger Auflösung kann z.B. eins von Landsat TM sein.  Ein mit Filter geschärftes panchromatisches Bild wird die Heilligkeitsanteile im Originalbild ersetzen:  Dazu wird das Farbbild in den IHS-Farbraum transformiert:  Danach werden die beiden Bilder mit einer visuellen Programmierung neu berechnet:   Das Ergebnis kann dann wieder nach RGB zurück transformiert werden.  Als Ergebnis erhält man dann ein deutlich besseres Farbbild: 
Dienstag, 1. Juni 2010Bildverbesserungen
Es gibt verschiedene Methoden der Bildverbesserung um Bilddaten für einen bestimmten Zweck aufzubereiten. Ziel ist dabei im Anschluss bessere Ergebnisse in der Auswertung als vorher zu erzielen.
Neben der Kontrastverstärkung wie sie auch von der radiometrischen Korrekturen geleistet wird geht es dabei vor allem um eine Verbesserung der Detailerkennbarkeit. Außerdem wird durch eine Kombination verschiedener Spektralkanäle (siehe auch "Pan-Sharpening") ein deutlicher Informationsgewinn erzielt. Die Filter kennt man auch von besseren Bildverarbeitungssystemen, hier im Beispiel sind sie von ERDAS IMAGINE. Damit kann man die Bildstruktur verändern, indem Grauwertrelationen benachbarter Pixel neu berechnet und geändert werden.    Eine kleine Koeffizientenmatrix (meist 3x3, auch 5x5 oder 7x7) wird dazu über das Bild geschoben und angewendet, jedesmal wird dabei ein kleiner Bereich des Eingabebildes auf ein einzelnes Pixel des Ausgabebildes abgebildet. Genauer: Im Ausgangsbild wird jeder NxN-Bereich wertweise mit der NxN-Filtermatrix multipliziert. Davon wird die Summe gebildet und normiert (damit es wieder in den Wertebereich von z.B. 8 Bit, 0-255, passt). In der Praxis wird dazu meist wieder durch die Summe aller Werte in der Filtermatrix geteilt. Dabei muss das Bild um ein Pixel vorher zum Rand verlängert werden, damit das Ergebnis wieder so groß ist wie die Vorlage! Bleiben die Randelemente unberücksichtigt ist das Ausgabebild etwas kleiner. Die Wirkung der Filter ist abhängig von ihrer Matrixgröße und den Koeffizienten. Von besonderer Bedeutung sind Tiefpassfilter mit ihrer glättende Wirkung und Rauschen unterdrücken und die Hochpassfilter um Kanten und andere Bilddetails hervorzuheben. Dienstag, 1. Juni 2010Radiometrische Korrekturen
Mit radiometrischen Korrekturen kann man Störeinflüsse in Luft- und Satellitenbildern beseitigen oder zumindest reduzieren.
Dabei bleiben die geometrischen Eigenschaften unverändert. Wenn das Bild durch die Einflüsse der Atmosphäre aufgehellt wurde ist die Folge auch eine Kontrastminderung. Mit einer radiometrischen Korrektur kann man diesen Einflüsse kompensieren. Diese Verfahren sind auch als Gamma-Korrekturen und Histogrammoperationen aus jedem besseren Grafikprogramm bekannt.    Allerdings stellen radiometrische Korrekturen keine wirkliche Verbesserung der Grauwerte dar, sondern es wird nur eine bessere Bildwirkung erzielt, die für die Interpretation aber hilfreich sein kann. |
SucheLayerWeb 2.0  |