1
Analýza dat obrazové spektrometrie Příklady konkrétních systémů - družice
Družice EO-1 (NASA), skener HYPERION hyperspektrální
skener s 242 pásmy v rozsahu 0,4 -
2,5 m s rozlišením 30 metrů a velikostí scény 7,7 x
42 resp. 185 km, časové rozlišení 16 dní
Fuji (Jap), Palo Alto, Cal)
* kalibrace dat
* tvorba spektrálních knihoven
* vizualizace hyperspektrálních dat a knihoven spekter
* automatické porovnání spekter
* definování elementárních povrchů (tzv. endmembers)
* analýza a automatická klasifikace heterogenních pixelů
Základní etapy analýzy dat obrazové spektrometrie
Kalibrace dat
* atmosférické korekce a korekce na vlivy topografie jsou nezbytnou
prvotní částí zpracování
* cílem je převést naměřená data, která obsahují charakteristiky
celkového vyzařování objektů (angl. radiance), na data charakterizující
odrazové vlastnosti objektů (angl. reflectance)
Spektrální knihovny a automatické
rozpoznávání objektů
Příklady záznamů ze spektrální knihovny pro pět vybraných
materiálů. Na ose X jsou vlnové délky, na ose Y normalizované
hodnoty odrazivosti (R). (1 - smrkové jehličí, 2 - suchý travnatý
povrch, 3 - listy vlašského ořechu, 4 - listy javoru, 5 - kaolinit)
Tvorba spektrálních knihoven
http://speclab.cr.usgs.gov/spectral.lib04/spectral-lib04.html.
http://speclib.jpl.nasa.gov
* Uchovávají laboratorně zjištěná spektra odrazivosti
stovek nejběžnějších materiálů a druhů povrchů
* Obsahují údaje o absolutních hodnotách odrazivosti, lze
jich využívat obecně jako určitých ,,vzorových" spekter
* Mají význam interpretačních klíčů.
2
Vizualizace dat
* Spektrální kostka
* Spektrální profily
* Vektor ve vícerozměrném prostoru (viz. klasifikace
spektrálním úhlem)
Spektrální kostka
Spektrální profily Druhy minerálů - příklady spektrální odrazivosti
Druhy vegetace - příklady spektrální odrazivosti Porovnávání spekter (simple spectral matching)
3
Porovnávání spekter (simple spectral matching)
Klasifikace tzv. ,,spektrálním úhlem"
(Spectral Angle Mapper)
Vektor reprezentující spektrum
ve 2D spektrálním prostoru
Klasifikace tzv. ,,spektrálním úhlem"
Algoritmus je založen na výpočtu míry podobnosti mezi testovaným
spektrálním profilem ze zpracovávaného obrazu a spektrem
z knihovny
Jako míry podobnosti je využito tzv. spektrálního úhlu,
A - vektor známého spektra
(např. z knihovny spekter), B vektor
spektra testovaného, 
- spektrální úhel; data
v použitých pásmech jsou
korigována na vlivy atmosféry
a zastínění
Analýza smíšených pixelů
,,tradiční" přístup - zjednodušující předpoklad, že každý jeden obrazový
prvek svoji hodnotou reprezentuje pouze jeden objekt či povrch.
Křivka spektrálního chování heterogenního pixelu (mixel - mixture element) je
složena z jednotlivých ,,spektrálně čistých" křivek elementárních povrchů tzv.
endmembers.
Možné přístupy k analýze smíšených pixelů
- linear mixing
Vychází z předpokladu, že spektrální informace smíšeného pixelu vzniká
lineární kombinací spektrálního chování všech obsažených elementárních
povrchů
Fyzikální model
R = 0,5 A + 0,2 B + 0,3 C
Lineární kombinace spekter (linear mixing)
* Model lineární kombinace (smíchání) spekter - tzv. mixing předpokládá,
že známe spektra jednotlivých elementárních povrchů i
jejich procentuální zastoupení v ploše pixelu.
* Z těchto údajů lze sestavit výsledné spektrum smíšeného pixelu.
* Analýza potom spočívá v obráceném procesu označovaném jako tzv.
un - mixing, kdy naopak známe spektra jednotlivých elementárních
povrchů a spektrum výsledné
* Z nich potom hledáme procentuální zastoupení jednotlivých
elementárních povrchů.
4
Matematický model lineárního smíchání
výsledného spektra heterogenního pixelu
n - počet elementárních povrchů
m - počet zpracovávaných pásem
Y - výsledné spektrum
X - koeficienty určující zastoupení jednotlivých elementárních povrchů
Z - spektrální chování n elementárních povrchů v m intervalech spektra (pásmech)
UNMIXING ­ určení procentuálního zastoupení
elementárních povrchů
Geometrický model lineárního
smíchání výsledného spektra
heterogenního pixelu
1. Určení počtu elementárních
povrchů
simplex
Geometrický model lineárního smíchání
výsledného spektra heterogenního pixelu
2. Určení druhu elementárních povrchů
2.1. Odhad spekter
elementárních povrchů
2.2. Jejich porovnání s
referenčními spektry
(knihovně)
Analýza radarových obrazových záznamů
Specifika:
* Odlišná geometrie
* Nelze hovořit o teorii spektrálního chování objektů
* Výrazná textura (speckle) snímků
* Odlišný způsob interakce záření s objekty na
zemském povrchu
* Zaznamenání fyzikálních vlastností (drsnost
povrchu, orientace k dopadajícímu záření, elektrické
vlastnosti apod.)
Základní etapy zpracování radarových
snímků
* radiometrické korekce a potlačení šumu
* geometrické korekce
* zvýrazňování snímků a zpracování textury
* vizuální analogová interpretace
* klasifikace snímků
* integrace s optickými daty
5
Radiometrické korekce, potlačení šumu
* speciální druhy nízkofrekvenční filtrace
* multilooking - průměrování několika tzv. pohledů
(looks) ­ tj. obrazů stejného objektu pořízeného
různými radarovými signály.
* adaptivní filtry ­ definují lokální míry heterogenity
s cílem potlačit vysokofrekvenční šum při zachování
radiometrické a texturální informace ve snímku
* definování textury pomocí GLCM matice
Geometrické korekce radarových snímků I
Transformace radarového
obrazového záznamu,
vyjádřeného v šikmých
vzdálenostech do snímku ve
skutečných pozemních
(horizontálních) vzdálenostech
Geometrické korekce radarových snímků II
* vlastní transformace obrazu
* nutnost použití výškového modelu terénu
* možnost použití stereodvojic k tvorbě DTM
Vizuální interpretace radarových snímků
Hlavní interpretační znaky:
* textura
* tón
* tvar
* velikost
Vzhled povrchů (objektů) na radarových snímcích
budou ovlivňovat dvě skupiny parametrů:
* vnitřní (frekvence, polarizace, úhel dopadu,
azimut)
* vnější (drsnost, vodní obsah, topografie,
vodivost)
Klasifikace radarových snímků
Integrace radarových snímků s jinými
obrazovými daty
* transformace barevného systému RGB a IHS.
Vyžaduje více snímků v příznakovém prostoru.
Ty lze získat např.:
* jako sérii snímků z různých časových
horizontů
* transformací (výpočtem měr textury)
6
Příklady konkrétních systémů - letadla
AIS (Airborne Imaging Spectrometer)
AVIRIS (Airborne Visible - Infrared Imaging Spectrometer).
CASI (Compact Airborne Spectrographic Imager).
?0,4 - 0,9228CASI
81,2 - 2,4128AIS
200,4 - 2,45224AVIRIS
Velikost
pixelu
[m]
Interval
vlnových délek
[m]
Počet
snímků
Systém
Příklady konkrétních systémů - družice
Družice EO-1, skener
HYPERION ­ hyperspektrální
skener s 220 pásmy v
rozsahu 0,4 - 2,5 m s
rozlišením 30 metrů a
velikostí scény 7,7 x 100 km