ΨΗΦΙΑΚΗ ΑΝΑΛΥΣΗ ΕΙΚΟΝΑΣ Η ψηφιακή ανάλυση ασχολείται κυρίως με τέσσερις βασικές λειτουργίες: διόρθωση, βελτίωση, ταξινόμηση, και Κ. Ποϊραζίδης μετασχηματισμό. Η βελτίωση ασχολείται με την τροποποίηση των εικόνων ώστε να είναι πιο κατάλληλες για την ανθρώπινη όραση. Ανεξάρτητα από το βαθμό της ψηφιακής παρέμβασης, η οπτική ανάλυση παίζει σπουδαίο ρόλο σε όλα τα στάδια της τηλεπισκόπησης. Παρόλο που το εύρος των τεχνικών βελτίωση είναι μεγάλο, τα παρακάτω θέματα αποτελούν τον κορμό αυτών των τεχνικών: 2. ΔΙΑΧΕΙΡΙΣΗ ΧΩΡΙΚΩΝ ΣΤΟΙΧΕΙΩΝ Οριοθέτηση επιπέδου γκρίζου τόνου (gray level thresholding) Οριοθέτηση επιπέδου γκρίζου τόνου (gray level thresholding)
Οριοθέτηση επιπέδου γκρίζου τόνου (gray level thresholding) Καταμερισμόςή«τεμαχισμός» τόνου (level slicing) Τιμές ιστογράμματος Υποδιαίρεση σε μια σειρά διαστήματα Καταμερισμόςή«τεμαχισμός» τόνου (level slicing) Τιμές ιστογράμματος Υποδιαίρεση σε μια σειρά διαστήματα Διεύρυνση αντίθεσης (contrast stetching) Διεύρυνση αντίθεσης (contrast stetching) Διεύρυνση αντίθεσης (contrast stetching) Υπάρχουν πολλοί τρόποι μετασχηματισμού του γκρίζου τόνου. Οι τρεις πιο κοινά χρησιμοποιούμενοι είναι: Γραμμικός Negative/Identity Λογαριθμικός Log/Inverse log Γραμμικός DN =(DN min/max-min) min) x 255 Μειονέκτημα = διαχείριση με τον ίδιο τρόπο όλα τα εικονοστοιχεία Τάξη δύναμης n th power/n th root 2
Διεύρυνση αντίθεσης (contrast stetching) Διεύρυνση αντίθεσης (contrast stetching) : Γραμμικός DN =(DN min/max-min) min) x 255 Εναλλακτικά η χρησιμοποίηση του ιστογράμματος τιμών (histogramequalized stretch) Τα εικονοστοιχεία λαμβάνουν τιμές ανάλογα με τη συχνότητα παρουσίας τους Διεύρυνση αντίθεσης (contrast stetching) Τάξη δύναμης n th power/n th root Τάξη δύναμης n th power/n th root. ΔΙΑΧΕΙΡΙΣΗ ΑΝΤΙΘΕΣΗΣ. ΔΙΑΧΕΙΡΙΣΗ ΑΝΤΙΘΕΣΗΣ tensities Transformed In γ = 0.6 0.9 0.8 0.7 06 0.6 0.5 0.4 0.3 0.2 0. 0 0 0.2 0.4 0.6 0.8 Old Intensities ntensities Transformed In γ = 0.4 0.9 0.8 0.7 0.6 0.5 0.4 0.3 0.2 0. 0 0 0.2 0.4 0.6 0.8 Original Intensities 3
. ΔΙΑΧΕΙΡΙΣΗ ΑΝΤΙΘΕΣΗΣ. ΔΙΑΧΕΙΡΙΣΗ ΑΝΤΙΘΕΣΗΣ γ = 0.3 0.9 0.8 0.7 0.6 0.5 0.4 0.3 0.2 0. 0 0 0.2 0.4 0.6 0.8 Original Intensities ntensities Transformed I γ = 5.0 0.9 0.8 0.7 0.6 0.5 0.4 0.3 0.2 0. 0 0 0.2 0.4 0.6 0.8 Original Intensities Transformed Intensities 2. ΔΙΑΧΕΙΡΙΣΗ ΧΩΡΙΚΩΝ ΣΤΟΙΧΕΙΩΝ Χωρικό φιλτάρισμα (spatial filtering) Τονισμός ορίων (edge enhancement) Ανάλυση Fourier Χωρικό φιλτάρισμα (spatial filtering) Τονίζουν ή ατονούν δεδομένα διαφόρων χωρικών συχνοτήτων Χωρικό φιλτάρισμα (spatial filtering) Χαμηλής συχνότητας φίλτρα, τονίζουν χαρακτηριστικά χαμηλής συχνότητας Υπολογίζουν την μέση τιμή με μετακινούμενα παράθυρα 3 Χ 3(μεγάλη αδρότητα) ή 9 Χ9(μικρή αδρότητα =βαθμιαίες αλλαγές φωτεινότητας) 4
Χωρικό φιλτάρισμα (spatial filtering) Υψηλής συχνότητας φίλτρα, τονίζουν τοπικές λεπτομέρειες Τονισμός ορίων (edge enhancement) Προσθέτει πίσω στην αρχική εικόνα, την εικόνα υψηλής συχνότητας Διατηρεί τόσο τα αρχικά όσο και τα υψηλής συχνότητας χαρακτηριστικά Convolution Συνέλιξη Ένα μετακινούμενο παράθυρο (kernel) με ένα παράγοντα ειδικού βάρους για κάθε pixel Ανάλυση Fourier ΟμετασχηματισμόςFourier χρησιμοποιείται συνήθως για την απομάκρυνση του θορύβου μέσω εντοπισμού περιοδικότητας (περιοχές με υψηλή χωρική συχνότητα) 2. ΔΙΑΧΕΙΡΙΣΗ ΧΩΡΙΚΩΝ ΣΤΟΙΧΕΙΩΝ Πολυφασματικός λόγος και πολυφασματική διαφορά (Spectral ratioing) 5
Πολυφασματικός λόγος και πολυφασματική διαφορά (Spectral ratioing) Πολυφασματικός λόγος και πολυφασματική διαφορά (Spectral ratioing) Βελτίωση από τη διαίρεση τωνdn ενός φασματικού καναλιού με τα DN ενός άλλου καναλιού Οι νέες εικόνες χρήσιμες για την αποκάλυψη λεπτών διαφορών σε μια εικόνα ΠΛΕΟΝΕΚΤΗΜΑ = μεταβίβαση φασματικών χαρακτηριστικών ανεξάρτητα από τις διαφορές στην φωτεινότητα Οι νέες εικόνες μπορούν να χρησιμοποιηθούν ως εικόνες εισόδου για περαιτέρω επεξεργασία ή για δημιουργία νέων σύνθετων εικόνων Πολυφασματικός λόγος και πολυφασματική διαφορά (Spectral ratioing) Πολυφασματικός λόγος και πολυφασματική διαφορά (Spectral ratioing) 48 3 8 50 45 6 9.96.69.69.95 48 3 8 48 3 8 50 45 6 9 50 45 6 9 =.96.69.69.95.96.69.69.95 48 3 8 50 45 6 9.96.69.69.95 Band A Band B = Ratio Band Ανάλυση κυρίων συνιστωσών (Principal Component Analysis) Η (Principal Component Analysis PCA) είναι μια τεχνική γραμμικού μετασχηματισμού σχετική με την Ανάλυση Παραγόντων. Δοσμένης μιας ομάδας ζωνών, η PCA παράγει μια νέα ομάδα εικόνων, γνωστών ως τμημάτων, οι οποίες δεν είναι συσχετισμένες μεταξύ τους και είναι διατεταγμένες ανάλογα με το ποσό της διακύμανσης που αποδίδουν από την αρχική ομάδα ζωνών. 6
Ανάλυση κυρίων συνιστωσών (Principal Component Analysis) Mείωση του πλεονάσματος στο πολυ φασματικά δεδομένα Ο μετασχηματισμός DN I = a DN A + a 2 DN B + a 3 DN C + a 4 DN D DN II = a 2 DN A + a 22 DN B + a 23 DN C + a 24 DN D DN III = a 3 DN A + a 32 DN B + a 33 DN C + a 34 DN D DN IV = a 4 DN A + a 42 DN B + a 43 DN C + a 44 DN D DN I, DN IV, DNs οι νέες εικόνες DN A, DN D DNs οι αρχικές εικόνες a, a 2,,,, a 44 συντελεστές μετασχηματισμού PCA Η PCA χρησιμοποιήθηκε παραδοσιακά στην τηλεπισκόπηση ως μέσο για συμπύκνωση των δεδομένων. Σε μια τυπική ομάδα ζωνών πολυφασματικής, είναι σύνηθες να βρίσκουμε ότι τα πρώτα δύο ή τρία τμήματα μπορούν να αποδώσουν ουσιαστικά όλη την αρχική μεταβλητότητα στις τιμές αντανάκλασης. Τα επόμενα τμήματα, επομένως, τείνουν να κυριαρχούνται από τα αποτελέσματα του θορύβου. Απορρίπτοντας τα τμήματα αυτά, ο όγκος των δεδομένων μειώνεται χωρίς ουσιαστική απώλεια πληροφοριών. Δεδομένου ότι τα τελευταία αυτά τμήματα κυριαρχούνται από θόρυβο, είναι δυνατόν να χρησιμοποιηθεί η PCA ως τεχνική απομάκρυνσης θορύβου. Επίσης, τελευταία η PCA έχει δειχθεί ότι έχει ειδική εφαρμογή στην περιβαλλοντική παρακολούθηση. Σε περιπτώσεις όπου παρέχονται πολυφασματικές εικόνες για δύο ημερομηνίες, οι ζώνες και από τις δύο εικόνες μπορούν να περαστούν από την PCA σαν να προέρχονταν από μία εικόνα. 7
Στις περιπτώσεις αυτές, οι αλλαγές μεταξύ των δύο ημερομηνιών τείνουν να αναδεικνύονται στα τελευταία τμήματα. Μετασχηματισμός Εικόνας PCA 8