Transformácie
Download
Report
Transcript Transformácie
Transformácie obrazu
PCA, CCA
Vegetačné indexy
PCA, CCA
Analýza hlavných komponentov (PCA – Principal
Component Analysis)
Analýza kanonických komponentov (CCA –
Canonical Component Analysis)
často používané metódy kompresie údajov, ktoré
sú redundantné (nadbytočné) –
napr.multispektrálne údaje DPZ
buď ako vylepšovacie operácie
pred vizuálnou interpretáciou
údajov alebo ako predspracovanie pred automatizovanou
klasifikáciou
PCA
ortogonálna transformácia n-rozmerného
spektrálneho priestoru, pri ktorej sú osi rotované,
pričom nové osi I a II sú rovnobežné s osami
elipsy a ich počiatok je v priemere rozloženia
údajov
os I definuje smer prvého hlavného komponentu
(PC1), os II smer druhého hlavného komponentu
(PC2)
PCA
dôležité je, že údaje pozdĺž smeru osi I majú väčší
rozptyl ako údaje pozdĺž originálnych osí A a B
údaje pozdĺž osi II majú už menší rozptyl
os II je kolmá na os I – údaje sú nekorelované
tak to pokračuje aj pri ďalších komponentoch
(PC3, PC4 až PCn)
PCA
PC1 zahŕňa najväčšie percento celkového rozptylu
scény a nasledujúce komponenty obsahujú
postupne menší a menší podiel celkového rozptylu
to umožňuje redukciu rozmerov (počtu pásiem)
originálnych údajov, čo zefektívňuje klasifikačný
proces znížením výpočtovej náročnosti
napr. Landsat MSS – 4 pásma
z toho PCA – PC1 vyjadruje 97,6 % rozptylu
PC2 vyjadruje 1,8 % rozptylu
spolu PC1 + PC2 = 99,4 %
kompresia - zníženie rozmerov údajov zo 4 na 2
PCA
matematicky – transformácia originálnych údajov
na nové údaje:
DNI = a11DNA + a12DNB
DNII = a21DNA + a22DNB
pričom
DNI DNII - dig.hodnoty v novom (PC) súr.systéme
DNA DNB - dig.hodnoty v pôvodnom súr.systéme
a11 a12 a21 a22 – koeficienty transformácie
(štatistické veličiny známe aj ako vlastné vektory –
eigenvectors – alebo hlavné komponenty)
v skratke sú PC obrazové údaje jednoduchými
lineárnymi kombináciami originálnych údajov
vynásobené týmito koeficientmi
PCA
štandardizované premenné - všetky pásma majú
rovnakú váhu
pre účely kompresie údajov
neštandardizované premenné - väčšiu váhu majú
pásma s väčším rozptylom hodnôt (napr. IČ)
pri analýze časových rád
výsledky PCA – okrem PC obrazov aj variančnokovariančná matica, korelačná matica, vlastné
čísla (eigenvalues), vlastné vektory (eigenvectors)
PCA
kovariancia je štatistická miera vzťahu medzi
dvomi náhodnými premennými
meria rozsah spoločnej premenlivosti dvoch
náhodných premenných (porovnáva sa rozptyl)
korelácia takisto meria zhodu medzi veličinami
rozdiel je v tom, že korelačné koeficienty sú
škálované (v intervale od -1 do 1), kým
kovariancie sú neškálované
z variančno-kovariančnej a korelačnej matice
môžeme zistiť, ktoré pásma navzájom najviac
korelujú
PCA
vlastné čísla (eigenvalues) vyjadrujú, koľko
informácií (rozptylu) je uchovávaných
v jednotlivých komponentoch (PC1 až PCn)
vlastné vektory (eigenvectors) zase určujú,
z ktorých pásiem koľko informácií v jednotlivých
komponentoch pochádza, čo vidno aj pri grafickom
porovnaní pôvodných pásiem a nových
komponentov
vlastné vektory indikujú smer nových osí
výsledné PC obrazy sa obyčajne označujú ako
hlavné komponenty (čo je teoreticky nesprávne,
pretože hlavné komponenty sú v skutočnosti
vlastné vektory – koeficienty transformácie)
PCA
PC obrazy môžeme analyzovať v podobe ČB
obrazov alebo v podobe farebnej syntézy
V DPZ PCA1 zvyčajne reprezentuje albedo (odraz
od pôdneho povrchu) a PCA2 odraz od vegetačnej
pokrývky (pozitívne hodnoty v NIR a negatívne vo
viditeľnom pásme)
CCA
PCA sa používa najmä vtedy, ak nemáme
k dispozícii predbežné informácie o scéne
ak ich máme, je vhodné použiť CCA
pri CCA sa údaje najskôr rozdelia do tried
a následne sa nové osi stanovia tak, aby sa maximalizovala oddeliteľnosť týchto
tried a zároveň minimalizoval
rozptyl v rámci týchto tried
týmto spôsobom sa dajú
zvýrazniť objekty, ktoré nie
sú jasne rozoznateľné
v pôvodných údajoch
Redukcia počtu kanálov
IČ
niektoré klasifikačné
metódy dovoľujú použiť len
obmedzený počet spektrálnych kanálov
v takých prípadoch je potrebná redukcia počtu
kanálov:
výber kanálov pomocou PCA, CCA
výber kanálov podľa histogramu
G
R
Vegetačné indexy
zdravá vegetácia – veľké rozdiely v odraznosti vo
viditeľnom a blízkom IČ pásme
rastlinné pigmenty (hlavne chlorofyl) absorbujú
energiu vo viditeľnom pásme (najmä pre účely
fotosyntézy) - najviac absorpcie v R a B pásme,
preto sú listy zelené
energia v blízkom IČ pásme sa na fotosyntézu
nepoužíva, preto ju listy odrážajú
na veľkom kontraste v odraznosti medzi R a NIR
pásmom sú založené vegetačné indexy
sú aplikovateľné na snímky s nízkym aj vysokým
rozlíšením, ktoré majú R a NIR pásmo (NOAA,
Landsat, SPOT...)
Vegetačné indexy
využívajú sa na kvantitatívne meranie zelenej
biomasy
biofyzikálne merania, ktoré dokumentujú typ
vegetácie, produktivitu a funkčné zdravie, sú
potrebné pre manažment zdrojov, boj proti
odlesňovaniu a dezertifikácii aj pre udržateľný
rozvoj poľnohospodárstva a vidieka
využívajú sa ako ukazovatele celkovej
environmentálnej zmeny, pri monitorovaní
poľnohospodárstva a hodnotení jeho dopadov na
krajinu
hodnotenie krajinnej pokrývky v lokálnych aj
globálnych mierkach
Vegetačné indexy
delenie vegetačných indexov:
a) pomerové (slope-based) – aritmetické kombinácie
b) vzdialenostné (distance-based) – rozdiel
odraznosti pixela od odraznosti holej pôdy
R
R
NDVI
PVI
NIR
NIR
c) ortogonálne tranformácie – Tasseled Cap
Pomerové vegetačné indexy
• RATIO, NDVI, RVI, NRVI, TVI, CTVI, TTVI
Ratio Vegetation Index (RATIO) – Rouse et al.(1974)
• minimalizácia vplyvu topografie (podiel)
• citlivý na delenie nulou
• nelineárna mierka – výsledný obraz nemá
normálne rozdelenie
Normalized Difference Vegetation Index (NDVI) –
Rouse et al. (1974)
• lineárna mierka, redukované delenie nulou
• hodnoty od -1 do 1, 0 znamená žiadnu vegetáciu
Pomerové vegetačné indexy
Transformed Vegetation Index (TVI) – Deering et
al.(1975)
• konštanta 0,5 na elimináciu negatívnych hodnôt
(platí, len ak sú hodnoty NDVI > -0,5)
• odmocnina pre normálne rozdelenie
Corrected Transformed Vegetation Index (CTVI) –
Perry a Lautenschlager (1984)
• úplne eliminuje negatívne hodnoty
• výsledný obraz je rovnaký (lepší) ako NDVI
Pomerové vegetačné indexy
Thiam's Transformed Vegetation Index (TTVI) –
Thiam (1997)
• ignoruje prvý zlomok v CTVI kvôli tomu, že je
obraz často „zašumený“ (nadhodnotenie zelene)
• odmocnina pre normálne rozdelenie
Ratio Vegetation Index (RVI) – Birth a McVey (1968),
opak indexu RATIO
- má rovnaké nedostatky ako TVI
- je jednoduchší
Normalized Ratio Vegetation Index (NRVI) – Barret a
Guyot (1991)
- ako NDVI, tvorí normálne rozdelenie
Vzdialenostné vegetačné indexy
• PVI, DVI, AVI, SAVI, TSAVI, MSAVI, WDVI
• hlavným cieľom je eliminovať efekt svetlosti pôdy
v prípadoch, keď je vegetácia riedka a pixel
obsahuje zmes zelenej vegetácie a pôdneho
podkladu
• dôležité najmä v suchých a polosuchých oblastiach
• pôdna línia (soil line) – získame ju lineárnou
regresiou NIR a R pásma na pixloch holej pôdy
Y = a + b.X
a – posun v smere osi y
b – sklon
• jedna skupina VI však berie ako nezávislú
premennú R pásmo, kým druhá NIR pásmo
Vzdialenostné vegetačné indexy
Perpendicular Vegetation Index (PVI) – Richardson a
Wiegland (1977)
• 4 kroky:
1. rovnica pôdnej línie
Rg5 = a0 + a1Rg7
Rg5 – Y súradnica (R)
Rg7 – X súradnica (NIR)
a1 – sklon pôdnej línie
a0 – posun línie v smere Y
2. rovnica línie kolmej k pôdnej línii
Rp5 = b0 + b1Rp7
b0 = Rp5 – b1Rp7
Rp5 – odraznosť v R pásme
Rp7 – odraznosť v NIR pásme
b1 = -1/a1
Vzdialenostné vegetačné indexy
3. Nájdenie priesečníka línií (súradnice Rgg5, Rgg7)
4. Výpočet vzdialenosti medzi priesečníkom a
súradnicami pixla (Rp5, Rp7)
- podľa Pytagorovej vety
Vzdialenostné vegetačné indexy
• vylepšené indexy PVI:
PVI1 – Perry a Lautenschlager (1984)
• originálny PVI je výpočtovo náročný a nerozlišuje
medzi pixlami naľavo a napravo od pôdnej línie
(vodné plochy od vegetácie)
- vegetácia je len napravo
a – posun pôdnej línie
b – sklon pôdnej línie
PVI2 – Walter a Shabaani (1991), Bannari et al.(1996)
Vzdialenostné vegetačné indexy
PVI3 – Qi et al. (1994)
PVI3 = aNIR - bRED
Difference Vegetation Index (DVI) – Richardson a
Wiegland (1977)
DVI = gMSS7 – MSS5
g – sklon pôdnej línie
MSS7 – odraznosť v NIR pásme
MSS5 – odraznosť v R pásme
• hodnoty rovné 0 indikujú holú pôdu, hodnoty < 0
vodu a hodnoty > 0 vegetáciu (rovnako ako PVI1)
Ashburn Vegetation Index (AVI) – Ashburn (1978)
AVI = 2MSS7 – MSS5
• meranie zelenej rastúcej vegetácie
• koeficient 2 – len ak je MSS7 6-bitový a MSS5 8-bit
Vzdialenostné vegetačné indexy
Soil-Adjusted Vegetation Index (SAVI) – Huete (1988)
ρNIR – odraznosť v NIR pásme
ρRED – odraznosť v R pásme
L – faktor pôdy
• L sa mení s odraznosťou pôdy (farba a svetlosť)
- výber L závisí na hustote
vegetácie, ktorú chceme
analyzovať (pre riedku
vegetáciu L=1, pre
stredne hustú L=0,5, pre
veľmi hustú L=0,25)
Vzdialenostné vegetačné indexy
Transformed Soil-Adjusted Vegetation Index (TSAVI1) –
Baret et al. (1989)
a – sklon pôdnej línie
b – posun pôdnej línie
• podľa autorov je koncept SAVI správny len ak sú
konštanty pôdnej línie a=1 a b=0
• špeciálne navrhnutý pre polosuché oblasti (nie je
veľmi vhodný pre oblasti s hustou vegetáciou)
TSAVI2 – Baret et al. (1991)
• konštanta 0,08 na minimalizáciu vplyvu jasu pôdy
Vzdialenostné vegetačné indexy
Modified Soil-Adjusted Vegetation Index (MSAVI1)
Modified Soil-Adjusted Vegetation Index (MSAVI2) Qi et al. (1994)
• založené na modifikácii faktora L pre SAVI
• lepšia korekcia jasu pôdneho podkladu pre rôzne
podmienky vegetačnej pokrývky
L = 1 – 2γNDVI*WDVI
γ – sklon pôdnej línie
• odstraňuje „šum“ pôdy a hodnoty väčšie ako 1
Vzdialenostné vegetačné indexy
Weighted Difference Vegetation Index (WDVI) –
Richardson a Wiegland (1977)
WDVI = ρNIR – γρRED
• aj keď je jednoduchý, je rovnako efektívny ako
väčšina indexov založených na sklone
• váženie R pásma sklonom pôdnej línie maximalizuje
signál vegetácie v NIR pásme a minimalizuje vplyv
jasu pôdy
• indexy založené na vzdialenosti predstavujú
významné kvalitatívne a kvantitatívne zlepšenie pre
všetky typy aplikácií, špeciálne pre suché
a polosuché oblasti
Ortogonálne transformácie
• na monitorovanie zelenej vegetácie môžeme použiť
druhý komponent PCA
Green Vegetation Index (GVI) of the Tasseled Cap –
Kauth a Thomas (1976)
• druhé zo 4 nových pásiem získaných z Landsat MSS
snímok
GVI = -0,386MSS4 + -0,562MSS5 + 0,600MSS6 +
0,491MSS7
Ortogonálne transformácie
• výsledkom Tasseled Cap transformácie sú 4 indexy:
B – soil brightness index – index svetlosti pôdy
G – greennes vegetation index – index zel.vegetácie
Y – yellow stuff index – index žltých materiálov
N – non-such – ostatné zložky
• Crist et al. (1986) odvodil potom koeficienty
Tasseled Cap transformácie pre Landsat TM:
GVI = -0,2728TM1 -0,2174TM2 – 0,5508TM3 +
0,7221TM4 + 0,0733TM5 – 0,1648TM7
• výsledkom sú 3 indexy:
B – brigthness – index svetlosti (urb.územia)
G – greenness – index zelenej vegetácie (biomasa)
W – wetness – index vlhkosti
Ortogonálne transformácie
Misra's Green Vegetation Index (MGVI) – Wheeler et
al. (1976) a Misra et al. (1977)
• ekvivalent GVI, druhé zo 4 nových pásiem získaných
transformáciou PCA z Landsat MSS
MGVI = -0,386MSS4 - 0,530MSS5 + 0,535MSS6 +
0,532MSS7
• cieľom je vytvoriť druhý komponent PCA
• použitie globálnych koeficientov však nezaručuje
presný výsledok, ktorý môže byť špecifický
• koeficienty korešpondujú s vlastnými vektormi
z PCA
• ak poznáme tieto vektory, vlastný MGVI index
môžeme vypočítať pomocou mapovej algebry