1 Předzpracování obrazových záznamů Petr Dobrovolný Zdroje nepřesností a ,,chyb" v obrazových záznamech * Technické problémy * Samotná podstata snímání * Atmosférické vlivy * Chyby systematické * Chyby náhodné (šum ­ noise) * Chyby vnitřní a vnější Základní metody předzpracování obrazu 1. Radiometrické korekce 2. Atmosférické korekce 3. Geometrické korekce Radiometrické korekce obrazu * Cíl - úprava DN hodnot v obrazovém záznamu tak, aby co nejvíce odpovídaly skutečným odrazovým či zářivým vlastnostem objektů. * Naměřené hodnoty odrazivosti objektů závisí na přesné kalibraci měřícího zařízení. * Kalibraci provádí většina systémů automaticky, například periodickým snímáním určitých referenčních ploch o známých radiačních vlastnostech. 1. Kompenzace sezónních rozdílů 2. Odstranění náhodných chyb Kompenzace sezónních rozdílů * Jsou důležité pro studium časových změn, při zpracování více obrazových záznamů z různé části roku. * Zpracovávané obrazové záznamy mají velmi rozdílné DN hodnoty pro stejné povrchy. * Tyto rozdíly jsou dány mimo jiné rozdílnou výškou Slunce v závislosti na roční době. * Efekt měnící se vzdálenosti Země ­ Slunce lze ve většině běžných úloh zanedbat. Algoritmy kompenzace sezónních rozdílů 1. Výška Slunce je normalizována na pozici družice v zenitu například dělením každého záznamu sinem výšky Slunce. Informace o výšce Slunce je pro každou scénu zapsána v hlavičce souboru. 2. Jiným způsobem, jak eliminovat efekt výšky Slunce, je použití podílů původních pásem multispektrálního obrazu. 2 Odstranění náhodných radiometrických chyb * Obrazové záznamy mohou obsahovat nepřesnosti víceméně náhodné povahy. * Jejich projevem mohou být ,,radiometricky" nepřesné či chybějící DN hodnoty jednotlivých obrazových prvků či celého řádku záznamu. 1. Bitové chyby 2. Chybějící řádek 3. ,,Páskování obrazu" - stripping Hlavní typy radiometrických chyb v obraze: Kompenzace bitových chyb * Projevují se výrazně odlišnými DN hodnotami jednotlivých obrazových prvků * Často jsou nepravidelně rozmístěny v obraze * K identifikaci slouží analýza histogramu * K odstranění se používá speciálních druhů filtrace (viz. dále) Nahrazení chybějícího řádku 1. Průměrování DN hodnot odpovídajících si pixelů nad a pod chybějícím řádkem 2. Sestavení regresní závislosti mezi dvěma pásmy obrazu Efekt páskování * Chyba typická pro tzv. příčné skenování mechanooptickými skenery. * V případě chybné kalibrace jednoho ze senzorů se ve výsledném obraze objeví opakující se řádek s vyššími (světlejší) či nižšími (tmavší) DN hodnotami. * Chyba může být typická pro určitý typ senzoru. V případě obrazových záznamů z LANDSAT TM, má periodu osmi řádků. Kompenzace efektu páskování * Páskování je patrné především v částech obrazu snímajících rozsáhlé homogenní plochy s nízkou odrazivostí (voda). * K odstranění efektu je možné použít algoritmus založený na výpočtu histogramu a základních statistických charakteristik pro řádky vznikající jednotlivými detektory. * Histogram řádků, které byly naměřeny detektorem s rozdílnou senzitivitou, je oproti ostatním histogramům posunut do vyšších či nižších hodnot. * Úpravou průměru či přizpůsobením histogramu (viz dále) daného řádku lze uvedené horizontální páskování do značné míry potlačit. Kompenzace efektu páskování (úprava histogramu) 3 Páskování obrazu LANDSAT TM1 LANDSAT TM4 Páskování obrazu Kompenzace dalších vlivů na radiometrii obrazu vignetace, sluneční skvrna, ... Obecné poznámky ke kompenzaci radiometrických chyb * Opravy radiometrických nepřesností je nutné provádět ještě před geometrickou korekcí * V průběhu geometrické transformace dochází většinou k rotaci obrazu, při níž by chyby z jednoho řádku byly zaneseny do částí více řádků. * V případě elektrooptických skenerů (podélného skenování) je odstranění těchto nepřesností náročnější protože nemá pravidelný charakter. * Mocným nástrojem k potlačení radiometrických chyb jsou Fourierovy filtrace (viz. dále) Vliv geometrické korekce na chybějící řádek v obraze Atmosférické korekce Efekty atmosféry způsobují, že naměřené hodnoty radiačních či zářivých vlastností objektů neodpovídají vlastnostem skutečným. Atmosférické korekce * Atmosféra modifikuje naměřené DN hodnoty procesy pohlcování a rozptylu. * Intenzita vlivů pohlcování a rozptylu závisí především na vlnové délce a rozměru rozptylujících částic. * Kompenzace atmosférických vlivů je nutná v případě ,,kvantitativního dálkového průzkumu Země" například při měření radiační teploty * V případě tématického mapování zemského povrchu je důležitá pro snímky z optické části spektra (krátké vlnové délky). 4 Výhody eliminace atmosférických vlivů * porovnatelnost více snímků z různých časových horizontů * porovnatelnost více snímků z různých senzorů * zvýšení přesnosti klasifikace základních druhů povrchů * výpočet absolutních hodnot odrazivosti * monitorování životního prostředí * odhady úrody a růstové modely * monitorování škod v lesnictví * monitorování erozí ohrožených ploch * modelování klimatu Aplikace: Možnosti eliminace atmosférických vlivů 1. Metoda nejtmavšího pixelu 2. Regresní analýza 3. Modelování atmosférických podmínek Metoda nejtmavšího pixelu * Je založena na fyzikálním poznatku, že vyzařování vodních objektů v oblasti blízkého infračerveného záření je rovno téměř nule. * Je-li tedy možné ve scéně nalézt alespoň jednu dostatečně hlubokou vodní plochu, potom signál přijatý senzorem lze považovat za příspěvek atmosféry. * Zjištěná hodnota radiometrické charakteristiky je tedy odečtena od všech obrazových prvků. Metody založené na regresní analýze. Metody mohou být založeny také na sestavení regresního vztahu mezi daty naměřenými distančními metodami a daty z pozemních měření konaných nejlépe v době přeletu družice. Korelační pole pixelů IČ snímku (osa y) a snímku z viditelné části spektra (osa x). Proložená rovnice přímky protíná osu x v hodnotě A, která odpovídá příspěvku atmosféry. Modely atmosférické korekce * Výše uvedené jednoduché empirické metody předpokládají konstantní vliv atmosféry na celé ploše snímku * Při korekcích je nutné zohlednit také změny atmosférických vlivů v závislosti na vlnové délce * princip atmosférických korekcí ­ transformace DN hodnot ve dvou krocích: 1. Převod zaznamenaných DN hodnot na zářivé vlastností (RADIANCE) 2. Převod zářivých vlastností na skutečné odrazivé vlastnosti snímaného povrchu (REFLECTANCE) * Fyzikální modely, které simulují procesy pohlcování a rozptylu záření v atmosféře * Potřebují meteorologická data Atmosférické korekce - modelování Ad 1) L jako lineární kombinace DN hodnot Ad 2) odhad (výpočet) optických vlastností atmosféry a výpočet skutečné odrazivosti inverzní procedurou DNccL 10 += 5 Atmosférické korekce - modelování Atmosférické korekce - modelování Modelování stavu atmosféry Za pomoci meteorologických dat (teplota, vlhkost vzduchu, zákalový faktor, znečistění), pořízených v době vytváření obrazového záznamu, lze parametrizovat vlivy atmosféry. Uvedené hodnoty spolu s DN hodnotami obrazového záznamu potom vstupují do numerických modelů, které na výstupu poskytují korigovaná data o radiačních či zářivých vlastnostech objektů. Příklady atmosférických modelů: * ATCOR2 (optická data) * ATREM (hyperspektrální data) * LOWTRAN * MODTRAN Modelování stavu atmosféry Za pomoci dat naměřených speciálních snímacích zařízení palubě družice: NOAA ­ AVHRR Pro atmosférické korekce a výpočet SST: HIRS ­ High Resolution Infrared Radiometer Sounder Provádí měření hustoty aerosolů v VIS a IR a množství vodní páry v TERM části spektra Metody založené empirii Založeny na různém ovlivnění DN hodnot atmosférou v jednotlivých pásmech * Analýza hlavních komponent * Obrazové podíly Obecné poznámky k atmosférickým korekcím * Cílem všech atmosférických korekcí je získat z původních naměřených dat tzv. absolutní hodnoty odrazivosti či vyzařování objektů. * Pomocí těchto absolutních hodnot lze následně vyjádřit některé vlastnosti těchto objektů v kvantitativní podobě (množství biomasy, povrchovou radiační teplotu, vodní obsah atd.) * Efekty atmosféry jsou však naštěstí ve srovnání s např. efektem výšky Slunce malé a v řadě aplikací je možné je zanedbat. * Zvláštní význam však mají tyto korekce především pro meteorologická a hyperspektrální obrazová data.