DPZ Zbyna \\ https://docs.google.com/document/d/1Mk-ByhiUa92Aiz4C3FS29jsaPdZskVIGHoDgSzMIfms/edit?usp=sharing \\ DPZ Lucka \\ https://docs.google.com/document/d/1mPweoop4MSINXaNv4l5_tihhOOzVl7ExV_tR38otYQs/edit?usp=sharing \\ rizena klasifikace excel\\ https://drive.google.com/file/d/0BwxMF3drsf-8RjRSYkRVQVFUMEtPNzlFRnpuTFowVzFJem5N/view?usp=sharing \\ rizena klasifikace text \\ https://drive.google.com/file/d/0BwxMF3drsf-8SENJdGdjRnE0LVhCS0t3TVRwNnd4MEg4cUlz/view?usp=sharing ====== rozdělení pásem ====== {{ :wiki:bands.jpg |}} {{ :wiki:bands2.jpg?direct |}} ---- ---- ---- ====== georeferencování ====== * //customize -> georeferencing -> fit to display// * **georeferencing -> transformation** (čím vyšší řád, tím je potřeba víc bodů) * liší se od sebe, jak budou deformovat obraz * nejlepší je udělat bod na kraji a uprostřed * první se začíná tou fotkou, potom kliknu na ortofoto * //rectify// -> udělá nový georeferencovaný tiff * //View link table// -> ukáže mi chyby, ja moc je velká odchylka jednotlivých bodů * //image link viewer// -> vyhodí obrázek v novém okně, ale to nepotřebuješ ====== načtení dat ====== ==== open ==== * u //open// stačí otevřít texťák * pak stačí přes //data manager// načíst infa, red, green * ale dá se to udělat jenom u snímku s metadaty ==== layer stacking ==== * normálně načtu všechny vrstvy * layer stack je dobré udělat pro všechny a pak si aorát vyberu barvy * pravým -> change RGB Bands, nebo taky přes data manager * máme landsat 7, vybrali jsme 3,2,1 * u landsat 8 vyberu 4,3,2 pro opravdové barvy (5,4,3 pro infra) * **inclusive** -> spojí snímky tak jak jsou nad sebou * **exclusive** -> spojí jenom průnik těch snímků ====== ořez ====== * File -> new-> vector layer -> OK -> nakreslit -> save as (ukládá se jako .shp) * //resize data// -> a vyberu tu vrstvu kterou budu ořezávat -> spatial subset -> subset using -> ROI/EVF ===== na 8bit ===== * Strech data -> Strech range (0 - 100%) -> velikost (ořezání) snímku * Output Data Range 0 - 255 (8bit), data type Byte * unsigned int je 16bit, unsigned long je 16bit? (no nevíme jak to je) - signed char: -127 to 127 (note, not -128 to 127; this accommodates 1's-complement and sign-and-magnitude platforms) - unsigned char: 0 to 255 (4BIT) - "plain" char: same range as signed char or unsigned char, implementation-defined - signed short: -32767 to 32767 (8BIT) - unsigned short: 0 to 65535 (16BIT) - signed int: -32767 to 32767 - unsigned int: 0 to 65535 - signed long: -2147483647 to 2147483647 - unsigned long: 0 to 4294967295 - signed long long: -9223372036854775807 to 9223372036854775807 - unsigned long long: 0 to 18446744073709551615 ====== upravení atmosféry metodou nejtmavšího prvku ====== * //Dark Subtraction// -> vyberu ten snímek -> na nic nešahám a nechám to tak * najde netmavší prvek kterému dá nulu a určí rozdíl který odečte od všech ====== reflektance a radiance ====== * radiance je vyzařování, refletance je odrazivost * dá se tam multispektrální snímek * je to statistika, prostě to, co jsme dělali u té řízené klasifikace * //region of interest// (takový polygon na horní liště roi) -> vykreslíme polygon pro požadované oblasti -> //new ROI// (pro další atributy) - skrz pravé tlačítko a statistics se zobrazí statistika vybraných oblastí (lze uložit) * **radiometric calibration** - vybrat snímek (multispectral) - lze vybrat mezi radiancí a reflektancí (Reflectance, BSQ, Float, … OK) * ukáže to, jaké je tam rozmězí odrazivosti a vyzařování * reflektance se musí dělat na celé území nebo jestli chci nějaké vybrané území, tak to musím až v té funci udělat ROI ====== band math ====== * //band math// - napíšeme příkaz, přidáme do sezmanu pak přiřadíme pásma * pokud nechceme výsledek složený z 0 a 1, musíme před každoou proměnou dát float (float(b1)/float(b2)) * **vegetation index calculator** - vybereme si index (my jsme dělali ten první) * NDVI - světle mi to vyhodí úroveň stavu vegetace, čím světlejší tím jsou víc ve vegetu ====== FILTRY ====== * //Convolutions and Morpohlogy// -> convolutions výběr filtrů * //sieve filtr// -> ten si musím nadefinovat, a to najdu na internetu nebo v prezentacích * vysokofrekvenční filtry propouštějí vysokofrekvenční informaci * jakože zvýrazní komín a větrák na střeše, nízkofrekvenční mi udělá jednolitou střechu, ale ta střecha už nebude mít tak výrazné hrany * **nízkofrekvenční filtry** (průměrový, mediánový, sieve filtry, majoritní filtry) * **vysokofrekvenční filtry** (diferenční, zostřující) * vyhodí to procenta informace (tak, aby se to dalo zobrazit jao RGB) * kanonická komponentní analýza * podíváme se na snímek a určíme typy shluku ====== PCA ====== = analýza hlavních komponent * Toolbox PCA -> **forward PCA rotation news statistics** -> vybrat vrstvu -> výsledný soubor -> Select Subset from Eigunvales pokud YES tak to spočítá pro všechny pásma * ze sedmi pásem mi to vybere třeba jenom tři (podle nějaé nejdůležitější informace) * spojíme více pásem (7) do méně pásem (3) a ze 100 % informace dostaneme 90 % informace ve 3 pásmech ====== tasseled cap ====== * podobný jako PCA, ale osy jsou dopředu vypočítané * u wetness je voda bílá, greenes zvýrazňuje lesy, brightness zvýrazňuje lidské plochy, střechy, silnice * v envi - pro snímky landsat 5 - tasseled cap * zvolit landsat 5TM (jsou to druhy snímačů na té družici) * převádí to RGB na HSV ====== Fourierovy transformace ====== * máme na stupni snímek, který si převedeme do Fourierova spektra (je to jeden z typů vlnkových transformací, převádíme to do frekvenčního systému), převod do podoby sinových a kosinových fcí /filter/FFT * //build mask// → fft.tiff → pak ořezat, ale nedávat příponu tiff!, a vybrat ještě v options **Selected areas OFF** * horizontální linie se ve fourierove spektru zobrazují o 90 stupnů, takže verttikální jsou horizonální a naopak * prostě dostanu nějaký snímek s proužama * //FFT Forward// -> YES * na to FFT forward vytvoříme ROIko s těma čárama (NESMÍME ZARÝT KOLEČKO!!!!!) * {{ :roi_fft.jpg?200 |}} * z ROI udělám //Build Mask// -> a vybrat v options **Selected areas Off** * Apply Mask -> vyberu snímek fft forward -> select mask band -> a vyberu tu masku kterou jsme vytvořili z těch ROIek (co jsou na obrázku) <- **TO NEFUNGUJE TO NEDĚLEJTE** !!!! * FFT Inverse -> vyberu ten poslední file co jsem udělala z apply mask ====== pan sharpening ====== * Nahrát vrstvu z landsatu pomocí metadat -> vytvořit zájmové ROI-> New file bouilder -> vybrat první pásmo (multispektral) a celé znovu pro druhé pásmo (panchromatik) * toolbox - **image sharpening** -> první zadáváme multispekral, druhé zadáme panchromatický ====== NEŘÍZENÁ KLASIFIKACE ====== ==== K-Means Classification ==== * vybrat snímek OK -> Počet tříd např. 5,Treshold práh př. 5.00 pokud se nezmění 5% pixlů ukončí se iterace, maximum iterací např. 20 ==== Iso Data Classification ==== * -vybrat snímek OK -> max min tříd. (např. 1 - 7) Počet iterací (např.20), velikost třídy (minimum pixlů ve třídě např 50) ==== Confusion Matrix Ground Truth image ==== * př. ISO data z 5 tříd a pak K means z 5 tříd -> další nastavení nechat (třídy jsou zařazeny správně) -> nechat nastavení, zvolit výstup OK -> výsledkem Confusion Matrix ==== Confusion Matrix pomocí ROI ==== * naklikat ROI - každý bod potvrdit entrem -> Confusion Matrix Ground Truth ROI -> v případě potíží naklikat kombinace ROI + Class OK -> vyběhne matice