dpz - cviceni geometrické korekce

kody epsg http://www.cadforum.cz/cadforum/epsg-kody-nejpouzivanejsich-souradnicovych-systemu-v-cr-tip8519

polynomické transformace -transformace polynomem prvního řádu (v rovině) –podobnostní (adjust v arcgis) (změním měřítko, rotování obrazu, 2 páry bodů) –afinní (affine) (2 měřítka, zkosení, 3 páry bodů) –projektivní (libovolný čtyřúhelník, 4 páry bodů)

-transformace polynomem vyššího řádu –2. řádu (6 párů bodů) - zkroucení snímku, roztažení pixelů v místě ohnutí snímku –3. řádu - zkroucení snímku několikrát, roztažení a zmáčknutí pixelů v místě ohnutí

graf s modrou čárou (přímka) (1. řád) - residua (černé tečky) rovnoměrně rozprostřené, relativně malá chyba graf s červenou čárou (křivka) (2. a vyšší řád) - protne všechny body, chyba residuí klesne, pokud bude málo bodů tak nevystihneme správný průběh křívky, potřeba velkého množství bodů

střední souřadnicová (kvadratická) chyba RMSE (střední chyba souřadnic) = ¹⁾

atmosférické korekce -odstraňují vliv atmosféry (odstraňuje kouřmo) -metoda nejtmavšího pixelu (vezmeme nejtmavší pixel, jeho hodnota je větší než nula → vliv atmosféry →odečteme tuto hodnotu z celého snímku) –jednoduchá metoda, ale nemusí být přesná, neodpovídá skutečnosti –lze zadat i vlastní hodnotu, položíme před vyfocením snímku na zem desku se známou hodnotou, podle toho jak se změní - >příspěvek atmosféry -obrázek-záření, které jde dolů je iradiance, záření které jde nahoru a dopadne na senzor je radiance ve wattech na m2 (Ltot=(ró*E*T)/pí + Lp (Lp - příspěvek atmoféry, to záření které nedopadne vůbec na povrch) -sun-elevation cor. a earth-sun distance cor a dostaneme combined irradiance cor. E=Eo*cos0/d2 4 kroky: - subtract path radiance to estimate outgoing radiance L=Ltot - Lp - - -

-modelování atmosférických podmínek –modely (ATCOR, MOTRAN)

cvičení layer stacking - spojí snímky dohromady, pozor na pořadí, pásma musí jít za sebou –exlusiv spojí jen překrývající se oblasti, inclusiv všechno tak jak je –soubor uložit jako .tiff, .tif nefunguje

stretch data -output 0-255 byte - převod na 8 bitový rastr

orez - vytvořit vektor - file - new - vector layer -resize data - spatial subset - nahrát vrstvu ROI

dark subtraction (metoda nejtmavšího pixelu) -necháme band minimum, rozdíly v cursor value

přepočet dn hodnot na reflektanci -open as- landsat - geotiff with metadata - otevřít soubor -file - new - roi - naklikáváme polygony -pravým na vzniklé polygony - statistics přepočet -radiometric calibration - můžeme vypočíst radianci i reflektanci -apply FLAASH - změnit akorát reflectance

prolinkování dvou obrazů -musíme mít jeden snímek v new view (záložka view) -link views - link all - musíme mít zaškrnuté geolink - snímky se budou v obou views chovat stejně

matematika s rastry -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

maska -vytvoříme ROI -pak dáme build mask - options - nahrát ROI -apply mask - vytvoříme ořez pomocí masky

zobrazovací funkce histogramu (bodová zvýraznění) -lineární - žádná změna -lineární lomený - roztažení histogramu -equalizace - menší hodnoty stáhne, větší hodnoty roztáhne -s ohledem na tvar - nejkříkřejší část křivky se nejvíc roztáhne -úprava jasu - celý histogram se posune kousek doprava

prostorová zvýraznění (filtrace) -filtrační okno (3×3, 5×5,7×7) Kernel -nízká a vysoká prostorová frekvence (vysoká - zvýrazňuje hrany, co je na střeše (komín, anténa), hrany domů, hrany potoka, lesa.. nízká je vše ostatní, odmaže objekty na střeše, smaže výrazné objekty, střecha bude jednolitá) -nízkofrekvenční (čím větší okno, tím větší shlazení) –průměrový, původní hodnota se násobí hodnotami ve filtračním okne a postupně se buňky sčítají (všechny buňky i ta prostřední) –mediánový, seřadí se podle pořadí a středu okna se přiřadí hodnota v polovině –….

-vysokofrekvenční –laplaceovský-u záporný hodnot vybere nejmenší hodnotu, té dáme hodnotu 0 a její hodnotu přičteme všem záporným hodnotám nebo všem záporným hodnotám dáme 0 –zostřující filtr - použijeme na snímek nízkofrekvenční a ten odečteme od původního.. vzniknou hrany.. to pak přičteme nebo násobíme s původním

filtry v ENVI –convolution and morpflogy (convolutions - filtry – apply to file)

spektrální zvýraznění -příznakový prostor - shluk pixelů typických pro určitý povrch (barvu, stejné množství vyzářené energie -optimum index faktor - korelace mezi pásmy, jak moc si jsou pásma podobná

PCA-analýza hlavních konpoment –spojíme více pásem (7) do méně pásem (3) a ze 100 % informace dostaneme 90 % informace ve 3 pásmech PCA v ENVI -forward pca rotation new statistics and rotate -zvolíme si počet výstupních pásem nebo zaškrtneme “select subset” Yes a pak zvolíme po výpočtu

Kanonická komponentní analýza -určíme typy shluků (druh povrchu), proložíme tím potom osy, vzniknou 4 oddíly, vznikne nový systém souřadnic

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

Transformace IHS -intenzita 0-1 (bílá, šedá, černá) -odstín (hue) 0-360 stupňů -saturation - sytost (vlnová délka) -systém rgb (kostka), systém IHS (šestiúhelník) –nejlepší pro odlišení odstínů narozdíl od RGB, používá se například pro odlišení objektů stejné barvy, např. odlišení červený střech od načervenalé hlíny, pro zvýrazňování snímků -odstín + sytost dá barvu, rastrová data můžeme dát místo intenzity -data s největším prostorovým informačním obsahem → jas -data s největším dynamickým rozsahem → odstín -málo výrazná data → sytost

panchro →směrodatné odchylky P → modifikace P→výměna P za I multi →transformace do IHS → hue, saturation - >transformace zpět do původních multi pásem, intenzity →směrodatná odchylka (I) →výměna P za I →změna zpět do původních multi pásem →změna rozlišení obrazu (pan sharpening)

Fourierovy transformace -převádí obraz z viditelného spektra do fourierova spektra -vysokofrekvenční je v okraji -shluk ve středu je nízkofrekvenční -horizontální směr se převádí do svislého směru, posouvá se o 90 stupňů

cvičení 16.11. pan-sharpening -spojení panchromatického snímku a multispektrálního snímku, rozlišení panchro a barevná pásma multi -panchro - více čipů, ze kterého se spojí lepší snímek; multi - 4 čipy, pro každou barvu jeden, menší ohnisková vzdálenost, stejný úhel záběru jako u panchro → má menší rozlišení -pomocí transformace IHS

Fourierovy transformace v ENVI -snímek B5 -převedeme si ho do fourierova spektra - dáme masku na nízkou nebo vysokou frekvenci → převedeme zpět a zůstane nám jedna nebo druhá frekvence kterou jsme nezakryli -filter - fft forward (převede do f. spektra) (stupeň šedi →množství pixelů) –filter definition -filter type -circular pass -vše kromě prostředku, circular cut - zakryjeme střed, band pass - nechá prstenec uprostřed, band cut - vše kromě prstence uprostřed —samples(columns v metadatech), lines (rows) –filter inverse - vrátí zpět -jiná možnost - na fft forward vytvořit ROI →build mask - options add roi - selection on nebo off →fft inverse (na forward použít novou masku)

-new file builder - alternativa k resize data (orez podle masky např.)

pan-sharpening v ENVI -image sharpening -rozstřuje ale mění hodnoty pixelů (měření výnosů úrodu)

cvičení 23.11 klasifikace neřízená -4 typy úloh v dpz - klasifikace, enumerace (hledání určitého objektu ve snímku), delineace (hledání jevu a jeho okrajové části) -přiřazování určité informace k jednotlivým pixelům -informační třídy - jsou definovány ve formě klasifikačního schématu -Corine land cover - klasifikace pokryvu -spektrální třídy - obsaženy přímo ve snímku, může ale nemusí být totéž jako informační třídy -shlukové analýzy - shluky které mají podobné vlastnosti v rgb –hieargické —sklučovací - začínáme s jedním pixelem a hledáme spektrálně nejbližší a shlukujeme je —rozkladové -vstupní soubor se postupně rozděluje na skupiny –nehierarchické —K-means- přiřazuje pixely k shluku k jehož průměrovému vektoru má nejblíž, vytváří nové polohy centroidů, opakování než je rozřazena vetšina pixelů —ISODATA - rozšížení k-means - rozděluje heterogenní skluky, shluky s blízkými středy než je hodnoty jsou sloučeny, ruší shluky s málo pixely než je zadání hodnota -postup: –definujeme si počáteční polohy shluků (středy) a ty se umístí po diagonále příznakového prostoru, lze umisťovat i manuálně –proběhne první iterace - algoritmus vychází z centroidu a přidává okolní pixely, rozdělí počáteční soubor do shluků –druhá iterace - přizpůsobení shluků, klasifikace nejvzdálenějších pixelů –posouvá se poloha centroidů do největších shluků pixelů -jednoprůchodové algoritmy - mají jen jednu iteraci, vytvoření histogramu, vrcholy jsou centroidy shluků, údolí jsou hranice shluků -úprava výsledků - shlukům vytvořit informační hodnotu (geografický význam) a přiřadit k informačním třídám –postklasifikační shlazení výsledků, hodnocení přesnosti klasifikace (chybová matice (porovnání referenčních dat s klasifikací), kappa koeficient (porovnání klasifikace podle určitého pravidla s klasifikací vzniklou náhodným procesem)),nízkofrekvenční filtrace (odtranění osamocených pixelů), sieve filtr (odstranění malých ploch) -ideální výsledek - více spektrálních tříd přiřadíme do méně informačních -hybridní klasifikace - zaklasifikujeme několik pixelů a operátor rozřadí zbytek, nebo vybere ROI oblast, řekneme že je to les a operátor podle toho rozřazuje -objektově orientovaná klasifikace - velké objekty se segmentují do menších a sledujeme jaké podobjekty má sledovaný objekt, jaký objekt mu je nadřazen a jaké má sousední objekty, vstupují do klasifikace geografické vlastnosti

klasifikace v envi -k-means - nastavíme počet tříd, iterací a procento do kterého se bude rozdělovat -totéž pro isodata + minimální počet pixelů v třídě -hodnocení - podle obrazu - porovnání obrazů se stejným počtem tříd - confusion matrix using ground truth image –overall acuracy - podobnost klasifikací –kappa - pokud by byl 1, obrazy jsou stejné –v total manageru - dáme gray scale na total class error - vyhodí všechny pixely které byly jinak zaklasifikovány -úprava klasifikace - pojmenování tříd - pravým na třídu –vytvoření roi bodů pro jednotlivé klas - potvrzení enter po každém bodu –confusion matrix using ground truth roi

3 isa 3 k-means, vyberete jednu s 5 třídama, vytvoříme roi a confus

cvičení 30.11. řízená klasifikace -stanovují se základní klasifikační témata -základem jsou trénovací plochy výběrem reprezentativních pixelů pro každou informační třídu (kompletní a reprezentativní, rovnoměrně rozprostřené na snímku, pro každou třídu minimálně 100 pixelů) -výpočet statistických charakteristik pro jednotlivé trénovací plochy -volba vhodného klasifikátoru a jeho použití pro zařazení všech pixelů envi -vytvořit roi trénovací plochy -nahrajeme si statistiky do excelu, vytvoříme spojnicový graf se značkami pro sloupce mean.. potom označíme graf, dáme rozložení, chybové úsečky, vlastní.. vybereme skupinu a dole si dáme vlastní data a tam přidáme v obojím sloupec StdDev -klasifikátor maximal likelihood clas. - největší pravděpodobnosti (hodnoty 0.2 a 255) -spojování tříd přes combine classes (u řízené i neřízené) -klasifikátor spectral angle mapper clas.

cv 7.12.2015 -classification workfloat - průvodce -vymezení červených střech - roi červených střech - target detection wizard - arbirtary- vybrat data - atmosférické korekce (nevybíráme) - import roi střech - no - no -metody zpracování : ACE, SAM - vybrat metodu - uložit jako shp - nahrání shp