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
georeferencování
customize → georeferencing → fit to display
georeferencing → transformation (čím vyšší řád, tím je potřeba víc bodů)
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
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
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)
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
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!!!!!)
-
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
Iso Data Classification
Confusion Matrix Ground Truth image
Confusion Matrix pomocí ROI