Loading

Module 1: Filtro e classificazione delle immagini

Note di Apprendimento
Study Reminders
Support
Text Version

Filtraggio spaziale delle immagini

Set your study reminders

We will email you at these times to remind you to study.
  • Monday

    -

    7am

    +

    Tuesday

    -

    7am

    +

    Wednesday

    -

    7am

    +

    Thursday

    -

    7am

    +

    Friday

    -

    7am

    +

    Saturday

    -

    7am

    +

    Sunday

    -

    7am

    +

Video 1

Quindi le tecniche di razionalizzazione e di analisi dei componenti principali sono dati multi spettrali mentre questa tecnica di filtraggio spaziale può essere eseguita in singola band o su un composito a colori anche. Ma la banda di razionamento del corso richiede un numero minimo di 2 di bande e per l'analisi dei componenti principali si richiedono almeno 4 bande per eseguire questa operazione. Così inizieremo prima con la tecnica di filtraggio spaziale e queste sono chiamate anche operazioni locali sostanzialmente lo scopo principale di questa cosa dopo il potenziamento se si vuole vedere più nitidezza nell'immagine o più sfumature nell'immagine poi andiamo per queste tecniche di filteringaggio spaziale. Quindi in sostanza anche si chiama tecniche di convoluzione o tecnica di filtraggio a convolgimento. 2 principali categorie di filtri sono i filtri spaziali sono noti nell'elaborazione digitale delle immagini di elaborazione remota dei dati di telerilevamento. Ci potrebbero essere altri filtri e il concetto di queste tecniche di filtraggio è arrivato attraverso il sapiente ahh ingegneria elettrica o elettronica per filtrare i diversi modi o l'umidità qui si tratta di filtri spaziali diversi da un filtro lineare o scorrevole. Stiamo quindi parlando di questo filtro spaziale non il filtro che generalmente viene utilizzato per una clearance del rumore d'onda e altre cose. 2 tipi principali uno sono i filtri a basso passaggio sostanzialmente che sottolineano le tendenze territoriali regionali rendono la vostra immagine più agevole e dedica la variabilità locale. Così ogni qualvolta si richiede che si voglia vedere le cose regionali piuttosto che le cose locali poi il filtro passa basso è impiegato e quando vogliamo che si sappia che le cose locali vanno sottolineate poi andiamo per un filtro passa alto. Queste sono le 2 cose principali che ci sono in diversi tipi di filtri in alta categoria pass e uno possiamo mettere come potenziamento edge in modo che combini sostanzialmente entrambi i filtri ma un focus principalmente è sui bordi delle tue caratteristiche principali. Supponiamo che vi sia strada che volete sottolineare che la strada su un'immagine o una caratteristica lineare su un'immagine satellitare possono essere caratteristiche geologiche o qualche altra caratteristica poi per questo scopo usiamo l'annuncio di bordo. Quindi localmente le caratteristiche che si vogliono sottolineare o potenziate e le cose regionali non sono annunciate lì. Così come stavo solo accennando che se prendo questa singola onda sulla figura superiore A. È la combinazione di 3 razze di diverse ampiezze e frequenza ci sono quindi se applichiamo il filtraggio sulla figura superiore di frequenze diverse questo è quello che otterremo. Così il fondo si mostra sostanzialmente la combinazione di 3 onde in una forma d'onda totale. Così quindi l'altro si sa quando si va per un filtro corale o lineare ma il filtro che stiamo parlando è sostanzialmente il filtro spaziale. Come questi filtri guarda e come questo viene eseguito su un'immagine di cui parleremo ora fondamentalmente queste sono matrice di convoluzione e l'esempio che ho preso ora è il filtro passa basso. Quindi cosa faremo qui vediamo che è un esempio di filtro a matrice di convolution a basso passaggio. Un filtro è in sostanza matrice dimensionale 2 che potrebbe essere 3 / 3 pixel o forse 5/5 pixel o 7 o ithas ad essere strano numero il motivo è perché per il pixel del centro che calcolerà il valore da un'immagine che viene sottoposta a filtraggio in questo caso il filtro passa basso.
Quindi se prendo esempio più semplice di come il secondo che sta avendo un filtro spaziale a filtro che stiamo avendo un solo valore e tutti questi valori di cella supponiamo che questo dice messo qui poi i corrispondenti valori cellulari si moltiplicherà con qualunque sia il valore della cella nel filtro. Qui nel nostro caso tutti i valori cellulari sono 1 così 24 moltiplicati per 1, 26 moltiplicati per 1 e altrettanto e poi sono totali divisi per 9. Quindi ciò che accadrà creerà un valore medio utilizzando i pixel circostanti al centro pixel che è in questo esempio è valore avere 30. Quindi con il quale si scorrerà l'immagine e come risultato potete vedere in fondo così questa è l'immagine in ingresso che si sta vedendo qui che è stata sottoposta a filtraggio a basso passaggio e più smoothening si è verificato in questa immagine dopo questo filtraggio che ci viene dato lì. Quindi l'unico problema nel filtraggio spaziale è quello che accade sui bordi perché se voglio calcolare il nuovo valore di pixel attraverso il filtraggio per questo pixel d'angolo o il pixel che sono sui bordi allora non posso mettere la mia matrice di rowing over 26 perché poi raggiungo verso l'esterno di un'immagine. Quindi l'immagine in uscita avrà una colonna da 1 righe 1 come questa su tutto il limite di spessore 1 pixel senza alcun valore. Quindi non calcolerà e che verrà memorizzato anche nell'immagine così che è l'unica limitazione che stiamo avendo per il filtraggio a basso passaggio o per filtrare in alto che i bordi di spessore 1 pixel se si tratta di un filtro spaziale da 3 /3 pixel. Se questo filtro è da 5 / 5 allora 2 righe di spessore di 2 pixel in basso e in alto in basso a sinistra e a destra non verranno considerati o filtranti spaziali. E se vado per 7 / 7 poi sarà il 3 così altrettanto solo nei bordi che abbiamo problemi. Quindi questo tipo di trade off lo scopo qui è stato quello di regolare l'immagine in modo da poter vedere le caratteristiche più regionali piuttosto che distrarmi a causa delle variazioni locali o delle caratteristiche locali. A tal fine la matrice di convoluzione del filtro passa basso può essere applicata l'esempio qui dato anche per il pixel del centro come questo e tutti questi pixel sono stati considerati mentre calcolano i valori ed è così che funzionerà il filtro passa basso. Ci possono essere molti altri filtri che sono gli esempi di filtri ad alto passaggio qui lo scopo qui a sottolineare le caratteristiche locali e a desottolineare le caratteristiche regionali quindi in tutti questi esempi che qui vengono mostrati A, B, C, D fino a F tutti sono alcuni valori alcuni valori cellulari di questo filtro sono in negativo perché lo scopo principale ricorda è che vogliamo sottolineare le caratteristiche locali uno. Quindi sui bordi di questi filtri anche se abbiamo preso l'esempio più semplice che sia 3 filtri /3 nessuno i meno alcuni valori sono sempre in negativo. E i valori del centro come qui 5, 5, 9 questi sono valori più alti quindi ciò che accadrebbe quando questi filtri andranno su un pixel di celle di immagine per il calcolo nuovo valore di pixel pixel dopo pixel per tutta quell' immagine allora cosa accadrà a causa di questo alto valore nel centro che verrà utilizzato per sottolineare le caratteristiche locali e allo stesso tempo sminuirà le caratteristiche regionali.
Mentre in caso di filtro passa basso e nessun trattamento spaziale per il pixel del centro e quindi come non dare 8 valore o 6 valore qui ogni valore è lo stesso perché lo scopo qui è quello di desottolineare le caratteristiche locali appena opposta al filtro passa alto e sottolineano le caratteristiche regionali.
Così proprio ogni qualvolta si vede un questo tipo di matrice filtrante e questa matrice di convoluzione ogni qualvolta si vede se si vede un qualsiasi valore negativo 1 e il valore del centro è elevato si può subito indovinare che si tratta di un filtro passa alto. Se andiamo a detrazione edge allora dobbiamo sapere che per quale direzione vogliamo sottolineare le caratteristiche che è il motivo per cui ci sono in alcuni casi come se prendo questo esempio solo 2 valori stanno avendo meno riposo stanno avendo valori positivi. Quindi ciò che fondamentalmente si ha lo scopo qui è devisionare le metriche in base agli algoritmi più complessi che sono esempio di metriche B e C. Così edge enhancement risulta dall'aggiunta della detrazione del bordo dell'immagine originale ad esempio d, e, n e f. Quindi di noi sappiamo queste cose poi possiamo sottolineare che voglio potenziare gli unici bordi non tutte le caratteristiche locali attraverso il filtro passa alto quindi questi sono lo strumento. Ora vediamo l'esempio qui questo è l'esempio di filtro passa alto in cui la matrice di convoluzione di 11 / 11 pixel non 3 / 3 non 5 / 5 non 7/7 e 11 di più grande la matrice di questa convolution sarebbe più grande la dimensione del filtro sarebbe racchiudere grandi valori di pixel per calcolare il valore di pixel per il pixel del centro e quindi visto che è il filtro passa alto. Ciò che ha fatto ha desottolineare tutte le caratteristiche regionali perché è un filtro di dimensioni relativamente grande 2 11 / 11. E quindi desottolineare le caratteristiche regionali e sottolineare fortemente le caratteristiche locali ed è quello che state vedendo questi bordi di tutte queste caratteristiche che siamo più o meno noiosi in immagine originale sono stati sottolineati come qualsiasi cosa si possa vedere molto chiaramente le caratteristiche lineari o i bordi di tutte le caratteristiche. Ecco allora che il vantaggio del filtro passa alto per quanto più grande è la matrice di convoluzione per un filtraggio speciale è se si tratta di un passaggio basso o di un passaggio più alto il tempo che ci vorrebbe per l'elaborazione. Quindi se si sta avendo un'immagine molto grande allora la nella pratica quello che si dovrebbe fare dovrebbe prendere un sottoinsieme dell'immagine e provare a eseguire il filtraggio usando lo stesso concetto si potrebbe usare 5 /5 o 7/7 e una volta sicuri che ora voglio questo filtro per l'intera immagine poi corri per perché se questo è un obiettivo più o meno necessario o richiedere qualche iterazione finché non trovi l'output è adatto al tuo progetto fino ad allora continuerai a provare diverse opzioni. Quindi la cosa migliore è creare un sottoinsieme dell'immagine provare tutti i tipi di filtraggio e una volta aresati poi prendere l'intera immagine ed eseguire quel filtro più adatto a te e in quel modo risparmieresti molto tempo. Altrimenti per una grande immagine avere 11/11 matrice di convoluzione richiederà molto tempo per l'elaborazione. Allo stesso modo il filtraggio direzionale è possibile come il potenziamento del bordo ovunque i bordi attraverso il filtro passa alto saranno sottolineati. Ma voglio in un particolare se so che ci sono caratteristiche che dicono di correre nella direzione est ovest o nella direzione nord sud. Quindi voglio sottolineare quelle caratteristiche lineari e per questo userò dei filtri direzionali 2 esempi sono qui 1aa è l'esempio per la direzione del reparto nord che significa che le caratteristiche sono nel nord si conosce direzione nord sud. Ora se si vede attentamente questa matrice di convoluzione del 3/3 si vede che qui sto aggiungendo più valori al mio pixel del centro in direzione nord e mentre in direzione sud sto avendo valori negativi. E lo stesso nella direzione sud - ovest e lo stesso nella direzione sud - est anche se il valore è di -1 -1 sia in questi angoli ma il lato meridionale che ne ho 2 è per questo che produrrà un'immagine che avrà più rilievo nella direzione nord. E mentre se voglio una direzione sud questa è la direzione sud ovest in caso di b allora metterò i valori negativi qui in angoli opposti e poi questi valori che significano le caratteristiche che stanno avendo orientamento verso nord sud saranno sottolineate a nordest sud - ovest.
Così qui le caratteristiche di direzione sud - ovest del sud - ovest saranno sottolineate. Quindi anche solo guardando una matrice di convoluzione del filtro si può capire che quale effetto sarà sull'immagine una volta che questo viene utilizzato per il filtraggio. Quindi allo stesso modo e non solo filtro passa basso non solo il filtro passa alto è possibile utilizzare il potenziamento edge per il quale a volte si va per una matrice di convoluzione molto grande come nell'esempio precedente 11/11 oppure è possibile utilizzare anche il filtro direzionale. Vediamo ora un esempio qui che questa è l'immagine in ingresso sul lato sinistro e sul lato destro si sta avendo il filtraggio direzionale delle immagini filtrate.
Così il filtraggio direzionale è stato fatto e quello che si sta vedendo che le caratteristiche che si trovano nelle direzioni sud - ovest del sud - ovest come queste sono state sottolineate in modo molto significativo e mentre non è molto facile per chiunque prendere quelle caratteristiche molto facilmente nell'immagine non elaborata o cruda. Quindi questi che dalle diverse direzioni spicca per valorizzare o svelare caratteristiche lineari perché il nostro obiettivo è quello di trovare alcune caratteristiche lineari presenti nell'immagine in molte scienze legate al lavoro nell'esplosione mineraria di petrolio a terra esplosione queste caratteristiche lineari svolgono un ruolo molto importante o magari in molti progetti di ingegneria civile. Quindi questi sono necessari quindi bisogna sottolineare in una direzione e nella matrice di convoluzione che deve essere nella direzione opposta. Quindi preferenzialmente vicino alla perpendicolare a quella direzione trasversale e ciò che si sta vedendo che questo filtro è stato spostato in tutta l'immagine eccetto lo spessore di 1 pixel su tutti i lati.

Video 2

Ora finora quello che abbiamo visto gli esempi e discutere su una singola band, però, si può anche fare il filtraggio spaziale su immagini multispettrali o immagini colorate o composito a colori non un problema affatto. Ma questi sono ora anche considerare un filtraggio speciale sotto le statistiche delle immagini variate o l'analisi delle immagini. Ora si parlerà di analisi di immagini multivariate o di immagini di immagini così 2 cose di banda e componenti principali.
Così come sapete che in remoto sensing siamo preoccupati per la misurazione di quanto radiante si riflette o emesso da un oggetto su più di 1 band e perché stiamo coinvolgendo ora più di 1 band. Quindi in esso è utile calcolare statistiche multivariate che si misura come covarianza o correlazione tra diverse band. Perché sai che se vedi la band dopo la band in una passione continua potresti scoprire che a volte sono altamente correlati. E vogliamo usare quelle band nei nostri possono essere compositi a colori o in qualche analisi multispettrale in cui le fasce degli utenti finali sono meno correlate. E a tal fine potremmo eseguire statistiche di immagini multivariate. Quindi il rapporto di banda è uno dei componenti di principio della tecnica o in breve abbiamo anche chiamato come PCA potrebbe essere funzione di selezioni di selezioni e valutazione di accuratezza tutte queste verranno sotto queste statistiche multivariate. Prima andremo per un razionamento di banda ha coinvolto 2 band fondamentalmente e come se si vede nella figura e alcuni valori ci sono anche lì che la radiazione solare sta venendo qui e qualunque sia da superfici diverse una superficie è l'esempio è mostrato un altro esempio è il letto rosso e poi si può avere del terreno su un lato questo luminoso perché il sole è su questo lato destro mentre sul lato sinistro è all'ombra.
Quindi i valori che si stanno vedendo sono valori diversi che si sta venendo dopo la riflessione da diverse superfici che si sta vedendo qui. Quindi è possibile che questi valori di grossolana diano una riflessione diversa ma se ci sono 3 fasce di scenari ci sono rossi, verdi e blu. Se prendo questo esempio che da questa superficie questo è marcato il giallo qui tutti danno quasi la stessa riflessione ma quando andiamo alla fascia rossa che nella fascia rossa o in rosso sta avendo valore 46. Mentre altri verdi e blu in quella banda la loro riflessione è appena 23 se vado nella parte ombra poi i valori qui invece di 46 tutti i valori sono 23 ma la banda rossa è di nuovo avere il massimo che sono 23 e il resto stanno avendo 11 e 12 perché è nel lato ombra. Ora se c'è un effetto scatter e altre cose questi valori si ridurranno ulteriormente e potremmo ottenere valori solo fino a questo tanto 5, 14, 32. Quindi se eseguiamo il razionamento della banda possiamo sfruttare queste differenze che si verificano in diverse fasce e possono creare nuovi outputs e immagini molto utili da ricevere. Vediamo l'esempio qui sul lato sinistro che conosci la band una che è la radiazione blu come noi che dimostra che il loro difficilmente posso differenziare tra diverse unità rocciosi che sono presenti qui o le coperture di terra che ci sono. Ma quando creo un rapporto di banda tra la banda 3 e la banda 2 questo è esempio da terra sat TM. Poi mi viene chiaramente l'unità chiara che esce nell'immagine ratio della band che non è possibile nella banda 1 a causa della topografia non ci permette di vedere le più diverse in (()) (22.06) unità. Mentre sull'immagine a destra quando creo una band un rapporto di banda 3 e 2 che rimuove l'effetto di effetti di illuminazione topografica o di illuminazione differenziale e che ne frescerà le differenze nel tipo di roccia e questo è l'esempio. Anche se la produzione sarà in bianco e nero 2 immagini grigie di banda 3 e banda 2 in questo esempio ho preso un output è in scala grigia. La banda 1 non ci permette di differenziare tra 2 grandi (()) (22.42) unità quindi questo è uno dei migliori esempi. Ora se sto avendo troppe band con noi non solo 4 forse 7 forse 10 o 20 in caso di hyper spettral anche. Poi posso creare molti rapporti di banda di diverse combinazioni e poi poter creare un composito a colori del rapporto di banda è come qui questo è esempio che questi 2 altro rapporto sia questo è di 5 band perché questo è terreno set 7. Quindi stiamo avendo il sensore di terra TM o TM plus. Quindi stiamo avendo 7 band quindi il rapporto 5/2 è questo primo uno l'estrema sinistra poi questo centro uno è il rapporto banda 7/4. E poi posso creare un rapporto in più è stato creato che è 3/2 come mostrato prima 3 /2 quindi tutti questi 3 rapporti sono stati presi qualsiasi formato composito di banda è stato creato dando a questa immagine 2RGB così 3/2 a banda è stato assegnato colore rosso 5/2 è stato assegnato colore verde e 7/4 è stato assegnato dal colore blu. E se lo facciamo allora vediamo che non solo ora 2 unità rock ma diverse unità rocciosi stanno uscendo molto chiaramente. Altrimenti si vede se si confronta con questa prima fascia d'immagine 1 solo si può interpretare che tutto è quasi uguale a come per le rocce ci sono o la copertura del suolo c'è. Ma quando vediamo qui ora stiamo dicendo che ci sono molte almeno 5, 6 unità rocciose sono ben visibili nel razionamento della banda.
Quindi questo è il vantaggio e quindi dobbiamo capirne uno mentre si crea questa combinazione di rapporti di banda che come rocce diverse, vegetazione diversa o diverse unità di terra starebbero rispondendo attraverso queste schede spettrali in diverse fasce. Così le bande 7 per esempio sono buone per mostrare idrossils comune in roccia alterata idrotermicamente questo è più specifico per le scienze geologiche. Ma in altri casi anche una volta che comprendiamo le curve di risposta spettrale per diverse fasce poi di caratteristiche diverse allora riesco a creare quei rapporti di banda delle combinazioni di band e poi a crearlo finalmente un'immagine composita che è un'immagine composita a rapporto di banda. Così nella normale immagine composita a colori falsi non vi darà mai tali risultati un rapporto di banda 2 singolo creerà sempre un'immagine in bianco e nero. Qui utilizzando 3 rapporti di banda e dando allo schema RGB lo schema di colore additivo 1 può creare uno splendido outputs per discriminare oggetti diversi, caratteristiche diverse, rocce diverse, minerali diversi molto chiari molto convincente. Ecco allora il vantaggio di ricordare quando abbiamo discusso di questo spazio colore e di falsi colori composito e altre cose. Ora quei concept che abbiamo discusso vengono utilizzati direttamente qui per questo è il motivo per cui anche quelle cose importanti. Ora un'altra tecnica di rapporto di banda ma poco non semplice come 5/2 o 4/7 non è poco più calcolo c'è e questo è indice molto standard ci sono molti indici relativi alla vegetazione o alla copertura della neve e ad altra identificazione della caratteristica della superficie di identificazione della superficie ma quella che mi accendo a discutere in indice di vegetazione a differenza normalizzata. Quello che sta accadendo in questo indice quello che stiamo facendo siamo canale a infrarossi meno canale rosso. Così il rosso verde azzurro poi ad infrarossi in questa sequenza otteniamo la banda così prima sto mettendo al canale infrarossi sapendo che il canale a infrarossi la vegetazione avrà una vegetazione sana avrà la riflettanza più alta. Quindi usando quel canale meno il canale rosso queste saranno quantità positive sicuramente divise per infrarossi più il rosso così di nuovo questo sarebbe un numero più grande di quello superiore.
Quindi cosa accadrebbe in modo che si creasse un indice e questo possa essere usato di grossolano ci sarà un fattore di moltiplicazione e in modo da ridimensionare i valori compresi tra 0 e 255 se lo scenario 8 bit lo moltiplichiamo anche per il 255. E finalmente otteniamo l'output che è l'indice NDVI o l'immagine NDVI che mostrerà la salute della vegetazione perché abbiamo usato il canale infrarosso 2 volte in modo diverso. Così dove aumenta la fonte rossa perché c'è un blu e quindi se la vegetazione non è sana poi la riflessione che conosci questa risposta le curve di risposta spettrale della vegetazione si sposteranno verso il rosso piuttosto che rimanendo al massimo nell'infrarosso. Quindi se il rosso è aumenta che dimostrerà che la vegetazione sta avendo stress non molto buoni i contenuti di clorofilla e così VNIR vicino molto vicino agli infrarossi mostrerà valori più alti. Quindi utilizzando questo indice possiamo valutare anche la qualità o la salute della vegetazione per esempio qui 2 esempi sono qui uno è il lato sinistro che si sta avendo una vegetazione sana nel lato destro si sta avendo la vegetazione sotto stress o può essere in caso di alberi decidui questi sono alberi o leafs stanno per cadere se questo è lo scenario e se creiamo un indice di vegetazione ciò che si avvezzi. Nel canale infrarosso 50% questo è schematico così 50% riflessione torna al sensore nel canale infrarosso in caso di vegetazione sana e mentre in visibile che è la parte rossa del canale visibile è solo 8% che va. Se si confronta questo con la vegetazione sotto stress o si muore di vegetazione solo il 40% in infrarossi sta andando mentre nel rosso visibile si va a 30%. Quindi questi valori sono stati calcolati in basso come NDVI così 0,5 - 0,08 e la percentuale è stata scattata qui quindi voi 0,72 qui. Se ridimensioniamo nel 255 moltiplichiamo quel valore e otteniamo anche un valore di pixel. Ma per il momento prendiamo 0,72 in caso di sana vegetazione di questo rapporto in sostanza questo è anche rapporto. E in caso di vegetazione che va sotto stress si ha appena 0,14 minuti così si può capire dove facilmente che una vegetazione che è sana ad alto contenuto di clorofilla avrà un alto valore NDVI e mentre la vegetazione che è sotto stress per l'essiccazione avrà un contenuto molto meno contenuto in questo esempio di contenuto di clorofilla e di grossolano valore NDVI in modo che ne sia il vantaggio. Così semplice invece di semplice rapporto di banda se impieghiamo il NDVI e normalizziamo la differenza perché normalizzare ci normalizziamo moltiplicando per qualche fattore o in 8 bit scenario possono essere 255 e così quando la normalizziamo ci indice e che ci racconta la salute della vegetazione. Se vediamo in forma di immagini questo è lo scenario che questa è la prima immagine sul lato sinistro è giugno 2003 di alcune parti d'Europa e sta completamente coprendo anche il regno unito e l'Irlanda del nord Irlanda. E vedere in quella parte del mondo il mese di giugno i valori NDVI sono molto alti mentre nel mese di ottobre quando l'inverno si avvicina in quella parte del mondo i valori NDVI vanno molto meno come si può vedere perché il colore verde NDVI 1 significa il più alto NDVI qui.
Così presto ci sono pochi posti in cui si sta diventando verdi altrimenti riposarsi in modo molto meno valore quindi questi valori continuano a cambiare stagione in stagione e ci dicono e se non si vede ma se in una copertura forestale se alcune aree come mostrare meno valore NDVI ci potrebbero essere a causa della vegetazione sono sotto stress forse perché di alcuni si sa potrebbero essere alcuni elementi attaccati da alcuni batteri o qualunque cosa e che possano distruggere la vegetazione o potrebbe essere la mancanza di acqua. A volte in un terreno collinare se una pendenza si muove molto lentamente poi la vegetazione si secca anche e che può essere prelevata anche attraverso questa analisi NDVI e possiamo demarlo anche la zona dopo la verifica sul campo.


Video 3

Ora l'ultima parte qui è l'analisi dei componenti di principio molto interessante e molto utile anche. Lo scenario che le cifre che si stanno vedendo in pratica sta mostrando esempio da 2 band solo e la sinistra non è altro che una trama di dispersione. Quindi cos' è la banda 1 contro la banda 2 e vedono che sono band altamente corriferi comunque qui l'origine di questa trama di dispersione è qui in fondo all'estrema sinistra. Ora per calcolare prima l'analisi dei componenti di principio sto per spiegare attraverso la grafica allora l'origine è sostanzialmente spostata invece che nell'angolo in basso a sinistra si sposta al centro di questo cluster di pixel correlati tra 2 diverse bande come qui viene mostrato. E quella in cui c'è la massima correlazione è lì che è assegnata la componente principio una variazione massima scusa le variazioni massime che ci sono ci sono la componente di principio assegnista uno e quella che sta avendo variazioni relativamente meno variazioni rispetto al principio una perpendicolare a PC1 è assegnare PC2. Ora se sto avendo un 3D in 3 scatter dimensionali allora posso avere una componente di principio in più. E ma questo si basa sulla grafica ma pensate da voi sapere se sto avendo 7 band e voglio calcolare l'analisi dei componenti di principio attraverso la programmazione o attraverso la matematica è possibile ma in grafica solo 3 dimensioni possono essere mostrate comunque ciò che a causa delle correlazioni di banda come ho accennato uno vede che la banda 1 non è poi così diversa da quella che la band vede e questo è l'esempio. Così come per l'algebra lineare stiamo realizzando vettori Eigen dove i valori Eigen contengono il contributo di ogni banda alla componente di principio così è così che viene fatto il calcolo. Ora ci sono 7 fasce di scenario sono scattate in caso di terra sat TM e tu sei quello che stai vedendo 6 componenti. Ora vediamo che questo ad avere le massime variazioni presenti tra i valori di pixel andrà in linea di principio 1 a causa di una elevata correlazione tra le banche anche. Così attraverso l'analisi dei componenti di principio il PC1 porterà sempre le variazioni massime. Quindi PC1 qui il top di sinistra sta mostrando le variazioni massime. E i componenti di principio 6 generalmente porteranno i rumori così si può usare anche questa tecnica per rimuovere i rumori da queste bande come questa. Ora si sta avendo un componente di principio 1 che sta avendo la massima variazione presente tra i pixel sono memorizzati in PC1 poi il prossimo è il PC2 che è qui in alto a destra e poi PC3. Come in NDVI abbiamo creato un composito a colori usando 3 bande rapporti di combinazione similmente qui anche questo possibile per creare composito a colori usando il principio 1 PC1, PC2 e PC3. E nel 4 come potete vedere sono anche variazioni ma i rumori o gli effetti di stripping sono visibili qui quinto e sesto sta avendo il massimo del rumore. È così che si sa che otterrete la matrice di correlazione e di vettori di correlazione Eigen di correlazione anche se si otterrà o così la banda 1, banda 2, banda 3, 4, 5, 6 band sono state utilizzate qui. E ancora la banda PC1, PC2, PC3 e allo stesso modo e tutte queste analisi statistiche saranno eseguite e potrai realizzare potrai creare un composito a colori di principio 1 PC1, PC2, PC3 dando uno schema RGB finirà con la bella immagine e bella. Nel senso che vi darà più una migliore interpretazione più discriminante tra gli oggetti perché la combinazione di colori a 6 bande non può essere possibile per analisi di principio non solo si stanno rimuovendo gli errori dai dati ma si sta raccogliendo tutte le variazioni che sono presenti in7 o 6 bande in soli 3 componenti e poi creando un composito di colore. Ora poca variazione di principio componente e che più si conosce la correlazione più variazioni possono essere create impiegando una tecnica che si chiama stretch di correlazione che si può fare solo dopo l'analisi dei componenti di principio. Ecco l'esempio che la stessa banda di esempio 1 e banda 2 altamente correlati ci sono e in caso di banda 3 banda 5 meno correlazione ci sono quando andiamo per la banda 7 e la band 4 land sat TM vediamo che esiste meno correlazione. Quindi cosa in de - correlazione quello che è fatto in sostanza spiegherò qui che questi gli strettoi sono fatti in entrambi i componenti qui non si fanno stretching in queste immagini di uscita lineari. E possiamo stirare linearmente questi componenti e possiamo fare il tratto di de - correlazione che è il motivo per cui siamo de - correlati queste sono le bande correlate e se creo la componente di principio 1 che sarebbe in questa direzione di grossolana un'origine sarebbe qui al centro di questo cluster così li stirerò linearmente. E se mi allungo linearmente che significa che sono de - correlati e sono di questo sto facendo di più generando più variazioni tra le band. In 3 dimensioni ci sono sai che tutti questi aerei e al centro tutte queste fasce sono mostrati e questo sono rispettivamente molto correlati dopo che DCS de - correlazione si allunga nello spazio colore RGB questo è ciò che si vede. E dopo la DC questo è in giallo e viola e altro spazio colore in diverse combinazioni si vede questo e poi si può avere dopo DCS, HSY che anche IHS è intensità Hue e saturazione. Qui la saturazione di intensità in colore giallo ma il principale punto importante è qui che questa trama originale potrebbe sembrare questa ma quando si fa il tratto di de - correlazione sembrerebbe questo che significa avere de - correlare ogni correlazione tra le band e avrà una variazione massima. Esempio questa è semplice immagine RGB che ha di grossolano 3 bande qui ora questo è esempio da terra sat TM. Ora ci sono 6 bande che sono state scattate per l'analisi 3 componenti sono state create queste 3 componenti sono state de - correlata nuovamente componente principio 1, 2, 3 e dopo che è stato creato un composito a colori e questo è ciò che è de - corcorrelata immagine. Ora vediamo che quel che tipo di voi conosce la variazione ha creato tra i valori di pixel per una migliore interpretazione e distinguendo molto facilmente oggetti diversi come potete vedere nel solo potete vedere le grandi differenze tra i semplici RGB falsi a colori falsi e l'immagine de - corcorrelata. Di uno schema di colori grossolani cambierà sicuramente uno di cui occuparsi mentre fa le interpretazioni ma sta portando molte caratteristiche molto chiaramente che altrimenti non è possibile in semplice immagine RGB o immagine composita a colori false. Così questo porta alla fine di questa discussione e abbiamo iniziato con solo per riassumere tutto o riepilogare. Abbiamo iniziato con i you know this band ratio cose e prima di quel tempo filtraggio spaziale 2, 3 tipi di filtraggio superiore, filtro passa basso, potenziamento edge e filtraggio direzionale. E poi edge enhancement e high pass sono uguali ma nel potenziamento edge si prende generalmente una grande matrice di convoluzione poi abbiamo discusso i rapporti di banda, i rapporti di banda sono compositi anche e poi abbiamo discusso del NDVI come valutare la salute della vegetazione utilizzando dati di telerilevamento questo è una cosa molto standard a