Loading
Nota de Estudos
Study Reminders
Support
Text Version

Filtragem espacial de Imagens

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

    +

Vídeo 1

Assim, o racionamento de banda e as principais técnicas de análise de componentes são realizar dados multi espectrais considerando que esta técnica de filtragem espacial pode ser realizada em banda única ou em um composto de cores também. Mas o racionamento de banda é claro que você exige número mínimo de 2 de bandas e para análise de componente principal você requer pelo menos 4 bandas para executar esta. Assim, começaremos primeiro com a técnica de filtragem espacial e estes também são chamados de operações locais basicamente o principal objetivo dessa coisa após o aprimoramento se você quiser ver mais nitidez na imagem ou mais alisamento na imagem então vamos para essa filteringtécnicas espaciais. Por isso, basicamente também se chama técnica de convolução ou técnica de filtragem de convolution. 2 As principais categorias de filtros são filtros espaciais são conhecidos no processamento de imagem digital de processamento remoto de dados de sensoriamento remoto. Pode haver alguns outros filtros e o conceito dessas técnicas de filtragem ter chegado através do you know ahh elétrica ou engenharia eletrônica para filtrar as diferentes maneiras ou moisturas aqui ele é filtros espaciais diferentes de um filtro linear ou de corte. Por isso, estamos falando desse filtro espacial não o filtro que geralmente é usado para uma liberação de ruído de onda e outras coisas. 2 Os principais tipos um são os filtros de baixo passe basicamente os quais enfatizam as tendências espaciais regionais tornam sua imagem mais fumante e deenfatiza a variabilidade local. Por isso, sempre que você exigir que você queira ver as coisas regionais em vez de coisas locais então o filtro de passe baixo é empregado e quando queremos que você saiba que as coisas locais devem ser enfatizadas então vamos para filtro de passe elevado. Sendo assim, essas são as 2 principais coisas que existem em diferentes tipos de filtros em categoria de alto passe e uma que podemos colocar como reforço de borda para que combine basicamente ambos os filtros mas um foco principalmente esteja nas bordas de suas principais características. Suponhamos que haja estrada você quer enfatizar que estrada em uma imagem ou um recurso linear em uma imagem de satélite podem ser recursos geológicos ou algum outro recurso então para essa finalidade usamos anúncio de borda. Por isso, localmente as características que você deseja enfatizar ou aprimoradas e as coisas regionais não são anunciadas lá. Assim como eu estava apenas mencionando que se eu pegar essa onda única na figura de cima A. É a combinação de 3 acenada de diferentes amplitudes e frequência estão lá então se aplicarmos filtragem em cifra superior de frequências diferentes isto é o que vamos obter. Por isso, o inferior está mostrando basicamente a combinação de 3 ondas em um formato de onda total. Por isso, assim o outro você sabe quando vai para um tipo de corte ou filtro linear mas o filtro que estamos falando é basicamente o filtro espacial. Como esses filtros olhares e como isso é executado em uma imagem esta que estaremos discutindo agora basicamente estes são matriz de convolução e o exemplo que eu tomei agora é o filtro de passe baixo. Então o que nós vamos o que aqui vemos que é um exemplo de filtro de matrizes de convolução de baixa passagem. Um filtro é basicamente 2 matriz dimensional que pode ser de 3 / 3 pixels ou talvez 5/5 pixels ou 7 ou ithas para ser número ímpar a razão é porque para o pixel central ele irá calcular o valor a partir de tha imagem que é submetida para filtragem neste caso a filtragem de baixo passe.
Portanto, se eu pegar mais um exemplo simples de como o segundo que está tendo um filtro espacial de todas as células estamos tendo um valor e todos esses valores celulares suponha que isso diga coloque aqui então valores de células correspondentes irão se multiplicar com qualquer que seja o valor da célula no filtro. Aqui no nosso caso todos os valores de células são 1 so 24 multiplicam-se por 1, 26 multiplicam-se por 1 e da mesma forma e depois são totais divididos por 9. Assim, o que vai acontecer vai criar um valor médio usando os pixels circundantes para o pixel central que está em fora este exemplo é valor ter 30. Por isso, pelo qual vai fumando a imagem e como resultado você pode ver na parte de baixo então esta é a imagem de entrada que você está vendo aqui que foi submetida a filtragem de baixo passe e mais smoothening ocorreu nesta imagem após esta filtragem que é dada ali. Assim, o único problema na filtragem espacial é o que acontece nas bordas porque se eu quiser calcular novo valor de pixel através de filtragem para este pixel de canto ou o pixel que estão nas bordas então não posso colocar minha esta matriz de remo acima de 26 porque então eu alcanvo para o lado de fora de uma imagem. Assim, imagem de saída terá uma coluna de 1 linha 1 como esta em todos os limites de espessura de 1 pixels sem nenhum valor. Assim, não irá calcular e que será armazenado na imagem também para que seja a única limitação que estamos tendo para filtragem por baixo passe ou filtragem de passe alto que a borda de espessura de 1 pixel se trata de um filtro espacial de 3 /3 pixel. Se este filtro for 5 / 5 então 2 linhas de espessura de pixel na parte inferior e superior na mesma na esquerda e na direita não serão consideradas ou filtragem espacial. E se eu for por 7 / 7 então serão 3 tão da mesma forma só nas bordas estamos com problema. Então esse tipo de comércio fora do propósito aqui era fumar então a imagem para que eu possa ver as características mais regionais ao invés de eu me distrair por causa de variações locais ou de características locais. Para esse efeito a matriz de convolução de filtro de baixo passe pode ser aplicada o exemplo aqui também dado para o pixel central como este e todos esses pixels foram considerados enquanto calculam os valores e é assim que o filtro de baixo passe funcionará. Pode haver muitos outros filtros que são os exemplos de filtros de alto passe aqui o propósito aqui para enfatizar as características locais e desenfatizar os recursos regionais portanto em todos esses exemplos que são mostrados aqui A, B, C, D até F todos são alguns valores alguns valores de células deste filtro estão em negativo porque o objetivo principal lembram é que queremos enfatizar as características locais uma. Então nas bordas desses filtros apesar de termos tirado o exemplo mais simples que são 3 filtros /3 nenhum quanto menos alguns valores estão sempre em negativo um. E os valores de centro como aqui 5, 5, 9 estes são valores mais altos so o que aconteceria quando esses filtro passarão em um pixel de célula de imagem para cálculo novo pixel valor pixel após pixel ao longo dessa imagem então o que vai acontecer por causa deste alto valor no centro que será usado para enfatizar as características locais e ao mesmo tempo irá deenfatizar as características regionais.
Considerando que em caso de filtro de passe baixo e sem tratamento espacial para o pixel central e, portanto, como não dar 8 de valor ou 6 valor aqui todo valor é o mesmo porque o propósito aqui é deenfatizar as características locais que é exatamente oposto ao filtro de passe elevado e enfatizar as características regionais.
Então, só sempre que você vê um esse tipo de matriz de filtro e essa matriz de convolução sempre que você vê se você vê algum valor negativo 1 e o valor do centro é alto você pode imediatamente adivinhar que é um filtro de passe alto. Se vamos para a dedução de borda então devemos saber que para qual direção queremos enfatizar as características que é por isso que há em alguns casos como se eu pegar esses exemplos apenas 2 valores estão tendo menos descanso estão tendo valores positivos. Então, o que você basicamente tem a finalidade aqui é concebendo métricas com base nos algoritmos mais complexos que são exemplos de métricas de melhoramento de B e C. Portanto, resultados de métricas de melhoramento de borda adicionam a dedução de borda da imagem original para o exemplo d, e, n e f. Então de nós sabemos essas coisas então podemos enfatizar que eu quero apriviver as únicas bordas não todas apresenta recursos locais através de filtro de passe elevado para que estas sejam a ferramenta. Agora vamos ver o exemplo aqui este é o exemplo de filtro de passe alto em que a matriz de convolução de 11 / 11 pixel não 3 / 3 não 5 / 5 não 7/7 e 11 por maior a essa matriz de convolução seria maior o tamanho do filtro seria ele englobará grandes valores de pixel para calcular o valor do pixel para o pixel central e, portanto, já que é o filtro de passe elevado. Então o que o fez foi deenfatizar todos os recursos regionais porque é um filtro de tamanho de 2 relativamente muito grande 11 / 11. E, portanto, ele deenfatida os recursos regionais e altamente enfatizam as características locais e é isso que você está vendo essas bordas de todos esses recursos que somos mais ou menos maçantes na imagem original têm sido enfatizados como qualquer coisa que você possa ver muito os recursos ou bordas lineares de todas as características tenham surtado muito claramente. Portanto, essa é a vantagem do filtro de alta passe porém maior a matriz de convolution para filtragem especial é se ele é um passe baixo ou alto passe mais o tempo que seria necessário para o processamento. Então, se você está tendo uma imagem muito grande então o na prática o que você deve fazer você deve tirar um subconjunto da imagem e tentar realizar você sabe filtrando usando o mesmo conceito você pode estar usando 5 /5 ou 7/7 e uma vez que você tenha certeza de que agora eu quero essa filtragem para imagem inteira então corra para porque se este for um mais ou menos objetivo ou requerer alguma iteração até encontrar a saída é adequado para o seu projeto até então você continuará tentando opções diferentes. Então a melhor coisa é criar um subconjunto da imagem tente todos os tipos de filtragem e uma vez que você aresatisse então pegue a imagem inteira e execute aquele filtro que é mais adequado para você e dessa forma você economizou muito tempo. Caso contrário, para grande imagem ter 11/11 matriz de convolução levará muito tempo para processamento. A filtragem direcional também é possível como o aprimoramento de borda onde quer que as bordas através de filtragem de alto passe ele será enfatizado. Mas eu quero em um particular se eu souber que há características dizem que eles estão correndo na direção oeste do oeste ou na direção sul do sul. Por isso, quero enfatizar aqueles recursos lineares e para isso eu estarei usando filtragem direcional 2 exemplos estão aqui 1aa é o exemplo para a direção norte que significa que as características estão no norte você conhece a direção norte sul. Agora se você ver cuidadosamente esta matriz de convolution de 3/3 você vê que aqui eu estou adicionando mais valores ao meu pixel central em direção norte e enquanto que na direção sul estou tendo valores negativos. E o mesmo na direção sudoeste e mesmo no sudeste direcionando valor é -1 -1 em ambos esses cantos mas o lado sul estou tendo 2 então é por isso que vai produzir uma imagem que terá mais enfatizado na direção norteante. E enquanto que se eu quiser uma direção sul esta é a direção sul-oeste em caso de b então colocarei os valores negativos aqui em cantos opostos e então esses valores que significam as características que estão tendo orientação para o norte do sul serão enfatizados nordeste a sudoeste.
Por isso aqui os recursos de direção do sudoeste do arrependo do norte serão enfatizados. Então eu até mesmo olhando uma matriz de convolução de filtro você pode entender que que efeito ele vai ficar na imagem uma vez que este é usado para filtragem. Assim, da mesma forma e não só filtro de passe baixo não só filtro de passe alto você pode usar o aprimoramento de borda para que você às vezes vá para uma matriz de convolução muito grande como no exemplo anterior 11/11 ou também você pode usar a filtragem direcional. Vejamos agora um exemplo aqui que esta é a imagem de entrada no lado esquerdo e no lado direito você está tendo a filtragem direcional de imagem filtrada.
Por isso, a filtragem direcional foi feita e o que você está vendo que as características que estão nas direções do sudoeste do Nordeste como estas foram enfatizadas de forma muito significativa e que não é muito fácil para ninguém pegar aquelas características muito facilmente na imagem não processada ou crua. Portanto, essas que a partir das diferentes direções significa apriviver ou divulgar características lineares porque nosso objetivo é encontrar algumas características lineares presentes na imagem em muitas ciências relacionadas ao trabalho em explosão de petróleo terra explosão mineral explosão mineral essas características lineares desempenham um papel muito importante ou talvez em muitos projetos de engenharia civil também. Por isso, portanto, estes são necessários para que você tenha que enfatizar em uma direção e em matriz de convolução que tem que estar na direção oposta. Portanto, preferencialmente perto da perpendicular a essa direção transversal e o que você está vendo que essa filtragem foi movida ao longo da imagem, exceto espessura de 1 pixel em todos os lados.

Vídeo 2

Agora até agora o que temos visto os exemplos e discutindo sobre banda única no entanto você também pode fazer a filtragem espacial em imagens multispectrais ou imagens coloridas ou composto de cores não um problema em nada. Mas estes agora também são considerados filtragem especial sob estatísticas de imagem uni variadas ou análise de imagem. Agora estaremos discutindo análise de imagem multivariada ou estatística de imagem so 2 coisas o racionamento de banda e componentes principais.
Por isso, como você sabe que no sensoriamento remoto somos preocupação com a medição de quanto radiante é refletido ou emitido de um objeto em mais de 1 banda e porque estamos envolvendo agora mais de 1 banda. Por isso, nele é útil computar estatísticas multivariadas que são medidas como uma covariância ou correlação entre várias bandas. Porque você sabe que se você ver a banda depois da banda em uma paixão contínua você pode achar que eles às vezes são altamente correlacionados. E queremos usar aquelas bandas em nossos podem ser compósitos de cores ou em alguma análise multispectral em que as bandas de usuário final são menos correlacionadas. E para essa finalidade podemos realizar estatísticas multivariadas de imagem. Assim, a proporção de banda é um dos componentes do princípio da técnica ou em suma também chamados como PCA podem ser características classificações de seleções e avaliação de precisão todas estas virão sob esta estatística multivariada. Primeiro vamos para um racionamento de banda envolveu 2 bandas basicamente e como se você ver na figura e alguns valores também são dados lá que a radiação solar está chegando aqui e o que quer que seja de diferentes superfícies uma superfície é mostrada calcário outro exemplo é a cama vermelha e então você pode estar tendo solo de um lado este mais brilhante porque sol está desse lado direito enquanto que do lado esquerdo está na sombra.
Por isso, os valores que você está vendo são valores diferentes que você está vindo depois do reflexo de diferentes superfícies que você está vendo aqui. Por isso, é possível que esses valores de grosseiros deem uma reflexão diferente mas se houver 3 bandas cenários estão lá vermelho, verde e azul. Se eu pegar esse exemplo que a partir dessa superfície isso é marcado amarelo aqui tudo está dando um reflexo quase igual mas quando vamos para a banda vermelha que na banda vermelha ou no canal vermelho está tendo valor 46. Enquanto que outros verdes e azuis naquela banda o seu reflexo é apenas 23 se eu for na parte sombra então os valores aqui em vez de 46 todos os valores são 23 mas banda vermelha volta a ter máximo que é 23 e descanso estão a ter 11 e 12 porque é do lado da sombra. Agora se houver um efeito de dispersão e outras coisas esses valores serão reduzidos ainda mais e poderemos estar a obter valores apenas até este muito 5, 14, 32. Por isso, se realizarmos o racionamento de banda podemos explorar essas diferenças que está ocorrendo em diferentes bandas e pode criar novas saídas e imagens muito úteis para receber. Vejamos o exemplo aqui do lado esquerdo você conhece banda um que é a radiação azul como nós o que mostra que suas dificilmente eu posso diferenciar entre diferentes unidades de rochas que estão presentes aqui ou capas de terra que estão lá. Mas quando eu crio uma proporção de banda entre banda 3 e banda 2 isso é exemplo de land sat TM. Aí eu claramente fico com uma unidade clara que sai na imagem de proporção de banda que não é possível na banda 1 por causa da topografia não está nos permitindo ver as unidades muito diferentes em (()) (22:06). Enquanto que na imagem da mão direita quando crio uma banda uma proporção de banda 3 e 2 que retira o efeito de efeitos de iluminação da topografia ou iluminação diferenciada e vai render as diferenças do tipo rock e este é o que o exemplo é. Apesar de a produção passar a ser em preto e branco 2 imagens cinzentas da banda 3 e da banda 2 neste exemplo eu fui levado uma saída está em escala cinzenta. A banda 1 não nos permite diferenciar entre 2 grandes (()) (22:42) unidades para que este seja um dos melhores exemplos disso. Agora se eu estou tendo muitas bandas com a gente não apenas 4 talvez 7 talvez 10 ou 20 em caso de hiper espectral também. Aí eu posso criar muitas relações de banda de diferentes combinações e então pode criar uma cor composta de proporção de banda como aqui isso é exemplo de que essas 2 outras quociente é essa banda de 5 porque esta é terra set 7. Por isso, estamos tendo sensor de terra set TM ou TM mais sensor. Por isso, estamos tendo 7 banda então a proporção 5/2 é essa primeira a extrema esquerda então esse centro um é a proporção banda 7/4. E então eu posso criar mais uma proporção foi criada que é 3/2 como mostrado anteriormente 3 /2 então todas estas 3 ratios foram tiradas qualquer faixa de banda ratios composta foi criado dando esta imagem de proporção de banda 2RGB so 3/2 foi atribuído cor vermelha 5/2 foram atribuídos cor verde e 7/4 foi atribuído pela cor azul. E se fizermos isso então vemos que não só agora 2 unidades de rock mas diferentes unidades de rock estão saindo muito claramente. Caso contrário você vê se comparar com esta primeira banda de imagem 1 você apenas um pode interpretar que tudo é quase o mesmo que per as pedras estão lá ou a cobertura de terra está lá. Mas quando vemos aqui agora estamos dizendo que todos há pelo menos 5, 6 unidades de rock são claramente visíveis em racionamento de banda.
Então, essa é a vantagem e por isso temos que entender um enquanto criamos essas combinações de relações de banda que como rochas diferentes, vegetação diferente ou unidades de terra diferentes estariam respondendo através desses cartões espectrais em bandas diferentes. Então bandas 7 por exemplo é bom para mostrar hidróxidos comuns em rochas alteradas hidrotermicamente esta é mais específica para a geologia das ciências. Mas em outros casos também uma vez que entendemos as curvas de resposta espectral para diferentes bandas então de diferentes funcionalidades então eu posso criar aquelas combinações de banda de combinações da banda e então criá-la finalmente ela uma imagem composta que é uma imagem composta de proporção de banda. Por isso, em normal imagem composta de cor falsa nunca lhe dará tais resultados uma única proporção de bandas de 2 sempre criará uma imagem em preto e branco. Aqui usando 3 rácios de banda e dar esquema de cores aditivas do esquema RGB 1 pode criar uma bela saídas para discriminar diferentes objetos, diferentes recursos, rochas diferentes, minerais diferentes muito claros muito convincentemente. Sendo assim, essa é a vantagem do recall quando temos discutido esse espaço de cores e composto de cores falsas e outras coisas. Agora aqueles conceito que discutimos estão sendo usados diretamente aqui para que seja por isso aquelas coisas onde também é importante. Agora mais uma técnica de proporção de banda mas pouco simples como 5/2 ou 4/7 não é pouco mais cálculo está lá e isso é índice muito padrão há muitos índices relacionados à vegetação ou cobertura de neve e outra identificação de característica de superfície de identificação da superfície mas aquela que eu vou discutir em índice de vegetação de diferença normalizada. O que está acontecendo neste índice o que estamos fazendo somos o canal infravermelho menos o canal vermelho. Então vermelho verde vermelho então infravermelho nesta sequência nós conseguimos a banda tão primeiro eu estou colocando canal infravermelho sabendo que o canal infravermelho a vegetação terá uma vegetação saudável terá a maior refletância. Por isso, usar esse canal menos o canal vermelho estas serão quantidades positivas definitivamente divididas por infravermelho mais vermelho então novamente este seria um número maior do que o superior.
Assim, o que aconteceria para que você criasse um índice e isso possa ser usado de grosseiro haverá fator de multiplicação e para que recale os valores entre 0 a 255 se 8 bit cenário assim multiplicarmos por 255 também. E finalmente conseguimos a saída que é o índice NDVI ou a imagem NDVI que estará mostrando a saúde da vegetação porque utilizamos o canal infravermelho 2 vezes de forma diferente. Portanto, onde aumenta na fonte vermelha porque há um azul e, assim, se a vegetação não é saudável então o reflexo você sabe que estas respostas as curvas de resposta espectral da vegetação vai deslocar-se em direção ao vermelho em vez de permanecer no máximo no infravermelho. Portanto, se o vermelho é aumenta que vai mostrar que a vegetação está tendo estresse não muito bom o conteúdo de clorofila e por isso VNIR perto muito perto de infravermelho estará mostrando valores mais altos. Por isso, ao usar este índice podemos avaliar até mesmo a qualidade ou a saúde da vegetação por exemplo aqui 2 exemplos estão aqui um é o do lado esquerdo você está tendo vegetação saudável no lado direito você está tendo vegetação sob estresse ou pode estar em caso de árvores caducifólias estas são árvores ou leafs estão prestes a cair se este for o cenário e se criarmos um índice de vegetação o que se agraia. No canal infravermelho 50% este é esquemático so 50% reflexão volta-se para o sensor no canal infravermelho em caso de vegetação saudável e enquanto que no visível que é a parte vermelha do canal visível são apenas 8% que se vai. Se você comparar isso com a vegetação sob estresse ou morrer a vegetação apenas 40% no infravermelho está indo enquanto que no vermelho visível está indo 30%. Assim, esses valores foram calculados na parte inferior como NDVI so 0,5-0,08 e a porcentagem foi tomada aqui então você 0,72 aqui. Se reescalarmos em 255 multiplicamos esse valor e obtemos um valor de pixel também. Mas, por enquanto, vamos levar 0,72 em caso de vegetação saudável dessa proporção basicamente esta proporção também é proporção. E em caso de uma vegetação ir sob tensão é ter apenas 0,14 minutos para que você possa entender onde facilmente que uma vegetação que é saudável ter alto teor de clorofila terá um alto valor NDVI e enquanto que a vegetação que está sob tensão para a secagem terá um bem menos relativamente muito como neste exemplo teor de clorofila e de valor grosseiro menos NDVI para que seja a vantagem. Tão simples em vez de simples proporção de banda se empregamos o NDVI e normalizamos a diferença porque normalizar nós normalizamos por meio de algum fator ou em 8 bit um cenário pode ser de 255 e assim, quando a normalizamos obtemos índice e isso nos informa a saúde da vegetação. Se vemos em forma de imagens este é o cenário esta que é a primeira imagem do lado esquerdo é junho de 2003 de algumas partes da Europa e está a abranger completamente o reino Unido e a Irlanda do norte da Irlanda também. E veja a nessa parte do mundo o mês de junho os valores de NDVI são muito elevados enquanto que no mês de outubro quando o inverno se aproxima naquela parte do mundo os valores da NDVI estão indo muito menos como você pode ver porque a cor verde a NDVI 1 significa a NDVI mais alta aqui.
Tão cedo há poucos lugares onde você está ficando verde de outra forma descansa vai em muito menos valor para que esses valores continuem mudando de estação para a temporada e eles nos digam e se não forem vistos mas se em uma cobertura florestal se algumas áreas como mostrar menos valor NDVI pode haver por causa da vegetação estão sob estresse talvez por causa de alguns você saiba que podem ser alguns elementos algum ataque por alguma bactéria ou o que quer que seja e que pode destruir a vegetação ou pode ser falta de água. Às vezes em um terreno montanhoso se uma inclinação está se movendo muito lentamente então a vegetação também fica seca e isso também pode ser captado através desta análise de NDVI de análise e podemos desarcará-la a área também após a verificação de campo.


Vídeo 3

Agora a última parte aqui é a análise de componentes de princípio que é muito interessante e muito útil também. O cenário que os números que você está vendo basicamente está mostrando exemplo a partir de 2 bandas apenas e a esquerda não passa de uma trama de dispersão. Então o que é banda 1 versus banda 2 e veja que são banda altamente correlacionada ainda assim aqui a origem dessa trama de dispersão está aqui no canto inferior esquerdo. Agora para calcular a análise de princípio de princípio eu vou explicar através de gráficos então a origem é basicamente deslocada em vez de no canto inferior esquerdo ela é deslocada para o centro deste aglomerado de pixels correlacionados entre 2 bandas diferentes como aqui ele é mostrado. E aquele em que a correlação máxima está ali que é atribuir princípio componente uma máxima variações lamenta variações máximas que estão ali são atribuir princípio componente um e aquele que está a ter relativamente menos variações em comparação com o princípio uma perpendicular a PC1 é atribuir PC2. Agora se eu estou tendo um 3D em 3 dimensional scatterplot então eu posso ter mais um componente de princípio. E mas isso é baseado nas gráficas mas pense você sabe se eu estou tendo 7 bandas e eu quero calcular a análise de componentes princípio através da programação ou através da matemática é possível mas em gráficos apenas 3 dimensões podem ser mostradas ainda assim o que por causa da banda correlações como eu mencionei uma veja que a banda 1 não é tão diferente de qual banda se vê e é isso que o exemplo é. Assim como por álgebra linear estamos fazendo vetores Eigen onde os valores de Eigen contém a contribuição de cada banda para o componente princípio então é assim que o cálculo é feito. Agora há 7 bandas cenário é tomado em caso de land sat TM e você é o que você está vendo 6 componentes. Agora veja o este ter as variações máximas presentes entre os valores de pixel vai em princípio componente 1 por causa da alta correlação entre os bancos também. Por isso, através da análise de componentes de princípio o PC1 sempre carregará as variações máximas. Então PC1 aqui a parte superior esquerda está mostrando as variações máximas. E os componentes de princípio 6 geralmente carregarão os ruídos para que também se possa usar essa técnica para remover ruídos dessas bandas como esta. Agora você está tendo um componente princípio 1 que está tendo a variação máxima presente entre os pixels são armazenados em PC1 então a próxima é o PC2 que está aqui na parte superior direita e depois PC3. Como na NDVI criamos um composto de cores usando 3 bandas ratios combinação similarmente aqui também isso possível para criar composto de cores usando princípio 1 PC1, PC2 e PC3. E em 4 como você pode ver também são variações mas os efeitos de ruído ou de stripping são visíveis aqui quinto e sexto está tendo ruído máximo. É assim que o senhor sabe que vai conseguir a matriz de correlação e de vetores de correlação grosseiro Eigen também se você obterá ou assim banda 1, banda 2, banda 3, 4, 5, 6 bandas já foram usadas aqui. E novamente banda PC1, PC2, PC3 e da mesma forma e toda essa análise estatística será realizada e você pode conseguir você pode criar um composto de cores de princípio 1 PC1, PC2, PC3 dando um esquema RGB você vai acabar com a bela imagem e bela. No sentido de que lhe dará mais melhor interpretação mais discriminação entre objetos porque 6 bandas de combinação de cores não podem ser possíveis por análise de componentes de princípio não só você está removendo os erros dos dados mas você está reunando toda variação que estão presentes in7 ou 6 bandas em apenas 3 componentes e, em seguida, criando um composto de cores. Agora pouca variação de princípio componente e que mais você sabe correlação mais variações podem ser criadas empregando uma técnica que é chamada de trecho de correlação que é o que pode ser feito somente após a análise do componente de princípio. Aqui está o exemplo a mesma banda de exemplo 1 e banda 2 bandas altamente correlatas estão lá e em caso de banda 3 banda 5 menos correlação estão lá quando vamos para a banda 7 e banda 4 land sat TM vemos que menos correlação existe. Então, o que em de-correlação o que é feito basicamente eu vou explicar aqui que estes alongamentos são feitos em ambos os componentes aqui não se fazem alongamentos nessas imagens de saída de imagens lineares. E podemos linearmos esticar esses componentes e podemos fazer o trecho de de correlação é por isso que estamos de-correlacionando estas são as bandas correlatas e se eu criar princípio componente 1 que seria nessa direção de grosseiro uma origem estaria aqui no centro deste aglomerado para que eu lineará lineará-las. E se eu lineará-las isso quer dizer que estou de correlacionando-as e sou por isso estou fazendo mais gerando mais variações entre as bandas. Em 3 dimensional há você sabe que todos esses aviões e no centro todas essas bandas são mostradas e estas são, respectivamente, são muito altamente correlacionadas após estiramento DCS de correlação no espaço de cores RGB isto é o que você vê. E depois DC isto é em amarelo e violeta e outro espaço de cores em diferentes combinações você vê este e então você pode ter depois de DCS, HSY que também IHS que é intensidade Hue e saturação. Aqui intensidade saturação na cor amarela mas o principal ponto importante é aqui que esta trama original pode parecer assim mas quando você fizer o trecho de de correlação pareceria com isso que significa que você tem correlação de cada correlação entre as bandas e terá uma variação máxima. Exemplo isso é simples imagem RGB ter de bandas grosseiros de 3 aqui agora isso é exemplo de land sat TM. Agora são 6 bandas foram tiradas para a análise 3 componentes foram criados estes 3 componentes foram de-correlacionada novamente princípio componente 1, 2, 3 e depois que um composto de cores foi criado e é isso que é de imagem correlacionada. Agora veja que que tipo de você sabe a variação que criou entre os valores de pixels para melhor interpretação e diferenciando objetos diferentes muito facilmente como você pode ver no apenas você pode ver as grandes diferenças entre o composto simples de cores simples RGB e a imagem descorrelacionada. De esquema de cores grosseiros definitivamente mudará um tem que se importar com isso enquanto faz as interpretações mas está trazendo muitos recursos muito claramente o que de outra forma não era possível em simples imagem de RGB ou imagem composta de cor falsa. Então isso traz para o fim dessa discussão e começamos com apenas para recapitalizar tudo ou resumir. Começamos com o you know this band ratio things e antes daquele tempo filtragem espacial 2, 3 tipos de filtragem de alta passagem, filtro de passe baixo, aprimoramento de borda e filtragem direcional. E então o aprimoramento de borda e o passe alto são iguais mas em aprimoramento de borda você leva geralmente uma grande matriz de convolution então discutimos as relações da banda, a banda ratios também e depois discutimos a NDVI como avaliar a saúde da vegetação usando dados de sensoriamento remoto esta é uma coisa muito padrão em