Метод главных компонент и его применение
Объединение снимков с различным разрешением
Методика проведения работы
Почвы
Ландшафты Дарвинского заповедника
Анализ результатов дешифрирования изображений, полученных путем обработки исходных снимков
Анализ результатов дешифрирования изображения, полученного путем обработки исходных снимков
Навигация
Объединение снимков с различным разрешением
Рыбинское водохранилище
66345
знаков
4
таблицы
0
изображений
1.2 Объединение снимков с различным разрешением
В ‘’ERDAS Imagine’’ существует функция, позволяющая объединить два снимка различного разрешения для получения третьего изображения, обладающего лучшими характеристиками обоих исходных снимков.
Данная функция как бы “накладывает” один из каналов изображения с высоким разрешением на каждый канал изображения среднего разрешения, что можно наглядно описать следующей формулой:
Е х (1S + 2S + 3S + 4S) = 1ES + 2ES + 3ES + 4ES, где
Е – один из каналов исходного изображения с высоким разрешением;
1S, 2S, 3S, 4S – каналы исходного изображения со средним разрешением;
1ES, 2ES, 3ES, 4ES – получившиеся каналы синтезированного изображения, имеющие высокое пространственное разрешение и цветовую подложку от снимка среднего разрешения.
1.3 Выделение объектов по яркостному порогу
Данный метод используется в ситуациях, когда известен приблизительный разброс яркостей выделяемого объекта в том или ином канале рассматриваемого изображения. Этот разброс можно получить, используя гистограмму и ход спектральных кривых объекта, полученных по тестовым точкам (рис. ). В таком случае пользователь задает приблизительные значения (пороги), в пределах которых может колебаться яркость выделяемого объекта, и выделить его с необходимой степенью точности.
1.4 Метод вычисления вегетационного индекса NDVI
Методы вычисления вегетационных индексов (в т.ч. индекса NDVI) заключаются в выделении зеленой растительности с помощью простого арифметического преобразования и относятся к полностью автоматизированным методам, в которых участие пользователя ограничивается лишь одним последним этапом – идентификацией выделенных объектов.
Использование вегетационных индексов возможно благодаря специфическому ходу спектральных кривых зеленой растительности (рис. ). Нормализованный вегетационный индекс NDVI равен отношению разности яркостей пиксела изображения в инфракрасном и красном диапазоне спектра к их сумме,
т.е. ИК – К .
ИК + К При этом, чем больше значение данного индекса, тем более яркой является рассматриваемая растительность и тем в более хорошем состоянии она находится.
1.5 Основные понятия и методика кластерного анализа
Кластерный анализ относится к цифровым автоматизированным методам обработки космических изображений и позволяет выделять контура с неконтрастной по спектральной яркости структурой. Это могут быть как непосредственно выделяемые растительность, открытые почвы, вода, облака и другие объекты (рис. ), так и некоторые особенности территории, выделяемые по косвенным признакам, например, увлажнение, степень продуктивности почв, литологический состав пород и т.д.
Алгоритм кластеризации производит спектральный анализ исходного многозонального растрового изображения и пересчитывает его в однозональное, распределяя все пикселы в кластеры по их яркостным характеристикам.
Метод кластеризации ISODATA использует спектральные расстояния как основу, но классифицирует пикселы в несколько приемов (итераций), переопределяя критерии для каждого класса и классифицируя снова таким образом, что спектральные расстояния составляющих исходных данных постепенно уточняются. Также он пересчитывает статистику.
Метод ISODATA использует минимальное спектральное расстояние, чтобы определить соответствующий кластер для каждого пиксела. Процесс начинается с назначения случайного (приближенного) среднего значения кластера и повторяется до тех пор, пока это значение не достигнет величины среднего для каждого кластера исходных данных. Начальные средние значения кластеров распределяются равномерно вдоль центрального вектора спектрального пространства. Количество кластеров задается пользователем.
В течение первой итерации пространство равномерно разбивается на области, центром каждой из которых являются средние значения кластеров (рис. ). Пикселы анализируются с левого верхнего угла изображения к нижнему правому, блок за блоком. Вычисляется спектральное расстояние между пикселом и средним значением кластера. Пикселы назначаются в тот кластер, где это расстояние минимально (рис. ). При этом назначенные центры кластеров смещаются, т.к. их средние значения меняются в зависимости от преобладающих яркостей попавших в них пикселов. Для того, чтобы определить расположение новых центров, производится второй пересчет. В процессе второй итерации снова определяются минимальные спектральные расстояния между точками и новыми средними значениями кластеров. В результате этого пикселы снова перераспределяются.
Такие пересчеты повторяются до тех пор, пока все точки с 95%-й вероятностью не попадут в какой-либо кластер (рис. ). Пользователь может сам задать максимальное количество итераций.
Результатом кластеризации методом ISODATA является тематический растровый слой и набор статистик, включающих средние значения кластеров, минимальные и максимальные значения яркостей входящих пикселов, среднее квадратическое отклонение и ковариационную матрицу между спектральными каналами. Также, используя данный метод, пользователь может оценить пространственные характеристики различных объектов, однако, при этом ему необходимо переводить изображение в какую-либо равновеликую или равнопромежуточную картографическую проекцию, позволяющую рассчитывать площади.
В данной работе была использована проекция Меркатора для стран широт Северной Америки. Функция самоорганизации позволяет обойтись минимальным вмешательством человека в процесс распределения кластеров, пользователю лишь необходимо задать цвета для каждой получившейся градации и идентифицировать их.
Похожие работы
... в мире. Установлен он здесь не случайно. Еще два века назад в навигацию в волжском городке бурлаков собиралось до 170 тысяч человек. Поэтому уже в то время Рыбинск называли « столицей бурлаков». Бурлак для моряков стал символом флотского братства. Поэтому в день окончания речного училища выпускники надевают на скульптуру тельняшку. А так как фигура бурлака очень большая, то и тельняшку шьют из ...
... использовать для этих целей сиговых Хантайского водохранилища, среди которых наиболее перспективные сибирская ряпушка, пелядь и сиг (Романов В.И., 1989). 4. ЭКОЛОГИЯ РЯПУШКИ ХАНТАЙСКОГО ВОДОХРАНИЛИЩА В ПРОЦЕССЕ ЕГО ФОРМИРОВАНИЯ 4.1. Возраст и рост ряпушки. Как уже отмечалось ранее, две первые фазы в формировании Хантайского водохранилища прошли (Романов В.И., 1985). В Хантайском водохранилище ...
... и 4500 ПДК. Среднегодовое содержание лигнина составляло 6 ПДК, сульфидов и сероводорода - 450 ПДК, их максимальные концентрации достигали соответственно 15 и 1700 ПДК. Вилюйское водохранилище. Качество воды водохранилища в 2003 г. соответствовало III классу ("умеренно загрязненная"), что практически соответствовало качеству 2002 г. К характерным загрязняющим веществам относились фенолы (3,3 ПДК ...
... компании, рекламные агентства и средства массовой информации, туристические фирмы и пр.. Содержание справочника основано на данных, предоставленных структурными подразделениями Администрации Ярославской области, Ярославским областным комитетом государственной статистики. Информация, представленная в справочнике может быть полезна для широкого круга пользователей. Ó ...
0 комментариев