INHALTSVERZEICHNIS

Inhaltsverzeichnis   2

Abbildungsverzeichnis   3

1  Einleitung  4

2  Spectral Ratioing  4

3  Principal Component Transformation  8

4  Tasseled Cap Transformation  10

5  Multi-Image Merging  11

6  Literaturverzeichnis  14

2

ABBILDUNGSVERZEICHNIS   

Abb.  1: Reduzierung von Beleuchtungsunterschieden durch „spectral ratioing“  

Abb.  2: Reflexionsgrad verschiedener Oberflächen  

Abb.  3: (a) Landsat TM1/TM2 und Landsat TM3/TM4  

Abb.  4: Berechnungsbeispiel des NDVI  

Abb.  5: Globaler NDVI vom 21.-30.9.1999  

Abb.  6: Varianz-Kovarianz-Matrix  

Abb.  7: Varianz-Kovarianz-Matrix  

Abb.  8: Vier MSS-Kanäle vor (links) und nach (rechts) einer PCT  

Abb.  9: Merkmalsraum der TM Tasseled Cap  

Abb.  10: Vergleich TCT - PCT  

Abb.  11: RGB-Farbwürfel mit Projektionsfläche  

3

1 EINLEITUNG

Die Multi-Image Manipulation gehört zum Bereich der Digitalen Bildverarbeitung im Bereich der Fernerkundung. Die Bildverarbeitung verfolgt dabei das Ziel, die Bildinterpretation und das Verständnis der Bilder zu vereinfachen. Dies beinhaltet in diesem Betrachtungsfeld v.a. die Klassifizierung und Transformation von Bildinformationen. Multispektrale Sensoren zeichnen in unterschiedlichen Wellenlängenbereichen reflektierte Strahlung auf. Um eine weitere Analyse zu ermöglichen, ist es nötig, die gesammelten Daten entsprechend aufzubereiten. Die Transformation Multispektraler Daten basiert auf einfachen mathematischen Operationen (Addition, Subtraktion, Multiplikation, Division) (BALDENHOFER 2010). Transformationen werden durchgeführt, um beispielsweise die Veränderung zwischen zwei Zeitpunkten in zwei Bildkanälen analysieren zu können oder etwa photosyntetisch aktive Vegetation zu detektieren. Nachfolgend sollen verschiedene Methoden der Verarbeitung multispektraler Daten aufgezeigt und verglichen werden. Ausschlaggebend für die Berechnung entsprechender Indizes, ist die Verwendung der multivariaten Bildstatistik (z.B. Kovarianz oder Korrelation), da nur durch sie die unterschiedlichen Bildkanäle (multispektral) ausgewertet werden können. Die univariate Bildstatistik hingegen, kann beispielsweise lediglich Mittelwerte, Varianzen oder Standardabweichungen auswerten und in entsprechenden Histogrammen darstellen (DE LANGE 2002).

2 SPECTRAL RATIOING

Beim SPECTRAL RATIOING handelt es sich um ein Verfahren zur Bildverbesserung, bei dem jeweils der Ratio aus verschiedenen Farbbanden gebildet wird (Band A / Band B). Ein grundlegender Vorteil dieses Verschneidens von Informationen durch die Division zweier verschiedener Kanäle besteht darin, dass die dadurch entstehenden Bilder die spektralen In-formationen besser darstellen können, unabhängig von den Beleuchtungsverhältnissen (LIL- LESAND 2004).Betrachtet man sich Abb. 1, so wird klar, dass bei der Aufnahme von Ausschnitten der Erdoberfläche, die Geländeunebenheiten zu helleren Bereichen (sonnenzuge-wandte Seite) und zu dunkleren Bereichen (Schattenseite) führen. Die Digital Numbers (DN) der Reflexionsbande der sonnenabgewandten Seite sind demnach stets niedriger als auf der sonnenzugewandten Seite. Die entsprechenden Ratio sind allerdings annähernd gleich, so dass durch diese Methode die Beleuchtungsunterschiede zwar nicht komplett eliminiert, aber zumindest relativiert werden können.

4

Abb. 1 : Reduzierung von Beleuchtungsunterschieden durch „spectral ratioing“ (Quelle: LILLESAND

2004)

Ratio-Bilder sind daher gut geeignet die Unterschiede im Anstieg spektraler Reflexionskurven von zwei Kanälen kontrastreicher aufzuzeigen und zu vergleichen. Diese Unterschiede im Anstieg sind bei allen Materialien verschieden. Die Reflexionskurven von Ulme und Sojabohne sind nahezu gleich (Abb. 2) (DE LANGE 2002).

Durch Ratiobildung können spektrale Eigenschaften, besonders von Materialien mit stark schwankenden Reflexionseigenschaften, besser herausgestellt werden. Der Nachteil von Ratios besteht vor allem in der Verstärkung von Rauscheffekten (Noise) im Datensatz. Des Weiteren werden nicht mehr Reflektanzwerte zur Klassifikation verwendet, sondern relative Werte der Ratios. Ein weiterer Nachteil besteht in der Reduzierung der multispektralen Auflösung, d.h. dass weniger Kanäle für die Verarbeitung zur Verfügung stehen (BALDENHOFER 2010). In Abb. 3 ist zu sehen, wie durch Ratiobildung der Kontrast in TM-Datensätzen erhöht wurde. Im Vergleich zum Bild (a), werden in Bild (b) Straßen und Wasserflächen heller dargestellt, da sie im roten Kanal (TM3) eine höhere Reflexion aufweisen, als im NIR-Kanal

5