Multi-Image Manipulation

Transformation multispektraler Daten


Hausarbeit, 2010
14 Seiten, Note: 2,3

Leseprobe

INHALTSVERZEICHNIS

Abbildungsverzeichnis

1 Einleitung

2 Spectral Ratioing

3 Principal Component Transformation

4 Tasseled Cap Transformation

5 Multi-Image Merging

6 Literaturverzeichnis

ABBILDUNGSVERZEICHNIS

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

Abb. 2: Reflexionsgrad verschiedener Oberflächen

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

Abb. 4: Berechnungsbeispiel des NDVI

Abb. 5: Globaler NDVI vom 21.-30

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

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 aufzu- bereiten. Die Transformation Multispektraler Daten basiert auf einfachen mathematischen Operationen (Addition, Subtraktion, Multiplikation, Division) (BALDENHOFER 2010). Transfor- mationen werden durchgeführt, um beispielsweise die Veränderung zwischen zwei Zeit- punkten in zwei Bildkanälen analysieren zu können oder etwa photosyntetisch aktive Vegeta- tion zu detektieren. Nachfolgend sollen verschiedene Methoden der Verarbeitung multi- spektraler 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) ausgewer- tet werden können. Die univariate Bildstatistik hingegen, kann beispielsweise lediglich Mit- telwerte, Varianzen oder Standardabweichungen auswerten und in entsprechenden Histog- rammen 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 grund- legender Vorteil dieses Verschneidens von Informationen durch die Division zweier ver- schiedener 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 Aus- schnitten 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.

Abbildung in dieser Leseprobe nicht enthalten

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).

Abbildung in dieser Leseprobe nicht enthalten

Abb. 2: Reflexionsgrad verschiedener Oberflächen (Quelle: ALBERTZ 2001)

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 Auf- lösung, 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 dar- gestellt, da sie im roten Kanal (TM3) eine höhere Reflexion aufweisen, als im NIR-Kanal (TM4). (Gesunde) Vegetation erscheint ebenfalls dunkler, da sie ein niedriges Reflexions- vermögen im TM3-Kanal und ein hohes Reflexionsvermögen im TM4-Kanal besitzt. Ratio können also auch dazu verwendet werden, verschiedene „Gesundheitszustände“ von Pflanzen besser zu unterscheiden (LILLESAND 2004).

Abbildung in dieser Leseprobe nicht enthalten

Abb. 3: (a) Landsat TM1/TM2 und Landsat TM3/TM4 (Quelle: LILLESAND 2004)

Bezüglich der Vegetationsindizierung unterscheidet man verschiedene Indizes. Korreliert mit dem LAI (Leaf Area Index - Blattflächenindex), der die generelle prozentuale Bodenbede- ckung angibt, bilden sie somit einen Indikator für die „Menge“ an vorhandener Vegetation. Der LAI-Index reicht dabei von -1 (keine Vegetation) bis +1 (viel Vegetation). Er wird aus den spektralen Reflexionswerten der einzelnen Kanäle bestimmt und steht im Zusammenhang mit der Biomasse.

Der NDVI (Normalized Difference Vegetation Index) ist ein Index, der v.a. im kontinentalen bzw. globalen Maßstab verwendet wird (Abb. 5).

Er ist neben dem RVI (Ratio-Vegetationsindex) (siehe oben) einer der am häufigsten verwendeten Vegetationsindizes (HUETE et al. 1999). Er ist ein dimensionsloser, reeler Zahlenwert zwischen -1 und +1 und wird aus dem Quotienten von Differenz und Summe der Strahldichten des NIR (Nahen Infra- rots) und des roten Spektralbereichs berechnet. Er reagiert dadurch bei kleineren Differen- zen der Signale, aufgrund höherer Auflösung sensibler als der RVI und kann somit auch sehr geringe Vegetationsbedeckung registrieren (HILDEBRANDT 1996, BALDENHOFER 2010).

Negative Werte können zum einen Wolken, zum anderen aber auch vegetationsfreie Areale wie z.B. Wasser-, Eis-, Schnee- und kahle Bodenflächen darstellen.

[...]

Ende der Leseprobe aus 14 Seiten

Details

Titel
Multi-Image Manipulation
Untertitel
Transformation multispektraler Daten
Hochschule
Technische Universität Dresden  (Lehrstuhl für Raumentwicklung)
Veranstaltung
Grundlagen der Fernerkundung
Note
2,3
Autor
Jahr
2010
Seiten
14
Katalognummer
V163868
ISBN (eBook)
9783640793242
ISBN (Buch)
9783640793693
Dateigröße
1241 KB
Sprache
Deutsch
Schlagworte
Fernerkundung, TUD, Technische Universität Dresden, Multi-image manipulation, multispektral, manipulation, pca, karrasch, piekar, sensor, modul 1.5, transformation, multispektrale daten, iör, zuk
Arbeit zitieren
B.Sc. David Zuk (Autor), 2010, Multi-Image Manipulation, München, GRIN Verlag, https://www.grin.com/document/163868

Kommentare

  • Noch keine Kommentare.
Im eBook lesen
Titel: Multi-Image Manipulation


Ihre Arbeit hochladen

Ihre Hausarbeit / Abschlussarbeit:

- Publikation als eBook und Buch
- Hohes Honorar auf die Verkäufe
- Für Sie komplett kostenlos – mit ISBN
- Es dauert nur 5 Minuten
- Jede Arbeit findet Leser

Kostenlos Autor werden