ÁLKOVÝ PRŮZKUM ZEMĚ 104

DÁLKOVÝ PRŮZKUM ZEMĚ

104

CHYBA! NEZNÁMÝ ARGUMENT PŘEPÍNAČE.

ČÁST II. DIGITÁLNÍ ZPRACOVÁNÍ MATERIÁLŮ DPZ Obrazové materiály pořízené distančními metodami mohou existovat ve dvou základních formách: analogové (například letecká fotografie vykopírovaná na fotografický papír) a digitální (číslicové, například naskenovaná letecká fotografie vizualizovaná ve tvaru matice čísel). Tyto dvě formy uchovávání obrazové informace zároveň definují možnosti jejího zpracování. Zpracování analogových dat klasickými postupy interpretace je rozvíjeno prakticky od počátků fotografie. Postupem času byly vytvořeny obecně platné zásady, umožňující extrahování užitečné informace z leteckých a později i družicových snímků pro nejrůznější aplikace. Každý obrazový materiál obsahuje informaci dvojího druhu. Prvním je informace o topografických (geometrických) vlastnostech objektů, mezi které patří například velikost, vzdálenost objektů, ale také například jejich vzájemná poloha. Druhým typem informace obsaženým v obrazových materiálech je informace tématická, například druh povrchů, ale také například stupeň poškození polních plodin nebo obsah půdní vlhkosti. Topografickou informací a měřickými vlastnostmi materiálů DPZ se zabývá tzv. fotogrammetrie. Jak uvádí např. ČAPEK (1988), jde více méně o technickou disciplínu. Základy fotogrammetrie shrnuje například ŠMIDRKAL (1982), ze zahraniční literatury lze doporučit především manuál Americké společnosti pro fotogrammetrii (American Society of Photogrammetry) a také učebnici LILLESANDA a KIEFERA (1994). Tématické informace obsažené na snímcích využívají nejrůznější disciplíny jak z oblasti věd o Zemi, tak i nejrůznějších technických disciplín. Všechny postupy lze shrnout pod pojem fotointerpretace. I když zaměření nejrůznějších projektů využívajících analogových dat se může značně lišit, fotointerpretace je založena především na tzv. interpretačních znacích. Ty lze podle ČAPKA (1988) definovat jako vzhled a vlastnosti předmětů a jevů, zobrazených na snímcích. Mezi základní interpretační znaky patří především tvar, tón, barva, stín, velikost, textura, struktura, poloha a příčinné vztahy. Interpretačních znaků je využíváno k sestavování tzv. interpretačních klíčů. Tyto klíče obrazovou nebo popisnou formou definují vztah mezi vzezřením objektů a jevů na snímcích a ve skutečnosti. Význam jednotlivých interpretačních znaků, druhy interpretačních klíčů i základní postupy interpretace popisují již zmíněné práce JEŘÁBEK a LEDVINKA 1959, MURDYCH 1976, JEŘÁBEK 1982, ČAPEK 1988), ze zahraničních potom především SABINS 19896, LILLESAND a KIEFER 1994, CAMPBELL 1996. Jak fotogrammetrie, tak i fotointerpretace využívají řadu přístrojů, jejichž přehled lze nalézt také v uvedených pracech. Zpracování digitální obrazové informace nabývá na významu od první poloviny 70. let a souvisí se dvěma skutečnostmi. První je dostupnost primárně digitálních dat poskytovaných družicemi LANDSAT, druhou je potom rozvoj výpočetní techniky. Obě zmíněné skutečnosti výrazně ovlivnily obě disciplíny zabývající se zpracováním obrazových dat DPZ (fotogrammetrii i fotointerpretaci) a také do jisté míry způsobují jejich postupnou konvergenci. V posledních letech se formuje tzv. digitální fotogrammetrie a fotogrammetrické postupy jsou stále více implementovány do aplikací tématického mapování (RENÉ 1996, PIVNIČKA 1996). Číslicová forma uložení obrazové informace a možnosti výpočetní techniky znamenaly především zautomatizování řady postupů, dále také výrazné urychlení některých, zvláště výpočetních postupů (transformace, tvorba ortofoto apod.). Dalšími přednostmi jsou 105

DÁLKOVÝ PRŮZKUM ZEMĚ objektivita, přesnost a do jisté míry i nižší náklady na zpracování. Nové postupy spojené například s využíváním radarových obrazových záznamů nebo s tzv. obrazovou spektrometrií také podporují rozvoj digitálního zpracování. S rozvojem dalších geoinformačních technologií, především GIS, se obrazové materiály získané metodami dálkového průzkumu a uchovávané a zpracovávané v číslicové podobě postupně stávají nejdůležitějším zdrojem dat pro prostorové analýzy nejrůznějšího zaměření CARRY (1994). Jak obrovský je tok obrazových dat poskytovaných současnými systémy ukazuje i fakt, že z veškerých existujících databází družicových i leteckých snímků bylo do současné doby využito pouze asi 1 % (EHLERS 1995). Je však nutno poznamenat, že vedle nesporných výhod přináší digitální zpracování materiálů DPZ i nevýhody a řadu postupů zvláště v oblasti automatické klasifikace je nutné korigovat poznatky z analogové interpretace. Zmíněné nevýhody spočívají především v rozdílné hierarchii významu jednotlivých interpretačních znaků, používaných oběma postupy. Některé ze zmíněných interpretačních znaků lze velmi dobře prezentovat v číslicové formě (barva, tón), u jiných to lze velmi obtížně (textura, struktura). To je také jedna z příčin, proč i v budoucnu budou používány klasické postupy analogové interpretace a proč je role člověka v interpretačním procesu nezastupitelná. Právě základní postupy digitálního zpracování obrazové informace jsou obsahem následujících kapitol. Zájemce o další informace lze z domácích prací odkázat na práce ŠMIDRKALA a kol. (1989), KOLÁŘE (1990) a KOLÁŘE a kol. (1997). Ze zahraničních prací lze doporučit především uživatelské příručky a materiály softwarových produktů pro digitální zpracování obrazu (Using PCI Software 1997, ERDAS Field Guide 1994) a dále učebnice JENSENA (1986), LILLESANDA a KIEFERA (1994), WILLIAMSE (1995) či CAMPBELLA (1996). Množství zvláště výukového materiálu lze potom nalézt ve formě hypertextu například na následujících adresách: http://code935.gsfc.nasa.gov/Tutorial/Overview/overview.html http://wwwcla.sc.edu/geog/rslab/rscc http://www.ccrs.nrcan.gc.ca/ccrs/eduref/educate.html Digitální zpracování obrazové informace získané metodami dálkového průzkumu lze rozdělit do následujících částí: 1) Předzpracování obrazů. Slouží ke korekci radiometrických, atmosférických a geometrických zkreslení a šumu, které vznikají v průběhu vytváření obrazu. Druh, způsob a rozsah předzpracování závisí na typu senzoru, kterým byl záznam pořízen. 2) Zvýraznění obrazů. Je aplikováno na data s cílem efektivněji znázornit obraz pro další vizuální či automatické zpracování. Zahrnuje techniky k výraznějšímu odlišení jednotlivých objektů v obraze. Cílem je vytvořit nový obraz, který obsahuje více informace, která může být interpretována. Neexistuje jedno obecné pravidlo, kterým by se daly zvýraznit všechny snímky. Většinou se zvýraznění provádí v několika krocích, které např. manipulují kontrastem snímku, provádí jeho filtrace, zvýraznění hran apod. Do této skupiny metod však patří i algoritmy, které transformují původní pásma multispektrálního obrazu do pásem nových. 3) Extrahování informace. Zahrnuje především klasifikaci obrazu. Nahrazuje klasifikaci vizuální postupem automatizovaným s cílem identifikace jednotlivých povrchů či objektů. K tomuto cíli jsou využívány například vícerozměrné statistické metody nebo různá rozhodovací pravidla a výsledkem je, že každému obrazovému 106

CHYBA! NEZNÁMÝ ARGUMENT PŘEPÍNAČE. prvku je přiřazen určitý tématický obsah např. využití země. Rozhodovací pravidla (klasifikátory) jsou většinou založena na studiu spektrálního chování objektů. Mohou však být založena i na geometrických a prostorových vlastnostech objektů tvaru, velikosti, struktuře, textuře apod. 4) Studium dynamiky jevů. V dnešní době je téměř celý povrch Zeměkoule snímán opakovaně, s různou frekvencí. Řadu obrazových materiálů DPZ lze vhodně použít ke studiu časových změn. Povaha těchto změn může být velice různorodá - od monitorování poměrně velmi rychle probíhajících synoptických procesů v meteorologii, po detekce změn ve využívání krajiny v měřítku několika desítek let. 5) Modelování s obrazovými daty. Cílem je odvodit kvantitativní vztahy mezi daty získanými dálkovým průzkumem Země a například biofyzikálními parametry objektů získanými pozemním měřením či pozorováním. Data DPZ mohou být použita ke kvantitativnímu vyjádření takových parametrů, jako jsou úroda vybraných plodin, radiační teplota, koncentrace znečišťujících látek, množství rozpuštěných sedimentů ve vodě, hloubka vody, obsah vody v půdě, barva půdy apod. Spolu s technikami GIS jsou data DPZ používána i k modelování životního prostředí, k predikcím jeho chování za změněných podmínek (např. globální klimatická změna). 6) Integrace obrazových dat a jejich vstup do GIS. Předpokládá kombinaci obrazových dat s jinými geografickými daty dané oblasti, případně spojení s jinými rastrovými daty, zahrnuje i spojení dat z různých senzorů apod.

107


7. Předzpracování obrazových záznamů Při pořizování fotografických snímků i při vytváření skenovaných obrazových záznamů zemského povrchu působí na výsledný obrazový záznam řada vlivů, které často degradují jeho kvalitu. Tyto nepřesnosti (chyby) v obrazovém záznamu lze popsat z několika hledisek. Prvním hlediskem může být především zdroj těchto nepřesností. Mohou mít původ v technické nedokonalosti snímacího zařízení či v algoritmech tzv. systémové korekce, jiné problémy způsobuje atmosféra jako hmotné prostředí nacházející se mezi senzorem a měřeným objektem, některé vycházejí ze samotné podstaty distančního měření. Jiným hlediskem, podle kterého lze chyby v obrazovém záznamu vzniklém distančním snímáním dělit, je dělení na chyby systematické (opakovatelné) a chyby náhodné. Některé nepřesnosti, jako jsou například chyby v poloze objektů, vznikající v důsledku zakřivení Země či její rotace, mohou být velmi dobře modelovány. Tyto chyby nazýváme proto systematické nebo také opakovatelné. Jejich velikost lze předvídat a jejich korekce se často děje již na přijímací stanici. Obrazové záznamy však obsahují řadu nepřesností náhodné povahy, vzniklých například kolísáním parametrů dráhy nosiče, výpadky v činnosti detektorů snímacího zařízení v průběhu snímání, vlivy atmosféry a podobně. Náhodné chyby představují v obrazovém záznamu tzv. šum (noise). I tento šum však může mít v některých případech povahu systematické nepřesnosti v obraze (tzv. bílý šum). Příkladem může být existence periodických pásů v originálním obrazovém záznamu, které vznikají v důsledku chybné kalibrace jednoho ze senzorů. Uvedené nepřesnosti v obrazovém záznamu lze dělit také na chyby vnitřní (interní), které vznikají uvnitř systému - tedy například chyby senzoru - a chyby vnější (externí) související například s vlivy atmosféry. Aby bylo možné data vzniklá metodami dálkového průzkumu Země dále využívat například k sestavování topografických či tématických map, studiu dynamiky jevů či odhadu některých biofyzikálních parametrů, je nutné odstranit či alespoň potlačit výše uvedené chyby a nepřesnosti. Cílem předzpracování obrazu je tedy jeho úprava ve smyslu geometrických i radiometrických vlastností. Geometrické korekce transformují souřadnou soustavu obrazového záznamu nebo velikost obrazového prvku, radiometrické korekce upravují DN hodnoty jednotlivých pixelů. V rámci radiometrických korekcí lze vyčlenit také korekce atmosférické, jejichž cílem je minimalizovat vlivy atmosféry při distančním měření odrazových či zářivých vlastností objektů. Stupeň i způsoby předzpracování mohou být pro data z určitých systémů typické. 7.1 Radiometrické korekce V důsledku řady výše uvedených vlivů neodpovídá skutečná radiometrická charakteristika objektu DN hodnotám naměřeným distančním měřením. Cílem radiometrických korekcí je upravit DN hodnoty v obrazovém záznamu tak, aby co nejvíce odpovídaly skutečným odrazovým či zářivým vlastnostem objektů. Naměřené hodnoty odrazivosti objektů závisí v prvé řadě na přesné kalibraci měřícího zařízení. Tuto kalibraci provádí většina systémů automaticky, například periodickým snímáním určitých referenčních ploch o známých radiačních vlastnostech. Informace

108

CHYBA! NEZNÁMÝ ARGUMENT PŘEPÍNAČE. o kalibraci senzorů či potřebné koeficienty jejich oprav jsou nejčastěji uloženy v hlavičce („header“) obrazového záznamu. 7.1.1 Kompenzace sezónních rozdílů Při studiu časových změn zahrnujících více obrazových záznamů z různé části roku mohou mít zpracovávané obrazové záznamy velmi rozdílné DN hodnoty pro stejné povrchy. Tyto rozdíly jsou dány rozdílnou výškou Slunce v závislosti na roční době, rozdílnými podmínkami pro pohlcování a rozptyl měřeného elektromagnetického záření apod. Protože družice pohybující se na polárních drahách eliminují pro každou scénu změny výšky Slunce v průběhu dne (dráhy jsou synchronní se Sluncem), celkové osvětlení scény lze normalizovat pouze kompenzací sezónních rozdílů. Osvětlení scény kolísá s výškou Slunce. Výška Slunce je normalizována na pozici družice v zenitu například dělením každého záznamu sinem výšky Slunce. Informace o výšce Slunce je pro každou scénu zapsána v hlavičce souboru. Jiným vhodným způsobem, jak eliminovat efekt výšky Slunce, je použití podílů původních pásem multispektrálního obrazu. V některých aplikacích dat dálkového průzkumu Země jsou prováděny i radiometrické opravy na vzdálenost Země od Slunce. Protože kolísání této vzdálenosti v průběhu roku způsobuje pouze malé rozdíly v naměřených radiometrických charakteristikách, jsou uvedené opravy prováděny zpravidla jen u experimentálních hodnocení. 7.1.2 Odstranění náhodných radiometrických chyb Většina digitálních obrazových záznamů obsahuje nepřesnosti víceméně náhodné povahy. Jejich projevem může být například „radiometricky“ nepřesný či zcela chybějící řádek obrazového záznamu vzniklý chybnou kalibrací jednoho ze senzorů, nebo poruchou při přenosu signálu na Zemi. Takováto chyba se většinou odstraní zprůměrováním hodnot sousedních řádků. Při příčném skenování není obrazový záznam v naprosté většině případů vytvářen po jednotlivých řádcích, ale systém používá řady detektorů a snímá najednou více řádků V případě nepřesné kalibrace nebo rozdílné senzitivity jednoho z detektorů vzniká obraz, na němž uvedený detektor vytváří tmavší či naopak světlejší řádek opakující se s určitou periodou.Uvedená chyba může být typická pro určitý typ senzoru. Takovou je například pravidelné horizontální "páskování" záznamu z mechanooptických skenerů. Například pro obrazové záznamy z MSS má toto páskování periodu sedmi řádků, v případě obrazových záznamů z LANDSAT TM, má periodu osmi řádků. Uvedené nepřesnosti jsou patrné především v částech obrazu snímajících rozsáhlé homogenní plochy vyznačující se nízkou odrazivostí - především vodní plochy. K odstranění uvedeného páskování je možné použít algoritmus založený na výpočtu histogramu a základních statistických charakteristik pro řádky vznikající jednotlivými detektory. Histogram řádků, které byly naměřeny detektorem s rozdílnou senzitivitou, je oproti ostatním histogramům posunut do vyšších či nižších hodnot. Úpravou průměru či přizpůsobením histogramu (viz dále) daného řádku lze uvedené horizontální páskování do značné míry potlačit. Opravy obou uvedených radiometrických nepřesností je nutné provádět ještě před geometrickou korekcí, protože v průběhu geometrické transformace dochází většinou k rotaci obrazu, při níž by chyby z jednoho řádku byly zaneseny do částí více řádků. 109

DÁLKOVÝ PRŮZKUM ZEMĚ V případě elektrooptických skenerů vzniká obrazový záznam tzv. podélným skenováním pomocí velkého počtu detektorů snímajících najednou celou řádku území. Dojde-li v tomto případě k výpadku či poruše v kalibraci jednoho z detektorů, obrazový záznam pak obsahuje nepřesná nebo chybějící data orientovaná vertikálně. Odstranění těchto nepřesností je náročnější proto, že jednak nemá pravidelný charakter jako v případě příčného skenování, jednak po korekci obrazového záznamu na rotaci Země mají chybějící data šikmý směr. Vhodným algoritmem na odstranění všech radiometrických nepřesností, které v obraze zaujímají určitý směr (řádek, sloupec či diagonálu), jsou tzv. Fourierovy filtrace (viz. kapitola 8.2.4). U některých obrazových dat se zpracovatel může setkat i s tzv. bitovými chybami. Jde o případ, kdy v záznamu chybějí či jsou nepřesné radiometrické DN hodnoty jednotlivých obrazových prvků často nepravidelně rozmístěných po ploše obrazu, ve kterém se jeví jako velmi světlé či velmi tmavé pixely. Odstranění těchto bitových chyb lze dosáhnout aplikací vhodných filtrů na původní data. Je však zapotřebí vzít v úvahu, že většina filtrů mění radiometrické hodnoty všech pixelů v obraze. 7.2 Atmosférické korekce Atmosférické korekce představují složitý problém a existuje celá řada různě složitých technik řešících tento problém. Efekty atmosféry jsou však naštěstí ve srovnání s např. efektem výšky Slunce malé a ve většině aplikací je možné je zanedbat. Efekty atmosféry, stejně jako předchozí vlivy způsobují, že distančním způsobem naměřené hodnoty o radiačních či zářivých vlastnostech objektů neodpovídají vlastnostem skutečným. Atmosféra jako hmotné prostředí způsobuje modifikaci naměřených hodnot především procesy pohlcování a rozptylu. Oba procesy závisí na řadě faktorů. K nim patří především vlnová délka měřeného elektromagnetického záření. V případě viditelného a blízkého infračerveného záření je důležité odstranění atmosférických efektů jako kouřma či zákalu. Tyto atmosférické efekty mohou ve viditelných vlnových délkách přispívat až z 80 procent k signálu dosahujícího čidlo měřící aparatury a jsou směsí rozptylu a pohlcování na vodních kapičkách , plynech, aerosolech a pevných částicích. Jednoduchou metodou eliminace těchto příspěvků atmosféry je tzv. metoda nejtmavšího pixelu (JENSEN 1986). Ta je založena na fyzikálním poznatku, že vyzařování vodních objektů v oblasti blízkého infračerveného záření je rovno téměř nule - všechno záření je vodou pohlceno). Je-li tedy možné ve scéně nalézt alespoň jednu dostatečně hlubokou vodní plochu, potom signál přijatý senzorem lze považovat za příspěvek atmosféry. Zjištěná hodnota radiometrické charakteristiky je tedy odečtena od všech obrazových prvků. Uvedená metoda je poměrně jednoduchá, avšak často může nevhodně degradovat původní data (LILLESAND a KIEFER 1994). Navíc, jak uvádí LAVREAU (1991), příspěvek atmosféry může být rozdílný pro různé DN hodnoty v rámci obrazu a uvedený způsob atmosférické korekce lze považovat pouze za velmi hrubý. Zjištěná hodnota nejtmavšího pixelu totiž nemusí být příspěvkem atmosféry, ale například určitého množství rozpuštěných sedimentů ve vodním sloupci, koncentrací chlorofylu, chemických příměsí ve vodě apod. Metodu atmosférické korekce obrazových dat z družice LANDSAT založenou na regresní analýze mezi jednotlivými pásmy uvádí CHAVEZ (1975). Tuto metodu potom rozvíjí SWITZER et al. (1981) výpočtem tzv. kovarianční matice pro všechny kombinace pásem multispektrálního obrazu. Metoda předpokládá, že rozdíly v odrazivých vlastnostech objektů jsou způsobeny lokálními vlivy topografie. 110

CHYBA! NEZNÁMÝ ARGUMENT PŘEPÍNAČE. Druhou skupinou empirických metod použitelných k atmosférické korekci jsou postupy založené na regresní analýze mezi daty naměřenými distančními metodami a daty z pozemních měření konaných nejlépe v době přeletu družice. Uvedený postup je pro svoji časovou i finanční náročnost praktikován pouze pro některé experimenty. Třetí možností, jak odstranit vlivy atmosféry z DN hodnot obrazových záznamů, je skupina metod založená na modelování těchto vlivů. Za pomoci meteorologických dat např. o teplotě či vlhkosti vzduchu, zákalovém faktoru či znečistění, pořízených v době vytváření obrazového záznamu, lze parametrizovat vlivy atmosféry. Uvedené hodnoty spolu s DN hodnotami obrazového záznamu potom vstupují do numerických modelů, které na výstupu poskytují korigovaná data o radiačních či zářivých vlastnostech objektů. V průběhu času bylo vytvořeno několik modelů atmosférických korekcí, většina z nich je použitelná především pro meteorologická data. Mezi nejpoužívanější patří např. modely LOWTRAN nebo MODTRAN. Uvedené modely poskytují především údaje o propustnosti atmosféry pro záření a údaje o vlastním vyzařování atmosféry pro různé atmosférické podmínky definované hodnotami vybraných meteorologických prvků (CAMPBELL 1996). Dalším z výstupů z uvedených modelů jsou hodnoty absorpce a vyzařování pro různé koncentrace vybraných radiačně aktivních plynů, především pro vodní páru, NO2, O, O3, CH4, CO2, SO2. Modely zohledňují roční dobu i geografickou polohu a jsou parametrizovány pro řadu meteorologických prvků (oblačnost, srážky, apod.). Cílem všech atmosférických korekcí je získat z původních naměřených dat tzv. absolutní hodnoty odrazivosti či vyzařování objektů. Pomocí těchto absolutních hodnot lze následně vyjádřit některé vlastnosti těchto objektů v kvantitativní podobě. Například určovat množství biomasy, povrchovou radiační teplotu, vodní obsah atd. (viz. kapitola 12). Velmi podrobně pojednává o problematice atmosférických korekcí práce CRACKNELLA a HAYESE (1991). V současné době jsou např. data z LANDSAT TM nabízena společností EURIMAGE nově s již provedenými atmosférickými korekcemi jako standardní produkt (ARINO et al. 1997). 7.3 Geometrické korekce Nezpracovaná obrazová data obvykle obsahují tak významné geometrické nepřesnosti, že jich nelze použít jako mapy. Vzájemná poloha objektů v obraze neodpovídá jejich poloze ve skutečnosti, nelze tedy zjišťovat plochy či vzdálenosti, protože obrazový záznam nemá jednotné měřítko. Zdroje nepřesností plynou většinou ze způsobu vytváření obrazového záznamu a jsou tedy specifické jak pro leteckou fotografii, tak i pro záznamy z různých typů skenerů. Zabírají jevy od kolísání výšky a rychlosti pohybu nosiče až po faktory postihující zakřivení Země, atmosférické refrakce, zdánlivé změny v poloze objektů v důsledku kolísání nadmořské výšky terénu a nelinearity v průběhu snímání senzoru. Účelem geometrických oprav a transformací je odstranit všechny výše zmíněné vlivy tak, aby obraz získal požadovaný souřadný systém či určité kartografické zobrazení a aby bylo možné ho použít jako mapy - tedy například pro měření ploch či vzdáleností. V případě letecké fotografie vzniklé centrální projekcí se jejími geometrickými vlastnostmi zabývá fotogrammetrie. Ta řeší problém transformace vlastními metodami, které jsou mimo rozsah tohoto textu. Jak uvádí WILLIAMS (1995), všechny faktory, které způsobují chyby a nepřesnosti v geometrických vlastnostech obrazu, mohou mít trojí původ: 1. v parametrech dráhy nosiče (kolísání výšky a změny v orientaci) 111

DÁLKOVÝ PRŮZKUM ZEMĚ 2. ve vlastnostech senzoru (nepřesnosti při snímání obrazu) 3. na zemském povrchu (zakřivení Země, její rotace a lokální topografické efekty). Bez ohledu na jejich původ je možné je opět rozdělit na chyby a nepřesnosti systematické - tj. takové, které lze poměrně jednoduchým způsobem modelovat a tedy i odstranit - a chyby a nepřesnosti náhodné povahy. Geometrické korekce obecně zahrnují celou skupinu metod sloužících především k následujícím účelům: • transformace obrazových dat do určité mapové projekce • propojení obrazových dat s prostorovou vektorovou databází v GIS • porovnání dvou či více obrazových záznamů pořízených stejným či odlišným snímacím zařízením za účelem studia časových změn • tvorba ortofotomap • vytváření mozaiky z několika obrazových záznamů 7.3.1 Základní používané pojmy Mapa se vyznačuje určitou kartografickou projekcí, což je systém vztahů, kterým je část sféroidu transformována do roviny. Každá projekce používá určitého souřadného systému k vyjádření polohy objektů, každá mapa se vyznačuje jednotným měřítkem. Obrazový záznam pořízený distančním měřením není mapou, nemá kartografickou projekci a nemá jednotné měřítko. Původní digitální obrazový záznam využívá jako souřadného systému počtu sloupců a řádků, které definují jeho velikost. Průsečík jednoho sloupce a řádku definuje tzv. obrazový prvek. Jeho velikost (rozměr) odpovídá přibližně prostorové rozlišovací schopnosti snímacího zařízení, která se může významně měnit směrem k okraji obrazového záznamu. Poloha každého pixelu v rámci obrazu je známa pouze v souřadnicích sloupec - řádek. Tzv. rektifikace je obecný proces transformace polohy všech obrazových prvků z jednoho souřadného systému do jiného souřadného systému. Protože poloha stejného obrazového prvku v původní a v nové souřadné soustavě je jiná a jiný může být i jeho rozměr, druhým krokem této transformace je tzv. převzorkování. Převzorkování je proces transformace DN hodnoty každého obrazového prvku z původní souřadné soustavy do nové soustavy. Hlavním výsledkem rektifikace a převzorkování je, že dva obrazové záznamy jsou porovnatelné - jsou ve stejné souřadné soustavě a mají stejnou velikost obrazového prvku (stejné prostorové rozlišení). Jedním ze způsobů rektifikace je tzv. registrace. Mnohá obrazová data jsou pořízena v různých souřadných soustavách, v různém rozlišení. Pro účely pouhého porovnání dvou či více obrazových záznamů po jednotlivých obrazových prvcích je nutné tyto převést do jedné souřadné soustavy. Registrace je proces, kterým se souřadná soustava jednoho záznamu upraví tak, aby odpovídala souřadné soustavě jiného obrazového záznamu. Přitom nemusí jít o souřadnou soustavu mapového zobrazení. Je-li k registrovaným datům dodána informace o absolutní poloze alespoň jednoho obrazového prvku, potom tento proces označujeme jako tzv. georeferencování a obrazový záznam jako georeferencovaná data. Procesem georeferencování se mění pouze informace o poloze obrazových prvků např. v hlavičce souboru s obrazovými daty, nemění se DN hodnoty jednotlivých pixelů. Geokódování je proces rektifikace, během kterého jsou obrazová data transformována do určité kartografické projekce a poloha každého pixelu obrazového záznamu je 112

CHYBA! NEZNÁMÝ ARGUMENT PŘEPÍNAČE. vyjádřena v systému mapových souřadnic, vznikají tzv. geokódovaná data, která již lze například kombinovat s vektorovými daty ve stejné kartografické projekci. Ortorektifikace je proces, během něhož jsou odstraněny i nepřesnosti vznikající v důsledku relativní změny polohy objektů, jež plyne z jejich různé nadmořské výšky. K ortorektifikaci je zapotřebí digitálního modelu terénu a je nutné ji provádět zvláště pro družicová obrazová data zachycující vertikálně členitý terén (horské oblasti apod.) a především pro mapy velkých měřítek.. Ortorektifikací vznikají ortofotomapy či družicové mapy a je spíše fotogrammetrickou záležitostí. U georeferencovaných dat jsou odstraněny systematické nepřesnosti v geometrii obrazového záznamu, protože lze poměrně snadno modelovat jejich příčiny. Například systematickým zdrojem nepřesností vznikajícím při skenování z družice je skutečnost, že Země se pod nosičem v průběhu snímání pohybuje východním směrem. To způsobuje, že následující řádky v záznamu jsou posunuty mírně k západu vzhledem k řádkům předcházejícím. Jednoduchým posunutím skenovaného řádku je tato nepřesnost korigována většinou již při prvotním zpracování dat na přijímací stanici. Touto prvotní radiometrickou a geometrickou úpravou původních hrubých („raw“) dat vznikají tzv. data systémově korigovaná. Systematické nepřesnosti lze tedy odstranit na základě precizní znalosti parametrů dráhy družice a její pozice v čase pořizování obrazu. Je-li známa přesná poloha družice, její výška a orientace senzorů, potom lze metodami sférické trigonometrie vypočítat polohu každého pixelu ve scéně. Tato informace je pak použita k transformaci obrazu. Současné družice jsou poměrně stabilní nosiče a informace o jejich poloze a výšce jsou běžně vysílány v reálném čase na Zemi společně s vytvářeným obrazem. Uvedeným způsobem jsou tedy korigována například data z meteorologických družic vyznačujících se nižším prostorovým rozlišením, u nichž lze chyby vznikající v důsledku nestejné nadmořské výšky povrchů většinou zanedbat. U družic s vyšším prostorovým rozlišením, jejichž obrazová data mají být dále kombinována s daty vektorovými nebo jichž má být použito k sestavení topografických či tématických map středního měřítka je geokódování většinou založeno na sběru tzv. identických bodů a tzv. polynomické transformaci. Uvedený způsob transformace lze schematicky vyjádřit následujícím vztahem: X = f1(x,y) Y = f2(x,y), kde X,Y - souřadnice daného obrazového prvku v nekorigovaném obraze x,y - souřadnice daného obrazového prvku v korigovaném obraze f1, f2 - transformační rovnice Také polynomická transformace je určitým zjednodušením problému geometrické korekce - ze zpracovávaného obrazu nejsou odstraněny nepřesnosti vznikající v důsledku nestejné nadmořské výšky objektů. K tomu je zapotřebí do transformačních vztahů zahrnout i informaci o třetím rozměru (výšce) - tedy provést tzv. ortorektifikaci. Ta je nejčastěji implementována ve formě digitálního modelu terénu. Pokud nejde o snímek území se značným převýšením (např. horské oblasti), v případě běžně dostupných družicových obrazových dat (LANDSAT, SPOT) postačuje pro rektifikaci takovýchto obrazových dat uvedená polynomická transformace založená na sběru identických bodů. Jak uvádí KOLÁŘ a kol. (1997), chyby způsobené nestejnou výškou terénu jsou u běžných družicových dat pouze chybami 2. řádu. Podle Using PCI Software (1997) v případě snímků z LANDSAT TM je poziční chyba 10 m na 100 m výšky nad 113

DÁLKOVÝ PRŮZKUM ZEMĚ průměrnou výšku scény, v případě SPOT je to 4 m/100 m výšky. Naproti tomu v případě obrazových záznamů pořizovaných mimo subsatelitní bod, tedy u všech radarových snímků a také v případě letecké fotografie, uvedené nepřesnosti výrazně narůstají a je nutné je korigovat. 7.3.2 Obecný postup rektifikace obrazu pomocí identických bodů Rektifikace obrazu založená na tzv. polynomické transformaci a na použití techniky identických bodů probíhá obecně v následujících etapách: 1. 2. 3. 4. 5. 6.

sběr identických bodů volba stupně transformace výpočet transformačních rovnic testování transformačních rovnic rektifikace obrazu převzorkování obrazu

Naznačený proces geometrické korekce obrazu není jednosměrný a především 2. až 4. etapa jsou často několikrát opakovány, než je dosaženo dobrého výsledku s požadovanou přesností. 7.3.3 Sběr identických bodů Identické (vlícovací) body jsou body, jejichž polohu lze přesně určit jak v obraze, který bude transformován, tak na mapě či jiném obraze, který má požadovanou projekci či požadovaný souřadný systém. Pro každý identický bod jsou tedy známy dvě dvojice souřadnic - souřadnice zdrojové - to jest souřadnice obrazu, který bude korigován (např. v souřadnicích sloupec, řádek) a souřadnice referenční (vzorové či cílové) například v metrech nebo v zeměpisných souřadnicích. Ideálními body jsou především křížení liniových objektů v obraze jako komunikací. Málo vhodné jsou charakteristické tvary vodních toků či okrajů lesa. Řada takovýchto objektů totiž mění polohu v čase. Příkladem může být břežní čára vodní plochy, jejíž hladina kolísá. V případě okraje lesa je nutné vzít v úvahu možné vlivy stínu a podobně. V závislosti na tom, z jakého podkladu budou sbírány identické body, lze geometrickou korekci obrazu provádět těmito základními způsoby: • korekce k mapě - mapový list vhodného měřítka a požadovaného zobrazení je připevněn na digitalizačním stole a kurzorem je registrována poloha odpovídajících si objektů jak na mapě, tak ve zpracovávaném obraze • korekce k jinému obrazu - k dispozici jsou dva obrazové záznamy stejného území, z nichž jeden slouží jako referenční a druhý má být registrován k tomuto referenčnímu například pro možnosti studia změn • korekce k databázi identických bodů - předpokládá, že k dispozici je soubor obsahující referenční (skutečné) souřadnice, zjištěné například odečtením z mapy nebo za pomoci globálního pozičního systému (GPS) • korekce k vektorové prostorové databázi - předpokládá, že k dispozici je vektorová kresba liniových objektů stejného území v digitální podobě Vedle potřebného počtu identických bodů, který je definován použitým stupněm transformace (viz dále), musí tyto body pro úspěšnou geometrickou korekci splňovat některé další požadavky. Je žádoucí, aby body byly rovnoměrně rozmístěny po ploše korigovaného obrazu. 114

CHYBA! NEZNÁMÝ ARGUMENT PŘEPÍNAČE. 7.3.4 Volba stupně transformace Vztah mezi souřadnicemi zdrojovými na cílovými je vyjádřen formou polynomu n-tého stupně. Stupeň geometrické transformace obrazu přímo závisí jednak na geometrických distorzích, které vznikly v průběhu jeho vytváření, jednak na požadované přesnosti. Je-li transformována skenovaná mapa, potom k přesné geometrické korekci lze využít transformaci polynomem prvního řádu. Příkladem tohoto typu transformace jsou transformace podobnostní, kolineární či afinní. Při podobnostní transformaci je provedeno posunutí, otočení a případně shodná změna měřítka ve směru řádků i sloupců a postačují k ní dva páry identických bodů. Při afinní transformaci může korigovaný obraz podléhat posunutí, otočení, zkosení a je k ní zapotřebí tří párů bodů. V případě kolineární transformace se mění měřítko ve směru řádků i sloupců nezávisle a je třeba čtyř párů bodů. V případě obrazových záznamů z družic vznikajících v dynamickém režimu již nepostačují uvedené typy transformace a proto k rektifikaci obrazu bývá využito polynomu vyššího řádu. Alternativou k polynomické transformaci může být i použití tzv. splineových funkcí (Using PCI Software 1997). Tento přístup definuje transformační funkci s minimální křivostí mezi každými dvěma identickými body a zvláště u členitého terénu vyžaduje shromáždění značného počtu identických bodů. 7.3.5 Výpočet transformačních rovnic Transformační rovnice definují vztah mezi polohou každého identického bodu v obraze, který je korigován (X1,Y1), a polohou tohoto bodu v požadovaném systému souřadnic (x,y). Vlastní transformace je založena na předpokladu, že identické body představují reprezentativní vzorek celého obrazu a z nich vypočtené koeficienty transformačních rovnic lze použít pro určení nové polohy všech pixelů zpracovávaného obrazu. Transformace tedy spočívá v určení koeficientů polynomu n-tého stupně pro osu x a y. Například pro transformaci polynomem 3. stupně jsou určeny koeficienty A0 až A9 a B0 až B9: X 1 = A0 + A1 x + A2 y + A3 xy + A4 x 2 + A5 y 2 + A6 x 2 y + A7 xy 2 + A8 x 3 + A9 y 3 Y1 = B0 + B1 x + B2 y + B3 xy + B4 x 2 + B5 y 2 + B6 x 2 y + B7 xy 2 + B8 x 3 + B9 y 3 V závislosti na stupni polynomu je třeba shromáždit určité minimální množství identických bodů, které uvádí následující tabulka: Řád polynomu 2 3 4 5

Minimální počet bodů 6 10 15 21

Obvykle je však nasbíráno více bodů a výpočet koeficientů polynomu je poté proveden metodou nejmenších čtverců. Databáze identických bodů je před vlastní transformací podrobena zkoumání vhodnosti jednotlivých bodů, jejich vyřazování či opětovnému zařazování do výpočtu tak, aby výsledné transformační koeficienty indikovaly nejmenší chybu. Některé ze zpracovatelských systémů dovolují v této fázi hledání nejvhodnější množiny bodů interaktivně měnit také řád polynomu pro transformaci. Obecně ale platí, že vyšší řád polynomu může zmenšit výslednou chybu transformace vypočtenou z identických bodů, avšak v místech, kde identické body chybějí, může do transformovaného obrazu vnášet poměrně značné nepřesnosti (obr. 7.1).

115


Obr. 7.Chyba! Neznámý argument přepínače. Vliv stupně polynomu na přesnost transformace. Podle WILLIAMSE (1996) Způsob, jakým je korigovaný obraz transformován do zvoleného systému souřadnic při použití polynomu vyššího řádu ukazuje obr. 7.2.

Obr. 7.Chyba! Neznámý argument přepínače. Transformace obrazu polynomem vyššího řádu. Podle Using PCI Software (1997) 7.3.6 Testování transformačních rovnic a vlastní transformace Koeficienty transformačních rovnic vytvářejí transformační matici. Inverzí této matice lze pro každý identický bod použitím nalezených koeficientů vypočítat jeho polohu v zdrojové (referenční) soustavě. Nově vypočtená poloha identického bodu bude odlišná od polohy původní. Mírou tohoto rozdílu, mírou vhodnosti vypočtených koeficientů transformačních rovnic a zároveň také mírou přesnosti následné transformace je 116

CHYBA! NEZNÁMÝ ARGUMENT PŘEPÍNAČE. odmocnina z tzv. střední kvadratické chyby (RMS - root mean square error). Je to vzdálenost mezi polohou bodu ve zdrojových souřadnicích a jeho polohou vypočtenou na základě koeficientů transformačních rovnic opět ve zdrojových souřadnicích. RMS chyba se vypočte podle následujícího vztahu:

RMS =

(x − x ) + ( y − y ) 2

or

2

or

kde x, y - souřadnice identického bodu ve zdrojové soustavě vypočtené z transformačních rovnic, xor , yor - původní souřadnice identického bodu ve zdrojové soustavě RMS chybu lze vypočíst jak pro jednotlivé dvojice identických bodů, tak také jako celkovou chybu. To umožňuje seřadit body podle velikosti této chyby a vylučovat ty, které vykazují chybu největší do té doby, až celková RMS chyba klesne v obou směrech na přípustnou hodnotu - tedy například pod jeden pixel, což je běžně akceptovatelná chyba (LILLESAND a KIEFER 1994). Po ošetření souboru identických bodů a dosažení přípustné chyby v obou směrech je možné specifikovat parametry výsledného transformovaného obrazu. Především je nutné určit jeho velikost (počet sloupců a řádků), je však možné také určit nový rozměr jednoho obrazového prvku. V případě LANDSAT TM je původní obraz s pixely zhruba 30 x 30 metrů často transformován do obrazu s rozlišením 25 metrů. Po definování parametrů výsledného obrazu lze provést vlastní transformaci, během níž je jednak určena poloha každého obrazového prvku v požadované cílové souřadné soustavě, jednak vypočtena DN hodnota pro každý pixel výsledného obrazu a to procesem označovaným jako převzorkování. 7.3.7 Převzorkování Převzorkování (resampling) je proces, kdy každému obrazovému prvku výsledného obrazu je přiřazena nová DN hodnota, vypočtená z obrazu původního. Snímek může být převzorkován několika základními algoritmy, jejichž princip uvádí obr. 7.3.

117

DÁLKOVÝ PRŮZKUM ZEMĚ Obr. 7.Chyba! Neznámý argument přepínače. Způsoby převzorkování geometricky korigovaného obrazového záznamu. Podle LILLESANDA a KIEFERA 1994) Nejjednodušším způsobem převzorkování je metoda nejbližšího souseda (nearest neighbour), při které je do nové pozice (vyšrafovaný obrazový prvek na obr. 7.3) jednoduše posunuta digitální hodnota nejbližšího pixelu z původního obrazu (pixel označený „a“). Tato metoda je geometricky nejméně přesná, zachovává však původní hodnoty pixelů. Výsledný snímek však může obsahovat nespojitosti, protože sousední pixely objektů mohou být ve výsledném obraze posunuty až o polovinu šířky pixelu. Pokud však transformovaný obraz bude v následujících krocích klasifikován, je nutné použít právě tohoto algoritmu. Z hlediska geometrické přesnosti výsledného transformovaného obrazu je přesnější technikou algoritmus nazývaný bilineární interpolace (bilinear interpolation). V tomto případě je hodnota pixelu v novém obraze vypočtena jako vážený průměr čtyř nejbližších pixelů z původního obrazu (pixely označené „b“ v obr. 7.3). Výsledný obraz neobsahuje nespojitosti v poloze objektů, jak tomu je v případě předchozí metody, avšak funguje podobně jako nízkofrekvenční filtr - tedy do určité míry zhlazuje výsledný obraz, který poněkud ztrácí rozlišení a především mění původní hodnoty obrazových prvků, což může ovlivňovat výsledky následné spektrální analýzy obrazu. Pokud tedy má být obraz klasifikován, je vhodné klasifikaci provést před vlastní transformací. Třetím běžně používaným algoritmem používaným k převzorkování obrazu je metoda označovaná jako kubická konvoluce (cubic convolution). V tomto případě je nová hodnota obrazového prvku vypočtena jako vážený průměr ze 16 nejbližších pixelů původního obrazu (pixely označené „c“ v obr. 7.3). Z hlediska geometrické přesnosti dává tato metoda lepší výsledky než metody předchozí a má nejblíže k teoreticky nejpřesnější transformaci označované jako funkce sinc(x) nebo sin(x)/x (LEGG 1994; Using PCI Software 1997). Výsledný transformovaný obraz má poměrně ostrý vzhled, opět však mění původní hodnoty pixelů a je výpočetně nejvíce náročný. V případě funkce sin(x)/x může být nová hodnota obrazového prvku vypočtena jako vážený průměr 64 resp. 256 okolních pixelů. 7.3.8 Další přístupy ke geometrické korekci snímků Registrace snímků může být prováděna z několika důvodů. Registrovat lze více snímků stejného území z odlišných dat, ale také snímky s odlišnou prostorovou rozlišovací schopností, snímky s jinými zdroji dat z GIS apod. Obecně přesnější je transformace původního snímku podle obrazu již transformovaného či transformace, při níž jsou souřadnice identických bodů snímány z mapového podkladu pomocí tabletu. Nejméně přesné jsou transformace obrazu k vektorům, protože již sama vektorová kresba může obsahovat polohové chyby oproti mapě. Špičkové zpracovatelské systémy umožňují uživateli využívat vlastní databáze vlícovacích bodů také ve formě malých výřezů obrazových záznamů (tzv. chips). Každý takovýto obrazový výřez obsahuje jeden identický bod v požadovaných souřadnicích, kterého lze využít ke geokódování jiného obrazového záznamu stejného území. V případě, že je potřebná rektifikace obrazu území se značným vertikálním převýšením (horské oblasti), je nutné vedle souřadnic x,y identických bodů zadávat také nadmořskou výšku těchto bodů, protože polynomická transformace neodstraní v obraze geometrické nepřesnosti, které vznikají v důsledku nestejné nadmořské výšky a následných 118

CHYBA! NEZNÁMÝ ARGUMENT PŘEPÍNAČE. relativních změn v poloze objektů. Je-li k dispozici digitální model terénu uvažovaného území, lze všechny geometrické distorze odstranit tzv. ortorektifikací. Jak uvádí např. LILLESAND a KIEFER (1994), kvalitní množinu identických bodů, která nejvíce rozhoduje o konečné přesnosti geometrické korekce, lze v současné době pro určitá území získat z existujících databází identických bodů, a tím celý proces do jisté míry automatizovat. Po specifikování geografické oblasti a některých dalších parametrů (kladu listů apod.) jsou z databáze nabídnuty vhodné body se souřadnicemi včetně nadmořské výšky. Získání souřadnic identických bodů pro naše území z těchto databází je však problematické, především vzhledem k specifikům souřadného systému S-JTSK. Výrazný posun v procesu geometrické transformace obrazu přinášejí technologie globálních pozičních systémů (GPS). Výše zmíněné techniky získávání korigovaných obrazových dat i techniky využívající databáze identických bodů předpokládají jistá zjednodušení - především nevýraznou vertikální členitost, protože nedosahují dobrých výsledků při velkém převýšení. To platí zvláště pro družicové systémy vybavené senzory s velkým úhlem záběru nebo pro senzory jako SPOT nebo SAR, které mohou pořizovat snímky nejen svislé, ale i šikmé. Precizní geometrické korekce se v těchto případech dá dosáhnout pouze přístupem, založeným na přesném modelování všech zdrojů geometrických nepřesností. Tedy modelem dráhy nosiče, modelem senzoru a modelem snímaného terénu. Jde tedy o modely specifické pro každý družicový systém, navíc prostorově omezené. Model orbity generuje přesnou prostorovou polohu nosiče v době snímání každého pixelu a také přesnou orientaci ve všech třech prostorových osách. Model senzoru vychází ze znalosti jeho mechanických či optických komponent určujících tzv. parametr IFOV (okamžité zorné pole radiometru). Poslední složka modelového přístupu zahrnuje jednak definování parametrů geoidu a jednak definování topografie snímaného terénu - tedy digitálního modelu území. Modelový přístup k rektifikaci obrazových záznamů z družic NOAA a SPOT rozebírá např. WILLIAMS (1995). Geometrické korekce jsou často finálním stadiem předzpracování obrazu a jsou většinou prováděny až po jiných korekcích. Důvodem je, že geometrická korekce vnáší do obrazu nezvratné změny modifikací hodnot jednotlivých pixelů v průběhu procesu převzorkování. Na druhé straně například jakékoliv korekce na poruchy skeneru (například chybějící řádek v obraze či tzv. páskování obrazu) musí být provedeny dopředu, protože po geometrických korekcích se z liniových objektů mohou stát objekty komplexnější - např. část sinusoidy. Po geometrických korekcích obrazu lze však provádět takové opravy, které postihují celou plochu obrazu stejným způsobem. 7.3.9 Stereoskopické dvojice, tvorba DTM a ortorektifikace S postupným zlepšováním prostorové rozlišovací schopnosti dat z moderních družicových systémů (viz např. IRS-1C či připravované projekty jako EARTHWATCH), nabývají postupně tato obrazová data z hlediska svých geometrických vlastností kvality letecké fotografie. To následně umožňuje jednak jejich použití například pro mapování ve stále větším měřítku, jednak aplikaci některých zpracovatelských postupů, které byly doposud doménou fotogrammetrie. Patří sem především práce se stereoskopickými dvojicemi snímků, generování digitálního modelu terénu a tzv. ortorektifikace (PETRIE 1998). Řada moderních družicových systémů pracujících v optické části spektra (viditelné, blízké a střední infračervené záření) i aktivních systémů nesoucích SAR, umožňuje 119

DÁLKOVÝ PRŮZKUM ZEMĚ vytvářet obrazový záznam stejného území z více poloh na své oběžné dráze a vytvářet tak tzv. stereoskopické dvojice (viz obr. 5.11 či 6.10). I když takto pořízené dvojice obrazových záznamů nesplňují jednu z podmínek nutných pro vznik stereoskopického efektu - nejsou pořízeny s rovnoběžnými osami záběru - je možné vzhledem k výšce letu družice snímky považovat za kolmé a využít vzniklého efektu paralaxy k řešení základních stereoskopických úloh. Pozorováním stereoskopické dvojice snímků s pomocí speciálních přídavných zařízení (např. brýlí s tekutými krystaly nebo tzv. polarizovaných brýlí) lze zobrazené území vnímat trojrozměrně a návazně generovat výškový model daného území. Jak uvádí KUČERA (1996), v současné době existují tři základní možnosti získávání digitálního modelu terénu z družicových dat. Tyto možnosti zahrnují: • zpracování stereoskopických dvojic obrazových záznamů poskytovaných např. družicemi SPOT, JERS-1 či IRS • zpracování stereoskopických dvojic obrazových záznamů poskytovaných aktivními radarovými systémy jako ERS nebo RADARSAT • zpracování dat z radaru metodami tzv. interferometrie (viz. kapitola 5.9) Digitální model terénu představuje jednu z nejdůležitějších informačních vrstev řady aplikací GIS a lze z něj generovat velké množství potřebných dat (morfometrické charakteristiky jako mapy sklonů a orientace apod.). Jsou-li k dispozici parametry dráhy družice (vyjádřené např. matematickým modelem) a množina identických bodů, je možné do jisté míry automaticky generovat digitální model terénu ze stereoskopické dvojice družicových snímků. Protože přesná parametrizace polohy družice na její dráze je podstatně složitější než je tomu v případě leteckého snímkování a protože také prostorové rozlišení družicového snímku nedosahuje kvality letecké fotografie, je výsledný model terénu samozřejmě méně přesný. Model dráhy družice podle KUČERY (1996) zahrnuje především opravu na polohu nosiče, opravu na nepřesnosti senzoru, opravu na zakřivení Země a opravu na požadovanou kartografickou projekci. Vytváření modelu terénu je založeno na korelaci mezi odpovídajícími pixely snímkové dvojice. Jde o poměrně náročný výpočet z hlediska časového i z hlediska paměťových nároků. Před vlastním výpočtem se snímky upraví do tzv. epipolární projekce - to znamená, že jeden ze snímků je posunut vždy tak, aby si s druhým snímkem odpovídal z hlediska polohy řádků a snímky byly posunuty pouze v horizontálním směru. Vlastní generování modelu terénu je založeno na nalezení odpovídajících si obrazových prvků. Jejich rozdílná poloha v obou snímcích dává informaci o tzv. horizontální paralaxe a je tudíž nositelem informace o výškových poměrech. K vyhledávání odpovídajících si pixelů se využívá korelačního počtu (ŠMIDRKAL a kol. 1989). DN hodnoty z okna určité velikosti (např. 5 x 5 pixelů) v prvním snímku jsou korelovány s DN hodnotami stejně velikého okna v druhém snímku. Okno v druhém snímku se posouvá stejně jako například při filtraci obrazu (viz. kapitola 8) a je hledána poloha, pro kterou je korelace nejvyšší. Z rozdílu v poloze středního pixelu okna v obou snímcích je možné určit jeho relativní i absolutní výšku. Ortorektifikace (ortografická rektifikace) potom využívá DTM k tvorbě digitálního ortofota. Jde v podstatě o nejpřesnější metodu geometrické korekce obrazu, která za pomoci výškové informace o každém obrazovém prvku eliminuje i geometrické nepřesnosti vzniklé jejich rozdílnou výškou. V analytické fotogrammetrii je tvorba ortofota založena na tzv. diferenciálním překreslení (překreslení po částech) ze stereoskopické dvojice snímků v analogové formě. V případě digitální fotogrammetrie se 120

CHYBA! NEZNÁMÝ ARGUMENT PŘEPÍNAČE. k výpočtu využívá digitálních obrazů a lze celý poměrně pracný proces zautomatizovat. Blíže např. PIVNIČKA (1996), WILLIAMS (1996) či Using PCI Software (1997).

121


8. Zvýrazňování obrazových záznamů Zvýrazňování obrazových záznamů zahrnuje velký počet technik, které slouží nejčastěji ke úpravě vzhledu snímků a k usnadnění jejich vizuální interpretace. Jejich cílem je však obecně zvýšit množství informace, která může být ze snímku získána, a to nejen vizuální interpretací. Jak uvádí LILLESAND a KIEFER (1994), proces vizuální interpretace digitálně zvýrazněných dat optimalizuje komplementární schopnosti lidské mysli a počítače. Člověk má velké možnosti interpretovat na snímku prostorové vztahy a atributy jevů. Lidské oko však velmi špatně rozlišuje malé rozdíly v radiometrickém a spektrálním chování objektů a jevů. Počítačové zvýraznění tedy napomáhá rozlišit často nepatrné rozdíly ve spektrálních a radiometrických vlastnostech objektů či jevů. Výsledky řady zvýrazňovacích technik však neslouží pouze jako prostředek ke zlepšení vizuální interpretace obrazových záznamů, ale existuje i značně rozsáhlá skupina technik, jejichž výsledků je používáno jako vstupních dat do dalšího numerického zpracování. Tyto techniky jsou založeny na zvýrazňování více pásem multispektrálního obrazu a slouží k tzv. rozšíření příznakového prostoru. Podle práce JENSENA (1986) lze většinu zvýrazňovacích technik rozdělit na operace bodové a operace prostorové. Bodové operace zvýrazňují hodnotu každého pixelu ve scéně nezávisle na jiných pixelech. Prostorové operace zvýrazňují hodnoty pixelu na základě hodnot pixelů okolních. Každé zvýraznění může být prováděno na jednom pásmu (na monochromatickém obraze) nebo na jednotlivých komponentách multispektrální syntézy. Výsledné obrazy tak mohou být černobílé i barevné. Na počátku je nutné konstatovat, že neexistuje univerzální obecně platný postup při zvýraznění obrazu, který by vedl k zaručeným výsledkům (Using PCI Software, 1997). Obecně je nutné použít vždy několika odlišných technik ke zvýraznění daného snímku. I když existují některé obecné zásady a nejpoužívanější algoritmy, které shrnuje následující text, výběr vhodného zvýraznění závisí na času i místě pořízení snímku a často je věcí zkušenosti zpracovatele. Zvýraznění by měla předcházet výše popsaná předzpracování snímku, především odstranění šumu. Digitální zvýraznění snímku lze rozdělit do tří následujících skupin, přičemž první dvě uvedené skupiny operací pracují na rozdíl od skupiny třetí pouze s jedním pásmem: • bodová (radiometrická) zvýraznění (manipulace odstíny šedi) • prostorová zvýraznění - prostorové filtrace, Fourierovy transformace • spektrální zvýraznění - sestavování barevných syntéz, barevná zvýraznění více pásem (analýza hlavních komponent, aritmetické kombinace, IHS transformace) 8.1 Radiometrická zvýraznění Radiometrická zvýraznění obrazu pracují s histogramem obrazu a tzv. zobrazovací funkcí či zobrazovací tabulkou (LUT - Look Up Table). Zobrazovací funkce je funkce, která určité DN hodnotě pixelu na originálním obrazu (vstupním) přiřazuje novou hodnotu ve výsledném (zvýrazněném) obrazu. Tabelární i grafická prezentace této funkce je znázorněna na obr 8.1. Manipulace s DN hodnotami (odstíny šedi) zahrnuje především následující postupy: • prahování, • hustotní řezy • zvýraznění kontrastu 122

CHYBA! NEZNÁMÝ ARGUMENT PŘEPÍNAČE. Protože neexistuje obecný a univerzální postup pro radiometrická zvýraznění obrazu, probíhá úprava radiometrických hodnot v obraze prostřednictvím. zobrazovací funkce bez zásahu do DN hodnot původního obrazu. Až poté, kdy je dosaženo vhodného zvýraznění, je možné přepočtem DN hodnot vytvořit nový - zvýrazněný obraz. Radiometricky zvýrazněná data slouží ve většině případů pouze pro vizuální interpretaci snímku a neměla by být používána například jako vstup do klasifikace obrazu. Definování určité zobrazovací funkce vždy vychází ze studia histogramu daného obrazu a jak je zřejmé z obr. 8.1, zobrazovací funkce a zobrazovací tabulka jsou pouze jinou formou vyjádření přepočtu DN hodnot původního obrazu na hodnoty výstupní. vstupní DN hodnoty 0 1 2 ..... 61 63 64 ..... 119 120 121 .... 254 255

výstupní DN hodnoty 0 0 0 ..... 24 36 48 ..... 151 163 176 .... 255 255

Obr. 8.Chyba! Neznámý argument přepínače. Příklad zobrazovací funkce a její tabelární prezentace 8.1.1 Prahování Metoda prahování používá velmi jednoduché zobrazovací tabulky, která podle určité „prahové“ DN hodnoty, odečtené z histogramu, dělí hodnoty pixelů na snímku pouze do dvou kategorií - na jednu kategorii pod zvoleným prahem a jednu nad ním. Prahovou hodnotu lze nalézt v histogramu zpracovávaného obrazu, jak je znázorněno na obr. 8.2a. Takovéto zvýraznění je potom graficky zobrazeno na obr 8.2b. Výsledkem procedury prahování je tzv. bitový obraz - obraz, který má pouze dvě hodnoty pixelů - např. 0,1. Je to tedy jedna z metod vytváření tzv. zájmových oblastí (masek) na snímku.

123

DÁLKOVÝ PRŮZKUM ZEMĚ Obr. 8.Chyba! Neznámý argument přepínače. Histogram s naznačenou prahovou hodnotou pro oddělení vodních ploch a souše (a) a zobrazovací funkce pro prahování obrazu (b) Na obr. 8.2 je znázorněn histogram obrazového záznamu z družice LANDSAT TM-4. V těchto blízkých infračervených vlnových délkách jsou voda a souše dobře spektrálně oddělitelné. Protože v tomto pásmu je záření vodou výrazně absorbováno a naopak okolní souše pokrytá vegetací záření výrazně odráží, bude mít histogram obrazového záznamu takovéhoto území bimodální charakter - jeden vrchol patří vodním plochám a druhý souši. Z histogramu lze snadno zjistit lokální minimum jako prahovou hodnotu (30), která bude dělit snímek na dvě části. Všechny pixely s DN hodnotou nad prahovou hodnotou budou mít podle zobrazovací tabulky novou hodnotu 255 (bílá) a pixely s odstíny šedi pod prahovou hodnotou budou mít novou hodnotu 0 (černá). Tímto je tedy obraz rozdělen na dvě části, z nichž jedna zahrnuje pouze vodní plochy a tvoří tzv. masku - viz. obr. 8.3. Tato maska může potom například určovat oblast vlivu dalšího zpracování.

Obr. 8.Chyba! Neznámý argument přepínače. Příklad bitového obrazu vzniklého prahováním histogramu z obr. 8.2 8.1.2 Hustotní řezy Hustotní řezy představují rozšíření konceptu prahování naznačeného v předchozí části. V obou případech jde o redukování počtu hodnot pixelů v původním obraze do menšího počtu tříd - v případě prahování do dvou tříd, v případě hustotních řezů do většího počtu tříd. Na základě studia histogramu obrazu jsou digitální hodnoty rozložené podél osy X rozděleny do několika předem definovaných tříd (řezů). Je-li tedy definováno například 6 intervalů, výsledný snímek bude obsahovat 6 různých hodnot pixelů (odstínů šedi, případně barev). Příklad histogramu obrazového záznamu a zobrazovací funkce použité k jeho rozdělení do několika řezů je znázorněn na obr. 8.4. Jde vlastně o klasifikaci jednoho pásma obrazu a výsledek se může podobat izoliniové mapě či ho tak lze prezentovat. Lidské oko je schopno zaznamenat daleko menší rozdíly v barvě než ve stupni šedi. Abychom zvýraznili rozdíly v obraze jednoho pásma, často je užitečné přiřadit určitou barvu každému stupni šedi (potom hovoříme o pseudobarevném obraze), anebo přiřadit jednu barvu intervalu stupňů šedi. Hustotními řezy se potlačí rozdíly uvnitř definovaných intervalů (řezů) a naopak zvýrazní se rozdíly mezi jednotlivými intervaly. Složitější hustotní řezy dokáží přiřadit 124

CHYBA! NEZNÁMÝ ARGUMENT PŘEPÍNAČE. barvu horní a dolní hranici intervalu a jednotlivým hodnotám mezi těmito limity dát barvy přechodné. Hustotní řezy jsou používány k zobrazení spojitých jevů jako například nadmořských výšek reliéfu, obsahu sedimentů ve vodním sloupci nebo teplotních poměrů.

Obr. 8.Chyba! Neznámý argument přepínače. Histogram obrazového záznamu (a) a zobrazovací funkce na něj aplikovaná (b), jejíž výsledkem je obr. 8.5 Výše uvedený histogram náleží obrazovému záznamu části jižní Skandinávie, pořízenému skenerem AVHRR z družice NOAA. Uvedený histogram nemá normální rozdělení a obsahuje několik „vrcholů“, z nichž každý představuje určitý typ povrchu. Sestavením vhodné zobrazovací tabulky lze určité třídě povrchů představované intervalem DN hodnot původního obrazu přiřadit jednu výstupní DN hodnotu, prezentovanou jako odstín šedi nebo jako barevný odstín. Výsledkem je obraz uvedený na obr. 8.5, mapující rozšíření základních typů povrchů od vodních ploch (nejtmavší odstín) po sněhem pokryté vrcholky skandinávského pohoří a nasouvající se oblačný systém v levém dolním rohu snímku (bílá).

125


Obr. 8.Chyba! Neznámý argument přepínače. Jižní Skandinávie z družice NOAA, obrazový záznam byl prahován podle zobrazovací funkce na obr 8.4b Další možností využití metody hustotních řezů může být například mapování množství rozpuštěných látek ve vodě. Různé části vodní plochy budou odrážet různé množství záření v závislosti na obsahu sedimentů nebo hloubce vodního sloupce, kterým záření proniká. Toto spektrální chování je opět zakódováno v histogramu obrazu a jeho úpravou podle vhodně zvolené zobrazovací funkce lze vodní plochu rozdělit do více kategorií podle určitých fyzikálních, chemických či biologických vlastností.

8.1.3 Zvýrazňování kontrastu Družice pohybující se na subpolární dráze prochází jak nad oblastmi velmi málo osvětlenými - například oblastmi polárními, tak nad oblastmi výrazně osvětlenými například pouštěmi. Aby systém zaznamenal určitou informaci z obou těchto oblastí, musí mít jeho měřící zařízení poměrně široký dynamický rozsah měřených hodnot odraženého nebo vyzářeného záření (CRACKNELL a HAYES 1993). Tento dynamický rozsah označujeme jako radiometrickou rozlišovací schopnost systému. Běžně používané obrazové záznamy jsou zaznamenávány např. v 8 bitech - tedy v rozsahu hodnot 0 - 255. V důsledku toho DN hodnoty pixelů konkrétního obrazového záznamu např. území ze středních zeměpisných šířek budou zabírat pouze malou část z tohoto celkového dynamického rozsahu, jak je zřejmé např. z obr. 8.2. Zobrazíme-li tedy nezvýrazněná původní obrazová data a jejich histogram, bude mít snímek malý kontrast a podobné odstíny šedi budou splývat. Bude-li histogram obrazu posunut blíže k nižším hodnotám, bude obraz velmi tmavý a naopak. Podstatou úpravy kontrastu je „roztažení“ (stretching) všech anebo pouze vybraných hodnot původního obrazu na celý rozsah zobrazovacího zařízení pomocí určité vhodné zobrazovací funkce, jak je znázorněno na obr 8.6. Tímto způsobem se při vizualizaci obrazového záznamu lépe využije dynamického rozsahu jeho hodnot - „roztáhne“ se jeho histogram. 126


Obr. 8.Chyba! Neznámý argument přepínače. Princip „roztažení“ (stretching) histogramu: a - zobrazovací funkce (LUT) lineárního zvýraznění , b - histogram původního nezvýrazněného obrazu, c- histogram obrazu zvýrazněného lineární funkcí

Každý systém určený ke zpracování obrazu nabízí základní typy úpravy kontrastu. Aplikace určité zobrazovací funkce na konkrétní obrazový záznam je často věcí empirie a neexistuje obecný postup zaručující vždy dobré zvýraznění daného obrazu. Použití konkrétní zobrazovací funkce se vždy řídí účelem zvýraznění - lze například zvýrazňovat celou scénu či zvýraznit radiometrický detail pouze pro vodní plochy. Pro volbu vhodné zobrazovací funkce je podstatný také histogram obrazu, především jeho tvar či umístění. Základní druhy zobrazovacích funkcí používaných pro úpravu kontrastu shrnuje obr 8.7 a následující text.

127


Obr. 8.Chyba! Neznámý argument přepínače. Základní typy úpravy kontrastu a) žádné zvýraznění, b) lineární zvýraznění, c) vyrovnání histogramu, d) zvýraznění části histogramu. Upraveno podle Using PCI Software (1997).

128

CHYBA! NEZNÁMÝ ARGUMENT PŘEPÍNAČE. Žádné zvýraznění (obr. 8.7a). Vstupní hodnoty jsou bez jakékoliv transformace posílány na výstupní zařízení. Není využito celého dynamického rozsahu zobrazovacího zařízení. Obraz má malý kontrast a malý rozsah hodnot redukuje možnosti zobrazit jeho detaily Lineární zvýraznění kontrastu (obr. 8.7b). Rozsah hodnot v původní scéně (například hodnoty 51-153) je lineárně rozdělen tak, aby vyplnil celý rozsah výstupního zařízení (0255). Pixely s blízkými hodnotami jsou tak na výstupu znázorněny dostatečně rozdílnými tóny šedi. Problémem je, že stejně velký rozsah je přiřazen pixelům jak řídce se vyskytujícím, tak často frekventovaným. Např. polovina dynamického rozsahu 0-127 je rezervována pro malý počet pixelů se vstupními hodnotami 51-102. Většina pixelů na snímku s hodnotami 103-153 je také směrována pouze do poloviny dynamického rozsahu (128-255). Funkce pro lineární zvýraznění má následující tvar (WILLIAMS 1995): O( x ) =

kde

[

255 ⋅ I ( x ) − I min

]

I max − I min O(x) - výstupní hodnota I (x) - vstupní hodnota Imin - minimální vstupní hodnota Imax - maximální vstupní hodnota

Vyrovnání histogramu (obr. 8.7c). Hodnoty pixelů v obraze jsou na výstupu zobrazovány na základě frekvence jejich výskytu. Více výstupních hodnot a tedy větší radiometrický detail je rezervován často se vyskytujícím pixelům na snímku. Část 103153 je roztažena na větší část výstupních hodnot (25-255). Menší část výstupních hodnot je rezervována na hodnoty v obraze méně frekventované. Úprava části histogramu (obr. 8.7d). Lze ji použít v případě, kdy specifické povrchy na snímku (voda, les) mají být analyzovány ve větším radiometrickém detailu. Toho je dosaženo tak, že pouze určitá část hodnot ze snímku je přiřazena celému dynamickému rozsahu výstupních hodnot. Např. voda je reprezentována úzkým rozsahem hodnot 51102. Všechny DN hodnoty vodních objektů mohou tedy být na výstupu přiřazeny hodnotám 0-255. Díky tomu původně i velmi malé rozdíly v hodnotách na snímku budou na výstupu velmi zvýrazněny. Světlejší pevnina bude potlačena. Zlepšení kontrastu lze dosáhnout také tzv. saturací (potlačením) určitého počtu pixelů s nejmenšími a největšími hodnotami. Vycházíme jednak z toho, že histogram zpracovávaného obrazu má „zvonovitý“ tvar normálního rozdělení, jednak také z faktu, že pixely s největšími či nejmenšími hodnotami, často značně odlehlými od hlavní části histogramu, mohou představovat „šum“ v obraze. Saturací je malému počtu obrazových prvků na levém konci histogramu přiřazena hodnota 0 (černá) a malému počtu pixelů na pravém konci histogramu hodnota 255 (bílá). Vhodného zvýraznění se dosáhne potlačením 2,5 až 5 procent pixelů na každém konci histogramu. Zbývajícím 95 resp. 90 % pixelům je možné prostřednictvím vhodné zobrazovací funkce dát daleko větší kontrast, než v případě aplikování stejné zobrazovací funkce na obraz bez saturace pixelů s extrémními hodnotami. Při zvýrazňování kontrastu se tedy mění rozdělení digitálních hodnot v histogramu prostřednictvím zobrazovací funkce (tabulky). Pro daný rozsah vstupních hodnot platí, že čím strmější je zobrazovací funkce, tím rozdílnější (vzdálenější) odstíny šedi jsou na 129

DÁLKOVÝ PRŮZKUM ZEMĚ výstupu dané části obrazu přiřazeny. Data s nejvyšší četností v histogramu by měla být přiřazena strmější části zobrazovací funkce. I když na tomto principu je založeno vyrovnání histogramu a z teorie informace lze odvodit, že takto zvýrazněný obrazový záznam bude poskytovat nejvíce informace (RICHARDS 1986), pro vizuální interpretaci nemusí být takováto úprava kontrastu nejvhodnější a lepší výsledek lze získat např. prostým lineárním zvýrazněním. 8.2 Prostorová zvýraznění - filtrace obrazu Zatímco výše uvedená zvýraznění pracovala s hodnotami jednotlivých obrazových prvků nezávisle na hodnotách jiných pixelů - tedy lze je označit za operace bodové - filtrace patří mezi operace prostorové - určují novou DN hodnotu určitého obrazového prvku v závislosti na hodnotách určitého počtu prvků okolních. Filtrace se využívá v řadě úloh jako je tzv. zhlazování snímku, zvýrazňování a detekce hran, úprava výsledků klasifikace apod. Filtrace obrazu je spojena s pojmem prostorová frekvence (spatial frequency). Tou rozumíme relativní změnu DN hodnoty daného pixelu vůči DN hodnotám pixelů okolních. Obrazový záznam obsahuje jak vysokofrekvenční tak nízkofrekvenční prostorovou informaci. Jejich souhrn tvoří originální obraz. Vysoké frekvence (obr. 8.8a) popisují velké rozdíly v hodnotách pixelů při přechodu z jednoho pixelu na druhý představují tedy především liniové prvky v obraze (litologické zóny, říční síť, komunikace, přírodní hranice). Nízké frekvence (obr. 8.8b) popisují postupné změny v hodnotách pixelů - vodní plochy, velká pole, lesní komplexy atd.

a

b

Obr. 8.Chyba! Neznámý argument přepínače. Příklad vysokofrekvenční (a) a nízkofrekvenční (b) informace v obraze Funkcí filtrů je "prosívat" (propouštět) do výsledného obrazu pouze určitý typ informace. Vysokofrekvenční filtry propouštějí vysokofrekvenční informaci - tedy všechny lokální extrémy obrazu včetně linií a hran. Nízkofrekvenční filtry propouštějí pouze nízkofrekvenční informaci a produkují tak obrazy, které jsou oproti původním tzv. "zhlazené" obdobně, jako jsou zhlazovány např. časové řady tzv. klouzavými průměry. Existuje velké množství filtrů, jejich koncept je vždy stejný a je schematicky naznačen na obr. 8.9. Nejprve je definováno tzv. filtrovací okno. Je představováno čtvercovou maticí o lichém počtu řádků a sloupců (např. 3 x 3, 5 x 5 atd). Každý pixel tohoto okna obsahuje koeficient - váhu. Filtrovaný obraz je pak generován násobením každého koeficientu v okně hodnotou pixelu z originálního snímku podle současné polohy okna. Výsledek je přiřazen centrálnímu pixelu ve filtrovaném snímku. Okno se posouvá po snímku po jednom pixelu pohybem, který bývá označován jako „konvoluce“. Okrajové pixely po obvodu snímku, aby mohly být centrálním pixelem okna, jsou v průběhu filtrovací operace replikovány nebo je výsledný filtrovaný snímek zmenšen o polovinu 130

CHYBA! NEZNÁMÝ ARGUMENT PŘEPÍNAČE. šířky filtrovacího okna minus 1 na každé straně. Operace filtrování obrazu jsou matematicky velmi jednoduché, avšak časově náročné v důsledku velkého počtu opakování - tedy velmi vhodné pro automatické zpracování. Většina zpracovatelských systémů používá řady předdefinovaných filtrů.

c

o 1 2 1 2 4 2 1 2 1

Obr. 8.Chyba! Neznámý argument přepínače. Princip filtrace digitálního obrazového záznamu filtrem o velikosti 3 x 3, c - filtrovaný obrazový prvek, o - filtrovací okno s vahami 8.2.1 Nízkofrekvenční filtrace Tyto operace potlačují vysokofrekvenční informaci v obraze tak, že redukují odchylky centrálního pixelu od svého okolí. Nízkofrekvenční filtry produkují obraz, který je oproti originálnímu zhlazený - vždy tedy určitým způsobem zmenšují rozptyl hodnot pixelů v rámci filtrovacího okna.. Stupeň zhlazení je přímo úměrný velikosti použitého filtrovacího okna - čím větší okno, tím větší zhlazení. Nízkofrekvenční filtry tedy mají tendenci redukovat rozsah výstupních hodnot odstínů šedi a často je tedy nutné po filtraci snímku přistoupit ke zvýraznění jeho kontrastu. Běžnými nízkofrekvenčními filtry jsou např. průměrový filtr, gaussovský filtr, mediánový filtr apod. Příklady filtrovacího okna s jednotlivými vahami jsou uvedeny po straně textu. Běžným „zhlazovacím“ filtrem je průměrový filtr, který dává stejnou váhu 1 1 1 všem pixelům v okně, a to má tedy tvar uvedený na obrázku vpravo. Ve 1 1 1 filtrovacím okně se sečtou hodnoty všech pixelů, výsledná hodnota se vydělí 1 1 1 počtem prvků filtrovacího okna, zaokrouhlí na celé číslo a přiřadí se střednímu pixelu. Vedle průměrového filtru se často používá filtru mediánového, který ve výsledném obraze nahrazuje hodnotu středního pixelu hodnotou mediánu - tedy hodnotou prostředního členu uspořádané posloupnosti hodnot všech pixelů filtrovacího okna. Podobné průměrové filtry představují filtry s hodnotami váženými vzdáleností (distance weighted filter), jejichž dva příklady s různou velikostí filtrovacího okna jsou uvedeny vpravo. U těchto filtrů

1 2 1

2 4 2

1 2 1

1 2 4 2 1

2 4 8 4 2

4 6 16 6 4

2 4 8 4 2

1 2 4 2 1 131

DÁLKOVÝ PRŮZKUM ZEMĚ se vliv pixelů na počítanou střední hodnotu filtrovaného okénka zmenšuje se zvětšující se vzdáleností od tohoto středu. Důležitost okolí je redukována se vzdáleností od počítaného pixelu. Tyto typy filtrů provádí jemnější zhlazení. Dalším typem průměrových filtrů mohou být filtry, které počítají novou hodnotu pixelu ve filtrovaném obraze jako aritmetický průměr pixelů ve filtrovacím okénku, avšak bez hodnoty středového pixelu. Takovýto filtr je užitečný k odstranění tzv. „bitových“ chyb, které se projevují výrazně odlišnou hodnotou pixelu od jeho okolí. Příčina těchto chyb může mít původ již v procesu vytváření obrazu např. na družici. Příčinou může být také tzv. zrcadlový odraz. Dalším případem nízkofrekvenčních filtrů jsou filtry s váženým středem (Center weighted filter) - dávají filtrovanému pixelu větší nebo menší váhu než pixelům v jeho okolí. Dostává-li střední pixel vyšší váhu, je zhlazení menší, dostává-li střední pixel menší váhu, je z obrazu odstraněn šum. Také tyto filtry mají speciální funkci při odstranění bitových chyb. Nízkofrekvenční filtry se dále využívají ke zhlazení obrazu před jeho vizuální interpretací. Některé filtry lze použít také k úpravě výsledků klasifikace. Sem patří tzv. majoritní filtry - například modální filtr, který přiřadí danému pixelu hodnotu módu tedy nejčetnější hodnotu v daném filtrovacím okně. Jeho výhodou tedy je, že v takto filtrovaném obraze zůstanou zachovány pouze hodnoty z obrazu původního. K úpravě výsledků klasifikace může sloužit i tzv. sieve filtr (sieve = síto). Tento filtr odstraní např. z výsledků klasifikace plochy, které jsou menší než zadaná prahová hodnota. Pixelům těchto malých ploch je přiřazena hodnota pixelů největší sousední plochy a jsou tedy „připojeny“ k této ploše. Často využívaný gaussovský filtr používá ve filtrovacím okénku koeficienty vypočtené na základě normálního rozdělení. Složitějším příkladem filtru, který zachovává liniové prvky v obraze je tzv. filtrace rotujícím oknem (TOPOL pro Windows 1996). V tomto případě se okolí filtrovaného obrazového prvku o velikosti 3 x 3 pixely porovnává se předem definovanými vzorovými filtrovacími okny: -1 -1 -1 2 2 2 -1 -1 -1

-1 2 -1 -1 2 -1 -1 2 -1

2 -1 -1 -1 2 -1 -1 -1 2

-1 -1 2 -1 2 -1 2 -1 -1

Odpovídající si prvky okolí filtrovaného pixelu a okolí vzorového se vzájemně vynásobí. Vzorového okolí s minimální výslednou hodnotou se použije jako průměrového filtru. 8.2.2 Vysokofrekvenční filtry Vysokofrekvenční filtry zdůrazňují změny v DN hodnotách mezi jednotlivými pixely. Tyto rozdíly reprezentují především hrany a linie. Hranou v obraze rozumíme hranici mezi dvěma různými povrchy - například okraj lesa. Na rozdíl od linie má hrana „nulovou“ šířku. Linie potom v obraze reprezentují především komunikace, vodní toky a podobně. Vysokofrekvenční filtr lze využít především k tzv. „ostření“ (sharpening) obrazu nebo k detekci a zvýraznění linií a hran, například -1 -1 -1 pro účely následné vektorizace liniových prvků v obraze. -1 8 -1 Vysokofrekvenční filtry obecně zdůrazňují objekty, které jsou menší než -1 -1 -1 polovina filtrovacího okna, širší objekty potlačují. Proto se i zde používají různé velikosti filtrů. Obecnou funkcí těchto filtrů je tedy určitým způsobem zvýšit rozdíl hodnot mezi filtrovaným centrálním pixelem a jeho okolím. Filtrů tohoto typu je 132

CHYBA! NEZNÁMÝ ARGUMENT PŘEPÍNAČE. opět celá řada a jejich aplikace často závisí na konkrétním případu a také zkušenostech zpracovatele. Typickým příkladem vysokofrekvenčních filtrů jsou tzv. laplaceovské filtry - viz předpis filtrovacího okénka uvedený vpravo. Takovéto filtry mají váhy v jednotlivých pozicích filtrovacího okna určeny tak, že váha středového členu je rovna součtu vah všech členů sousedních; suma všech vah je tedy rovna nule. Filtr potom produkuje na výstupu nulové hodnoty v homogenních částech obrazu a naopak vysoké či nízké hodnoty pro ty pixely, jejichž hodnota v originálním obraze je větší resp. menší než hodnota okolních pixelů. Filtry mohou v obraze zdůrazňovat hrany nebo linie pouze -1 -2 -1 -1 0 1 určitého směru (orientace). Příkladem může být tzv. 0 0 0 -2 0 2 Sobelův filtr, který zdůrazňuje všechny horizontální a 1 2 1 -1 0 1 vertikální hrany a linie v originálním obraze. V některých Y X případech je možné obě uvedená okna kombinovat a vypočíst tzv. Sobelův gradient. Pro každý směr je vypočtena hodnota X a Y jako suma součinů příslušné váhy ve filtrovacím okně a hodnoty pixelu. Výsledný Sobelův (SG) gradient se potom vypočte ze vztahu: SG =

X 2 +Y2

Na stejném principu je založen tzv. Prewittův filtr a -1 0 1 Prewittův gradient k detekci hran v obraze, který -1 0 1 vychází z koeficientů filtrovacích oken uvedených -1 0 1 vpravo. Výpočet Prewittova gradientu probíhá podle X stejného vzorce jako v případě Sobelova gradientu.

1 0 1

1 1 0 0 1 1 Y

Každý obraz lze považovat za průnik množin představujících vysokofrekvenční a nízkofrekvenční informaci. Z toho plyne, že vysokofrekvenční informaci lze získat také odečtením nízkofrekvenční informace od původního obrazu. Tyto filtry se nazývají diferenční (high pass differential). Na tomto principu je založen také například tzv. zostřující filtr (edge sharpening filter). Nejprve je původní obraz filtrován průměrovým filtrem, který potlačí linie a hrany. Následně je tento zhlazený obraz odečten od obrazu originálního, čímž obdržíme obraz, v němž je vysokofrekvenční informace o hranách a liniích zachována. Nakonec je tento obraz přičten k obrazu původnímu, čímž obdržíme výsledek, ve kterém jsou hrany a linie „ostřeji“ ohraničeny vůči okolí. V některých případech však tento postup zvýrazní ve výsledném obraze také šum. 8.2.3 Zvýraznění textury Obecného principu filtrace lze mimo jiné využít také k definování textury v obraze. Textura je významným interpretačním znakem, hojně využívaným především při analogové interpretaci snímků - je tedy kvalitativním parametrem. V případě digitálního zpracování obrazu je však problematické texturu vyjádřit určitou číselnou charakteristikou. Textura je plošná proměnlivost tónu uvnitř obrazu a výrazná textura je typická především pro radarové snímky (viz. kapitola 5). Filtry určené k definování textury v obraze jsou založeny na výpočtu různých statistických měr homogenity či naopak variability hodnot všech pixelů v rámci filtrovacího okna. Textura může být charakterizována rozptylem hodnot, variačním koeficientem, koeficientem šikmosti či špičatosti, entropií apod. (Using PCI Software, 1997, ERDAS Field Guide, 1994). Na rozdíl od výše uvedených filtrací je k definování textury často nutné definovat poměrně velké rozměry filtrovacího okna. Např. BLOM a DAILY (1982) použili k definování textury v obraze filtrovacího okna o velikosti 61 x 61 pixelů. 133

DÁLKOVÝ PRŮZKUM ZEMĚ Kvantifikace textury v obraze jsou často problematické. Názornou představu o rozdílné textuře základních druhů povrchů zastoupených v obraze lze získat pomocí tzv. transektů (profilů). V obraze je možno definovat linii, podle které jsou např. ve formě spojnicového grafu vyneseny DN hodnoty všech pixelů, kterými linie prochází.

Jednotlivé povrchy jsou charakterizovány jednak celkovou „průměrnou“ úrovní DN hodnot (v infračerveném pásmu budou pro vodní povrch obecně nižší než pro zemědělskou půdu), jednak také proměnlivostí (rozptylem) DN hodnot (rozptyl hodnot pro vodní plochu bude menší než pro zemědělskou půdu). Právě rozptyl hodnot je nositelem informace o textuře dané části obrazu. a) b) Obr. 8.Chyba! Neznámý argument přepínače. Příklad klasifikovaného snímku (a) a stejného snímku filtrovaného modálním filtrem (b)

a)

b)

Obr. 8.Chyba! Neznámý argument přepínače. Část nezpracovaného družicového snímku (a) s stejného snímku filtrovaného vysokofrekvenčním Sobelovým filtrem (b)

134

CHYBA! NEZNÁMÝ ARGUMENT PŘEPÍNAČE. a)

b)

Obr. 8.Chyba! Neznámý argument přepínače. Část nezpracovaného družicového snímku (a) s stejného snímku filtrovaného tzv. zostřujícím filtrem (b)

8.2.4 Fourierovy transformace Prostřednictvím tzv. Fourierových transformací lze průběh jakékoliv jednorozměrné spojité funkce f(x) popsat pomocí série trigonometrických funkcí sin a cos o různých amplitudách a frekvencích. Uvedený postup je hojně využíván v řadě aplikací - například v elektronice, ale i při analýze cykličnosti časových řad. Fourierova transformace je zde aplikována na spojitou funkci, digitální obrazový záznam si však lze představit jako funkci diskrétní dvourozměrnou (řádky a sloupce obrazu). K analýze obrazu lze využít tzv. diskrétní rychlou Fourierovu transformaci (FFT - Fast Fourier Transformation). Její podstatou je převedení obrazu z prostorového souřadného systému, tvořeného jednotlivými řádky a sloupci, určitým počtem sin a cos funkcí, do frekvenčního souřadného systému. Pojem frekvence zde má stejný význam jako v úvodu kapitoly 8.2. Je-li tedy snímek transformován do jednotlivých frekvencí, je možné jej zobrazit ve dvourozměrném poli jako tzv. Fourierovo spektrum (obr. 8.13). Nízké frekvence v originálním obraze odpovídají střední části spektra, vysoké frekvence se posouvají k jeho okrajům a navíc lze ze spektra vyčíst orientaci hran a linií reprezentovaných danými frekvencemi. Hrany a linie orientované horizontálně v originálním obraze jsou ve Fourierově spektru prezentovány jeho vertikální složkou a naopak. Stupeň šedi ve Fourierově spektru vyjadřuje četnost výskytu dané frekvence v obraze.

Obr. 8.Chyba! Neznámý argument přepínače. Příklad obrazového záznamu z LANDSAT TM-1 a jeho Fourierova spektra Uvedené frekvenční spektrum lze tzv. inverzní Fourierovou transformací převést zpět do prostorového souřadného systému a rekonstruovat tak původní obraz. Pokud tedy před touto inverzní transformací jsou z Fourierova spektra odstraněny určité frekvence, výsledný zrekonstruovaný obraz může být upraven podobně jako v případě použití nízko- či vysokofrekvenčního filtru. Fourierovy transformace lze využít například k radiometrickým korekcím obrazu k potlačení šumu a k odstranění pruhů vzniklých poruchami v kalibraci jednoho 135

DÁLKOVÝ PRŮZKUM ZEMĚ z detektorů radiometru. Tato technika nachází mnoho použití také při zvýrazňování obrazu, kde ji lze využít ve funkci jak vysokofrekvenčního filtru k detekci linií a hran (a to i určité orientace), tak i ve funkci filtru zhlazujícího. Toto použití je schematicky znázorněno na obr. 8.14. Pro potlačení určitých frekvencí lze vytvářet nejen masky symetrické se středem Fourierova spektra, jak je naznačeno výše, ale i masky nesymetrické, např. ve tvaru klínu apod.

Obr. 8.Chyba! Neznámý argument přepínače. Schematické znázornění využití Fourierovy transformace pro vysokofrekvenční (a) a nízkofrekvenční (b) filtraci obrazu. 1 - FFT - Fourierova transformace, 2 - Fourieriovo spektrum 3 - odfiltrování vhodných frekvencí pomocí masky, 4 - IFT - inverzní Fourierova transformace, 5 - výsledný upravený obraz. Černé plochy v použité masce indikují ty frekvence, které jsou potlačeny (odfiltrovány). 8.3 Spektrální zvýraznění - vícepásmové manipulace Operace zvýraznění transformují digitální obrazová data do lépe interpretovatelné formy. Předcházející dvě skupiny procedur zahrnovaly jak použití bodových, tak prostorových operací ke zvýšení kontrastu mezi jednotlivými objekty v jediném obraze. Digitální obrazová data pořízená metodami dálkového průzkumu Země jsou však zřídka tvořena pouze jedním pásmem. V naprosté většině případů jsou pořizována jako multispektrální - tedy v několika intervalech vlnových délek. Skládáním většinou tří různých pásem lze vytvářet barevný obraz - tzv. barevnou syntézu. Tato podává zobrazené území namísto v odstínech šedi ve více či méně přirozených barevných odstínech a vytváření barevné syntézy lze považovat za vícepásmové zvýraznění obrazu. Vedle vytváření barevných syntéz existují postupy, kterými lze zvýrazňovat multispektrální obraz na základě 136

CHYBA! NEZNÁMÝ ARGUMENT PŘEPÍNAČE. kombinace více pásem. Tyto postupy, jak již bylo uvedeno v úvodu kapitoly, nemusí sloužit pouze k usnadnění vizuální interpretace obrazu, ale také jako vstup do dalšího zpracování. Mohou například redukovat počet potřebných pásem pro následné zpracování bez výraznější ztráty informace či převádět obraz mezi různými barevnými systémy. Z teorie spektrálního chování objektů je zřejmé, že obrazové záznamy daného území, pořízené ve viditelné a infračervené části spektra, vykazují poměrně těsné korelační vazby. To znamená, že poskytují často velmi podobnou informaci. Transformací původních originálních pásem do pásem nových lze získat informaci novou. V každém použitém pásmu představuje hodnota odražené nebo vyzářené elektromagnetické energie určitou charakteristiku o objektu zachyceném na ploše daného pixelu. Tuto charakteristiku můžeme označit jako tzv. příznak, zatímco prostor (obvykle tedy vícerozměrný), definovaný hodnotami jednotlivých zpracovávaných pásem, jako tzv. příznakový prostor. Generováním nových pásem - tedy os příznakového prostoru - lze například zvýšit odlišení různých objektů v tomto prostoru ať již pro vizuální interpretaci či pro následnou automatickou klasifikaci. Tyto transformace tedy rozšiřují příznakový prostor. V případě některých vícepásmových transformací lze docílit seřazení nově vypočtených pásem například podle množství informace v nich obsažené. Pro další zpracování lze potom použít pouze nejinformativnějších pásem - tedy provést tzv. zúžení příznakového prostoru bez podstatné ztráty informace. 8.3.1 Barevné kompozice Naprostá většina systémů snímá informaci ve vícepásmovém (multispektrálním) režimu a vizualizace dat po jednom pásmu ve formě černobílého obrazu nedává veškerou informaci o objektech a jevech ve scéně. Jednak je pro lidské oko daleko těžší rozlišit větší množství odstínů šedi a jednak každé jednotlivé pásmo popisuje každý objekt pouze jednou hodnotou pixelu. Vzájemné vztahy mezi jednotlivými pásmy jsou důležité k rozpoznání objektů, a proto je užitečné vytvářet multispektrální barevné syntézy. Tyto barevné syntézy vznikají na monitoru počítače tzv. aditivním skládáním barev, kdy většinou tři různá pásma jsou vyjádřena v odstínech tří základních barev RGB systému modrou, zelenou a červenou (blíže viz. kapitola 8.3.3). Barevné kompozice mohou zobrazovat zemský povrch jednak v barvách téměř přirozených, jednak v barvách nepřirozených - nepravých. Objekty budou mít v barevném obraze téměř přirozené barvy tehdy, bude-li v odstínech červené barvy zobrazováno pásmo měřící červenou část viditelného spektra, v odstínech zelené barvy pásmo zaznamenávající zelenou část spektra a v odstínech modré pásmo zaznamenávající modrou část viditelných vlnových délek. Například v případě snímků z družice LANDSAT TM tedy: R G B

TM-3 TM-2 TM-1

V takovéto kompozici budou dobře rozpoznatelné zastavěné plochy či komunikace, na druhé straně například jednotlivé druhy povrchů pokrytých vegetací budou splývat, protože budou v syntéze zobrazeny podobnými odstíny zelené barvy. Pokud v barevné kompozici budeme kombinovat pásma v jiném pořadí či zařadíme do syntézy pásmo z infračervených vlnových délek, vznikne barevný obraz podávající objekty v nepřirozených barvách, kdy vegetace bude podána například v odstínech červené barvy: R

TM-4

137

DÁLKOVÝ PRŮZKUM ZEMĚ G B

TM-3 TM-2

Čím více pásem systém snímá, tím více kombinací lze vytvořit, přičemž pro různé aplikace jsou vhodné různé kombinace pásem. To, jakou kombinaci pásem použít, záleží na účelu dalšího využití snímku, na znalosti spektrálního chování objektů a jevů, na jejich poměrném zastoupení v obraze a řadě dalších parametrů. Pro určité aplikace byly empiricky odvozeny kombinace pásem, které danou tématiku znázorňují nejlépe. Příkladem mohou být tabulky 6.5 a 6.6 v kapitole 6.3.2. Je však nutno poznamenat, že vhodnost jednotlivých barevných kombinací má místě i časově omezenou platnost. V případě snímků skeneru TM z družice LANDSAT má pro vegetační studie význam především blízká infračervená část spektra (TM-4). V některých případech, například na scéně z letního období s rozvinutou vegetací se v syntéze s pásmem TM-4 ztrácí zastavěné plochy a proto je vhodnější v syntéze použít pásma TM-5. Z viditelných pásem (TM-1, TM-2, TM-3) bývá nejčastěji používáno třetí pásmo, které je nejméně ovlivňováno rozptylem záření v atmosféře. Zvolení vhodné kombinace tak může být založeno na zkušenosti zpracovatele či na metodě pokusu a omylu, existují však i různá pravidla - například pravidlo, podle kterého je do barevné kompozice vždy vhodné zařadit pásma ze základních intervalů vlnových délek (viditelné, blízké a střední infračervené) - tedy taková, která budou vzájemně nejméně korelovaná. Máme-li k dispozici obrazový záznam z družice LANDSAT TM, do kompozice použijeme jedno ze tří pásem viditelných, pásmo TM-4 z blízké infračervené části spektra a jedno z pásem TM-5 a TM-7 (střední infračervená část spektra). Interpret sám však musí rozhodnout, které základní barvě přiřadí to které pásmo.Třípásmová data s vlnovými délkami přibližně v zelené, červené a blízké IČ (např. MSS, SPOT-XS) jsou konvenčně zobrazována následovně: R G B

infračervená červená zelená

Výsledkem je kompozice, která zobrazuje zelenou vegetaci v odstínech červené a vodu modrou. Pro studium druhů povrchů (land cover) má LANDSAT TM hodnotnou informaci ve střední IČ části spektra (TM-5), která bývá také začleňována do barevných kompozic: R G B

TM-5 TM-4 TM-3

Odlišné kompozice mohou být vytvářeny pro geologické mapování a výzkum minerálů. Pro tyto účely byl zvláště navrženo pásmo TM-7. V geologii bývají tedy často kombinována pásma TM-7, TM-5, TM-3. Pro snadné odlišení vodních objektů je potřebné do syntézy zařadit infračervené pásmo. Barevné kompozice nemusí být vytvářeny pouze z pásem původních, ale i z pásem, které z nich byly vypočteny určitou transformací (podíly dvou pásem, tzv. hlavní komponenty apod.). Existují i objektivní metody, jak sestavit barevnou syntézu. Jedna z nich je založena na výběru takových pásem, která dávají nejvíce odlišné informace - tedy jsou mezi sebou co nejméně korelována. Metoda je založena na výpočtu tzv. optimum index factor (OIF). 138

CHYBA! NEZNÁMÝ ARGUMENT PŘEPÍNAČE. Je použitelná pro jakékoliv multispektrální snímky a vypočte se z následujícího vztahu (JENSEN 1986): 3

∑S OIF =

k =1

∑ Abs(r ) 3

j =1

kde

k

j

Sk - směrodatná odchylka pro pásmo k ri - hodnota korelačního koeficientu mezi libovolnými dvěma pásmy v dané kompozici.

Kompozice s nejvyšší hodnotou OIF bude dávat nejvíce informace. Protože je možné do barevné kompozice zahrnout nanejvýš 3 pásma, často se informace z více pásem zahrnuje do syntézy ve formě obrazových podílů (viz dále). 8.3.2 Analýza hlavních komponent Analýza hlavních komponent (PCA - Principal Component Analysis) je metoda zvýrazňování multispektrálního obrazu a používá se jednak jako prostředek zvýraznění barevného obrazu k následné vizuální interpretaci, jednak jako metoda předzpracování a zvýraznění obrazu před jeho automatickou klasifikací. Analýzou hlavních komponent lze další zpracování omezit na méně pásem bez podstatné ztráty informace - redukuje tedy rozměrnost (dimensionalitu) zpracování. Jde o metodu v kontrolovanou zpracovatelem menší míře, než některé dále uváděné transformace. PCA je statistická metoda, která rotuje osami vícerozměrného prostoru tvořícího multispektrální snímek, a to ve směru maximálního rozptylu dat. Koncept analýzy hlavních komponent je pro případ dvourozměrného prostoru znázorněn na obr. 8.15.

Obr. 8.Chyba! Neznámý argument přepínače. Princip analýzy hlavních komponent Jak je zřejmé z obr. 8.15, originální data dvou pásem zobrazená v korelogramu - např. pásma TM-1 a TM-4 z družice LANDSAT - se vyznačují poměrně značnou korelací. Výsledkem tedy je, že data vytvoří v dvourozměrném korelačním poli obrazec ve tvaru elipsy a její hlavní osa je orientována úhlopříčně. Nyní lze vytvořit nový souřadný 139

DÁLKOVÝ PRŮZKUM ZEMĚ systém, jehož první osa bude orientována ve směru maximálního rozptylu původních dat - tedy shodně s hlavní osou elipsy. Takto určená osa nového souřadného systému definuje pásmo nového (transformovaného) obrazu a nazývá se první hlavní komponenta (PC1 - principal component). Druhá osa nového souřadného systému bude umístěna tak, aby byla kolmá k PC1, a to v místě druhého největšího rozptylu původních dat - tedy shodně s vedlejší osou elipsy. Tato osa vytváří druhou hlavní komponentu (PC2) a ta obsahuje menší množství informace z původních pásem, avšak takové, která není popsána v předcházející komponentě. Naznačeným postupem lze definovat další komponenty, které jsou vždy kolmé na předcházející osu a procházejí nejširším místem elipsoidu ve vícerozměrném prostoru. Protože množství informace z původních dat v následných hlavních komponentách progresívně klesá, je naprostá většina (více než 99 procent) informace z původních dat kumulována ve dvou případně třech prvních hlavních komponentách. Takto lze výrazně snížit množství zpracovávaných pásem bez toho, že bychom se připravili o podstatné množství informace obsažené v původních datech. Hodnoty hlavních komponent jsou definovány jako lineární kombinace originálních dat. První hlavní komponenta vždy obsahuje informaci o hlavních topografických rysech v obraze. Které další komponenty obsahují nejvýznamnější informace např. o množství vegetace nebo o minerálním složení, velmi závisí na konkrétní scéně - na tom, kolik procent daný typ ve scéně zabírá. Pro určité aplikace může být důležitá informace obsažena v hlavních komponentách s nízkým rozptylem. Tyto mohou zvýrazňovat jemné detaily, které jsou v původních datech potlačeny či „překryty“ kontrastnějšími jevy. Často však tyto další komponenty obsahují pouze „šum“ v datech a metoda hlavních komponent tak může být vhodným nástrojem k jeho vyloučení z dalšího zpracování. K přednostem PCA patří, že většina informace z multispektrálního obrazu může být reprezentována několika (většinou třemi) prvními komponentami. Tímto je redukován nejen počet dále zpracovávaných pásem, ale je redukována i typicky vysoká korelace mezi původními pásmy. Jednotlivé hlavní komponenty lze zobrazit jako černobílý obraz, velmi často jsou první tři hlavní komponenty používány k vytvoření barevné syntézy a následné vizualizaci přesto, že naprostá většina objektů v obraze má nepřirozené barvy, což ztěžuje jejich interpretaci. Určitou výhodou analýzy hlavních komponent je, že tato metoda transformace nevyžaduje žádnou předběžnou znalost zpracovávaného území. Stejného principu rotace a posunutí původního vícerozměrného prostoru do prostoru definovaného novými osami (komponentami) využívá metoda kanonické (canonical) komponentní analýzy (analýzy obecných komponent)1. Zatímco v případě metody hlavních komponent byla transformace prováděna z náhodného výběru původních dat, transformace metodou obecných komponent může být prováděna pouze pro určité části obrazu, reprezentující určitý typ povrchu. Princip této metody pro dvě původní pásma je naznačen na obr. 8.16. Ve dvourozměrném prostoru se vytvářejí shluky reprezentující např. tři typické povrchy v obraze. Nový systém souřadnic definující nová transformovaná pásma (CC1, CC2 canonical components) je vypočten tak, aby separabilita mezi těmito shluky byla co největší a rozptyl v rámci každého shluku naopak co nejmenší. Výsledných obecných komponent lze využít jak pro vizualizaci v podobě šedotónových obrazů či barevné syntézy, ale především jako vstupu do procesu automatické klasifikace. Protože tato

1

Podle LILLESANDA a KIEFERA (1994) se označuje také jako metoda násobné diskriminační analýzy.

140

CHYBA! NEZNÁMÝ ARGUMENT PŘEPÍNAČE. metoda zvyšuje rozdíly ve spektrálním chování klasifikovaných tříd, měla by vést také k vyšší přesnosti klasifikace. Vedle výše uvedených transformací původních pásem multispektrálního obrazu do nových pásem definovaných hlavními či obecnými komponentami je při zpracování obrazu možné využívat i transformací speciálních. Tyto mohou v nově vypočtených pásmech zvýrazňovat specifickou tématickou informaci - například o vegetační složce obrazu, o půdách či vodním obsahu různých povrchů. Příkladem takovýchto transformací lineárních jsou tzv. ortogonální vegetační indexy nebo transformace Tasseled Cap (viz dále).

Obr. 8.Chyba! Neznámý argument přepínače. Princip transformace obrazu metodou obecných komponent (vysvětlivky viz. text) 8.3.3 Transformace barevného obrazu Jak již bylo uvedeno, digitální obrazový záznam lze vizualizovat ve třech základních formách - jako obraz černobílý, barevný a pseudobarevný. Barevný obraz se obyčejně skládá ze tří pásem, kdy každé pásmo je vyjádřeno v odstínech jedné základní barvy červené (R), zelené (G) a modré (B). Aditivním skládáním různé intenzity těchto základních barev vzniká jakákoliv jiná barva. Tento barevný systém zobrazení se nazývá RGB systém a na jeho počátku je barva černá. Vedle aditivního skládání barev, kterého využívá počítačová grafika, existuje i tzv. subtraktivní skládání barev a tedy subtraktivní barevný systém. Toho se využívá např. v polygrafii. Tento systém má na počátku barvu bílou a jednotlivé barevné odstíny jsou vytvářeny postupným odečítáním tzv. doplňkových barev - azurové (C - cyan), purpurové (M - magenta) a žluté (Y yellow).

141


Obr. 8.Chyba! Neznámý argument přepínače. Princip RGB barevného systému, RGB základní barvy (červená, zelená a modrá), CMY - barvy komplementární (Cyan azurová, Magenta - purpurová, Yellow - žlutá) Vztah mezi komponentami RGB a CMY barevného systému je na obr. 8.17. Na tomto obrázku je barevná kostka, která definuje úrovně každé primární barvy. Na zařízení zobrazujícím 8 bitová data (8 bitů na pixel), je možné každou základní barvu zobrazit v hodnotách intenzity 0 až 255. Tento systém tedy dovoluje zobrazit 2563 kombinací RGB (barev). Nulová intenzita každé složky vytváří černou barvu, maximální intenzita každé složky vytváří barvu bílou. Každý pixel může být reprezentován pozicí v třídimenzionálním prostoru barevné kostky. Prostorová úhlopříčka vedená z počátku do protějšího rohu kostky se nazývá čára odstínů šedi (gray line). Pixely ležící na této linii mají stejný podíl tří základních barev a výsledkem je tedy odstín šedi. Tento systém dovoluje vytvářet barevné kompozice ze tří černobílých obrazů. Maximální intenzita dvou základních barev vytváří barvu doplňkovou. Kombinací červené a zelené barvy vznikne barva žlutá. 8.3.3.1 IHS transformace RGB či CMY barevné systémy nejsou jedinými způsoby tvorby barevného obrazu. Jakýkoliv barevný obraz může být popsán také v kategoriích intensity (jasu), odstínu a sytosti každé barvy (IHS, Intensity - Hue - Saturation). Intenzita je mírou jasu v obraze, odstín je mírou barvy a reprezentuje dominující vlnovou délku ve světle a sytost reprezentuje hloubku čistoty barvy vzhledem k odstínu šedi.

142


Obr. 8.Chyba! Neznámý argument přepínače. Možný způsob transformace RGB a IHS barevného systému Obraz lze mezi oběma barevnými systémy vzájemně převádět. Jeden z možných způsobů transformace je naznačen na obr. 8.18 a 8.19. Barevnou krychli RGB systému je možné promítnout do roviny, která je kolmá na prostorovou úhlopříčku označenou jako linie odstínů šedi. Projekcí do roviny vznikne šestiúhelník, jehož vrcholy tvoří jednak základní barvy původního barevného systému - RGB a také barvy doplňkové (komplementární) - tedy CMY. Nachází-li se projekční rovina v nejvzdálenějším bodě od počátku, definuje barvu bílou, naopak v počátku definuje barvu černou. Poloha takto vymezených různě velikých šestiúhelníků mezi černou a bílou definuje intenzitu v novém barevném systému. Odstín a sytost jsou pak definovány na dané intenzitě podle obr. 8.19. Barevný odstín je určen úhlem na šestiúhelníku, sytost vzdáleností od středu šestiúhelníku. Čím je bod dále od středu, tím je výsledná barva sytější. Hlavní výhodou barevného systému IHS oproti RGB je to, že v IHS lze zvýrazňovat jednotlivé složky nezávisle na složkách zbývajících - tedy pokud upravíme kontrast složky představující intenzitu, sytost a odstín se nezmění. V rámci digitálního zpracování obrazových záznamů existuje řada algoritmů, využívajících vzájemné transformace mezi oběma barevnými systémy jak pro zvýraznění obrazu, tak i pro některá další zpracování.

143

DÁLKOVÝ PRŮZKUM ZEMĚ Obr. 8.Chyba! Neznámý argument přepínače. Definování jednotlivých složek barevného

systému IHS (jasu, tónu a sytosti). Podle LILLESANDA a KIEFERA (1994) Transformace mezi RGB a IHS systémy jsou často používány jako mezičlánek při zvýrazňování snímků - originální komponenty RGB systému jsou převedeny do IHS, ty jsou zvýrazněny a převedeny zpět do RGB. Jak uvádí WILLIAMS (1995), pomocí IHS transformace je možné spojovat data s různým prostorovým rozlišením. Pokud například máme k dispozici registrované obrazy pořízené družicí SPOT v panchromatickém režimu s prostorovým rozlišením 10 metrů a družicí LANDSAT TM s prostorovým rozlišením 30 metrů v různých částech spektra, lze získat výsledný obraz, který získá prostorový detail obrazu z družice SPOT a spektrální rozlišení dat z družice LANDSAT. Toho lze dosáhnout tak, že data s vysokým prostorovým detailem se zobrazí jako složka intenzity, data z LANDSAT TM pak jako odstín a sytost. Takto lze též spojit v jednom obraze multispektrální a panchromatická data ze SPOT. Výsledný obraz bude zachovávat prostorový detail panchromatických dat i barevnost multispektrálních dat. IHS transformací lze kombinovat i data z odlišných senzorů - např. ortofoto s družicovými daty, obrazová data a DTM či obrazová data z optické části spektra a radarový snímek. Možnosti takovéto fůze dat uvádí např. Using PCI Software (1997). Barevnou syntézu vytvořenou z pásem ve viditelné či blízké infračervené části spektra lze ze systému RGB převést do systému IHS. Pokud zde zaměníme složku jasu (I) radarovým snímkem a takto upravené složky IHS systému převedeme zpět do systému RGB, dostaneme syntézu, v níž bude prostřednictvím použitého radarového snímku zvýrazněna textura zobrazených povrchů. 144

CHYBA! NEZNÁMÝ ARGUMENT PŘEPÍNAČE. Pomocí IHS je možno například vytvořit barevnou kompozici ze dvou pásem AVHRR (1+2 jako intensity, 2/1 hue,1-2 saturation), která má vzhled infračerveného snímku. V IHS lze kombinovat i obraz, skenovanou mapu a digitální model terénu. Rotací obrazu v IHS systému lze posunout vrchol histogramu na určitou barvu - tedy například přidat zelenou barvu do výsledného obrazu. V řadě geologických aplikací bylo využito IHS transformace například k zvýraznění texturální informace. Pomocí IHS lze v jednom barevném obraze vizualizovat data získaná pasivními i aktivními metodami snímání. Pro IHS transformace platí, že data s největším prostorovým informačním obsahem (lineární prvky, textura) by měla být přiřazena intensitě, data s největším dynamickým rozsahem by měla být přiřazena odstínu. Malé rozdíly v sytosti nejsou postřehnutelné lidským okem a měly by být proto použity pro nejméně výrazná data. 8.3.3.2 Transformace Martin-Taylor Tento způsob zvýraznění se snaží transformovat barevný obraz do nového trojrozměrného systému zobrazení, které více odpovídá citlivosti lidského vidění. Jednotlivé složky tohoto systému jsou mírou zastoupení jasu, červeno-zelené barvy a modro-žluté barvy ve výsledném obraze. Pořadí těchto složek zároveň vyjadřuje jejich důležitost ve zrakovém systému člověka. Pokud tedy barevný obraz vytvoříme tak, že první složku, která obsahuje nejvíce informací zobrazíme v hodnotách jasu, druhou, s nízkým informačním obsahem zobrazíme v odstínech červeno-zelené barvy a nejméně informativní složku jako odstíny barvy modro-žluté, dostaneme nový barevný obraz. Tento lze použít jak k následné vizuální interpretaci, tak k jeho automatické klasifikaci. K vizualizaci obrazu v tomto barevném systému lze tedy vhodně využít výsledků analýzy hlavních komponent, protože právě tato analýza ve většině případů kumuluje veškerou informaci z více vstupních pásem do několika málo pásem výstupních (většinou právě tří) - tzv. hlavních komponent (PC1, PC2 a PC3). 8.3.4 Dekorelační zvýraznění Dekorelační techniky jsou formou zvýraznění více pásem a jsou výhodné při zpracování vysoce korelovaných dat. To se týká v podstatě všech multispektrálních systémů pracujících v optické části spektra (viditelné a infračervené vlnové délky). Tradiční techniky zvýraznění kontrastu v RGB systému rozšiřují pouze rozsah intensity barev, odstín či sytost barev se však nemění. Právě odstín barev bývá nejdůležitější při identifikaci objektů. Odstraněním korelace mezi zobrazovanými pásmy lze tento problém do jisté míry vyřešit. Použitím analýzy hlavních komponent a následným zvýrazněním kontrastu dosáhneme změny barevného odstínu, vzniká však problém, že nové barvy objektů jsou často velmi odlišné od barev původních, což může způsobovat problémy při jejich identifikaci. Existují tedy techniky, které jsou modifikací analýzy hlavních komponent a které zachovávají barevné odstíny jevů a objektů. Tato dekorelační zvýraznění zahrnují úpravu kontrastu hlavních komponent a jejich následnou transformaci zpět do barevného systému RGB (LILLESAND a KIEFER 1994). Je-li tedy zvýraznění kontrastu aplikováno na nekorelované hlavní komponenty a výsledek zpět transformován do systému RGB, je v tomto výsledku zvýrazněna především sytost barev, intenzita a tón se mění pouze málo. Takto zvýrazněné barevné syntézy se proto interpretují snáze, než barevné syntézy vytvořené z hlavních komponent.

145

DÁLKOVÝ PRŮZKUM ZEMĚ 8.3.5 Aritmetické operace s pásmy multispektrálního obrazu Uvedené techniky manipulací s multispektrálním obrazovým záznamem lze doplnit metodami, které ke zvýraznění či naopak potlačení určitých objektů či jevů využívají běžných aritmetických operací aplikovaných na dvě či více pásem tohoto obrazu. Podobně jako již výše zmíněné postupy prahování či hustotních řezů, mohou být i tyto operace zařazeny také do části klasifikace obrazu - tedy oblasti zabývající se extrahováním informace z obrazu. Navíc stejné algoritmy lze aplikovat jak na obraz neklasifikovaný, tak i na výsledky klasifikace. V tomto druhém případě představují různé aritmetické operace s tématickou mapou významnou část tzv. mapové algebry a je tedy možné je zařadit do technik geografických informačních systémů. 8.3.5.1 Podíly obrazů

Obr. 8.Chyba! Neznámý argument přepínače. Princip obrazových podílů. Podle LILLESANDA a KIEFERA (1994) Tab. 8.1. Potlačení vlivů různého osvětlení povrchů prostřednictvím podílů dvou původních obrazů. Převzato z práce LILLESANDA a KIEFERA (1994). Druh povrchu listnáče jehličnany

Orientace svahů ke Slunci osvětlené zastíněné osvětlené zastíněné

Pásmo A 48 18 31 11

DN hodnoty Pásmo B 50 19 45 16

Podíl A/B 0.96 0.95 0.69 0.69

Obrazové podíly vznikají dělením DN hodnot korespondujících pixelů ve dvou nebo více pásech stejné scény. Proces dělení dvou obrazů může eliminovat negativní faktory, které se na snímcích násobí a degradují jeho radiometrické vlastnosti. Takovými jsou například vlivy topografie, úhlu dopadu slunečních paprsků atd. - tedy vlivy, které ovlivňují osvětlení celé scény. Celý koncept obrazových podílů je znázorněn na obr. 8.20 a tabulce 8.1. Jak je zřejmé z výše uvedeného obrázku a tabulky, podílem dvou originálních pásem multispektrálného obrazu lze dosáhnout jednak radiometrického zvýraznění mezi dvěma různými druhy povrchů a jednak potlačení efektů různého oslunění či zastínění těchto povrchů.

146

CHYBA! NEZNÁMÝ ARGUMENT PŘEPÍNAČE. Vztahy mezi jednotlivými originálními pásmy mohou být často velmi subtilní a k jejich odhalení je nutné použít i jiných technik než jen barevných kompozic. Někdy může být žádoucí odstranit ze snímku takové komponenty, které jsou společné všem pásmům (např. osvětlení , vlivy topografie a výšky Slunce), a tím zvýraznit rozdíly mezi pásmy. Navíc multispektrální data s více než třemi pásmy nemohou být simultánně prezentována v barevných kompozicích. Spektrální podíly proto jsou prostředkem, jak toto množství dat redukovat. Výsledkem dělení dvou obrazů stejného území je obraz, který přesněji zachycuje spektrální charakteristiky objektů. Výhody podílů pásem jsou následující: • eliminují faktory, které by se při dalším zpracování zdůrazňovaly • zvýrazňují spektrální charakteristiky povrchových jevů • zlepšují potenciální možnosti následné klasifikace • redukují množství vstupních dat • mohou sloužit ke studiu časových změn Podíly pásem mohou být jednoduché i složitější - mohou eliminovat vlivy, které mají aditivní povahu, může jít o normalizované podíly (rozdíl dvou pásem dělený jejich součtem) a pod. Podíly pásem tvoří podstatu výpočtu velké skupiny tzv. poměrových vegetačních indexů (viz dále). Nemusí však sloužit pouze ke zvýrazňování vegetační složky, ale mohou být využity v řadě dalších aplikací. Jejich použití je založeno na znalosti spektrálního chování jevů a objektů přítomných v dané scéně. Stejně jako v případě vegetačních indexů lze při znalosti absolutních hodnot odrazivosti studovaných jevů či objektů a znalosti některých dalších kalibračních parametrů získat kvantitativní ukazatele. V geologii se například podílů kanálů MSS používá ke stanovení množství oxidů železa v horninách. Poměr TM-5/TM-7 se používá jako ukazatel obsahu jílových minerálů (ERDAS Field Guide 1994). 8.3.5.2 Odečítání obrazů Odečítání je jednoduchou metodou stanovení změn mezi dvěma časovými horizonty (JENSEN 1986). Nulový výsledek indikuje žádnou změnu, nenulové hodnoty indikují určité změny, znaménko výsledku určuje směr změny. Rozdíl dvou snímků se provádí často například mezi dvěma výsledky klasifikace jako prostředek ke zjištění časových změn. 8.3.5.3 Sčítání obrazů Provádí se nejčastěji ze dvou důvodů. Za prvé snímek filtrovaný vysokofrekvenčním filtrem detekuje hrany, avšak lze ho těžko interpretovat bez velkoplošných struktur - bez nízkofrekvenční informace. Z tohoto důvodu se ke snímku originálnímu přičte výsledek filtrace vysokofrekvenčním filtrem a získáme tak nový snímek zvýrazňující hrany v obraze. Druhé použití sčítání snímků je možné v případě, kdy máme jako výsledek práce k dispozici několik tématických map, které reprezentují míru vhodnosti (například pro lokalizaci určitého jevu či objektu). Součtem příslušných snímků obdržíme celkovou míru vhodnosti.

147

DÁLKOVÝ PRŮZKUM ZEMĚ 8.3.5.4 Násobení obrazů Násobení se nejčastěji používá jako technika pro maskování ploch na snímku. Zájmová plocha má hodnotu pixelů 1, ostatní plochy hodnotu 0. Když touto "maskou" je vynásoben jiný obraz, dostaneme ve výsledku pouze zájmovou plochu, ostatní plochy mají nulové hodnoty. Pokud dva povrchy mají podobné hodnoty odrazivosti ve dvou pásmech lze jejich roznásobením zvýšit mezi nimi kontrast.

148


9. Klasifikace obrazu Klasifikace obrazu je často cílovou částí jeho zpracování. V nejobecnějším slova smyslu je to proces, při kterém je jednotlivým obrazovým prvkům přiřazován určitý informační význam. Jeho cílem je nahradit hodnoty radiometrických charakteristik původního obrazu, které vyjadřují spektrální vlastnosti objektů a jevů na něm zobrazených, hodnotami vyjadřujícími tzv. informační třídy. Typ a obsah nové informace (např. tématické mapy) závisí na zaměření celého projektu. Hledané informační třídy jsou definovány na počátku procesu klasifikace ve formě tzv. klasifikačního schématu - tedy legendy výsledné mapy. Klasifikace obrazu je založena na použití určitých rozhodovacích pravidel (tzv. klasifikátorů), podle nichž lze všechny prvky obrazu zařadit do určité třídy. Jak uvádí KOLÁŘ (1990), tyto klasifikátory mohou být obecně založeny na nejrůznějších vlastnostech objektů a jevů v obraze, tedy ne pouze na jejich spektrálním chování. Podmínkou však je, že jevy či objekty v obraze se v hodnotách porovnávaných vlastností vzájemně dostatečně odlišují. Tak například klasifikátory tzv. prostorového chování objektů zahrnují klasifikaci objektů na základě okolních pixelů. Prostorové klasifikátory zahrnují takové rozpoznávací příznaky jako texturu, vzájemnou vzdálenost (proximitu), velikost, tvar, opakovatelnost či kontext. Tyto klasifikátory se snaží simulovat proces vizuální klasifikace a jsou daleko náročnější na výpočet. Jevy či objekty v obraze lze klasifikovat i podle jejich časového chování. Takovéto klasifikátory používají časových změn objektů jako prostředku k jejich třídění. Například při identifikaci některých zemědělských plodin se některé jejich spektrální a prostorové parametry mění charakteristicky s časem v průběhu vegetačního cyklu. Několik obrazů z různých časových horizontů potom umožňuje identifikaci druhů plodin. Jak uvádí CAMPBELL (1996), stejně jako v oblasti předzpracování a zvýrazňování obrazu lze výše uvedené klasifikátory kombinovat a neexistuje jediný obecně platný přístup, vedoucí vždy k dobrému výsledku. Použité techniky závisí často vedle charakteru vstupních dat také na geografické oblasti či době pořízení obrazového záznamu, účelu klasifikace, dalším použití výsledků apod. Jednotlivé kroky automatické klasifikace obrazu tedy většinou nejsou procesem jednosměrným, ale spíše iteračním, při němž je nutné často některé kroky opakovat na základě postupného zpřesňování výsledků jednotlivých etap (JENSEN 1976). V současné době jsou k automatické klasifikaci obrazu nejvíce propracované a také nejvíce využívané klasifikátory založené na spektrálním chování objektů. K zařazení všech prvků obrazu do určité třídy používají multispektrálních dat a znalosti spektrálního chování objektů zobrazených na scéně. Vychází z předpokladu, že různé objekty budou vykazovat odlišné spektrální chování na základě svých odrazových nebo vyzařovacích vlastností. Za nejjednodušší způsob automatické klasifikace založený na znalosti odrazových a vyzařujících vlastností využívající pouze jednoho pásma multispektrálního obrazu lze považovat např. techniky prahování (viz. kapitola 8). Objekty podobných odrazových či zářivých vlastností se kumulují v určité části histogramu a lze je tedy oddělit od jiných objektů, které by teoreticky měly zaujímat jinou část histogramu. V důsledku mnoha vnějších i vnitřních vlivů jsou spektrální vlastnosti různých objektů v určitém intervalu spektra podobné. Použití jednoho intervalu spektra - jednoho pásma 149

DÁLKOVÝ PRŮZKUM ZEMĚ nám dává možnost rozlišit objekty pouze na základě jedné charakteristiky. Celý koncept lze tedy zobecnit a použít pro charakterizování objektů a jevů více charakteristik - více pásem, která potom definují osy tzv. multispektrálního prostoru. Pokud naměřená či vypočtená charakteristika každého objektu v určitém pásmu (intervalu spektra) bude zároveň představovat charakteristiku, podle které bude možné objekt rozpoznat - tzv. příznak - potom lze každé pásmo označit jako jeden rozměr tzv. příznakového prostoru. Celý koncept je znázorněn na obr. 9.1, který uvádí „průměrné“ spektrální chování tří základních druhů povrchů: A jsou vodní plochy, B plochy pokryté vegetací a C plochy holé půdy bez vegetace. V obrázku je také naznačena poloha jednotlivých intervalů spektra snímaných skenerem TM. Jestliže se naměřené radiometrické charakteristiky uvedených povrchů vzájemně liší, lze každého z pásem využít k sestavení v našem případě trojrozměrného příznakového prostoru. Pokud do tohoto prostoru vyneseme typické hodnoty uvedených tří povrchů, vytvoří v něm víceméně kompaktní a vzájemně separované shluky bodů. Automatickou klasifikací potom tedy hledáme nejvhodnější rozhodovací pravidlo, podle kterého lze všechny prvky obrazu jednoznačně přiřadit určitému shluku - tedy určité třídě povrchu.

Obr. 9.Chyba! Neznámý argument přepínače. Princip klasifikace multispektrálního obrazu. (vysvětlivky viz text) Obecně tedy bude platit, že čím více pásem použijeme k charakterizování objektů, tím bude větší pravděpodobnost, že daný objekt či jev bude zaujímat v příznakovém prostoru takovou polohu, která ho bude odlišovat od objektů jiných. Protože však korelace mezi jednotlivými pásmy obrazových multispektrálních dat jsou poměrně těsné, přidávání dalších pásem často nepřináší novou informaci o objektech. Některými technikami, 150

CHYBA! NEZNÁMÝ ARGUMENT PŘEPÍNAČE. uvedenými v kapitole 8, lze korelaci mezi jednotlivými použitými pásmy odstranit, popřípadě transformací původních pásem vypočíst obrazy nové a dosáhnout tak tzv. rozšíření příznakového prostoru. Právě výběr či výpočet nejvhodnějších pásem, které by definovaly prostor, v němž budou klasifikované objekty dostatečně odlišitelné, je jednou z nejdůležitějších etap automatické klasifikace obrazu. Nejčastěji používané klasifikátory založené na spektrálních vlastnostech jevů a objektů se označují také jako bodové („per-pixel“) klasifikátory, protože k zařazení obrazových prvků do jednotlivých tříd nepoužívají vlastností a příznaků okolních pixelů, ale pouze pixelu klasifikovaného. Vzhledem k charakteru běžně dostupných obrazových dat vychází celý koncept automatické klasifikace založené na spektrálním chování povrchů ještě z následujících výchozích předpokladů a zjednodušení (WILLIAMS 1995): • • • • •

citlivost snímacího zařízení je konstantní pro všechna pásma multispektrálního obrazu každý obrazový prvek odpovídá přesně definované ploše na zemském povrchu každý obrazový prvek představuje homogenní povrch ve smyslu jeho spektrálního chování naměřená data v každém pásmu mají normální rozdělení každý obrazový prvek může náležet pouze k jedné klasifikované třídě

Klasifikaci lze obecně dělit na klasifikaci řízenou a klasifikaci neřízenou podle toho, jakým způsobem a především v kterém okamžiku zpracovatel zasahuje do procesu klasifikace. Při řízené klasifikaci zpracovatel specifikuje výpočetnímu algoritmu předem numerický popis hledaných povrchů na scéně ve formě tzv. trénovacích ploch. To jsou části obrazu, o kterých může zpracovatel na základě nejrůznějších podpůrných dat, jako jsou mapy, letecké snímky, výsledky pozemního průzkumu a podobně, bezpečně prohlásit, že představují známý povrch. Pro každou kategorii z předem sestaveného klasifikačního schématu jsou vygenerovány statistické charakteristiky spektrálních příznaků. S nimi je postupně porovnáván každý obrazový prvek a podle zvoleného pravidla (klasifikátoru) je zařazen do určité třídy. V případě neřízené klasifikace jde opět o dvoustupňový proces, ve kterém jsou v prvním kroku nejprve zatříděny všechny prvky obrazu do určitých tříd, například metodou tzv. shlukové analýzy a následně zpracovatel dává těmto třídám informační (geografický) obsah. Jak je uvedeno dále, oba základní přístupy k automatické klasifikaci obrazu mají své výhody i nevýhody, kombinací jednotlivých etap těchto základních přístupů využívají tzv. hybridní (polořízené) klasifikace. Pro pochopení postupů automatické klasifikace obrazu založené na teorii spektrálního chování a především pro správné hodnocení výsledků této klasifikace má velký význam objasnění pojmů tzv. informačních a spektrálních tříd (CAMPBELL 1996). Informační třídy představují například kategorie druhu povrchu (land cover) nebo využití země (land use). Obecně tedy jakoukoliv informaci využitelnou zpracovatelem a získanou z obrazových dat. Konkrétní informační třídy tedy závisí na povaze projektu. Informační třídou může být například kategorie příměstské zástavby, ale také například mladý smrkový porost poškozený imisemi. Je nutné si uvědomit, že v naprosté většině případů informační třídy nejsou přímo zaznamenány v obrazových datech. Lze je ale nalézt nepřímo, prostřednictvím radiometrických charakteristik jednotlivých pixelů multispektrálního obrazu. Obrazová data naproti tomu přímo obsahují tzv. třídy spektrální. Jde tedy o části obrazu, které jsou homogenní z hlediska svého spektrálního 151

DÁLKOVÝ PRŮZKUM ZEMĚ chování.. Ve většině případů je informační třída tvořena několika třídami spektrálními, záleží však na konkrétním klasifikačním schématu a zaměření klasifikace. Klasifikace založená na teorii spektrálního chování je tedy obecně procesem hledání všech spektrálních tříd, které tvoří třídu informační.

1. Trénovací etapa TM-5 TM-4 TM-2 A

B

C

2. Generování spektrálních příznaků Třída A TM-2A TM-4A TM-5A

Třída B TM-2B TM-4B TM-5B

Třída C TM-2C TM-4C TM-5C

3. Použití vhodného rozhodovacího pravidla

4. Přiřazení určité třídy prvkům výsledného obrazu A A A A A A 0

152

A A A A A C C

A B A A A C C

B B B B A C C

B B B B B C C

A 0 0 B B B B

0 0 0 0 B B B

A B C 0

LEGENDA vodní plochy vegetace holá půda nezařazeno

CHYBA! NEZNÁMÝ ARGUMENT PŘEPÍNAČE. Obr. 9.Chyba! Neznámý argument přepínače. Základní etapy procesu řízené klasifikace multispektrálního obrazu 9.1 Řízená klasifikace Základní kroky řízené klasifikace multispektrálního obrazu uvádí obr 9.2. Jak plyne z výše uvedeného, před vlastní klasifikací je nutné nejprve sestavit základní klasifikační schéma, které se řídí účelem klasifikace či zaměřením celého projektu. Prvky tohoto schématu představují jednotlivé položky legendy výsledné tématické mapy - třídy či kategorie. Klasifikační schéma je často vytvářeno v hierarchické struktuře a každá jeho úroveň odpovídá určitému měřítku výsledné tématické mapy. Příkladem může být klasifikační systém evropského projektu CORINE LAND COVER - viz. např. KOLÁŘ (1996). Klasifikace obrazu obecně nemusí být závěrečným stádiem jeho zpracování. Může sloužit také například pouze k vymezení jedné určité třídy povrchů, která bude dále analyzována. Celý proces řízené klasifikace potom zahrnuje následující fáze: 1. definování tzv. trénovacích ploch 2. výpočet statistických charakteristik (tzv. spektrálních příznaků) pro trénovací plochy charakterizující jednotlivé třídy, jejich editace a výběr vhodných pásem pro vlastní klasifikaci 3. volba vhodného rozhodovacího pravidla (tzv. klasifikátoru) pro zařazení všech prvků obrazu do jednotlivých tříd 4. zatřídění všech obrazových prvků do vymezených tříd 5. úprava, hodnocení a prezentace výsledků klasifikace 9.1.1 Trénovací etapa Cílem první fáze řízené klasifikace je vymezení tzv. trénovacích ploch pro každou kategorii (třídu), která by měla být na snímku identifikována. Jejich výběr je plně v moci zpracovatele. Toto stádium vyžaduje především shromáždění informací o zpracovávaném území z terénního průzkumu či z jiných zdrojů - tzv. podpůrných dat. Kvalita této etapy značně ovlivňuje úspěch či neúspěch klasifikace. Trénovací data musí být především kompletní a reprezentativní. Komplexnost znamená, že zpracovatel musí charakterizovat všechny hledané třídy. Není-li účelem zatřídit všechny pixely obrazu - tedy klasifikační proces má například určité tématické zaměření a některé z povrchů s typickým spektrálním chováním nejsou natrénovány, potom je výsledkem velké procento nezařazených obrazových prvků. Reprezentativnost znamená, že hledané třídy by měly být charakterizovány částmi obrazu, které jsou pro danou třídu typické. Například není vhodné zahrnout do jediné trénovací plochy třídy „jehličnatý les“ místa různě osvícených svazích. V tomto případě je vhodné vytvořit trénovací plochy jak pro svahy osluněné, tak i pro svahy ve stínu. Jestliže je v obraze jedna vodní plocha, která má uniformní spektrální chování, potom stačí k charakterizování této třídy pouze jedna trénovací množina. Je-li však v obraze jedna nebo několik vodních ploch, které mají odlišné spektrální chování například v důsledku rozličné hloubky, obsahu sedimentů atd., potom by měly být popsány trénovacími plochami všechny spektrální třídy, které pak budou společně popisovat kategorii „voda“. Výsledná informační třída může být tedy velmi úzce specifikována a může představovat například jednotlivé druhy zemědělských plodin či různě vlhké polohy na polích se stejnou zemědělskou plodinou, při úpravě výsledků klasifikace však 153

DÁLKOVÝ PRŮZKUM ZEMĚ nic nebrání tomu, aby takto úzce vymezené třídy byly spojeny v jednu širokou třídu zemědělské půdy. Opačný proces rozdělení třídy „široké“ však po klasifikaci již není možný. Vlastní vytváření trénovacích ploch probíhá na scéně v dostatečném zvětšení a zpracovatel definuje v obraze oblast pixelů, která je co nejvíce homogenní (pixely mají v jednotlivých pásmech co nejpodobnější DN hodnoty) a představuje jednu spektrální třídu. Hranice trénovacích ploch by se měly vyhnout okrajovým pixelům ploch, které většinou obsahují smíšenou spektrální informaci ("mixel" - mixed element). Alternativou k manuálnímu definování obrysů trénovacích ploch je definování tzv. úvodního („zárodečného“) pixelu - (seed pixelu). Tento je vybrán na ploše typické pro danou třídu jako reprezentativní pro své okolí. Potom na základě předem definovaných pravidel jsou k tomuto pixelu automaticky vybírány další s podobným spektrálním chováním. Ty se pak stávají trénovací plochou pro danou třídu. Bez ohledu na způsob vymezení trénovacích ploch je pro jakýkoliv klasifikátor nutné, aby minimální počet pixelů tvořících trénovací plochu byl N + 1, kde N je počet klasifikovaných spektrálních pásem. Menší počet pixelů neumožňuje správně generovat statistické spektrální příznaky. V praxi bývá do trénovacích ploch zahrnuto daleko více obrazových prvků, protože následně počítaná statistika lépe vymezuje každou třídu ve vícerozměrném prostoru. Trénovací plochy by měly být rozděleny pokud možno rovnoměrně na ploše obrazu, protože odrazivé či vyzařovací vlastnosti stejných objektů či jevů mohou být v různé části obrazu odlišné. To může být způsobeno například různou geometrií pohledu zvláště při zpracování rozsáhlejšího území. Je tedy vhodnější definovat 3 plochy po 40 obrazových prvcích, než pouze jednu plochu obsahující 120 pixelů. Jak uvádí HIXON et al. (1980), definování vhodných trénovacích ploch, které ovlivňuje úspěch celé klasifikace ve větší míře než například volba vlastního klasifikátoru, tedy závisí na těchto faktorech: •

Dostatečný počet pixelů v každé trénovací ploše: CAMPBELL (1996) uvádí, že pro výpočet reprezentativních statistických charakteristik je potřeba, aby trénovací plochy pro každou třídu byly tvořeny minimálně 100 pixely.

•

Vhodná velikost trénovacích ploch: Značně velké trénovací plochy budou zvyšovat míru nehomogenity pro danou třídu, naopak malé trénovací plochy bude obtížné lokalizovat jak v obraze, tak i při verifikaci v terénu.

•

Vhodná poloha trénovacích ploch: Pro účely testování výsledků klasifikace by měly být trénovací plochy umísťovány tak, aby bylo možné je přesně vymezit v terénu.

•

Umístění trénovacích ploch: Vymezené trénovací plochy by neměly zabírat okrajové pixely daného povrchu, který mají reprezentovat, protože ty většinou obsahují smíšenou spektrální informaci.

•

Rozmístění trénovacích ploch pro danou třídu: Jak je uvedeno výše, v důsledku vnějších (např. osvětlení scény), ale i vnitřních vlivů (např. různý vodní obsah), mohou být stejné povrchy reprezentovány poněkud odlišnými hodnotami radiometrických charakteristik.

•

Míra homogenity trénovacích ploch z hlediska jejich spektrálního chování: Bez ohledu na následně použité rozhodovací pravidlo k zařazení pixelů do tříd, míry variability pixelů v trénovací ploše jako rozptyl či směrodatná odchylka jsou

154

CHYBA! NEZNÁMÝ ARGUMENT PŘEPÍNAČE. základním ukazatelem jejich vhodnosti. Nutnou podmínkou použití řady klasifikátorů je také normalita rozdělení pixelů v trénovacích plochách. 9.1.2 Výpočet statistických charakteristik jednotlivých tříd Pixely trénovací plochy tvoří vzorek (masku), která pro každou třídu definuje část obrazu, z níž jsou vypočteny statistické charakteristiky, definující tzv. spektrální příznaky (signatury) pro každou hledanou třídu. Tyto charakteristiky jsou vypočteny z několika pásem multispektrálního obrazu, která byla zvolena pro klasifikaci, a jsou představovány například tzv. průměrovým vektorem, směrodatnou odchylkou nebo kovarianční maticí. Uvedené statistiky dovolují posoudit jednak to, zda trénovací plochy vhodně charakterizují jednotlivé třídy, jednak také to, zda se trénované třídy ve zvoleném multispektrálním prostoru vzájemně dostatečně odlišují svým spektrálním chováním. Vhodnost trénovacích ploch charakterizujících určitou třídu je hodnocena například testováním normálního rozdělení všech natrénovaných pixelů v každé třídě, protože požadavek normálního rozdělení je nutným předpokladem pro následné použití některých rozhodovacích pravidel (klasifikátorů). Pokud tedy např. histogram určité třídy má bimodální charakter (obsahuje dva vrcholy oddělené lokálním minimem), potom je zřejmé, že takto vymezená třída není „spektrálně“ čistá a obsahuje třídy dvě. Uvedený problém lze řešit několika způsoby. Jsme-li přesvědčeni o vhodnosti polohy trénovacích ploch, potom pro zvýšení přesnosti klasifikace je nutné takovou třídu rozdělit ve dvě nové třídy a každou z nich natrénovat zvlášť. Trénovací množinu lze upravit také například definováním nových minimálních a maximálních hodnot pixelů zařazených v každém pásmu do určité třídy. Tímto způsobem lze ze signatur dané třídy jednoduše odstranit tzv. odlehlé pixely. V neposlední řadě, pokud signatury dvou či více tříd nabývají podobných hodnot statistických charakteristik (tedy zabírají podobnou část multispektrálního prostoru), potom jsou „spektrálně“ podobné a lze jednu z nich vyloučit z dalšího zpracování či je spojit do signatury jedné. Je však nutno zdůraznit, že vhodnost trénovacích množin do značné míry závisí také na vhodném zvolení pásem multispektrálního obrazu vstupujících do klasifikace. Jak je zřejmé z teorie spektrálního chování, určité povrchy, spektrálně podobné - tedy nesnadno odlišitelné - v určité části spektra, mohou být dobře spektrálně separovatelné v jiné části spektra. Tuto míru separability lze navíc zvýšit zařazením tzv. transformovaných dat, která vznikla z dat původních (viz. kapitola 8.3).

Obr. 9.Chyba! Neznámý argument přepínače. Histogramy znázorňující rozdělení hodnot v jednotlivých pásmech TM-2, TM-4 a TM-5 pro trénovací plochy jedné vybrané třídy

155

DÁLKOVÝ PRŮZKUM ZEMĚ Hodnocení vhodnosti trénovacích ploch a z nich vytvořených signatur je možné provádět několika způsoby. Spektrální příznaky mohou být zobrazeny graficky v mnoha formách - například jako histogramy pro jednotlivé třídy (obr. 9.3). Z obr. 9.3 je v případě pásma označeného TM-2 zřejmé, že pixely vybraných trénovacích ploch mají tzv. bimodální rozdělení. Tato skutečnost může být způsobena dvěma faktory. Jednak uvedená trénovací plocha může být tvořena dvěma podtřídami s poněkud odlišným spektrálním chováním. Jednak tato trénovací plocha nemusí být zcela reprezentativní ve smyslu své typové úplnosti. Pro dvě zbývající pásma mají signatury dané třídy normální rozdělení, které je v případě pásma TM-5 charakterizováno jako plošší s větším rozptylem hodnot. Daná třída povrchu je tedy nejlépe charakterizována pásmem TM-4. Uvedený způsob dobře popisuje kvalitu natrénovaných dat pro jednu třídu (kategorii), neumožňuje však vzájemně porovnat více tříd. To je možné pomocí grafu označovaného jako tzv. spektrogram (Topol pro Windows 1996) - viz obr. 9.4. Ten znázorňuje pro vybrané třídy jak průměr, tak i rozptyl hodnot pixelů z trénovacích ploch v rámci každého pásma. Tento způsob prezentace dobře indikuje překrývání jednotlivých tříd. Z obr. 9.4. je zřejmé, že uvažované třídy se nejlépe vzájemně odlišují v pásmu TM-4. Třída označená jako „A“ je dobře separována ve všech třech zvolených pásmech. Třída označená jako „C“ se vyznačuje značným rozptylem hodnot, v důsledku čehož bude v následné klasifikaci pásem TM-2 a TM-5 multispektrálního obrazu problematické oddělit povrchy označené „B“ a „C“. Pokud se třídy překrývají ve všech pásmech, je nutné jejich separaci zvýšit. Toho lze dosáhnout například zařazením jiných pásem do klasifikace, novým vymezením trénovacích ploch či úpravou rozptylu třídy vykazující větší nehomogenitu. Tuto úpravu rozptylu lze například provést interaktivním vyloučením „odlehlých „ pixelů z trénovacích množin. Obrázek také názorně ukazuje, která pásma jsou nejvhodnější pro diskriminaci určité třídy.

Obr. 9.Chyba! Neznámý argument přepínače. Spektrogram pro vybrané třídy A, B, C a jednotlivá klasifikovaná pásma TM-2, TM-4 a TM-5 multispektrálního obrazu Třetím způsobem, který dovoluje vizuálně hodnotit kvalitu trénovacích ploch pro jednotlivé klasifikované třídy a také vhodnost vypočtených spektrálních příznaků pro 156

CHYBA! NEZNÁMÝ ARGUMENT PŘEPÍNAČE. tyto třídy, je graf korelačního pole DN hodnot mezi jakýmikoliv dvěma pásmy multispektrálního obrazu vstupujícími do klasifikace. Tato korelační pole pro dvě kombinace pásem jsou znázorněna na obr. 9.5. V každém grafu jsou tedy vyneseny DN hodnoty odpovídajících si pixelů. Osy grafu tedy pro 8-bitová data mohou nabývat hodnot v intervalu 0 až 255. V závislosti na korelaci mezi zvolenými pásmy se v grafu vytváří obrazec různého tvaru. V případě vysoké korelace mezi dvěma pásmy (obr. 9.5a) má tento obrazec tvar úzké elipsy, orientované ve směru úhlopříčky. V případě nízké korelační závislosti vytvářejí odpovídající pixely v grafu plošně rozsáhlý obrazec (obr. 9.5b). Protože vycházíme z předpokladu, že pixely zahrnuté do trénovacích ploch mají normální rozdělení (a tuto normalitu lze testovat např. vykreslením histogramů - viz. obr. 9.3), potom základní statistické charakteristiky vypočtené z pixelů trénovacích ploch pro jednotlivé třídy v obou uvažovaných pásmech - průměr a směrodatná odchylka - definují v korelogramu elipsu. Tato elipsa vymezuje v příslušném příznakovém prostoru pixely určité hledané třídy povrchu. Aritmetický průměr hodnot dvou testovaných pásem definuje polohu středu elipsy, směrodatná odchylka či její násobek definuje meze, které v korelogramu vymezují jeho část, do které je elipsa vepsána. V důsledku normality rozdělení je právě elipsa nejvhodnějším tvarem pro charakterizování spektrálních příznaků jednotlivých tříd. Každá třída je v korelogramu reprezentována různě velkou a různě orientovanou elipsou (obr. 9.5). V závislosti na zvolených pásmech multispektrálního obrazu se elipsy mohou překrývat. Pokud dochází k překryvu, může to znamenat, že zvolená kombinace pásem, charakterizovaných trénovacími plochami, je nevhodná pro separování daných tříd. Tyto třídy povrchů se mohou spektrálně odlišovat v jiných kombinacích pásem. Uvedenému překryvu lze však zabránit (či ho do značné míry omezit) také zmenšením násobku směrodatné odchylky, který definuje velikost elipsy. V obr. 9.5a jsou v korelogramu vynesena pásma TM-1 a TM-3 - tedy pásma pořízená ve viditelné části spektra vykazující vysokou korelační závislost a elipsy pro třídy (B) a (C) se překrývají. Trénovací plochy uvedených pásem tedy nejsou vhodné pro vzájemné odlišení těchto tříd. Pásma TM-4 a TM-5 na obr. 9.5b vykazují nízkou korelační závislost a elipsy trénovaných tříd nevykazují překryvy. Proto tato pásma se jeví jako vhodná pro separování uvažovaných tříd.

Obr. 9.Chyba! Neznámý argument přepínače. Hodnocení vzájemné separace tříd pomocí korelačního pole dvou pásem a elipsy charakterizující trénovací množinu každé třídy (vysvětlivky viz. text) 157

DÁLKOVÝ PRŮZKUM ZEMĚ Míra odlišnosti (separability) mezi jakýmikoliv dvěma třídami může být vyjádřena také ve kvantitativní formě. Jedním ze statistických parametrů vyjadřujícím tuto míru separace může být tzv. divergence - čili vážená vzdálenost mezi průměrovými vektory uvažovaných tříd (ERDAS Field Guide 1994) a matematický aparát k jejímu vyčíslení lze nalézt v referenčních příručkách řady zpracovatelských systémů. Obecně platí, že čím větší je divergence, tím větší je statistická vzdálenost mezi trénovacími plochami a tím větší pravděpodobnost správné klasifikace tříd. Divergence nebo tzv. transformovaná divergence nabývá hodnot v intervalu 0 až 2. Hodnota 0 znamená dokonalou shodu mezi charakteristikami spektrálních příznaků porovnávaných tříd - tedy nejméně vhodný výsledek, hodnota 2 znamená ideální výsledek - tedy dostatečné odlišení zkoumané dvojice tříd. Za dobrou míru separability tříd jsou považovány hodnoty divergence v intervalu 1,9 až 2,0 (ERDAS Field Guide 1994, Using PCI Software 1997). V případě nižších hodnot je opět nutné zvážit např. spojení dvou tříd do třídy jediné, zrušení jedné z překrývajících se tříd, opravu trénovacích množin či statistických charakteristik spektrálních příznaků či zvolení jiné kombinace pásem multispektrálního obrazu vstupujících do klasifikace. Hodnoty divergence mohou být prezentovány například ve formě čtvercové matice s hodnotami pro všechny kombinace tříd (tab. 9.1) či ve formě seznamu pro všechny kombinace tříd uspořádaného podle hodnot divergence. O kvalitě trénovací etapy se lze přesvědčit také dalšími způsoby. Jedním z nich je například klasifikace dat v trénovacích plochách, kdy namísto celé scény jsou klasifikovány pouze pixely uvnitř trénovacích ploch a v tzv. chybové matici je zaznamenáno, kolik pixelů je správně klasifikováno (tab. 9.2). Tento přístup však pouze vypovídá o kvalitě trénovacích ploch, nic neříká o úspěchu celkové klasifikace. Celkovou úspěšnost klasifikace lze testovat na tzv. testovacích plochách, vymezených ve scéně mimo trénovací plochy. Opět ovšem vyvstává otázka, nakolik jsou testovací plochy reprezentativní pro danou třídu. Tab. 9.1 Příklad matice divergencí mezi jednotlivými třídami trénovacích ploch MÍRA SEPARABILITY: Transformed divergence Průměrná Separabilita:1.879 Minimální Separabilita: 1.999 Maximální Separabilita: 2.000

třída les pole ttp holá půda

MATICE DIVERGENCÍ voda les pole 2,000 2,000 2,000 2,000 1,993 1,879 2,000 1,990 2,000

ttp

1,999

Z tabulky 9.1 je zřejmé, že pro zpřesnění klasifikace by bylo nutné zvýšit míru separability mezi třídou označenou „ttp“ (trvalé travní porosty) a třídou „pole“. Tab. 9.2. Příklad chybové matice TŘÍDA voda les pole ttp holá půda

158

voda 102 7 0 0 0

les 2 340 14 10 5

pole 0 7 260 20 12

ttp 0 7 14 178 11

holá půda 0 3 9 10 99

CHYBA! NEZNÁMÝ ARGUMENT PŘEPÍNAČE. Z příkladu chybové matice ve výše uvedené tabulce je zřejmé, že pro generování spektrálních příznaků třídy „voda“, bylo použito 104 pixelů, z nichž pouze 2 byly nesprávně klasifikovány, konkrétně do třídy „les“. Některé zpracovatelské systémy dávají možnost provést tzv. náhled (preview) - tedy předběžnou klasifikaci, ke které je použito jednoduššího rozhodovacího pravidla pro zatřídění jednotlivých prvků obrazu. Větší vypovídací schopnost o vhodnosti trénovacích ploch a z nich vypočtených statistik pro jednotlivé třídy lze získat klasifikováním části obrazu (subscény) mimo trénovací plochy a následnou kontrolou přesnosti vyjádřenou opět tzv. chybovou maticí. Tento způsob však bývá časově náročný a jeho použití je běžné pouze ve výzkumných projektech. Je nutné poznamenat, že existují-li ve scéně dvě třídy, které mají velmi podobné spektrální chování ve všech použitelných pásmech, není nic platné žádné další vyladění trénovacích ploch či úprava spektrálních příznaků těchto tříd. Potom je nutné zvažovat jiné přístupy, jako například vizuální interpretaci nebo aplikaci klasifikátorů založených na jiném než multispektrálním principu - např. multitemporální nebo prostorové (kontextové). Velmi vhodné je také využít informací z informačních vrstev GIS. Velmi důležitou částí této etapy je také výběr vhodných pásem pro klasifikaci. Jak již bylo uvedeno výše, původní pásma vykazují poměrně vysokou korelaci, proto je často využíváno různých transformací původních pásem k rozšíření příznakového prostoru a zvýšení separability hledaných tříd. Mezi tyto způsoby transformace patří například metoda analýzy hlavních komponent (viz. kapitola 8.3), transformace Tasseled Cap, aritmetické kombinace původních pásem (poměry pásem) či výpočet vegetačního indexu. I v případě použití transformovaných pásem však nebývají do klasifikace většinou zahrnována více jak 4 pásma. Další pásma totiž nepřinášejí podstatnější informaci z hlediska charakterizování spektrálního chování objektů. Jak plyne z teorie spektrálního chování objektů, přesnost klasifikace však může být výrazně ovlivněna výběrem vhodných pásem. Jako objektivního kritéria k výběru nejvhodnějších pásem, která budou následně vstupovat do klasifikace lze do jisté míry využít také hodnot divergencí. Statistický popis spektrálních příznaků je možno v prvním kroku vygenerovat pro větší počet původních i transformovaných pásem zpracovávaného obrazu. Z hodnot divergencí jsou určena pásma nejvhodnější (většinou 3 či 4 pásma) a pro takto označená vhodná pásma jsou poté znovu vypočteny statistické charakteristiky spektrálních příznaků jednotlivých natrénovaných tříd. 9.1.3 Klasifikační etapa Výsledkem předchozích dvou etap je tedy statistický popis hledaných tříd, vytvořený na základě malých částí celého zpracovávaného obrazu - trénovacích ploch. V následující klasifikační etapě jsou prostřednictvím vhodného rozhodovacího pravidla klasifikátoru postupně zařazovány jednotlivé prvky obrazu do jedné z tříd. Rozhodovací pravidla jsou založena na předpokladu, že obrazové prvky představující určitou třídu se budou shlukovat v určité části vícerozměrného příznakového prostoru. Nyní je tedy nutné nalézt pravidlo, které určí, ke kterému shluku - tj. více méně dobře separované části příznakového prostoru - každý pixel patří, či nepatří-li do žádného z nich a zůstane tedy v třídě pixelů nezařazených. Přesto, že se v klasifikaci používá většinou 3 až 4 pásem, pro jednoduchost grafického znázornění jsou nejběžnější klasifikační přístupy dále prezentovány na příkladu dvou pásem uvedených na obr. 9.6. 159

DÁLKOVÝ PRŮZKUM ZEMĚ V našem příkladu byly natrénovány tři třídy povrchů označené písmeny A, B a C a byly pro ně vypočteny statistické charakteristiky spektrálních příznaků. Pro prezentaci různých klasifikátorů byly pixely z trénovacích ploch všech tří tříd vyneseny do korelačního pole pásem TM-4 a TM-5. Pixely jednotlivých tříd vytvářejí shluky, jejichž středy (centroidy) jsou označeny křížkem (+). Poloha centroidu je definována průměrnou hodnotou, vypočtenou ze všech pixelů v daném pásmu. Průměrné hodnoty všech pásem použitých v klasifikaci potom tvoří tzv. průměrový vektor. Všem obrazovým prvkům ze zpracovávaného obrazového záznamu je nyní zapotřebí přiřadit význam jedné ze tříd. Zatřiďovaný pixel je v obr. 9.6 prezentován značkou čtverečku ().

Obr. 9.Chyba! Neznámý argument přepínače. Spektrální třídy A, B, C v korelačním poli pásem TM-4 a TM-5 Obrazové prvky v rámci jedné třídy nemají stejné opakující se hodnoty, ale spíše vyjadřují obecnou tendenci vytvářet shluk pixelů s určitou variabilitou. Ta je způsobena vedle tzv. bílého (stochastického) šumu například variabilitou takových vlastností dané třídy, které jsou prostorově proměnlivé v rámci zpracovávané scény. Například vegetační kryt se může lišit v různých částech obrazu druhovým složením, obsahem vody či zdravotním stavem. Tyto shluky tedy popisují spektrální chování každé třídy hodnoceného povrchu. Pokud v trénovací etapě byly vytvořeny signatury všech podstatných tříd - tedy tato etapa byla komplexní a reprezentativní, naprostá většina všech ostatních pixelů ve scéně bude mít stejnou tendenci „přiřadit se“ k určitému shluku. V analyzovaném prostoru se téměř vždy vydělí také určitá množina pixelů, jejichž spektrální chování je odlišné od natrénovaných tříd a které nemají tendenci se shlukovat s žádnou třídou. V reálném případě nebývá trénovací etapa ani spektrální odlišitelnost jednotlivých klasifikovaných tříd ideální a při použití konkrétního rozhodovacího pravidla tak bude často početná i skupina pixelů, které budou náležet do více tříd. Zvolené rozhodovací pravidlo by tedy mělo řešit i tyto sporné případy. Nejčastěji používaná pravidla separování jednotlivých shluků jsou uvedena dále. 9.1.3.1 Klasifikátor minimální vzdálenosti středů shluků Jde o jednoduché pravidlo, graficky znázorněné na obr. 9.7. Nejprve je pro každý shluk vypočtena průměrná spektrální hodnota v každém klasifikovaném pásmu. Jednotlivé

160

CHYBA! NEZNÁMÝ ARGUMENT PŘEPÍNAČE. průměrné hodnoty definují střed shluku ve vícerozměrném prostoru - tzv. centroid. Na obrázku jsou středy znázorněny křížkem (+). Příslušnost každého pixelu je potom hodnocena na základě vzdálenosti, jakou tento pixel má od jednotlivých centroidů. V našem případě je neznámý pixel označen () a vzdálenost tohoto pixelu od středů všech tří uvažovaných shluků je indikována čarou. Podle pravidla minimální vzdálenosti bude neznámý pixel zařazen ke shluku "B". Uvedené rozhodovací pravidlo umožňuje definovat určitou mezní vzdálenost (vyjadřující varianci - rozptyl shluku). Je-li vzdálenost od středu shluku větší než definovaná mezní vzdálenost, pixel již není do shluku zařazen a je označen jako "nezařazený". Uvedený algoritmus je jednoduchý, a proto má určitá omezení. Není především citlivý na různý stupeň rozptylu ve spektrálním chování dat. Pokud bychom uvažovali také rozptyl hodnot u jednotlivých shluků, potom by pixel označený () náležel ke třídě „C“. Pro uvedený nedostatek není klasifikátor minimální vzdálenosti používán v případě, že spektrální třídy jsou v multispektrálním prostoru blízko sebe a mají velký rozptyl hodnot.

Obr. 9.Chyba! Neznámý argument přepínače. Klasifikátor minimální vzdálenosti 9.1.3.2 Klasifikátor pravoúhelníků Výše zmíněný nedostatek předchozího algoritmu lze vyřešit tím, rozptyl hodnot každé kategorie budeme uvažovat ve smyslu minimální a maximální hodnoty všech pixelů z trénovacích ploch, tedy jejich rozsahu v každém uvažovaném pásmu. Vedeme-li rovnoběžné linie pixely s minimální a maximální hodnotou v každém pásmu, dostaneme v našem případě dvou pásem čtverec nebo obdélník, který bude vymezovat oblast, uvnitř níž pixely budou patřit k jedné kategorii (obr. 9.8). Pixely mimo všechny vymezené oblasti budou neklasifikovány. Ve vícerozměrném prostoru se definované oblasti budou nazývat angl. "parallelepipeds" (hyperkvádry, pravoúhelníky). Sensitivita tohoto klasifikátoru na rozptyl hodnot každé třídy je vyjádřena velikostí definované oblasti. V důsledku značného rozptylu hodnot obou tříd B a C budou rovnoběžníky těchto tříd zabírat značně velkou část multispektrálního prostoru a je velká pravděpodobnost, že se budou překrývat. V našem případě by tak pixel () mohl být zařazen do obou těchto tříd. V konkrétním případě lze použití uvedeného klasifikátoru modifikovat několika dále naznačenými postupy. V případě, že klasifikovaný pixel spadá do více pravoúhelníků, může být tento klasifikován v druhém kroku některým jiným rozhodovacím pravidlem. 161

DÁLKOVÝ PRŮZKUM ZEMĚ Jinou možností zařazení těchto sporných pixelů do správné třídy stanovení priority jednotlivých tříd. Je-li například předpokládaná četnost pixelů třídy C větší než pixelů třídy B, jako první je definován rovnoběžník pro třídu C. V případě překryvu dvou (či více) pravoúhelníků je možno v některých zpracovatelských systémech definovat také tzv. smíšené třídy. Překryv pravoúhelníků je vedle velkého rozptylu hodnot jednotlivých tříd způsoben také vysokou korelací mezi hodnotami pixelů v klasifikovaných pásmech. Na obr. 9.8 má kategorie B vysokou kladnou korelaci. Shluk má "protáhlý" tvar. Korelace vyjadřuje tendenci spektrálních hodnot kolísat obdobně ve dvou pásmech, což právě způsobuje protáhlý tvar shluků. Třída A vykazuje nízkou korelaci a hodnoty pixelů jsou náhodně rozmístěny ve shluku majícím tvar kruhu ve dvourozměrném prostoru.

Obr. 9.Chyba! Neznámý argument přepínače. Klasifikátor pravoúhelníků Homogenitu pixelů v trénovacích plochách, a tudíž i kvalitu vlastní trénovací etapy, snižují především pixely odlehlé. Proto lze uvedený klasifikator modifikovat také tak, že hranice každého pravoúhelníku nebudou definovány minimální a maximální hodnotou, ale například určitým násobkem směrodatné odchylky. Tím lze dosáhnout odfiltrování pixelů netypických pro danou třídu a zvýšit přesnost výsledné klasifikace. Spektrální chování objektů vykazuje často značnou korelaci. Tento klasifikátor lze upravit pro každou třídu definováním vhodných oblastí namísto rovnoběžníků podle konceptu na obr 9.9.

162


Obr. 9.Chyba! Neznámý argument přepínače. Upravený klasifikátor pravoúhelníků 9.1.3.3 Klasifikátor „K“ nejbližších sousedů Toto rozhodovací pravidlo je do jisté míry modifikací a rozšířením klasifikátoru minimální vzdálenosti. Na rozdíl od něho však hodnotí příslušnost daného pixelu k určité třídě nejen na základě jeho vzdálenosti od centroidů jednotlivých shluků, ale také na základě početního zastoupení pixelů určité třídy v okolí zpracovávaného obrazového prvku. Algoritmus vyhledá ke klasifikovanému pixelu určitý předem stanovený počet (K) nejbližších pixelů v analyzovaném příznakovém prostoru bez ohledu na trénovací množiny. Pixel je potom zařazen do té třídy, která v množině k sousedů převažuje (obr. 9.10).

Obr. 9.Chyba! Neznámý argument přepínače. Klasifikátor „K“ nejbližších sousedů Na obr. 9.10 je ke klasifikovanému obrazovému prvku () nalezeno 7 nejbližších sousedů (K=7) ze všech trénovacích množin.. V těchto 7 pixelech převládá kategorie „B“ a do ní bude pixel () zatříděn. V algoritmu je možné také omezit počet hodnocených sousedů určitou mezní vzdáleností. 9.1.3.4 Klasifikátor maximální pravděpodobnosti V důsledku řady vnějších i vnitřních vlivů se shluky jednotlivých tříd v příznakovém prostoru často překrývají a u obou výše uvedených rozhodovacích pravidel vzniká problém správného zatřídění těchto sporných pixelů. Klasifikátor maximální 163

DÁLKOVÝ PRŮZKUM ZEMĚ pravděpodobnosti kvantitativně hodnotí jak rozptyl hodnot, tak korelaci a kovarianci každé třídy při zatřiďování neznámého pixelu. Vychází z předpokladu, že shluky pixelů v trénovacích množinách mají normální rozdělení. Za tohoto předpokladu můžeme pro každý shluk z tzv. průměrového vektoru, který popisuje míru úrovně, a z kovarianční matice, která popisuje míru variability, sestavit frekvenční funkci normálního rozdělení (obr. 9.11). Z teorie normálního rozdělení plyne, že tato frekvenční funkce omezuje spolu s horizontální osou plochu o velikosti 1 (100%) a pro každou hodnotu na horizontální ose lze vypočítat pravděpodobnost jejího výskytu - jinými slovy pravděpodobnost její příslušnosti k danému rozdělení. Pro jednoduchost je na obr. 9.11 znázorněna frekvenční funkce pro dvě třídy pouze v jednom pásmu. Předpokládejme, že se frekvenční funkce obou tříd překrývají a obrazový prvek, který je klasifikován, nabývá hodnoty radiometrické charakteristiky právě z tohoto intervalu překryvu (např. 30). Jak je zřejmé z obr. 9.11, lze pro daný pixel vypočítat pravděpodobnost příslušnosti k oběma třídám, pokud nabývá hodnoty např. 30. Pixel bude náležet do třídy, ve které má nejvyšší pravděpodobnost výskytu, či označen jako nezařazený, klesne-li tato pravděpodobnost pod předem zvolenou mez. Použijeme-li stejného způsobu znázornění klasifikovaných shluků pomocí korelačního pole dvou pásem multispektrálního obrazu jako u předcházejících rozhodovacích pravidel a spojíme-li pro každý shluk místa o stejné pravděpodobnosti výskytu pixelu s určitou hodnotou, dostaneme izolinie, které mají často tvar elipsy. Jak je zřejmé z obr. 9.12, pixel označený () bude podle tohoto klasifikátoru zařazen do třídy „C“. Uvedený klasifikátor je výpočetně nejnáročnější a je také daleko citlivější na případné nedostatky v trénovacích datech. V případě kvalitních trénovacích dat však dává nejlepší výsledky (CAMPBELL 1996, LILLESAND a KIEFER 1994).

Obr. 9.Chyba! Neznámý argument přepínače. Frekvenční funkce normálního rozdělení DN hodnot pro dva druhy povrchů „C“ a „B“ vypočtené z trénovacích ploch

164

CHYBA! NEZNÁMÝ ARGUMENT PŘEPÍNAČE. Obr. 9.Chyba! Neznámý argument přepínače. Klasifikátor maximální pravděpodobnosti

9.1.3.5 Bayesovský klasifikátor Rozšířením klasifikátoru maximální pravděpodobnosti je tzv. bayesovský klasifikátor (Thomas Bayes, 1702-1761). Tento přístup umožňuje vážit výpočet pravděpodobnosti příslušnosti pixelu k určité třídě podle různých hledisek. Jedno z hledisek může být představováno předpokládanou pravděpodobností výskytu určité třídy, která je přímo úměrná jejímu předpokládanému plošnému zastoupení v obraze. Například vzácně se vyskytující kategorie ve zpracovávaném obraze bude mít menší váhu než kategorie, která se v obraze evidentně vyskytuje na velké ploše. Jiná váha může hodnotit možné důsledky špatného zatřídění pixelu. Vysokou hodnotu této váhy dostanou v procesu klasifikace kategorie, na jejichž správné klasifikaci nám nejvíce záleží. Použití uvedených vah pro každou třídu vede k optimalizaci klasifikace. Bayesovský klasifikátor tedy modifikuje předchozí algoritmus dodáním tzv. a priori pravděpodobnosti. Klasifikátor pracuje s tzv. podmíněnými pravděpodobnostmi (CAMPBELL 1996). Naším úkolem je zjistit, jaká je pravděpodobnost, že daný pixel náleží k určité třídě, nabývá-li tento pixel například hodnoty 30. Tuto pravděpodobnost označme např. jako P1. Z trénovacích dat však lze určit pouze pravděpodobnost, s jakou bude mít pixel hodnotu 30, za předpokladu, že se jedná o danou třídu (označme ji jako P2). Podle tzv. bayesova zákona lze hledanou pravděpodobnost (P1) vypočíst za předpokladu, že dopředu (a priori) stanovíme pravděpodobnost (P2). Protože klasifikátor maximální pravděpodobnosti předpokládá na počátku stejnou pravděpodobnost výskytu pro všechny třídy, může uvedená modifikace značně zpřesňovat výsledky automatické klasifikace obrazu (YOSHINO, 1996). Avšak právě stanovení a priori pravděpodobnosti je často značně problematické. Bayesovského klasifikátoru je možné také použít pro klasifikaci sporných pixelů v obraze. Ten je tedy nejprve klasifikován například klasifikátorem pravoúhelníků a poté jsou bayesovským klasifikátorem zařazeny pixely, které jednoznačně nespadají do pravoúhleníku určité třídy. Uvedený postup je v současné době asi nejpřesnějším rozhodovacím pravidlem pro klasifikaci multispektrálního obrazu založenou na posuzování spektrálním chování. Jeho úspěšnost však výrazně závisí na kvalitě trénovacích dat a také na přesnosti stanovení vah pro jednotlivé třídy. 9.2 Neřízená klasifikace Neřízená klasifikace ve své první fázi nevyužívá trénovaných dat pro účely vlastní klasifikace. Tato skupina algoritmů zahrnuje postupy, které zkoumají neznámé pixely ve 165

DÁLKOVÝ PRŮZKUM ZEMĚ scéně a agregují je do skupin na základě jejich tendence vytvářet shluky ve vícerozměrném prostoru. Základním předpokladem, ze kterého vychází neřízená klasifikace, je, že pixely, které patří do jedné třídy, jsou ve vícerozměrném prostoru blízko sebe a naopak pixely odlišných skupin, které představují povrchy lišící se svým spektrálním chováním, jsou dobře separované. K vymezení odlišných skupin (shluků) v multispektrálním příznakovém prostoru lze potom využít vícerozměrné statistické metody - tzv. shlukové analýzy. Výsledkem první fáze neřízené klasifikace jsou tzv. třídy spektrální a ne třídy informační. Těmi se stávají až v následné, interpretační fázi tohoto klasifikačního přístupu, kdy je jim dán určitý geografický obsah. Spektrální třídy zjištěné v první fázi, jsou srovnávány s jinými třídami, podpůrnými a referenčními daty (leteckými snímky, mapami, apod.) a je určena jejich informační hodnota. Zatímco v řízené klasifikaci nejdříve definujeme informační kategorie (např. legendu výsledné mapy) a poté zkoumáme jejich spektrální odlišnost, v případě neřízené klasifikace nejprve určíme spektrálně separované kategorie a až poté určujeme jejich informační hodnotu.

Obr. 9.Chyba! Neznámý argument přepínače. Příklad spektrálních tříd lesního porostu s převahou listnáčů (a), s převahou jehličnanů (b) a usychajícího porostu (c) Princip neřízené klasifikace je pro názornost opět vhodné objasnit na případu dvourozměrného datového souboru (obr. 9.13). Jednotlivých pixely, které představují zástupce určité spektrální třídy, mají tendenci shlukovat se do skupin. Tyto skupiny pixelů formují v uvažovaném prostoru více či méně oddělené shluky. Na obr. 9.13 je znázorněna spektrálně nehomogenní třída lesního porostu. Protože odrazové vlastnosti listnáčů, jehličnanů i porostů poškozených například imisemi, vodním stresem nebo mrazem se v uvažované části spektra do určité míry liší, je celý shluk představující lesní plochy vnitřně nehomogenní. I v případě řízené klasifikace popsané výše, lze samozřejmě vytvořit trénovací plochy pro jednotlivé podtřídy lesa, mnohdy je to však značně problematické, protože rozdíly ve spektrálním chování takovýchto kategorií jsou často nevýrazné. Neřízená klasifikace je v prvním kroku založena na čistě matematickém principu definování shluků ve vícerozměrném prostoru - na metodě shlukové analýzy. Při vhodně zvolených kritériích pro proces shlukování, lze tímto přístupem zjistit i velmi jemné rozdíly ve spektrálním chování různých objektů a tudíž rozlišit různé povrchy či přímo stavy a jevy, které tyto rozdíly zapříčiňují. Často tedy lze rozpoznat i takové spektrální třídy, které v procesu definování trénovacích ploch u řízené klasifikace nejsou zcela zřejmé (například poškozené stromy, různou vlhkost, různý stupeň zastínění povrchů atd.). Spektrálních tříd bývá ve scéně tolik, že je nelze všechny natrénovat. Naopak v procesu neřízené klasifikace jsou často nalezeny automaticky. Řada těchto spektrálních 166

CHYBA! NEZNÁMÝ ARGUMENT PŘEPÍNAČE. tříd však nemusí mít pro výsledné zpracování žádný význam a výsledkem shlukové analýzy je tedy pouze určitý meziprodukt, který je nutno dále upravit do požadovaných informačních tříd. V případě neřízené klasifikace je příznakový prostor rozdělen na předem přibližně definovaný počet shluků. Poloha každého shluku je opět definována jeho centroidem (středem). Cílem potom je minimalizovat vzdálenost jednotlivých pixelů daného shluku od jeho centroidu a naopak maximalizovat vzdálenosti mezi jednotlivými centroidy. Vedle střední hodnoty (polohy centroidu) je pro hledané shluky na počátku zadána také požadovaná míra jejich homogenity - ve většině případů ve formě násobku směrodatné odchylky. Celý proces definování shluků probíhá iteračním výpočtem, jak je naznačeno dále. Základní kroky obecné neřízené klasifikace obrazu jsou následující: 1. Definování přibližného počtu výsledných shluků (například minimální a maximální počet) 2. Generování počáteční polohy centroidu pro každý shluk 3. Postupné přiřazení všech pixelů k tomu shluku, k němuž mají v příznakovém prostoru nejblíže 4. Výpočet nového centroidu pro každý shluk na základě přiřazených pixelů 5. Opakování kroku 3 a 4 do té doby, dokud se poloha shluku či počet pixelů zařazených do shluku výrazně nemění 6. Přiřazení konkrétního významu každému tzv. stabilnímu shluku 7. Vytváření informačních tříd spojováním (agregací) tříd spektrálních Řada konkrétních algoritmů neumožňuje zadat výsledný počet shluků přesně, ale pouze v určitém rozmezí definovaném jako minimální a maximální počet shluků. Jak uvádí M. ŠÍMA (osobní sdělení), k odhadu přibližného počtu úvodních shluků lze například využít počtu základních barevných odstínů v syntéze vytvořené z transformovaných pásem PC1, PC2 a PC3, získaných metodou analýzy hlavních komponent. Počáteční hodnota centroidů jednotlivých shluků může být určována dvěma způsoby. V prvním případě jsou úvodní středy shluků rozmístěny pravidelně po diagonále příznakového prostoru (obr. 9.14), v druhém případě lze při určité znalosti spektrálního chování jejich úvodní polohu definovat prostřednictvím informace, např. uložené ve formě tzv zakládacího souboru (seed file) (Using PCI Software 1997). V tomto souboru je pro jednotlivé shluky uvedena úvodní DN hodnota, charakterizující polohu středu shluku v daném pásmu (tab. 9.3).

167


Obr. 9.Chyba! Neznámý argument přepínače. Počáteční poloha středů shluků (centroidů) Tab. 9.3 Příklad „seed“ souboru pro tři shluky ve čtyřech zpracovávaných pásmech pásmo 1. shluk 2. shluk 3. shluk

1 5

2 3

3 5

4 9

40

45

44

20

57

60

47

49

V konkrétních využívaných algoritmech uvedeného obecného postupu lze při jednotlivých iteracích hodnotit proces shlukování řadou dalších kritérií. Takovým kritériem může například být určitá minimální vzdálenost dvou shluků. Pokud vzdálenost centroidů dvou sousedních shluků je menší než definovaná minimální hodnota, shluky jsou spojeny do jednoho. Na druhé straně lze rozdělit jeden shluk do dvou shluků v případě, že rozptyl daného shluku přesahuje v rámci jedné iterace zadanou hodnotu (například jako určitý násobek směrodatné odchylky). Shluk také může být zrušen a jeho pixely zařazeny k shlukům sousedním v případě, že počet pixelů v jednom shluku klesne pod definovanou hodnotu.

Obr. 9.Chyba! Neznámý argument přepínače. Nová poloha středů shluků při následných iteracích 168

CHYBA! NEZNÁMÝ ARGUMENT PŘEPÍNAČE. Uvedené parametry zadávané na počátku výpočtu v jednotlivých iteracích určují počet shluků a také novou polohu jejich středů (obr. 9.15). Shluk je považován za stabilní, jestliže poloha jeho centroidu se významně neliší mezi dvěma následnými iteracemi. Dalším parametrem ukončujícím výpočet středů shluků může být také celkový počet iterací (opakovaní). Obecný postup neřízené klasifikace, který uvádí např. JENSEN (1976), je v řadě konkrétních systémů na zpracování obrazu modifikován použitím různých parametrů řídících definování shluků. 9.2.1 Algoritmy neřízené klasifikace Běžně používanými algoritmy neřízené klasifikace jsou např. postupy označované jako "K-means" (Using PCI software 1977) nebo ISODATA (ERDAS Field Guide 1994). Jako rozhodovací pravidlo je většinou používána modifikovaná metoda nejbližšího souseda, kdy vzdálenost mezi středy jednotlivých shluků je hodnocena různými měrami vzdálenosti. Jak uvádí CAMPBELL (1996), nemusí jít vždy o euklidovskou vzdálenost. Algoritmus K-means je nejjednodušším shlukovacím algoritmem, který na počátku vyžaduje zadat požadovaný počet shluků a pokud je k dispozici, také úvodní polohu jejich středů. Jinak algoritmus úvodní polohu středů generuje sám jejich rovnoměrným rozmístěním ve vícerozměrném prostoru. Poté je každý klasifikovaný pixel přiřazen do shluku, k jehož průměrovému vektoru má v analyzovaném prostoru nejblíže. Z výsledků této klasifikace jsou poté vypočteny nové polohy centroidů (nové průměrové vektory každého shluku). Poté se celý výpočet opakuje dalšími iteracemi a to do té doby, než je dosaženo zadaného počtu iterací. Celý výpočet však může být ukončen i v okamžiku, kdy již nedochází k významnému počtu změn v zařazení jednotlivých klasifikovaných pixelů. Také tento počet změn může být specifikován v úvodních parametrech celého výpočtu. Algoritmus ISODATA (viz. např. JENSEN 1986) je rozšířením výše uvedeného způsobu shlukování. Na počátku je definován počet požadovaných shluků a počet iterací. Není-li k dispozici zakládací soubor středů shluků, tyto jsou umístěny rovnoměrně v analyzovaném prostoru. Vlastní zařazování pixelů do jednotlivých shluků probíhá také v jednotlivých iteracích, přičemž se řídí následujícími parametry: 1. Shluk, který se stane heterogenním - měřeno hodnotou násobku směrodatné odchylky, zadanou na počátku výpočtu - je rozdělen na dva nové shluky. 2. Shluky, které jsou svými středy v analyzovaném vícerozměrném prostoru blíže, než je předem zadaná hodnota, jsou spojeny v jeden shluk. 3. Shluky, které obsahují méně pixelů, než je předem zadaná hodnota, jsou zrušeny a jejich pixely zařazeny ke shlukům okolním V důsledku uvedeného spojování a rozdělování jednotlivých shluků v každé iteraci není výsledný počet stabilních shluků často shodný s počtem požadovaným Tento požadovaný konečný počet shluků je často zadáván určitým rozsahem minimálního a maximálního počtu. Parametry, řídící spojování a rozdělování shluků, lze v průběhu výpočtu (mezi jednotlivými iteracemi) interaktivně měnit. Protože tento přístup používá metody iterací, je početně náročný. Z toho důvodu se často nejdříve klasifikují jen vybrané plochy na scéně - ty potom můžeme nazvat trénovací plochy pro neřízenou klasifikaci a nelze si je plést s trénovacími plochami pro klasifikaci řízenou. Zatímco v případě řízené klasifikace jsou tyto plochy voleny tak, aby byly co nejvíce homogenní, v případě neřízené klasifikace by měly obsahovat co nejvíce 169

DÁLKOVÝ PRŮZKUM ZEMĚ spektrálních tříd. Několik ploch je potom klasifikováno nezávisle na sobě. Vytvořené třídy jsou poté podrobeny statistické analýze a podle jejího výsledku jsou stejné třídy spojovány. Potom je určitým klasifikátorem (minimální vzdálenosti nebo maximální pravděpodobnosti) klasifikována celá scéna. Protože tento přístup obsahuje prvky obou typů klasifikací, někdy se nazývá jako klasifikace "hybridní". Tohoto přístupu se využívá při velké komplexnosti a proměnlivosti spektrálních tříd. Mezi tzv. neparametrické metody shlukování patří postup označovaný podle autorů jako algoritmus NARENDRA a GOLDBERG (Using PCI Software 1997). Slovo „neparametrický“ zde znamená, že jednotlivé shluky jsou vydělovány ne na základě svých statistických parametrů (průměr, rozptyl, korelační či kovarianční matice), ale na základě definování hranic mezi jednotlivými shluky ve zpracovávaném prostoru, přičemž tyto hranice mohou definovat shluky rozličných tvarů (pravoúhelník, polygon apod.). Příkladem neparametrického rozhodovacího pravidla v případě řízené klasifikace je klasifikátor pravoúhelníků. Shlukování podle NARENDRA a GOLDBERG pracuje s histogramem každého klasifikovaného pásma. Pro jednoduchost uvažujme opět pouze dvě pásma. Z nich vytvořený dvourozměrný histogram vytvoří povrch s množstvím lokálních maxim („vrcholy“) a minim („údolí“). Jednotlivé vrcholy na tomto povrchu představují přibližně středy jednotlivých shluků, údolí pak představují místa, kudy vede hranice mezi jednotlivými shluky. Uvedený postup neumožňuje zadat požadovaný počet výsledných shluků a výpočet na rozdíl od předcházejících způsobů není iterační. Poněkud odlišný přístup k neřízené klasifikaci uvádí LILLESAND a KIEFER (1994). Tento algoritmus hodnotí také texturu ("roughness") v obraze, jako základ k určení středů shluků. Textura je definována jako multidimenzionální proměnlivost pozorovaná v okně pohybujícím se po ploše obrazu. Zpracovatel určí prahovou hodnotu této proměnlivosti. Je-li rozptyl hodnot v okně (např. 3 x 3) menší než prahová hodnota, je okno považováno za "homogenní", je-li naopak větší, je okno považováno za "heterogenní". Střed prvního homogenního okna je středem prvního shluku, střed druhého homogenního okna je středem druhého shluku atd. Jakmile je dosaženo maximálního počtu shluků, definovaného zpracovatelem (např. 50), klasifikátor hodnotí vzdálenosti mezi nalezenými středy shluků, dva nejbližší spojí do jednoho shluku a kombinuje jejich statistiku. Tak klasifikátor pokračuje s dalšími dvěma nejbližšími shluky, až zhodnotí celou scénu. Výsledné středy shluků jsou statisticky popsány z hlediska své separability na základě zpracovatelem definovaných statistických vzdáleností (např. rozptyl, směrodatná odchylka, atd.). Shluky, mezi nimiž je tato vzdálenost menší než prahová hodnota, jsou opět spojovány. Výsledné shluky jsou použity ke klasifikaci celé scény klasifikátorem minimální vzdálenosti nebo maximální pravděpodobnosti. CAMPBELL (1996) uvádí princip algoritmu neřízené klasifikace s názvem AMOEBA, který do jisté míry pracuje také s parametrem vzájemné polohy pixelů. Výše uvedeným způsobem jsou jednotlivé pixely zařazovány do jednotlivých shluků. Vedle již uvedených parametrů pro jejich definování, zpracovatel na počátku stanoví maximální možnou proměnlivost pixelů v dané třídě - například hodnotou rozptylu nebo směrodatné odchylky. Pixely určité třídy postupně vytvářejí víceméně souvislé části obrazu. Pokud pixely tvořící jednu třídu (shluk) obklopují dosud nezařazený obrazový prvek a jeho zařazením do dané třídy by nedošlo k překročení jeho předem definovaného rozptylu hodnot, je tento obrazový prvek zařazen do daného shluku. Tento postup tedy funguje jako speciální filtrace obrazu.

170

CHYBA! NEZNÁMÝ ARGUMENT PŘEPÍNAČE. 9.2.2 Úprava výsledků shlukové analýzy Všemi výše uvedenými způsoby shlukové analýzy jsou nalezeny pouze přirozené spektrální třídy ve scéně a je na zpracovateli, aby pomocí referenčních dat (leteckých snímků, map, literatury) jim dal konkrétní geografický význam. Jde tedy o postupné "vylaďování" výsledků klasifikace, podobně, jako v případě ošetřování výsledků klasifikace řízené. Jeho hlavním cílem je převést spektrální třídy na informační třídy (třídy druhů povrchů). Procesu shlukování je nejčastěji využíváno k vytvoření většího počtu shluků, než je zamýšlený počet výsledných informačních tříd, protože, jak již bylo uvedeno, lze tímto přístupem vymezit i velmi specifické podtřídy povrchů, lišící se například pouze orientací svahů, vlhkostí a podobně. Tyto podtřídy lze v následném procesu shlukování spojovat (agregovat) do požadovaných tříd podle zaměření projektu. V ideálním případě odpovídá každá spektrální třída jedinečné informační třídě. Tento případ však může nastat pouze tehdy, mají-li povrchy na scéně jedinečné spektrální chování. Pravděpodobnější je situace, kdy každé informační (kategorické) třídě odpovídá několik tříd spektrálních. V závislosti na zaměření projektu mohou mít tyto podtřídy pro nás malou informační hodnotu (například zastíněné a osvícené části jehličnatého lesa), nebo mohou nést užitečnou informaci (čistá voda a voda s velkým obsahem sedimentů). V obou případech je samozřejmě možné spojovat jednotlivé "podtřídy" do tříd požadovaných. Za nevhodný výsledek shlukování je nutno považovat situaci, kdy jedna či několik spektrálních tříd odpovídá více než jedné třídě informační. To znamená, že hledané třídy jsou spektrálně podobné a nelze je v dané scéně odlišit. V takovém případě je vhodné provést nový výpočet s jinými pásmy multispektrálního obrazu či s pásmy transformovanými. Je také možné upravit hodnoty vstupních parametrů procesu shlukování - přibližný počet shluků, počet iterací, velikost shluku ve smyslu jeho maximálního rozptylu či minimálního počtu obrazových prvků ve shluku. 9.3 Úprava, hodnocení a prezentace výsledků automatické klasifikace 9.3.1 Postklasifikační zhlazení výsledků V důsledku toho, že spektrální chování tříd je značně proměnlivé a mnohdy se u více tříd překrývá, má právě klasifikovaný snímek vzhled, který je někdy označován jako "sůl a pepř". V klasifikovaném obraze je velké množství osamocených pixelů či malých skupin pixelů zatříděných odlišně od jejich okolí. Tento jev je důsledkem toho, že výše uvedené způsoby klasifikace rozhodují o zařazení každého pixelu do určité třídy či shluku pouze na základě hodnot tohoto pixelu ve zpracovávaných pásmech bez ohledu na vlastnosti pixelů okolních. Proto je tento přístup označován také jako „per-pixel“ klasifikace. Výsledný klasifikovaný obraz je v tomto případě často nutné upravit. Nejběžnější metodou takovéto postklasifikační úpravy je nízkofrekvenční filtrace. Její použití vychází z předpokladu že většina „osamocených“ pixelů představuje chyby v klasifikaci. Problém tohoto způsobu filtrace spočívá v tom, že hodnoty pixelů mají funkci kvalitativní - označují jednotlivé třídy - a ne funkci kvantitativní. Mějme například kategorie označené čísly 1, 2, 3 atd. Průměrový filtr zprůměruje hodnoty např. 3 a 5 na 4 a vytvoří tak kategorii 4 na místě, kde předtím nebyla. Filtr by tedy měl pracovat na základě určitých logických pravidel. Jedním ze způsobů, jak se tomuto problému vyhnout, jsou tzv. majoritní filtry - například modální filtr (viz obr. 8.10). V tomto případě je centrální pixel ve filtrovacím okénku označen tou kategorií, která je v okénku 171

DÁLKOVÝ PRŮZKUM ZEMĚ zastoupena nejčastěji - tedy módem. Nemá-li žádný pixel majoritu ve filtrovacím okénku, centrální pixel není změněn. Jak se filtrovací okénko pohybuje po ploše filtru, jsou k výpočtu používány vždy originální hodnoty, ne filtrované. V majoritním filtru může být zabudována také určitá váha pro filtraci jednotlivých tříd. Některé třídy mohou být z procesu filtrace vyloučeny. Data mohou být obecně filtrována vícekrát. Algoritmus může zachovávat hranice mezi jednotlivými třídami a obsahovat také hodnotu minimální plochy každé kategorie, která ještě bude zahrnuta do výsledku. 9.3.2 Hodnocení přesnosti klasifikace I když je hodnocení přesnosti klasifikace věnována v poslední době značná pozornost, je možno konstatovat, že možnosti vlastní klasifikace stále výrazně přesahují možnosti vhodně hodnotit její přesnost. Právě tento fakt někdy neumožňuje použít automatickou klasifikaci a jsou používány klasické techniky vizuální interpretace, i když jsou časově i finančně náročnější. Jak však uvádí LILLESAND a KIEFER (1994), klasifikace není ukončena, dokud není zhodnocena její přesnost. Za chybu v klasifikaci je považován případ, kdy danému prvku obrazu je přiřazen význam jiné třídy, než má ve skutečnosti. Přičemž jak uvádí CAMPBELL (1996), pro chyby v klasifikaci obrazu platí následující: • chybně klasifikované pixely se ve výsledném obrazu nevyskytují náhodně, ale mají určité prostorové uspořádání • chybně klasifikované pixely jsou více méně asociovány pouze s určitými třídami • chybně klasifikované pixely se většinou nevyskytují izolovaně, ale v určitých skupinách • chybně klasifikované pixely jsou svým výskytem vázány na typické části klasifikovaných ploch Přesnost výsledků klasifikace je nutné hodnotit vždy s ohledem na polohu. Celková výměra nalezených tříd může být stejná pro referenční data i klasifikovaný snímek, jednotlivé třídy se však mohou značně lišit svoji polohou. Jedním z nejvíce používaných přístupů k hodnocení úspěšnosti klasifikace je výpočet klasifikační chybové matice. Chybová matice porovnává u všech kategorií (informačních tříd) vztah mezi referenčními (podpůrnými) daty a výsledky klasifikace. Matice je čtvercová, počet řádků a sloupců odpovídá počtu hodnocených tříd. Pro objektivní testování přesnosti klasifikace je nutné jako referenčních dat použít částí obrazu mimo trénovací plochy. Příklad možného hodnocení výsledků automatické klasifikace uvádí tabulka 9.4. Tab. 9.4 Příklad hodnocení výsledků klasifikace prostřednictvím procentuálního zastoupení jednotlivých tříd v klasifikovaném obraze (A) a tzv. chybovou maticí (B) A. PROCENTUÁLNÍ ZASTOUPENÍ JEDNOTLIVÝCH TŘÍD třída kód počet pixelů voda 1 19 398 les 2 44 826 pole 3 55 050 ttp 4 54 526 holá p. 5 64 487 nezařazeno 0 23 855

172

procento plochy obrazu 7,4 17,1 21,0 20,8 24,6 9,1

CHYBA! NEZNÁMÝ ARGUMENT PŘEPÍNAČE. B. CHYBOVÁ MATICE třída kód počet pixelů voda 1 1223 les 2 1089 pole 3 893 ttp 4 666 holá p. 5 1060

0 11,45 10,56 7,28 13,21 9,15

1 88,55 0,00 0,00 0,00 0,00

2 0,00 89,44 0,00 0,00 0,00

3 4 5 0,00 0,00 0,00 0,00 0,00 0,00 92,72 0,00 0,00 0,00 86,79 0,00 0,00 0,00 90,85 Průměrná přesnost = 89,67 %

V uvedeném případě jde o testování shody v zatřídění pixelů z pěti natrénovaných tříd (řádky matice) do odpovídajících pěti tříd ve výsledném obraze. Ty jsou uvedeny ve sloupcích chybové matice a vedle požadovaných pěti tříd je zde i třída pixelů nezařazených. Počty porovnávaných pixelů jsou uvedeny v procentech a 100 % představuje vždy počet pixelů zahrnutých do trénovacích ploch dané třídy. Při této klasifikaci nedošlo k chybnému zatřídění „natrénovaných“ pixelů. Pouze jejich určité procento bylo v případě všech tříd nezařazeno. V hlavní diagonále matice je uvedena přesnost pro každou klasifikovanou třídu. Z těchto hodnot je potom vypočtena přesnost průměrná Druhý způsob (tab. 9.5) je objektivnějším hodnocením přesnosti klasifikace, protože je založen na porovnání části klasifikovaného obrazu (řádky matice) s referenčními daty (sloupce). Je tedy testována úspěšnost klasifikace na datech například náhodně vybraných mimo trénovací plochy. Jak uvádí JENSEN (1986), takovýto způsob hodnocení je daleko pracnější, protože vyžaduje převést referenční data získaná například vizuální analogovou interpretací, terénním průzkumem apod. do stejné formy jako je klasifikovaný obraz - tedy do formy rastru se stejnou velikostí pixelu. Tab. 9.5 Chybová matice, hodnocení chyb v klasifikaci a její přesnosti na základě referenčních dat

klasifikovaná data

třída Voda Voda 480 Les 0 Pole 0 TTP 0 Půda 0 SUMA 480 CHO [%] 0 CHZ [%] 1 PZ [%] 100

Referenční data Les Pole TTP 0 5 0 0 20 52 0 40 313 16 0 126 0 0 38 68 318 224 23 1 44 29 13 7 76 98 56

Půda SUMA PU [%] 0 485 99 0 72 72 0 353 89 0 142 89 380 90 342 342 1432 0 11 100

Průměrná přesnost: (480 + 52 + 313 + 126 + 342) / 1432 = 92 % CHU - chyba z opomenutí CHZ - chyba z nesprávného zařazení PU - přesnost z hlediska uživatele PZ - přesnost z hlediska zpracovatele Jak je uvedeno v tabulce 9.5, řádek označený SUMA udává celkový správný počet pixelů každé třídy - tedy očekávanou přesnost. Sloupec označený SUMA potom udává, kolik pixelů bylo danou klasifikací do dané třídy zařazeno. Počty pixelů odpovídajících si tříd v uvedených sloupcích, nemusí být v důsledku chyb v klasifikaci stejné. Stejný však musí být celkový počet pixelů referenčních i klasifikovaných dat - v uvedeném případě 1432 pixelů. Počty pixelů mimo hlavní diagonálu opět představují chyby 173

DÁLKOVÝ PRŮZKUM ZEMĚ v klasifikaci. Tyto chyby mohou být dvojího druhu. Ve sloupcích mimo hlavní diagonálu jsou tzv. chyby z opomenutí (vynechání). V uvedeném případě 16 pixelů, které jsou ve skutečnosti třídou „Les“, bylo opomenuto. Chyba z opomenutí se vypočte jako podíl součtu všech pixelů ve sloupci mimo hlavní diagonálu, dělený celkovým počtem pixelů dané třídy v referenčních datech, pro třídu „Les“ tedy 16/68 = 23 %. Druhým typem jsou tzv. chyby z nesprávného zařazení, které se nacházejí v řádcích chybové matice mimo hlavní diagonálu. V našem případě bylo tedy do kategorie „Les“ nesprávně zařazeno 20 pixelů. Tuto chybu lze vyjádřit v procentech jako součet nesprávně zařazených pixelů dané třídy dělený celkovým počtem pixelů dané třídy v referenčních datech, pro třídu „Les“ tedy 20/68 = 29 %. Stejně jako v případě chyb v klasifikaci také na hodnocení její přesnosti v jednotlivých třídách lze pohlížet ze dvou pohledů (CAMPBELL 1996). Tím prvním je hledisko označované jako přesnost z hlediska uživatele výsledků klasifikace. Pro každou třídu je vypočtena jako počet správně klasifikovaných pixelů (hodnota na hlavní diagonále) dělený celkovým počtem pixelů, které do této kategorie byly zařazeny (suma v řádce). Tento ukazatel tedy udává pravděpodobnost, s jakou pixel zařazený do dané třídy tuto třídu skutečně představuje. Například pro kategorii „Voda“ je přesnost z hlediska uživatele rovna podílu 480/485, tj. téměř 99 %. Jako tzv. přesnost z hlediska zpracovatele je označován poměr mezi počtem správně klasifikovaných pixelů (tedy opět hodnota na hlavní diagonále) a počtem pixelů použitých pro testování dané třídy (suma ve sloupci). Kategorie „Voda“ byla z hlediska zpracovatele klasifikována s přesností rovnou podílu 480/480, tj. 100 %. I když toto hodnocení přesnosti je opět do značné míry ovlivněno výběrem testovacích (referenčních) dat, je mnohem objektivnější než při použití dat z trénovacích ploch. Kvantitativní vyjádření přesnosti výsledků automatické klasifikace je možné také pomocí hodnot tzv. Kappa koeficientu. Jde hodnotu, která porovnává klasifikaci podle jednoho z uvedených rozhodovacích pravidel s klasifikací vzniklou čistě náhodným procesem zařazování pixelů do jednotlivých tříd. Jeho výpočet je založen na předpokladu, že i při čistě náhodném procesu zařazování pixelů zpracovávaného obrazu do jednotlivých tříd bude určité procento těchto pixelů zařazeno správně. Potom hodnotu koeficientu Kappa lze zjednodušeně vyjádřit následujícím způsobem: PP − PO , 1 − PO PP - přesnost pozorovaná (určená z chybové matice) PO - přesnost dosažitelná čistě náhodným zařazením pixelů do jednotlivých tříd

κ=

kde

Hodnota koeficientu 0,9 tedy například znamená, že při dané klasifikaci jsme se vyhnuli 90 % chyb, které by vznikly při čistě náhodném zařazování pixelů do jednotlivých tříd. Jak uvádí LILLESAND a KIEFER (1994), úspěšnost každé automatické klasifikace snímku je dána také kvalitou, v níž jsou její výsledky předány koncovému uživateli. Výsledky klasifikace lze prezentovat ve třech základních formách:

•

174

Tématická mapa vytištěná na papír (hardcopy). Každá nalezená třída je prezentována různou barvou, mapa je doplněna vhodnou legendou. Pro úspěšnou prezentaci v této formě je nutné mít na paměti, že možnosti barevného podání současných výstupních zařízení (tiskáren či rastrových plotrů) jsou menší než možnosti grafické karty a monitoru počítače, a že

CHYBA! NEZNÁMÝ ARGUMENT PŘEPÍNAČE. barevná škála monitoru je rozdílná oproti barevnému vidění lidského oka (WILLIAMS 1995). •

Tabulární data jsou další formou výstupu z klasifikace. Mohou shrnovat plochu, kterou v obraze nebo v jeho části zabírá každá zjištěná kategorie povrchu. Proces výpočtu plochy v rastrovém obrázku je značně jednoduchý a spočívá pouze ve vynásobení plochy, kterou představuje jeden pixel, počtem pixelů dané kategorie.

•

Digitální výstupy. V této formě představují klasifikované obrazové záznamy především vstupní data do GIS. Zde mohou tvořit vlastní informační vrstvy či mohou být kombinovány s jinými geografickými daty. Kombinací těchto vstupních dat např. prostředky tzv. mapové algebry či jiných analytických nástrojů GIS mohou obrazová data poskytovat nové informační vrstvy pro prostorovou i popisnou databázi GIS. Vedle toho však vlastní výstupy, získané z dat DPZ, představují novou a jiným způsobem nezískatelnou primární informaci o strukturním a stavovém uspořádání studovaného území či o jeho dynamice.

175


10. Nové přístupy ke zpracování obrazových dat DPZ 10.1 Nové přístupy ke klasifikaci Výše uvedené přístupy k klasifikaci se považují za tradiční a jsou označovány jako perpixel klasifikace. Tím je vyjádřeno, že klasifikace je založena na studiu radiometrické charakteristiky (spektrálního chování) jen jednoho pixelu bez informací o jeho okolí. Uvedený přístup má mnoho nevýhod a proto jsou vyvíjeny nové přístupy založené například na neuronových sítích, kontextuálních klasifikátorech nebo tzv. principu neurčitosti (fuzzy logic). 10.1.1 Neuronové sítě Tradiční výše popsané postupy automatické klasifikace obrazu nedokáží v procesu klasifikace kombinovat data různých typů. Jsou založeny na znalosti spektrálních vlastností klasifikovaných povrchů a pracují s původními pásmy nebo pásmy vypočtenými transformací pásem původních. Klasifikace využívající konceptu neuronových sítí umožňují kombinovat různé typy vstupních dat.

Obr. 10.Chyba! Neznámý argument přepínače. Schematizované uspořádání neuronové sítě. A - vstupní vrstva, B - skrytá vrstva, C - výstupní vrstva Jde o algoritmy, které se snaží napodobit procesy probíhající v nervové soustavě. Neuron je základní stavební kámen nervového systému. Umělé neurony jsou jednoduchou emulací biologických neuronů. Jednotlivé neurony jsou vzájemně propojeny do sítě. Neuron jako uzel této sítě může mít obecně několik vstupů, avšak tyto vstupy mohou generovat pouze jeden výstup. Výstup z uzlu je definován funkcí F(x), která kombinuje hodnoty všech vstupních podnětů x, například: F ( x ) = ∑ wi xi i

kde

xi - hodnota i-tého vstupu wi - váha i-tého vstupu

Protože každá funkce F(x) je prahována pro určitou výstupní hodnotu, výstup z daného uzlu (neuronu) je generován pouze tehdy, pokud množina vstupů produkuje výstupní signál nad touto prahovou hodnotou. V opačném případě je generován výstup z jiného uzlu. Forem uspořádání neuronových sítí je celá řada, jeden z možných příkladů je 176

CHYBA! NEZNÁMÝ ARGUMENT PŘEPÍNAČE. uveden na obr. 10.1. Kromě vstupních a výstupních vrstev obsahuje každé uspořádání sítě většinou několik vrstev vnitřních, skrytých a celá struktura může mít navenek formu černé skříňky. Jak uvádí WILKINSON (1996), jednou z nutných podmínek pro sestavení vhodné konfigurace neuronové sítě je, že počet uzlů na vstupu je výrazně větší než počet výstupních tříd. Proces využívající neuronových sítí ke klasifikaci obrazu může mít formu řízené i neřízené klasifikace. V obou případech jsou vstupní hodnoty představovány například stupni šedi zpracovávaného obrazu, výstupní hodnoty pak mohou představovat pravděpodobnost příslušnosti k určité třídě. V případě řízené klasifikace se celý proces podobá způsobu učení se člověka. Ten probíhá tak, že zvládnutí určitého procesu je závislé na jeho opakování (natrénování) ve formě elementárních akcí, probíhajících od jednoho uzlu sítě k jinému, od vstupního signálu po výstup. Uvedené spojení je v procesu učení se (trénování) postupně posilováno a vylepšováno využitím trénovacích dat až do jeho zvládnutí. Je-li určitý proces dostatečně dobře natrénován, potom stejný vstupní signál dává na výstupu opět stejný výsledek bez potřeby využívat trénovací data. Převedeno do oblasti zpracování obrazu, určitá vstupní data procházejí skrytými vrstvami neuronové sítě po natrénované dráze a na výstupu jsou označena jako určitá informační třída. Jak uvádí WILLIAMS (1995), v procesu trénování je možné také upravovat váhy jednotlivých funkcí řídících průchod daným uzlem (neuronem), a to tak dlouho, dokud není nalezena optimální konfigurace sítě pro zařazení objektů do dané třídy. Použití neuronových sítí ke klasifikaci obrazu má svoje výhody i nevýhody. K hlavním výhodám patří, že uvedený postup dovoluje kombinovat data různé povahy, například data z optické části spektra, data z radaru či morfometrická data generovaná zpracováním digitálního modelu terénu. K výhodám patří i to, že jednotlivým vstupním datům lze dát rozdílnou váhu a dále také fakt, že vstupní data nevyžadují normální rozdělení, jako je tomu např. v případě klasifikátoru maximální pravděpodobnosti.. K nevýhodám patří především fakt, že tyto postupy nepracují s žádným přesně definovaným matematickým modelem. Rozhodovací pravidla pro zařazení objektů do jednotlivých tříd jsou vytvářena v trénovacím procesu z často velmi rozdílných zdrojů. K vytvoření neuronové sítě je zapotřebí velkého množství trénovacích dat a metoda je také necitlivá k jevům, které nejsou trénovacími daty dostatečně dobře popsány. Informace o teorii a aplikacích neuronových sítí při klasifikaci obrazu jsou v literatuře poměrně kusé - viz. například CAMPBELL (1996), WILLIAMS (1995), Using PCI Software (1997) nebo KOLÁŘ a kol. (1997), jejich použití je časově i paměťově značně náročné a podle zmíněných prací zlepšují výsledky klasifikace oproti klasickým přístupům pouze částečně. Konkrétní aplikaci využití neuronových sítí k mapování druhů povrchů (land cover) uvádí CHEN et al. (1995). 10.1.2 Texturální klasifikátory Popsané postupy automatické klasifikace obrazu jsou založeny na studiu spektrálního chování jednoho obrazového prvku v multispektrálním obraze. Podle WILLIAMSE (1995) jedním ze zjednodušujících předpokladů použití těchto „klasických“ přístupů je, že hledaná třída (např. druh povrchu - land cover), je homogenní. To znamená, že jde o určitou část obrazu, v níž se DN hodnoty jednotlivých pixelů liší co nejméně. Takové třídy jsou potom ve vizualizovaném barevném obraze představovány jedním barevným odstínem. Pixely představující tuto třídu zaujímají ve vícerozměrném prostoru víceméně kompaktní oblast odlišitelnou od jiných tříd. 177

DÁLKOVÝ PRŮZKUM ZEMĚ Přesto, že se řada povrchů tímto výše naznačeným způsobem chová (například vodní plochy), pro většinu tříd je spíše typická větší či menší heterogenita ve spektrálním chování obrazových prvků, které tuto třídu představují. Jak bylo uvedeno v kapitole 2, změny ve spektrálním chování vegetace jsou způsobeny nejen druhovým složením či stářím, ale i jejím aktuálním stavem (vodním obsahem, zdravotním stavem apod.). Uvedená heterogenita třídy vegetace bude snižovat možnosti její klasifikace na základě „klasických“ klasifikátorů. Vzhledem k prostorovému rozlišení běžně dostupných obrazových dat, je pro řadu informačních tříd právě heterogenita typická - třída „Zástavba“ je tvořena mozaikou několika druhů velmi odlišných povrchů (beton, travnaté porosty, koruny stromů, vodní plochy). Spektrální chování jednotlivých základních povrchů tvořících třídu „Zástavba“ je značně odlišné a popsanými postupy nelze uspokojivě tuto třídu klasifikovat. Jedním z interpretačních znaků, který popisuje popsanou proměnlivost určitých tříd, je např. textura. Tu je možné např. podle ČAPKA (1988) definovat jako tónovou proměnlivost částí obrazu, která vytváří charakteristický vzorek. Ten je složen ze shodných opakujících se prvků. Na rozdíl od struktury nelze jednotlivé elementy rozpoznat. Textura je typická pro řadu povrchů a pro zpracovatele snímku je velmi důležitým a často na první pohled patrným interpretačním znakem. V případě klasifikace je však poměrně složitým problémem texturu v obraze vhodným způsobem definovat a kvantifikovat. Způsoby klasifikace založené na studiu prostorové proměnlivosti DN hodnot v obraze se označují jako texturální klasifikátory. Jak uvádí CAMPBELL (1996), jednoduchým způsobem lze proměnlivost definovat pomocí směrodatné odchylky DN hodnot všech pixelů v okně určité velikosti, které se pohybuje po ploše obrazu. Texturu lze definovat i s ohledem na proměnlivou velikost okna, které se po obraze pohybuje nebo i s ohledem na směr, ve kterém je textura posuzována. Texturální klasifikátory mohou výrazně zvyšovat přesnost klasifikace právě u těch tříd, které jsou svoji povahou heterogenní. Podle JENSENA (in CAMPBELL 1996) je však nutno studovat texturu v poměrně širokém okně (64 x 64 pixelů). Pokud je tedy textura spolehlivě definována až pro okno o straně 64 pixelů, výsledný klasifikovaný obraz podstatně ztrácí na prostorovém rozlišení. Textura je však důležitou charakteristikou radarových obrazových záznamů a algoritmy texturálních klasifikátorů jsou v současné době předmětem intenzivního vývoje. 10.1.3 Princip neurčitosti (Fuzzy logic) Slovo „fuzzy“ je v následujícím kontextu používáno ve smyslu neurčitý, nepevný, nedeterminovaný. Fuzzy logic pak označuje skupinu algoritmů a rozhodovacích pravidel, které nejsou pevné, v každém kroku jednoznačně definované, ale umožňují pracovat s jistou mírou nejistoty. Jde o postupy, které nacházejí uplatnění v řadě aplikací, mimo jiné také při automatické klasifikaci obrazu. Tak jako výše zmíněné texturální klasifikátory se snaží řešit problém homogenity či heterogenity v obraze, snahou fuzzy logic je vyrovnat se s dalším ze zjednodušujících předpokladů „klasických“ klasifikátorů - tedy předpokladem, že každý obrazový prvek musí být zařazen pouze do jedné informační třídy (viz. WILLIAMS 1995). V důsledku omezeného prostorového rozlišení běžného digitálního obrazu vzniká problém tzv. smíšených pixelů (mixture element - mixel). Uvažujme obrazový prvek představující ze 70 % vodní plochu, jejíž odrazivost má hodnotu 20 a z 30 % přilehlé písčité břehy s odrazivostí 120. Protože výsledná DN hodnota pixelu je váženým průměrem odrazivosti všech elementárních povrchů nacházejících se na jeho ploše, může tento 178

CHYBA! NEZNÁMÝ ARGUMENT PŘEPÍNAČE. obrazový prvek nést výslednou DN hodnotu 60. V extrémním případě může být takovýto pixel zařazen „klasickými“ klasifikátory podle spektrálního chování do třídy listnatého lesa, která se v daném místě obrazu vůbec nevyskytuje, v lepším případě nemusí být zařazen do žádné třídy. Fuzzy logic umožňuje definovat pro každý pixel pravděpodobnost jeho příslušnosti k více třídám. V našem případě tedy podle tohoto přístupu výše uvedený pixel náleží ze 70 % do třídy voda a ze 30 % do třídy holý povrch. Uvedená pravděpodobnost příslušnosti pixelu k určité třídě je vypočtena na základě sestavení tzv. „funkce příslušnosti“ (membership function). Příslušnost obrazového prvku k určité třídě může nabývat hodnot od 0 do 1 (pixel patří jednoznačně do dané třídy) nebo může být vyjádřena v procentech. Sestavení funkce příslušnosti může vycházet z empiricky zjištěných vztahů mezi jednotlivými spektrálními třídami (například z měření pozemní spektrometrií). Jak uvádí CAMPBELL (1996), častější způsob sestavení funkce příslušnosti je založen na charakteristice trénovacích ploch definovaných ve zpracovávaném obraze. Funkce příslušnosti tedy popisuje vztah mezi příslušností pixelu k určité třídě a hodnotou radiometrické charakteristiky v multispektrálním obraze. Příklad funkce příslušnosti je uveden na obr. 10.2.

Obr. 10.Chyba! Neznámý argument přepínače. Příklad tzv. funkce příslušnosti (membership function), P - příslušnost k dané třídě, R - odrazivost, vysvětlivky viz. text, upraveno podle CAMPBELLA (1996) Uvedený příklad demonstruje pro jednoduchost funkci příslušnosti pouze pro jedno pásmo multispektrálního obrazu. Horizontální osa nese hodnoty odrazivosti, vertikální osa nese hodnoty příslušnosti k určité třídě. Vertikální osa je různě orientována v závislosti na posuzované třídě a má počátek na širší základně obrazce, který danou třídu reprezentuje. Pravděpodobnost příslušnosti ke třídě „Les“ je tedy nutno odečítat opačně, než příslušnost ke třídě „Vodní plochy“ či třídě „Zemědělská půda“. Z teorie spektrálního chování objektů je zřejmé, že každá z definovaných tříd bude nabývat hodnot odrazivosti pouze v určitém, víceméně úzkém intervalu. Ten je definován zejména mírou úrovně (např. průměrem módem nebo mediánem) a pixely s DN hodnotou blízkou hodnotě střední budou s velkou pravděpodobností příslušet k dané třídě. Dále je interval hodnot definován také určitým rozptylem - tedy mírou variability. Logicky pixely s DN hodnotami lišícími se významně od míry úrovně budou do dané třídy náležet s menší pravděpodobností. Na obr. 10.2 uvažujeme tři spektrální třídy - vodní plochy, les a zemědělskou půdu. Vodní plochy mohou v tomto pásmu multispektrálního obrazu nabývat pouze hodnot odrazivosti menších než 20. Naopak zemědělská půda může nabývat hodnot odrazivosti od 22 do 33, avšak pouze v intervalu 27 až 29 je největší pravděpodobnost , že jde o tuto třídu. Jako les lze klasifikovat poměrně široký interval pixelů, avšak největší 179

DÁLKOVÝ PRŮZKUM ZEMĚ pravděpodobnost, že jde o třídu „Les“ však náleží obrazovým prvkům s hodnotou odrazivosti kolem 22. Pixely s hodnotou 24 mohou s přibližně stejnou pravděpodobností náležet do třídy „Les“ i třídy „Zemědělská půda“. Podle práce CAMPBELLA (1996), nelze neoznačeným částem diagramu přisoudit uvažované třídy. Podle uvedeného příkladu tedy pixely s hodnotou 21 mohou s určitou pravděpodobností představovat třídu „Les“, ovšem např. z podpůrných dat získaných např. z trénovacích ploch nebo z pozemní spektrometrie vyplývá, že tyto pixely nepředstavují třídu „Vodní plochy“. Výsledkem fuzzy logic klasifikátoru může být vícepásmový obraz, kde obrazové prvky každého pásma nesou hodnoty pravděpodobnosti své příslušnosti k jedné určité třídě. Uvedený přístup může v řadě případů zlepšovat výsledky automatické klasifikace obrazu, i když je často problematické tyto výsledky vhodně interpretovat (WANG 1990). 10.1.4 Kontextuální klasifikátory Jak je uvedeno výše, pro klasifikaci obrazu je možné využít vedle spektrálních vlastností objektů také jejich vlastnosti spojené se znaky jako jsou textura, příčinné vztahy, kontext a podobně. Tedy vedle spektrálních příznaků a klasifikátorů založených na spektrálním chování lze stejným způsobem definovat také příznaky a rozhodovací pravidla související s polohou či prostorovým uspořádáním (strukturou) objektů. Tyto přístupy mohou být označeny jako tzv. metody rozpoznávání prostorových příznaků (tzv. spatial pattern recognition). Jestliže klasické přístupy k automatické klasifikaci pracují s jedním obrazovým prvkem, možnosti těchto klasifikátorů lze hledat například v analogii mluveného slova. Jedno slovo může mít v různém kontextu více různých významů. Proto rozpoznání objektů a jejich zařazení do jednotlivých tříd může být založeno také na studiu jednotlivých částí obrazu v jejich kontextu (GURNEY a TOWNSHEND 1983). Zatímco rozhodovací pravidla pro texturální klasifikaci obrazu (viz. 10.1.2) se snaží popsat a kvantifikovat prostorové uspořádání pixelů v obraze (např. prostřednictvím variability) pro okno určité velikosti, v případě kontextuálních klasifikátorů je snahou popsat prostorové uspořádání objektů v celém obraze. Kontextuální klasifikátory se tedy spíše snaží popsat a kvantifikovat strukturu a kontext (pattern). I když uvedené přístupy mohou pracovat i s původními obrazovými daty, většinou jsou aplikovány na obrazová data již klasifikovaná. Kontext nebo struktura mohou být definovány řadou charakteristik, které lze shrnout pod pojem topologie. Patří sem především vzdálenost (určitý objekt se může nacházet pouze v určité vzdálenosti od jiného objektu), směr (orientace - určitý objekt se může nacházet pouze v určitém směru od jiného objektu), konektivita (spojení - dva objekty mohou anebo nemusí být spojeny jiným objektem), dotyk (sousedství - dva objekty se mohou a nemusí dotýkat), vnoření (obsaženost - jeden objekt se musí nebo naopak nesmí vyskytovat uvnitř jiného). Uvedené interpretační znaky používané kontextuálními klasifikátory, jako struktura či poloha, jsou běžně využívány při analogové interpretaci obrazových materiálů pořízených distančními metodami. Pro interpreta jsou uvedené znaky na první pohled patrné a typické pro řadu objektů či jevů v obraze. Hlavní problémy jejich využití při kontextuální klasifikaci jsou možnosti jejich kvantifikace. Řada uvedených technik již představuje přechod k tzv. mapové algebře a technikám GIS, jsou většinou aplikovány na již klasifikovaná data a slouží ke zpřesňování a úpravě výsledků klasifikace. Jako příklad lze uvést vytváření tzv. obalových zón (buffers). Pomocí obalové zóny lze definovat například největší možnou vzdálenost výskytu lužního lesa v klasifikovaném 180

CHYBA! NEZNÁMÝ ARGUMENT PŘEPÍNAČE. obraze. Pixely klasifikované jako třída „Lužní les“, které se nacházejí ve větší vzdálenosti od vodního toku, lze považovat za chyby v klasifikaci. Do mapové algebry mohou vstupovat nejen obrazová data, ale také například rasterizovaná vektorová data nebo digitální model terénu. 10.2 Zpracování a interpretace radarových obrazových záznamů Odlišný charakter radarových obrazových dat - geometrie radarového snímku i způsob interakce mikrovlnného záření s objekty na zemském povrchu - má za následek, že metody předzpracování, zvýraznění či klasifikace používané na digitální obrazová data v optické části spektra nelze úspěšně aplikovat na data radarová. Platí to především o všech algoritmech pracujících na principu „per-pixel“. V případě radarových dat také nelze hovořit o teorii spektrálního chování objektů ve smyslu, v jakém byla podána v kapitole 2. Tato teorie vychází z interakce záření s elementárními částicemi povrchů v závislosti na jejich chemickém složení. Naproti tomu interakce mikrovlnného záření s povrchy odráží většinou jejich fyzikální vlastnosti - například drsnost povrchu, jeho orientaci k dopadajícímu záření, ale i vlhkost či elektrické vlastnosti. K vytvoření radarového snímku je nutné zpracování radarového signálu odraženého od objektů na zemském povrchu. Tento signál se skládá jednak z časových měření mezi vysláním a přijetím radarového paprsku, jednak z intenzity odraženého signálu (echa). Radarový snímek vzniká až zpracováním těchto dvou druhů informací. Výsledkem odlišného způsobu vytváření radarových obrazových záznamů vzhledem k obrazovým záznamům v optické části spektra jsou i odlišné způsoby jejich následného zpracování a interpretace. Protože příčné rozlišení radaru kolísá v závislosti na úhlu dopadu, rozměr obrazového prvku výsledného radarového snímku neodpovídá rozměrům pixelu v době pořízení snímku. Pixely ve výsledném snímku musí být převzorkovány na jednotnou velikost. Základní odlišnosti radarových obrazových záznamů a ostatních obrazových materiálů spočívají především v odlišné geometrii vytváření obrazu. Souvisejí s efekty radarových stínů, zpětného překryvu, či zhuštění signálu. Jejich princip byl diskutován v části 5.3. Vedle rozdílů v geometrii se výrazné odlišnosti radarových snímků od letecké fotografie či skenovaného záznamu týkají také radiometrie obrazu. Ta se projevuje výraznou texturou radarových snímků a tzv. zrnitým (speckle) vzhledem. Naměřené hodnoty radarového echa mají značný dynamický rozsah a radarové obrazové záznamy jsou proto pořizovány s vyšší radiometrickou přesností (většinou 16 bitů). Následné zpracování radarových snímků může zahrnovat především následující procedury: • • • • • •

radiometrické korekce a potlačení šumu geometrické korekce zvýrazňování snímků a zpracování textury vizuální analogová interpretace klasifikace snímků integrace s optickými daty

10.2.1 Radiometrické korekce, potlačení šumu a zvýraznění textury Radiometrické korekce představují především potlačení vysokofrekvenčního šumu (speckle). K tomu se využívá především různě složitých metod filtrace radarových obrazových záznamů. Výrazný podíl vysokofrekvenčního šumu na radarových 181

DÁLKOVÝ PRŮZKUM ZEMĚ snímcích často vyžaduje použití např. nízkofrekvenčních filtrů k jeho potlačení. Jedním z jednodušších způsobů je filtrace obrazového záznamu tzv. průměrovým filtrem. Vzhledem k povaze uvedené zrnitosti však tento způsob filtrace velmi často nedává dobré výsledky. Běžně používaným postupem k redukování zrnitosti radarového snímku je zprůměrování několika tzv. pohledů (looks). Celý postup se potom označuje jako multilooking (LAUR 1993). Cílem zprůměrování je zmenšení hodnoty variačního koeficientu. Čím větší počet pohledů je použit, tím více je potlačen šum v obraze. Nevýhodou tohoto přístupu je ztráta prostorové rozlišovací schopnosti výsledného snímku. Velkou skupinu filtrů používaných k potlačení šumu v radarových snímcích jsou tzv. adaptivní filtry, vytvořené speciálně pro radarová obrazová data (FROST et al. 1982, LEE 1986). Adaptivní filtry jsou založeny na definování lokální míry heterogenity s cílem potlačit vysokofrekvenční šum, avšak při zachování radiometrické a texturální informace ve snímku (DALLEMAND et al. 1993). Filtry běžně používané k úpravě obrazových dat předpokládají použití stejných vah na plochu celého snímku. Při jejich aplikaci se vychází z předpokladu, že faktory formující spektrální odrazové vlastnosti jsou více méně konstantní v celé jeho ploše. V případě radarových obrazových záznamů se echo od stejného druhu povrchu může výrazně lišit v závislosti na řadě výše zmíněných vnitřních i vnějších parametrů. Proto je v případě radaru vhodné přizpůsobit (adaptovat) použitý filtr lokálním vlastnostem povrchů. K tomuto přizpůsobení podle FROSTA et al. (1982) postačují hodnoty průměru a směrodatné odchylky každé filtrované části obrazu (filtrovaného okna) - tzv. lokální statistika. filtrovaný obrazový prvek SZ pozice filtrovacího okna JV pozice filtrovacího okna

Obr. 10.Chyba! Neznámý argument přepínače. Možný způsob potlačení zrnitosti radarového snímku. Vysvětlivky viz. text. Upraveno podle ERDAS Field Guide (1994). Jeden z přístupů k potlačení zrnitosti radarového snímku využívající lokální statistiky je naznačen na obr. 10.3. Pro filtrovaný pixel se určí okolí dané velikostí filtrovacího okna, a to v 8 základních směrech (S,SV,V,JV,J,JZ,Z,SZ). Pro každé z těchto okolí se vypočítá rozptyl hodnot a filtrovaný pixel je nahrazen průměrnou hodnotou z toho okolí, jehož rozptyl hodnot je co nejmenší. Tento algoritmus vychází z předpokladu, že okolí s minimálním rozptylem hodnot - tedy nejhomogennější - bude nejméně ovlivněno interferencí záření na jednotlivých površích, která způsobuje zrnitý vzhled radarového snímku. Textura nemusí vždy představovat vysokofrekvenční šum v radarovém snímku, ale může být též významným rozpoznávacím příznakem. V tomto případě je pak snahou tuto texturu v obraze zvýraznit či klasifikovat. K jejímu vyjádření se ve zpracovatelských systémech většinou používá různých měr variability (rozptyl, směrodatná odchylka, variační koeficient), či měr úrovně (průměr). Tyto míry jsou vypočítány pro všechny pixely filtrovacího okna zadané velikosti. Při zvýrazňování textury je obecně používáno principu filtrace (viz. kapitola 8). Rozměr filtrovacího okna je však mnohonásobně větší. Ke zvýraznění textury je radarový obraz často filtrován několikrát, a to filtrem s různou 182

CHYBA! NEZNÁMÝ ARGUMENT PŘEPÍNAČE. velikostí filtrovacího okna. Ke kvantifikování textury je používáno řady statistických charakteristik - od rozptylu až po statistiky vyšších řádů (koeficient asymetrie či špičatosti). 10.2.2 Geometrické korekce Geometrické korekce zahrnují především dva kroky. Prvním je transformace původního radarového obrazového záznamu, vyjádřeného v šikmých vzdálenostech do snímku ve skutečných pozemních (horizontálních) vzdálenostech. K této transformaci jsou zapotřebí jak informace o geometrii vytváření daného obrazového záznamu (tedy parametry snímacího zařízení), tak také podpůrná data o samotném snímaném území ve formě modelu terénu. Druhým krokem geometrické korekce radarového obrazového záznamu je proces tzv. rektifikace, kterým je radarový obrazový záznam transformován do požadované souřadné soustavy, případně do požadovaného kartografického zobrazení (podrobně viz. kapitola 7). K vlastní geometrické korekci radarových obrazových dat je možné využít polynomické transformace s využitím vlícovacích bodů. Vzhledem k odlišné geometrii jsou v případě radarových snímků chyby způsobené relativním převýšením daleko výraznější než v případě dat z multispektrálního skeneru, a proto je ke geometrické korekci zapotřebí využít informace o výškách ve formě digitálního modelu terénu. Protože z obrazových dat pořízených SAR lze sestavovat stereoskopické dvojice (viz obr. 5.11), mohou být tato obrazová data využita také k tvorbě DTM a ortofotosnímků. 10.2.3 Vizuální interpretace Vizuální interpretace je stále z mnoha důvodů nedílnou součástí zpracování obrazových materiálů z radaru. I když programové vybavení umožňující automatické zvýrazňování, vyhodnocování textury a případně klasifikaci radarových dat je intenzivně rozvíjeno, informace získané analogovou interpretací na základě tzv. interpretačních znaků dávají většinou přesnější výsledky než postupy automatizovaného zpracování. Pro interpretaci radarových snímků jsou nejdůležitější především tyto interpretační znaky: • textura • DN hodnota (tón) • struktura • tvar a velikost 10.2.4 Klasifikace Klasifikace radarových obrazových dat založená na teorii příznakového prostoru je možná v případě, je-ji k dispozici více obrazových záznamů stejného území. Protože však většina současných SAR nepořizuje obrazová data v multispektrálním režimu, ale pouze v jednom pásmu, do klasifikace mohou vstupovat data multitemporální - tedy obrazové záznamy lišící se dobou vzniku. Použití běžných per-pixel klasifikátorů založených na teorii spektrálního chování je však problematické. Obrazový prvek v radarovém snímku nepředstavuje reprezentativní hodnotu odraženého mikrovlnného záření pro povrch, který se na ploše pixelu nachází a navíc většina rozhodovacích pravidel vyžaduje normální rozložení DN hodnot a v případě radarových snímků tato podmínka nebývá splněna (LAUR 1993). Série dvou či tří radarových snímků může být vizualizována ve formě multitemporálních barevných syntéz. Tyto jsou potom vhodné ke studiu dynamiky řady jevů či procesů ve snímaném území. 183

DÁLKOVÝ PRŮZKUM ZEMĚ 10.2.5 Integrace radarových dat s daty pořízenými v optické části spektra Radarové snímky tvoří v řadě případů vhodný komplementární materiál k obrazovým materiálům pořízeným v optické části spektra a integrace obou typů dat tak může být přínosem pro řadu aplikací. Povaha informace poskytované z obou druhů obrazových dat je odlišná. Zatímco charakteristiky dat z optické části spektra jsou formovány především chemickým složením snímaných materiálů, v případě radarových dat jsou naopak formovány fyzikálními vlastnostmi povrchů. Metody integrace obou druhů obrazových dat využívají například algoritmů transformace barevného systému RGB a IHS. Barevná syntéza tří pásem z optické části spektra je transformována z barevného systému RGB do systému IHS (v kategoriích jasu, tónu a sytosti). V tomto barevném prostoru lze nahradit složku jasu radarovým obrazem a převést ho zpět do systému RGB (ERDAS Field Guide 1994). Radarových snímků z družice ERS-1 a snímků z LANDSAT TM pro identifikaci jednotlivých druhů zemědělských plodin použili např. MANGOLINI a ARINO (1996). Podle této práce se přesnost automatické klasifikace začleněním radarových dat do klasifikačního procesu zvyšuje. Interpretace obrazových záznamů bočního radaru bylo využito v mnoha aplikacích, které zahrnují sestavování topografických map, geologické mapování, mapování druhů vegetace, mapování mořského ledu, určování říční sítě, lesnictví, oceánografii apod. Potenciál radarových snímků z družice ERS-1 pro mapování využití země a zjišťování druhů zemědělských plodin ukázal LICHTENEGGER (1992). Protože charakteristiky radarového signálu různých povrchů zemědělské krajině vykazují v průběhu vegetačního období do jisté míry typické chování, bylo k určování jednotlivých druh plodin použito radarových snímků z několika časových horizontů (tzv. multitemporální přístup). Vedle typických časových změn v intenzitě radarového echa vykazují jednotlivé druhy plodin také typickou texturu. Významným rozpoznávacím příznakem jednotlivých druhů plodin je také drsnost jednotlivých povrchů. Snímky z družice RADARSAT byly použity k určování rozsahu zatopeného území při katastrofických záplavách na Moravě v červenci 1997. Zájemce lze odkázat na webovské stránky ministerstva životního prostředí (http://www.env.cz). 10.3 Analýza dat obrazové spektrometrie V současné době jsou z metod automatické klasifikace obrazu nejvíce propracovány metody, založené na znalosti spektrálního chování povrchů (viz. kapitola 2). Informace o spektrálním chování základních druhů povrchů, obsažená v běžně dostupných multispektrálních obrazových záznamech (LANDSAT MSS, TM, SPOT, apod.), je však do značné míry generalizovaná (viz. obr. 2.11). Výše naznačené postupy automatické klasifikace používající multispektrálních dat umožňují poměrně spolehlivě rozpoznat takové základní povrchy jako holou půdu, plochy pokryté lesem, vodní plochy a podobně. Naproti tomu tzv. hyperspektrální data (kapitola 3.4) a možnosti jejich zpracování mohou jít při rozpoznávání objektů až do takových detailů, jako jsou jednotlivé druhy minerálů či rostlin, druh chemického znečištění apod. Jestliže v případě obrazového záznamu z LANDSAT TM získáme o spektrálním chování každého povrchu v oblasti viditelného, blízkého a středního infračerveného záření pouze 6 hodnot, v případě hyperspektrálních dat získáme téměř kontinuální záznam (obr. 3.14).

184

CHYBA! NEZNÁMÝ ARGUMENT PŘEPÍNAČE. Hyperspektrální data pořízená tzv. obrazovou spektrometrií vyžadují také nové přístupy k jejich analýze. Tu lze rozdělit do následujících hlavních kroků, z nichž každý je stručně charakterizován dále: • • • • • •

kalibrace dat tvorba spektrálních knihoven vizualizace hyperspektrálních dat a knihoven spekter automatické porovnání spekter definování elementárních povrchů (tzv. endmembers) analýza a automatická klasifikace heterogenních pixelů

10.3.1 Kalibrace dat Na rozdíl od zpracování dat multispektrálních, kdy je možné klasifikovat jednotlivé druhy povrchů i z dat, jejichž hodnoty odrazivosti či jiné radiometrické charakteristiky jsou relativní (tedy například modifikované atmosférickými vlivy), v případě obrazové spektrometrie nabývají na významu atmosférické korekce. Jejich cílem je převést naměřená data, která obsahují charakteristiky celkového vyzařování objektů (angl. radiance), na data charakterizující odrazové vlastnosti objektů (angl. reflectance) - tedy data, z nichž jsou odstraněny např. radiační příspěvky atmosféry. Kalibraci dat lze obecně provést dvěma způsoby. První způsob nevyžaduje podpůrná data z pozemních měření a je založen na modelování příspěvků atmosféry. Takovým je například model ATREM. S jeho pomocí je možné odhadnout množství vodní páry v atmosféře a její účinek na změnu radiačních vlastností povrchů (ENVI Tutorial 1995). Uvedený model je možné získat na ftp serveru na adrese burn.colorado.edu (Using PCI Software 1997). Druhý možný způsob kalibrace spektrometrických dat spočívá ve využití pozemních meteorologických měření a metod regresní analýzy. 10.3.2 Tvorba spektrálních knihoven Tzv. spektrální knihovny mají v případě obrazové spektrometrie význam interpretačních klíčů. Spektrální příznaky, vypočítané v trénovací etapě procesu řízené klasifikace, mají platnost pouze pro danou scénu a daný proces klasifikace. Naproti tomu v případě obrazové spektrometrie kalibrovaná data obsahují údaje o absolutních hodnotách odrazivosti jednotlivých objektů či povrchů a lze jich využívat obecně jako určitých „vzorových“ spekter základních druhů minerálů, hornin rostlin atd. V současné době existují poměrně rozsáhlé spektrální knihovny, obsahující informace o základních druzích minerálů, rostlin či chemických sloučenin (obr. 10.4). Jednotlivé záznamy v knihovnách spekter jsou porovnávány s křivkami spektrálního chování, získanými z hyperspektrálního obrazu. Toto porovnání je založeno buďto na vizuálním srovnání obou spekter nebo na určitých matematických postupech (viz. dále). Systémy podporující zpracování hyperspektrálních dat dovolují také tvorbu vlastních spektrálních knihoven. 10.3.3 Vizualizace spektrálních knihoven a hyperspektrálních dat Běžným způsobem vizualizace záznamů ve spektrální knihovně je dvourozměrný graf (obr. 10.4), nesoucí na ose X vlnovou délku či číslo pásma a na ose Y odpovídající radiometrickou charakteristiku. Hyperspektrální data jsou nejčastěji vizualizována ve formě tzv. obrazové kostky (obr. 3.15). Graf spektrálního chování umožňuje definovat základní rysy studovaného spektra - například lokalizaci absorpčních pásů. Ty mívají charakteristické rysy, podle nichž lze rozpoznat druh spektra generovaného 185

DÁLKOVÝ PRŮZKUM ZEMĚ z hyperspektrálního obrazového záznamu. Protože jeden jediný pixel obrazu nemusí být typický pro daný objekt, graf spektrálního chování není většinou vytvářen jako spektrální profil takovým jediným pixelem hyperspektrálního obrazu, ale jako průměrný profil z okna zahrnujícího vedle daného pixelu také jeho okolí určité velikosti.

Obr. 10.Chyba! Neznámý argument přepínače. Příklady záznamů ze spektrální knihovny pro pět vybraných materiálů. Na ose X jsou vlnové délky, na ose Y normalizované hodnoty odrazivosti (R). (1 - smrkové jehličí, 2 - suchý travnatý povrch, 3 - listy vlašského ořechu, 4 - listy javoru, 5 - kaolinit) 10.3.4 Klasifikace tzv. „spektrálním úhlem“ (Spectral Angle Mapper) Uvedený algoritmus je založen na výpočtu míry podobnosti mezi testovaným spektrálním profilem z hyperspektrálního obrazu a spektrem z knihovny. Jako míry podobnosti je využito tzv. spektrálního úhlu, jehož princip je znázorněn na obr. 10.5.

Obr. 10.Chyba! Neznámý argument přepínače. Podstata klasifikace neznámého spektra metodou tzv. spektrálního úhlu pro dvě pásma hyperspektrálního obrazu. A - vektor známého spektra (např. z knihovny spekter), B - vektor spektra testovaného, β spektrální úhel; data v použitých pásmech jsou korigována na vlivy atmosféry a zastínění. Upraveno podle ENVI Tutorial (1995). 186

CHYBA! NEZNÁMÝ ARGUMENT PŘEPÍNAČE. Pro jednoduchost je zde úhel definován pouze pro dvě pásma hyperspektrálního obrazu, obecně však uvedený koncept funguje stejně pro větší počet pásem. Dvě pásma z hyperspektrálního obrazu tvoří osy pravoúhlého souřadného systému. Hodnoty pro určitý pixel představující zkoumaný povrch vyneseme ve dvou uvažovaných pásmech do grafu. Protože data byla podrobena atmosférické korekci, všechny pixely s nulovým osvětlením představující jakýkoliv povrch se nacházejí v počátku souřadné soustavy. Pixely stejného povrchu (např. minerálu), avšak různě osvětlené, budou tvořit přímku procházející počátkem. Totéž platí i pro známé spektrum (referenční), získané např. z knihovny spekter. Přímky definované neznámým spektrem a spektrem referenčním spolu svírají tzv. spektrální úhel, který lze použít jako míru podobnosti mezi testovaným a referenčním spektrem. Testované spektrum potom představuje ten povrch, jehož spektrum svírá se spektrem referenčním nejmenší spektrální úhel. Uvedená metoda pracuje pouze se směrem vektoru definovaným spojnicí počátku souřadné soustavy s pixelem s určitým nenulovým osvětlením (body A nebo B v obr. 10.5.). Nepracuje však s velikostí vektoru a není tudíž senzitivní na různé osvětlení zkoumaného materiálu, které může být způsobeno především efekty topografie. Uvedený fakt může být považován za přednost této metody oproti běžně používaným klasifikátorům. Testované spektrum je uvedeným způsobem porovnáváno s několika referenčními spektry. Pro každé z nich je generován výsledek ve tvaru rastru, v němž hodnota pixelu nese „spektrální úhel“ tj. úhlovou vzdálenost (např. v radiánech) mezi testovaným a referenčním spektrem. 10.3.5 Analýza heterogenních pixelů Jedním ze zjednodušujících předpokladů výše popsaných přístupů ke klasifikaci multispektrálního obrazu je, že v závislosti na prostorové rozlišovací schopnosti snímacího zařízení charakterizuje každý jeden obrazový prvek svoji hodnotou pouze jeden objekt či povrch. Ve skutečnosti se však do hodnoty každého pixelu promítá různé procentuální zastoupení několika povrchů. Například u obrazového záznamu ze skeneru TM s rozlišením 30 metrů snímajícího zastavěnou plochu se do výsledné DN hodnoty pixelu mohou promítnout odrazové vlastnosti střechy domu, trávníku, chodníku i části komunikace. Křivka spektrálního chování takovéhoto smíšeného či heterogenního pixelu (mixel - mixture element) je složena z jednotlivých „spektrálně čistých“ křivek elementárních povrchů tzv. endmembers. Jak uvádí CAMPBELL (1996) či UHLIR (1995), obrazová spektrometrie pracuje se spektrálně „čistou“ informací uloženou ve výsledné hodnotě každého pixelu. Vychází z předpokladu, že spektrální informace smíšeného pixelu vzniká lineární kombinací spektrálního chování všech obsažených elementárních povrchů, tak jak je naznačeno na fyzikálním modelu celého procesu na obr. 10.6. Uvedený model lineární kombinace (smíchání) spekter - tzv. mixing - předpokládá, že známe jak spektra jednotlivých elementárních povrchů, tak také jejich procentuální zastoupení v ploše pixelu. Z těchto údajů lze sestavit výsledné spektrum smíšeného pixelu. Analýza hyperspektrálních dat spočívá v obráceném procesu označovaném jako tzv. unmixing, kdy naopak známe spektra jednotlivých elementárních povrchů a spektrum výsledné, z nichž potom hledáme procentuální zastoupení jednotlivých elementárních povrchů.

187


R = 0,5 A + 0,2 B + 0,3 C Obr. 10.Chyba! Neznámý argument přepínače. Fyzikální model lineárního smíchání výsledného spektra heterogenního pixelu. Jeden pixel obrazu je tvořen třemi elementárními povrchy A,B,C s určitým zastoupením v ploše pixelu a se známým spektrálním chováním. Výsledná křivka spektrálního chování celého smíšeného pixelu R vzniká lineární kombinací spekter jednotlivých elementárních povrchů. Cílem analýzy heterogenních pixelů je tedy sestavit vhodný matematický model, pomocí kterého by bylo možné nalézt zastoupení jednotlivých elementárních povrchů ve výsledném spektru.Celý problém tedy předpokládá jednak definování elementárních povrchů (endmembers) a jednak určení jejich zastoupení ve výsledném spektru. Pokud budou splněny některé základní předpoklady týkající se především počtu elementárních povrchů, který musí být menší než počet pásem analyzovaného obrazu, dále součet všech koeficientů představujících zastoupení jednotlivých endmembers na ploše pixelu je roven jedné a také všechny koeficienty jsou kladné, potom matematický model lineárního smíchání výsledného spektra heterogenního pixelu lze schematizovat následovně:

kde:

n - počet elementárních povrchů m - počet zpracovávaných pásem Y - výsledné spektrum X - koeficienty určující zastoupení jednotlivých elementárních povrchů Z - spektrální chování n elementárních povrchů v m intervalech spektra (pásmech)

Hledané koeficienty jednotlivých elementárních povrchů lze nalézt řešením soustavy lineárních rovnic např. metodou nejmenších čtverců. Dalším omezujícím faktorem výše uvedeného modelu je požadavek odstranění vzájemné korelace mezi zpracovávanými 188

CHYBA! NEZNÁMÝ ARGUMENT PŘEPÍNAČE. pásmy obrazu (Using PCI Software 1997). Před vlastním zpracováním jsou proto hyperspektrální data podrobena např. analýze hlavních komponent. Pro řešení uvedeného modelu je tedy nutné znát jednotlivé elementární povrchy (endmembers) a jejich spektra. Jejich definování může být založeno na studiu podpůrných dat z pozemního průzkumu či pozemních spektrometrických měření apod. Vedle toho např. CAMPBELL (1996) nebo materiály k programovému vybavení na zpracování obrazu ENVI (ENVI Tutorial 1995) uvádějí i možnosti automatického generování elementárních povrchů pro analyzovaný hyperspektrální obrazový záznam a analýzy heterogenních pixelů (unmixing). Dále naznačený geometrický model lineárního smíchání výsledného spektra heterogenního pixelu je opět pro jednoduchost redukován na dvourozměrný prostor (dvě pásma analyzovaného obrazu). Obecně však funguje i pro prostor vícerozměrný.

Obr. 10.Chyba! Neznámý argument přepínače. Geometrický model lineárního smíchání. Vysvětlivky viz text, upraveno podle CAMPBELLA (1996) Na obr. 10.7 jsou v pravoúhlém systému souřadnic s osami tvořenými dvěma pásmy analyzovaného obrazu vyneseny hodnoty všech pixelů. Ty v našem případě vytvářejí obrazec přibližně ve tvaru trojúhelníka. Vrcholy tohoto trojúhelníka budou tvořit body A,B,C. I když obrazec vytvořený ze všech kombinací pixelů ve dvou uvažovaných pásmech by mohl vystihovat i jiný geometrický útvar o více vrcholech, cílem je vždy definovat útvar nejjednodušší (tzv. simplex). Počet vrcholů tohoto nejjednoduššího útvaru je o jeden větší než rozměrovost analyzovaného prostoru (v našem případě dvourozměrného prostoru tedy trojúhelník apod.). Tvar obrazce vytvořeného kombinací hodnot všech pixelů v analyzovaných pásmech však také může indikovat počet elementárních povrchů. Vrcholy trojúhelníka A,B,C tedy reprezentují spektrálně čisté, homogenní povrchy (endmembers). Ty přispívají různou částí ke spektrálnímu chování všech bodů uvnitř trojúhelníka. Spektrální chování (odezva) jakéhokoli pixelu uvnitř trojúhelníka je formováno lineární kombinací jednotlivých elementárních povrchů A,B,C. Jejich příspěvky ke spektrálnímu chování tohoto pixelu jsou kladné a jejich suma rovna jedné. Jak uvádí CAMPBELL (1996), body A,B,C zjištěné z analyzovaného obrazu představují pouze aproximaci spekter elementárních povrchů A’, B’, C’ z knihovny spekter. Pixely těchto spektrálně „čistých“ povrchů se však v analyzovaném obraze nemusí vůbec

189

DÁLKOVÝ PRŮZKUM ZEMĚ vyskytovat. K identifikaci nalezených elementárních povrchů může sloužit regresní a korelační analýza či výše uvedený způsob klasifikace tzv. spektrálním úhlem. Uvedené metody analýzy hyperspektrálních dat jsou v současné době předmětem intenzivního vývoje. Jejich úspěšná aplikace na konkrétní data závisí na mnoha předpokladech. Podle Using PCI software (1997) se tyto předpoklady týkají především správného výběru pásem hyperspektrálního obrazu, způsobu jejich předzpracování a nalezení správného počtu elementárních povrchů (problémem jsou jak chybějící elementární povrchy, tak i jejich větší počet). Mezi další předpoklady patří provedení atmosférických korekcí a převedení testovaných a referenčních spekter na stejné jednotky. Dostupnost hyperspektrálních obrazových dat je zatím omezena a naprostá většina systémů obrazové spektrometrie pracuje na letadlových nosičích pouze na území USA. Naproti tomu rozsáhlé knihovny spekter či modely pro atmosférickou korekci obrazových dat jsou přístupné v síti Internet. Zvláště knihovny spekter mohou mít význam i pro dokonalejší poznání spektrálního chování základních druhů povrchů a pro rozvoj metod automatické klasifikace multispektrálního obrazu. O rozvoji obrazové spektrometrie svědčí stále se rozrůstající počet aplikací v oborech jako jsou mineralogie, geologický či botanický průzkum, pedologie, vegetační studie v lesnictví či zemědělství a studium znečištěni životního prostředí (CURRAN 1994, CURRAN a KUPIEC 1995, ROBERTS et al. 1993, PARSONS 1994). Další informace o obrazové spektrometrii lze nalézt na adrese http://speclab.cr.usgs.gov/index.html Spektrální knihovny geologické služby spojených států (USGS) jsou volně k dispozici například na následujících Internetovských stránkách. http://speclab.cr.usgs.gov/browse.html http://speclab.cr.usgs.gov/spectral.lib04/spectral-lib04.html

190


11. Zjišťování změn pomocí materiálů DPZ 11.1 Podstata multitemporálního přístupu Jednou ze základních úloh geoinformatiky je inventarizace přírodních i antropogenních objektů či jevů v krajinné sféře. I když řadu těchto jevů lze považovat za statické, které se v čase nemění, či se mění pouze nepatrně, většina objektů a jevů podléhá časovým změnám. Obrazová data, pořizovaná distančními metodami, především z družic, lze pro dané místo získávat opakovaně - v určitých časových intervalech. Tato dat potom vytvářejí časovou řadu a bývají označována jako multitemporální. Detekce změn zahrnuje použití multitemporálních dat za účelem odhalení časových změn v krajině.Typ zjišťovaných změn může být značně široký od jevů krátkodobých, jako je například monitorování průběhu povodní, vývoje sněhové pokrývky v průběhu zimního období či sledování jednotlivých fenologických fází vývoje rostlin ve vegetačním období, až po jevy dlouhodobé, jako jsou změny ve využití půdy nebo procesy desertifikace. Základním předpokladem identifikace změn objektů v krajině pomocí údajů DPZ je existence změny v chování objektů či jejich vlastnostech, kterou zaznamená snímací zařízení (SINGH 1989). Tyto změny se pak projevují na obrazových materiálech získaných distančním měřením. Podle FERANCE (1992) je možné obecně vyčlenit tři základní skupiny změn objektů krajiny identifikovatelné pomocí údajů dálkového průzkumu: • • •

objekt si zachoval za sledované období téměř nezměněné spektrální charakteristiky, změny se týkají jenom jeho prostorových charakteristik, například se změnil jeho plošný rozsah u objektu došlo ke změně spektrálních charakteristik, zůstaly však zachované jeho prostorové charakteristiky, například došlo ke kvalitativní změně objektu za dané období došlo ke změně spektrálních i prostorových charakteristik objektu, například sledovaný objekt přestal existovat a je nahrazen jiným

Uvedené typy změn jsou v dálkovém průzkumu studovány prostřednictvím změn ve spektrálním chování objektů a jejich stavů. Stejný objekt či jeho stav zachycený na dvou či více obrazech z různých okamžiků vykazuje různé hodnoty naměřené radiometrické charakteristiky - například jiné množství odraženého nebo emitovaného záření. Tento rozdíl ve spektrální charakteristice může mít řadu příčin a pouze některé jsou těmi, které se snažíme odhalit. Jiné hodnoty odrazivosti u stejného objektu mohou být způsobeny například pouze rozdílnou vlhkostí objektu v jednotlivých časových okamžicích, různou geometrií pohledu či odlišným osvětlením scény. V procesu zjišťování časových změn je velmi důležité rozpoznat změny podstatné, které hledáme, od změn nepodstatných, způsobených pouze změnou dynamických parametrů. Podle JENSENA (1986) by v ideálním případě data k multitemporální analýze měla splňovat následující podmínky: • obrazy tvoří chronologicky uspořádanou řadu nejméně dvou členů • obrazy jsou pořízeny analogickým snímacím zařízením, které má pravidelnou periodu přeletů a zaznamenává stejnou část zemského povrchu • obrazy jsou pořízeny ve stejnou denní a roční dobu 191

DÁLKOVÝ PRŮZKUM ZEMĚ • •

data jsou pořízena ve stejném měřítku, pod stejným úhlem záběru a jsou eliminovány vlivy reliéfu na radiační hodnoty objektů data jsou pořízena ve stejných spektrálních pásmech a se stejným radiometrickým rozlišením

Uvedené podmínky definují vhodná data pro studium časových změn z hlediska měřící aparatury. K eliminování nepodstatných změn je však nutné vzít v úvahu i vlivy okolního prostředí. Sem patří především vlivy atmosféry. Oblačnost, vlhkost či kouřmo výrazně ovlivňují měřenou charakteristiku a v řadě případů jsou pro možnost následného porovnání dvou a více obrazů nutné atmosférické korekce jednotlivých obrazů. Druhým důležitým faktorem vnějšího prostředí ovlivňujícím hodnoty radiometrické charakteristiky jsou vlhkostní poměry studovaného území. Jak plyne z teorie spektrálního chování objektů, voda je téměř všudypřítomnou látkou a její přítomnost často výrazně modifikuje spektrální chování jiných objektů. Porovnání obrazů stejného území pořízených za odlišných vlhkostních podmínek budou také produkovat značné množství nepodstatných změn jednotlivých objektů, zvláště pokud je předmětem zájmu vegetační složka krajiny. V případě vegetace může být časový nástup jednotlivých fenologických fází rostlin v jednotlivých rocích značně rozdílný, takže ani použitím snímků ze stejného data nezamezíme vzniku dalších nepodstatných změn, například při prostém odečtení dvou obrazů. 11.2 Techniky analýzy analogových multitemporálních dat Techniky analýzy analogových multitemporálních dat DPZ zahrnují především vizuální porovnání snímků nebo interpretačních schémat. Oproti dále uvedeným metodám analýzy digitálních dat jde obecně o metody časově náročnější, jejichž další nevýhodou je, že výsledky nelze přímo kvantifikovat. Na druhé straně lze v procesu vizuální interpretace porovnávat daleko větší množství interpretačních znaků, než v případě automatického porovnání obrazů. Metody využívající digitálního zpracování jsou v současnosti založeny především na porovnávání odpovídajících si obrazových prvků ve studovaných obrazech („per-pixel“) a neposuzují chování objektů například z hlediska kontextu (okolí objektů), tvaru objektů či jejich polohy. Právě v možnosti hodnotit i takovéto interpretační znaky jsou výhody analogového přístupu v porovnávání obrazových dat. Pro další použití výsledků vizuálního porovnání či interpretace obrazů, například jako vstupu do GIS, je nutné jejich převedení do digitální podoby. 11.3 Techniky analýzy digitálních multitemporálních údajů DPZ Analýza multitemporálních dat v digitální formě má oproti analogové formě řadu výhod. Vzhledem k charakteru rastrových dat lze poměrně jednoduchými technikami získat přehled o změnách v krajině mezi dvěma či více obrazy poměrně jednoduchým a rychlým způsobem. Digitální forma navíc umožňuje zjištěné změny snadno kvantifikovat. Nutnou podmínkou časové řady několika obrazových záznamů nebo snímků, použitých k detekci změn, je jejich přesná geometrická korekce. Ta by se měla pohybovat v přesnosti 1/2 až 1/4 velikosti pixelu (LILLESAND a KIEFER 1994). V případě větší chyby v registraci bude v procesu porovnání obrazů opět generováno velké množství tzv. „nepravých“ změn. Ty mají často vzhled linií podél hranic homogenních oblastí.

192

CHYBA! NEZNÁMÝ ARGUMENT PŘEPÍNAČE. V dalším textu je uveden přehled nejběžnějších metod k určování změn z digitálních obrazových záznamů. 11.3.1 Diference (rozdíl) obrazů Podstatou této techniky je odečítání DN hodnoty jednoho obrazového záznamu od druhého u odpovídajících si obrazových prvků. Výsledkem jsou kladné nebo záporné hodnoty v oblastech se změnou radiačních charakteristik a nulové hodnoty v oblastech beze změny. Radiační hodnoty obrazového prvku nabývají obvykle hodnot 0 až 255. Potom tedy potenciální rozpětí výsledných hodnot je od -255 do +255. Výsledky jsou proto většinou upraveny do kladných hodnot přičtením určité konstanty. Matematicky lze rozdíl dvou obrazů vyjádřit následovně: di,j,k = DNi,j,k (1) - DNi,j,k (2) + c kde

di,j,k - hodnota změny obrazového elementu DNi,j,k (1) - radiační hodnota prvního snímku DNi,j,k (2) - radiační hodnota druhého snímku i,j - souřadnice obrazového elementu (řadek, sloupec) k - spektrální pásmo c - konstanta

Uvedenou technikou lze získat obraz změn pro každé spektrální pásmo. Vypočtené hodnoty mají ve výsledném obraze přibližně normální rozdělení, kde pixely nevykazující změnu jsou soustředěny kolem průměru a mají nejvyšší četnosti. Pixely vykazující podstatné změny tvoří okraje normálního rozdělení (obr. 11.1). Kritickým prvkem této metody je určení prahových hodnot mezi změněnými a nezměněnými obrazovými elementy. Jako mezní hodnoty je možné například testovat násobky směrodatné odchylky. Jak uvádí JENSEN (1986), nutnou podmínkou pro úspěšné nalezení prahových hodnot je detailní znalost studovaného území.

Obr. 11.Chyba! Neznámý argument přepínače. Příklad histogramu obrazového záznamu, který vznikl jako rozdíl dvou původních obrazů: 1 - oblasti maximálních změn v hodnotách pixelů, 2 - oblast nepodstatných změn, f - četnost pixelů dané hodnoty, x aritmetický průměr

193

DÁLKOVÝ PRŮZKUM ZEMĚ 11.3.2 Obrazové podíly Technika podílů dvou spektrálních pásem je oproti předchozímu postupu výhodná v tom, že eliminuje změněné podmínky snímání, například změny v poloze Slunce. Tyto se často také projeví změnami spektrálních charakteristik, většinou však nejsou změnami, které jsou předmětem zájmu (WILLIAMS 1995). Vyloučením těchto vedlejších vlivů se zvyšuje pravděpodobnost přesnějšího určení podstatných změn sledovaných objektů. Matematické vyjádření obrazových podílů je následující: d i , j ,k =

DN i , j ,k (1) DN i , j ,k (2)

kde význam symbolů je analogický jako v předchozím případě. Metoda je založena na faktu, že pixel, který se mezi oběma časovými okamžiky nezměnil, bude mít stejnou hodnotu v obou snímcích a výsledný podíl tedy bude 1,0. Pixely, u nichž došlo za sledované období ke změnám, budou mít hodnotu poměru větší nebo menší než 1,0. Pixely ve výsledném podílovém obrazu budou mít opět normální rozdělení a největší změny se budou koncentrovat na obou koncích histogramu. Kritickým bodem je opět nalezení hraniční hodnoty mezi obrazovými elementy změněnými a nezměněnými. Výběr prahových hodnot je opět věcí empirie. Obě výše uvedené metody zjišťování časových změn často dávají lepší výsledky, použijí-li se namísto původních pásem multispektrálního obrazu pásma transformovaná, jejichž DN hodnoty nesou tzv. ordinální data - tedy data, která lze setřídit podle určitého hlediska majícího vztah k hledaným změnám. Například při studiu změn ve zdravotním stavu vegetace či změn v plošném rozsahu ploch s vegetací mohou být takovými vhodnými daty například hodnoty tzv. spektrálních (vegetačních) indexů.

11.3.3 Regresní závislost dvou obrazů Tato metoda předpokládá, že každý obrazový prvek prvního obrazu je lineární kombinací stejného obrazového prvku z druhého obrazu. Pak je možné metodou nejmenších čtverců stanovit pro každý pixel určitou „teoretickou“ hodnotu, jakou by měl nabývat ve druhém obraze, a vytvořit rozdílový obraz, vypočtený jako prostou diferenci hodnot korespondujících pixelů v prvním obraze a v obraze „teoretickém“. Stejně jako v předchozích případech je podstatným bodem použití této metody nalezení hranice mezi změnami podstatnými a nepodstatnými. Výhodou metody je, že efekty rozdílné výšky Slunce či atmosférické efekty jsou do jisté míry eliminovány. Její výsledky bývají často lepší než u metody obrazových rozdílů (SINGH 1989). 11.3.4 Multitemporální barevná syntéza Velmi jednoduchou metodou zjištění časových změn ve studovaném území je vizualizace jednotlivých obrazů v barevném systému RGB. Tato metoda je vhodná především pro porovnání tří členů časové řady, je ji však možné použít i pouze pro dva obrazy. Pokud jsou hodnoty odpovídajících si pixelů v jednotlivých porovnávaných obrazech stejné, v systému RGB budou takovéto části obrazu znázorněny určitým stupněm šedi, budou-li však odlišné výsledkem bude určitý barevný odstín. Ten potom indikuje určitou změnu v dané části obrazu a do jisté míry také charakter změny. Pokud v dané části obrazu dojde ke změně povrchu s vegetací na povrch s holou půdou, bude v barevné multitemporální syntéze tato změna indikována jinou barvou, než změna opačná, kdy se z holé půdy stal povrch pokrytý vegetací. Přiřazení jednotlivých typů změny určitým barevným odstínům v multitemporální syntéze je však často 194

CHYBA! NEZNÁMÝ ARGUMENT PŘEPÍNAČE. problematické. Výsledek této metody je do značné míry ovlivněn výběrem vhodných pásem do barevné syntézy. Původní pásma jsou často nahrazována pásmy transformovanými, například hlavními komponentami či hodnotami vegetačního indexu. 11.3.5 Porovnání výsledků klasifikace Metoda je založena na nezávislé klasifikaci dvou nebo více obrazů stejného území z různých období. Klasifikace je provedena podle stejného klasifikačního schématu. Dva nezávislé výsledky klasifikace ve formě tématických map jsou poté porovnány. Výsledkem může být opět tématická mapa zachycující nejen oblasti změn, ale i podstatu změny. Přesnost této techniky samozřejmě závisí na přesnosti každé klasifikace jednotlivých obrazů. Je-li například přesnost jednotlivých klasifikací dvou obrazů 80 %, potom výsledný porovnávaný obraz má přesnost pouze 64 %. To je velkým problémem především při klasifikaci vysoce urbanizovaných území, která jsou heterogenní z hlediska spektrálního chování, a značná část obrazových elementů představuje „smíšené“ povrchy, které snižují přesnost výsledné klasifikace (DOBROVOLNÝ a PETROVÁ 1996). I když proces klasifikace obrazu lze do značné míry zautomatizovat, často je z důvodů řady vnějších vlivů problematické získat porovnatelné výsledky klasifikace dvou obrazů z různých období. Výsledek porovnání lze prezentovat v tabelární podobě s kvantifikováním jednotlivých druhů změn, ale i v obrazové podobě např. tématické mapy, která ukazuje všechny typy přechodů mezi původními a novými třídami. Zjistit změny ve dvou nebo více obrazových záznamech lze provést také klasifikací vlastních multitemporálních dat. Jako jednotlivá pásma do této klasifikace tedy vstupují obrazové záznamy z jednotlivých termínů. Výsledkem takovéto klasifikace jsou již přímo kategorie popisující třídy změn namísto jednotlivých druhů povrchů. Tento přístup je založen na faktu, že třídy změn budou mít jiné spektrální chování ve vícerozměrném prostoru než třídy, ve kterých ke změnám nedošlo, a bude je tedy možné vyčlenit jedním z běžně užívaných klasifikátorů. V tomto případě tedy studujeme časový aspekt spektrálního chování objektů či jevů. Nevýhodou tohoto přístupu je, že produkuje značné množství tříd změn a je na zpracovateli, aby rozhodl, které třídy představují podstatnou změnu např. v druzích povrchů a které třídy jsou pouze vyjádřením odlišných vnějších podmínek (např. osvětlení scény) při vzniku jednotlivých obrazových záznamů. Jak uvádí SINGH (1989), uvedeným přístupem lze například získat třídy změn zdravotního stavu vegetace apod. Důležitým krokem tohoto přístupu je zvolení vhodných pásem z jednotlivých časových okamžiků. Původní pásma je často vhodné transformovat například na hodnoty vegetačního indexu či metodou analýzy hlavních komponent redukovat počet vstupních pásem do několika hlavních komponent obsahujících podstatnou informaci z původních pásem 11.3.6 Analýza vektoru spektrální změny Metoda analýzy vektoru spektrální změny je založena na stejném principu jako obrazové rozdíly a předpokládá, že změna objektů v krajině se projeví změnou jejich spektrálních charakteristik. Grafické vyjádření principu metody je na obr. 11.2. Dvě proměnné (například data ze dvou pásem nebo spektrální indexy) tvoří pravoúhlou soustavu souřadnic. Hodnoty těchto proměnných jsou v grafu vykresleny pro stejný pixel v obou časových horizontech. Spojnice obou bodů se nazývá vektor spektrální změny 195

DÁLKOVÝ PRŮZKUM ZEMĚ (Spectral change vector) a popisuje jak velikost, tak charakter změny ve spektrálním chování objektu mezi oběma časovými horizonty (SINGH 1989).

Obr. 11.Chyba! Neznámý argument přepínače. Princip metody vektoru spektrální změny. Vysvětlivky viz text. Velikost změny je definována jako velikost vektoru a vypočítá se pomocí Pythagorovy věty z následujícího vztahu: V = ( DN 1(T1) − DN 1(T 2)) 2 + ( DN 2(T1) − DN 2(T 2)) 2 kde V - velikost vektoru -hodnota pixelu ve výsledném obraze DN1 -DN hodnota pixelu v prvním použitém pásmu DN2 -DN hodnota pixelu v druhém použitém pásmu T1 - první zpracovávané datum T2 - druhé zpracovávané datum K nalezení podstatných změn je opět nutné definovat určitou prahovou hodnotu, která nalezené změny dělí na podstatné a nepodstatné. Charakter nebo typ změny je popsán směrem vektoru a lze ho určit jako úhel, který svírá vektor spektrální změny s určitým počátečním směrem - například s osou Y. Směr vektoru změny bude pro určitý typ změny typický.

11.4 Techniky ke zlepšení výsledků multitemporální analýzy Jak již bylo zmíněno u výše uvedených algoritmů, pro konečný úspěch analýzy časových změn je často nutné vstupní data určitým způsobem předzpracovat. Podle práce PIWOWARA a LeDREWA (1995) k těmto předzpracováním patří především následující skupiny operací: a) Nízkofrekvenční filtrace. Běžným typem předzpracování před detekcí změn v digitálních obrazech je jejich zhlazení např. průměrovým filtrem. Tento typ zpracování zvýrazní homogenní plochy na úkor detailů na snímcích. Výhodné je použít filtrů zachovávajících hrany na snímku.

196

CHYBA! NEZNÁMÝ ARGUMENT PŘEPÍNAČE. b) Texturní transformace. Textura je důležitým interpretačním znakem při analogové interpretaci a její zpracování může zlepšit možnosti detekcí změn. Hlavní předností studia textury je to, že může být měřítkem heterogenity nebo homogenity zjištěných tříd změn. Posuzování samotné textury je však nedostatečné při hodnocení přirozeně heterogenních tříd jako je vegetace nebo zastavěné plochy. c) Analýza hlavních komponent. Metoda, která lineárními transformacemi setřídí N vstupních pásem multispektrálních dat do nových N nekorelovaných výstupních pásem (hlavních komponent) tak, že první komponenta nese nejvíce informací obsažených v původních datech a množství informací v dalších komponentách se progresivně zmenšuje. Díky této vlastnosti je možné při zjišťování změn použít nejinformativnější obraz a tak výrazně zmenšit rozměrovost vstupních dat bez podstatné ztráty informace. 11.5 Příklady využití multitemporální analýzy obrazových záznamů Základem využití obrazových materiálů získaných distančními metodami ke studiu časových změn je schopnost (především družicových systémů) poskytovat obrazová data určitého území opakovaně, navíc při zachování vnitřních parametrů celého měřícího systému. Tato schopnost snímat po určitém časovém intervalu stejné území může nabývat značně rozdílných hodnot, a tudíž také možnosti využití družicových dat ke studiu dynamiky jevů jsou značně široké. V případě meteorologických družic jsou obrazové záznamy stejného území poskytovány například každých 30 minut (METEOSAT) či každý den (NOAA). Značné procento aplikací obrazových materiálů z uvedených systémů v synoptické meteorologii využívá multitemporálního přístupu. Dynamika jevů, které lze z obrazových záznamů studovat, může být značně rozdílná - od synoptických procesů v atmosféře či průběhu povodní, které se mohou odehrávat v časové škále několika hodin až po postupné evoluční změny, jako jsou například procesy desertifikace, změny ve využívání země apod. Obrazové materiály z některých senzorů (např. LANDSAT MSS) jsou v současné době k dispozici v časové řadě dlouhé více jak 25 let. Obrazových záznamů z družic NOAA bylo použito k sestavení časových změn v plošném rozsahu sněhové a ledové pokrývky na severní polokouli (PIWOWAR a LeDREW1995). Protože právě kryosféra je citlivým indikátorem výkyvů klimatického systému, uvedená data představují cenný materiál pro studium možné globální klimatické změny. Obrazových záznamů z několika časových horizontů pořízených družicí LANDSAT TM využili ke studiu časových změn plošném rozsahu a ve zdravotním stavu lesních porostů Šumavy a Krušných hor například KEIL et al (1992) a ŠÍMA (1995), podobnou problematiku pro území Jizerských hor zpracovával KOLÁŘ (1997). Velké množství prací bylo věnováno také studiu změn v tzv. suburbánních oblastech z obrazových materiálů. Okrajové části městských aglomerací patří mezi nejdynamičtěji se rozvíjející oblasti a právě letecké či družicové snímky poskytují velmi vhodný materiál pro hodnocení procesů, které zde probíhají. Uvedenou problematikou se zabývali u nás např. PETROVÁ (1996), DOBROVOLNÝ a PETROVÁ (1996), ze zahraničních prací lze jmenovat například práce FOSTER (1991), BOCCO a SANCHEZ (1995) nebo FRIEDMAN a ANGELICI (1979).

197


12. Možnosti modelování s obrazovými daty DPZ Obrazové materiály získané distančními metodami obsahují velké množství informací o různých jevech a procesech probíhajících na zemském povrchu či o řadě specifických vlastností objektů. Jak vyplývá z výše uvedeného přehledu základních postupů digitálního zpracování obrazu, informace o řadě těchto jevů, procesů či vlastností je nutné z původních nezpracovaných dat vhodnými postupy zvýraznit či vymezit postupy klasifikace. Některé z obecných postupů (např. analýza hlavních komponent) byly naznačeny v kapitolách 8 a 9. Existuje však velké množství dalších algoritmů, které zvýrazňují specifické jevy v obraze, některé biologické či fyzikální vlastnosti objektů a podobně. Obrazová data pořízená systémy DPZ jsou dnes používána v tak rozdílných aplikacích, jako je například studium zdravotního stavu vegetace, měření defoliace, odhad výnosů zemědělských plodin, odhady půdní vlhkosti, určování výšky vodního sloupce, odhad koncentrací škodlivin, zjišťování výskytu některých minerálů, měření tzv. radiační teploty, zjišťování prvků radiační bilance, odvozování hodnot nejrůznějších meteorologických prvků atd. Cílem uvedených operací je tedy obecně sestavit model, který data získaná metodou dálkového průzkumu dává do kvalitativního, ale často i kvantitativního vztahu s biologickými či fyzikálními vlastnostmi objektů či jevů na zemském povrchu. Jak uvádí LILLESAND a KIEFER (1994), vztah mezi daty získanými distančním snímáním a výše uvedenými parametry lze vyjádřit pomocí tří následujících přístupů: a) Fyzikální modelování. Je založeno na matematických postupech, kterými se kvantifikují všechny parametry ovlivňující měřenou radiometrickou charakteristiku, jakými jsou například vzdálenost Slunce - Země, azimut Slunce, atmosférické efekty nebo geometrie pohledu. Snahou je zde obdržet absolutní hodnoty odrazivosti objektů, nemodifikované výše uvedenými jevy. b) Empirické modelování. V tomto přístupu je kvantitativní vztah mezi daty DPZ a biofyzikálními parametry objektů formulován většinou na základě regresní závislosti, sestavené mezi daty získanými pozemním měřením zkoumaných veličin a obrazovými daty z družice, v nichž lze polohu pozemních měření přesně lokalizovat. Může jít například o pozemní měření kvality vody. c) Kombinovaný přístup. Zahrnuje například přepočet hodnot pixelů na absolutní hodnoty a poté jejich korelační a regresní analýzu s pozemními měřeními. Současné možnosti modelování výše uvedených parametrů pomocí dat DPZ jsou téměř nepřeberné (DANSON a PLUMMER eds. 1995). Jako příklad jsou dále zmíněny některé z postupů zvýrazňujících především vegetační složku krajiny. V závěru jsou potom naznačeny možnosti určování některých dalších vlastností povrchů. 12.1 Spektrální indexy Spektrální (někdy též vegetační) indexy zahrnují skupinu poměrně jednoduchých aritmetických operací s dvěma či více pásmy multispektrálního obrazu, jejichž cílem je na základě znalosti spektrálního chování zvýraznit například vegetační složku v obraze. Některé z nich však vypovídají i o vlastnostech půdního substrátu. Za určitých předpokladů lze těchto indexů využít i k určování kvantitativních ukazatelů, jako je množství (hmotnost) zelené biomasy v ploše pixelu apod. 198


Obr. 12.Chyba! Neznámý argument přepínače. Odrazivost zelené vegetace (A), suché půdy (B) a usychající vegetace (C) ve viditelné a infračervené části elektromagnetického spektra. R - odrazivost v procentech, λ - vlnová délka v mikrometrech. Koncept spektrálních indexů vychází z typického spektrálního chování vegetační složky krajiny, které je znázorněno na obr. 12.1. Podle tohoto konceptu odráží zdravá, nepoškozená vegetace 40 až 50 % dopadajícího záření v blízké infračervené části spektra (0,7 až 1,1). V důsledku pohlcování záření chlorofylem je ve viditelné oblasti (0,4 až 0,7) odrazivost vegetační složky krajiny pouze 10 až 20 % (BARRETT a CURTIS 1976). Indexy potom dávají do vztahu hodnoty odrazivosti v těchto dvou částech spektra. Jak již bylo uvedeno výše, ve spektrálním chování vegetace se odráží i různé fyziologické stresy rostlin, obsah vody, chemické či mechanické poškození, ale například i fenofáze. I tyto procesy lze spektrálními indexy postihnout. V literatuře lze nalézt velké množství algoritmů pro výpočet různých indexů. Jak však uvádí JENSEN (1986) většina z nich podává obdobnou informaci a je tedy možné říci, že jsou funkčně ekvivalentní a pro praktické využití jich postačuje několik. Ty nejpoužívanější jsou tvořeny dvěma skupinami: • tzv. poměrové indexy • tzv. ortogonální indexy

12.1.1 Poměrové indexy Poměrové indexy dávají do vztahu jednoduchým nebo normalizovaným poměrem odrazivost povrchů v červené viditelné a blízké infračervené části spektra. Příklady těchto indexů sestavených např. pro data LANDSAT TM (TM-3 - odrazivost v červené viditelné části spektra, TM-4 - odrazivost v blízké infračervené části spektra) mohou být následující: 199

DÁLKOVÝ PRŮZKUM ZEMĚ Jednoduchý poměrový vegetační index (RVI - Ratio Vegetation Index): RVI =

TM 4 TM 3

Normalizovaný diferenční vegetační index (NDVI - Normalized Difference Vegetation Index): NDVI =

TM 4 − TM 3 TM 4 + TM 3

Transformovaný vegetační index (TVI - Transformed Vegetation Index): TVI = SQRT

[

TM 4 − TM 3 + 0.5 TM 4 + TM 3

]

Podílové indexy mají výhody i nevýhody výše popsaných obrazů vzniklých poměrem dvou pásem (kapitola 8.3.5). Výpočet vegetačních indexů byl jednou z metod hodnocení zdravotního stavu lesních porostů v pohraničních horských oblastech Německa, Polska a České republiky - tzv. „černý trojúhelník“ - (HÄUSLER, ed.1995). I když NDVI byl původně aplikován především na data z družic LANDSAT, doznal významné využití i při inventarizaci vegetační složky v menších měřítcích, které je prováděno z družic NOAA skenerem AVHRR, kde se NDVI se počítá jako normalizovaný podíl prvého a druhého pásma AVHRR. Technické parametry družic NOAA a skeneru AVHRR (prostorové rozlišení 1,1 km) předurčují použití hodnot NDVI pro studie dynamických jevů v globálním měřítku. Typické hodnoty NDVI pro data z družice NOAA-7 uvádí tabulka 12.1.

Tab. 12.1 Typické hodnoty NDVI pro vybrané druhy povrchů vypočtené pro data družice NOAA-7 (převzato z práce WILLIAMS 1995) Druh povrchu Velmi hustá vegetace Středně hustá vegetace Řídká vegetace Holá půda Oblačnost Sníh a led Voda

NDVI 0,500 0,140 0,090 0,025 0,002 -0,046 -0,257

Hodnoty NDVI se mohou pohybovat v intervalu (-1,+1) a korelují především s obsahem zelené hmoty v ploše pixelu. Hodnoty NDVI pro určité povrchy prodělávají i typické změny v průběhu roku čehož lze využít v celé řadě zejména zemědělských a lesnických aplikací. Z hodnot NDVI vypočtených z dat skeneru AVHRR jsou sestavovány přehledové mapy stavu vegetace. Pro sestavování těchto družicových map je důležité především odlišení zemského povrchu a oblačnosti. V případě snímků z družic NOAA lze k tomuto využít jak analýzy histogramu založené na metodě prahování, tak výpočtu tzv. radiační teploty z termálních pásem skeneru AVHRR. (BAKKER et al 1997; EIDENSHINK 1992). Výsledné mapy NDVI jsou sestavovány většinou jako tzv. 10 denní kompozice maxim NDVI, kdy výsledná mapa vznikne superpozicí map NDVI z 10 předcházejících dnů. Do výsledné mapy je vždy zaznamenána maximální hodnota každého pixelu. Vychází se z předpokladu, že v periodě 10 dní se v ploše každého pixelu alespoň jednou neobjeví

200

CHYBA! NEZNÁMÝ ARGUMENT PŘEPÍNAČE. oblačnost a tudíž zaznamenaná hodnota je hodnotou NDVI pro zemský povrch. Ukázky takto sestavených map indexu NDVI lze nalézt na Internetu na těchto adresách: http://edcwww.cr.usgs.gov/landdaac/comp10d.html http://sun1.cr.usgs.gov/landdaac/1KM/1kmhomepage.html Poměrové vegetační indexy mohou významně korelovat s některými dalšími parametry vegetační složky krajiny. Jedním z takovýchto ukazatelů je tzv. index listové pokryvnosti (LAI - leaf area index). Je to celková plocha horní strany listů na horizontální jednotku plochy (DANSON 1995). LAI může být kvantitativním ukazatelem celkové listové plochy, která v dané vegetační formaci může absorbovat záření potřebné pro procesy fotosyntézy. Uvedené poměrové indexy mohou být počítány z dat všech systémů, které poskytují obrazové záznamy ve viditelné červené a blízké infračervené části spektra. Hodnoty těchto indexů z různých měřících systémů, avšak i hodnoty indexů vypočtené ze stejného měřícího systému, ale z obrazových dat z různých termínů, však nejsou porovnatelné (PRICE 1986). Jde o data relativní a jejich hlavní předností je, že v určité ordinální škále řadí hodnoty pixelů například podle obsahu biomasy. V případě, že vstupní data jsou korigována na všechny vnější vlivy, především na vlivy atmosférické, lze hodnoty indexů vzájemně porovnávat v absolutních hodnotách a také kvantifikovat vybrané vlastnosti vegetačního krytu. Jak uvádí např. CURRAN a KUPIEC (1995), takovými jsou například hodnoty indexů vypočítané z dat poskytovaných obrazovou spektrometrií. Vedle již uvedených aplikací jsou poměrové indexy vhodným nástrojem také ke studiu zdravotního stavu vegetace, časových změn a průběhu fenofází, odhadům výnosů zemědělských plodin, odhadům vodního stresu rostlin atd. 12.1.2 Ortogonální indexy Ortogonální indexy jsou počítány jako lineární kombinace původních pásem multispektrálního obrazu. Jsou tedy založeny na stejném principu jako např. analýza hlavních komponent. Pokud původní pásma multispektrálního obrazu vytvářejí určitý vícerozměrný prostor, potom vhodnou rotací souřadnic tohoto prostoru lze zdůraznit určitou informaci obsaženou v původním obraze. V tomto případě jde o zvýraznění vegetační složky krajiny, ale i některých vlastností půdního substrátu - například vlhkosti půdy apod. Řada algoritmů automatického zpracování obrazu založených na teorii tzv. spektrálního chování předpokládá, že každý pixel podává informaci o homogenním povrchu (z hlediska jeho spektrálního chování). Ve skutečnosti tomu tak není a například v případě zemědělské krajiny velká část obrazových prvků nese spektrálně smíšenou informaci jak o vegetačním krytu, tak i o půdním substrátu. Pomocí indexu označovaného jako PVI (perpendicular vegetation index) lze do značné míry separovat právě odrazivost vegetace a půdního substrátu. Výpočet tohoto indexu je založen na principu znázorněném na obr. 12.2. Ze spektrálního chování půdy nepokryté vegetací plyne, že její odrazivost v červené viditelné a blízké infračervené části spektra vykazuje kladnou korelaci a hodnoty pro různé vzorky holé půdy vynesené do dvourozměrného grafu na obr. 12.2. mají tendenci vytvářet přímku - tzv. linii půd (soil line). Pixel A tak může reprezentovat vlhkou, pixel E naopak suchou půdu. Rovnice přímky reprezentující linii půd lze sestavit například metodou nejmenších čtverců ze vztahu:

201

DÁLKOVÝ PRŮZKUM ZEMĚ NIR P = a ⋅ RED p + b kde

NIRP - odrazivost půdy v blízké infračervené části spektra REDP - odrazivost půdy v červené viditelné části spektra a, b - koeficienty rovnice přímky

V případě spektrálního chování vegetace je však odrazivost vysoká v blízkém infračerveném pásmu a naopak daleko nižší v pásmu viditelném. Pixely, na jejichž odrazivosti se v různé míře podílí vegetace, se budou v grafu umísťovat nad uvedenou linii půd. Kolmou vzdálenost daného pixelu od linie půd definovali RICHARDSON a WEIGAND (in CAMPBELL 1996) jako tzv. PVI (Perpendicular Vegetation Index): PVI =

kde

( RED

− REDV ) + ( NIR P − NIRV ) 2

P

2

NIRP - odrazivost půdy v blízké infračervené části spektra REDP - odrazivost půdy v červené viditelné části spektra NIRV - odrazivost vegetace v blízké infračervené části spektra REDV - odrazivost vegetace v červené viditelné části spektra

Na hodnoty uvedeného indexu mají velký vliv takové vlastnosti půdního substrátu jako vlhkost půdy či drsnost povrchu. Koeficienty rovnice linie půdy i hodnoty indexu PVI mají tedy časově i místně omezenou platnost.

Obr. 12.Chyba! Neznámý argument přepínače. Princip tzv. perpendicular vegetation index (PVI). RED - odrazivost v červené viditelné části spektra, NIR - odrazivost v blízké infračervené části spektra. A,C,E - linie půdy, B,D - pixely s různým zastoupením vegetace. Vzdálenost od linie půdy určuje hodnotu PVI. Upraveno podle CAMPBELL (1996) Druhým příkladem hojně využívané lineární transformace je transformace "TASSELED CAP". Původně byla tato transformace navržena pro pásma skeneru MSS, lze ji však aplikovat i na pásma skeneru TM. Podobně jako v případě analýzy hlavních komponent jsou z původních pásem multispektrálního obrazu vypočtena lineární kombinací pásma nová, která mohou vhodně zvýrazňovat určité biofyzikální vlastnosti povrchů. V případě šesti pásem z LANDSAT TM (mimo pásma termálního) je touto transformací získáno 6 nových transformovaných pásem (např. TC1 až TC6) a podstatné množství informace z původních pásem je koncentrováno do prvních dvou (tří) pásem transformovaných. Přitom koeficienty transformačních rovnic jsou určeny tak, aby každé z nově vypočtených pásem zvýrazňovalo určitou specifickou informaci 202

CHYBA! NEZNÁMÝ ARGUMENT PŘEPÍNAČE. korelující s určitými vlastnostmi půdy a vegetace (CAMPBELL 1996). Pásma TC1 a TC2 tak většinou obsahují kolem 90 % informace z pásem původních a definují rovinu, v níž jsou zvýrazněny rozdíly ve spektrálním chování vegetačního krytu a půdního substrátu a ve které lze také sledovat časové změny ve spektrálním chování vegetace. Hodnoty odpovídajících si pixelů z prvních dvou transformovaných pásem vynesené do dvourozměrného grafu vytvářejí charakteristický obrazec, podle kterého celá transformace dostala název (Tasseled Cap - čepice Santa Clause) - viz. obr. 12.3. Pásmo TC1 je orientováno ve směru maximálního rozptylu hodnot odrazivosti půdy a označuje se jako index „Brightness“, druhé pásmo (TC2) je kolmé k ose první a je orientováno ve směru největšího kontrastu mezi viditelnou a blízkou infračervenou částí spektra. Je tedy ukazatelem množství zelené hmoty - (index „Greenness“). Třetí pásmo (TC3) je označováno jako index „Wetness“ a koreluje s vlhkostí půdy a vegetace. Ostatní transformovaná pásma (TC4-TC5) často představují pouze šum v obraze a nekorespondují s určitými vlastnostmi půdy či vegetace (WILLIAMS 1995). Někdy však mohou nést jistou informaci o atmosférických vlivech jako jsou mlha, kouřmo či zákal. Například koeficient TC4 vypočítaný z dat LANDSAT TM je někdy označován jako „Haze“ index (MORAIN, BAROS 1996). Hodnoty koeficientů TC1, TC2 a TC3 mohou mít například pro skener TM družice LANDSAT 5 následující tvar (LILLESAND a KIEFER 1994): TC1 = .2043TM1 +.4158TM2 +.5524TM3 +.5741TM4 +.3124TM5 +.2303TM7 TC2 = -.1603TM1 -.2819TM2 -.4934TM3 +.7940TM4 -.0002TM5 -.1446TM7 TC3 = .0315TM1 +.2021TM2 +.3102TM3 +.1594TM4 -.6806TM5 -.6109TM7

Obr. 12.Chyba! Neznámý argument přepínače. Hodnoty indexů „Brightness“ (TC1) a „Greenness“ (TC2) získané z transformace TASSELED CAP. 1,2,3 - etapy vegetačního cyklu. Vysvětlivky viz text. Jak uvádí např. JENSEN (1986), vegetační složka prodělává v rovině definované indexy Brightness a Greenness typické časové změny v cyklu naznačeném na obr. 12.3. Na počátku vegetačního období dominuje odrazivost holé půdy (1). S postupným rozvojem vegetace se zvyšují hodnoty indexu Greenness (2) až do stádia zralosti. Poté vegetace postupně odumírá a hodnoty indexu Greenness klesají na úkor hodnot indexu Brightness (3), což indikuje nárůst podílu půdního substrátu na odrazivosti. 203


204


13. Použitá literatura ALFÖLDI, T., CRATT, P., STEPHENS, P. (1993): Definitions of Remote Sensing. Photogrammetric Engineering and Remote Sensing. Vol 59, s. 611-613. American Society of Photogrammetry, Manual of Photogrammetry. 4th ed., ASP, Falls Church. ARINO, O., VERMOTE, E., SPAVENTA, V. (1997): Operational Atmospheric Correction of LANDSAT TM Imagery. Earth Observation Quarterly, No. 56-57, s. 3235. BAKKER, W.H., PARODI, G.N., TIMMERMANS, W.J. (1997): NOAA AVHRR preprocessing: an application of a cloud-detection technique. ITC Journal, No. 1, s . 6473. BEAUDOIN, A., LE TOAN, T., GWYN, G.H.J. (1990): SAR Observations and Modeling of the C-Band Backscatter Variability Due to Multiscale Geometry and Soil Moisture. IEEE Transactions on pattern analysis and machine intelligence. Vol. 28, No. 5. s. 886-895. BLOM, R.G., DAILY, M. (1982): Radar Image Processing for Rock-Type Discrimination. IEEE Transactions on Geoscience and Remote Sensing. Vol. GE-20, No. 3. s. 157-165. BOCCO, G., SANCHEZ, R. (1995): Quantifying Urban Growth Using GIS: The Case of Tijuana, Mexico (1973-1993). Geo Info Systems, Vol. 15, 10, str. 18-19. BOEHNKE, K., WISMANN, V.R. (1996): ERS Scatterometer Land Applications: Detecting Soil Thawing in Siberia. Earth Observation Quarterly, No. 52, s. 4-7. BORN, G.H., DUNNE, J.A., LANE, D.B. (1979): SEASAT Mission Overview. Science, Vol. 204, s. 1405-1406. BARRETT, E.C., CURTIS, L.F. (1976): Introduction to Environmental Remote Sensing. Chapman and Hall, London. 336 s. CAMPBELL, J.B. (1981): Spatial Correlation Effects upon Accuracy of Supervised classification of Land cover. Photogrammetric Engineering and Remote Sensing. Vol. 47 str. 355-363. CAMPBELL, J.B. (1996): Introduction to Remote Sensing. Taylor & Francis. London. 622 s. CARRY, T. (1994): A World of Possibilities: Remote Sensing Data for Your GIS. Geo Info Systems, 9, s. 38-42. CEBECAUER, T. (1996): Informatórium nosičov a údajov DPZ: SPIN-2. GEO-INFO. Roč. 3, č. 2, s. 14. CORBLEY, K.P. (1996a): One-Meter Satellites: Expanding Imagery for GIS, Geo Info Systems, 6, s. 28-33. CORBLEY, K.P. (1996b): One-Meter Satellites: Choosing Imagery that Meets GIS Requirements, Geo Info Systems, 6, s. 34-38. CORBLEY, K.P. (1996c): One-Meter Satellites: Practical Applications by Spatial Data Users, Geo Info Systems, 6, s. 39-42. 205

DÁLKOVÝ PRŮZKUM ZEMĚ COULSON, S.N. (1996): SAR Interferometry with ERS-1. In: Use of ERS-1 SAR Data for Agricultural, Forestry and Environmental Applications in Central-Eastern Europe. ESA, Frascati, s. 115-120. COULSON, S.N. (1996): An Overview of FRINGE ’96 ERS SAR Interferometry Workshop. Earth Observation Quarterly, No. 54, s. 1-4. CRACKNELL, A.P., HAYES, L.W.B. (1993): Introduction to Remote Sensing. Taylor & Francis. London, New York, Philadelphia. 293 s. CRIST, E.P., CICONE, R.C. (1984): Application of Tasseled Cap Concept to Simulated Thematic Mapper Data. Photogrammetric Engineering and Remote Sensing. Vol. 50. No. 3. str. 343-352. CURRAN, P.J. (1994): Imaging Spectrometry. Progress in Physical Geography. Vol. 18, s. 247-266. CURRAN, P.J., KUPIEC, J.A. (1995): Imaging Spectrometry: A New Tool for Ecology. In: Danson, F.M., Plummer, S.E. eds. Advances in Environmental Remote Sensing. Wiley & Sons. New York, s. 71-88. ČAPEK, R. (1988): Dálkový průzkum Země. Ministerstvo školství ČSR, Praha, 244 s. DALLEMAND, J.F., LICHTENEGGER, J., RANEY, R.K, SCHUMANN, R. (1993): Radar Imagery: Theory and Interpretation. Lecture Notes. Remote Sensing Center, FAO. Rome, RSC Series NO 67, 103 s. DANSON, F.,M (1995): Development in Remote Sensing of Forest Canopy Structure. In: Danson, F.,M. and Plummer, S.,E. (eds.): Advances in Environmental Remote Sensing. Wiley & Sons, Cichester, New York, Brisbane, Toronto, Singapore, str. 53-69. DANSON, F.M., PLUMMER, S.E., eds. (1995): Advances in Environmental Remote Sensing. Wiley & Sons, Chichester, New York, Brisbane, Toronto, Singapore. 184 s. DESONS, Z.L., MAYER, T. (1996): Multitemporal ERS-1 SAR images of the Brahmaputra flood plains in Northern Bangladesh. Earth Observation Quarterly, No. 51, s. 6-10. DEAN, K.G., ENGLE, K., LU, Z., EICHELBERGER, J., NEAL, T., DOUKAS, M. (1996): Use of SAR Data to Study Active Volcanoes in Alaska. Earth Observation Quarterly, No. 53, s. 21-23. DIOSZEGHY, M., FEJES, E. (1994): Cloud classification techniques at the Hungarian meteorological service. Österreichische Beiträge zur meteorologie und geophysik. S. 2228. DOBROVOLNÝ, P., PETROVÁ, A. (1996): Change detection studies of suburban areas using remote sensing and GIS techniques. In: Konečný, M. (ed.) GIS Frontiers in Business and Science. Proceedings I., Brno, s. V8-19. DUCHOSSIS, G., KOHLHAMMER, G., MARTIN, P. (1996): Completion of the ERS Tandem Mission. Earth Observation Quarterly, No. 52, s. 1-2. EHLERS, M. (1995): Integrating Remote Sensing and GIS for Environmental Monitoring and Modeling: Where Are We? Geo Info Systems, 7, s. 36-43. EIDENSHINK, J.C. (1992): The 1990 Conterminous U.S. AVHRR Data Set. Photogrammetric Engineering and Remote Sensing. Vol. 58, No. 6, s. 809-813. 206

CHYBA! NEZNÁMÝ ARGUMENT PŘEPÍNAČE. ENVI Tutorial. Version 2.0, Boulder, 1995, 76 s. ERDAS Field Guide. Erdas, Inc., Atlanta, 1994, 628 s. FERANEC, J. (1992): Analýza multitemporálnych údajov DPZ - metodický nástroj geografických výskumov. Geografický Časopis, Vol. 44, 1, str. 40-49. FOSTER, B. (1991): Application of Normalized Vegetation Index Differencing for Urban Change Monitoring - Urban development on the Fringe of Sydney. Application of Remote Sensing in Asia and Oceania. Environmental change monitoring. str. 215-220. FOODY, G.M , CURRAN, P.J., eds. (1994): Environmental Remote Sensing. From Regional to Global Scales. Wiley & Sons, Chichester, New York, Brisbane, Toronto, Singapore. 238 s. Forest Damage in Central European Mountains. Final Report of a Large Area Experiment for Forest Damage Monitoring in Europe Using Satellite Remote Sensing. UNEP, Geneva, 1995, 97 s. FRAŇKOVÁ, J. (1986): Spektrální odrazové charakteristiky vybraných druhů zemědělských plodin. Zprávy GGÚ ČSAV, Roč. 23, č. 2, s. 19-30. FRIEDMAN, S.Z., ANGELICI, G.L. (1979): The Detection of Urban Expansion from Landsat Imagery. The Remote Sensing Quarterly. Vol. 5, str. 3-17 FROST, V.S., STILES, J.A., SHANMUGAN, K.S., HOLTZMAN, J.C.(1982): A Model for Radar Images and Its Application to Adaptive Digital Filtering of Multiplicative Noise. IEEE Transactions on pattern analysis and machine intelligence. Vol. I-4, No. 2. s. 157-165. GOWARD, S.N. (1981): Longwave Infrared Observation of Urban Landscapes. Technical Papers, American Society of Photogrammetry 47th Annual Meeting. Washington. GUNERIUSSEN, T, JOHNSEN, H. (1996): Snow Monitoring using EMISAR and ERS 1 Data. Earth Observation Quarterly, No. 53, s. 13-16. GURNEY, C.M., TOWNSHEND, J.R. (1983): The Use of Contextual Information in the Classification of Remotely Sensed Data. Photogrammetric Engineering and Remote Sensing. Vol. 49, s. 55-64. HÄME, T., SALLI, A., ANDERSSON, K., LOHI, A. (1996): Forest Biomass Estimation in Northern Europe Using NOAA AVHRR Data. Earth Observation Quarterly, No. 52, s. 19-23. HATFIELD, J.L., MILLARD, J.P., GOETTELMAN, R.C. (1982): Variability of Surface Temperature in Agricultural Fields of Central California. Photogrammetric Engineering and Remote Sensing. Vol. 48, s. 1319-1325. HARRIES, J.E. (1994): Earthwatch. The Climate from Space. Wiley & Sons, Chichester, New York, Brisbane, Toronto, Singapore. 216 s. HÄUSLER , Th., ed. (1995): Forest Damage in Central European Mountains. Final report of the Large Area Experiment of Forest Damage Monitoring in Europe Using Satellite Remote Sensing. UNEP. Geneve, 97 s.

207

DÁLKOVÝ PRŮZKUM ZEMĚ HIXON, M., SCHOLZ, D., FUHS, N., (1980): Evaluation of Several Schemes for Classification of Remotely Sensed Data. Photogrammetric Engineering and Remote Sensing. Vol. 46, s. 1547-1553. HRKAL, Z. (1989): Metody dálkového průzkumu v hydrogeologii. Ústřední ústav geologický, Praha, 66 s. HUDSON, R.D. (1969): Infrared System Engineering. Wiley & Sons, New York, 642 s. CHAVEZ, P.S. (1975): Atmospheric, Solar, and M.T.F. Corrections for ERTS Digital Imagery. Proceedings. American Society of Photogrammetry. S. 69-69a. CHEN, K.S., TZENG, Y.C., CHEN, C.F., KAO, W.L. (1995): Land-Cover classification of multispectral imagery Using a Dynamic Learning Neural Network. Photogrammetric Engineering and Remote Sensing. Vol. 61, s. 403-408. JAAKOLA, O. (1997): Quality and Automatic Generalization of Land Cover Data. Dept. Of Geography, Fac. Of Science, Univ. Of Helsinky, Helsinky, nest. JEŘÁBEK, O. (1982): Dálkový průzkum Země. Interpretace leteckých a družicových snímků. ČVUT, Praha, 147 s. JEŘÁBEK, O., LEDVINKA, V. (1959): Čtení leteckých a pozemních snímků. Praha, 315 s. JENSEN, J.R. ed. (1983): Urban/suburban land use analysis. Manual of Remote Sensing. Vol. 2, second edition. Falls Church. s. 1571-1666 JENSEN, J.R. (1986): Introductory Digital Image Processing. A remote sensing perspective. Prentice Hall, London, Sydney, Toronto. 379 s. JORDAN, L.E. (1996): High-Resolution Imagery for Business Decision Support, Geo Info Systems, 6, s. 24-27. KAŇÁK, J. (1994): METEOSAT satellite images’ calibration and its importance in meteorological practice. Meteorologické Zprávy, roč. 47, č. 5, s. 131-134. KAUTH, J.R., THOMAS, G.S. (1976): The Tasseled Cap - A Graphic Description of Spectral-Temporal Development of Agricultural Crops as Seen by Landsat. Proceedings: 2nd International Symposium on Machine Processing of Remotely Sensed Data. Purdue University, str. 4B41-4B49. KAY, D., LEVINE, J. (1992): Graphics File Formats, Windcrest/McGraw-Hill, U.S.A. KEIL, M., COENRADIE, B., RALL, H., ŠÍMA, M. (1992): The National Parks of Bavarian Forest and Šumava - a Landsat TM Perspective on the Structure and Dynamics of the Largest woodland of Central Europe. In: Space in the Service of the changing Earth - Proceedings of the European International Space Year Conference, ESA ISY - 1, Vol 2, s. 751-755. KIDDER, S.Q., VONDER HAAR, T.H (1995): Satellite Meteorology. An Introduction. Academic Press. San Diego, New York, Boston, London, Sydney, Tokyo, Toronto. 466 s. KNUDSEN, P., ANDERSEN, O.B. (1996): Ocean bottom topography from ERS-1 altimeter data. Earth Observation Quarterly, No. 51, s. 16-18. KOLÁŘ, J. (1990): Dálkový průzkum Země. Populární přednášky o fyzice. Sv. 35. SNTL, Praha, 170 s. 208

CHYBA! NEZNÁMÝ ARGUMENT PŘEPÍNAČE. KOLÁŘ, J. (1990): Land cover mapping using remote sensing and GIS technology. In: Konečný, M. (ed.) GIS Frontiers in Business and Science. Proceedings I., Brno, s. II31II49. KOLÁŘ, J., HALOUNOVÁ, L., PAVELKA, K. (1997): Dálkový průzkum Země 10. Vydavatelství ČVUT, 164 s. KOLÁŘ, V. (1997): Časové změny ve využití země vybraného území zjistitelné metodami dálkového průzkumu Země. Diplomová práce. Katedra geografie PřF, Masarykova Universita, Brno, 52 s. KONDRATYEV, K.Ya., BUZNIKOV, A.A., POKROVSKY, O.M. (1996): Global Change and Remote Sensing. Wiley & Sons, Chichester, New York, Brisbane, Toronto, Singapore. 370 s. KONDRATYEV, K.Ya., JOHANESSEN, O.M., MELENTYEV, V.V.(1996): High Latitude Climate and Remote Sensing. Wiley & Sons. Chichester, New York, Brisbane, Toronto, Singapore, 200 s. KRTKOVÁ, A. (1990): Termovizní letecké snímání Prahy. Geodetický a kartografický obzor. Roč. 36, č. 1, s. 3-6. KUČERA, L. (1996): DEM Generation from SPOT Stereo Data. In: Konečný, M. ed. : GIS Frontiers in Business and Science. Masaryk University, Brno, s. II6-II21. LAVREAU, J. (1991): De-Hazing Landsat Thematic Mapper Images. Photogrammetric Engineering and Remote Sensing. Vol. 57, s. 1297-1302. LAUR, H. (1993): SAR product characteristics. ESA, ESRIN, Frascati, nestr. LAUR, H., DOKKEN, S.T. (1997): Observation of large-scale features with ERS SAR browse images. Earth Observation Quarterly, No. 55, s. 1-5. LECKIE, D.G. (1982): An Error Analysis of Thermal Infrared Line-Scan Data for Quantitative Studies. Photogrammetric Engineering and Remote Sensing. Vol. 48, s. 945-954. LEE, J.S. (1986): Speckle suppression and analysis for synthetic aperture radar images. Optical Engineering, Vol. 25, No. 5, s. 636-643. LEGG, CH.A. (1994): Remote Sensing and Geographic Information Systems: Geological mapping, mineral exploration and mapping. Wiley & Sons. Chichester, New York, Brisbane, Toronto, Singapore, 166 s. LICHTENEGGER, J. (1996): ERS - 1 SAR Images - Mirror of Thunderstorms. Earth Observation Quarterly, No. 53, s. 7-9. LICHTENEGGER, J. (1992): ERS - 1: Landuse Mapping and Crop Monitoring: A First Close Look to SAR Data. Earth Observation Quarterly, No. 37-38, s. 1-5. LINTZ, J., SIMONETT, D.S. (1976): Remote Sensing of Environment. Addiso-Wesley, Reading, 694 s. LILLESAND, T.M., KIEFER, R.W. (1994): Remote sensing and image interpretation. John Wiley & Sons, New York, Chichester, Brisbane, Toronto, Singapore, 750 s. MANGOLINI, M., ARINO, O. (1996): ERS-SAR and Landsat-TM multitemporal fusion for crop statistics. Earth Observation Quarterly, No. 51, s. 11-15.

209

DÁLKOVÝ PRŮZKUM ZEMĚ MANTRIPP, D.R., RIDLEY, J.K., RAPLEY, C.G. (1992): Antarctic map from the Geosat Radar Altimeter Geodetic Mission. Earth Observation Quarterly, No. 37-38, s. 610. MORAIN, S., BAROS, LÓPEZ, S., eds. (1996): Raster Imagery in Geographic Information Systems. OnWord Press, Santa Fe, 495 s. McDONNELL, R., KEMP. K. (1995): International GIS Dictionary. Geoinformation International. Wiley & Sons. New York, 111 s. MURDYCH, Z. (1976): Fotointerpretace. SPN, Praha, 189 s. MÜSCHEN, B., BÖHM, CH., ROTH, A., SCHWÄBISCH, M. (1996): Monitoring of a Volcanic Eruption in Iceland by ERS-1/2 SAR. Earth Observation Quarterly, No. 54, s. 21-27. NEZRY, E., LOPEZ, A., TOUZI, R. (1991): Detection of structural and textural features for SAR images filtering. IEEE Transactions on pattern analysis and machine intelligence. Vol. 29, No. 6. s. 2169-2172. PARLOW, E. (1990): Spatial patterns of radiation fluxes using Landsat-TM-data and GIS-techniques. In: Proceedings of the 11th EARSeL Symposium. Jean Monnet, Luxemburg, s. 441-447. PARSONS, S. (1994): Ground Truthing Spectrometers Unlock the Value of Multispectral Imaging. Earth Observation Magazine, Sept. 1994, s. 36-39. PAVELKA, K. (1996): New Quality of Remotely Sensing Data in the Next Ten Years. In: Konečný, M. Ed. : GIS Frontiers in Business and Science. Masaryk University, Brno, s. I20-I42. PAVLAKIS, P., SIEBER, A., ALEXANDRY, S. (1996): Monitoring Oil-Spill Pollution in the Mediterranean with ERS SAR. Earth Observation Quarterly, No. 52, s. 8-11. PETRIE, G. (1998): Space Imagery for Topographic Mapping. Geoinformatics. Vol. 1, No. 3, s. 24-31 PETROVÁ, A. (1996): Zjišťování změn v krajině s využitím materiálů dálkového průzkumu Země (na území jižního okraje Brna). Diplomová práce. Katedra geografie PřF, Masarykova Universita, Brno, 63 s. PIVNIČKA, F. (1996): Digitální fotogrammetrie. CAD, č. 3, s. 18-22. PIWOWAR, J.M., LeDREW, E.F. (1995): Hypertemporal analysis of remotely sensed sea-ice data for climate change studies. Progress in Physical Geography. Vol. 19, 2, str. 216-242. PRATT, D.A., ELLYETT, C.D. (1979): The Thermal Inertia Approach to Mapping of Soil Moisture and Geology. Remote Sensing of Environment. Vol. 8, s. 151-168. PRICE, J.C. (1981): The Contribution of Thermal Data in Landsat Multispectral Classification. Photogrammetric Engineering and Remote Sensing. Vol. 47, s. 229-236. PRICE, M. (1986): The analysis of vegetation change by remote sensing. Progress in Physical Geography. Vol. 10. No. 4, s. 473-491. Remote Sensing Applications to Land Resources. Remote Sensing Center, FAO. Rome, 1990, RSC Series NO 654, 299 s. RENÉ, M. (1996): Fotogrammetrie se stává dostupnější. CAD, č. 3, s. 14-17. 210

CHYBA! NEZNÁMÝ ARGUMENT PŘEPÍNAČE. RIDLEY, J.K., LAXON, S., RAPLEY, C.G., MANTRIPP, D. (1992): Topography of Antarctic Ice Sheet mapped with the ERS-1 Radar Altimeter. Earth Observation Quarterly, No. 37-38, s. 14-15. RICHARDS, J.A. (1986): Remote Sensing Digital Image Analysis. Springer-Verlag, Berlin, Heidelburg, New York, London, Paris, Tokyo. str. 206-225. ROBERTS, D.A., SMITH, M.O., ADAMS, J.B. (1993): Green Vegetation, Nonphotosynthetic Vegetation, and Soils in AVIRIS Data. Remote Sensing of Environment, Vol. 44, s. 255-269. ROBINSON, A.H., MORRISON, J.L., MUEHRCKE, P.C., KIMERLING, A.J., GUPTILL, S.C. (1995): Elements of Cartography. Wiley & Sons, New York, Chichester, Brisbane, Toronto, Singapore. 674 s. ROBINSON, I.S. (1994): Satellite Oceanography. Wiley & Sons, Chichester, New York, Brisbane, Toronto, Singapore. 455 s. SABINS, F.F. Jr. (1986): Remote Sensing - Principles and Interpretation. 2nd ed., W.H. Freeman, New York. SHERER, D., PARLOW, E. (1991): Calculation of synthetic thermal images with enhanced spatial resolution from NOAA-AVHRR satellite data. In: Buchroitner, M.,F., ed.: Proceedings of the 11th EARSeL Symposium. Joanneum Research, Graz, s. 448-453. SCHOTT, J.R., VOLCHK, J.W. (1985): Thematic Mapper Infrared Calibration. Photogrammetric Engineering and Remote Sensing. Vol. 51, s. 1351-1358. SCHOWENGERD, R.A. (1983): Techniques of Image Processing and Classification in Remote Sensing, Academic Press, New York, 348 s. SIMONETT, D.S. (ed.) (1983): Development and Principles of Remote Sensing. In: Colwell, R.N (ed.) Manual of Remote Sensing. American Society of Photogrammetry. Falls Church, 2144 s SINGH, A. (1989): Digital change detection techniques using remotely-sensed data. International Journal of Remote Sensing, Vol. 10, str. 989-1003. SWAIN, P.H., DAVIS, S.M. eds. (1978): Remote Sensing: The Quantitative Approach. McGraw-Hill, New York, 180 s. SWITZER, P., KOWALICK, W.S., LYON, R.J.P. (1981): Estimation of Atmospheric Path-Radiance by the Covariance Matrix Method. Photogrammetric Engineering and Remote Sensing. Vol. 47, s. 1469-1476. ŠILHAN, V. (1997): Možnosti komprese obrazových dat při tvorbě a využívání digitálních geografických produktů. In: Voženílek, V. ed.: Kartografie na přelomu tisíciletí. 12. kartografická konference. Olomouc, s. 213-229. ŠÍMA, M. (1995): Studium postupných změn lesního krytu Krkonoš pomocí dat LANDSAT MSS a TM 1979-1992. In: Sborník referátů 4. Konference o dálkovém průzkumu Země. Brno, s. 26-32. ŠMIDRKAL, J. (1982): Fotogrammetrie I, II, III. ČVUT, Praha, 226 s., 217 s., 155 s. ŠMIDRKAL, J., ČERNOHORSKÝ, A., FUJAN, B., CHARVÁT, K., POLÁČEK, J. (1989): Zpracování informací dálkového průzkumu Země. ČVUT, Praha, 259 s.

211

DÁLKOVÝ PRŮZKUM ZEMĚ ŠÚRI, M. (1993): Využitie digitálnych metód spracovania družicových dát pre analýzu vybraných vlastností objektov krajiny. Geografický časopis, 45, s. 279-292. TOLL, D.L. (1985): Landsat-4 Thematic Mapper Scene Characteristics of a Suburban and Rural Area. Photogrammetric Engineering and Remote Sensing. Vol. 51, s. 14711482. TOPOL pro Windows. Referenční příručka programu. Help Service - Mapping, s.r.o., Praha 1996, 381 s. TRAVAGLIA, C. (1990): Principles of Satellite Imagery Interpretation. In: Remote Sensing Applications to Land Resources. Remote Sensing Centre, Series 54, FAO, Rome, s. 85-97. TROCH, P.A., SU, Z., De TROCH, F.P. (1996): Remote Sensing of Surface Soil Moisture Using EMAC/ESAR Data. Earth Observation Quarterly, No. 53, s. 17-21. UHLIR, D.M. (1995): Hyperspectral Imagery: On the Brink of Commercial Acceptance. Earth Observation Magazine, Feb. 1995, nest. Use of ERS-1 SAR data for Agricultural, Forestry and Environmental Applications in Central-Eastern Europe. European Space Agency, Frascati, 1994, 136 s. Using PCI Software, Vol. 1, 2. Richmond Hill, 1997, 544 s. VANĚČKOVÁ, L. (1994): Výzkum zemědělských plodin prostředky dálkového průzkumu Země. Zprávy GGÚ ČSAV, Roč. 21, č. 3, s. 23-29. WAGNER, W., BORGEAUD, M., NOLL, J. (1996): Soil Moisture Mapping with the ERS Scatterometer. Earth Observation Quarterly, No. 55, s. 4-7. WANG, F. (1990): Improving Remote Sensing Image Analysis through Fuzzy Information Representation. Photogrammetric Engineering and Remote Sensing. Vol. 56, s. 1163-1169. WILKINSON, G.G. (1996): A review of current issues in the integration of GIS and remote sensing data. Int. J. Geographical Information Systems. Vol. 10, No. 1, s. 85-101. WILLIAMS, J. (1995): Geographic Information From Space. Processing and Applications of Geocoded Satellite Images. John Wiley & Sons. Chichester, New York, Brisbane, Toronto, Singapore, 210 s. WOLF, P.R. (1983): Elements of Photogrammetry. 2nd ed., McGraw-Hill, New York, 342 s. WOODING, M.G. (1988): Imaging Radar Applications in Europe. Illustrated Experimental Results (1978-1987). ESA Publications Division, Noordwijk, 87 s. WÜTHRICH, (1991): Modeling the thermal structures of Basel (Switzerland): A Combined approach using satellite data and GIS techniques. In: Buchroitner, M.,F., ed.: Proceedings of the 11th EARSeL Symposium. Joanneum Research, Graz, s. 298-304. YOSHINO, K. (1996): Estimation of A-Priori Probabilities of Landcover Categories for Bayes’ Classifier. In: KRAUS, K., WALDHÄUSL, P. Eds.: International Archives of Photogrammetry and Remote Sensing. Vol. XXXI, Part B3, International Society for Photogrammetry and Remote Sensing. Wiena, s. 994-998.

212

CHYBA! NEZNÁMÝ ARGUMENT PŘEPÍNAČE. ZAWILA-NIEDZWIECKI, T. (1994): Ocena stanu lasu w ekosystemach zagroznonych z wykorzystanem zdejc satelitarnych i systemu informacii przestrzennej. Prace IGiK, Tom XLI, zsesyt 90, 84 s.

213

ÁLKOVÝ PRŮZKUM ZEMĚ 104

Recommend Documents