1	Image Enhancement an ausgewählten Satellitenszenen aus dem ariden Raum David Haberlah ©2002
2	Aufbau des Referates:
3	Fotointerpretation: Definition: Visuelle Interpretation eines aus digitalen Daten generierten Bildes, dass auf einer aufgaben-spezifischen Datenaufbereitung und digitalen Bildverarbeitung (image enhancement) basiert. Bearbeitung und Interpretation sollten dabei in einer, mit den Formen und Prozessen des abgebildeten Raums erfahrenen Hand liegen. Auf die Fotointerpretation haben folgende Merkmale Einfluss: Farbe Struktur, Textur, Muster, Form Kontextinformationen
4	Merkmale arider Gebiete in Bezug auf Fernerkundungsdaten: Dominanz abiotischer Faktoren am Spektralsignal geringe Wolkenbedeckung, niedriger H2O(g) -Gehalt, hohe Kontraste in VIS, IR und TIR potentiell hoher Staubanteil in der Luft hohe Einstrahlung, Schlagschatten Kontrahierte Vegetation als Mischpixelsignal starke zeitliche räumliche Variabilität von an Niederschlag gebundene Vegetation (z.B. Achab) Äolische Sedimente, Deflationspflaster, Wüstenlack liefern vom Untergrund abweichende Oberflächensignale Paläoklimatisch vererbte Oberflächenmuster
5	Merkmale des Satellitenbildes (image):
6	Additiver und Subtraktiver Farbraum:
7	Colorcube:
8	Landsat Thematic Mapper 5:
9	Auflösungen des Thematic Mapper 5: geometrische Auflösung: 30mx 30m/ 120mx 120m (Band 6) spektrale Auflösung: 3 VIS, 1 NIR, 2 SWIR (MIR), 1 Thermal radiometrische Auflösung: 8 Bit temporale Auflösung: 16 Tage Möglichkeiten die geometrische Auflösung zu Verbessern ohne die spektrale Auflösung zu verringern bietet ein zusätzliches panchromatisches Band und eine höhere „effective dwell time“ des rotierenden Spiegels (ETM+).
10	Spectral Response Patterns:
11	Lage der Bänder des Thematic Mapper:
12	Einzelne Bänder des Landsat TM 5:
13	3 Bänder zu einem Color Composite:
14	Radiometric enhancement: Ziel: Verbesserung der visuell wahrnehmbaren Darstellung von Helligkeitsunterschieden (Farbunterschieden) durch Kontrastmanipulationen. Methodik: Generierung neuer DN´s unter ausschließlicher Verwendung der jeweiligen einzelnen bandabhängigen DN´s der zu berechnenden Pixel (“point specific operations“). Diese Beziehungen können durch einen Graphen oder “look up table“ (LUT) bearbeitet und dargestellt werden.
15	Image Histogram: Definition: Graph, der jeweils von einem Band die Anzahl der Pixel einer bestimmten DN gegen diese aufträgt. Aus den radiometrischen Informationen können keine Rückschlüsse auf die räumliche Verteilung gefolgert werden.
16
17	Auswahl der in RGB dargestellten Bänder: Ziel ist eine möglichst hohe Varianz der Informationen zwischen den Kanälen, da Redundanz in Grautönen dargestellt wird. R = 7 (MIR), G = 4 (NIR) oder 3 (VIS), B = 1 (VIS)
18	Contrast Modification: Auf Grund der an die Sensoren gestellten Anforderung, ein globales Reflexionsspektrum aufzeichnen zu können, wird in jedem Satellitenbild nur ein eingeschränkter Range der 256 Graustufen genutzt:
19
20	Linear Contrast Enhancement:
21	Saturated Linear Contrast Enhancement:
22
23	Piecewise Linear Contrast Modification:
24	Piecewise Stretch Band 7:
25	Piecewise Stretch 7/4/1:
26
27
28	Piecewise Stretch 7/4/1:
29
30	Piecewise Stretch 7/4/1:
31
32
33
34	Thermalkanal TM6:
35	Pseudocoloring:
36	Weiterführende Radiometric Enhancements: Atmosphärenkorrektur (dark pixel substraction) Mosaikerstellung (histogram matching, image to image contrast matching) Maskierung
37	Spatial Enhancement: Ziel: Verbesserung der Verdeutlichung geometrischer und räumlicher Details und Eliminierung von Bildstörungen. Methodik: Generierung neuer DN´s unter Berücksichtignung der DN´s umliegender Pixel innerhalb eines jeweiligen Kanals („neighborhood operations“, „template operations“, „convolution operations“). Diese Techniken können meistens durch ein „template“ bearbeitet und dargestellt werden, wobei der neu zu berechnende Zentralpixel eine Funktion desselben ist.
38	Template: Definition: Fenster, mit bestimmten Einträgen, in ihrer Gesamtheit als „Kernel“ oder „boxcar“ bezeichnet, werden Zeile für Zeile und Spalte für Spalte über das Bild bewegt. Funktion: Die Kerneleinträge werden mit den jeweiligen ursprünglichen DN´s der unterliegenden Pixel multipliziert (bzw. verglichen), dann aufsummiert (bzw. statistisch ausgewertet) und mit dem Kerneleintrag des Zentralpixels multipliziert. Der neue Wert kann mit dem ursprünglichen prozentual gewichtet werden („addback-Wert“). Randpixel werden ausgelassen.
39	Low Pass Filtering: Erhaltung von „low frequency components“, also einheitlichen Flächen unter Eliminierung „ausbrechender Pixel“ mean value smoothing median filtering
40	Mean Value vs. Median Filtering:
41	High Pass Filtering: Betonung der „high frequency components“, also lokaler Variationen wie Übergänge und Lineationen edge enhancement by substractive smoothing
42
43	Edge Enhancement by Substractive Smoothing:
44
45	Vergleich „no filter“ zu „hp 10“:
46
47	Weiterführende Spatial Enhancements: resampling, z.B. bei Georeferenzierung (warping) über nearest neighbor, bilinear, cubic convolution, resolution merge mit hochauflösenden PAN-Kanal über Farbraumtransformation RGB – IHS Fourier transformation (spatial frequency domain) line detection shape detection
48	Spectral Enhancement: Ziel: Verbesserung der Darstellung der multispektralen Daten durch Berechnung neuer alternativer Bänder mit höherer Informationsdichte oder mit partieller Hervorhebung bestimmter spektraler Informationen. Methodik: Generierung neuer DN´s über lineare Operationen zwischen den korrespondierenden DN´s eines Pixels in den verschiedenen Kanälen („vector space operations“), die in eigenen Bändern abgelegt werden.
49	Ratiobildung: Definition: Division der DN´s eines Bandes durch korrespondierende DN´s eines weiteren Bandes mit den Möglichkeiten n (n-1) wobei n = Anzahl der Bänder. Merkmale: Unterschiede im Verlauf der miteinander dividierten Spektralkurven werden unabhängig von ihren absoluten Reflexionswerten dargestellt (intencity blindness). Reliefbedingte Einstrahlungs-unterschiede werden herausgerechnet und die eigentlichen materialabhängigen geringfügigen Farbunterschiede hervorgehoben.
50	Intensity Blindness:
51	Dark Pixel Substraction:
52	Spectral Response Patterns for Minerals:
53	Bandratio für Tonminerale TM5/ TM7:
54	Bandratio für eisenhaltige Minerale TM5/ TM4:
55	Bandratio für Eisenoxide TM3/ TM1:
56	Mineral Color Ratio Composite:
57
58
59	Indizes: Definition: Bandberechnung bestehend aus zusammengesetzten mathematischen Ausdruck Beispiel: NDVI (Normalized Difference Vegetation Index) {(IR-R)/ (IR+R) +1} *126 Skalierung auf 8 bit DN
60	NDVI vs. Standard False Color Composite:
61
62
63	Principal Component Analysis (PCA): Ziel: Verdichtung der nicht redundanten Informationen eines multispektralen Bildes, um sie im RGB- bzw. CMY-Raum optimal gleichzeitig darstellen zu können. Methode: Konstruktion eines neuen Vektorraumes, bei der die Achsen (Principal Components) Richtung „mean vector“ der Datenverteilung gedreht werden. Dabei handelt es sich um eine lineare Kombination der „raw data“, bei der die Nebendiagonaleinträge der Kovarianzmatrix jeweils Null betragen. Merkmale: Die Daten der PC´s untereinander sind unkorreliert und die Szenenvariation („dynamic range“) nimmt mit jeder folgenden PC stark ab.
64	Korrelation der PC´s:
65	„Dynamic Range“ der PC´s:
66	PC´s für Subset ohne Thermal:
67
68	Kombination von PC´s mit Ratioband:
69
70
71	Weiterführende Spectral Enhancements: Decorrelation Stretch nach Tayler (PC´s werden unkorreliert in Originalvektorräume zurücktransformiert) Kauth-Thomas Tasseled Cap Transformation (MSS) verändert von Crist und Cicone (TM) – 3 Dimensionen entsprechen Boden, Vegetation und Bodenfeuchte Canonical Component Transformation (Alternative zu PCA wenn a priori Information vorhanden)
72	Ausblick: Verbesserte geometrische und spektrale Auflösungen neuer kommerzieller Systeme Weiterentwicklungen in der Softwarebranche ermöglichen neue Möglichkeiten Expertenwissen rechnergestützt für Analysen einzubringen (Struktur, Form, Kontextinformationen...) z.B. eCognition (http://www.definiens-imaging.com) Verknüpfung mit anderen Rauminformationen in GIS Kleinere, schnellere Rechner und Monitore ermöglichen Arbeiten am digitalen Datensatz vor Ort Projektion der Satellitendaten auf ein Digitales Höhenmodel (DEM) ermöglichen 3D-Visualisierungen, genauere Entzerrungen und liefern wichtige Relief und Höheninformationen
73	Digital Elevation Model (DEM):
74	SRTM: Landung der Shuttle (Endeavour) am 11.02.2000 Daten decken Erdoberfläche von 60ºn - 54ºs ab Flughöhe 233km Auflösung 100m x100m x12m (bzw. 6m) Methode: Synthetic Aperture Radar (SAR) Aktives Mikrowellenverfahren durch zwei parallele (virtuell verlängerte) Antennen, eine davon auf 60m langen Auslegemast, mit denen Wellenlänge und Phasenlage aufgezeichnet werden. Aus der Phasenlage lässt sich die Entfernung des Objektes, aus zwei SAR-Aufzeichnungen aus verschiedenen Positionen die 3D-Koordinaten des Pixels berechnen.
75	Literatur und Links: Richards J.A; Xiuping J.(1999): Remote Sensing Digital Image Analysis. An Introduction. p.361 Lillesand T.; Kiefer R.(2000): Remote Sensing and Image Interpretation. p.724 Stengel I.(1999): Fernerkundung in Trockengebieten. Anwendungsmöglichkeiten und real existierende Grenzen. in „Rundgespräche der Kommision für Ökologie, Bd.17, p.99-116 ENVI 3.2 Tutorial: http://geog.hk/virtuallabs/rs ENVI 3.2 Handbook (mit der software installiert)