بارزسازی داده های سنجش از دور

یکی از ویژگیهای داده های سنجش از دوری رقومی نسبت به داده های عکسی این است که می توانند مورد پردازش قرار گیرند. بهبود و بارزسازی تصویر شامل کلیه پردازشهایی می گردد که موجب نمایش هر چه بهتر تصاویر و یا استخراج هر چه کاملتر اطلاعات از آنها می شوند.از جمله این پردازشها می توان بهبود کنتراست ، تهیه تصاویر رنگی ترکیبی ، اجرای تبدیل بر روی تصویر و استخراج بافت از تصویر را نام برد.

بهبود کنتراست

اکثر سنجنده های متداول نظیرTM و HRV دارای توان تفکیک رادیومتری 8 بیت می باشند.به این معنی که DN پیکسل ها می توانند در محدوده 255-0 قرار گیرند.اما در اکثر موارد این ارزشها عملا” در دامنه ای بسیار محدود توزیع می شوند.به بیانی دیگر در اکثر موارد DNs تصویر دارای واریانس کمی می باشد.دلائل عمده این مطلب عبارتند از: ضرایب تبدیل انرژی بازتابشی به DN، تنوع کم پدیده ها در منطقه و تفاوت اندک بازتاب پدیده ها در یک طول موج.محدود بودن دامنه DNs در تصویر به مفهوم پایین بودن کنتراست تصویر و نتیجتا” عدم وضوح تصویرمی باشد.در مواردی که نیاز به نمایش مناسبی از تصویر باشد و یا تصویر به روش بصری مورد تفسیر قرار گیرد، می توان به روشهای نسبتا” ساده ای دامنهDNs موجود در یک تصویر را به دامنه 255-0 گسترش داد و کنتراست تصویر را بهبود بخشید.باید توجه داشت که بهبود کنتراست هیچ گونه اطلاع اضافه ای را افزون بر آنچه در تصویر اصلی وجود دارد ایجاد نخواهد کرد و تنها اطلاعات نهفته در تصویر برای چشم انسان را بهتر قابل رؤیت می نماید.از این رو در تجزیه و تحلیل های رقومی نیازی به بهبود کنتراست تصویر نمیباشد.از اشکالات بهبود کنتراست خطی این است که به فراوانی پیکسل ها در DNs توجه نمی شود، لذا در بهبود کنتراست DNs با فراوانی کم، وزنی معادلDNs با فراوانی زیاد پیدا خواهد نمود.در این چنین حالات بهبود کنتراست خطی نتایج مطلوبی ارائه نخواهد داد.از دیگر روشهای بهبود کنتراست می توان لگاریتمی، قطعه ای، تعدیل هیستوگرام و خطی با اشباع نام برد.

تهیه تصاویر رنگی ترکیبی

منطقی ترین حالت نمایش داده های حاصل از اسکنرها در تک باندها، نمایش آنها با استفاده از گامهای خاکستری Gray Level))می باشد. از آنجایی که تفکیک و شناسایی پدیده ها به لحاظ رنگ نتایج بهتری ارائه می دهد، می توان از ترکیب DNs باندهای مختلف تصاویر رنگی تهیه نمود.متداولترین روش ، استفاده از سامانه RGB مییباشد.در این روش داده ها از سه باند با نورهای قرمز، سبز و آبی بر روی هم نمایان می گردند.تنها در حالتی که داده های حاصل از سه باند طیفی آبی، سبز و قرمز به ترتیب بانورهای آبی، سبز و قرمز ترکیب شوند، تصاویر دارای رنگ حقیقی و در صورتی که دو شرط فوق احراز نشوند، تصویر رنگی کاذب خواهد بود.

تبدیل های طیفی و مکانی در پردازش تصویر سنجش از دور

تبدیل های طیفی و مکانی از جمله روشهای پردازش تصویر در رابطه با بهبود و بارزسازی تصویر جهت استخراج هر چه بهتر اطلاعات مفید از تصاویر می باشند.کلیه تبدیلها بر روی ارزش پیکسلهای تصویر صورت می گیرند و به لحاظ چگونگی انجام و مفهوم آن به دو دسته تقسیم می گردند: تبدیل های مکانی و طیفی

در تبدیل های مکانی ارزش هر یک در رابطه با ارزش پیکسل های مجاور پردازش می گردند.متداولترین تبدیل از این دسته، فیلتر می باشد.فیلتر را می توان یک پنجره متحرک که معمولا” دارای ابعاد فرد (3×3، 5×5 و…) هستند، در نظر گرفت، که پیکسل به پیکسل بر روی تمامی تصویر به حرکت در می آید، به گونه ای که هر یک از پیکسلهای تصویر یک بار در مرکز پنجره فیلتر قرار گیرند. محاسبات مختلفی نظیر میانگین، انحراف معیار، مد، مدیان… را می توان برای پنجره فیلتر تعریف نمود.هر خانه از پنجره فیلتر می تواند دارای ضریب یا عامل وزنی متفاوتی باشد که بیانگر روابط ریاضی مورد نظر در اجرای فیلتر است.به طور مثال در اجرای فیلتر میانگین وزنی، ضرایب خانه های پنجره فیلتر در ارزش پیکسل مربوطه در تصویر اصلی ضرب شده و میانگین آنها در مرکز پنجره در ماتریسی جدید قرار می گیرد که در نهایت تصویر فیلتر شده را خواهند ساخت.

گروهی از فیلترها نظیر فیلترهای میانگین ، مد و میانه به عنوان فیلترهای پایین گذر معروف هستند و عمدتا” به منظور حذف نویز(Noise ) تصویر به کار برده می شوند.در دسته ای دیگر که فیلترهای بالاگذر نامیده می شوند، تفاوت ارزش پیکسل های تصویر به گونه ای تشدید می گردند که پدیده های خطی نظیر رودها، جاده و مرز پدیده ها، که لبه هایی را در تصویر تشکیل می دهند، بارزتر شوند.از این نوع فیلترها عمدتا” برای آماده سازی تصاویر برای تفسیر بصری استفاده می گردد.

تبدیلهای طیفی:

پردازش در این دسته از تبدیلها بدون توجه به موقعیت مکانی پیکسل در تصویر و تنها بر روی داده های سنجنده های چندطیفی صورت می گیرد.متداول و ساده ترین تبدیل طیفی در فرآیند سنجش از دوری ، نسبت گیری می باشد که ذیلا” به اختصار تشریح می گردد.از دیگر تبدیلها نیز می توان تحلیل مؤلفه های اصلی، تسلدکپ، فوریه و HIS را نام برد.

نسبت گیری طیفی: این تبدیل به بیانی ساده با تقسیم ارزش پیکسلها در یک باند به ارزش همان پیکسل ها در باند دیگر انجام می شود که امروزه بسیار متنوع گشته است.این تبدیل طیفی با دو هدف اصلی اجرا می گردد:حذف اثرات منفی محیطی(جو و توپوگرافی)بر میزان باز تابهای ثبت شده و ایجاد یا تشدید تفاوت در ارزش پیکسلهای پدیده های مختلف.

در تصاویر حاصل از نسبت گیری تفاوتهای طیفی پدیده ها نسبتا” بهتر از تصاویر اصلی نمایان می گردند.به طور مثال بازتاب پوشش گیاهی نسبت به خاک در محدوده مادون قرمز نزدیک زیادتر و در محدوده قرمز از طیف مرئی کمتر می باشد، این تفاوت با افزایش میزان و تراکم پوشش گیاهی شدیدتر می گردد.حال چنانچه به بهره گیری از این آگاهی ، نسبت طیفی باز تابها در محدوده مادون قرمز به قرمز محاسبه گردد، تفاوت ارزش پیکسلهای مناطق با پوشش گیاهی نسبت به پیکسلهای خاک بسیار بارزتر خواهد بود.

این مطلب در جدول زیر که بر اساس بازتاب ثبت شده در یک دادهTM مربوط به شش نقطه در اطراف شهرستان قم تنظیم شده است، نشان داده می شود.هر چند که بازتاب نقاط باتراکم های متفاوت پوشش در هر دو باند مادون قرمز نزدیک و قرمز متفاوت می باشند ، اما تفاوت آنها در باندهای حاصل از نسبت گیری شدیدا” افزایش یافته است.چنین نسبتها که شاخصهای گیاهی نامیده میشوند دارای کاربردهای فراوانی در زمینه برآورد میزان پوشش و شادابی آنها هستند.از جمله می توان شاخص تفاوت پوشش گیاهی نرمال شده و شاخص مادون قرمز را نام برد.

شماره نقاطنوع پوششTM3TM4clip image002 thumb بارزسازی داده های سنجش از دورclip image004 thumb بارزسازی داده های سنجش از دورclip image006 thumb بارزسازی داده های سنجش از دور
1خاک لخت9683073/0-864/0
2خاک لخت8577049/0-91/0
3پوشش گیاهی خوب25117647/068/4
4پوشش گیاهی خوب28109591/089/3
5پوشش گیاهی ضعیف54812/050/1
6پوشش گیاهی ضعیف528323/059/1

نویسنده: حمید محمدی

Мы уважаем вас и ваших клиентов, приложим все усилия, чтобы сделать ваши продажи регулярными, а ROI динамически растущими, Студия Topodin, 8

مطالب مرتبط

نظر بدهید

نشانی ایمیل شما منتشر نخواهد شد. بخش‌های موردنیاز علامت‌گذاری شده‌اند *