
- •Автоматизированная обработка изображений
- •Цифровая передача изображений из космоса
- •Устройства формирования изображений:
- •Обработка цифровых сигналов
- •Теорема Котельникова (Теорема отсчета).
- •Восстановление сигналов, теорема отсчетов.
- •Представление цифровых изображений.
- •Алгоритмы сжатия.
- •Методы сжатия без потерь.
- •Классический алгоритм Хаффмана.
- •Арифметическое сжатие
- •Интервальное кодирование
- •Алгоритм сжатия изображений
- •Рекурсивный алгоритм (wavelet) волновое сжатие
- •Обработка цифровых снимков
- •Этапы процесса обработки снимков
- •Статистические показатели исходных данных
- •Коррекция и восстановление снимков
- •Атмосферная коррекция.
- •Методы корректировки теплового инфракрасного излучения:
- •Восстановление пропущенных пикселей
- •Геометрическая коррекция
- •Нелинейные преобразования (полином 2-го и выше)
- •Влияние порядка преобразования
- •Метод резинового листа (Rubber sheet)
- •Интерполяция значений яркости
- •Улучшение визуального восприятия снимков
- •Функция градиентного преобразования.
- •Повышение качества
- •Пространственные преобразования
- •Модель изображения при пространственной фильтрации
- •Фильтры свертки
- •Типы локальных фильтров
- •Фильтры lp и hp
- •Фильтр усиления высоких частот
- •Полосовые фильтры
- •Направленные фильтры
- •Граничная область
- •Характеристики обработанных изображений
- •Применение алгоритма совмещения пространственной фильтрации
- •Алгоритм расчета усредняющего фильтра
- •Последовательность линейных фильтров
- •Статистические фильтры
- •Морфологический фильтр
- •Градиентные фильтры
- •Преобразования Фурье
- •Фурье анализ
- •Дискретное преобразование Фурье для 2-мерного случая
- •Форма представления Фурье образа
- •Фильтрация с помощью преобразования Фурье
- •Функция передачи модуляции
- •Пространственный спектр мощности сигнала
- •Фильтры нулевого уровня
- •Фильтр DoG – разность гауссовых функций
- •Wavelet преобразования
- •Устранение шумов
- •Создание маски пространственного фильтра
- •Пространственные признаки изображения
- •Многоспектральные отношения
- •Метод главных компонент (pca)
- •Стандартизированный мгк
- •Мгк с минимизацией шума
- •Метод «Колпачок с Кисточкой»
- •Классификация
- •Понятие сходства.
- •Жесткая классификация
- •Контролируемое изучение
- •Анализ разделимости
- •Мера разделимости Махалонобиса
- •Преобразованная дивергенция
- •Расстояние Джеффриса-Матусита
- •Неконтролируемое обучение
- •Алгоритм классификации методом к-средних
Стандартизированный мгк
Некоторые считают для анализа ДЗЗ, наиболее подходящий МГК основан на расчете собственных векторов корреляционной матрицы, а не ковариационной. В этом случае данные нормализуются таким образом, чтобы каждый исходный признак имел единичную дисперсию. У такого набора данных матрицы будут совпадать. Преимущество такого способа анализа заметно в том случае, когда мы будем анализировать сигнал с сильно различающимися динамическими диапазонами.
Для данных сенсора MSS (4 канала) МГК применяется для анализа земного покрова по 2 датам съемки, для выделения пожаров (2 даты), выделение горных пород.
Спутник NOAA (выделение NDVI) – выделение главных компонент (36-мерное преобразование).
LANDSAT TM (выделение NDVI) – стандартизация МГК.
Мгк с минимизацией шума
Метод предложен в 1988. Является модификацией обычного МГК и позволяет эффективно подавлять шумы в исходных спектральных каналах, метод применяется для гиперспектральных данных. Это связано с тем, что в этих данных наиболее значительны вариации значений сигнал/шум в зависимости от спектрального канала. Однако для корректной работы этого метода необходимо иметь точную оценку ковариационной матрицы шума в спектральном диапазоне.
Метод «Колпачок с Кисточкой»
Коэффициенты преобразования главных компонентов являются функцией ковариационной матрицы спектральных данных, благодаря этому преобразования хорошо адаптируются к конкретному набору данных, следовательно, обеспечиваются оптимальные преобразования с точки зрения сжатия, а с другой стороны это затрудняет сравнение результатов для разных изображений. Главные компоненты можно интерпретировать в терминах физических характеристик, набор этих характеристик для разных сцен будет разный, следовательно, понятно что, несмотря на то, что это полезно, это преобразование должно иметь фиксированных набор характеристик (физических). Впервые такой набор был разработан для мониторинга с/х. земель для LANDSAT (MSS) (Томас Каук). Было замечено, что диаграммы рассеяния значения пикселей с/х. областей обладают некоторыми постоянными свойствами, треугольной формой распределения точек при анализе 4 и 2 каналов.
Если визуализировать подобное распределение в процессе созревания с/х. культур, то они образуют в пространстве признаков фигуру похожую на колпачок с кисточкой. Основание этой фигуры – плоскость почв, по мере увеличения и созревания с/х., пикселы стремятся занять место ближе к колпачку, а во время увядания наоборот.
Было предложено линейное преобразование для 4 каналов съемочной системы MS, поэтому все данные преобразовывались к новой системе координат.
1 координата – яркость почв, образуется образом тех областей, которые полностью свободны от растительности.
2 координата – ортогональна первой и характеризует спектральный образ растительности.
3 координата – желтое вещество и прочие, ортогональны двум первым.
Преобразование КсК является частным случаем линейного преобразования.
В отличие от матрицы преобразования главных компонент матрица КсК фиксирована для конкретного датчика и не будет зависеть от характеристик сцены, матрица WTC уникальна для каждого сенсора. Основной причиной введения преобразования было желание получить такой фиксированный набор координатных осей в пространстве признаков, который бы характеризовал физические свойства растительности на среднем западе США. При применении метода в других климатических зонах компоненты этого преобразования можно интерпретировать так же, но часть информации будет утеряна. В преобразовании могут участвовать не зеленые растения.