سنجش از دور

 

 

جزوه پردازش تصاویر

 

 ابوالفضل آقایی میبدی

  

 

 

مراحل مختلف یک پروسه سنجش از دور به طور خلاصه:

انرژی از سطح زمین به سنسور موجود بر روی Platform برخورد می­کند که این سنسور می­تواند Wisk Broom یا Push Broom باشد. این انرژی از نوع فوتون بوده و یک Signal در این مرحله تولید می­شود و سپس طبق یک سری فرآیندها سیگنال آنالوگ به دیجیتال تبدیل می­شود (در روی Platform ) و در نهایت عمل انتقال دیتا به شکل فرمت­های رقومی با استفاده از امواج حامل به سمت ایستگاه­های زمینی ارسال می­شود. وقتی که در ایستگاه­های زمینی دیتا توسط آنتن دریافت شد یک سری پردازش­هایی در سایت انجام شده و در نهایت محصول به صورت یک تصویر در اختیار کاربر قرار می­گیرد. مراحل فوق در تصویر زیر دیده می­شود.

 

زمانی که سیگنال به اطلاعات تبدیل می­گردد و به عبارت دیگر تصویر شکل گرفته در سنجنده سه پارامتر دارد و خصوصیات تصویر را به ما نشان می­­دهد. این پارامترها عبارتند از:

1.Spatially توان­تفکیک­مکانی 2.Radiometric توان­تفکیک­رادیومتریک 3.Spectral توان­تفکیک­طیفی که هریک به شکل زیر تعریف می­شوند:

1.Spatially توان ­تفکیک ­مکانی: یعنی سنجنده تا چه حد توانایی جداسازی عوارض زمینی از هم را دارد. به عبارت دیگر تا چه ابعادی قابلیت آشکارسازی عوارض را دارد؟به عنوان مثال قدرت تفکیک مکانی در مورد چند ماهواره زیر آورده شده است.

ماهواره

سنجنده

پیکسل سایز

NOAA

AVHRR

m1100

Land sat

TM

m30

Land sat

MSS

m80

IKONOS

Pan (سیاه و سفید)

m8/0

IKONOS

MS (رنگی)

m4

Quick Bird

Pan (سیاه و سفید)

m6/0

Quick Bird

MS (رنگی)

m4/2

         

 

2.Radiometricتوان ­تفکیک­ رادیومتریک: توانایی سنجنده در جداسازی انرژی­ای است که به آن می­رسد و درنهایت تعداد سطوح خاکستری که توسط سنجنده قابل تشکیل شدن است را با واحد بیت نشان می­دهد. به عنوان مثال سنجنده AVHRR از ماهواره NOAA 10 بیتی بوده و اعداد خاکستری قابل نمایش آن از 0 تا 1023 است، یا سنجنده TM از ماهواره Land sat 8 بیتی بوده و اعداد خاکستری قابل نمایش آن از 0 تا 255 است.

3.Spectral توان ­تفکیک ­طیفی: توانایی سنجنده در ثبت محدوده­های مختلف طول موج است و همانطور که می­دانیم تنها قسمت­های بالایی ماوراء بنفش در سنجنده مورد استفاده قرار می­گیرد. به عنوان مثال سنجنده TM از ماهواره Land sat 7 بانده و سنجنده رنگی ماهواره Quick Bird 4 بانده است (به این معنی که نوری که وارد این سنجنده می­شود به 4 بخش تقسیم می­شود).

مجموعه این سه پارامتر میزان حجم تصویر را مشخص می­کند.

 

 

در ماهواره Land sat یک فریم سنجنده ETM km185 * km185 (185 عرض گذر) است می­خواهیم بدانیم حجم تصویر در آن چقدر می­شود؟ توان تفکیک طیفی این سنجنده 7 باند است که 6 باند آن دارای توان تفکیک مکانی 30m و 1 باند دیگر که باند حرارتی است دارای توان تفکیک مکانی 120m است. باید تعداد پیکسل­ها در طول و عرض را پیدا کنیم پس:

<?mso-application progid="Word.Document"?> 12185000أ·30≅6167 →61672=38031889'> 

<?mso-application progid="Word.Document"?> 12185000أ·120≅1542 →15422=2377764'> 

سپس با دانستن اینکه هر پیکسل چند بیت است می­توانیم با پیدا کردن تعداد سطوح خاکستری و جمع دو عدد به دست آمده برای 6 باند اول و باند هفتم حجم کل تصویر را محاسبه کنیم که چیزی در حدود 270 Mbyte به دست خواهد آمد. لازم به ذکر است که با توجه به اعدادی که در بیان سه پارامتر در مورد ماهواره­های مختلف به طور مثال آورده شد، ملاحظه می­شود که اگر یکی از پارامترها در مورد سنجنده­ای بیشتر باشد، به دلیل محدودیت­های سخت­افزاری و انتقال داده­ها دو پارامتر دیگر باید کم باشد. البته محدودیت­ها کم­کم رو به حل شدن است به همین علت اکثر ماهواره­ها یک سنجنده سیاه و سفید و همین­طور یک سنجنده چندطیفی دارند. به عنوان مثال توان تفکیک مکانی سنجنده رنگی ماهواره IKONOS 4متر است و در مقابل توان تفکیک طیفی بالاتری دارد و از طرف دیگر توان تفکیک مکانی سنجنده سیاه و سفید این ماهواره 8/0 متر است و در حالیکه توان تفکیک طیفی کمتری دارد.

پردازش رقومی تصاویر Digital Image Processing:

مطالبی که قرار است در این جزوه آورده شود عبارتند از:

1)                       مشخصات و ویژگی­های تصویر رقومی

2)                       پارامترهای آماری استخراج شده از روی تصویر

3)                       خطاهای رادیومتریک و هندسی و تصحیحات مربوط به هریک

4)                       بهبود کیفیت تصاویر (Image Enhancement)

5)                       استخراج اطلاعات از رو تصویر شامل طبقه­بندی و روش­های طبقه­بندی

 

مقدمه:

 

هدف از انجام پردازش تصاویر: استخراج اطلاعات موردنظر از تصویر رقومی یا عکس و تعبیر و تفسیر (Interpretation)‌ آن می­باشد.

Data

Knowledge

Information

Wisdom

 

 Analog (Visual) Photo Processing

چنانچه بخواهیم از داده آنالوگ به اطلاعات برسیم پردازش به صورت بصری یا Visual Processing انجام می­گیرد و در صورتی که از داده­های رقومی استفاده کنیم، بحث Digital Processing مطرح می­شود؛ که این داده­های رقومی می­توانند در ابتدا به شکل آنالوگ بوده و با انجام Digitizing یا Scanning آنها به داده­های رقومی تبدیل کنیم. به طور کلی در مورد پردازش تصاویر می­توانیم تقسیم­بندی کلی زیر را داشته باشیم.

 Digital Image Processing

Image Processing

 مزایا و معایب  Analog ProcessingوDigital Image Processing :

Analog Processing

Digital Image Processing

ساده­تر است.

پیچیدگی­های زیادی دارد.

محدودیت در لایه­های اطلاعاتی داریم.

محدودیت در لایه­های اطلاعاتی نداریم.

محدودیت در حجم اطلاعات

عدم محدودیت در حجم اطلاعات

محدودیت در دامنه­های طیفی(مثلاً نمی­توان عکس NIR تهیه کرد)

عدم محدودیت در دامنه­های طیفی

محدودیت در دامنه رادیومتریک

عدم محدودیت در دامنه رادیومتریک

سرعت پردازش نسبت به روش دیگر کمتر است.

سرعت پردازش بالا است.

نقل و انتقالات نسبت به روش دیگر کمتر است.

نقل و انتقالات راحت­تر است.

1)  مشخصات و ویژگی­های تصویر رقومی:

تعریف تصویر:

تصویر یک سیگنال یا تابع دوبعدی است از روشنایی یا شدت نور که به صورت f(x,y) قابل تعریف می­باشد. هر تصویر دارای دو مشخصه هندسی و رادیومتریک می­باشد. در این تابع x و y که مختصات مکانی هر پیکسل را نشان می­دهد، ویژگی هندسی و f متناسب با روشنایی در آن نقطه می­باشد. کوچکترین واحد یک تصویر پیکسل یا Picture Element است. در تصویر رقومی تابع دوبعدی موردنظر ازجهت متغیر مختصات مکانی و همچنین از جهت شدت نور گسسته می­باشد. گسسته­سازی متغیر مکان Sampling و گسسته­سازی متغیر روشنایی Quantization نامیده می­شود. به شکل شماتیک می­توان این­گونه نوشت:

درجه روشنایی  یا gray value حاصل از Quantization که در واقع همان توان تفکیک رادیومتریک است.

X وy حاصل از sampling که در واقع همان توان تفکیک مکانی است.

مشخصات هر پیکسل

 در تصاویر رقومی تک­رنگ (تک باند) شدت نور فقط در یک طول موج ثبت شده است و f(x,y) در هر نقطه تنها یک عدد مربوط به آن نقطه را دارد؛ که به آن درجه خاکستری گفته می­شود اما در  سنجنده­های رنگی یا چندطیفی (Multispectral)، f(x,y) یک بردار است و دیگر یک عدد نیست. معمولاً از ساختار ماتریسی برای ذخیره، نمایش و پردازش قومی استفاده می­شود.

تصویر رنگی، در اینجا به ازای هر باند رنگی یک ماتریس وجود دارد که موقعیت ثابت ولی در هرکدام یک عدد متفاوت است که این تفاوت باعث تشخیص عارضه می­گردد. ← f(x,y) = <?mso-application progid="Word.Document"?> 12abc'>  

               

تصویر تک باند ←   f(x,y) = a

         

x

سیستم مختصات تصویر رقومی یک سیستم قراردادی است که معمولاً مبدأ آن پیکسل اول در قسمت بالا و چپ تصویر بوده و محور x آن به سمت راست و محورy اش به سمت پایین می­باشد.

 

y

                                

مراحل انجام یک پروژه سنجش از دور:

1. Data Collection: با توجه به نوع کاربرد، نوع تصویر، زمان تصویر و تعداد تصاویر در اینجا اهمیت پیدا می­کند. به عنوان مثال چنانچه کاربرد تهیه نقشه باشد ابتدا باید مقیاس نقشه مشخص شودتا با دانستن مقیاس داده­های موردنظرمان رابرداشت کنیم. یکی از مؤلفه­هایی که تعیین می­کند ما از روی تصویر چه نقشه­ای تهیه کنیم، پیکسل سایز است. همانطور که می­دانیم سنجنده سیاه و سفید ماهواره IKONOS دارای توان تفکیک مکانی 8/0 متر است لذا اگر بخواهیم نقشه­ای با مقیاس 1:5000 داشته باشیم چه پیکسل سایزی باید داشته باشیم؟ اگر خطای برداشت و ترسیم را 5/0 میلیمتر در نظر بگیریم:  <?mso-application progid="Word.Document"?> 12 0.5*5000=2.5m'>    که این 5/2 متر نشان می­دهد باید تصویری را انتخاب کنیم که پیکسل سایز یا کوچکترین عارضه در آن حداکثر 5/2 متر باشد. اما یک پیکسل در تصویر نمی­تواند عوارض را به ما نشان دهد و باید zoom منفی بگیریم تا بتوانیم یک عارضه را ببینیم و ترسیمش کنیم پس 2 یا 3 پیکسل نیاز است؛ بنابراین نمی­توان با IKONOS نقشه 1:5000 تهیه کرد؛ زیرا هم باید بتوانیم استخراج اطلاعات انجام دهیم و هم اینکه مقیاس را تعیین کنیم. گاهی نیز یک پروژه کار کشاورزی است. بنابراین در اینجا علاوه بر تعیین مقیاس بحث طیف نیز مطرح می­شود. از کاربردهای دیگری که می­توانیم به آن اشاره کنیم، این است که گاهی می­خواهیم پارامتری را مثلاً آب یک رودخانه را هر ماه پایش کنیم؛ پس باید ماهواره­ای را انتخاب کنیم که Revisit cycle آن یک ماه باشد.

2. Preprocessing: پس از اینکه داده­های ماهواره­ای به هر ترتیبی در اختیار قرار گرفت نیاز به پردازش­های اولیه بر روی این داده­ها می­باشد. داده­های ماهواره­ای سنجش از دور تحت تأثیر دو دسته خطای اصلی می­باشد؛ 1)خطای هندسی یا Geometric Error که موقعیت، ابعادو شکل تصویر را تغییر می­دهد. 2)خطای رادیومتریک یا Radiometric Error که مقدار پیکسل را مورد تأثیر قرار می­دهد. مراکزی که داده­های ماهواره­ای را در اختیار کاربر قرار می­دهند، می­توانند این داده­ها را در سطوح پردازشی مختلفی ارائه دهندکه عبارتند از:

  1. دیتای کاملاً خام یا  Raw data
  2. Radiometric Correction Only
  3. Radiometric Correction & Geometric Correction

3. بهبود کیفیت تصویر یا Image Enhancement: وقتی تصویر هم از جهت هندسی و هم از جهت رادیومتریک حاضر شد این تصویر که در مرحله پیش­پردازش قرار دارد را با کیفیت بهتری ارائه می­دهند. در اینجا از طریق توابعی که موجود است کیفیت تصویر را برای استخراج بهتر اطلاعات افزایش می­دهند.

4. Information Extraction: مهم­ترین مرحله یا بخش در کاربردهای سنجش از دور استخراج اطلاعات موردنظر از روی تصویر ماهواره­ای انتخاب شده می­باشد. طبیعتاً برای هر کاربرد خاص روش­های متفاوتی برای استخراج اطلاعات وجود دارد. به طور کلی روش­های استخراج اطلاعات از روی تصاویر ماهواده­ای به دو دسته تقسیم می­شوند:

  1. Visually: اطلاعات مورد نظر با استفاده از تفسیر چشمی و با تکیه بر مهارت اپراتور انجام می­شود.
  2. Automatic: بدون دخالت اپراتور و توسط الگوریتم­های مختلف پردازش تصاویر اطلاعات به صورت اتوماتیک استخراج می­شوند. با توجه به پیچیدگی­های تصاویر ماهواره­ای امکان استخراج اطلاعات به صورت کاملاً اتوماتیک از روی تصاویر وجود ندارد و در حال حاضر هرچند که روش­های پیچیده­ای بدین منظور به کار گرفته شده­اند، اما امکان اتوماسیون فرآیند به شکل کامل وجود ندارد. با توجه به این مشکل روش­های نیمه ات.ماتیک در برخی از انواع الگوریتم­های پردازش تصاویر استفاده می­شود. در این روشها اپراتور نیز نقش داشته و بخشی از مراحل کار به شکل اتوماتیک انجام می­شود.

در بحث پردازش تصاویر رقومی تصویر دو هدف عمده دنبال می­شود؛ یکی استخراج اطلاعات به شکل اتوماتیک و با دخالت کمتر انسان است تا به این ترتیب هنگامی که محدوده کاری بزرگ است بتوان در زمان کمتر برداشت اطلاعات بیشتری انجام داد؛ و دوم اینکه انواع اطلاعاتی که در محدوده قابل حس چشم انسان نیست را بتوان برداشت کرد.

 2)  پارامترهای آماری استخراج شده از روی تصویر:

Population جمعیت آماری: مجموعه­ای است محدود یا نامحدود از المانها. اما مطالعه بر روی جمعیت به دلیل گستردگی، کار مشکلی است به همین دلیل یک Sample یا نمونه تعیین می­شود که به عنوان زیرمجموعه­ای از جمعیت می­باشد. سپس پارامترهای محاسبه شده از نمونه را به جمعیت نسبت می­دهیم. اما نمونه باید یک شرط داشته باشد و آن اینکه بدون بایاس باشد؛ یعنی مورد اعتماد باشد و با مقدار واقعی اختلاف نداشته و تا حدی مطابقت داشته باشد. در سنجش از دور تصویر ماهواره­ای به عنوان یک مجموعه داده در نظر گرفته می­شود؛ لذا می­توان پارامترهای آماری را بر روی آن بررسی کرد. معمولاً نمونه­ها در تصاویر ماهواره ­ای که مجموعه­ای از پیکسل ها می­باشد از تابع نرمال پیروی می­کند.اما در تصاویر ماهواره­ای این تابع توزیع نرمال غیر­متقارن است. ویژگی یک تابع توزیع نرمال این است که توسط دو پارامتر میانگین و انحراف­معیار تعریف شده و بیشترین مقادیر نمونه در نزدیکی میانگین وجود دارد و هرچه از میانگین دورتر شویم تعداد پیکسل­های مربوطه نیز کمتر می­شود. نمونه­های بزرگ که از جمعیت­های طبیعی استخراج می­شوند، معمولاً دارای یک توزیع فرکانسی متقارن هستند؛ به طوریکه بیشترین مقادیر اطراف مقدار مرکزی بوده و هرچه از نقطه مرکزی دورتر شویم، فرکانس وقوع کاهش می­یابد. بسیاری از تست­های آماری که در تجزیه­تحلیل­های داده­های سنجش از دور استفاده می­شوند، با این فرض است که مقادیر روشنایی ثبت شده از یک منطقه توسط سنسور یا سنجنده به طور نرمال توزیع شده­اند. متأسفانه ممکن است تئوری آماری غیرپارامتریک پیشنهاد گردد.برای نمایش محتوای اطلاعاتی تصاویر سنجش از دور و فرکانس تکرار هر مقادیر روشنایی در تصویر از نمایش گرافیکی با عنوان هیستوگرام استفاده می­شود.هیستوگرام در هر تصویر تک­باندی که دارای  i سطر و  j ستون است، تعداد وقوع هر درجه روشنایی را در تصویر با توجه به توان تفکیک رادیومتریک تصویر نشان می­دهد. درصورتی که هیستوگرام به شکل پیوسته در نظر گرفته شود شکل تابع توزیع را نمایش می­دهد. می­دانیم هیستوگرام مربوط به به یک نمونه (که در سنجش از دور منظور یک پدیده خاص می­باشد)،  تابع توزیع را نشان می­دهد؛ این تابع توزیع می­تواند به شکل متقارن یا غیرمتقارن باشد. میزان عدم تقارن، توسط تابعی به نام Skewness مشخص که بعداً ارائه خواهد شد.هیستوگرام یا تابع توزیع مربوط به یک پدیده در روی زمین در روی زمین به شکل نرمال بوده و فقط دارای یک نقطه Max یا Peak خواهد بود. اما درصورتی که هیستوگرام مربوط به دو یا چند پدیده متفاوت مثل آب، خاک و گیاه باشد، هیستوگرام دارای چندین Peak خواهد بود. درصورتی که هیستوگرام دارای یک مد باشد به آن توزیع Unimodal  یا تک­­مدی  و درصورتی که دارای چند مد باشد آن را Multimodal می­گویند؛ چنانچه دارای دو مد باشد Bimodal نامیده می­شود. وقتی هیستوگرام دارای هیچ نقطه مد یا پیکی نباشد، به طوریکه همه درجات روشنایی به یک نسبت یکسان (یعنی به تعداد یکسان) در مجموعه وجود داشته باشد، اصطلاحاً به آن Uniform می­گویند. در طبیعت این حالت هرگز وجود ندارد.

میانه

به طورکلی پارامترهای آماری مورداستفاده در سنجش از دور در دودسته پارامترهای آماری تک­متغیره (Univariate) و چندمتغیره (Multivariate) تقسیم می­شود، که در ادامه توضیح داده می­شود.

توزیع آماری تک­متغیره:

مد و میانه جزء این دسته می­شوند که با آنها آشنایی داریم.

میانگین: <?mso-application progid="Word.Document"?> 12خ¼k=i=1nBVikn'> که i  عدد پیکسل و k باند موردنظر می­باشد. BV یا Brightness Value مقدار عدد روشنایی پیکسل موردنظر بر روی تصویر است.

رنج یا برد: اختلاف مینیمم و ماکزیمم مقدار بر روی تصویر است یعنی <?mso-application progid="Word.Document"?> 12BVmax-BVmin'> معمولاً رنج پارامتر آماری مناسبی برای تصاویر ماهواره­ای نمی­باشد. چون پیکسلی ممکن است به دلیل وجود خطا عدد دیگری تولید کند. پس وقتی بخواهیم رنج را حساب کنیم و این خطا مینیمم یا ماکزیمم مقدار باشد، ما را دچار انحراف می­کند. اما میانگین این مشکل را کمتر نشان می­دهد.

وریانس: پراکندگی نسبت به میانگین نشان می­دهد.     <?mso-application progid="Word.Document"?> 12Vark=i=1nBVik-خ¼k2n-1'>

Standard Deviation (انحراف معیار): جذر وریانس، انحراف معیار باند k را با  <?mso-application progid="Word.Document"?> 12Sk'> نمایش می­دهیم.

Skewness: این پارامتر معیاری است که میزان عدم تقارن (asymmetry) هیستوگرام را به ما نشان می­دهد.  <?mso-application progid="Word.Document"?> 12Skewnessk=i=1nBVik-خ¼kSk3n'>

در صورتی که هیستوگرام ما کاملاً متقارن باشد، مقدار این پارامتر صفر است.اگر مقدار این پارامتر منفی باشد تمایل منحنی به سمت راست، و در صورتی که این پارامتر مثبت باشد، تمایل منحنی به سمت مبدأ خواهد بود.

 

Kurtosis: این پارامتر معیاری است برای نشان دادن میزان تیز بودن پیک هیستوگرام که از رابطه زیر محاسبه می­شود:

<?mso-application progid="Word.Document"?> 12Kurtosisk=1ni=1nBVik-خ¼kSk4-3'>

در یک هیستوگرام نرمال مقدار این پارامتر صفر است هرچه این مقدار به طور مثبت بیشتر باشد، میزان تیزی هیستوگرام بیشتر است و در صورتی که به سمت منفی بیشتر باشد تیزی نقطه پیک کمتر خواهد بود.

پارامترهای آماری چند­متغیره:

این پارامترها ارتباط آماری بین دو یا چند مجموعه یا باند تصویر را نسبت به هم نشان می­دهد.

Correlation و کوریانس: مهم­ترین پارامترهای چندمتغیره مورد استفاده در سنجش از دور می­باشد. این پارامترها در قالب ماتریس وریانس­کوریانس و ماتریس Correlation بیان می­گردند. این پارامترها ارتباط بین باندها را نشان داده و مشخص می­کنند که تغییرات در یک باند تا چه حد با تغییرات باند یا باندهای دیگر در ارتباط است. پارامترهای Correlation و کوریانس همیشه بین دو مجموعه یا دو باند قابل محاسبه هستند. کوریانس از رابطه زیر محاسبه می­شود.

<?mso-application progid="Word.Document"?> 12Covk,l=i=1nBVik-خ¼kBVil-خ¼ln-1'>

ماتریس وریانس­کوریانس: یکی از مهم­ترین پارامترهای آماری است که در بسیاری از تحلیل­های آماری مورد استفاده قرار می­گیرد. در صورتی که یک تصویر n باندی داشته باشیم ماتریس وریانس­کوریانس به شکل زیر محاسبه می­شود.

 Correlation (ضریب همبستگی): مقادیر کوریانس بین هر دو مجموعه مقادیر متفاوتی خواهد بود که در یک محدوده مشخص به دست نیامده و لذا تحلیل کیفی مناسبی مبنی بر ارتباط دو مجموعه ارائه نمی­دهند. به عنوان مثال چنانچه کوریانس 100 باشد نمی­توان نشان داد که دو مجموعه ارتباطشان ضعیف است یا قوی؟ به همین علت مفهوم Correlation یا ضریب همبستگی مطرح می­شود؛ که رابطه آن به صورت زیر است:

<?mso-application progid="Word.Document"?> 12-1≤rk,l=Covk,lSkSl≤1'>

در صورتی که r=0 باشد یعنی هیچ همبستگی بین دو مجموعه وجود ندارد. هنگامی که r=1 باشد یعنی ماکزیمم همبستگی در جهت مثبت و چنانچه r=-1 یعنی ماکزیمم همبستگی در جهت منفی وجود دارد.

 

3)  خطاهای رادیومتریک و هندسی و تصحیحات مربوط به هریک:

پیش­پردازش (Preprocessing):

معمولاً داده­های سنجش از دور که توسط سیستم­های سنجش از دور دریافت می­شوند، تحت تأثیر دو خطای مهم شامل خطای رادیومتریک و هندسی قرار می­گیرند. خطای رادیومتریک خطایی است که محتوای اطلاعاتی ثبت شده توسط سیستم­های سنجش از دور را تحت تأثیر قرار داده و موجب می­گردد، مقدار عددی هر پیکسل (Digital Number or DN Value) با مقدار بازتاب واقعی پدیده متناظر مغایرت داشته باشد. خطای هندسی، وضعیت هندسی تصویر، شامل شکل واندازه را دستخوش تغییر می­نماید. این خطا موجب می­گردد، ابعاد و شکل پیکسل تصویر با اندازه و شکل واقعی پدیده در روی زمین مغایرت داشته باشد.علاوه­بر این تصویر خام اخذ شده توسط ماهواره در سیستم مختصات پیکسلی بوده که می­بایست به سیستم مختصات جهانی وصل گردد.حذف و تصحیح خطاهای هندسی و رادیومتریک را از روی داده­های سنجش از دور تحت عنوان پیش­پردازش یا Preprocessing عنوان می­کنند. زیرا این فرآیندها قبل از استخراج اطلاعات یا Information Extraction انجام می­شود. تصویری که بر روی آن پیش­پردازش انجام شده است، تا حد ممکن از جهت رادیومتریک و هندسی به واقعیت نزدیک می­باشد.

 

v                تصحیح رادیومتریک داده­های سنجش از دور(Radiometric Correction of Remote sensing Data ):

به طور کلی عوامل ایجاد خطاهای رادیومتریک در دو گروه خطاهای اتمسفری و خطاهای دستگاهی قرار می­گیرند.

ü    تصحیح خطاهای دستگاهی:

این دسته از خطاها به چهار شکل ظاهر می­شوند که عبارتند از:

1. خطاهای Bad Pixel یا Random Bad Pixel

2. خطای حذف شدن یک سطر یا یک ستون (Line or column Drop out)

3. خطای نوارشدگی Line or Column Striping

4. خطای Line Start-Stop Problem

1.خطاهای Bad Pixel یا Random Bad Pixel:

به طور کلی هنگامی که این خطا در تصویر وجود داشته باشد، معدود پیکسل­هایی به شکل اتفاقی در تصویر کاملاً سفید (در تصویر 8 بیتی عدد 255) یا به شکل کاملاً سیاه (عدد صفر) دیده می­شوند؛ در صورتی­که این اعداد در طبیعت وجود ندارند. در حالتی­که این نقاط کاملاً سیاه هستند، یک یا چند Detector در لحظه­های خاص به طور ناگهانی قطع شده­اند؛ و یا ممکن است یک یا چند Detector کاملاً اشباع شده و ماکزیمم عدد روشنایی را منتقل کنند. اما در بعضی از اوقات تعداد این Bad Pixelها به­قدری در تصویر زیاد باشد که گویی مجموعه­ای از Noise به سمت تصویر شلیک شده­ استو لذا در این حالت معمولاً به آن Shot Noise می­گویند. برای حذف این خطا ابتدا باید موقعیت این نقاط یا Noiseها، در روی تصویر مشخص (Locate) شود و سپس مقداری برای پیکسل موردنظر محاسبه گردد. برای پیدا کردن این نقاط در روی تصویر می­توان یک الگوریتم­ ساده بر روی تصویر اجرا نمود؛ به طوری­که پیکسل­های صفر یا 255 را پیدا کرده و سپس از طریق میانگین­گیری 8 پیکسل اطراف آن پیکسل موردنظر، مقدار جدیدی برای پیکسل مرکزی محاسبه شود.

 که در آن i سطر، j ستون و k باند مربوطه می­باشد و با int مقدار صحیح را به­دست می­آوریم.

2. خطای حذف شدن یک سطر یا یک ستون (Line or column Drop out):

برای موقعی است که خط عمودی با مقدار صفر در تصویر داشته باشیم.

در بعضی از اوقات مشاهده می­گردد که در روی تصویر یک یا چند خط افقی به رنگ کاملاً سیاه (با عدد پیکسل صفر) وجود دارد. این خطا به این دلیل اتفاق می­افتد که یک یا چند Detector به شکل کامل قطع شو

/ 10 نظر / 464 بازدید
طوافی

خیلی مفیدبود.

خیلی مفیدبود.

مریم

سلام ممنون مطالبتون عالی بود خیلی به درد من خورد خدا خیرتون بده.

مریم

سلام ممنون مطالبتون عالی بود خیلی به درد من خورد خدا خیرتون بده.

مریم رحمتی

بسیار خوب بود

ستاره

واقعا عالی بود ممنون خیلی استفاده کردم

ستاره

واقعا عالی بود ممنون خیلی استفاده کردم

ستاره

واقعا عالی بود ممنون خیلی استفاده کردم

سینا نیکزاد

با سلام و خسته نباشید ممنون از متن خوب و پر کار بردتون من به معادلات ریاضی و فرمولهای قسمت تصحیح اتمسفری این متن احتیاج دارم ولی در این متن درست نمایش داده نمیشه. ممنون میشم راهنماییم کنید. با تشکر

عبدالله

خیلی خیلی ممنون بسیار عالی بود همیشه موفق باشین