PDF, 3 MB - CENIA, česká informační agentura životního prostředí

24
● konverze takto upraveného výstupu na binární formát,
kde hodnota 1 zobrazuje obrysové linie a hodnota
0 prezentuje transparentní plochy;
● přiřazení průhlednosti a barevného kódování podle
datace zdrojových fotomap.
Výsledkem zpracování je tedy produkt, který byl
v rámci projektu nazván „binární obrysová mapa“. Tento
produkt umožňuje buď vzájemné srovnávání podobných
výstupů s různým datováním, nebo zobrazení kontur
stavu krajiny k určitému datu nad fotomapou s rozdílným
datováním. Proběhlé časové změny jsou zcela evidentní
a velmi dobře viditelné.
2.2.3 Matematické metody použité pro analýzu
změn
Základním předpokladem identifikace změn objektů
v čase a prostoru (krajině) pomocí dat dálkového průzkumu
je existence změn objektů či jejich vlastností,
kterou zaznamená snímací zařízení. Stejný objekt či jev
zaznamenaný na více obrazových datech z různých okamžiků
bude vykazovat různé hodnoty naměřené radiometrické
charakteristiky. Tento rozdíl může mít řadu příčin
a pouze některé jsou těmi, které se snažíme odhalit
při multitemporální analýze (analýze změn).
Technické vybavení pro analýzy rastrových dat
Na rozdíl od interpretace fotomap je zpracování rastrových
dat velmi náročné na výkonnost, kapacity a specifické
softwarové vybavení počítače. Pro tento účel byly
pořízeny dvě pracovní stanice s tímto vybavením:
● PC se čtyřjádrovým procesorem s frekvencí 3 GHz;
● 12 GB RAM;
● 2 TB diskového prostoru;
● Operační systém Windows XP 64-bit;
● Systém ENVI pro zpracování leteckých a družicových
snímků všech typů.
Toto vybavení je dostatečně výkonné, aby umožnilo
do začátku terénních prací vytvořit sadu produktů popsanou
níže. Uvedené vybavení si vyžádal jednak speciální
technologický postup při zpracování dat, kdy se
nepoužívají dostupné funkcionality běžných gisovských
nástrojů, ale pokročilé nástroje pro sofistikovanou práci
s obrazem a také nutnost zpracovat těmito náročnými
procedurami značně velké množství dat. Některé kroky
zpracovatelského procesu si přitom vyžádaly až dva týdny
nepřetržité automatické činnosti počítače a vyprodukovaly
při tom stovky gigabytů nových dat.
Pro detekci změn, které nastaly v definovaném časovém
intervalu lze použít následující algoritmy:
● obrazové rozdíly;
● obrazové podíly;
● regresní analýzu;
● tvorbu multitemporálních syntéz;
● porovnání výsledků klasifikací;
● analýzu vektoru spektrální změny.
V případě multitemporální analýzy leteckých ortofot
lze s úspěchem použít obrazové rozdíly, obrazové podíly
a analýzu vektoru spektrální změny.
Obrazové rozdíly
Výsledkem jsou kladné nebo záporné hodnoty v oblastech
se změnou radiačních charakteristik a nulové
hodnoty v oblastech beze změny. Pixely, které vykazují
nějaké změny, tvoří okraje normálního rozdělení. Pro
obrazové rozdíly můžeme použít např. následující algoritmus:
() − DN ( ) c
di , j,
k
= DNi
, j,
k
1
i,
j,
k
2 +
kde
d i,j,k
- hodnota změny obrazového elementu,
DN i,j,k
(1) - radiační hodnota prvního snímku,
DN i,j,k
(2) - radiační hodnota druhého snímku,
i,j - souřadnice obrazového elementu (řádek,
sloupec),
k - spektrální pásmo (pokud se jedná o multispektrální
data),
c - konstanta.
Pro upřesnění metody a především oddělení podstatných
a nepodstatných změn je nutné použít metodu
prahování, kdy vhodným nastavením prahových hodnot
limitujeme méně významné změny.
Obrazové podíly
Tato metoda eliminuje změněné podmínky snímání,
například změny v poloze Slunce. Je dobré kombinovat
mezi sebou oba typy – jak obrazové podíly, tak i obrazové
rozdíly. Obrazové podíly lze definovat:
DN
d
i,
j,
k
=
DN
i,
j,
k
i,
j,
k
() 1
() 2
kde
d i,j,k
- hodnota změny obrazového elementu,
DN i,j,k
(1) - radiační hodnota prvního snímku,
DN i,j,k
(2) - radiační hodnota druhého snímku,
i,j - souřadnice obrazového elementu (řádek,
sloupec),
k - spektrální pásmo (pokud se jedná o multispektrální
data).
Analýza vektoru spektrální změny
Tento typ analýzy lze použít v modifikovaném tvaru
i pro panchromatická data historického leteckého ortofota
na jedné straně a současného barevného (RGB)
ortofota.
Modifikovaný algoritmus vektoru spektrální změny
V =
[ DN1( T1) − DN1( 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 snímku,
DN2 - DN hodnota pixelu ve druhém použitém snímku,
T1 - první zpracovávané datum (historické ortofoto),
T2 - druhé zpracovávané datum (současné ortofoto).