Azərbaycanca AzərbaycancaБеларускі БеларускіDansk DanskDeutsch DeutschEspañola EspañolaFrançais FrançaisIndonesia IndonesiaItaliana Italiana日本語 日本語Қазақ ҚазақLietuvos LietuvosNederlands NederlandsPortuguês PortuguêsРусский Русскийසිංහල සිංහලแบบไทย แบบไทยTürkçe TürkçeУкраїнська Українська中國人 中國人United State United StateAfrikaans Afrikaans
Підтримка
www.wikidata.uk-ua.nina.az

Мультиспектральне зображення це такий знімок в якому дані зображення фіксуються у певних діапазонах довжин хвиль в елект

Мультиспектральне зображення

Мультиспектральне зображення

Мультиспектральне зображення — це такий знімок, в якому дані зображення фіксуються у певних діапазонах довжин хвиль в електромагнітному спектрі. Довжини хвиль можуть розділятися за допомогою оптичних фільтрів або із використанням сенсорів, що чутливі до конкретних довжин хвиль, в тому числі світло, що має частоти за межами видимого діапазону, наприклад інфрачервоне і ультрафіолетове. Спектральна візуалізація дозволяє отримати додаткову інформацію, яку не можна побачити людським оком маючи обмежені рецептори для бачення синього, зеленого, червоного. Початково вона розроблялася для космічної візуалізації, а також знайшла своє застосування для аналізу документів і живопису.

Відео відзняте Обсерваторією сонячної динаміки одночасно показує секції зображення Сонця для різних довжин хвиль

Мультиспектральне зображення вимірює світло в невеликій кількості (зазвичай від 3 до 15) [en]. Гіперспектральне зображення є окремим різновидом спектральної візуалізації де доступними є сотні неперервних спектральних смуг.

Спектральні смуги (діапазони)

Наведені довжини хвиль є наближеними; точні значення можуть залежати від діапазонів інструментів певних супутників:

  • Синій, 450-515..520 нм, використовується для зображення атмосфери і глибоководдя, в чистій воді може проникати на глибину до 50 м.
  • Зелений, 515..520-590..600 нм, використовується для зображення рослинності та глибоководних структур, до 30 м в чистій воді.
  • Червоний, 600..630-680..690 нм, використовується для зображення техногенних об'єктів, в воді до 9 м в глибину, ґрунтів, і рослинності.
  • Близькі до інфрачервоного хвилі (NIR), 750-900 нм, в основному використовується для зображення рослинності.
  • Середині інфрачервні хвилі (MIR), 1550-1750 нм, використовується для зображення рослинності, вмісту вологи в ґрунті, і іноді лісових пожеж.
  • Далекі інфрачервоні хвилі (FIR), 2080-2350 нм, використовується для зображення ґрунтів, вологи, геологічних ознак, силікатів, глини, і вогню.
  • Термальний, 10400-12500 нм, реєструє випромінені, а не відображені хвилі, для зображення геологічних структур, термальної різниці в течії води, вогню, і для нічного спостереження.
  • Радар і відповідні технології використовуються для зображення поверхні Землі і виявлення різних об'єктів.

Використання спектральних смуг

Різна комбінація спектральних смуг може використовуватися для різних задач. Як правило, їх представляють червоним, зеленим, і синім каналами. Зображення різних смуг кольором залежить від мети побудови зображення і персональних вподобань аналітика. Термальний інфрачервоний діапазон часто не береться до розгляду через низьку роздільну здатність, окрім спеціальних задач.

  • Дійсний колір використовує лише червоний, зелений, і синій канали, відображені у відповідні кольори. Як і при звичайній кольоровій фотографії, це є зручним для аналізу рукотворних об'єктів, і легкі для розуміння для початківців.
  • Зелений-червоний-інфрачервоний, де синій канал замінений близьким до інфрачервоного, застосовується для аналізу вегетації, яка добре відбиває близький до ІЧ спектр; і потім його зображають як синій. Таке поєднання часто використовується для виявлення рослинності і камуфляжу.
  • Синій-NIR-MIR, де в якості синього каналу використовують видимий синій, замість зеленого використовують NIR (так що вегетація залишається зеленою), і MIR зображають червоним. Такі знімки дозволяють побачити глиб води, покриття рослинністю, вміст вологи в ґрунті, і присутність вогню, все на одному зображенні.

Існує багато інших вживаних комбінацій. NIR часто зображають червоним, показуючи зони покриті вегетацією червоним кольором.

Класифікація

На відміну від інтерпретації фотографій у звичному видимому спектрі, на таких мультиспектральних зображення не легко напряму ідентифікувати ознаки за допомогою візуального сприйняття. Тому дані дистанційного зондування спершу необхідно класифікувати, після чого слідує обробка за допомогою різних технік покращення даних, аби допомогти користувачу зрозуміти ознаки на зображенні.

Така класифікація є складною задачею, що передбачає строгу перевірку навчальної вибірки, відповідно до обраного алгоритму класифікації. Ці техніки можна розбити на два типи.

  • Керована класифікація
  • Некерована класифікація

При керованій класифікації використовують навчальну вибірку. Навчальна вибірка, це приклади ділянок землі для яких відомо, що там знаходилось. [en] навчальних ділянок використовуються для знаходження схожих підписів в решті пікселів зображення, які будуть класифікуватися відповідно. Такий тип класифікації, в якій використовується навчальні зразки для класифікації називають керованим навчанням. Дуже для даного методу є дуже важливими експертні знання, оскільки правильний вибір навчальних зразків і визначення похибки можуть значно вплинути на точність класифікації. Однією з популярних технік є принцип максимальної правдоподібності. За допомогою неї обчислюють ймовірність приналежності пікселя до певного класу (ознаки) і відносить його до більш ймовірного класу.

При некерованій класифікації ніяких попередніх знань для класифікації ознак на зображенні мати не потрібно. Розглядається природне групування або кластеризація пікселів, тобто сірих відтінків пікселів. Визначається порогове значення для прийняття кількості кластерів в зображенні. Чим точніше буде порогове значення, тим більше класів буде отримано. Однак, при деяких межах, один і той же клас може бути розділений на декілька класів, через варіації в представленому класі. Після формування кластерів, проводиться наземна перевірка для ідентифікації чому відповідає визначений клас із пікселів зображення. Таким чином, при некерованій класифікації експертна інформація про класи не потрібна. Одним із популярних методів некерованої класифікації є алгоритм класифікації методом K-середніх.

Примітки

  • Harold Hough: Satellite Surveillance, Loompanics Unlimited, 1991,
  1. R.A. Schowengerdt. Remote sensing: Models and methods for image processing, Academic Press, 3rd ed., (2007)
  2. Hagen, Nathan; Kudenov, Michael W. . Spie. Digital Library. Optical Engineering. Архів оригіналу за 20 вересня 2015. Процитовано 2 лютого 2017.

Посилання

Вікіпедія, Українська, Україна, книга, книги, бібліотека, стаття, читати, завантажити, безкоштовно, безкоштовно завантажити, mp3, відео, mp4, 3gp, jpg, jpeg, gif, png, малюнок, музика, пісня, фільм, книга, гра, ігри, мобільний, телефон, android, ios, apple, мобільний телефон, samsung, iphone, xiomi, xiaomi, redmi, honor, oppo, nokia, sonya, mi, ПК, web, Інтернет

Multispektralne zobrazhennya ce takij znimok v yakomu dani zobrazhennya fiksuyutsya u pevnih diapazonah dovzhin hvil v elektromagnitnomu spektri Dovzhini hvil mozhut rozdilyatisya za dopomogoyu optichnih filtriv abo iz vikoristannyam sensoriv sho chutlivi do konkretnih dovzhin hvil v tomu chisli svitlo sho maye chastoti za mezhami vidimogo diapazonu napriklad infrachervone i ultrafioletove Spektralna vizualizaciya dozvolyaye otrimati dodatkovu informaciyu yaku ne mozhna pobachiti lyudskim okom mayuchi obmezheni receptori dlya bachennya sinogo zelenogo chervonogo Pochatkovo vona rozroblyalasya dlya kosmichnoyi vizualizaciyi a takozh znajshla svoye zastosuvannya dlya analizu dokumentiv i zhivopisu source source source source source source source Video vidznyate Observatoriyeyu sonyachnoyi dinamiki odnochasno pokazuye sekciyi zobrazhennya Soncya dlya riznih dovzhin hvil Multispektralne zobrazhennya vimiryuye svitlo v nevelikij kilkosti zazvichaj vid 3 do 15 en Giperspektralne zobrazhennya ye okremim riznovidom spektralnoyi vizualizaciyi de dostupnimi ye sotni neperervnih spektralnih smug Spektralni smugi diapazoni Navedeni dovzhini hvil ye nablizhenimi tochni znachennya mozhut zalezhati vid diapazoniv instrumentiv pevnih suputnikiv Sinij 450 515 520 nm vikoristovuyetsya dlya zobrazhennya atmosferi i glibokovoddya v chistij vodi mozhe pronikati na glibinu do 50 m Zelenij 515 520 590 600 nm vikoristovuyetsya dlya zobrazhennya roslinnosti ta glibokovodnih struktur do 30 m v chistij vodi Chervonij 600 630 680 690 nm vikoristovuyetsya dlya zobrazhennya tehnogennih ob yektiv v vodi do 9 m v glibinu gruntiv i roslinnosti Blizki do infrachervonogo hvili NIR 750 900 nm v osnovnomu vikoristovuyetsya dlya zobrazhennya roslinnosti Seredini infrachervni hvili MIR 1550 1750 nm vikoristovuyetsya dlya zobrazhennya roslinnosti vmistu vologi v grunti i inodi lisovih pozhezh Daleki infrachervoni hvili FIR 2080 2350 nm vikoristovuyetsya dlya zobrazhennya gruntiv vologi geologichnih oznak silikativ glini i vognyu Termalnij 10400 12500 nm reyestruye vipromineni a ne vidobrazheni hvili dlya zobrazhennya geologichnih struktur termalnoyi riznici v techiyi vodi vognyu i dlya nichnogo sposterezhennya Radar i vidpovidni tehnologiyi vikoristovuyutsya dlya zobrazhennya poverhni Zemli i viyavlennya riznih ob yektiv Vikoristannya spektralnih smugRizna kombinaciya spektralnih smug mozhe vikoristovuvatisya dlya riznih zadach Yak pravilo yih predstavlyayut chervonim zelenim i sinim kanalami Zobrazhennya riznih smug kolorom zalezhit vid meti pobudovi zobrazhennya i personalnih vpodoban analitika Termalnij infrachervonij diapazon chasto ne beretsya do rozglyadu cherez nizku rozdilnu zdatnist okrim specialnih zadach Dijsnij kolir vikoristovuye lishe chervonij zelenij i sinij kanali vidobrazheni u vidpovidni kolori Yak i pri zvichajnij kolorovij fotografiyi ce ye zruchnim dlya analizu rukotvornih ob yektiv i legki dlya rozuminnya dlya pochatkivciv Zelenij chervonij infrachervonij de sinij kanal zaminenij blizkim do infrachervonogo zastosovuyetsya dlya analizu vegetaciyi yaka dobre vidbivaye blizkij do ICh spektr i potim jogo zobrazhayut yak sinij Take poyednannya chasto vikoristovuyetsya dlya viyavlennya roslinnosti i kamuflyazhu Sinij NIR MIR de v yakosti sinogo kanalu vikoristovuyut vidimij sinij zamist zelenogo vikoristovuyut NIR tak sho vegetaciya zalishayetsya zelenoyu i MIR zobrazhayut chervonim Taki znimki dozvolyayut pobachiti glib vodi pokrittya roslinnistyu vmist vologi v grunti i prisutnist vognyu vse na odnomu zobrazhenni Isnuye bagato inshih vzhivanih kombinacij NIR chasto zobrazhayut chervonim pokazuyuchi zoni pokriti vegetaciyeyu chervonim kolorom KlasifikaciyaNa vidminu vid interpretaciyi fotografij u zvichnomu vidimomu spektri na takih multispektralnih zobrazhennya ne legko napryamu identifikuvati oznaki za dopomogoyu vizualnogo sprijnyattya Tomu dani distancijnogo zonduvannya spershu neobhidno klasifikuvati pislya chogo sliduye obrobka za dopomogoyu riznih tehnik pokrashennya danih abi dopomogti koristuvachu zrozumiti oznaki na zobrazhenni Taka klasifikaciya ye skladnoyu zadacheyu sho peredbachaye strogu perevirku navchalnoyi vibirki vidpovidno do obranogo algoritmu klasifikaciyi Ci tehniki mozhna rozbiti na dva tipi Kerovana klasifikaciya Nekerovana klasifikaciya Pri kerovanij klasifikaciyi vikoristovuyut navchalnu vibirku Navchalna vibirka ce prikladi dilyanok zemli dlya yakih vidomo sho tam znahodilos en navchalnih dilyanok vikoristovuyutsya dlya znahodzhennya shozhih pidpisiv v reshti pikseliv zobrazhennya yaki budut klasifikuvatisya vidpovidno Takij tip klasifikaciyi v yakij vikoristovuyetsya navchalni zrazki dlya klasifikaciyi nazivayut kerovanim navchannyam Duzhe dlya danogo metodu ye duzhe vazhlivimi ekspertni znannya oskilki pravilnij vibir navchalnih zrazkiv i viznachennya pohibki mozhut znachno vplinuti na tochnist klasifikaciyi Odniyeyu z populyarnih tehnik ye princip maksimalnoyi pravdopodibnosti Za dopomogoyu neyi obchislyuyut jmovirnist prinalezhnosti pikselya do pevnogo klasu oznaki i vidnosit jogo do bilsh jmovirnogo klasu Pri nekerovanij klasifikaciyi niyakih poperednih znan dlya klasifikaciyi oznak na zobrazhenni mati ne potribno Rozglyadayetsya prirodne grupuvannya abo klasterizaciya pikseliv tobto sirih vidtinkiv pikseliv Viznachayetsya porogove znachennya dlya prijnyattya kilkosti klasteriv v zobrazhenni Chim tochnishe bude porogove znachennya tim bilshe klasiv bude otrimano Odnak pri deyakih mezhah odin i toj zhe klas mozhe buti rozdilenij na dekilka klasiv cherez variaciyi v predstavlenomu klasi Pislya formuvannya klasteriv provoditsya nazemna perevirka dlya identifikaciyi chomu vidpovidaye viznachenij klas iz pikseliv zobrazhennya Takim chinom pri nekerovanij klasifikaciyi ekspertna informaciya pro klasi ne potribna Odnim iz populyarnih metodiv nekerovanoyi klasifikaciyi ye algoritm klasifikaciyi metodom K serednih PrimitkiHarold Hough Satellite Surveillance Loompanics Unlimited 1991 ISBN 1 55950 077 8 R A Schowengerdt Remote sensing Models and methods for image processing Academic Press 3rd ed 2007 Hagen Nathan Kudenov Michael W Spie Digital Library Optical Engineering Arhiv originalu za 20 veresnya 2015 Procitovano 2 lyutogo 2017 PosilannyaSc chula ac th 14 lyutogo 2015 u Wayback Machine Academic emporia edu 19 lyutogo 2015 u Wayback Machine Multispectral imaging 15 bereznya 2016 u Wayback Machine at ColourLex

Дата публікації:
Топ