DZD DPZ 10 Obrazová spektrometrie. Doc. Dr. Ing. Jiří Horák - Ing. Tomáš Peňáz, Ph.D. Institut geoinformatiky VŠB-TU Ostrava

Transkript

1 DZD DPZ 10 Obrazová spektrometrie Doc. Dr. Ing. Jiří Horák - Ing. Tomáš Peňáz, Ph.D. Institut geoinformatiky VŠB-TU Ostrava

2 Základní charakteristika Hyperspectral data contains both spatial and spectral information from materials within a given scene. Each pixel across a sequence of continuous, narrow spectral bands, contains both spatial and spectral properties. Pixels are sampled across many narrowband images at a particular spatial location within the "spectral cube", resulting in a one-dimensional spectrum.

3

4

5 Data z obrazové spektrometrie tzv. hyperspektrální data spojitý interval EMG spektra stovky úzkých, sousedících obrazových pásem (např. AVIRIS 224) Šířka pásma 10 nm i méně It can be used to identify, and in some cases characterize scene features based on their unique spectral signatures (absorption bands or emissive features). Ultraspectral sensors s of spectral channels, each with a bandwidth narrower than those of hyperspectral sensors (less than 5 nanometers). Ultraspectral sensors - allow a quantitative assessment of scene materials (solids, liquids and gases). For example, the abundance of different gases or effluents could be determined based on the width and strength of absorption features in a given spectrum. Schopnost subpixelové detekce (v případě vysokého kontrastu) měření obrazovými spektrometry (resp. spektroradiometry) analýza a vyhodnocení - speciální zpracovatelské postupy

6

7 Srovnání spektrálních křivek Modis, TM, laboratoř HSD Alunite příznak

8

9 Možnost identifikace plynů nutnost teplotního kontrastu

10 Postup analýzy hyperspektrálních dat 1. Předzpracování (kalibrace) atmosférické korekce. Kritický krok, špatné provedení vede k chybě I.druhu (false positive) 2. Vizualizace a úpravy dat - výběr vhodných pásem (eliminace zašuměných pásem, odstranění pásem s redundantní informací) např. MNF transformace (2 PCA) 3. Odvození spektrálních elementárních povrchů (endmembers). Endmember označuje čistý spektrální signál určitého materiálu. Identifikují se v datech, spektrálních knihovnách, terénním měřením (tvorba vlastních spektrálních knihoven). 4. Spektrální mapování (spectral mapping). Tvorba finálního produktu: klasifikace scény do tematické mapy, mapa identifikace materiálů, mapa detekce cíle

11

12 metodika zpracování družicových dat podle NIKM Výběr území Výběr dat DPZ Hyperspektrální družicová data Hyperspektrální letecká data Předzpracování - Radiometrické a geometrické korekce Pozemní měření v době přeletu Atmosférická korekce - empirická Atmosférická korekce - modelová Předzpracování určení transformačního klíče pro georeferencování Analýza hyperspektrálních dat po atmosférické korekci - negeoreferencovaná scéna Výběr příznakových oblastí známá KM Referenční spektrální knihovna laboratorně měřených kontaminantů Kontrola odlučitelnosti vybraných oblastí (analýza příznakového prostoru) Volba metody obrazové spektroskopie Metoda nejmenších čtverců (SFF) Metoda spektrálního úhlu (SAM) Maskování Spektrální analýza snímků Georeferencování výsledků analýz Identifikace potencionálně kontaminovaného místa Aplikace GIS

13 Pořizování hyperspektrálních dat Družice (EO-1 Hyperion) Letadla (AVIRIS)

14 EO-1 Hyperion první svého druhu poskytující snímky Země ve více než 220 spektrálních pásmech. rozlišení 30 m; 220 přilehlých, úzkých spektrálních pásem se spektrálním rozlišením 10 nm. Spektrální rozsah senzoru je od 357 do nm. Oblast zachycená na jednom snímku je 7,5 km x 100 km. Kvůli degradaci senzoru je kalibrováno pouze 158 kanálů a to 8 57 pro VNIR (viditelné a blízké infračervené pásmo) a pro SWIR (krátkovlnné infračervené pásmo). Ostatní kanály nejsou kalibrovány z důvodu nízké citlivosti a jsou nastaveny na hodnotu 0. V archivu Geologické služby Spojených států amerických (USGS) jsou data z prvního roku provozu satelitu EO-1 (demonstration/validation mission ), tak data z tzv. EO-1 Extended Mission (2001 současnost). Snímky jsou zde k dispozici ve stupni L1Gst, který určuje jejich míru zpracování (korekce). Data jsou ve formátu GeoTIFF a jsou distribuována zdarma. Data Hyperionu mohou být v těchto stupních předzpracování: 1. Level 0R (L0R) na data nebyly aplikovány žádné korekce. 2. Level 1R (L1R) radiometricky opravená data. 3. Level 1Gs (L1Gs) radiometricky opravená data, převzorkovaná po geometrické korekci a s přiřazeným zobrazením (transformovaná). 4. Level 1Gst (L1Gst) radiometricky opravená data, převzorkovaná po geometrické korekci a s přiřazeným zobrazením (transformovaná). Snímek je ortorektifikovaný s použitím digitálního výškového modelu (DEM) pro odstranění chyby z paralaxy. Použitý DEM závisí na dostupnosti informací o výškách v daném místě. Digitální hodnoty v L1G reprezentují absolutní hodnotu záření uloženou jako 16 bitový signed integer. NIKM

15 Dostupné snímky Hyperionu a testovací lokality NIKM 2011 NIKM

16 Příklady obrazových spektrometrů pro vědecké a komerční použití Senzor Organizace Země Počet pásem Rozsah vln. délek [µm] AVIRIS NASA USA 224 0,40 2,50 AISA Spectral Imaging, Ltd. Finsko 286 0,45 0,90 CASI Itres Research Kanada 288 0,43 0,87 DAIS 2115 GER Corp. USA 211 0,40 12,50 HYMAP PROBE-1 Integrated Spectronics Pty Ltd. Earth Research Sciences Inc. Austrálie 128 0,40 2,45 USA 128 0,40 2,45

17 Pořizování hyperspektrálních dat AVIRIS airborne hyperspectral imaging sensor obtains spectral data over 224 continuous channels, each with a bandwidth of 10 nm over a spectral range from 400 to 2500 nanometers. An example of an operational space-based hyperspectral imaging platform, is the Air Force Research Lab's TacSat- 3/ARTEMIS sensor, which has 400 continuous spectral channels, each with a bandwidth of 5 nm.

18 Mechanooptický spektrometr

19 Vizualizace hyperspektrálních dat křivky spektrálního chování grafické znázornění (graf) v spektrálním prostoru obrazová kostka

20 Křivky spektrálního chování absorpční pásy typický tvar křivek materiály identifikace diskriminace knihovny křivek spektrálního chování: programové produkty (ER-Mapper, ERDAS Imagine, TNTmips, ENVI, ) www stránky:

21 Křivky spektrálního chování

22 Křivky spektrálního chování vegetace

23 Křivky spektrálního chování

24 Knihovny spektrálních křivek

25 Obrazová kostka

26 Obrazová kostka

27 Obrazová kostka fuzzy zóny oblasti atmosférické vodní absorbce (1,4 a 1,9 µm)

28 odrazivost v pásmu 2 Smíšená spektra elementární povrchy A, B, C (angl. end members) čistý spektrální projev smíšené povrchy smíšený (obrazový) prostor způsoby vnímání smíšených povrchů makroskopický pohled detailní pohled endmember A smíšený prostor endmember B endmember C odrazivost v pásmu 1

29 Smíšená spektra mikroskopické hledisko východisko foton interaguje s několika typy materiálu (jsou ve směsi) smíšené spektrum nelineární kombinace (obtížné stanovení jednotlivých podílů)

30 Smíšená spektra makroskopické hledisko východisko foton interaguje s jedním typem materiálu, povrchu smíšená spektrální odezva lineární kombinace

31 Smíšené povrchy

32 Smíšené pixely a materiálové mapy Vstupní obraz ČISTÝ ČISTÝ Červená podílová mapa ČISTÝ SMÍŠENÝ Zelená podílová mapa

33 Předzpracování hyperspektrálních dat

34 Předzpracování hyperspektrálních dat podmínky využití metod analýzy hyperspektrálních dat atmosférické korekce korekce lokálních podmínek (vlivy členitosti terénu) eliminace šumu v datech

35 Předzpracování hyperspektrálních dat metody konverze odrazivosti v hyperspektrálních datech konverze plochého pole konverze průměrné relativní odrazivosti metoda empirické úsečky modelovací metody eliminace šumu v datech analýza hlavních komponent (PCA) transformace minimálního podílu šumu (MNF)

36 Konverze plochého pole angl. Flat Field Conversion průměrná spektrální odezva plochy ovlivňována působením sluneční iradiace atmosférického rozptylu a absorpce obrazový záznam zobrazující homogenní oblast tzv. ploché pole - plochá spektrální křivka resp. její část normalizace obrazu spektrálních charakteristik scény konverze scény na relativní odrazivost dělením průměrnou hodnotou odrazivosti plochého pole

37 Konverze plochého pole výběr světlých ploch metoda vhodná pro homogenní plochy poušť vyschlá pánev solného jezera světlé antropogenní materiály (beton ve městech) metoda nevhodná pro území s významnými změnami nadmořské výšky (většina scén) topografické zastínění (angl. Topografic Shading) rozdíly v délce průchodu záření atmosférou (angl. Atmosferic Path Diferences)

38 Konverze průměrné relativní odrazivosti angl. Average Relative Reflectance Conversion normalizace spektrálních charakteristik dělením průměrnou hodnotou pro celý hypersp. záznam předzpracování odstraní: topografické zastínění změny intenzity jasu předpokladem dostatečná heterogenita záznamu: eliminuje se prostorová variabilita reprezentovaná spektrálními charakteristikami vypočtena průměrná hodnota spektrálních charakteristik (podobnost s konverzí plochého pole) vhodná jen pro některá území mohou vznikat rušivé spektrální charakteristiky

39 Další metody konverze spektrální odrazivosti zaměřené na mapování minerálů vliv atmosféry na změnu spektrální odrazivosti: malý - infračervený obor <2; 2,5>μm nezanedbatelný - viditelný a blízký infračervený obor <0,4;2,0>μm při přítomnosti tmavých materiálů a hlubokých topografických stínů - přibližná korekce pásem: ovlivněním minimální hodnoty jasu nebo průměrné hodnoty zastíněné oblasti odečtení od hodnoty každého pixelu pásma

40 Metoda empirické úsečky angl. Empirical Line Method využívána pro konverzi obrazových dat na hodnoty odrazivosti odpovídajícího území měření spektrální odrazivosti v terénu na dvou a více plochách: dostatečně velkých - rozeznatelných v obrazu vykazujících podstatně odlišné hodnoty jasu odvození vztahu mezi spektrální odrazivostí změřenou DPZ a uloženou ve vybraném pásmu obrazového záznamu na zemském povrchu

41 Metoda empirické úsečky offset aditivní složka nebere v úvahu možné efekty topografie rozdíly v délce průchodu záření atmosférou topografické zastínění

42 Modelovací metody přenos radiace simulace slunečního iradiačního spektra ve vztahu k výšce Slunce vstupní atmosférické podmínky známé - zjištěny měření neznámé stanovení odhadem (distribuce rozptylujících látek CO 2, O 2 ) směs CO 2, O 2 rozptylující efekt vodní páry odhad a korekce vliv pásem vodní absorpce možnost zohlednění v souvislosti s topografickými stíny příklad - model ATREM 3.0

43 Modelovací metody ukázka funkce modelu ATREM 3.0 (Atmosphere Removal Program)

44 Úprava dat - příprava dat před klasifikací

45 Analýza hlavních komponent odstranění redundance dat - numerická a vizuální podobnost sousedních pásem koncentrace informací v syntetických pásmech nízkého stupně

46 Analýza hlavních komponent příklad užití při zpracování pásem systému AVIRIS PCA 1, 2, 3 PCA 6, 9, 12

47 Metoda vzájemné korelace (cross-correlation) metoda pro porovnání hodnot sledovaného pásma s hodnotami ostatních pásem výpočet korelačních koeficientů pro odpovídající si pixely výsledkem tzv. korelační rastr DN <0; 1> zpracování prahováním, prahová hodnota rozdělí: 0 není shoda 1 perfektní shoda, pixel reprezentuje elementární povrch metoda robustní vůči heterogenitě jasu v záznamu

48 Transformace minimálního podílu šumu angl. Minimal Noise Fraction Transformation (MNF) předběžný výpočet šumu v každém pásmu na základě prostorových odchylek v hodnotách jasu následují dvě po sobě vypočtené PCA výsledkem syntetická pásma s rovnoměrně rozděleným šumem pásma s nižšími indexy obsahují: převahu obrazové informace nepatrné množství šumu

49 Stanovení elementárních povrchů obrazu Pixel Purity Index index čistoty pixelu hodnoty elementárních povrchů leží podél okrajů mraku hodnot v rozptylogramu

50 Stanovení elementárních povrchů obrazu vstupem pro výpočet PPI výsledek MNF - syntetická pásma nižšího stupně provedení operace linear unmixing operace PPI k dispozici v produktech: TNTMips ENVI PPI rastr maskou pro n-dimensionální vizualizační nástroje: TNTMips (n-dimensional Visualizer ) ENVI (n-d Visualizer )

51 kroky algoritmu: Index čistoty pixelu generování testovacích vektorů náhodných směrů vycházejících z počátku rozptylogramu vymezení prahových hodnot pro stanovení extrémů testování extrémů v cyklu pro různé vektory výsledkem PPI rastr DN je počet výskytů pixelu mezi testovanými extrémy PPI rastru: nejnižší DN - tmavé pixely spektrálně nejméně čisté nejvyšší DN - světlé pixely - spektrálně nejčistší

52 Index čistoty pixelu

53 Výběr elementárních povrchů n-d Visualizer

54 odrazivost v pásmu 2 Znázornění spektrálních charakteristik vektorová veličina 2-rozměrný příklad 0,7 odrazivost v pásmu 1 0,8

55 Metody klasifikace hyperspektrálních dat Klasifikace spektrálním úhlem (SAM) porovnávací filtrace (matched filters MF) Spectral Template Matching Spectral Feature Fitting (SSF) Adaptive Coherence Estimator (ACE) Mixture Tuned Matched Filter (MTMF) lineární rozdružování (LU) CEM MTMF/SAM

56 Klasifikace spektrálním úhlem Spectral Angle Mapper (SAM) Každé spektrum jako vektor v N-rozměrném spektrálním prostoru míra podobnosti mezi testovaným a srovnávacím spektrálním profilem spektrální úhel β spektrální úhel β vyjadřuje tzv. úhlovou vzdálenost menší β => větší spektrální podobnost

57

58 pásmo B Klasifikace spektrálním úhlem schéma pro 2 pásma S T β T vektor testovaného profilu S vektor srovnávacího profilu β spektrální úhel pásmo A

59 Klasifikace spektrálním úhlem výsledkem rastr (DN odpovídá β) metoda určena pro hodnoty odrazivosti, ale pokud budou použity i hodnoty záře, nebude chyba významná Metoda relativně necitlivá pro efekt různého ozáření a albeda metoda nevyžaduje korekce osvětlení: potřebuje směr vektoru nepotřebuje délku vektoru

60 Porovnávání spektrálních profilů porovnávací filtrace (Matched Filtering, Matched Filters MF) metoda analýzy heterogenních pixelů snaha maximalizovat odezvu cílového spektra při potlačení rušivého vlivu pozadí (maximize the response of target spectra while supressing background clutter) kritérium dobrá shoda rozptylu (goodness of variance fit) míra podobnosti mezi: spektrálním profilem testovaného pixelu srovnávacími spektrálními profily (end members)

61 Porovnávací filtrace

62 Porovnávací filtrace dílčím výsledkem je rastr (pro každý srovnávací spektrální profil) datový typ DN výsledných rastrů floating point DN = 1 => absolutní shoda DN < 1 => částečná shoda finálním výsledkem je materiálová mapa (rastr)

63 Porovnávací filtrace dílčí rastry kaolinit chalcedon alunit

64 Materiálová mapa (výsledek porovnávací filtrace MF)

65 Užití spektrálních informací pro analýzu dat užití řízené spektrální klasifikace - omezené možnosti řada dalších metod DN výsledného rastru vyjadřuje míru podobnosti mezi analyzovaným a srovnávacím spektrem nebezpečí záměny materiálů s podobným spektrálním chováním

66 Spectral Feature Fitting (SFF) Tyto metody požadují úpravu dat na odrazivost a posléze normalizaci spektrálního projevu (odstranění kontinua). Kontinuum odpovídá spektru okolí, které nemá nic společného se specifickými absorpčními vlastnostmi zájmového materiálu. Spektrální hloubka je úměrná množství materiálu ve vzorku a velikosti zrna vzorku. Hloubka se zvyšuje s nárůstem velikosti zrna a poté se snižuje s převahou absorpce nad rozptylem. Zjevná hloubka absorpce D je relativní k okolnímu kontinuu a v odrazivosti má tento vzorec: D 1 R R b c R b je odrazivost v centru absorpčního pásma (minimum po odstranění kontinua), R c hodnota odrazivosti kontinua ve vlnové délce v centru pásma FWHM

67 Spectral Feature Fitting (SFF) Spektrální projevy zkoumaného materiálu měřené dálkovým průzkumem nejsou tak kvalitní jako projevy měřené na čistém referenčním materiálu. Osvětlení, sklon terénu a atmosférické vlivy nedovoluje přímé porovnávání spektra referenčních materiálů a zkoumaného materiálu materiály povrchu jsou téměř vždy smíchané - porovnávání až po izolaci průběhu zkoumaného spektra. intenzita měření je vždy nižší při měření DPZ nutnost opravy pomocí změny spektrálního kontrastu referenčního spektra s odstraněným kontinuem Lc k Lc' 1 k kde L c je měřené spektrum, L c ' je normalizovaný spektrální projev s odstraněným kontinuem (odrazivost), které nejlépe odpovídá zkoumanému spektru tzn. je zároveň upraven jeho kontrast k. Pokud k je menší než 0 spektrální kontrast se zvyšuje a obráceně.

68 Spectral Feature Fitting (SFF) Vzorec lze zapsat i takto: L ' a c bl c vzorec linearizuje problematiku spektrální hloubky proto můžeme najít přímé řešení bez iterací. Pro tuto rovnici chceme najít hodnotu proměnných koeficientů a a b, které dávají nejlepší výsledky pro zkoumaný spektrální projev O c. Řešením je standardní lineární metoda nejmenších čtverců. Nakonec se určí korelační koeficient F Oc Lc O clc Oc OcLc n b b' n 2 2 F bb' 2 Lc 2 Lo Oc Oc n n L c

69 Adaptive Coherence Estimator (ACE) ACE modeluje rušivý vliv pozadí pomocí statistiky dat kovarianční matice (models the background clutter using the data's statistics (covariance matrix). ACE se používá pro nalezení cílů, když nemám znalost o všech elementárních površích ve scéně. Metoda nezávisí na relativním škálování vstupního spektra (method does not depend on the relative scaling of input spectra).

70

71 Mixture Tuned Matched Filter (MTMF) Kombinuje techniky MF a teorie lineárního smíšení (linear mixture theory). Zahrnuje parametr neskutečnosti (infeasibility parameter), který popisuje, jak pravděpodobná je chyba I.druhu (false positive) Užitečná zejména pro sub-pixel analýzy materiálů ve scéně

72 Lineární rozdružování Linear Unmixing (LU) metoda analýzy heterogenních pixelů předpoklad znalosti: spektrálních profilů jednotlivých materiálů procentuální zastoupení jednotlivých materiálů v ploše pixelu míra podobnosti mezi spektrálním profilem testovaného pixelu a srovnávacími spektrálními profily (end members)

73 Lineární rozdružování metoda stanovení podílu dílčích elementárních povrchů v pixelu předpoklady smíšené spektrum vzniklo lineární kombinací elementárních povrchů makroskopický pohled na míchání relativně malý počet materiálů s ± konstantními vlastnostmi požadavek výběru vhodných elementárních povrchů s použitím buněk čistých v celém rozsahu (jednotlivé materiály)

74 Linear Unmixing (LU)

75 Lineární rozdružování Linear Unmixing (LU) Řešení soustavy N lineárních rovnic pro každý pixel (N je počet spektrálních pásem) Výsledkem je přítomnost každého hledaného materiálu v 1 pixelu vyjádřený jako podíl Schopnost identifikovat materiály, které nejsou rozlišitelné v obraze This is an example of what is known as "Non-literal" analysis, in contrast to literal analysis where objects are identified by eye.

76 Lineární rozdružování výsledkem rastr pro každý srovnávací spektrální profil každý výsledný rastr ukazuje podíl dílčího spektrálního profilu v testovaném rastru DN = <0;1> resp. DN = <0;100>% ideální případ podílové hodnoty elementárních povrchů z intervalu <0; 1> součet podílů elementárních povrchů = 1 resp. 100%

77 Hodnocení výsledků lineárního rozdružování nevhodné parametry mnoho elementárních povrchů nevhodné elementárních povrchy součet podílů elementárních povrchů <> 1 chybový rastr (error raster) DN vyjadřují reziduální chybu (RMS Error) světlé hodnoty (high error values) malá shoda - nutnost zahrnutí dalších elementárních povrchů

78 Aplikace

79 Přesná identifikace red edge The high spectral resolution of hyperspectral sensors allows the clear identification of the "red edge" feature of healthy vegetation.

80 Index spálení (burn index BI) Mapování burn scars and hot spots (seen as orange and bright orange spots on the right image) through smoke resulting from wildfires. The smoke is more transparent in the SWIR bands than in the VNIR bands. Using a contrast ratio of two different SWIR bands, a Burn Index (BI) can be created to measure the severity of burn scars. Data Hyperion

81

82 Mapování minerálů one of the major applications of hyperspectral imaging where high spectral resolution is necessary to identify specific minerals from their unique absorption features produced by the interaction of radiation with the mineral's unqiue crystalline structure. a Matched filter was used along with a USGS reference spectrum of the water-alteration mineral Kaolinite, to detect is location at Cuprite, Nevada. In the MF detection map, the white areas indicate the presence of Kaolinite. The Minimum Noise Transform (shown in lower left image) reveals the diversity of minerals at the Cuprite, Nevada calibration test site. The top left pane shows the difference between the USGS reference spectrum (blue line) and the actual AVIRIS spectrum (red line). The fit to the specific absorption doublet feature at slightly less than 2.2 microns indicates the identification of the mineral Kaolinite. The SWIR portion of the spectrum between 2.0 and 2.5 microns is most commonly used to map minerals.

83

84 Mapování minerálů 2 The following slide shows Matched Filter detections of three different alteration minerals at the Cuprite, Nevada site. Kaolinite, Alunite, and Buddingtonite are shown as different color overlays on top of a single baseline SWIR band.

85

86 Detekce ropných látek Hyperspectral imaging is especially useful for assessing environmental disasters, such as the 2010 Gulf Oil Spill. The location of oil slicks floating on the surface of ocean water can be identified using several unique absorption bands due to the C-H bond of the hydrocarbon. Small amounts of oil are sensitive to the 2.3-micron absorption feature, which is caused by different rotational modes of the hydrocarbon molecule. Thicker amounts of oil are sensitive to the 1.73-micron absorption feature, which is the result of the hydrocarbon molecule's strech mode. In contrast to multispectral imaging, which can locate oil slicks by their distinctive color on ocean water, hyperspectral imaging allows a quantitative assessment of the amount of oil present

87

88 Vojenské aplikace The high spectral resolution of hyperspectral sensors allows one to discriminate not only camouflage from background clutter, but different types of camouflage. Note the common spectral feature of two types of camouflage. They all "mimic" the red edge of vegetation, so they would all appear to blend in with background vegetation if they were imaged using conventional NIR/Red/Green multispectral imaging systems. However, hyperspectral imaging systems with expanded spectral coverage in addition to higher spectral resolution can differentiate the different types of camouflage, especially when examined in the SWIR portion of the spectrum. The SWIR bands also allow the discrimination between the two types of camouflage and the background vegetation.

89

90 Budoucnost obrazové spektrometrie Použití aktivních hyperspektrálních systémů s vlastním zdrojem řízeného osvětlení Redukuje nebo eliminuje problémy spojené s artefakty slunečního osvětlení a stíny