Lv Fe II Ws1415 4 Envi Einführung

Institut für Geotechnik und Markscheidewesen

Wintersemester 2014/2015 - Fernerkundung II d.walter · igmc · tu-clausthal · 2014 57

ENVI Classic Basic Tools ▶ Band Math ENVI (Neu) Toolbox: Band Ratio > Band Math Anwendungsbeispiele:

Band-Ratios, Differenzbilder etc. Variablen beginnen hier mit „B“ float() verwenden, da das Ergebnis

sonst integer() ist!

Mathematische Operatoren ( ) ^ * / MOD + - Logische Operatoren: NOT EQ NE LE LT

GE GT AND OR XOR Funktionen z.B.: sin() cos() tan() asin() sinh()

exp() alog() alog10() sqrt() abs() Weiteres Beispiel zum Testen:

(B1 LT 80) * 80 + (B1 GE 80) * B1 Alle Werte, die kleiner als 80 sind, werden in den Wert 80 geändert! Ergebnis überprüfen über Verlinkung (Link Displays…) und Wertevergleich (Cursor Location/Value…)

Rechenoperationen mit Band Math

NIR - Rot

NIR + Rot NDVI =

Normalized Differential Vegetation Index (NDVI)

1. 2.

3.

4.



Rechenoperationen mit Band Math NDVI Ergebnis

Rot: sehr vitale gesunde Vegetation



Resampling-Verfahren bei ENVI

Zum Vergrößern oder Verkleinern von Bildern bzw. Bildpixeln Vergrößern (Oversampling) = Auflösung verbessern, d.h. Pixel teilen z.B. von 10m auf 5m Pixel

(KEINE Informationsverbesserung!!!) Verkleinern = Auflösung reduzieren z.B. von 5m auf nur 20m

ENVI Classic ▶ Basic Tools ▶ Resize Data (Spatial/Spectral) ENVI (Neu) Toolbox: Raster Management > Resize Data

Bei gleichzeitiger Änderung der Projektion: ENVI Classic ▶ Map ▶ Convert Map Projection ENVI (Neu) Toolbox: Raster Management > Reproject Raster



Vergrößern eines Bildes (1) xfac/yfac > 1.0

Möglichkeiten mit ENVI: Vergrößern eines Bildes (A)

- Nearest Neighbor (B) - Benutzt das

nächst gelegene Pixel ohne Interpolation

- Bilinear (C) - Lineare Interpolation von

vier benachbarten Pixeln

- Cubic Convolution (D) - Interpolation anhand 16 Pixeln auf Basis kubischer Funktion (Polynomfunktion); deutlich langsamer als die anderen Methoden

B

C

D

A



Vergrößern eines Bildes (2)

Möglichkeiten mit ENVI: Vergrößern eines Bildes

- Nearest Neighbor

- Bilinear

- Cubic Convolution

Beispiel: Ein Wert für das vergrößerte gelbe Pixel soll ermittelt werden. Bei Nearest Neighbor erhält das gelbe Pixel den Wert des nächst gelegenen Pixel (hier rot dargestellt)

Neues, vergrößertes Bild



Vergrößern eines Bildes (3)

Möglichkeiten mit ENVI: Vergrößern eines Bildes

- Nearest Neighbor

- Bilinear

- Cubic Convolution

Bei Bilinear (bzw. Cubic Convolution) errechnet sich der Wert des gelben Pixels anhand Entfernung zu den am nächsten gelegenen 4 (bzw. 16) Pixel Interpolation

Neues, vergrößertes Bild



Verkleinern eines Bildes xfac/yfac < 1.0

Möglichkeiten mit ENVI: Verkleinern eines Bildes (A)

- Nearest Neighbor (B) - Das dem neuen Pixel

nächstgelegene Pixel wird ohne Interpolation verwendet

- Pixel Aggregate (C) - Gewichtete Mittelung aller Pixel, die einen Anteil an dem neuen (resultierenden) Pixel besitzen

A

B

C



Filter in der Bildbearbeitung

Digitale Filter gehören zu den wirkungsvollsten Methoden der Bildverarbeitung. Ziele von Digitalen Filtern:

relevante Bildinhalte hervorheben (z.B. Kanten mit Hochpaßfilter/Kantenoperatoren), Störungen beseitigen (z.B. Entrauschen mit Tiefpaßfilter/Glättungsoperatoren) und die visuelle Beurteilung erleichtern (z.B. Beseitigung feiner Strukturen mit morphologischen

Operatoren)

Original Leicht verrauscht Stark verrauscht



ENVI (neue GUI)

Filter-Verfahren bei ENVI



Filter-Verfahren - Allgemein

Digitale Filter sind lokale lokale Bildoperatoren, bei denen die Filterung entweder:

im Ortsraum mit Masken-Operatoren erfolgt (Faltung) oder im Frequenzraum durch Multiplikation der Fourier-Transformierten des Bildes mit einer

Transferfunktion (FFT-Filterung)

Filter sind somit auf zwei äquivalente Arten definierbar!

Filtertypen: Tiefpassfilter (Glättungsoperatoren)

Hochpassfilter (Kantenoperatoren)

Nichtlineare Filter

Rangordnungsoperatoren Morphologische Operatoren



Tiefpassfilter (Low Pass)

„Glättungsfilter“ Tiefpassfilter schwächen die hochfrequenten Teile des Bildinhaltes (lokale Variationen),

also feine Strukturen im Ortsraum ab! Die niedrigfrequenten Anteile eines Bildes bleiben somit erhalten.

Typische Merkmale:

Das Bild wirkt „weicher“, d.h. unschärfer weniger Details Kanten werden abgeschwächt und verwischt Bildrauschen wird minimiert In homogenen Bereichen haben sie keine Auswirkung

Meist durch Mittelwertbildung innerhalb des Filterkerns (Kernel) Beispiele:

Rechteckfilter Gauß-Filter



Hochpassfilter (High Pass)

„Kantenfilter“ Hochpassfilter werden eingesetzt, um feine Strukturen in Bildern zu verstärken. Filter für Erhöhung der Schärfe: Entfernt die niedrigfrequenten Anteile, erhält lokale

Variationen

Typische Merkmale: Das Bild wirkt „härter“, d.h. schärfer mehr Details Starke Kontraste, d.h. Kanten werden verstärkt bzw. extrahiert schleichende Grauwertwechsel unterdrückt homogene Bereiche gelöscht

Operatoren geeignet, die Grauwert-Änderungen erkennen Beispiele:

Sobel-Operator (richtungsabhängig vertikal, horizontal, diagonal) Laplace-Operator (richtungsunabhängig) Roberts-Operator



Lineare und nichtlineare Filter

Original-Bild, verrauscht mit „Salt & Pepper“ Effekt

Gefiltert mit Gauß-Glättungs-Filter

Gefiltert mit Median-Filter

Que

lle: h

ttp:

//de

.wik

iped

ia.o

rg/w

iki/

Bild

vera

rbei

tung



Nichtlineare Filter (1)

Lineare Filter besitzen in manchen Fällen Nachteile: So unterdrückt ein linearer Glättungsoperator zwar das Rauschen, aber er verursacht gleichzeitig Unschärfe bei den Kanten!

Nichtlineare Filter besitzt keine inverse Operatoren, d.h. die Werte, die in das neue Bild

geschrieben werden sind nicht berechnet, sondern durch den Filter anhand bestimmter Kriterien aus dem Einflussbereich des Filters ausgewählt

Rangordnungsoperatoren: Grauwerte der Nachbarpixel werden sortiert, ein Wert ausgewählt und dem Pixel

zugewiesen Beispiele:

Median-Filter (mittlerer Wert) glättet ein Bild, entfernt lokale Extrema, Kanten bleiben bestehen, wenn sie größer als der Kernel sind

Modal-Filter (häufigster Wert) nur für große Kernel geeignet; mehrere Lösungen bei bi-modaler Häufigkeitsverteilung möglich

Morphologische Operatoren:



Morphologische Operatoren: Minimum-Filter (Erosion):

Kleinster Grauwert einer sortierten Liste ausgewählt und aktuelles Pixel ersetzt Helle Pixel werden aus dunklen Regionen entfernt Glättung ohne Veränderung der

Kantensteilheit Anwendung: Kontrastverstärkung von kleinen dunklen Strukturen z.B. Striche

Maximum-Filter (Dilatation): Größter Grauwert einer sortieren Liste ausgewählt und aktuelles Pixel ersetzt Dunkle Pixel werden aus hellen Bereichen entfernt Glättung ohne Veränderung der

Kantensteilheit Anwendung: kleine dunkle Löcher schließen; helle Flächen werden größer

Opening: Erosion mit nachfolgender Dilatation Ausgefranste Objetränder werden „glatt“ und kleine Strukturen z.B. Pixelstörungen unterdrückt

Closing: Dilatation mit nachfolgender Erosion Kleine Lücken an Objekträndern werden geschlossen

Nichtlineare Filter (2)



Erosion

Ergebnis: mehr Strukturen erkennbar durch Zerlegung

http://emanuelaboros.ro/SOCIS-NEST/



Dilatation

Ergebnis: dunkle Kontrastkanten verwischt/entfernt

http://emanuelaboros.ro/SOCIS-NEST/



Filterung mit Konvolutions-Matrizen (Kernel) (1)

Low Pass 3x3 Kernel: 1/9 1/9 1/9 1/9 1/9 1/9 1/9 1/9 1/9 Beispiel (DN):

170 177 177 174 176 176 172 173 174 Ergebnis:

1569 / 9 = 174,3

Original-Bild 5x5 Low Pass 5x5 High Pass 5x5 Median

High Pass 3x3 Kernel: -1/9 -1/9 -1/9 -1/9 8/9 -1/9 -1/9 -1/9 -1/9

Beispiel (DN): 170 177 177 174 176 176 172 173 174

Ergebnis: (-1393 + 8*176) / 9 = 15

Gaussian (ohne Abbildung!) z.B. 5x5 Kernel: 0.0000 0.0007 0.0024 0.0007 0.0000 0.0007 0.0314 0.1131 0.0314 0.0007 0.0024 0.1131 0.4067 0.1131 0.0024 0.0007 0.0314 0.1131 0.0314 0.0007 0.0000 0.0007 0.0024 0.0007 0.0000

Beispielhafte Visualisierung:



Filterung mit Konvolutions-Matrizen (Kernel) (2)

Eingabe der Kernel-Größe

Eingabe des Anteils in %, der von dem originalen Bild erhalten bleiben soll. Dies wird oft bei einer Bildschärfung (High-Pass-Filterung) gemacht.

Eingabe des Kernels

Der Kernel läuft über das Bild (engl. „Moving Window“) und berechnet jeweils für das zentrale Pixel einen neuen Wert, z.B. die Summe aller Werte des Kernels multipliziert mit den Pixel-Werten



Filterung mit Konvolutions-Matrizen (Kernel) (3) Beispiel: Median 5x5

- Filterfenster von 5x5 Pixel („Moving Window“) - Das mittlere Element der sortierten DN-Werte aller Pixel

(im Beispiel: 176) wird dem zentralen Pixel zugeordnet

Beispiel (DN-Werte): Beispiel Bildausschnitt: 170 177 177 179 178 174 176 176 180 179 172 173 174 178 178 172 174 173 176 177 169 172 174 177 181

Sortierte Liste:

169 170 172 172 172 173 173 174 174 174 174 176 176 176 177 177 177 177 178 178 178 179 179 180 181

Original-Bild

5x5 Median

169 170 171 172 173 174 175 176 177 178 179 180 181

Häufig- keit



Filterung mit Konvolutions-Matrizen (Kernel) (4) Benutzerdefinierte Kernel Convolutions ▶ User Defined

Beispiel Emboss-Filter

Erzeugt einen 3D-Effekt („Relief-Darstellung“) Definition des Emboss-Kernels:

3x3 Kernel 5x5 Kernel

Berechnung des Effekts

eines 3x3 Emboss-Filters auf das nebenstehend Bild

5 5 9 9 9 5 5 5 5

5 9 9 9 9 9 5 5 5

9 9 9 9 9 9 9 5 5

9 9 9 9 9 9 9 5 5

5 9 9 9 9 9 5 5 5

5 5 9 9 9 5 5 5 5

5 5 5 5 5 5 5 5 5

5 5 5 5 5 5 5 5 5

9 9 9 9 9 9 9 5 5

2.5

2.5

6.5

4.5

4.5

4.5

4.5

0.5

2.5

0 0 -0.5

1 0 0

0 0 0

0 0 0 0 -0.25

-0.5 0 0 0 0

0 1 0 0 0

0 0 0 0 0

0 0 0 0 0



Filterung mit Konvolutions-Matrizen (Kernel) (5) Ergebnis eines Emboss-Filter am Beispiel der METEOSAT-Daten Öffne: MSG_HRV-Zeitreihe_20060727 HRV_20060727-095740.tif

Original-Bild

Emboss 5x5



Filterung mit Konvolutions-Matrizen (Kernel) (6) Beispiel Landsat-7 ETM+ (Band 8, panchromatisch Band8_Pan_subset.bsq)

Original Low Pass, 5x5 High Pass, 5x5 High Pass, 5x5, 80%

Gaussian Low Pass, 5x5 Gaussian High Pass, 5x5 Median, 5x5 Sobel, 5x5

Documents

Lv Fe II Ws1415 4 Envi Einführung