153ZODH / 6. cvičení
< Stránky předmětu • Předchozí cvičení • Další cvičení
Osnova
Detekce hran
Hranu lze definovat jako diskontinuitu obrazové funkce (tj. signifikatní změnu digitálních hodnot). Hrana je tedy oblast v obraze, kde se výrazně nebo skokově mění hodnota stupňů šedi. Hrany lze rozdělit na tři základní typy:
- střechová hrana (roof edge) - světlejší liniový útvar na tmavším pozadí (např. polní cesta, betonová silnice)
- příkopová hrana (ditch edge) - tmavší liniový útvar na světlejším pozadí (např. vodní tok)
- stupňová hrana (step edge) - rozhraní mezi tmavějším a světlejším objektem (např. rozhraní pole-les)
Filtry (vysokofrekvenční) určené k detekci hran jsou založeny na principu plovoucího okna. Tím se vyhledávají lokální hrany, v další fázi je nutno rozhodnout, zda jde o skutečné hrany či pouhé vnitřní nespojitosti obrazu. Zde se obvykle používá metoda práhování. Nakonec se provádí ztenčení hran a konečná filtrace.
Tento filtr nejdříve operuje ve směru sever-jih (N-S) a následně ve směru východ-západ (E-W). Definice pro r.mfilter:
TITLE Sobel (3x3) MATRIX 3 -1 0 1 -2 0 2 -1 0 1 DIVISOR 1 TYPE P MATRIX 3 1 2 1 0 0 0 -1 -2 -1 DIVISOR 1 TYPE P
g.region rast=tm1 r.mfilter input=tm1 output=tm1_sobel filter=sobel.txt r.colors map=tm1_sobel color=grey.eq d.rast tm1_sobel
Dále můžeme provést práhování obrazu
pokud je DH kladná, ulož do výstupní vrstvy hodnotu "1", v opačném případě "žádná data" (null data)
v zápisu pro r.mapcalc vypadá podmínka if takto:
r.mapcalc 'tm1_hrana=if (tm1_sobel > 0, 1, null())' d.rast tm1_hrana
Nakonec můžeme provést ztenčení detekovaných hran pomocí modulu r.thin:
# ztenčení hran # r.thin input=tm1_hrana output=tm1_hrana1 d.rast tm1_hrana1
# barevná syntéza ve skutečných barvách # d.rgb red=tm3 green=tm2 blue=tm1 # # zobrazení rastrové vrstvy se ztenčenými hranami (pozor na přepínač -o: transparentní mód) # d.rast -o tm1_hrana1
Tento operátor je definován vztahem
v zápisu pro r.mapcalc:
# aplikace Robertsova grafientu # r.mapcalc 'tm1_roberts = abs (tm1[0,0]-tm1[1,1]) + abs (tm1[1,0]-tm1[0,1])' r.colors tm1_roberts col=grey.eq
Definice pro r.mfilter:
TITLE Prewittuv operator (3x3) MATRIX 3 -1 -1 -1 0 0 0 1 1 1 DIVISOR 1 TYPE P MATRIX 3 -1 0 1 -1 0 1 -1 0 1 DIVISOR 1 TYPE P
r.mfilter in=tm1 out=tm1_prewitt filter=prewitt.txt r.colors map=tm1_prewitt color=grey.eq
Práhování
Práhováním se rozumí převod DH do množiny o malém počtu prvků, zpravidla do množiny {0,1} (v tomto případě mluvíme o binarizaci obrazových dat). V jistém ohledu lze práhování považovat za segmentaci či velmi jednoduchý způsob klasifikace obrazu.
Této metody se často používá k vytvoření masky, kde oblasti s hodnotou "0" (nebo "žádná data") jsou maskovány a do dalších analýz vstupují pouze oblasti s hodnotou masky "1" (či zcela obecně s nenulovou hodnotou).
Nalezení práhu se většinou děje "empericky", jeho automatické určení je poměrně obtížné. Rozlišujeme dva základní typy:
- jednoduchý práh
p(i,j) = 1: f(i,j) >= q p(i,j) = 0: f(i,j) < q
Příklad - vytvoření masky pevniny:
Čtvrté pásmo LandSat-TM5 (IR) lze použít pro velmi jednoduché určení vodních ploch:
DH < 40 vodní plocha DH >= 40 pevnina
g.region rast=tm4 # # vytvoření masky pevniny (rastrová vrstva 'pevnina') # r.mapcalc 'pevnina = if(tm4 >= 40, 1, 0)' # # aktivace masky (vytvoření kopie s unikátním jménem 'MASK') # g.copy rast=pevnina,MASK
Vizualizace:
# zobrazit RGB syntézu ve skutečných barvách, barva pozadí modrá # d.erase blue d.rgb -o red=tm3 green=tm2 blue=tm1 # # zobrazit vektorovou vrstvu s hranicemi vodních ploch (kromě Nechranické nádrže) # barva hranic červená # d.vect map=voda type=boundary color=red
Masku deaktivujeme odstraněním rastrové vrstvy MASK.
g.remove rast=MASK
- vícenásobný práh
p(i,j) = 0: f(i,j) <= q1 p(i,j) = 1: q1 < f(i,j) <= q2 ... p(i,j) = n: qn1 < f(i,j) < qnn
Příklad: Během čtvrtého cvičení byla provedena jednoduchá reklasifikace NDVI podle následujícího reklasifikačního pravidla:
-100 thru 5 = 1 bez vegetace, vodni plochy 5 thru 35 = 2 plochy s minimalni vegetaci 35 thru 87 = 3 plochy pokryte vegetaci
Podobnou reklasifikaci lze provést přímo pomocí r.mapcalc a vícenásobného práhu (navíc se obejdeme bez nutnosti vytvářet celočíselnou mapu pro r.reclass).
# klasifikace NDVI # r.mapcalc 'r_ndvi1 = eval( \ a=if(ndvi >= -1.0 && ndvi < 0.05, 1, 0), \ b=if(ndvi >= 0.05 && ndvi < 0.35, 2, 0), \ c=if(ndvi >= 0.35 && ndvi < 0.87, 4, 0),a+b+c)'
Poznámka: Během výpočtu se přechodně vytvoří tři rastrové vrstvy 'a', 'b' a 'c', výsledná vrstva vznikne součtem těchto tří vrstev.