فیلتر مکانی
کادر ۶-۸ فیلتر مکانی در ArcGIS |
کاربردی |
| برای پیروی از این مثال، ArcMap را شروع کنید و chapter6.mxd را از مسیر زیر باز کنید. |
| C:\Databases\GIS4EnvSci\WooriYallock\. |
| ۱) در فهرست مطالب، LE70920862000031EDC00_B4.TIF را علامت بزنید و تیک تمام لایه‌های دیگر را بردارید. |
| ۲) در صورت بسته بودن پنجره Image Analysis را باز کنید. |
| ۳) در پنجره تجزیه و تحلیل تصویر: |
| الف) LE70920862000031EDC00_B4.TIFرا انتخاب کنید. |
| ب) روی دکمه Function Editor کلیک کنید. در گفتگوی Function Template Editor ، روی LE70920862000031EDC00_B4.TIF راست کلیک کنید، روی Insert اشاره کنید و روی Convolution Function کلیک کنید. |
| ج) در گفتگوی Raster Function ، رستر ورودی به صورت
LE70920862000031EDC00_B4.TIFتنظیم می‌شود. فیلتر Smooth Arithmetic Mean را انتخاب کنید (فیلتر A در شکل ۶-۱۴) روی OK کلیک کنید. |
| د) روی OK کلیک کنید. لایه تصویر موقت Func_LE70920862000031EDC00_B4.TIF ایجاد می‌شود که تصویر صاف شده است. نام آن را به meanFiltered تغییر دهید. بخشی از گوشه جنوب غربی تصویر صاف شده در شکل ۶-۱۴ b نشان داده شده است. |
| ۴) مرحله ۳ را تکرار کنید و فیلتر Sharpen II (فیلتر E در شکل ۶-۱۵) را روی LE70920862000031EDC00_B4.TIF اعمال کنید. بخشی از تصویر شارپ شده مانند شکل ۶-۱۵ b است. |
| ۵) مانند مرحله ۳، تابع Convolution را به LE70920862000031EDC00_B4.TIFاضافه کنید (درج کنید). در گفتگوی Raster Function Properties نوع فیلتر را به User Defined تغییر دهید، تعداد سطرها و ستون‌های هسته را به ۵ تغییر دهید و ضرایب هسته را برای فیلتر G که در شکل ۶-۱۵ نشان داده شده است وارد کنید. فیلتر را با این هسته اعمال کنید تا تصویر ورودی واضح شود. بخشی از تصویر شارپ شده در شکل ۶-۱۵ d نشان داده شده است. به این ترتیب، کاربران می‌توانند کرنل‌ها یا فیلترهای خود را برای کانولوشن تعریف کنند. |
| ۶)مرحله ۳ را برای اعمال فیلتر Gradient North-East (فیلتر J در شکل ۶-۱۶) روی LE70920862000031EDC00_B4.TIF تکرار کنید. بخشی از تصویر برجسته شبیه شکل ۶-۱۶ c است. |
| ۷) به طور مشابه، فیلتر Line Detection Horizontal (فیلتر L در شکل ۶-۱۷) را روی meanFiltered تصویر صاف شده) تولید شده در مرحله ۳ بالا اعمال کنید. بخشی از تصویر فیلتر شده در شکل a 6-17 نشان داده شده است. |
| ۸) فیلتر Laplacian 3×3 ( فیلتر P در شکل ۶٫۱۸) را روی meanFiltered اعمال کنید. شکل ۶-۱۸ a بخشی از تصویر فیلتر شده را نشان می‌دهد. |
| ۹) به روشی مشابه، سایر فیلترهای فضایی موجود در ArcGIS را امتحان کنید و نتایج را با هم مقایسه کنید. |
انتقال تصویر
از آنجایی که داده‌های تصویر دیجیتالی داده‌های رستری هستند، از تمام توابع پردازش و تجزیه و تحلیل داده‌های رستری موجود در GIS می‌توان برای تبدیل تصاویر دیجیتال استفاده کرد. دو تغییر تصویر خاص در اینجا معرفی شده است : نسبت باند و تجزیه و تحلیل اجزای اصلی.
نسبت باند
نسبت باند شامل تقسیم مقادیر پیکسل در باند طیفی بر مقادیر متناظر در باند دیگر بر اساس پیکسل به پیکسل است. این پوشش رستری با عملیات تقسیم در GIS است. نتیجه تصویر نسبت است. تصاویر نسبت معمولاً دارای صفات طیفی “واقعی” ویژگی‌هایی هستند که تحت تأثیر تغییرات شرایط نوردهی صحنه ناشی از شیب توپوگرافی، جنبه، سایه‌ها یا تغییرات فصلی قرار نمی‌گیرند.
علاوه بر این با نسبت دادن تصاویر از دو باند طیفی مختلف، اطلاعات منحصر به فردی در مورد ویژگی‌های زمینی که در هیچ نوار واحد در دسترس نیست حاصل می‌شود. به عنوان مثال پوشش گیاهی سالم در منطقه طیفی IR نزدیک به شدت منعکس می‌شود در حالی که به شدت در نوار قرمز جذب می‌شود. ویژگی‌های دیگر مانند خاک و آب در هر دو باند بازتاب مشابهی دارند. بنابراین نسبت نسبت از باند قرمز لندست ETM+ و نوار IR نزدیک نسبتهای بسیار کوچکتر از ۱ را برای پوشش گیاهی و نسبتهای ۱ را برای خاک و آب تولید می‌کند. این نسبت گاهی به عنوان شاخص پوشش گیاهی – اندازه گیری مقدار و شرایط رویشی مورد استفاده قرار می‌گیرد. شکل ۶-۱۹ a تصویر نسبت Woori Yallock ETM+ را در نزدیکی باند IR (باند ۴) و نوار قرمز (باند ۳) نشان می‌دهد.
هر چه پیکسل روشن‌تر باشد، در این مثال، پوشش گیاهی فعال فتوسنتزی بیشتر است. نسبتهای باند دیگر را می‌توان با ترکیب‌های مختلف باند برای تشخیص ویژگی‌های مختلف تولید کرد. به عنوان مثال ، برای تعیین میزان رطوبت ممکن است از نسبت باند متوسط IR (به عنوان مثال ، ETM+ Band 5) و نوار سبز (به عنوان مثال ، ETM+ Band 2) استفاده شود (شکل ۶٫۱۹b). نسبت نوار قرمز (به عنوان مثال۳ ETM+ Band) و Mid-IR band (به عنوان مثال۷ ETM+ Band) ممکن است تفاوت‌هایی را در کدورت آب نشان دهند و نسبت نوار قرمز و نوار آبی ممکن است در تشخیص سنگ‌های آهن آهنی کمک کند. به طور کلی، هرچه همبستگی بین باندها ضعیف تر باشد، محتوای اطلاعاتی تصویر نسبت بالاتر است.
شکل ۶-۱۹ تصاویر نسبت Woori Yallock: (a) نسبت ETM+ باندهای ۴ و ۳ و (b) نسبت ETM+ باندهای ۵ و ۲
شکل ۶-۲۰ نقشه NDVI Woori Yallock.
با این حال، یک نسبت ساده زمانی که مخرج برابر با صفر باشد، ممکن است بی معنی شود. علاوه بر این، مقادیر نسبت باند معمولاً به طور قابل توجهی از یک منطقه به منطقه دیگر یا از فصلی به فصل دیگر متفاوت است، که مقایسه بین مناطق یا در طول زمان را نسبتاً دشوار می‌کند. بنابراین نسبتهای پیچیده تری شامل مجموع و تفاوت بین نوارهای طیفی به منظور غلبه بر این مشکلات ایجاد شده است. NDVI طبق رابطه ۶-۱ بیان شده، مثال است. به طور گسترده ای برای مطالعه پویایی پوشش گیاهی، ارزیابی توده بیولوژیکی، تخمین عملکرد محصول، نظارت بر خشکسالی و پیش بینی مناطق آتش سوزی خطرناک استفاده شده است. شکل ۶-۲۰ نقشه NDVI از Woori Yallock است که از تصاویر ETM+ گرفته شده است.
بدون دیدگاه