Fagstoff

Bruk av farger og klassifisering av satellittbilder

Publisert: 15.10.2010, Oppdatert: 03.03.2017
  • Innbygg
  • Enkel visning
  • Lytt til tekst
  • Skriv ut

For å tolke og analysere et satellittbilde er det ofte hensiktsmessig å benytte fargefremhevingsmetoder. Bildene bearbeides interaktivt ved skjermen for å lage fargebilder som best mulig fremhever de temaene en ønsker å kartlegge. Dette kan være dyrket mark, snaufjell, barskog, lauvskog.

Pseudofarge-bilde, satellittbilde Oslo havnPseudofargebilde. Satellittbilde over Oslo havn
Opphavsmann: Narom

Satellittbilde som viser havoverflatetemperaturerSatellittbilde som viser havoverflatetemperaturer (SST-bilde). Bildet er et termisk opptak fra 28.06. 2010
Opphavsmann: Wetterzentrale.de

Naturlig fargebilde, LandsatbiNaturlig fargebilde, Landsatbilde over Sunnmøre
Opphavsmann: Narom

Falskfargebilde, Landsatbilde Falskfargebilde, Landsatbilde over Sunnmøre
Opphavsmann: Narom

Kanalene er ikke RGB, men mellom-IR, nær-IR og rød, altså falske farger

 

Vegetasjonskart over Alta, klassifisert satelittbildeVegetasjonskart over Alta, klassifisert satelittbilde
Opphavsmann: Norut
  

Det skilles mellom pseudofarger og sammensatte fargebilder. Pseudo-fargebilder er egentlig gråtonebilder der man har tilordnet hver gråtone en RGB-farge ved hjelp av en oppslagstabell (LUT, Look Up Table). Pseudofarger er en måte å tilordne farger til et enkanalsbilde. Det er separate overføringsfunksjoner for hver primærfarge, slik at en pikselverdi får tilordnet en ny verdi i henholdsvis rødt, grønt og blått. På denne måten kan vi definere praktisk talt enhver farge til en bestemt pikselverdi. Det samme bildet sendes altså gjennom tre separate oppslagstabeller som styrer hver sin primærfarge. En slik tredobbel oppslagstabell kalles en pseudofargetabell. Pseudofarger kan utnyttes til å framheve forskjeller i pikselverdi enda mer enn det gråtonene gjør.

En annen variant er å la fargene løpe kontinuerlig gjennom spekteret. Ved termiske opptak kan en på denne måten legge blå farge på kalde områder, la økende temperatur følge fargene gjennom spekteret, og la rødt representere de varmeste områdene.

Ved kalibrering av et termisk satellittbilde er det hensiktsmessig å ta i bruk farger for å få frem temperaturen i havoverflaten. Et slikt bilde omtales som et SST-bilde, Sea Surface Temperature. Det er utviklet standardmetoder for å presentere globale havoverflatetemperaturer fra satellittdata.

Sammensatte fargebilder lages ved at tre av kanalene i et satellittopptak får hver sin primærfarge. For Landsat TM-bilde er kanal 1–3 identisk med primærfargene, blått, grønt og rødt, og kan derfor vises på en monitor i naturlige farger. Men stort sett er man henvist til å vise kanalkombinasjoner som ikke tilsvarer primærfargene. Dette kalles ofte kunstige eller falske farger.

En kjent falskfargekombinasjon er infrarøde fargebilder. Her er fargeskalaen forskjøvet slik at nær-IR vises som rødt, rødt vises som grønt, og grønt vises som blått. De tre kanalene ligger i hver sin grafiske hukommelse. Ved hjelp av separate oppslagstabeller kan hver kanal forbedres uavhengig av de andre kanalene. Dette kan skje på samme måte som for gråtonebilder. Siden hver kanal kan ha 256 ulike verdier (8 bit), vil det sammensatte fargebildet teoretisk kunne ha 2563 = 16,7 mill. ulike farger samtidig (24 bit).

Klassifisering

I tillegg er det mulig ved hjelp av bildebehandlingsprogrammer å klassifisere vegetasjonen. I den forbindelse er det viktig å kjenne til at forskjellige type overflater som vann, sand, skog, korn og gress har forskjellig spektral respons. Det at forskjellige overflatetyper reflekterer sollys ulikt, muliggjør klassifisering av multibånds satellittbilder.
Målsettingen for klassifisering av et digitalt satellittbilde er å tilordne hver piksel i bildet til en klasse. Det finnes to hovedtyper klassifisering: styrt og ikke-styrt klassifisering.

Styrt klassifisering er det mest vanlige verktøyet for analyse av satellittbilder. Det finnes flere ulike typer styrt klassifisering, og den praktiske prosessen kan generelt beskrives i fem steg:
1. Bestem informasjonsklassene, som f.eks. vann, dyrket mark, skog, osv.
2. Finn representative piksler for hver klasse. Disse pikslene kalles treningsdata og kan f.eks. bestemmes ved hjelp av feltarbeid eller fra eksisterende kart.
3. Bruk treningsdataene til å bestemme parameterne i den aktuelle klassifiseringsalgoritmen.
4. Klassifiser hvert piksel i bildet ved hjelp av klassifiseringsalgoritmen.
5. Presenter resultatet av klassifiseringen, f.eks. som tabeller eller temakart.

Ved ikke-styrt klassifisering tilordnes pikslene i et digitalt bilde til spektrale klasser uten at brukeren på forhånd vet informasjonsinnholdet i disse klassene. Identifikasjonen av klassene skjer ved at brukeren sammenlikner piksler i hver klasse med referansedata, f.eks. kart eller informasjon fra feltarbeid. En slik fremgangsmåte kan være nyttig når man ikke på forhånd vet hvilke informasjonsklasser man er ute etter. Denne teknikken kalles også clusteranalyse.

 

Relatert innhold

Generelt