transformations-modifications dimages multispectrales

Transformations-modifications d’images multispectrales

Les opérations mathématiques: un exemple les indices de végétation

Normalized Vegetation Index ou

NDVI= K*(PIR-ROUGE)/(PIR+ROUGE)

Indices de végétation : quelques idées d’application-densité du couvert végétal par arrondissement

Un autre exemple: les rapports de bandes

Un autre exemple: les rapports de bandes

PIR : ETM+4 IROC1 : ETM+5

Rapport ETM+4 sur ETM+5

Un autre exemple: la différence des bandes --- surtout utilisée pour la détection des changements avec des images multi-dates

1988

1990


DIFXS1(VERT)=127+XS1(1990)-XS1(1988)


DIFXS2(ROUGE)=127+XS2(1990)-XS2(1988)


DIFXS3(PIR)=127+XS3(1990)-XS3(1988)


COMPOSÉ COULEUR: DIFXS1—ROUGE; DIFXS2---VERT; DIFXS3---PIR

Quelques exercices

Les composantes principales

• ….Un rappel des notions statistiques

p(x

x) exp

1

2

1

2

2



p(x x xN

T ) exp

1

2

1

2212

1



sN

x x x xiji

in

Nj

jn n

1

1

rs

s sij

ij

i j

2 2

Les composantes principales• ….Un rappel des notions statistiques

x 70.6 28.8 29.8 36.7 55.7 28.2

TM1 TM2 TM3 TM4 TM5 TM6

TM1

47.65

TM2

24.76 15.70

TM3

35.71 20.34 31.91

TM4

12.45 8.27 12.01 20.56

TM5

34.71 23.79 38.81 22.30 114.89

TM6

30.46 18.70 30.86 12.99 60.63 44.92

Matrice de variance-covariance

Les composantes principales• ….Un rappel des notions statistiques

Composantes principales (variance selon ses axes=valeurs propres)…

Ellipse de probabilité constante

Les composantes principales• ….La transformation: Rotation des axes

Vecteurs propres

Donc on part de la matrice de variance-covariance, on trouve ses valeurs propres et à partir des ces valeurs propres on calcule les vecteurs propres. À partir des ces derniers nous opérons la transformation des valeurs de l’image originale

Les composantes principales: un exemple: Landsat ETM+

3 premières Composantes principales


Calculs à l’intérieur du masque


Channel Mean Deviation

1 74.7911 16.4062

2 61.4148 17.1485

3 51.2282 27.5069

4 98.2576 31.1294

5 88.0108 31.7703

6 52.5936 31.4314


Eigenchannel Eigenvalue Deviation %Variance

1 2975.8875 54.5517 69.43%

2 1183.9803 34.4090 27.62%

3 100.4680 10.0234 2.34%

4 15.4482 3.9304 0.36%

5 6.9089 2.6285 0.16%

6 3.5029 1.8716 0.08%


Eigenvectors of covariance matrix (arranged by rows):

0.26994 0.30076 0.47963 -0.00602 0.53021 0.57050

0.14326 0.06524 0.21380 -0.89785 -0.34963 0.03354

-0.48328 -0.40850 -0.37532 -0.36806 0.47184 0.31717

-0.24083 -0.20121 0.11782 0.23552 -0.60335 0.68420

0.66311 0.02006 -0.67950 -0.01820 -0.06396 0.30617

-0.41873 0.83518 -0.32829 -0.05055 -0.07666 0.10455


Scaling Information:

Eigen Output -----Unscaled----- Deviation Midpoint Scale

Channel Channel Min Max Range Factor

1 7 -139.321 408.347 3.00 127.500 0.782

2 8 -128.424 120.870 all 127.500 1.000

3 9 -353.465 135.908 all 127.500 1.000

4 10 -109.360 121.895 all 127.500 1.000

5 11 -109.074 78.016 all 127.500 1.000

6 12 -60.543 56.278 all 127.500 1.000

Quelques exercices

transformations-modifications dimages multispectrales

Documents