יותר

תמונה Hyperspectral + נתוני שדה


יש הרבה מערכי נתונים של חישה מרחוק, אבל לא הצלחתי למצוא אחד יחד עם נתוני שדה. במיוחד אני מחפש תמונות היפר-ספקטרליות מוטסות הכוללות נתוני שדה המזהים מיני צמחים וכן את הקואורדינטות שלהם בתמונה.

גם אם מערך נתונים הוא מארגון אחד ותמונה מאחר, זה גם עובד.


הקישור http://dataservices.gfz-potsdam.de/portal/ נותן סקירה של כמה מערכי נתונים זמינים ממוסדות מחקר. השתמש במסנן מרכזי הנתונים "EnMap" (שהיא משימה לוויינית גרמנית) כדי לראות רק נתונים ממסעות טיסה היפר-ספקטרליים. ייתכן שיהיה עליך להירשם לקבלת נתונים, תלוי במוסד המספק.

סביר להניח שלא תקבלו נתוני שדה עבור נתוני הרסטר בהתאמה, אך עליכם לנסות ליצור אותם בעצמכם עם נתוני עזר כמו GoogleEarth, OpenStreetMap או נתוני סקר ממוסד ממשלתי.


תמונה של היום

תמונת הלוויין Pleiades Neo של פירמידת צ'אופס בקהיר, מצרים (30 ס"מ) היא הפירמידה העתיקה ביותר של פירמידות גיזה והיא אחת משבעת פלאי תבל. הלוויין Pleiades Neo יספק ללקוחות תמונות לוויין רב-ספקטרליות בגודל 30 ס"מ ו -1.2 מ 'עם שש רצועות ויציע תמונות מונו, סטריאו ותלת-סטריאו ליישומי מיפוי שונים. צפו בגלריית תמונות הלוויין הנוספת Pleiades Neo.

נפט וגז

עם ניסיון של למעלה מארבעה עשורים, אנו משתמשים בהבנה הייחודית שלנו לגבי תעשיית הנפט כדי לעזור לך להעריך את הסיכון ולהפחית הוצאות. על ידי שימוש בנתוני תמונת לווין רב-ספקטראליים ישנים ובהווה, ניתוח ספקטרלי וסיווג תת פיקסלים, ניתן לשחזר מיקומי בארות ישנות ולהתאים קואורדינטות כדי לשפר את הפרשנות הגיאופיזית והגיאולוגית "לפני" קידוחים נוספים נקדחים באותו אזור. זה מגדיל את מנת ההצלחה במידה ניכרת, במיוחד כאשר בחלק ממקומות הבאר הישנים יש בעיות תיאום העולות על קילומטר אחד. שירותי ההתמחות כוללים התאוששות ומתאמים של בארות ישנות, כמו גם סקרים סייסמיים בג'ונגל כבד ובשטח מדברי.

כְּרִיָה

הדמיה רב-ספקטרלית (VNIR), WorldView-3 Wave Wave InfraRed (SWIR) ומיפוי מינרלים נושאיים מאפשרים לחוקרים לאסוף נתוני החזר ותכונות ספיגה של קרקעות, סלעים וצמחייה. על ידי מינוף אורכי גל ונתוני החזר ספקטרום, ניתן לקבוע חתימות ספקטרליות, שאינן נראות לעין האנושית, עבור עקבות מינרלים הממוקמים על פני השטח. טכנולוגיית ההדמיה הלווינית שלנו יכולה להניב תובנה ללא תחרות באשר להרכב משטחי האדמה, ומסייעת מאוד לגיאולוגים, מדענים וחוקרים. ניתן להשתמש בנתונים אלה על ידי גיאולוגי צילום מאומנים לפרש את ליתולוגיות השטח, לזהות חרסיות, תחמוצות, סוגי קרקע ולזהות מיקומים פוטנציאליים של מינרלים, מתוך תמונות לוויין ברזולוציה גבוהה ובינונית.

מערכות מידע גיאוגרפיות

תאגיד הדמיה לווינית (SIC) פיתחה מדיניות ונהלים מקיפים לשילוב QA ו- QC בשלב התכנון של כל פרויקט הכרוך בשימוש בנתוני חישה מרחוק בלווין, אווירי ומל"ט למיפוי GIS. באמצעות מגוון נרחב של חיישני לווין מתקדמים שלנו לרכישת תמונות חדשות, או שימוש בתמונות מל"ט המסופקות על ידי הלקוחות, אנו יכולים לספק לך איכות ודיוק גיאו-מרחבי שאין שני לו כדי לתמוך ביישומי מפות GIS דו-ממדיים או תלת-ממדיים שלך, כגון מיפוי חקלאות מדויק, סיווגי שטח איתור שינויים מתוך VNIR מפורט, תמונות לווין SWIR, ניתוח היפרספקטרלי ופיתוח / שימוש בטכניקות למידה עמוקה כגון (OBIA) אוטומטי מבוסס תמונה מבוססת עצמים (OBIA) ואלגוריתמי רשת עצבית (CNN).

אנרגיה ותשתיות

מקלים על הסיכונים העסקיים, מזרזים את תכנון הצנרת, לומדים על הרכב פני השטח ומנבאים השפעה על הסביבה באמצעות הפתרונות שהתאימנו לשיפור פרויקטים של כרייה ואנרגיה.

הנדסה ובנייה

החל מבחירה והערכה של אתרי הבנייה וכלה בהערכה של מבנים קיימים, יש לנו פתרונות שנועדו לעזור להקל על כל שלב בפרויקט שלך.

הגנה ומודיעין

סוכנויות ביטחון, קבלנים צבאיים ואכיפת החוק מתמודדים ללא הרף עם אתגרים חדשים. אנו מספקים יתרון ללא תחרות בעת תכנון פעולות אסטרטגיות וטקטיות, ביצוע משימות לחימה ופיתוח סימולציות.

שימור ומחקר

זהה אתרים ארכיאולוגיים, דמיין את ההשפעות של שינויי האקלים, ופקח על מאמצי שימור חיות הבר בעזרת טכנולוגיית החישה מרחוק המתקדמת שלנו, כולל עיבוד רשת מלאכותית עצבית (ANN).

טכנולוגיה גיאו-מרחבית

נצל את הפתרונות הטכנולוגיים של מערכת המידע הגיאוגרפית שלנו (GIS) כדי למפות נתונים באופן תמציתי ויזואלי וניתן לצריכה בקלות.

תגובת אסון

כשנחשבת עדכניות, התבססו על נתוני תמונת הלוויין שלנו - שנאספו לפני ואחרי אסון טבע או מעשה ידי אדם - כדי לספק תובנה מכרעת למאמצי תגובה לאסון ופעולות ביטוח.

משאבים טבעיים

העולם תמיד נמצא בתנועה. השתמש בשיטות המוכחות שלנו כדי לפקוח עין על הסביבה, לשפר את מאמצי ניהול החופים, להעריך יערות ולהקל על פיתוח המשאבים החקלאיים. שימוש בשירותי חישה מרחוק בלווין ומל"ט חסכוניים, כולל עיבוד רשת עצבית מלאכותית, יכול לשפר את איכות התוצאות המתקבלות, בעלות נמוכה יותר מאשר באמצעות אלגוריתמים רגילים לחישה מרחוק.

מדיה ובידור

קבל את הפרספקטיבות החזותיות המדהימות הדרושות לך כדי לרתק את הקהל של שידור החדשות הבא שלך, תוכנית המדע או שובר הקופות ההוליוודי שלך.


חישה מרחוק של אקולוגיה, מגוון ביולוגי ושימור: סקירה מנקודת מבטם של מומחי חישה מרחוק

חישה מרחוק, מדע השגת מידע באמצעות הקלטה ללא קשר, שטפה את תחומי האקולוגיה, המגוון הביולוגי והשימור (EBC). כמה ניירות ביקורת איכות תרמו לתחום זה. עם זאת, מאמרים אלה דנים לעיתים קרובות בסוגיות מנקודת מבט של אקולוג או מומחה למגוון ביולוגי. סקירה זו מתמקדת בחישה מרחוק של EBC מנקודת מבטם של מומחי חישה מרחוק, כלומר, היא מאורגנת בהקשר של טכנולוגיית חישה מרחוק משוכללת, כולל מכשירים וטכניקות. כאן המכשירים שנדונו מורכבים מרזולוציה מרחבית גבוהה, אינפרא אדום תרמי, קונסטלציה לוויינית קטנה וחיישני LIDAR והטכניקות מתייחסות לסיווג תמונה, אינדקס צמחייה (VI), אלגוריתם היפוך, מיזוג נתונים ושילוב של חישה מרחוק (RS) ומערכת מידע גיאוגרפית (GIS).

מילות מפתח: EBC (אקולוגיה, מגוון ביולוגי ושימור) שילוב סיווג תמונות היתוך נתונים LIDAR של חישה מרחוק (RS) ומערכת מידע גיאוגרפית (GIS) חישה מרחוק אינפרא אדום תרמי של קבוצת כוכבים לווינית.


שיקולים באיסוף, עיבוד וניתוח נתונים היפר-ספקטרליים ברזולוציה גבוהה עבור חקירות סביבתיות

מאמר זה מתאר בקצרה את השיטות הזמינות לאיסוף, תיקון אטמוספרי וגיאומטרי ועיבוד תמונות די-ספקטרליות. הדיון על לכידת נתונים מתרכז בלוגיסטיקה של שילוב רכישת תמונות באיסוף נתונים בשטח. נדרש תיקון אטמוספרי בכדי להשתמש בתמונות עם ספקטרום ייחוס מהשטח וחיישני מעבדה מתוארים מגוון שיטות לתיקון אטמוספרי. נדרש תיקון גיאומטרי לשילוב נתוני התמונה והמוצרים הנגזרים עם מידע גיאוגרפי אחר. תיאור של שיטות לזיהוי תכונות בודדות ומרובות. כל אלה מתמקדים בניתוח התיאור הספקטרלי של חומרי שטח הניתנים על ידי שיטות דימויים היפר-ספקטרליות לזיהוי תכונות מרובות, מנצלים את המימד הספקטרלי הגבוה של התמונה לזיהוי רכיבי תת-פיקסל. ניתן לזהות תפקיד לניתוח מרחבי בשילוב עם ניתוח ספקטרלי בפרשנות של תכונות סביבתיות.

זו תצוגה מקדימה של תוכן מנוי, גישה דרך המוסד שלך.


תמונה Hyperspectral + נתוני שדה - מערכות מידע גיאוגרפיות

פרופסור בובי שקולס

____________________________________________________________________________________

מידע ביוגרפי

ד"ר קיאן (ג'ני) דו קיבלה תארים B. S. ו- M. S. מהמכון הטכנולוגי של בייג'ינג, ותארים M. S. ו- Ph. D. מאוניברסיטת מרילנד במחוז בולטימור בשנת 1998 ו -2000, בהתאמה, כולם בהנדסת חשמל. היא הייתה עוזרת פרופסור במחלקה להנדסת חשמל ומדעי המחשב באוניברסיטת טקסס A & ampM באוניברסיטת קינגסוויל בין השנים 2000-2004. היא הצטרפה למחלקה להנדסת חשמל ומחשבים באוניברסיטת מיסיסיפי (MSU) בסתיו 2004, שם היא כיום פרופסור בובי שקולס.

תחום המחקר של ד"ר דו הוא עיבוד תמונות דיגיטלי ויישומו לבעיות חישה מרחוק עם מומחיות בנושא ניצול תמונות היפר-ספקטרלי. המחקר שערכה מכסה כמעט את כל הנושאים בעיבוד וניתוח תמונות של חישה מרחוק, כגון זיהוי יעד, זיהוי חריגות, זיהוי שינויים, סיווג מפוקח / ללא פיקוח / חצי פיקוח, ערבוב ספקטרלי, מיצוי סוף סוף, הפחתת מימד, בחירת הלהקה, נתונים רב-מקוריים / מיזוג החלטות, עיבוד בזמן אמת, מחשוב מקביל, דחיסת נתונים, רישום ופסיפס, השחזה, הדמיה וכו '. תחומי המחקר שלה כוללים גם רזולוציית-על תמונה ורשתות עצביות.

ד"ר דו הוא עמית ל- SPIE ו- IEEE.

היא שימשה כעורכת שותפה בכמה כתבי עת:

- IEEE J-STARS (2011�)

- מכתבי עיבוד אותות IEEE (2012�)

- כתב העת לחישה מרחוק יישומית (2014�)

היא משמשת גם כעורכת אורח בכמה גליונות מיוחדים:

- ערבוב ספקטרלי של נתונים שחושים מרחוק (עסקאות IEEE בנושא מדעי גיאוגרפיה וחישה מרחוק, כרך א ' 49, לא. 11, 2011)

ד"ר דו הוא היושב ראש הכללי של סדנת IEEE GRSS הרביעית בנושא עיבוד תמונה והפרשת אותות היפרספקטרלית: אבולוציה בחישה מרחוק (WHISPERS) בשנחאי, סין, בשנת 2012, סדנת IAPR השביעית בנושא זיהוי תבניות בחישה מרחוק (PRRS) בצוקובה. מדע סיטי, יפן, בשנת 2012, וסדנת IAPR PRRS השמינית בשטוקהולם, שבדיה, בשנת 2014. היא היושבת-ראש הכללית של הסדנה הבינלאומית ה -10 לניתוח תמונות חישה מרחוק רב-זמנית בשנחאי, סין, בשנת 2019. היא גם היושבת ראש טכנית של הכנס הבינלאומי השמיני בנושא אגרו-גיאואינפורמטיקה באיסטנבול, טורקיה, בשנת 2019.

- סתיו 2021: איתותים ומערכות ECE3443

טקסט: קמן והק, יסודות האותות והמערכות, מהדורה שלישית, פירסון, 2007 (ISBN: 978-0131687370)

- אני תמיד מחפש סטודנטים בעלי מוטיבציה גבוהה למחקר. אנא צרו איתי קשר למידע נוסף.

באופן כללי, לא אשקול לגייס סטודנט עד שאראה את הופעתו בכיתות שלי.


מסגרת רומן להדמיה אינטראקטיבית וניתוח של נתוני תמונה היפרספקטרליים

תמונות רב-ספקטרליות ותמונות-ספקטרליות מבוססות היטב בתחומי יישום שונים כמו חישה מרחוק, אסטרונומיה וספקטרוסקופיה מיקרוסקופית. בשנים האחרונות, הזמינות של עיצובי חיישנים חדשים, מעבדים חזקים יותר ואחסון בקיבולת גבוהה פתחו עוד יותר את שיטת ההדמיה הזו למגוון רחב יותר של יישומים כמו אבחון רפואי, חקלאות ומורשת תרבותית. זה מחייב כלים חדשים המאפשרים ניתוח כללי של נתוני התמונה והם אינטואיטיביים למשתמשים חדשים בתחום ההדמיה הספקטרלית. אנו מציגים מסגרת חדשנית המאגדת טכניקות הדמיה אינטראקטיביות חדשות עם אלגוריתמים חזקים ונגישה באמצעות ממשק משתמש גרפי יעיל ואינטואיטיבי. אנו מדמיינים את התפלגות הספקטרום של תמונה באמצעות קואורדינטות מקבילות עם קישור חזק לטכניקות הדמיה מסורתיות, ומאפשרות פרדיגמות חדשות בניתוח תמונות היפרספקטרלי המתמקדות בחקר נתונים גולמיים אינטראקטיביים. אנו משלבים שיטות חדשניות לפילוח בפיקוח, אשכולות גלובליים וקידוד צבעים כוזב לא ליניארי כדי לסייע בבדיקה החזותית. המסגרת שלנו טבעה את גרביל היא קוד פתוח ומודולרי ביותר, הבנויה על שיטות מבוססות וניתנת להרחבה בקלות לצרכים ספציפיים ליישומים. היא מספקת את הצורך במסגרת תוכנה כללית ועקבית המשלבת היטב אלגוריתמי ניתוח עם ממשק אינטואיטיבי ומודרני לנתוני התמונה הגולמיים ולתוצאות האלגוריתמיות. גרביל מוצא את השימוש ברחבי העולם באקדמיה ובתעשייה כאחד עם כמה אלפי הורדות שמקורם ב 45 מדינות.

1. הקדמה

הדמיה רב-ספקטרלית מאפשרת לכידת מידע החזר עשיר שאינו זמין במצלמות RGB מסורתיות. זה מילא תפקיד מפתח בתחום החישה מרחוק במשך עשרות שנים, מאז הצטיידו מטוסים ולוויינים במערכות חיישנים היפר-ספקטרליות. דוגמה בולטת שכזו היא ספקטרומטר הדמיה גלוי / אינפרא אדום מוטס (AVIRIS) [1]. חיישנים Hyperspectral נמצאים בשימוש פחות נרחב "בשטח", אם כי הם הופכים פופולריים יותר באזורים כמו אסטרונומיה, מורשת תרבותית, חקלאות והדמיה רפואית.

בתמונה רב-ספקטרלית, כל פיקסל הוא וקטור של ערכי עוצמה, כאשר כל ערך תואם את זוהר הסצנה בטווח קטן של אורכי גל. הווקטורים המתקבלים הם בדרך כלל באורכים שנעים בין 31 ל -200. האופי הממדי של הנתונים וקורלציות חזקות בין-פסיות מהווים אתגרים לאלגוריתמים של ראיית מחשב. יש צורך בהתאמות כדי לחשוף ולנצל את המידע הכלול בנתונים. בעיה דומה מתעוררת כאשר מנסים לעבד ידנית נתונים ממדיים כה גבוהים. חסר אינטואיציה הדורשת מצגת המנחה את המשתמש במהלך חקר הנתונים. למעשה, צריך שני מרכיבים: הדמיה בו זמנית של היבטים שונים של המידע ואינטראקציה חזקה עם המשתמשים.

ככל שהפופולריות של חיישנים רב-ספקטרליים גוברת, כך גדל הצורך בניתוח אינטראקטיבי בעזרת מחשב. לדוגמא, אחת ממסגרות הניתוח הפופולריות הראשונות למתן ממשק גרפי לבדיקה הייתה מערכת עיבוד התמונה הספקטרלית שהוצגה בשנת 1992 [2]. עם זאת, כמעט כל תוכנות הניתוח הרב-ספקטרליות הזמינות מותאמות ליישומים ספציפיים. כצפוי, מרבית התוכנות הזמינות מתמקדות בחישה מרחוק ומיועדות לטפח זרימת עבודה ספציפית לתחום זה.

בשנים האחרונות, הזמינות של מצלמות רב-ספקטרליות זולות וקלות יותר לשימוש פתחה עוד יותר את האופן הזה ליישומים חדשים. מכשירים שונים המבוססים על פילטרים מכוונים אלקטרונית [3] או ספקטרומטרי הדמיה [4] זמינים מסחרית ממספר ספקים. דוגמה לחיישן המכוון ליישומים מתעוררים היא MuSIS [5], אשר נמצא כיום בשימוש בכמה מוזיאונים וספריות. עם זאת, למשתמשים בחיישנים אלו אין פתרון תוכנה המאפשר להם לחקור את הנתונים בצורה אינטראקטיבית ואינטואיטיבית.

כדי להתמודד עם מגבלה זו פיתחנו את פלטפורמת התוכנה גרביל המשלבת מושגי הדמיה אינטראקטיביים מבוססים כדי לספק מצגת חדשה של תמונות ספקטרליות וכן זרימת עבודה חדשה לבדיקתן. איור 1 מתאר צילום מסך של גרביל בשימוש לבדיקת תמונה רב-ספקטרלית. גרביל פותחה על ידי פרויקט תוכנת קוד פתוח במסורת של מסגרות תוכנה חופשיות בקהילת המחקר לעיבוד אותות כמו OpenCV [8] או Weka [9]. במאמר זה אנו מספקים התייחסות מדעית עבור גרביל ומתארים את מתודולוגיות הליבה שהיא כוללת. אנו גם מספקים הצגה מפורטת של כדאיות וביצועי האלגוריתמים בגרביל ומראים כיצד הגישה החדשה שלנו מהווה שיפור משמעותי בהשוואה למקובל.

הנייר מקבץ ומרחיב את התרומות הבאות: (i) ויזואליזציה אינטראקטיבית של התפלגויות ספקטרליות על בסיס קואורדינטות מקבילות יעילות [6] (ii) פילוח מפוקח של נתונים היפרספקטראליים [10] (iii) אשכולות גלובליים מהירים עם תמיכה בסופר-פיקסלים [11] ( iv) ויזואליזציה מהירה של צבע כוזב לא ליניארי [12]

שיטות אלה נגזרו על ידי התאמת אלגוריתמים מבוססים לנתונים היפר-ספקטרליים ולאילוצי זמן אינטראקטיביים. הם מאפשרים לנו להציג פרדיגמות חדשות בניתוח תמונות היפר-ספקטרלי המתמקדות בחקר נתונים גולמיים אינטראקטיביים, הבנויים בשילוב הדוק של הטכניקות הנ"ל במסגרת תוכנת קוד פתוח מקיפה. התוכנה זמינה לציבור בכתובת http://gerbilvis.org/ ברישיון תוכנה בחינם.

2. עבודה קודמת

אחת מחבילות התוכנה המוכרות ביותר לניתוח רב-ספקטרלי, LARSYS, זמינה בשנות השישים. הוא הופעל באמצעות מסוף טקסט. כמה מסגרות לניתוח נתונים רב-ספקטרלי או אינטראקטיבי גרפי, אינטראקטיבי, שעדיין הן בעלות השפעה רחבה כיום, שתחילתן בראשית שנות התשעים. מסגרות מוקדמות יותר מתמקדות ביישום ספציפי, הבולט ביותר בתחום החישה מרחוק. Boardman et al. [13] סיפק סקירה של ההיסטוריה של מערכות תוכנה מבוססות לחישה מרחוק של נתונים היפר-ספקטרליים. Biehl [14] יצר רשימה מעודכנת באינטרנט בשנת 2007. בחלק זה אנו מציגים תחילה סקירה קצרה של חבילות תוכנה ספציפיות לתחום לפני שנבדוק תוכנות רלוונטיות יותר. אנו מתמקדים בבדיקה אינטראקטיבית של תמונות.

2.1. חישה מרחוק

מערכת עיבוד התמונה הספקטרלית (SIPS) הוצגה על ידי Kruse et al. [2] בשנת 1993. היא הציגה את Mapper Angle Angle Mapper (SAM), כלי להשוואת ספקטרום שעדיין פופולרי בתחום ההתאמה הספקטרלית [15]. הנתונים הוצגו כלהקות בודדות או בתרכובת צבעונית כוזבת של שלוש להקות לבחירת המשתמש. המשתמש יכול גם לצפות בספקטרום של פיקסל שנבחר. ספקטרום מוערמים מקודדים בצבע סופקו לפרוסה שנבחרה (סריקת קו אנכית או אופקית או נתיב שרירותי בתמונה). קבוצה זו של צורות הדמיה עדיין אופייניות לתוכנות פופולריות ללכידה או ניתוח היפר-ספקטרלית.

חבילת התוכנה החינמית MultiSpec של Biehl ו- Landgrebe [16] יכולה לנתח תמונות רב-ספקטרליות ממקורות שונים, באמצעות ספריית GDAL החזקה [17] לצורך קלט / פלט נתונים. המוקד של תוכנה זו הוא סיווג. קהל היעד הוא הקהילה הכללית למדעי כדור הארץ. מלבד לספק את כל ההדמיות הנפוצות שכבר הוזכרו, הוא יכול ליצור דו-כיווני המתייחס לאזורים נבחרים בצמד רצועות ותצוגת תמונות סטטיסטית, המתארת ​​את המתאם בין רצועות אלה.

תוכנה מסחרית בשימוש נרחב היא ENVI [18], שפותחה במקור על ידי Boardman et al. [13]. ב- ENVI הוכנסו כמה חידושים בניתוח היפר-ספקטרלי, כולל, למשל, מדד הטוהר של פיקסל (PPI) [19]. PPI מוצא את הפיקסלים הטהורים ביותר בספקטרום בתמונה. פיקסלים אלה תואמים בדרך כלל לחברי קצה (ספקטרום מכונן של תמונה). חידוש בולט בהדמיה הוא ה-

- Visualizer ממדי, המשתמשת ב- PPI כקלט. זוהי שיטת הדמיית נתונים אינטראקטיבית המאפשרת סיבוב בזמן אמת של פיזור בממדים. הצגת פזורי-מימד ב- 2D יכולה להיות מעט לא אינטואיטיבית. עם זאת הכלי יקר ערך למומחים לזיהוי חברי קצה על סמך ענני הנקודות המתוארים.

שתי תוכנות בולטות נוספות לניתוח נתוני חישה מרחוק היפר-ספקטרלית הם HyperCube [23] ו- Opticks [24]. HyperCube משוחרר על ידי חיל ההנדסה של צבא ארה"ב ומכיל פונקציות לסינון, עיוות (רישום שתי תמונות), כיול וביטול עיוות, הקרנה פוטומטרית ומניפולציה אריתמטית של הנתונים. Opticks כולל גם כלים נפוצים רבים כמו הערות GIS, צביעת שווא והיסטוגרמות. בנוסף, צדדים שלישיים יכולים לספק פונקציונליות באמצעות מודול חיצוני, ולהוסיף יכולות נוספות לתוכנה. לדוגמא, הרחבה לעיבוד ספקטרלי [25] כוללת כלים אופייניים לניתוח נתונים היפר-ספקטרלי.

במסגרת הקשר לחישה מרחוק, קיימות עבודות רבות על הדמיית תמונה רב-ספקטרלית באמצעות הפחתת מימדיות. המטרה היא להציג את התמונה ב- RGB בצבע כוזב על ידי הפחתת ממדיות מווקטורים ספקטרליים באורך

ערכים. בהתבסס על צבעי הפיקסלים המתקבלים, המשתמש אמור להיות מסוגל להבחין באזורי התמונה על פי תחומי העניין הספציפיים שלו. שיטות להשיג זאת כוללות גרסאות של ניתוח הרכיבים העיקריים (PCA), ניתוח הרכיבים העצמאיים (ICA) ושיטות לא לינאריות. גרסאות מסוימות משלבות גם תוצאות סיווג. גישה עדכנית של Cui et al. [26] מתמקד בהתאמה אינטראקטיבית להדמיה כזו. עם זאת, הוא עדיין משתמש בייצוג המפה הנפוצה של פיקסל התמונה.

2.2. אַסטרוֹנוֹמִיָה

תחום עם היסטוריה ארוכה של הדמיה ספקטרלית הוא אסטרונומיה. מסגרת התוכנה הבולטת ביותר בתחום זה היא ds9 [27], הזמינה במצפה הכוכבים האסטרופיזי של סמיתסוניאן. תוכנה זו חזקה מאוד בייצוג המרחבי של תמונות אסטרונומיות. עם זאת, הוא מספק הדמיה תלת ממדית מוגבלת של קוביית הנתונים שלעתים קרובות היא קיימא לנתונים שאינם אסטרונומיים.

לאחרונה, Li et al. [28] התמודד במפורש עם השאלה כיצד להציג נתוני רב-להקות. הם משרטטים רצועות תמונה בתלת ממד או כערימת תמונות או כמודל שמוצג בנפח, למשל פרסה. עיבוד הנפח שלהם מטפל בבעיה הבולטת של העומס על ידי הפעלת שקיפות לנקודות נתונים בודדות בהתבסס על עוצמתן או על מסכה המותאמת למשתמש. עם זאת, באופן כללי לא ניתן להניח כי ניתן לדהות באזורי תמונה גדולים כדי להציג ללא הפרעה נתונים רלוונטיים יותר.

2.3. תחומי יישום אחרים

הדמיה רב-ספקטרלית הפכה פופולארית יותר ויותר בשימור וניתוח יצירות אמנות כמו גם מסמכים היסטוריים. קולנטוני ואח '. [29] ניתח תמונות רב-ספקטרליות של ציורים מנקודת המבט של תפיסת הצבעים האנושית. מנתוני התמונה, ייצוג ב- CIE

שטח הצבעים [30] מחושב בתאורה וירטואלית מבוקרת. לאחר מכן ניתן ליישם מספר כלים להדמיה של נתונים טריכרומטיים. הספקטרום המקורי לא נלקח בחשבון בניתוח.

בשנת 2010, קים ואח '. [31] הציג פתרון להדמיה אינטראקטיבית של מסמכים היסטוריים. הם סיפקו כלי ניתוח מעוצב להפליא ושילבו חידושים באופן הצגת הנתונים. חלקם ספציפיים לניתוח מסמכים, למשל, העוסקים בחפצים הקשורים להזדקנות, ואילו אחרים כלליים יותר. ה עדשת ספקטרלית תכונה, למשל, מציגה נתונים משתי להקות ספקטרליות בתצוגה אחת. ניתן לחשב מפות דמיון על בסיס

נורמה בין הערך הספקטרלי הממוצע של אזור נבחר לבין כל הפיקסלים של התמונה. עם זאת, מדדי דמיון כמו SAM [15] יתאימו יותר להשוואת ספקטרום. עלילת היסטוגרמה תלת ממדית משמשת להשוואה בין שתי ספקטרום.

ה- ICT הלאומי באוסטרליה (NICTA) מציע את תוכנת סקייב ללא תשלום הכוללת את צינור התאוששות ההחזרה וסיווג החומרים שפותח ב- NICTA [7, 32]. ההדמיה שלו כוללת צביעה כוזבת והתאמה של ההדמיה הקואורדינטות המקבילות שהוצגו בגרביל (ראה סעיף 3.2).

Labitzke et al. [33] הציג מסגרת אינטראקטיבית להתערבות ספקטרלית לינארית של מערכי נתונים רב-ספקטרליים. ערבוב ספקטרלי פופולרי במיוחד בחישה מרחוק, שם לרוב הרזולוציה המרחבית נמוכה. קיימים אלגוריתמים רבים למציאת חברי קצה ולביצוע ערבוב ספקטרלי [34]. Labitzke et al. הציג שיטה מצטברת שיכולה למצוא באופן אוטומטי חברי קצה. לאחר מכן, משוב חזותי ניתן על ידי ההדמיה המשלימה שלהם המשקפת את איכות הסט המאפיין. ניתן לשנות קבוצה זו באופן אינטראקטיבי על מנת לשפר את הערבוב. המחברים הבדילו במפורש את גישתם מגרביל [33]. ערבוב ספקטרלי הוא חלק בלתי נפרד מגישת ההדמיה האינטראקטיבית שלהם, בעוד שבשיטות שלנו אנו מדמיינים את הנתונים הגולמיים. האלגוריתם וזרימת העבודה שהוצעו על ידי Labitzke et al. אינם מנוגדים לגישה שלנו, אלא במקום זאת הם משלימים יפה את יכולות ההדמיה של גרביל.

3. בדיקה חזותית

באופן כללי, הגישות הקיימות חולקות את אותה קבוצה בסיסית של ייצוג נתונים ואינטראקציות של משתמשים, בעוד שתוספים בודדים עוקבים בדרך כלל אחר תרחיש יישום ספציפי. עם זאת, המגוון הרחב יותר של יישומים של הדמיה רב-ספקטרלית מחייב מסגרת הדמיה אינטראקטיבית שהיא כללית מספיק למגוון רחב יותר של יישומים ורב-תכליתית יותר מייצוגים בסיסיים קיימים. במסגרתנו, גרביל, אנו עוקבים אחר מושג חדשני המאפשר זרימת עבודה חדשה לחלוטין בחקר תמונה רב-ספקטרלית. הוא סובב סביב הצגת וחקירה ההופכים את נתוני התמונה לברורים יותר למשתמש, ומאפשרים למעשה פרשנות ישירה יותר של הנתונים. המשתמש אינו מסתמך על עיבוד אוטומטי אלא מונחה רק על ידיו.

3.1. קונספט עיקרי

איור 2 נותן סקירה של תכונות המפתח המהוות את גרביל. על מנת לקבל מסגרת המתאימה לשימוש במגוון גדול של יישומים, אנו משלבים בכלי גרביל מספר כלים מובנים היטב של ניתוח היפר-ספקטרלי, תוך הוספת מושגים מקהילות הדמיית הנתונים וראיית המחשב. ערך הגישה שלנו טמון בהפעלת תכונות אלה באופן המעשיר את חווית המשתמש תוך חקירת תמונה רב-ספקטרלית. דוגמה אחת כזו היא שילוב של קואורדינטות מקבילות, טכניקה להצגת נתונים ממדים גבוהים. נעשה שימוש בקואורדינטות מקבילות בהדמיית התפלגויות ספקטרליות. ההדמיה היא דינמית ביותר ומתקשרת עם הייצוגים הטופולוגיים של התמונה (למשל, תיאור בגווני אפור של פס תמונה בודד). גורם תורם נוסף הוא הדגש על ה- שיפוע ספקטרלי מתאר [35]. תפוצתו מוצגת לצד התפלגות הספקטרום. שיפוע הספקטרום הוא מתאר רב-ספקטרלי המתמקד בהיבטי נתונים, שקשורים ישירות לתכונות החומר וההחזרה.

איור 1 מתאר את שלושת המרכיבים העיקריים של ממשק המשתמש הגרפי: ההדמיה של הספקטרום המקורי (איור 1 (א)) וספקטרום השיפוע הספקטרלי (איור 1 (ב)) הן באמצעות קואורדינטות מקבילות ותצוגת התמונה המרחבית (איור 1 ( ג)). האינטראקציה בין אלמנטים אלה, כפי שמוסבר בפירוט בסעיף 3.3, מתוגברת על ידי כלים הנותנים הנחיה נוספת למשתמש. דוגמה כזו היא הפחתת ממדיות באמצעות PCA או שיטות לא לינאריות, כפי שנדון בסעיף 5. כלי נוסף הוא קיבוץ נתונים של תכונות-מרחב, המתואר בסעיף 4.2. חשוב במיוחד בתהליך העבודה שלנו הוא פילוח בפיקוח, בו המשתמש מספק קלט בהתאם למטרת חקירתו או לידע מוקדם. בסעיף 4.1 אנו מתארים כיצד אנו משתמשים באלגוריתם פילוח מבוסס גרף למשימה זו.

3.2. תצוגת הפצה ספקטרלית

הגישות הקיימות לתיאור תמונה רב-ספקטרלית במלואה מוגבלות על ידי הפריסה המרחבית של התמונה. נתוני התמונה נתפסים כקוביה, עם

-ציר המתאים ללהקות ספקטרליות, שנערמות זו על גבי זו. שימוש בטכניקות עיבוד נפח מודרניות יכול לעשות ייצוג זה שימושי בכמה תרחישים [28]. עם זאת ברוב המקרים, בהם אין דלילות בפיקסלים מעניינים, מתקבלת תצוגה עמוסה מאוד המגלה את החסרונות של סידור תלת ממדי פשוט. שיטות אחרות, כגון עלילות פיזור או צביעת שווא, מסתמכות על הפחתת מימדיות. אמנם הדמיה של נתונים מופחתים מועילה ביישומים רבים, אך קשה לשמור על פרטים עדינים. לעומת זאת, ויזואליזציה טובה של הנתונים המקוריים מסייעת למתבונן להעריך עד כמה שיטת צמצום מימדי מתאימה ליישום ספציפי.

אחת הדרכים להתמודד עם נושא זה היא לדחות מהיחסים הטופולוגיים בתמונה, לעת עתה, ולהתרכז במקום בייצוג שאפשר לתפוס את ההתפלגות הספקטרלית. כדי לעשות זאת ביעילות, אנו משתמשים בשיטת הקואורדינטות המקבילות [36] כמוסבר להלן. זוהי טכניקה מבוססת היטב לדמיין גיאומטריה ממדית גבוהה וניתוח נתונים רב משתנים. נעשה בו שימוש נרחב, למשל, ביישומים פיננסיים ובמערכות מידע גיאוגרפיות. אפשר לראות את ההדמיה הספקטרלית המסורתית כמייצב ספציפי של הדמיה של קואורדינטות מקבילות. על ידי בנייה על התפיסה הכללית יותר, נוכל לשלב כלים מקהילת ההדמיה להצגת נתונים ממדית גבוהה.

על פי תפיסת הקואורדינטות המקבילות, מרחב מאפיינים ממדי (הנובע מלהקות ספקטרליות) מוקרן על מבט דו מימדי כדלקמן. קווים אנכיים מקבילים מציינים את הצירים, כלומר את רצועות הספקטרום. ה

ציר ה תואם לערך הספקטרום ברצועה. כדי להציג את הווקטור הספקטרלי של פיקסל, נשרטטת קו קו עם קודקודיו על הצירים האנכיים המתאימים. התצוגה המתקבלת עוקבת אחר פריסת העלילה שבה

ציר מסמן אורך גל ו-ציר מסמל עוצמה.

3.2.1. קואורדינטות מקבילות אופטימליות

לציור פולי-ליין לכל וקטור רב-ספקטרי יחיד יש כמה חסרונות: זה גוזל זמן והתצוגה עשויה להסתבך בקלות, ובמקרה כזה פולי-קווים בודדים עשויים שלא להפריד היטב משאר הנתונים. פיתרון לחששות העומס והמהירות הוא לצייר פחות פולינלים, כאשר פוליליין יכול לייצג סט פיקסלים. עם הבחנה זו, קווי הפולין המייצגים יותר פיקסלים נראים חזקים יותר.

אנו מממשים ייצוג זה על ידי הצגת היסטוגרמה במרחב התכונות עם

פחים מפוזרים באופן שווה בכל מימד. ניתן לכוונון המשתמש בין 2 לטווח הדינמי של הנתונים שנלכדו (בדרך כלל

). לדוגמא, ההיסטוגרמה לתמונה רב-ספקטרלית בעלת 31 פס עם

פחים. בניית היסטוגרמה צפופה בגודל זה אינה אפשרית אולם ניתן ליצור היסטוגרמה דלילה באמצעות אלגוריתם hashing רגיל. הרעיון המרכזי כאן הוא שכמות הפחים הכבושים קשורה לרזולוציה המרחבית של תמונת הקלט. לדוגמא, רזולוציה מרחבית של

משאיר רק ערכים נפרדים אפשריים, ובכך נותן גבול עליון לכמות הפחים הממולאים בהיסטוגרמה דלילה, או לכמות מקשי החשיש הדרושים.

עבור כל סל מאוכלס, נייר פוליליין בהדמיה של הקואורדינטות המקבילות. עוצמת הפולילין מתבצעת על ידי הקצאת אטימות

. נקבע על ידי הקשר בין מספר הפיקסלים המיוצגים על ידי הפח,

, ומספר הפיקסלים המעובד הכולל,

היכן גורם המתכוונן למשתמש ו

היא פונקציה לוגריתמית. הלוגריתם מדגיש פחים עם פחות פיקסלים. הרעיון הוא שאפילו פיקסל בודד צריך להיות מורגש. הלוגריתם מבטיח גם כי ניתן לייצג את הטווח הדינמי של ערכי אלפא המתקבל בצורה סבירה עם ערוץ אלפא של 8 סיביות. כיום, גרביל מתגברת על מגבלה זו על ידי ציור אל תוך מסגרת נקודה צפה והמשתמש יכול לבחור להיות ליניארי.

3.2.2. חידודים ציור

The newer design of Gerbil includes several measures to further enhance the visual quality and accuracy of the spectral distribution display. By dividing the feature space into a fixed number of equally spaced bins, the histogram applies a nonadaptive quantization of a spectral vector איקס. A possible strategy to reduce the introduced quantization error is to employ a binning that is adapted to the observed data. A straight-forward method is to perform a separate histogram equalization in each dimension , which enforces a uniform PDF of the mapped vector values

[37]. While it works well for big clusters of similar pixels, spectra that are sparsely represented in the image will suffer from such an operation. It may increase the average accuracy at a great expense in the precision of single pixel representations, which is not desirable.

We employ an alternative strategy by adjusting how a bin is drawn. Our method achieves an improved general accuracy without a significant expense in the accuracy for any single pixel. When drawing a bin, we draw the mean vector of its contents instead of its midrange values. This can be computed on the fly while adding new vectors, with a final normalization based on the already stored number of entries. Figure 3 shows an example of the visual quality gain. A broad description of the spectral distribution is already possible with a low .

Another hindrance in visual quality is the mutual obstruction of pixel representations. In many use-cases, pixels are color coded (see Section 3.3). This involves effectively drawing several distributions on top of each other. In highly populated intensity ranges this can lead to extensive occlusions. There exists work on clutter reduction in parallel coordinate plots that tackles this problem [38]. The key idea is to only render a randomly sampled subset of the data points. Instead, we significantly reduce clutter by drawing data in a randomly shuffled order, without dismissing any information.

3.2.3. Evaluation

The error introduced by the histogram-based quantization can be measured by the average root mean squared error (RMSE) as well as the maximum absolute deviation (MAD), between original vectors

and their quantized counterparts

. This gives us the measure

where is the sample maximum.

The number of bins per dimension is a crucial parameter. It lets the user choose between drawing speed, viewing quality, and accuracy. Even a considerably low should provide acceptable accuracy, and the speed-up by lowering should be effective. We evaluate RMSE and MAD for both the previously published [6] and the newly proposed drawing methods on several datasets from different application domains. Table 1 provides statistics on the datasets. The CAVE dataset consists of objects in a laboratory settings, while Foster captured natural (outdoor) scenes. Indian Pines and D.C. Mall are widely used remote sensing images.

We use a desktop machine equipped with a quad-core Intel Core i7 CPU running at 2.80 GHz and a GeForce GTX 550 Ti consumer graphics card for testing the computational performance. We measure the time needed for drawing operations via GL _ TIMESTAMP and draw in WUXGA resolution.

In Figure 4 we plot running times against accuracy for varying . Bin Center describes the originally published drawing method, while Mean denotes our refined drawing method. We can observe that the average RMSE becomes negligible with higher for both methods. However, our method achieves low RMSE values for considerably lower settings of . Due to outliers present in some of the histogram bins, the MAD for the refined method is somewhat higher than the original MAD.

The time needed to build the histogram is denoted as binning and is not determined by . The time needed for preparing the geometry and loading it on the GPU (Loading) slowly grows with . In contrast, plays an important role for the time needed for the drawing operation (Drawing). For higher values, the time needed for drawing grows to multiples of the time needed for preparation. Hence the histogramming plays an important role in achieving interactivity.

In Table 2 the running times and accuracy measures for the refined drawing method are listed on all datasets except Indian Pines, where, due to the very low resolution of the image, running times are negligible. The times shown for preparation are the combined histogram building and geometry loading times. As in Figure 4, it is observed that a low can already achieve a small quantization error. Setting

is a reasonable compromise between speed and accuracy on the tested datasets. It provides an effective speed-up in comparison to a high histogram resolution without a perceivable loss in drawing accuracy.

It can be seen in Table 2 that on our test machine, even with a moderate setting, drawing the spectra from a large image may still take several seconds. Typically it is impractical to work on a high-resolution image without a region of interest. Yet, we alleviate longer drawing times by incrementally drawing the data (disabled in the benchmarking) in order to provide direct visual feedback in the form of a rough approximation of the full data (as pixels are drawn in a random order).

3.3. Interactive Inspection

An important aspect of today’s visualization approaches for multivariate data is interactive manipulation of the presentation. A single view most often cannot provide the full understanding that may be gained by a series of user-controlled depictions. User input is vital to parallel coordinates in particular. We provide several mechanisms for both transient (cursor highlights) and persistent (color labels) interactive viewing.

In the parallel coordinate plots, the user can dynamically highlight specific data points, that is, spectral vectors that represent pixels. These are displayed in yellow and with full opacity as an overlay over nonhighlighted spectra. We realize this in OpenGL with layered frame buffers. Updates to the highlight only need to redraw highlighted spectra. While the highlight constantly follows the keyboard and/or mouse input the corresponding pixels are instantly highlighted in the spatial view. While scrolling through the spectra, the topological view always reveals which pixels contribute to the highlighted spectra.

Two modes of operation exist for highlighting in the spectral distribution: single-band limited and multiband limited. The single-band limited highlight is formed by all spectral vectors falling into bins that share a specific intensity range in one band (see Figure 5(a)). The coarseness of this selection is therefore directly related to the binning parameter. The user selects the band and intensity range via mouse click or cursor keys. The multiband limited highlight provides a higher level of control in exchange for more detailed user input. Here, in each band, separate lower and upper intensity bounds can be set (see Figure 5(b)).

Another method of highlighting exists in the topological view. Here, the user can direct a cursor over individual pixels in the spatial view. In the corresponding viewports, the spectrum, and spectral gradient data of the pixel under the cursor are presented as a yellow overlay.

While highlights give instant feedback, they constantly change as the user investigates the data. It is often desired to keep a selection of pixels distinguished from the rest of the data, for example, for comparison purposes. We call this pixel set a label each pixel can be part of at most one label. A label can be seen as a permanent highlight. For each label, a distinct sparse histogram is created as described in Section 3.2.1. It is then drawn in the label color. When a histogram bin is part of the current transient highlight, the color is significantly shifted towards yellow.

When the user has selected pixels within the transient highlight, they may add this set of pixels to a label or delete their label association. By doing so, they can iteratively refine the labeling of the data to concentrate on specific details. Another way to alter the labeling is to use a “label” brush in the topological view or to use automated segmentation methods as discussed in Section 4. Labelings can also be stored for later use.

Labels are important because they serve as a memory in the connection between different representations of the multispectral image such as between a single band and the spectral distribution. A selection, or temporary highlight in one representation, is instantly propagated to the others. By labeling this highlight, it becomes permanent. The user can then continue his investigation within another representation, for example, the spectral gradient view, that may reveal new insights within this labeling. For example, a user may start by hand-labeling parts of a scene in the topological view. Then, they may restrict the spectral distribution view to this label. The parallel coordinates visualization could reveal a certain variance within the labeled pixels. By using selection tools inside this viewport, the user could separate parts of the pixels and assign them to a second label. The topological view instantly reveals which parts of the object contribute to which portion of the distinguished spectra. Next, the user may initialize a multiband limited highlight based on this second label. This reveals other regions in the scene that share spectral characteristics with the labeled pixels.

As a result, we facilitate a workflow of inspecting an image that is not possible with a traditional hyperspectral analysis framework. It is based on concurrent, concerted work with both topological and spectral views and allows a smooth and instantaneous switch in attention between them. Such a step-by-step exploration enables the user to quickly discover and grasp underlying information. In the visualization domain this procedure is considered a valuable tool for understanding complex data [39]. A narrated video demonstration of this workflow can be accessed at http://video.gerbilvis.org/.

4. Segmentation and Labeling

An interactive interface to the multispectral data is no replacement for automatic processing. In fact, the two approaches together form a powerful combination. Within our framework, it is easy to interpret and assess the results of algorithms used in automated analysis. These results can be a good starting point for further interactive analysis. Gerbil is equipped with two powerful methods that segment the data either according to spectral characteristics on a global level or based on topological relation and local similarity. In the latter case we bring supervised segmentation to the multispectral domain especially for the purpose of interactive inspection.

4.1. User-Guided Segmentation

Supervised segmentation incorporates user-provided prior knowledge. A user specifies a set of background and foreground pixels. All other pixels are then determined as belonging to either the background or the foreground. We make this concept a powerful tool within our interactive workflow.

The early version of Gerbil [6] included a rudimentary version of supervised segmentation. We have now adapted an existing algorithm family specifically to the multispectral domain [10].

4.1.1. Graph-Based Supervised Segmentation

In recent years, graph-based algorithms have dominated supervised segmentation on both grayscale and RGB images. In 2011, Couprie et al. introduced a framework for supervised segmentation that incorporates several key methods based on graph theory [40]. Their power watersheds integrate graph cuts, random walker, and watersheds algorithms in a single mathematical framework.

For this algorithm family, the input consists of two sets of pixels, the foreground seeds

, as well as the pixel values , which are strictly used in a differential manner. The topological relation of pixels is reflected in a graph structure. Each pixel corresponds to a vertex

. A neighboring pixel with corresponding is connected to via an edge

of an edge is a function of the similarity between and . We compute an -element vector


Hyperspectral Image + Field Data - Geographic Information Systems

Imaging spectroscopy has been used in the laboratory by physicists and chemists for over 100 years for identification of materials and their composition. Spectroscopy can be used to detect individual absorption features due to specific chemical bonds in a solid, liquid, or gas. Recently, with advancing technology, imaging spectroscopy has begun to focus on the Earth. The concept of hyperspectral remote sensing began in the mid-80's and to this point has been used most widely by geologists for the mapping of minerals. Actual detection of materials is dependent on the spectral coverage, spectral resolution, and signal-to-noise of the spectrometer, the abundance of the material and the strength of absorption features for that material in the wavelength region measured.

Hyperspectral remote sensing combines imaging and spectroscopy in a single system which often includes large data sets and require new processing methods. Hyperspectral data sets are generally composed of about 100 to 200 spectral bands of relatively narrow bandwidths (5-10 nm), whereas, multispectral data sets are usually composed of about 5 to 10 bands of relatively large bandwidths (70-400 nm).

Hyperspectral imagery is typically collected (and represented) as a data cube with spatial information collected in the X-Y plane, and spectral information represented in the Z-direction.


Use of Airborne Hyperspectral Imagery to Map Soil Properties in Tilled Agricultural Fields

) were analyzed for carbon content, particle size distribution, and 15 agronomically important elements (Mehlich-III extraction). When partial least squares (PLS) regression of imagery-derived reflectance spectra was used to predict analyte concentrations, 13 of the 19 analytes were predicted with

, including carbon (0.65), aluminum (0.76), iron (0.75), and silt content (0.79). Comparison of 15 spectral math preprocessing treatments showed that a simple first derivative worked well for nearly all analytes. The resulting PLS factors were exported as a vector of coefficients and used to calculate predicted maps of soil properties for each field. Image smoothing with a

low-pass filter prior to spectral data extraction improved prediction accuracy. The resulting raster maps showed variation associated with topographic factors, indicating the effect of soil redistribution and moisture regime on in-field spatial variability. High-resolution maps of soil analyte concentrations can be used to improve precision environmental management of farmlands.

1. Introduction

Spatial assessment of soil properties is important for understanding the dynamics of agricultural ecosystems. Site specific data can provide information that is critical to maintaining healthy soils and adequate nutrient supply for crop production, preventing losses of nutrients and sediments to the environment, and evaluating the transfer of elements such as carbon between land and atmosphere. Research has demonstrated that soil properties such as carbon content are correlated with field topography, soil texture, electrical conductivity, and soil reflectance [1–4]. A study by Venteris et al. [5] documented accumulation of carbon in low areas of fields following soil translocation from higher areas, with resulting carbon loss and soil degradation in elevated areas, and Thompson et al. [6] used soil-landscape modeling techniques to evaluate topographic distribution of soil texture and carbon content. These geographic approaches accounted for 28% to 68% of variation in measured carbon and demonstrated the complexity of environmental and management practices that affect soil characteristics. Recent research into soil health and sustainable cropping systems has demonstrated the potential of improved systems management based on knowledge of distributed soil properties [7]. Contemporary farm management relies on moderate resolution soil maps derived from photo and topographic interpretation. Accurate mapping of soil properties is made difficult due to high spatial variability observed within agricultural fields, errors in spatial assessment of soil properties can result from inadequate or biased sampling of the landscape, and the high cost associated with collecting and analyzing soil samples often limits the amount information available to farmers and land managers. However, advances in remote sensing technology are now providing tools to support geospatial mapping of soil properties, with applications in agricultural and environmental management.

Diffuse reflectance spectroscopy offers a rapid and nondestructive means for measurement of soil properties based on the reflectance spectra of illuminated soil [8–10]. A growing body of literature supports the use of spectral reflectance to determine soil properties, mostly using laboratory instrumentation to measure soil reflectance in the visible (400–700 nm) near infrared (700–2500 nm) and mid-infrared (2500–25,000 nm) wavelengths. Partial least squares (PLS) regression has emerged as a successful chemometric method for extracting predictive information from spectral reflectance datasets [10–12]. The PLS method, characterizes high leverage orthogonal factors within observed spectral variance and matches them to similar factors that describe observed variance within measurements of a corresponding dependant variable. It has been successfully used to predict the results of soil laboratory analysis for carbon content [13, 14], particle size distribution [13, 15, 16] and elemental nutrient content [14, 17, 18], with results sometimes approaching the analytical accuracy of laboratory tests [12, 19]. A review of 44 studies [20] documented associated with prediction of soil carbon that ranged from 0.45 to 0.98, with a median of 0.86. Prediction accuracy depends on the signal : noise associated with the spectral data, and, like most analytical calibrations, is also highly influenced by the distribution of values in the measured dataset. The PLS-derived predictive equations, like most analytical calibrations, are most effective when the unknowns fall with the range of observations used to create the predictive equation, and the best success is obtained when an adequate number of locally obtained samples are included in the calibration data set [12, 21].

Advances in sensor technology have enabled satellite and airborne collection of hyperspectral imagery, allowing the acquisition of spectrally detailed geospatial reflectance data at field and landscape scales. By combining PLS regression of soil properties with reflectance data derived from airborne imagery, high-resolution maps of soil properties can be developed, thus overcoming the inaccuracies associated with geospatial interpolation of soil test data. Reports in the literature, for example, [16, 19, 22], indicate great potential for remote sensing approaches to map surface soil properties. However, additional research is needed to optimize data analysis procedures and improve prediction ability [19]. Separation of signal from noise is an important part of spectral data processing. Geometric and atmospheric adjustments are first required to derive a geospatially representative map of soil reflectance spectra. The imagery can then be smoothed spatially by averaging adjacent pixels, for example using a low-pass filter. This can reduce the noise that results from random signal variability within the detector array while increasing the signal associated with number of observations. It is also common to smooth the spectra in various ways, often by averaging adjacent wavebands or by calculation of first and second derivatives. Numerous math pretreatments have been evaluated for application of PLS to spectral reflectance data obtained from agricultural soils [8, 14, 23, 24].

In this paper, we have three objectives: (1) to evaluate 30 combinations of spectral math pretreatments and imagery smoothing techniques to identify most effective methods of preparing remote sensing data for partial least squares (PLS) analysis of soil properties (2) to develop and validate PLS predictions of soil concentrations for 19 laboratory analytes based on data extracted from airborne hyperspectral imagery and (3) to export resulting PLS vectors to geospatial imagery processing software and calculate high-resolution raster maps of predicted soil characteristics. Six recently tilled agricultural fields were intensively sampled to provide the calibration data set.

2. Materials and Methods

2.1. Field Sampling

On 10 April, 2007, we collected 315 soil samples from six fields (Figure 1) located on working grain farms on the Eastern Shore of the Chesapeake Bay (Delmarva Peninsula, near Easton, MD). Each of the fields (Temple 1S, 7.3 ha Temple 1N, 7.1 ha Temple 2, 8.9 ha Temple 3, 18.1 ha Mason, 14.6 ha Schrader 9.8 ha) was chosen to provide uniform, smooth, bare-soil conditions, had been recently tilled (moldboard plow, field cultivator, and disk), and had little to no vegetation or plant residue. Soil conditions were moderately dry at the time of sampling, with six days of warm spring weather since the previous substantial rainfall (25 mm on 04 April, 2007). All fields were relatively flat (0% to 5% slope). Soil types included moderately well-drained silt loams (Pineyneck PiA, Mattapex-Butlertown MtA), poorly drained silt loams (Othello Ot), and well-drained sandy loams (Indleside IgB). Although the majority of Eastern Shore farms are managed using no-till practices, the tilled fields were otherwise typical of regional cash grain crop management strategies.


(a)
(b)
(c)
(d)

Hyperspectral Image + Field Data - Geographic Information Systems

You have requested a machine translation of selected content from our databases. This functionality is provided solely for your convenience and is in no way intended to replace human translation. Neither SPIE nor the owners and publishers of the content make, and they explicitly disclaim, any express or implied representations or warranties of any kind, including, without limitation, representations and warranties as to the functionality of the translation feature or the accuracy or completeness of the translations.

Translations are not retained in our system. Your use of this feature and the translations is subject to all use restrictions contained in the Terms and Conditions of Use of the SPIE website.

Three-dimensional densely connected convolutional network for hyperspectral remote sensing image classification

Chunju Zhang, 1 Guandong Li, 1 Shihong Du, 2 Wuzhou Tan, 3 Fei Gao 1

1 Hefei Univ. of Technology (China)
2 Institute of Remote Sensing and Geographical Information Systems, Peking Univ. (China)
3 Anhui Bureau of Surveying and Mapping (China)

SUBSCRIBE TO DIGITAL LIBRARY

50 downloads per 1-year subscription

25 downloads per 1 - year subscription

Includes PDF, HTML & Video, when available

Hyperspectral remote sensing images (HSIs) are rich in spatial and spectral information, thus they help to enhance the ability to distinguish geographic objects. In recent years, great progress have been made in image classification using deep learning (such as 2D-CNN and 3D-CNN). Compared with traditional machine learning methods, deep learning methods can automatically extract the abstract features from low to high levels and convert the images into more easily recognizable features. Most HSI classification tasks focus on spectral information but often ignore the rich spatial structures in HSIs, leading to a low classification accuracy. Moreover, most supervised learning methods use shallow structures in HSI classifications and hence exhibit weak performance in finding sparse geographic objects. We proposed to use the three-dimensional (3-D) structure to extract spectral–spatial information to build a deep neural network for HSI classifications. Based on DenseNet, the 3D densely connected convolutional network was improved to learn spectral-spatial features of HSIs. The densely connected structure can enhance feature transmission, support feature reuse, improve information flow in the network, and make deeper networks easier to train. The 3D-DenseNet has a deeper structure than 3D-CNN, thus it can learn more robust spectral–spatial features from HSIs. In fact, the deeper network structure has a regularized effect, which can effectively reduce overfitting on small sample datasets. The network uses HSIs instead of feature engineering as input data and is trained in an end-to-end manner. The experimental results of this model on the Indian Pines datasets and the Pavia University datasets show that deeper neural networks further improve the classification of complex objects, especially in the areas where geographic objects are sparse. It effectively improves the classification accuracy of HSIs.

© 2019 Society of Photo-Optical Instrumentation Engineers (SPIE) 1931-3195/2019/$25.00 © 2019 SPIE

Chunju Zhang , Guandong Li , Shihong Du , Wuzhou Tan , and Fei Gao "Three-dimensional densely connected convolutional network for hyperspectral remote sensing image classification," Journal of Applied Remote Sensing 13(1), 016519 (23 February 2019). https://doi.org/10.1117/1.JRS.13.016519

Received: 12 July 2018 Accepted: 22 December 2018 Published: 23 February 2019