Rapporto segnale/rumore e tecniche di trasformazione MNF

Il rumore, presente nei dati telerilevati, riduce la possibilità di discriminare i differenti materiali presenti in una scena, in quanto causa una ridondanza dell’informazione acquisita dal sensore. Per migliorare la qualità delle immagini iperspettrali, è quindi necessario rimuovere o quanto meno ridurre il rumore di cui sono affetti i dati38_{. A tale scopo, ben si}

Arcwiew e ArcGis, *.dxf formato di Autocad. Il formato standard delle immagini gestito da ENVI è costituito da files a codifica binaria ai quali è associato un HEADER con codifica ASCII che presenta un estensione del tipo .hdr con lo stesso nome dell’immagine. L’interfaccia grafica del programma consiste in una barra menù principale, la finestra per la gestione dei files, dove per ogni file aperto compaiono le bande disponibili e la loro lunghezza d’onda caratteristica, e tre finestre che mostrano l’immagine in diversa scala. Consente di visualizzare le singole bande o una rappresentazione multipla e dinamica di tre bande contemporaneamente associandole ai canali del Rosso, del Verde e del Blu creando un illimitato numero di immagine a falsi colori (FCC).

38 _{Il rapporto segnale/rumore (Signal to Noise Ratio, SNR) è il rapporto tra la potenza del segnale informativo}

e quella del segnale indesiderato, detto appunto rumore. Ovviamente maggiore è il rapporto segnale/rumore, migliore sarà l’estrazione dei dati dalle immagini, per contro, al di sotto di un certo valore di SNR non sarà più possibile ricavare alcuna informazione (GONG 2003).

33

presta la tecnica di processamento nota come Minimum Noise Fraction (MNF)39_.

I vantaggi di tale metodo sono essenzialmente quelli di aumentare la separabilità spettrale delle differenti tipologie di materiali presenti nella scena analizzata e ridurre la dimensione dei dati, condensando l’informazione in un minore numero di bande (sintetiche) rispetto al numero originale ottimizzando i tempi di elaborazione dei dati.

La trasformazione MNF utilizzata in questo lavoro è quella implementata nel software ENVI40 _{ed è stata applicata sia sul dataset MIVIS a 102 bande che sulle bande relative ai 4} spettrometri separatamente. Tale procedura prevede che ad ogni gruppo di bande MIVIS, suddiviso per spettrometri (20 bande per i canali del visibile, 8 per i canali dell’infrarosso vicino, 64 per l’infrarosso medio e 10 per l’infrarosso termico) sia applicata la trasformazione MNF. Si è così generato un nuovo dataset costituito da 4 immagini MNF, una per ogni spettrometro, contenente un numero di bande pari al 10% circa dei risultati della trasformazione. Queste bande successivamente sono state accorpate in un unico file MNF contenete le informazioni originali, prive di rumore, per ogni canale dello spettro elettromagnetico.

La scelta di utilizzare i 4 spettrometri separatamente si basa sull’ipotesi di poter discriminare più efficacemente l’informazione dal rumore 41_.

Per quanto riguarda le immagini derivate dai satelliti commerciali le tecniche di pre- elaborazione vengono effettuate prima di mettere sul mercato il prodotto.

1.4.1.5 Tecniche di miglioramento del contrasto.

Le tecniche di miglioramento del contrasto rappresentano spesso il primo intervento che viene effettuato sull’immagine. Questa tecnica viene utilizzata in quanto molto spesso le immagini hanno un contrasto poco marcato fra le zone a diversa luminosità, in quanto i valori effettivi dell’intensità luminosa dell’immagine occupano un intervallo troppo ristretto rispetto all’intera gamma dei valori possibili. Redistribuendo i valori di intensità luminosa, nell’istogramma, è possibile aumentare il contrasto e migliorare la qualità visiva

39 _{La Minimum Noise Fraction consiste nell’applicazione di due analisi della Principal Component Analysis}

(PCA). La prima PCA, sulla base della stima di una matrice di covarianza del rumore, decorrela e riscala il rumore nei dati. Restituisce un dataset trasformato in cui il rumore ha varianza unitaria e non vi è correlazione tra le bande. Successivamente, l’applicazione di un’analisi standard della PCA genera delle nuove bande decorrelate e l’informazione è concentrata in un numero di bande pari al 10% di quelle originali, mentre il dataset rimanente rappresenta per lo più rumore. Al termine del processamento la trasformazione restituisce un nuovo set di bande (bande MNF) e l’MNF plot. Il plot rappresenta le bande MNF ed i corrispondenti autovalori: bande con elevati autovalori (maggiori di 1) contengono informazione, quelle invece con autovalori prossimi a 1 rappresentano per lo più rumore. Il dataset finale, da utilizzare nelle successive elaborazioni, è costituito dalle bande MNF a cui corrispondono immagini spazialmente coerenti ed autovalori elevati (GREENet al.1988, pp. 65-74; AMATOet al.2009, pp. 153-160).

40_{GREENet al., 1988.}

34 delle immagini.

L'istogramma è un grafico che presenta sull'asse delle ascisse la gamma delle sfumature di grigio, e sull'asse delle ordinate la frequenza con cui i valori occorrono nell'immagine stessa (figura 1.14).

Figura 1.14. Istogramma (da software ENVI 4.5).

La tecnica più semplice e più comunemente usata prende il nome di stiramento lineare o linear stretching. Questa tecnica consiste nell'assegnare il valore 0 al minimo valore presente nella matrice e il valore di 255 a quello massimo e, tutti gli altri valori, in questo caso, vengono distribuiti in modo lineare tra questi due estremi.

A volte può essere conveniente stirare l'istogramma in modo non lineare, dedicando più livelli di grigio a quella parte dell'istogramma dove si addensa la maggior parte dei pixel e un numero ridotto di livelli di grigio a quelle parti dove si addensano pochi pixel. Con questa operazione avremmo una rappresentazione in cui ogni livello di grigio viene ugualmente rappresentato (equalizzazione) ed in questo caso si continueranno ad usare tutti i 256 livelli disponibili.

Poiché nel telerilevamento si trattano immagini multispettrali, ossia immagini della stessa scena ma acquisite separando la radianza secondo il contributo fornito nei diversi intervalli spettrali, accanto all'istogramma viene utilizzato lo scatterogramma o istogramma a due o più dimensioni. In questo caso gli assi cartesiani x e y rappresentano i numeri digitali DN

35

delle immagini, mentre l'asse z rappresenta il numero dei pixel che in una banda hanno dato un numero digitale.

Lo scatterogramma consente di analizzare la diversa firma spettrale dei singoli oggetti presenti nella scena osservata.

Un altro trattamento da applicare alle immagini è quello dell'equidensità (density slicing) attraverso cui l'istogramma viene diviso in fette e, a tutti i pixel compresi in uno stesso range di luminosità, viene attribuito lo stesso valore di DN. Questa tecnica, spesso utilizzata per la suddivisione in livelli delle immagini termiche, può risultare interessante se applicata ad immagini pancromatiche e multispettrali per raggruppare pixel aventi DN simili.