Transformations-modifications dimages multispectrales.

Présentation au sujet: "Transformations-modifications dimages multispectrales."— Transcription de la présentation:

1 Transformations-modifications dimages multispectrales

2 Les opérations mathématiques: un exemple les indices de végétation Normalized Vegetation Index ou NDVI= K*(PIR-ROUGE)/(PIR+ROUGE)

3

4 Indices de végétation : quelques idées dapplication- densité du couvert végétal par arrondissement

5

6 Un autre exemple: les rapports de bandes

7 PIR : ETM+4 IROC1 : ETM+5 Rapport ETM+4 sur ETM+5

8 Un autre exemple: la différence des bandes --- surtout utilisée pour la détection des changements avec des images multi-dates 1988 1990

9 Un autre exemple: la différence des bandes --- surtout utilisée pour la détection des changements avec des images multi-dates DIFXS1(VERT)=127+XS1(1990)-XS1(1988)

10 Un autre exemple: la différence des bandes --- surtout utilisée pour la détection des changements avec des images multi-dates DIFXS2(ROUGE)=127+XS2(1990)-XS2(1988)

11 Un autre exemple: la différence des bandes --- surtout utilisée pour la détection des changements avec des images multi-dates DIFXS3(PIR)=127+XS3(1990)-XS3(1988)

12 Un autre exemple: la différence des bandes --- surtout utilisée pour la détection des changements avec des images multi-dates COMPOSÉ COULEUR: DIFXS1ROUGE; DIFXS2---VERT; DIFXS3---PIR

13 Quelques exercices

14

15 Les composantes principales ….Un rappel des notions statistiques

16 Les composantes principales ….Un rappel des notions statistiques

17 Les composantes principales ….Un rappel des notions statistiques

18 Les composantes principales ….Un rappel des notions statistiques TM1TM2TM3TM4TM5TM6 TM 1 47.65 TM 2 24.7615.70 TM 3 35.7120.3431.91 TM 4 12.458.2712.0120.56 TM 5 34.7123.7938.8122.30114.89 TM 6 30.4618.7030.8612.9960.6344.92 Matrice de variance-covariance

19 Les composantes principales ….Un rappel des notions statistiques Composantes principales (variance selon ses axes=valeurs propres)… Ellipse de probabilité constante

20 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 limage originale

21 Les composantes principales: un exemple: Landsat ETM+ 3 premières Composantes principales

22 Les composantes principales: un exemple: Landsat ETM+ Calculs à lintérieur du masque

23 Les composantes principales: un exemple: Landsat ETM+ 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

24 Les composantes principales: un exemple: Landsat ETM+ 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%

25 Les composantes principales: un exemple: Landsat ETM+ 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

26 Les composantes principales: un exemple: Landsat ETM+ 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

27 Les composantes principales: un exemple: Landsat ETM+

28

29

30 Quelques exercices