Diterjemahkan dari bahasa Inggris ke bahasa Indonesia - www.onlinedoctranslator.

com

Bagian I
Pengolahan citra

Bagian ini mencakup teknik pemrosesan gambar yang paling
penting untuk visualisasi gambar, analisis kuantitatif dan
ekstraksi informasi tematik untuk aplikasi penginderaan jauh.
Serangkaian bab memperkenalkan topik dengan
kompleksitas yang meningkat dari algoritme visualisasi
dasar, yang dapat dengan mudah digunakan untuk
meningkatkan gambar kamera digital Anda, hingga multi-
transformasi dimensi-teknik berbasis.
Pemrosesan gambar digital dapat meningkatkan kualitas
visual gambar, secara selektif meningkatkan dan menyoroti
bab karena 10% sisanya yang Anda capai selama 90% dari
waktu Anda yang akan melayani tujuan tingkat tertinggi dari
proyek Anda. Poin kuncinya adalah bahwa pemrosesan
gambar tematik harus didorong oleh aplikasi, sedangkan
pembelajaran kita biasanya didorong oleh teknik.
Sederhana
Hasil

Teknik pemrosesan gambar

fitur gambar tertentu dan mengklasifikasikan,
mengidentifikasi dan mengekstrak pola spektral dan spasial
yang mewakili informasi tematik yang berbeda dari gambar.
Itu juga dapat secara sewenang-wenang mengubah geometri
gambar dan kondisi iluminasi untuk memberikan tampilan
berbeda dari gambar yang sama. Yang penting, pemrosesan
gambar tidak dapat meningkatkan informasi dari data gambar
asli, meskipun itu memang dapat mengoptimalkan visualisasi
bagi kita untuk melihat lebih banyak dari gambar yang
disempurnakan daripada dari aslinya.
Waktu
Untuk aplikasi nyata, pendapat kami, berdasarkan
Kompleks
pengalaman bertahun-tahun, adalah bahwa kesederhanaan itu
indah. Pemrosesan gambar tidak mengikuti dengan baik- Gambar P.1  Diagram sederhana ini untuk menggambarkan bahwa
menetapkan hukum fisika kekekalan energi. Seperti yang gambar hasil pengolahan belum tentu sebanding dengan
waktu/usaha yang dikeluarkan. Sebaliknya, Anda mungkin
ditunjukkan pada Gambar. P.1, seringkali hasil yang
menghabiskan sedikit waktu untuk mencapai hasil yang paling
dihasilkan menggunakan teknik pemrosesan yang sangat berguna dan dengan teknik sederhana; di sisi lain, Anda mungkin
sederhana dalam 10 menit pertama proyek Anda sebenarnya menghabiskan banyak waktu untuk mencapai hasil yang sangat
dapat mewakili 90% dari pekerjaan yang dilakukan! Ini sedikit dengan menggunakan teknik yang rumit.
seharusnya tidak mendorong Anda untuk meninggalkan buku
ini setelah tiga yang pertama

Pemrosesan Gambar dan GIS untuk Penginderaan Jauh: Teknik dan Aplikasi, Edisi kedua. Jian Guo Liu dan Philippa J. Mason.
© 2016 John Wiley & Sons, Ltd. Diterbitkan 2016 oleh John Wiley & Sons, Ltd.
Bab 1
Gambar dan tampilan digital
1.1 Apa itu citra digital?
Citra adalah gambar, foto, atau bentuk apa pun dari dua-
representasi dimensi (2D) dari objek atau pemandangan.
Informasi dalam gambar disajikan dalam corak atau warna.
Sebuah gambar digital adalah dua- array dimensi
angka.Setiap sel citra digital disebut piksel, dan angka yang
mewakili kecerahan piksel disebut angka digital (DN) (Gbr.
1.1). Sebagai array 2D, gambar digital terdiri dari data dalam
garis dan kolom. Posisi piksel dialokasikan dengan garis dan
kolom DN-nya. Data yang tersusun teratur seperti itu, tanpa
koordinat x dan y, biasanya disebut data raster. Karena
gambar digital tidak lebih dari array data, operasi matematika
dapat dengan mudah dilakukan pada jumlah gambar digital.
Operasi matematika pada citra digital disebut pengolahan
citra digital.
Data citra digital juga dapat memiliki dimensi ketiga:
lapisan (Gbr. 1.1). Layer adalah gambar dari pemandangan
yang sama tetapi mengandung informasi yang berbeda.
dalam banyak-gambar spektral, lapisan adalah gambar dari
rentang spektral yang berbeda yang disebut pita atau saluran.
Misalnya, gambar berwarna yang diambil oleh kamera digital
terdiri dari tiga pita yang berisi informasi spektral merah,
hijau, dan biru satu per satu. Istilah band lebih sering
digunakan daripada layer untuk merujuk pada multi spectral
images. Secara umum, multi yang terdaftar secara geome
tris- kumpulan data dimensi dari pemandangan yang sama
dapat dianggap sebagai lapisan gambar. Misalnya, kita dapat
mendigitalkan sebuah peta geologi dan kemudian dicatat
bersama peta digital dengan citra Landsat TM. Kemudian
peta digital
Pemrosesan Gambar dan GIS untuk Penginderaan Jauh: Teknik dan Aplikasi, Edisi kedua. Jian Guo Liu dan Philippa J. Mason.
© 2016 John Wiley & Sons, Ltd. Diterbitkan 2016 oleh John Wiley & Sons, Ltd.
menjadi lapisan tambahan pemandangan di samping tujuh
pita spektral TM. Demikian pula, jika kita memiliki dataset
model elevasi digital (DEM) di mana gambar SPOT
diperbaiki, maka DEM dapat dianggap sebagai lapisan
gambar SPOT di samping empat pita spektralnya. Dalam
pengertian ini, kita dapat mempertimbangkan satu set co-
gambar digital terdaftar sebagai tiga-dataset dimensi (3D)
dan dengan dimensi 'ketiga' menyediakan hubungan antara
pemrosesan gambar dan GIS.
Gambar digital dapat disimpan sebagai file di
penyimpanan data komputer pada berbagai media, seperti
hard disk, memory stick, CD, dll. Dapat ditampilkan dalam
warna hitam putih atau berwarna pada monitor komputer
juga seperti dalam output hard copy seperti film atau cetak.
Ini juga dapat menjadi output sebagai array angka sederhana
untuk analisis numerik. Sebagai citra digital, kelebihannya
antara lain:
•  Gambar tidak berubah dengan faktor lingkungan seperti
gambar-gambar dan foto-foto hard copy;
•  gambar dapat diduplikasi secara identik tanpa apapun
perubahan atau hilangnya informasi;
•  gambar dapat diproses secara matematis untuk
menghasilkan gambar baru tanpa mengubah gambar asli;
•  gambar dapat ditransmisikan secara elektronik dari atau
ke lokasi terpencil tanpa kehilangan informasi. Gambar
penginderaan jauh diperoleh oleh sistem sensor
benda-benda di atas pesawat terbang atau pesawat ruang
angkasa, seperti satelit pengamatan bumi. Sistem sensor
dapat dikategorikan menjadi dua cabang utama: sensor pasif
dan sensor aktif. Multi-sistem pencitraan optik spektral
bersifat pasif
3
4Bab 1
Piksel (DN = 110) Lapisan
Garis
kolom
Gambar 1.1  Sebuah gambar digital dan elemen-elemennya.
sensor yang menggunakan radiasi matahari sebagai sumber
utama penerangan untuk pencitraan. Contoh umum termasuk
di seluruh-lacak dan dorong-sapu multi-spectral scanner, dan
kamera digital. Sistem sensor aktif menyediakan sarana
penerangannya sendiri untuk pencitraan, seperti radar
aperture sintetis (SAR). Rincian satelit penginderaan jauh
utama dan sistem sensornya berada di luar cakupan buku ini,
tetapi kami memberikan ringkasan dalam Lampiran A untuk
referensi Anda.
1.2 Tampilan gambar digital
Kita hidup di dunia warna. Warna benda merupakan hasil
penyerapan selektif dan refleksi radiasi elektromagnetik dari
sumber iluminasi. Persepsi oleh mata manusia terbatas pada
rentang spektral 0,38-0,75 m, yaitu bagian yang sangat kecil
dari rentang spektral matahari. Dunia sebenarnya jauh lebih
berwarna daripada yang bisa kita lihat. Teknologi
penginderaan jauh dapat merekam pada rentang spektral
yang jauh lebih luas daripada kemampuan visual manusia,
dan gambar digital yang dihasilkan dapat ditampilkan
sebagai gambar hitam putih atau berwarna menggunakan
perangkat elektronik seperti monitor komputer. Dalam
tampilan gambar digital, nada atau warna adalah representasi
visual dari informasi gambar yang direkam sebagai DN
gambar digital, tetapi mereka tidak selalu menyampaikan arti
fisik dari DN ini.
Panjang gelombang daerah spektral utama yang digunakan
untuk
ut
penginderaan jauh adalah sebagai berikut:
Cahaya tampak (VIS): 0,4–0,7μm
Biru (B) 0,4–0,5μm
Hijau (G) 0,5–0,6μm
Merah (R) 0,6–0,7μm
Terlihat-inframerah fotografi: 0,5–0,9μm
Inframerah reflektif (IR): 0,7–3,0μm
Inframerah lebih dekat (NIR) 0,7–1,3μm
Pendek-gelombang inframerah
(SWIR) 1.3–3.0μm
Inframerah termal (TIR): 3-5μm, 8–14μm
Gelombang mikro: 0,1–100 cm
Singkatan rentang spektral yang umum digunakan
dilambangkan dengan huruf dalam tanda kurung dalam daftar
di atas. Rentang spektral yang mencakup cahaya tampak dan
inframerah yang lebih dekat adalah yang paling populer
untuk multi broadband-sistem sensor spektral dan biasanya
dilambangkan sebagai VNIR.
1.2.1 Tampilan monokromatik
Gambar apa pun, baik gambar pankromatik atau pita spektral multi-
gambar spektral, dapat ditampilkan sebagai gambar hitam putih
(B/W) dengan tampilan monokromatik. Tampilan
diimplementasikan dengan mengubah DN menjadi sinyal elektronik
dalam serangkaian tingkat energi yang menghasilkan nada abu-abu
(kecerahan) yang berbeda dari hitam ke putih, dan dengan demikian
merumuskan tampilan gambar B/W. Sebagian besar sistem
pemrosesan gambar mendukung tampilan grafis 8 bit, yang sesuai
dengan 256 tingkat abu-abu dan menampilkan DN dari 0 (hitam)
hingga 255 (putih). Rentang tampilan ini cukup lebar untuk
kemampuan visual manusia. Ini juga cukup untuk beberapa gambar
penginderaan jauh yang lebih umum digunakan, seperti Landsat
TM/ETM+, SPOT HRV dan Terra-1 ASTER VIR-SWIR (lihat
Lampiran A); rentang DN dari gambar ini tidak lebih lebar dari 0-
255. Di sisi lain, banyak citra penginderaan jauh memiliki rentang
DN yang jauh lebih luas dari 8 bit, seperti Ikonos dan QuickBird,
yang citranya memiliki rentang DN 11 bit (0–2047), dan Landsat 8
Operational Land Imager (OLI), dari 12 bit. Dalam hal ini, gambar
masih dapat divisualisasikan dalam 8-perangkat tampilan bit dengan
berbagai cara, seperti dengan mengompresi rentang DN menjadi 8
bit atau menampilkan gambar dalam adegan beberapa 8 bit.-interval
bit dari seluruh rentang DN. Banyak sistem sensor menawarkan
rentang dinamis yang lebar untuk memastikan bahwa sensor dapat
merekam di semua tingkat energi radiasi tanpa penyesuaian sensor
lokal. Karena radiasi matahari yang diterima biasanya tidak
bervariasi secara signifikan dalam suatu gambar

adegan ukuran terbatas, rentang DN sebenarnya dari adegan
biasanya jauh lebih sempit daripada rentang dinamis penuh
sensor dan dengan demikian dapat disesuaikan dengan baik
menjadi 8-rentang bit DN untuk tampilan.
Dalam tampilan monokromatik dari citra pita spektral,
kecerahan (tingkat abu-abu) piksel sebanding dengan energi
yang dipantulkan dalam pita ini dari area dasar yang sesuai.
Misalnya, dalam tampilan B/W dari gambar pita merah,
merah muda tampak lebih terang daripada merah tua. Hal ini
juga berlaku untuk pita tak terlihat (misalnya pita
inframerah), meskipun 'warna' tidak dapat dilihat.
Bagaimanapun, setiap gambar digital terdiri dari DN; arti
fisik DN tergantung pada sumber gambar. Tampilan
monokromatik memvisualisasikan DN dalam nada abu-abu
dari hitam ke putih, sambil mengabaikan relevansi fisik.
1.2.2 Teori warna tristimulus dan
Tampilan warna RGB (merah, hijau,
biru)
Jika Anda memahami struktur dan prinsip tabung TV
berwarna, Anda harus tahu bahwa tabung itu terdiri dari tiga
senjata warna merah, hijau dan biru. Ketiga warna ini dikenal
sebagai warna primer. Perpaduan lampu dari ketiga warna
primer ini dapat menghasilkan warna apapun pada sebuah
TV. Sifat persepsi warna manusia ini dapat dijelaskan dengan
teori warna tristimulus. Retina manusia memiliki tiga jenis
kerucut dan respon dari setiap jenis kerucut adalah fungsi
dari panjang gelombang cahaya yang datang; puncaknya
pada 440 nm (biru), 545 nm (hijau) dan 680 nm (merah).
Dengan kata lain, setiap jenis kerucut terutama sensitif
terhadap salah satu warna primer: biru, hijau atau merah.
Sebuah warna yang dirasakan oleh seseorang tergantung
pada proporsi masing-masing dari tiga jenis kerucut yang
dirangsang dan dengan demikian dapat dinyatakan sebagai
triplet angka (r, g, b) meskipun cahaya tampak adalah radiasi
elektromagnetik dalam spektrum kontinu 380–750 nm.
Cahaya non-warna primer C akan merangsang bagian yang
berbeda dari setiap jenis kerucut untuk membentuk persepsi
warna ini:
C rR gG bB (1.1)
Campuran yang sama dari tiga warna primer (r = g = b)
menghasilkan putih atau abu-abu, sedangkan campuran yang
sama dari dua warna primer menghasilkan warna
komplementer. Seperti yang ditunjukkan pada Gambar. 1.2,
warna komplementer merah, hijau dan biru adalah cyan,
magenta dan kuning. Tiga warna komplementer juga dapat
digunakan sebagai warna primer untuk menghasilkan
berbagai warna, seperti pada pencetakan warna. Jika Anda
memiliki pengalaman dengan lukisan warna, Anda tahu itu
Gambar dan tampilan digital  5
Merah
Magenta Kuning
Biru
Hijau
cyan
Gambar 1.2  Hubungan warna primer dengan warna pelengkapnya.
setiap warna dapat dihasilkan dengan mencampur tiga warna:
merah, kuning dan biru; ini didasarkan pada prinsip yang
sama.
Tampilan warna gambar digital sepenuhnya didasarkan
pada teori warna tristimulus. Monitor berwarna, seperti TV
berwarna, terdiri dari tiga senjata warna yang terdaftar
dengan tepat, merah, hijau, dan biru. Di pistol merah, piksel
gambar ditampilkan dalam warna merah dengan intensitas
berbeda (yaitu merah tua, merah muda, dll.) tergantung pada
DN-nya. Hal yang sama berlaku untuk senjata hijau dan biru.
Jadi jika pita merah, hijau dan biru dari multi-gambar spektral
ditampilkan dalam warna merah, hijau dan biru secara
bersamaan, gambar berwarna dihasilkan (Gbr. 1.3) di mana
warna piksel ditentukan oleh DN pita merah, hijau dan biru
(r, g, b). Misalnya, jika sebuah piksel memiliki DN merah dan
hijau sebesar 255 dan DN biru sebesar 0, maka akan muncul
warna kuning murni pada layar. Sistem tampilan warna
semacam ini disebut Sistem Komposit Warna RGB Aditif
(Additive RGB Colour Composite System). Dalam sistem ini,
warna yang berbeda dihasilkan oleh kombinasi aditif
komponen merah, hijau dan biru.
Seperti ditunjukkan pada Gambar 1.4, pertimbangkan
komponen tampilan RGB sebagai sumbu ortogonal ruang
warna 3D; tingkat DN maksimum yang mungkin di setiap
komponen layar menentukan kubus warna RGB. Setiap piksel
gambar dalam sistem ini dapat diwakili oleh vektor dari titik
asal ke suatu tempat di dalam kubus warna. Sebagian besar
sistem tampilan RGB standar dapat menampilkan 8 bit/piksel/
saluran, hingga 24 bit = 2563warna yang berbeda. Kapasitas
ini cukup untuk menghasilkan-disebut gambar 'warna asli'.
Garis dari asal kubus warna ke sudut cembung yang
berlawanan dikenal sebagai garis abu-abu karena vektor
piksel yang terletak pada garis ini memiliki komponen yang
sama dalam warna merah, hijau dan biru (yaitu r = g = b).
Jika pita yang sama digunakan sebagai komponen merah,
hijau dan biru, semua piksel akan terletak pada garis abu-abu.
Dalam hal ini, gambar B/W akan dihasilkan meskipun sistem
tampilan warna digunakan.
6Bab 1

Merah

warna RGB
Hijau gabungan

Biru

Gambar 1.3  Ilustrasi tampilan gambar warna aditif RGB.

Merah Kuning (SFCC) di mana pita NIR ditampilkan dalam warna merah,
pita merah dalam warna hijau dan pita hijau dengan warna
biru (Gbr. 1.5, kanan bawah). SFCC secara efektif menyoroti
Magenta
vegetasi apa pun dengan warna merah. Jelas, kami dapat
Putih
menampilkan berbagai lapisan gambar, yang tanpa relevansi
spektral, sebagai komposit warna palsu. Komposit warna
palsu adalah kasus umum tampilan warna RGB sedangkan
Warna
komposit warna asli hanya kasus khusus.
vektor

Hitam Hijau 1.2.3 Semu-tampilan warna

Biru cyan
Gambar 1.4  Kubus warna RGB.
Seperti disebutkan sebelumnya, meskipun warna terletak
pada rentang spektral yang terlihat dari 380-750 nm, mereka
digunakan sebagai alat untuk visualisasi informasi dalam
tampilan warna dari semua gambar digital. Jadi, untuk
tampilan citra digital, penetapan setiap warna primer untuk
pita atau lapisan spektral dapat secara sewenang-wenang
bergantung pada persyaratan aplikasi, yang mungkin tidak
selalu sesuai dengan warna sebenarnya dari rentang spektrum
pita. Jika kita menampilkan tiga pita gambar dalam rentang
spektral merah, hijau dan biru dalam RGB, maka gambar
true colour composite (TCC) dihasilkan (Gbr. 1.5, kiri
bawah). Jika tidak, jika pita gambar yang ditampilkan dalam
warna merah, hijau, dan biru tidak cocok dengan spektrum
ketiga warna primer ini, false colour composite (FCC) akan
dihasilkan. Contoh tipikal disebut standard false colour
composite
Mata manusia dapat mengenali jauh lebih banyak warna
daripada tingkat keabuan, jadi warna dapat digunakan dengan
sangat efektif untuk meningkatkan warna abu-abu kecil-
perbedaan level dalam gambar B/W. Teknik untuk
menampilkan gambar monokrom sebagai gambar berwarna
disebut tampilan warna semu. Gambar semu berwarna
dihasilkan dengan menetapkan setiap tingkat keabuan ke
warna yang unik (Gbr. 1.6). Ini dapat dilakukan dengan
pengeditan warna interaktif atau dengan transformasi
otomatis berdasarkan logika tertentu. Pendekatan umum
adalah untuk menetapkan urutan tingkat abu-abu untuk
warna peningkatan panjang gelombang spektral dan
intensitas.
Keuntungan dari pseudo-tampilan warna juga merupakan
kekurangannya. Ketika gambar digital ditampilkan dalam
skala abu-abu, menggunakan DN-nya dalam tampilan
monokrom, hubungan numerik berurutan antara DN yang
berbeda disajikan secara efektif. Informasi penting ini hilang
dalam kepura-puraan-tampilan warna karena warna yang
ditetapkan ke berbagai tingkat keabuan tidak terkait secara
kuantitatif dalam urutan numerik. Memang, gambar dalam
tampilan warna semu adalah gambar simbol; itu bukan lagi
gambar digital! Kita bisa menganggap skala- abu-abu
 Gambar dan tampilan digital  7

Band 1: Biru Band 2: Hijau Band 3: Merah Band 4: Inframerah dekat

Komposit warna asli Komposit warna palsu

Gambar 1.5  Warna asli dan warna palsu komposit pita biru, hijau, merah dan NIR dari Landsat-7 gambar ETM+. Jika kita menampilkan pita
biru dengan warna biru, pita hijau dengan warna hijau dan pita merah dengan warna merah, maka dihasilkan komposit warna asli seperti yang
ditunjukkan di kiri bawah. Jika kita menampilkan pita hijau dengan warna biru, pita merah dengan warna hijau dan pita NIR dengan warna
merah, maka a so-disebut komposit warna palsu standar diproduksi seperti yang ditunjukkan di kanan bawah.

(a) (b) (c)

Gambar 1.6  (a) Sebuah gambar berwarna abu-abu-tampilan skala (B/W); (b) gambar yang sama dalam pseudo-tampilan warna; dan (c)
DN paling terang adalah disorot dengan warna merah di atas abu-abu-latar belakang skala.
8Bab 1
Tampilan B/W sebagai kasus khusus pseudo-tampilan warna
di mana skala abu-abu berurutan berdasarkan tingkat DN
digunakan sebagai ganti skema warna. Seringkali, kita dapat
menggunakan kombinasi B/W dan pseudo-tampilan warna
untuk menyorot informasi penting dalam rentang DN tertentu
dalam warna di atas abu-abu-latar belakang skala seperti
yang ditunjukkan pada Gambar. 1.6(c).
1.3 Beberapa poin penting
Dalam bab ini, kita mempelajari apa itu citra digital dan
elemen-elemen yang membentuk citra digital, dan kita juga
mempelajari tentang tampilan hitam-putih dan warna dari
citra digital. Penting untuk mengingat poin-poin penting ini:
•  Sebuah gambar digital adalah dataset raster atau array 2D
dari nomor;
•  Persepsi kita tentang warna didasarkan pada tristimulus
teori penglihatan manusia. Setiap warna terdiri dari tiga
warna primer: merah, hijau dan biru.
•  Menggunakan kubus warna RGB, warna dapat
diekspresikan sebagai vektor penjumlahan berbobot
komponen merah, hijau dan biru.
•  Dalam pengolahan citra, warna digunakan sebagai alat
untuk visualisasi informasi gambar. Dari sudut pandang
ini,
tampilan warna sebenarnya adalah kasus khusus dari
tampilan warna palsu umum.
•  Semu-warna tampilan menghasilkan hilangnya hubungan
sekuensial numerik dari DN gambar. Oleh karena itu
bukan lagi citra digital; itu adalah gambar simbol.
1.4 Pertanyaan
1 Apa itu citra digital dan bagaimana komposisinya?
2 Menjelaskan teori warna tristimulus dan prinsip komposisi
warna aditif RGB.
3 Jelaskan hubungan antara warna primer dan warna
komplementer menggunakan diagram.
4 Ilustrasikan kubus warna dalam diagram. Bagaimana
warna terdiri dari komponen RGB? Jelaskan definisi garis
abu-abu dalam kubus warna.
5 Apa itu komposit warna palsu? Jelaskan prinsip
penggunaan warna sebagai alat untuk memvisualisasikan
informasi spektral multi-gambar spektral.
6 Jelaskan cara menghasilkan pseudo-tampilan warna. Apa
kelebihan dan kekurangan tampilan warna semu?
Bab 2

Operasi titik (peningkatan kontras)

Peningkatan kontras, kadang-kadang disebut peningkatan histogram yang unik, tetapi kebalikannya belum tentu benar
radiometrik atau modifikasi histogram, adalah teknik paling karena histogram tidak mengandung informasi spasial.
dasar tetapi juga paling efektif untuk mengoptimalkan Sebagai contoh sederhana, bayangkan berapa banyak pola
kontras dan kecerahan gambar untuk visualisasi atau untuk berbeda yang dapat Anda bentuk pada papan catur kotak 10
menyoroti informasi dalam rentang DN tertentu. × 10 menggunakan 50 bidak putih dan 50 bidak hitam.
Bila X mewakili gambar digital; xij adalah nomor digital Semua pola ini memiliki histogram yang sama!
(DN) dari setiap piksel pada gambar pada baris i dan kolom j. Hal ini wajar untuk memanggil modifikasi histogram
Bila Y mewakili bayangan yang diturunkan dari X dengan operasi titik karena operasi hanya mengubah histogram
a fungsi f; yij adalah nilai keluaran yang sesuai dengan x ij. gambar tetapi tidak hubungan spasial piksel gambar. Dalam
Kemudian peningkatan kontras dapat dinyatakan dalam persamaan 2.1, operasi titik seharusnya dilakukan piksel
bentuk umum: demi piksel. Untuk piksel dengan input DN yang sama tetapi
lokasi yang berbeda (xi j xkl ), fungsi f akan menghasilkan
output yang sama DN (y i j Ykl ). Jadioperasi titik tidak
(2.1) tergantung pada posisi piksel. Operasi titik pada masing-
Pemrosesan ini mengubah gambar input tunggal X masing piksel sama seperti pada level DN:
menjadi gambar output tunggal Y, melalui fungsi f,
sedemikian rupa sehingga DN dari piksel output yij
tergantung pada dan hanya pada DN dari piksel input yang
sesuai xij. Jenis pemrosesan ini disebut operasi titik. yfx (2.2)
Peningkatan kontras adalah operasi titik yang mengubah
kecerahan dan kontras gambar tetapi tidak mengubah ukuran Seperti ditunjukkan pada Gambar. 2.1, misalkan h i (x),
gambar. histogram dari gambar input X, adalah fungsi kontinu;
sebagai operasi titik tidak mengubah ukuran gambar, jumlah
piksel dalam rentang DN x pada gambar input X harus sama
dengan jumlah piksel dalam rentang DN y pada gambar
2.1 Modifikasi histogram dan
keluaran Y, sehingga kita memiliki:
tabel pencarian
Bila x mewakili tingkat DN dari gambar X; jumlah piksel hsayaxxhHaiY y (2.3)
dari setiap tingkat DN h(x) disebut histogram dari gambar X. Membiarkan x 0 lalu kamu 0,
h(x) juga dapat dinyatakan sebagai persentase dari jumlah
piksel tingkat DN x terhadap jumlah total piksel dalam hsayax dx hHaiy dy (2.4)
gambar X. Dalam hal ini, dalam istilah statistik, h(x) adalah
Karena itu,
fungsi kepadatan probabilitas.
Histogram adalah presentasi kontras, kecerahan, dan terim hs x
distribusi data yang baik dari suatu gambar. Setiap gambar terim dx a dx aya
a kasi
memiliki
hy kasih h (2.5)
Hai saya
dy saya
fx dx f x

Pemrosesan Gambar dan GIS untuk Penginderaan Jauh: Teknik dan Aplikasi, Edisi kedua. Jian Guo Liu dan Philippa J. Mason.
© 2016 John Wiley & Sons, Ltd. Diterbitkan 2016 oleh John Wiley & Sons, Ltd.

9
10Bab 2

kamu f(x)
kamu
hHai(y) xhsaya (x)
x
x
Gambar 2.1  Prinsip-prinsip operasi titik dengan histogram
modifikasi.
Kita juga dapat menulis eqn. 2,5 sebagai
h
saya
yx
hHai kamu
Persamaan 2.5 menjelaskan bahwa histogram citra
keluaran dapat diturunkan dari histogram citra masukan
dibagi dengan turunan pertama fungsi operasi titik.
Misalnya, diberikan fungsi linier y 2x 6 lalu 2, dari
persamaan. 2.5 , kemudian :
Fungsi linier ini akan menghasilkan gambar keluaran dengan
histogram yang diratakan dua kali lebih lebar dan setengah
tinggi dari gambar masukan dan dengan semua DN digeser
ke kiri sebanyak tiga tingkat DN. Fungsi linier ini
memperluas rentang DN gambar untuk meningkatkan
kontrasnya.
Karena f′(x) adalah gradien dari fungsi operasi titik f(x),
eqn. 2,5 menunjukkan
•  ketika gradien dari fungsi operasi titik adalah lebih besar
dari 1, ini adalah fungsi peregangan yang meningkatkan
kontras gambar;
•  ketika gradien fungsi operasi titik lebih kecil dari 1 tetapi
positif, ini adalah fungsi kompresi yang mengurangi
kontras gambar;
•  jika gradien fungsi operasi titik adalah nega tive, maka
bayangan menjadi negatif dengan hitam putih terbalik.
Untuk fungsi operasi titik nonlinier, ini meregangkan dan
memampatkan bagian level DN yang berbeda, bergantung
pada gradiennya pada level DN yang berbeda. Ini
ditunjukkan kemudian dalam diskusi tentang fungsi operasi
titik logaritmik dan eksponensial.
Dalam kasus nyata dari citra digital bilangan bulat,
keduanya hi(x) dan ho(y) adalah fungsi diskrit. Diberikan
operasi titikY f(x), tingkat DN x dalam gambar X diubah
menjadi Tingkat DN y pada citra keluaran Y dan jumlah
piksel dengan nilai DN x pada X sama dengan jumlah piksel
dengan nilai DN y pada Y. Dengan demikian,
hsaya x hHai kamu (2.6)
Persamaan 2.6 tampaknya bertentangan dengan persamaan
2.3:
hsaya (x)x hHai (kamu)kamuuntuk kasus fungsi kontinu.
Bahkan, persamaan. 2.6 adalah kasus khusus dari persamaan.
2.3 untuk
x kamu 1, di mana 1 adalah interval DN minimal untuk
an
citra digital bilangan bulat. Sebenarnya operasi titik
memodifikasi histogram dari citra digital dengan
memindahkan 'histogram bar' dari setiap DN level x ke level
DN baru y sesuai dengan fungsi f. Panjang setiap batang
histogram tidak diubah oleh pemrosesan dan dengan
demikian tidak ada informasi yang hilang, tetapi jarak antara
batang histogram diubah. Untuk contoh yang diberikan di
atas, jarak antara batang histogram digandakan dan dengan
demikian histogram ekivalen yang dirata-ratakan oleh celah
lebih datar daripada histogram gambar input (Gbr. 2.2).
Dalam pengertian ini, persamaan. 2.3 selalu berlaku
sementara eqn. 2.6 hanya berlaku untuk batang histogram
individual tetapi tidak untuk histogram yang setara. Operasi
titik dapat menggabungkan beberapa level DN dari gambar
input menjadi satu level DN dari gambar output. Persamaan
2.6 tidak lagi benar untuk beberapa bar histogram dan hasil
operasi pada informasi yang hilang.
Karena operasi titik sebenarnya adalah modifikasi
histogram, operasi ini dapat dilakukan lebih efisien
menggunakan tabel pencarian (LUT). LUT terdiri dari level
DN dari gambar input X dan level DN yang sesuai pada
gambar output Y; contohnya ditunjukkan pada Tabel 2.1.
Saat menerapkan fungsi operasi titik untuk menyempurnakan
gambar, pertama-tama LUT dihasilkan dengan menerapkan
fungsi y f(x) ke setiap level DN x dari masukangambar X
untuk menghasilkan tingkat DN yang sesuai y pada gambar
keluaran Y. Kemudian, gambar keluaran Y dihasilkan hanya
dengan mengganti x dengan y yang sesuai untuk setiap
piksel. Dalam hal ini untuk 8-sedikit gambar, y f(x)
perludihitung tidak lebih dari 256 kali. Jika operasi titik
dilakukan tanpa menggunakan LUT, y f(x)

hi (x)
(a)
Gambar 2.2  Histogram (a) sebelum dan (b) setelah regangan linier untuk data citra bilangan bulat. Meskipun histogram bar di histogram dari
gambar terbentang di sebelah kanan sama tingginya dengan yang ada di histogram asli di sebelah kiri, histogram ekivalen yang digambar di
kurva lebih lebar dan lebih rata karena interval yang lebih lebar dari batang histogram ini.
Tabel 2.1  Contoh LUT untuk linear
fungsi operasi titik Y 2x 6.
x Y
3 0
4 2
5 4
6 6
7 8
8 10
… …
130 254
perlu dihitung sebanyak jumlah piksel dalam gambar. Untuk
gambar besar, pendekatan LUT mempercepat pemrosesan
secara dramatis terutama ketika fungsi operasi titikY f(x)
yang rumit.
Karena sebagian besar sistem tampilan hanya dapat
menampilkan 8-bit integer dalam tingkat keabuan 0-255,
untuk visualisasi gambar, penting untuk mengkonfigurasi
fungsi operasi titik sedemikian rupa sehingga rentang nilai
gambar keluaran Y berada dalam 0-255.
2.2 Peningkatan kontras linier (LCE)
Fungsi operasi titik untuk peningkatan kontras linier
didefinisikan sebagai:
y= a b
Ini adalah yang paling sederhana dan salah satu teknik
peningkatan kontras yang paling efektif. Dalam fungsi
ini,,koefisien a mengontrol kontras gambar keluaran dan b
memodifikasi
Operasi titik (peningkatan kontras)11
Ho(y)
x y
(b)
kecerahan keseluruhan dengan menggeser posisi nol
histogram y to a/b (ke kiri jika negatif dan kebenar jika
positif). LCE meningkatkan kontras gambar tanpa
mendistorsi informasi gambar jika rentang DN keluaran lebih
lebar dari rentang DN masukan. Dalam hal ini, LCE tidak
melakukan apa-apa selain memperlebar kenaikan level DN
dan menggeser posisi histogram di sepanjang sumbu DN
gambar. Misalnya, fungsi LCE Y 2x 6 menggeser
histogram hi(x) ke kiri sebanyak tiga tingkat DN dan
menggandakan kenaikan DN dari x untuk menghasilkan
gambar keluaran Y dengan histogramnya ho(Y) hi(x)/ 2 itu
dua kali lebih lebar dari tapi setengah tinggi aslinya.
Ada beberapa algoritma LCE populer yang tersedia di
sebagian besar paket perangkat lunak pengolah gambar:
1 Peregangan linier interaktif: Ini mengubah a dan b dari
eqn. 2,7 secara interaktif untuk mengoptimalkan kontras
dan kecerahan gambar keluaran berdasarkan penilaian
visual pengguna.
2 Peregangan linier piecewise (PLS): Ini menggunakan
beberapa fungsi linier yang berbeda untuk meregangkan
rentang DN yang berbeda dari gambar input [Gbr. 2.3(a)–
(c)]. PLS adalah fungsi operasi titik yang sangat
serbaguna: dapat digunakan untuk mensimulasikan non-
fungsi linier yang tidak dapat dengan mudah didefinisikan
oleh fungsi matematika. Sebagian besar paket perangkat
lunak pemrosesan gambar memiliki fungsionalitas PLS
interaktif yang memungkinkan pengguna mengonfigurasi
PLS untuk visualisasi yang dioptimalkan. Ambang batas
dapat dianggap sebagai kasus khusus PLS seperti yang
ditunjukkan pada Gambar 2.3(d) dan (e), meskipun dalam
konsepnya adalah operasi logika kondisional.
(2.7) 3 Skala linier: Ini secara otomatis menskalakan rentang DN
gambar ke rentang dinamis penuh dari sistem tampilan (8
bit) berdasarkan maksimum dan minimum dari gambar
input X.
kamu255x Min x/Maks x Min x (2.8)
12Bab 2

(a) (b) (c)

(d) (e)

Gambar 2.3  Fungsi PLS interaktif untuk peningkatan kontras dan thresholding: (a) gambar asli; (b) fungsi PLS untuk peningkatan
kontras; (c) citra yang disempurnakan; (d) fungsi PLS untuk thresholding; dan (e) citra biner yang dihasilkan oleh thresholding.

Dalam banyak paket perangkat lunak pengolah citra 2.2.1 Derivasi fungsi linier dari dua
modern, fungsi ini sebagian besar berlebihan karena titik
operasi yang ditentukan dalam persamaan. 2.8 dapat Seperti yang ditunjukkan pada Gambar. 2.4, fungsi linier
dilakukan dengan mudah menggunakan PLS interaktif. Y a b dapat didefinisikan secara unik oleh dua titik (x 1,
Namun, persamaan 2.8 membantu kita memahami Y1) dan (x2, Y2) berdasarkan rumus
prinsipnya.
k k k
a a ka a
4Penyesuaian mean/standar deviasi: Ini secara linear m m m m
meregangkan gambar untuk membuatnya memenuhi rata- u u1 u2 u1
rata yang diberikan (Eo) dan simpangan baku (SDo). x x1 x2 x1
E E(2.9) Maks( x
sa atauka SDH SDH Diberikan x1Min(x), x2 ) dan kamu10, y2255, kita
yE SD x ya mu ai xE ai kemudian dapat menurunkan fungsi skala linier seperti di
Ha
i Hai SD SD
Hai
SD saya
bawah ini
sa
ya saya saya y 255
dimana Esayadan SDsayaadalah mean dan simpangan baku dari x min x Maks x min x
citra masukan X. 255x min x
Dua fungsi peregangan linier terakhir ini sering digunakan Dengan demikian kamu
untuk pemrosesan otomatis, sedangkan untuk pemrosesan Maks x min x
interaktif PLS adalah pilihan yang jelas.
 Operasi titik (peningkatan kontras)13

kamu

(x ,
kamu2 2
kamu ) ( x , y )( x1, kamu1) A
2
mirip dengan (x2, kamu2)
(x1, kamu1)B
kamu (x, y) kamu
- ka -
kamu m kam
SEBUAH 1 u 2 u1
hHai(y)
B =
x-x1 x2 -x1
kamu
1 (x1, kamu1)

x
hsaya (x)

x1 x x2
Gambar 2.4  Derivasi fungsi linier dari dua titik gambar input X dan gambar keluaran kamu.

Demikian pula, fungsi linier untuk rata-rata dan kamu' > 1 y' < 1
penyesuaian standar deviasi yang didefinisikan dalam (2.9)
dapat diturunkan dari

2.3 Peningkatan kontras logaritmik

dan eksponensial
Fungsi logaritma dan eksponensial adalah operasi invers satu
sama lain. Untuk peningkatan kontras, kedua fungsi tersebut
memodifikasi histogram gambar dengan cara yang
berlawanan. Baik fungsi logaritmik dan eksponensial
mengubah bentuk histogram gambar dan mendistorsi
informasi dalam gambar asli.
2.3.1 Peningkatan kontras logaritmik
Bentuk umum dari fungsi logaritma yang digunakan untuk
pengolahan citra didefinisikan sebagai berikut:
Gambar 2.5  Fungsi peningkatan kontras logaritmik.
Y b ln ax 1 (2.10)

Di sini a (>0) mengontrol kelengkungan fungsi logaritmik,

histogram ke kanan dan menyorot detail di area gelap dalam
sedangkan b adalah faktor penskalaan untuk membuat DN
gambar input. Banyak gambar memiliki histogram yang
keluaran berada dalam rentang nilai yang diberikan, dan
mirip dengan distribusi normal logaritmik. Dalam kasus
pergeseran 1 adalah untuk menghindari nilai nol di mana
seperti itu, fungsi logaritmik akan secara efektif mengubah
fungsi logaritmik kehilangan maknanya. Seperti yang
histogram menjadi bentuk distribusi normal.
ditunjukkan pada Gambar 2.5, gradien fungsi lebih besar dari
Kita bisa sedikit memodifikasi eqn. 2.10 untuk
1 pada rentang DN rendah dan dengan demikian
memperkenalkan konstanta pergeseran c:
menyebarkan nilai DN rendah, sedangkan pada rentang DN
tinggi gradien fungsi kurang dari 1 dan karenanya Y b ln ax 1 c (2.11)
memampatkan tinggi nilai DN. Akibatnya, peningkatan
Fungsi ini memungkinkan histogram gambar keluaran
kontras logaritmik menggeser puncak gambar
bergeser sebesar c.
14Bab 2

Gambar 2.6  Fungsi peningkatan kontras eksponensial. Gambar 2.7  Histogram pemerataan histogram.
N
hHaiy A (2.14)
2.3.2 Peningkatan kontras eksponensial L
Bentuk umum dari fungsi eksponensial yang digunakan
Menurut persamaan. 2.4,
untuk pengolahan citra didefinisikan sebagai berikut:
hari x dx/hy L
ybekapak 1 (2.12) ini hx dx (2.15)
s
Di sini sekali lagi, a (>0) mengontrol kelengkungan fungsi a
y
a Hai Nsaya
eksponensial, sedangkan b adalah faktor penskalaan untuk
Dengan demikian, fungsi pemerataan histogram adalah
membuat DN keluaran berada dalam rentang nilai yang
sebagai berikut:
diberikan, dan pergeseran eksponensial 1 adalah untuk
menghindari nilai nol karena e0 1. Sebagai kebalikan dari ka L L
fungsi logaritmik, peningkatan kontras eksponensial mu hx dx H x (2.16)
s
menggeser gambar puncak togramnya ke kiri dengan a
y
menyebarkan nilai DN tinggi dan mengompresi nilai DN N saya N a

rendah untuk meningkatkan detail di area terang dengan

biaya menekan variasi nada dalam gelap daerah (Gbr. 2.6).
Sekali lagi, kita dapat memperkenalkan parameter shift c
untuk memodifikasi fungsi peningkatan kontras eksponensial
seperti di bawah ini:
ybekapak 1c (2.13)
2.4 Pemerataan histogram (HE)
Ekualisasi histogram adalah teknik peningkatan kontras yang
sangat berguna. Ini mengubah gambar input menjadi gambar
output dengan histo gram seragam (sama). Poin kunci dari
HE adalah menemukan fungsi yang mengubah h i(x) ke hO(y)
A, di mana A adalah sebuah konstanta. Memperkirakan
gambar X memiliki N piksel dan rentang DN keluaran yang
diinginkan adalah L (jumlah level DN), maka
Sebagai histogram hi(x) pada dasarnya adalah fungsi
kepadatan probabilitas X, Hi(x) adalah fungsi distribusi
kumulatif dari X. Perhitungan Hi(x) sederhana untuk fungsi
diskrit dalam kasus gambar digital. Untuk tingkat DN
tertentu x, Hi(x) sama dengan jumlah total piksel dengan nilai
DN tidak lebih besar dari x.
x
Hsayax hsayak (2.17)
k 0
Secara teoritis, pemerataan histogram dapat dicapai jika H i(x)
adalah fungsi kontinu. Namun, seperti H i(x) adalah fungsi
diskrit untuk citra digital bilangan bulat, HE hanya dapat
menghasilkan histogram yang relatif datar yang secara
matematis setara dengan histogram yang disamakan, di mana
jarak antara batang histogram sebanding dengan tingginya
(Gbr. 2.7).
 Operasi titik (peningkatan kontras)15

Gagasan di balik peningkatan kontras HE adalah bahwa Dengan demikian

penyajian data suatu gambar harus didistribusikan secara
kamu g1 z g1 f x (2.18)
merata di seluruh rentang nilai. Namun pada kenyataannya,
HE seringkali menghasilkan gambar dengan kontras yang
terlalu tinggi. Ini karena pemandangan alam lebih cenderung Ingat persamaan 2.16; f(x) dan g(y) adalah fungsi distribusi
mengikuti distribusi normal (Gaussian), dan akibatnya mata kumulatif dari hi(x) dan hO(y) secara individu. Dengan
manusia disesuaikan agar lebih sensitif untuk membedakan demikian HM dapat dengan mudah diimplementasikan oleh
perubahan tingkat kecerahan menengah daripada kecerahan tiga-kolom LUT yang berisi level DN x, z, dan y yang sesuai.
sangat tinggi dan sangat rendah. Level DN input x akan ditransformasikan ke level DN output
y yang berbagi nilai z yang sama. Seperti ditunjukkan pada
Tabel 2.2, untuk x = 5, z = 3, sedangkan untuk y = 0, z = 3.
2.5 Pencocokan histogram (HM) Jadi untuk input x = 5, LUT beralih ke output y = 0 dan
dan regangan Gaussian seterusnya. Gambar keluaran Y akan memiliki histogram
yang cocok dengan histogram referensi hO(y).
Pencocokan histogram (HM) adalah operasi titik yang
mengubah gambar input untuk membuat histogramnya cocok Jika histogram referensi hO(y) didefinisikan oleh fungsi
dengan bentuk tertentu yang ditentukan oleh fungsi distribusi Gaussian:
matematika atau histogram dari gambar lain. Hal ini sangat
berguna untuk perbandingan gambar dan differencing. Jika
hHaika 1 x x 2
kedua gambar tersebut dimodifikasi agar memiliki histogram
mu 2 exp 2 2 (2.19)
yang serupa, maka perbandingannya akan adil.
HM dapat diimplementasikan dengan menerapkan HE dua
kali. Persamaan 2.14 menyiratkan bahwa histogram yang dimana adalah simpangan baku dan x mean dari citra X,
disamakan hanya ditentukan oleh ukuran gambar N dan maka transformasi HM disebut regangan Gaussian karena
rentang DN keluaran L. Gambar dengan ukuran yang sama citra yang dihasilkan memiliki histogram dalam bentuk
selalu memiliki histogram yang disamakan yang sama untuk distribusi Gaussian.
rentang DN keluaran tetap, dan dengan demikian HE dapat
bertindak sebagai jembatan untuk menghubungkan gambar
dengan ukuran yang sama tetapi histogram yang berbeda Tabel 2.2  Contoh LUT untuk pencocokan histogram.
(Gbr. 2.8). Pertimbangkan hi(x) adalah histogram dari citra
masukan dan hO(y) histogram referensi yang akan x z y
dicocokkan. Misalkan z f(x) adalah fungsi HE untuk
5 3 0
mengubah ho(x) ke histogram yang disamakan he(z), danz
6 4 2
g(kamu) fungsi HE untuk mengubah referensi histogram
7 5 4
hO(y) dengan histogram h yang sama e(z), maka 8 6 5
… … …

z g kamu f x

z = f(x) z = g(y)

hi(x) he(z) ho(y)

x z y

Gambar 2.8  Pemerataan histogram bertindak sebagai jembatan untuk pencocokan histogram.
16Bab 2
2.6 Teknik peningkatan kontras
keseimbangan (BCET)
Bias warna adalah salah satu penyebab utama gambar
komposit warna yang buruk. Untuk komposisi warna RGB,
jika kecerahan rata-rata satu pita gambar secara signifikan
lebih tinggi atau lebih rendah dari dua lainnya, gambar
komposit akan menunjukkan bias warna yang jelas. Untuk
menghilangkan ini, tiga pita yang digunakan untuk komposisi
warna harus memiliki rentang nilai dan rata-rata yang sama.
Teknik peningkatan kontras keseimbangan (BCET) adalah
solusi sederhana untuk masalah ini. Menggunakan fungsi
parabola yang diturunkan dari gambar input, BCET dapat
meregangkan (atau mengompres) gambar ke rentang nilai
dan rata-rata yang diberikan tanpa mengubah bentuk dasar
histogram gambar. Dengan demikian, tiga pita gambar untuk
komposisi warna dapat disesuaikan dengan rentang nilai dan
rata-rata yang sama untuk mencapai komposit warna yang
seimbang.
BCET berdasarkan fungsi parabola adalah sebagai berikut:
yaxb2c
(2.20)
Bentuk umum fungsi parabola ini didefinisikan oleh tiga
koefisien, a, b dan c. Oleh karena itu, ia mampu
menyesuaikan tiga parameter gambar: minimum, maksimum,
dan rata-rata. Koefisien a, b dan c dapat diturunkan
berdasarkan minimum, maksimum dan mean (l, h dan e) dari
gambar input X dan minimum yang diberikan,
(a)
Gambar 2.9  Komposit warna pita ETM+ 5, 4 dan 1 dalam warna merah, hijau dan biru: (a) komposit warna pita asli menunjukkan cor
magenta sebagai akibat dari bias warna; dan (b) komposit warna BCET meregangkan semua pita ke kisaran nilai yang sama 0-255 dan rata-rata
110.
maksimum dan mean (L, H dan E) untuk output gambar Y
seperti di bawah ini:
b h2 EL s HL l2DIA
2dia L e HL l HE
seb
H L
ua
h (2.21)
a 2b
k
h u haku
Gambar 2.9 mengilustrasikan perbandingan antara
komposit warna RGB menggunakan pita asli 5, 4 dan 1 dari
sub ETM+-adegan dan band yang sama setelah peregangan
BCET. Komposit warna dari pita asli [Gbr. 2.9(a)]
menunjukkan bias warna yang kuat ke magenta sebagai hasil
kecerahan yang jauh lebih rendah di pita 4, ditampilkan
dalam warna hijau. Bias warna ini sepenuhnya dihilangkan
oleh BCET, yang meregangkan semua pita ke kisaran nilai 0-
255 dan rerata 110 [Gbr. 2.9 (b)]. Komposit warna BCET
pada Gambar 2.9(b) menyajikan berbagai material medan
(jenis batuan, vegetasi, dll.) dalam warna yang jauh lebih
khas daripada yang ada pada komposit warna pita gambar
asli pada Gambar 2.9(a). PLS interaktif dapat mencapai hasil
yang serupa tetapi tanpa kontrol kuantitatif.
(b)
 Operasi titik (peningkatan kontras)17
50
2.6.1 Derivasi koefisien a, b dan c untuk
fungsi parabola BCET (Liu 1991)* 20
Bila xi mewakili setiap piksel dari gambar input X, dengan N
piksel, maka minimum, maksimum, dan rata-rata
Fungsi parabola adalah fungsi genap [Gbr. 2.10(a)].
X adalah:
Koefisien b dan c adalah koordinat titik balik parabola yang
1N
menentukan bagian parabola yang akan digunakan oleh
fungsi BCET. Untuk melakukan BCET, titik balik dan bagian
Misalkan L, H dan E adalah minimum, maksimum dan mean terdekat dari parabola harus dihindari, sehingga hanya bagian
yang diinginkan untuk gambar keluaran Y, maka kita dapat dari cabang kurva yang meningkat secara monoton yang
membuat persamaan berikut: digunakan. Ini dimungkinkan untuk sebagian besar kasus
peningkatan kontras gambar.
L Al b2 c
Dari solusi a, b dan c dalam persamaan. 2.23–2.25, kami
2
H ah b c (2.22) memiliki pengamatan berikut:
1 N 2 1 Jika b < l maka a > 0, parabola terbuka ke atas dan bagian
s
e kanan (meningkat secara monoton) cabang parabola
b digunakan dalam BCET.
u
a 2 Jika b > h maka a < 0, parabola terbuka ke bawah dan
E h xsayab c
N bagian kiri (meningkat secara monoton) cabang parabola
saya1 digunakan dalam BCET.
3 Jika l < b < h, maka BCET gagal menghindari titik balik
Memecahkan b dari eqn. 2.22: parabola dan menjadi tidak berfungsi.

b h2 EL s HL l2DIA (2.23) Sebagai contoh, Tabe l 2.3 menunjukkan minimum (l)

2h EL e HL l HE maksimum (h) dan rata-rata (e) dari tujuh citra band sub
Landsat TM-adegan dan koefisien yang sesuai dari fungsi
dimana
1N
x saya
2
.
parabola BCET. Dengan menggunakan fungsi parabola ini,
gambar pita 1-5 dan 7 semuanya

260 TM1

230 TM2

TM3
200
TM4
170 TM5
D
N

140 TM6
Keluara

x TM7
10 110
n

80 50 100 150 200 250 Masukan DN

18Bab 2

Tabel 2.3  Derivasi fungsi parabola BCET untuk citra 7 band sub Landsat TM-adegan untuk meregangkan setiap band untuk L = 0, H =
255dan E = 100.

Gambar
Band gambar masukan koefisien BCET Gambar keluaran BCET

Rata-rata
Min (l) Maks (h) (e) sebuah b c Min (L) Maks(H) Rata-rata (E)

TM1 96 156 120,78 0,00857 –121,91 –407.03 0 255 100.00

TM2 33 83 55.47 0,03594 –12,95 –75,88 0 255 99,90
TM3 29 109 66.47 0,01934 -13.4 –34.78 0 255 99,99
TM4 18 100 59 0,02776 2.97 –6.26 0 255 100.05
TM5 15 175 94.33 0,00718 –15.97 –6.89 0 255 99,96
TM6 132 179 157.88 0.14302 136,53 –2,94 Kerusakan, tidak digunakan
TM7 8 99 52.63 0,02072 –14.11 –10.13 0 255 100.02

berhasil direntangkan ke rentang nilai dan mean yang

diberikan: L = 0, H = 255 dan E = 100 seperti yang
ditunjukkan di bagian kanan tabel. Satu-satunya
pengecualian adalah gambar band 6 karena l < b < h dan
BCET tidak berfungsi. Seperti diilustrasikan pada Gambar
2.10(b), fungsi parabola BCET untuk pita 6 melibatkan titik
balik dan kedua cabang parabola jatuh dalam kisaran nilai
gambar ini, tidak seperti semua pita lain di mana hanya satu
cabang monoton yang digunakan.
2.7 Memotong dalam
peningkatan kontras
Dalam gambar digital, beberapa piksel (sering mewakili
noise) dapat menempati rentang nilai yang luas pada ujung
histogram yang rendah dan tinggi. Dalam kasus seperti itu,
mengatur potongan yang tepat-off untuk memotong kedua
ujung histogram dalam peningkatan kontras diperlukan untuk
memanfaatkan rentang dinamis perangkat tampilan secara
efektif. Kliping sering diberikan sebagai persentase dari
jumlah total piksel dalam suatu gambar. Misalnya, jika 1%
dan 99% ditetapkan sebagai potongan-terlarang untuk ujung
rendah dan tinggi histogram gambar, gambar kemudian
diregangkan untuk mengatur level DN xi , di mana Hi (xi )
1%, ke level 0 dan DN xh, dan dimana Hi(xh) 99%, hingga
255 untuk 8-tampilan bit/piksel/saluran dalam gambar
keluaran.
Perawatan sederhana ini sering meningkatkan kualitas
tampilan gambar secara signifikan, terutama ketika gambar
terlihat kabur karena hamburan atmosfer. Saat menggunakan
BCET, input minimum (l) dan maksimum (h) harus
ditentukan berdasarkan pemotongan yang sesuai-dari tingkat
xi dan xh.
2.8 Tips untuk peningkatan
kontras interaktif
Tujuan umum dari peningkatan kontras adalah untuk
mengoptimalkan visualisasi. Seringkali setelah pemrosesan
gambar yang cukup rumit, Anda perlu menerapkan
peningkatan kontras interaktif untuk melihat hasilnya dengan
benar. Lagi pula, Anda harus bisa melihat gambarnya!
Pengamatan visual selalu merupakan cara paling efektif
untuk menilai kualitas gambar. Ini kedengarannya tidak
cukup teknis untuk pemrosesan gambar digital tetapi aturan
emas ini cukup benar! Di sisi lain, histogram memberi Anda
deskripsi kuantitatif tentang distribusi data gambar dan juga
dapat memandu Anda secara efektif untuk meningkatkan
kualitas visual gambar. Seperti yang dikatakan sebelumnya,
bisnis peningkatan kontras adalah modifikasi histogram, jadi
Anda harus menemukan panduan berikut ini berguna.
1 Manfaatkan sepenuhnya rentang dinamis tampilan sistem.
Ini dapat dilakukan dengan menentukan batas sebenarnya
dari gambar input yang akan ditampilkan dalam 0 dan
255 untuk 8-tampilan sedikit. Berikut persentase kliping
berguna untuk menghindari kesenjangan besar di kedua
ujung histogram.
2 Sesuaikan histogram untuk membuat puncaknya di dekat
pusat rentang tampilan. Untuk banyak gambar, puncak
mungkin sedikit miring ke kiri untuk mencapai visualisasi
terbaik kecuali jika gambar didominasi oleh fitur terang,
dalam hal ini puncak bisa miring ke kanan.
3 Seperti yang tersirat oleh eqn. 2.5, fungsi operasi titik
memodifikasi histogram gambar menurut gradien atau
kemiringan fungsi f’ (x).

Jika gradien = 1 (kemiringan = 45°), fungsi tidak
melakukan apa-apa dan gambar tidak berubah.
Jika gradien > 1 (kemiringan > 45°), fungsi akan
meregangkan histogram untuk meningkatkan kontras
gambar.
Jika gradien < 1 (kemiringan < 45°) dan tidak negatif,
fungsi akan memampatkan histogram untuk mengurangi
kontras gambar.
Oleh karena itu, pendekatan umum dalam PLS adalah
menggunakan fungsi dengan kemiringan > 45° untuk
menyebarkan bagian puncak dan fungsi dengan kemiringan
<45° untuk memampatkan ekor di kedua ujung histogram.
2.9 Pertanyaan
1 Apa yang dimaksud dengan operasi titik dalam
pengolahan citra? Berikan definisi matematikanya.
2 Menggunakan diagram menjelaskan mengapa operasi titik
juga disebut modifikasi histogram.
3 Diberikan fungsi operasi titik berikut, turunkan histogram
keluaran ho(y) dari histogram masukan hi(x):
kamu
255
h (y)
Hai
Operasi titik (peningkatan kontras)19
4 Cobalah untuk menurunkan fungsi skala linier dan fungsi
penyesuaian mean dan standar deviasi yang ditentukan
oleh persamaan. 2.8 dan 2.9. (Lihat jawaban di akhir
Gambar 2.11.)
5 Diberikan Gambar 2.6 tentang peningkatan kontras
eksponensial, tandai secara kasar bagian dari fungsi
eksponensial yang meregangkan gambar input dan bagian
yang memampatkan gambar input dan jelaskan alasannya
(lihat Gambar 2.5).
6 Bagaimana HE dicapai? Bagaimana HE digunakan untuk
mencapai pencocokan histogram?
7 Jenis fungsi apa yang digunakan BCET dan bagaimana
peningkatan kontras seimbang dicapai?
8 Cobalah untuk menurunkan koefisien a, b dan c dalam
fungsi BCET y a (x b)2 c.
9 Apa itu kliping dan mengapa seringkali penting untuk
tampilan gambar?
bagian 3
Operasi aljabar (operasi multi-titik gambar)
Untuk multi-spektral atau, lebih umum, gambar multi-
lapisan, operasi aljabar seperti empat operasi aritmatika dasar
( , , , ), logaritmik, eksponensial, sin dan tan dapat
diterapkan ke nomor digital (DN) dari band yang berbeda
untuk setiap piksel untuk menghasilkan gambar baru.
Pemrosesan seperti ini disebut operasi aljabar citra. Operasi
aljabar dilakukan piksel demi piksel di antara DN pita
spektral (atau lapisan) untuk setiap piksel tanpa melibatkan
piksel tetangga. Oleh karena itu mereka dapat dianggap
sebagai operasi multi-titik gambar didefinisikan seperti di
bawah ini:
yfx1 ,x2 ,xn
(3.1)
di mana n adalah jumlah pita atau lapisan.
Jelas, semua gambar yang melibatkan operasi aljabar harus
tepat co-terdaftar.
Untuk memulainya, mari kita perhatikan empat operasi
aritmatika dasar: penjumlahan, pengurangan, perkalian dan
pembagian. dalam banyak-operasi titik gambar, pemrosesan
aritmatika kadang-kadang sama dengan operasi matriks,
seperti penambahan dan pengurangan, tetapi kadang-kadang
sangat berbeda dan jauh lebih sederhana daripada operasi
matriks, seperti perkalian dan pembagian gambar. Karena
operasi aljabar gambar relevan dengan posisi, yaitu piksel-
ke-berbasis piksel, kita dapat menggeneralisasi deskripsi.
Bila Xi, i 1,2, ,n perwakilan mengirim kedua ith gambar
pita dan piksel apa pun di ith citra pita dari kumpulan data
citra n pita X (Xi X), dan Y gambar keluaran serta piksel
apa pun dalam gambar keluaran.
3.1 Tambahan gambar
Operasi ini menghasilkan penjumlahan berbobot dari dua
atau lebih gambar:
ka 1 n
wsayaXsaya
mu (3.2)
k
saya1
Pemrosesan Gambar dan GIS untuk Penginderaan Jauh: Teknik dan Aplikasi, Edisi kedua. Jian Guo Liu dan Philippa J. Mason.
© 2016 John Wiley & Sons, Ltd. Diterbitkan 2016 oleh John Wiley & Sons, Ltd.
dimana iiadalah berat bayangan Xi dan k adalah faktor skala.
Jika wi 1 untuk i 1, ,n dan k n, persamaan 3.2
mendefinisikan sebuah gambar rata-rata.
Aplikasi penting dari penambahan gambar adalah untuk
mengurangi noise dan meningkatkan sinyal-ke-rasio
kebisingan (SNR). Misalkan setiap pita gambar dari n pita
gambar multi-spektral terkontaminasi oleh sumber
kebisingan aditif Ni (i 1,2, ,n). Piksel noise tidak mungkin
terjadi pada posisi yang sama di band yang berbeda, dan
dengan demikian DN piksel noise di band i akan dirata-
ratakan dengan non-DN kebisingan di n-1 band lainnya.
Akibatnya kebisingan akan sebagian besar ditekan. Hal ini
dibuktikan dari teori pemrosesan sinyal bahwa dari n
duplikasi gambar, masing-masing terkontaminasi oleh tingkat
kebisingan acak yang sama, SNR dari jumlah gambar dari n
duplikasi ini sama dengan akar kuadrat n kali SNR dari setiap
duplikasi individu:
SNRkamu n SNRsaya (3.3)
Persamaan 3.3 menyiratkan bahwa untuk n band multi-citra
spektral, penjumlahan semua pita dapat meningkatkan SNR
sekitar n kali. Misalnya, jika kita rata-rata band 1-4
dari citra Landsat TM, SNR dari citra rata-rata ini adalah
sekitar dua kali (4 2) dari masing-masing band individu.
Anda mungkin memperhatikan di bab-bab selanjutnya
tentang topik RGB- IHS (merah, hijau dan biru ke intensitas,
warna dan saturasi) transformasi dan analisis komponen
utama (PCA) yang merupakan komponen intensitas yang
berasal dari Transformasi RGB-IHS adalah citra rata-rata
dari citra komponen R, G dan B, dan dalam kebanyakan
kasus, komponen utama pertama adalah citra penjumlahan
berbobot dari semua citra yang melibatkan operasi PCA.
21
22bagian 3
3.2 Pengurangan gambar (pembedaan)
Pengurangan citra menghasilkan citra yang berbeda dari dua
citra masukan:
ka 1 w X w
mu k saya saya jXj (3.4)
Bobotnyaidan Wj penting untuk memastikan bahwa pembedaan
seimbang dilakukan. Jika kecerahan Xi secara signifikan lebih
tinggi daripada Xj, misalnya, perbedaan gambar Xi Xj akan
didominasi oleh Xi, dan sebagai akibatnya, perbedaan
sebenarnya antara dua gambar tidak akan terungkap secara
efektif. Untuk menghasilkan gambar perbedaan yang 'cukup',
teknik balance contrast enhancement (BCET) atau histogram
matching (mencocokkan histogram Xi dengan Xj) dapat
diterapkan sebagai pra-langkah pemrosesan. Metode mana
pun yang dipilih, pembedaan berikutnya harus dilakukan
dengan pembobotan yang sama
(wi wj 1).
Pengurangan adalah salah satu teknik paling sederhana dan
paling efektif untuk peningkatan spektral selektif, dan juga
berguna untuk mendeteksi perubahan dan menghilangkan
bias iluminasi latar belakang. Namun, secara umum,
pengurangan mengurangi informasi gambar dan mengurangi
SNR gambar karena menghilangkan fitur umum sambil
mempertahankan noise acak di kedua gambar.
Perbedaan pita multi-citra spektral berhasil digunakan
sepenuhnya untuk studi vegetasi, tata guna lahan, dan
geologi. Seperti yang ditunjukkan pada Gambar. 3.1,
perbedaan pita TM dari TM3-TM1 (R-B) menyoroti oksida
besi; TM4-TM3 (NIR-Merah) meningkatkan vegetasi; dan
TM5-TM7 efektif untuk mendeteksi mineral terhidrasi (tanah
liat) (yaitu yang mengandung OH-ion; lihat Tabel A.1 pada
Lampiran A untuk panjang gelombang spektral Landsat TM).
Ketiga gambar perbedaan ini dapat digabungkan untuk
membentuk gambar komposit warna RGB untuk
menonjolkan oksida besi, vegetasi dan mineral tanah liat
dalam warna merah, hijau dan biru, serta objek tanah lainnya
dalam berbagai warna. Dalam banyak kasus, pengurangan
dapat mencapai hasil yang mirip dengan pembagian (rasio)
dan operasinya lebih sederhana dan lebih cepat.
Teknik pengurangan citra juga banyak digunakan untuk
menghilangkan noise latar belakang dalam analisis citra
mikroskopis. Gambar bidang iluminasi latar belakang
(sebagai referensi) diambil sebelum objek target ditempatkan
di bidang. Gambar kedua kemudian diambil dengan objek
target di lapangan. Gambar perbedaan antara keduanya akan
mempertahankan target sementara efek bias iluminasi dan
kebisingan latar belakang dibatalkan.
3.3 Perkalian gambar
Perkalian gambar didefinisikan sebagai berikut:
YXsayaXj (3.5)
Di sini perkalian gambar dilakukan piksel demi piksel; pada
setiap piksel gambar, pita i DN-nya dikalikan dengan pita j
DN. Ini pada dasarnya berbeda dari perkalian matriks.
Sebuah gambar digital adalah dua-array dimensi (2D), tetapi
bukan matriks.
Gambar produk perkalian sering kali memiliki jangkauan
DN yang jauh lebih besar daripada jangkauan dinamis
perangkat tampilan dan karenanya perlu diskalakan ulang
sebelum ditampilkan. Sebagian besar paket perangkat lunak
pemrosesan gambar dapat menampilkan gambar apa pun
berdasarkan rentang nilai sebenarnya, yang kemudian cocok
dengan rentang tampilan 0-255.
Salah satu aplikasi perkalian adalah masking. Untuk dalam
pendirian, jika Xi adalah gambar topeng yang terdiri dari nilai
DN 0 dan 1, piksel dalam gambar Xj sesuai dengan 0 di Xi
akan menjadi 0 (ditutupi) dan lainnya akan tetap tidak
berubah dalam gambar produk Y. Operasi ini dapat dicapai
lebih efisien menggunakan operasi logis dari kondisi tertentu.
Aplikasi lain adalah modulasi gambar. Misalnya, fitur
topografi dapat ditambahkan kembali ke gambar klasifikasi
berkode warna dengan menggunakan gambar pankromatik
(sebagai komponen intensitas) untuk memodulasi tiga
komponen warna (merah, hijau dan biru) dari gambar
klasifikasi seperti di bawah ini:
1 Menghasilkan gambar komponen merah (R), hijau (G) dan
biru (B) dari gambar klasifikasi kode warna.
2 Gunakan gambar pankromatik yang relevan (I) untuk
memodulasi komponen R, G dan B: R I, G I dan B I.
3 Komposisi warna menggunakan R I, G I dan B I.
Proses ini, dalam beberapa paket perangkat lunak pengolah
citra, diotomatisasi dengan mengalungkan citra klasifikasi
berkode warna pada lapisan citra intensitas (Gbr. 3.2)
3.4 Pembagian gambar (rasio)
Pembagian gambar adalah teknik yang sangat populer, juga
dikenal sebagai rasio gambar. Operasi tersebut didefinisikan
sebagai
Untuk melakukan pembagian gambar, diperlukan perlindungan
tertentu untuk menghindari overflow, jika suatu angka dibagi
dengan nol. Trik yang umum digunakan dalam konteks ini adalah
mengubah 0 menjadi 1 setiap kali 0 menjadi pembagi. Lebih baik
 Operasi aljabar (multi-operasi titik gambar)23

a) (b)

(c) (d)

Gambar 3.1  Perbedaan gambar dari gambar Landsat TM: (a) TM3-TM1 menyoroti fitur merah yang sering dikaitkan dengan oksida besi; (b)
TM4-TM3 mendeteksi fitur diagnostik 'tepi merah' vegetasi; (c) TM5-TM7 meningkatkan fitur penyerapan mineral tanah liat dan hidrat dalam
waktu singkat-rentang spektrum gelombang inframerah (SWIR); dan (d) komposit warna TM3-TM1 merah, TM4-TM3 dalam warna hijau dan
TM5-TM7 dengan warna biru yang menonjolkan oksida besi, vegetasi dan mineral tanah liat dalam warna merah, hijau dan biru.

Pendekatannya adalah menggeser rentang nilai gambar
penyebut ke atas, sebesar 1, untuk menghindari nol. Untuk 8-
bit image, pergeseran ini mengubah rentang DN gambar dari
0–255 menjadi 1–256 yang hanya melebihi 8 bit. Ini adalah
masalah untuk generasi yang lebih tua dari sistem
pemrosesan gambar sebelum tahun 1990-an tetapi tidak lagi
menjadi masalah bagi sebagian besar paket perangkat lunak
pemrosesan gambar modern di mana gambar
pemrosesan dilakukan berdasarkan tipe data floating point
presisi ganda.
Gambar rasio Y adalah gambar bilangan real, bukan
bilangan bulat. Jika keduanya Xidan Xjadalah 8-bit gambar,
rentang nilai maksimum yang mungkin dari Y adalah 0,
[1/255, 1], (1, 255]. Alih-alih notasi yang lebih sederhana, [0,
255], kami sengaja menulis rentang nilai sedemikian rupa
cara untuk menekankan
 24bagian 3

(a) (b)

Gambar 3.2  Perkalian untuk modulasi citra: (a) citra klasifikasi berkode warna; dan (b) klasifikasi intensitas termodulasi gambar

bahwa rentang nilai [1/255, 1] mungkin berisi informasi yang

sama banyaknya dengan rentang nilai yang jauh lebih luas (1, X2
255]! Pendekatan populer untuk menampilkan gambar rasio
pada 8-sistem tampilan bit/piksel/saluran adalah untuk
menskalakan gambar ke dalam rentang 0-255 DN, dan
banyak paket perangkat lunak pengolah gambar dapat
melakukan operasi secara otomatis. Hal ini dapat
mengakibatkan hilangnya informasi hingga 50% karena
informasi yang direkam dalam rentang nilai [1/255, 1]
mungkin saja berada dalam beberapa level DN.
Jika kita menganggap rasio gambar sebagai transformasi
koordinat dari sistem koordinat Cartesian ke sistem koordinat = arctan(X2/X1)
X1
kutub (Gbr, 3.3) daripada operasi pembagian, maka
Gambar 3.3  Rasio sebagai transformasi koordinat dari Cartesian
sistem koordinat ke sistem koordinat kutub.
Xj (3.7)
Xs
aya Bagaimanapun, transformasi di atas mungkin tidak selalu
X diperlukan. Rasio biasanya dirancang untuk menyoroti fitur
arctan j
target sebagai DN rasio tinggi. Dalam hal ini, bentangan
Gambar rasio Y sebenarnya adalah gambar tangen dari sudut.
langsung gambar rasio Y dapat meningkatkan fitur target
Informasi gambar rasio disajikan secara merata oleh sudut dalam
dengan baik tetapi dengan mengorbankan informasi yang
rentang nilai [0,π/2], bukan oleh Y tan( ) dalam rentang nilai
diwakili oleh DN rasio rendah. Dari pengertian ini dan
[0,255]. Oleh karena itu, untuk mencapai bentangan skala linier
sebagai contoh, penting untuk diperhatikan bahwa meskipun
'adil' dari gambar rasio, perlu untuk mengonversi Y menjadi
rasio TM1/TM3 dan TM3/TM1 adalah kebalikan satu sama
oleh eqn. 3.7. Sebuah skala linier kemudian dapat dilakukan
lain secara matematis dan mengandung informasi yang sama,
sebagai
mereka berbeda dalam hal tampilan gambar digital setelah
skala linier! Ingat, ketika Anda merancang rasio, buatlah
 Operasi aljabar (multi-operasi titik gambar)25

(a) (b)

(c) (d)

Gambar 3.4  Rasio citra dan rasio komposit warna: (a) citra rasio TM3/TM1; (b) rasio citra TM4/TM3; (c) rasio gambar TM5/TM7; dan (d)
perbandingan warna komposit TM5/TM7 warna biru, TM4/TM3 warna hijau dan TM3/TM1 warna merah.

yakin bahwa informasi target disorot oleh nilai tinggi dalam
gambar rasio.
Rasio adalah teknik yang efektif untuk meningkatkan fitur
spektral secara selektif. Gambar rasio yang berasal dari
pasangan pita yang berbeda sering digunakan untuk
menghasilkan komposit warna rasio dalam tampilan RGB.
Misalnya, komposit warna TM5/ TM7 (biru), TM4/TM3
(hijau) dan TM3/TM1 (merah) dapat menyoroti mineral
lempung dengan warna biru, vegetasi berwarna hijau dan
oksida besi berwarna merah (Gbr. 3.4). Menarik untuk
dibandingkan
Gambar 3.1(d) dengan Gambar 3.4(d) untuk melihat
kesamaan antara teknik differencing dan rasio untuk
peningkatan selektif. Banyak indeks, seperti Normalized
Difference Vegetation Index (NDVI), telah dikembangkan
berdasarkan operasi diferensial dan rasio.
Rasio juga dikenal sebagai teknik yang efektif untuk
menekan bayangan topografi. Untuk sudut datang radiasi
matahari tertentu, energi radiasi yang diterima oleh
permukaan tanah tergantung pada sudut antara permukaan
tanah
26bagian 3

dan radiasi insiden. Oleh karena itu, penerangan matahari
pada permukaan tanah bervariasi dengan kemiringan dan
aspek medan, yang menghasilkan bayangan topografi. Dalam
citra penginderaan jauh, informasi spektral sering terhalang
oleh variasi bayangan topografi yang tajam. DN dalam pita
spektral yang berbeda dari multi-citra spektral sebanding
dengan radiasi matahari yang diterima permukaan tanah dan
reflektansi spektralnya. Misalkan DN(λ) mewakili nomor
digital suatu piksel dalam citra pita spektral , maka:
DN E (3.9)
di mana (λ) dan E(λ) adalah reflektansi spektral dan radiasi
matahari dari pita spektral yang diterima di permukaan tanah
yang sesuai dengan piksel.
Seperti ditunjukkan pada Gambar 3.5, misalkan sebuah
piksel yang mewakili permukaan tanah yang menghadap
matahari menerima n kali energi radiasi yang diterima oleh
piksel lain dari permukaan tanah yang menghadap jauh dari
matahari, maka DN dari dua piksel dalam pita spektral i dan j
adalah sebagai berikut:
Persamaan 3.10 menunjukkan bahwa rasio pita tidak
tergantung pada variasi penerangan matahari yang
disebabkan oleh bayangan topografi dan hanya ditentukan
oleh pantulan spektral piksel gambar. Piksel objek dengan
tanda spektral yang sama akan menghasilkan nilai rasio pita
yang sama tidak peduli apakah objek tersebut berada di
bawah iluminasi langsung atau dalam bayangan. Sayangnya,
situasi sebenarnya lebih rumit daripada model yang
disederhanakan ini karena efek atmosfer yang sering
menambahkan konstanta yang berbeda ke pita spektral yang
berbeda. Inilah sebabnya mengapa teknik rasio dapat
menekan bayangan topografi tetapi mungkin tidak dapat
menghilangkan efeknya sepenuhnya. Penekanan bayangan
berarti kehilangan topografi yang sering menyumbang lebih
dari 90% informasi multi-gambar spektral; rasio gambar
karena itu mengurangi SNR secara signifikan.
3.5 Penurunan indeks dan
peningkatan yang diawasi

Bayangan piksel: Kombinasi tak hingga dari operasi aljabar dapat diturunkan
dari operasi aritmatika dasar dan fungsi aljabar. Kombinasi
DN1 saya saya E saya danDN1 j j E j
operasi aljabar tanpa tujuan dapat berarti permainan tanpa
akhir dan berpotensi tanpa hasil, yaitu, Anda mungkin
Iluminasi menghadap piksel: menghabiskan waktu yang sangat lama tanpa mencapai hasil
DN2 saya n saya E saya danDN2 j n j E j yang memuaskan. Atau, Anda mungkin menemukan gambar
yang mengesankan secara visual tanpa dapat menjelaskan
Jadi rasio antara band i dan j untuk kedua piksel adalah: atau menafsirkannya. Untuk merancang operasi gabungan
yang bermakna dan efektif, pengetahuan tentang sifat
s
spektral target sangat penting. Formula harus disusun
a
DN1sa yE berdasarkan prinsip spektral atau fisik dan dirancang untuk
R1 ya a saya peningkatan target tertentu; ini kemudian disebut sebagai
saya,j
DN1j j E j indeks spektral, seperti NDVI. Sebuah indeks dapat dianggap
(3.10) sebagai peningkatan yang diawasi. Di sini kami
s s
a E a memperkenalkan secara singkat beberapa contoh indeks yang
DN2sa y sa y umum digunakan berdasarkan data citra Landsat TM/ETM+.
R2 ya n a ya a E saya Anda dapat merancang indeks Anda sendiri untuk tugas
saya,j
DN2j n j Ej j Ej pemrosesan gambar tertentu berdasarkan analisis spektral.
Dalam Bagian III buku ini, Anda mungkin menemukan
Karena ituR1saya , j R2saya , j beberapa contoh peningkatan terawasi semacam ini dalam
studi kasus pengajaran dan penelitian.
Radiasi sinar matahari
3.5.1 Indeks vegetasi
Seperti ditunjukkan pada Gambar 3.6, vegetasi yang sehat
DN2 memiliki puncak refleksi yang tinggi pada inframerah dekat
DN1
(NIR) dan lembah serapan pada warna merah. Jika kita bisa
melihat NIR, vegetasi akan menjadi NIR daripada hijau.
Perbedaan signifikan antara pita merah dan NIR ini dikenal
sebagai tepi merah; itu unik
Gambar 3.5  Prinsip fungsi penekanan bayangan gambar rasio.
 Operasi aljabar (multi-operasi titik gambar)27

225
Mineral tanah liat
200

175

150

125
tanah merah
100

75
Vegetasi
50

TM1 TM2 TM3 TM4 TM5 TM7

Gambar 3.6  Gambar tanda tangan spektral vegetasi, tanah merah dan mineral lempung.

properti spektral yang membuat vegetasi berbeda dari semua
objek tanah lainnya. Jelas, fitur spektral diagnostik vegetasi
ini dapat ditingkatkan secara efektif dengan operasi
differencing dan rasio. Hampir semua indeks vegetasi
dirancang untuk menonjolkan tepi merah dalam satu atau lain
cara.
NDVI adalah salah satu indeks vegetasi paling populer:
3.5.2 Indeks rasio oksida besi
Besi oksida dan hidroksida adalah beberapa mineral yang
paling umum terjadi di lingkungan alam. Mereka tampak
merah atau coklat kemerahan dengan mata telanjang karena
reflektansi tinggi dalam warna merah dan penyerapan dalam
warna biru (Gbr. 3.6). Ciri khas merah pada permukaan
tanah, seperti tanah merah, terkait erat dengan keberadaan
mineral bantalan besi. Kita dapat meningkatkan oksida besi
menggunakan rasio antara gambar pita spektral merah dan
biru [Gbr. 3.8(a)]:

Indeks ini pada dasarnya adalah perbedaan antara gambar

pita spektrum NIR dan Merah. Penjumlahan NIR dan Merah
pada penyebut merupakan faktor untuk menormalkan NDVI
ke kisaran nilai [-1,1] berdasarkan rasio.

NDVI untuk gambar TM : TM4 TM3 (3.12)

TM4 TM3 3.5.3 TM tanah liat (terhidrasi)
indeks rasio mineral
Vegetasi juga dapat ditingkatkan dengan menggunakan Mineral lempung merupakan karakteristik alterasi
indeks rasio: hidrotermal pada batuan dan oleh karena itu merupakan
NIR Min NIR indikator yang sangat berguna untuk eksplorasi mineral
kamu (3.13) menggunakan penginderaan jauh. Fitur spektral diagnostik
Merah Min Merah 1
mineral lempung, yang membedakannya dari batuan yang
TM4 Menit TM4 tidak berubah, adalah bahwa mereka semua memiliki daya
serap yang kuat dalam kisaran spektral sekitar 2,2 m (sesuai
Dan untuk gambar TM : TM3 Menit TM3 1 (3.14)
dengan pita TM 7) berbeda dengan reflektansi tinggi dalam
Efek dari pengurangan band minimum adalah untuk secara kisaran spektral sekitar 1,65 m ( sesuai dengan TM band 5),
kasar menghilangkan konstanta tambahan dari efek seperti yang ditunjukkan pada Gambar. 3.6. Dengan
hamburan atmosfer (lihat buku teks penginderaan jauh yang demikian mineral lempung secara umum dapat ditingkatkan
direkomendasikan) untuk meningkatkan penekanan topografi dengan rasio antara dua pita SWIR ini [Gbr. 3.8(b)]:
berdasarkan rasio. Nilai 1 ditambahkan ke penyebut adalah
untuk menghindari nilai nol. Gambar 3.7 mengilustrasikan
indeks vegetasi ini yang berasal dari citra TM.
TM7 Menit TM7 1
28bagian 3

(a) (b)

Gambar 3.7  (a) Landsat TM NDVI; dan (b) gambar rasio vegetasi.

(a) (b)

Gambar 3.8  (a) gambar indeks rasio oksida besi TM; dan (b) citra indeks rasio mineral lempung TM.

Indeks ini hanya dapat mencapai peningkatan umum semua
mineral lempung menggunakan citra TM, ETM+ atau
Landsat Operational Land Imager (OLI). Citra ASTER, di
sisi lain, menawarkan 5 pita SWIR dan memungkinkan lebih
banyak lagi
diskriminasi spesifik dari mineral lempung yang berbeda
(meskipun masih belum identifikasi spesifik). Anda dapat
mencoba merancang indeks ASTER untuk menargetkan
berbagai mineral lempung sendiri.
 Operasi aljabar (multi-operasi titik gambar)29

3.6 Standardisasi dan
residu logaritmik
Contoh khas dari operasi
standarisasi:
item dalam 3.21 setara dengan offset spektral pita; itu adalah
konstan untuk semua piksel dalam satu pita spektral tetapi
bervariasi dengan pita spektral yang berbeda.
Teknik residual logaritmik menekan bayangan grafik topo
aljabar gabungan disebut lebih efektif daripada teknik lainnya tetapi gambar yang
dihasilkan seringkali tidak mengesankan secara visual,
bahkan setelah peregangan yang tepat, karena SNRnya yang
(3.18) agak rendah.

dimana Xi mewakili gambar band i, Yi band standar i gambar

3.7 Simulasi reflektansi
dan k jumlah total band spektral.
Operasi jenis rasio ini dapat menekan bayangan topografi Banyak teknik pemrosesan gambar telah dikembangkan
berdasarkan prinsip yang sama seperti yang dijelaskan pada berdasarkan model fisik atau matematika yang cukup
3.4. Penyebut dalam rumus adalah gambar rata-rata dari canggih, tetapi operasi konstituen yang sebenarnya adalah
semua pita multi-gambar spektral; ini memungkinkan rasio operasi aritmatika sederhana. Teknik reflektansi simulasi
untuk setiap pita diproduksi menggunakan pembagi yang (Liu et al. 1997b) adalah contoh dari jenis ini.
sama. Standarisasi memungkinkan variasi spektral di antara 3.7.1 Analisis keseimbangan radiasi
pita yang berbeda, pada setiap piksel, untuk ditingkatkan matahari dan simulasi penyinaran
lebih baik menggunakan rasio penyebut yang sama. Misalkan radiasi matahari yang datang pada permukaan
Jika kita mempertimbangkan eqn. 3.18 sebagai rata-rata tanah padat, dengan satuan luas yang setara dengan piksel
aritmatika-berdasarkan standarisasi, maka teknik lain yang gambar, adalah irra diance E. Energi ini sebagian dipantulkan
disebut residual logaritmik (Green & Craig 1985) dapat dan diserap oleh material medan tergantung pada reflektansi
dianggap sebagai mean geometrik-standarisasi berbasis: (atau albedo) dan absorptansi :
ln Rsaya ln xsaya ln xsaya. ln x. ln x.. (3.19) Mr E (3.22)
dimana xi adalah DN piksel i di pita .
1
k k
Ma E (3.23)
x Rata-rata geometrik piksel i di atas semua k
s dimana Mr adalah radiasi matahari yang dipantulkan dan M a
aya
Rata-rata geometris dari pita . yang diserap.
1
. xsaya kn Mempertimbangkan permukaan tanah sebagai permukaan
1 Rata-rata geometrik global dari semua media padat dengan ketebalan yang cukup besar (yang
band. piksel
umumnya benar) dan untuk memenuhi kekekalan energi, kita
1
n n memiliki
x. xsaya 1 (3.24)
i 1

n k
x x
.. saya
i 1 1
Berdasarkan konsep keseimbangan radiasi
di semua band. (Robinson 1966) keseimbangan radiasi matahari, B, di bumi
Kemudian, dijelaskan oleh
ka lnRsaya

mu B E 1 Me
saya e (3.20) EMe (3.25)
Msebuah Me
dimana kamusayaadalah residu logaritmik dari xsaya.
Kita bis
dimana Me adalah radiasi yang dipancarkan (emisi termal)
dari permukaan tanah.
Kemudian,

Item pertama dalam eqn. 3.21 memiliki bentuk yang mirip E E E Mr Msebuah Mr Me B
dengan 3.18 tetapi penyebutnya adalah rata-rata geometrik dan atau,
bukan rata-rata aritmatika untuk piksel i di atas k pita. Kedua EBMrMe (3.26)
30bagian 3
Objek tanah yang gelap (albedo rendah) menyerap lebih
banyak energi radiasi matahari (kebanyakan di wilayah
spektral NIR yang terlihat) daripada objek terang (albedo
tinggi) dan menjadi lebih hangat karena proses
termodinamika yang rumit di dalam material medan; ini
berarti bahwa objek gelap akhirnya-memancarkan lebih
banyak radiasi termal di wilayah spektral termal 8–14 m.
Hubungan komplementer umum antara radiasi pantul Mrdan
radiasi yang dipancarkan M edari permukaan tanah dapat
dengan mudah diamati pada gambar TM atau ETM+ di mana
subjek gelap dalam gambar pita tampak cerah dalam gambar
pita termal dan sebaliknya. Fenomena tersebut menyiratkan
bahwa jumlah Mrdan Me, sisi kanan persamaan. 3.26, dapat
diperlakukan secara kasar sebagai konstanta untuk radiasi E
tertentu, dan karena itu tidak tergantung pada sifat spektral
(albedo) permukaan tanah.
Iradiasi E bervariasi dengan topografi saja. Misalkan
matahari adalah sumber radiasi 'paralel' ke bumi dengan
kerapatan fluks radiasi insiden konstan M s, maka radiasi
matahari di permukaan tanah, E, bervariasi dengan sudut
antara permukaan tanah dan radiasi matahari yang datang, .
Ketika permukaan tanah tegak lurus terhadap datangnya
radiasi matahari Ms, E maksimum dan sama dengan M s. Jika
radiasi matahari memiliki sudut zenith 1dan sudut azimuth1,
maka radiasi pada permukaan tanah dengan sudut
kemiringan2dan arah aspek2dapat dihitung sebagai
EMs Dosa
(3.27)
M dosa1dosa2karen 1 2karena1karena
s a
2 gambar ATM, Medirekam dalam pita termal luas ATM11 (8–
Seperti yang dinyatakan dalam eqn. 3.25, B bergantung
pada radiasi matahari E dan oleh karena itu dipengaruhi oleh
topografi dengan cara yang sama seperti persamaan. 3.27.
Dengan demikian E B bervariasi terutama dengan topografi
sementara invarian terhadap albedo permukaan tanah ρ.
Kami mengacu pada E B didefinisikan oleh 3.26 sebagai
simulasi radiasi-nenek moyang, karena berperilaku seperti
radiasi tetapi dengan energi yang dimodifikasi oleh B.
3.7.2 Gambar reflektansi spektral yang
disimulasikan
Untuk radiasi spektral yang dipantulkan dari panjang
gelombang tertentu , eqn. 3.22 menjadi
Mr E (3.28)
di mana adalah panjang gelombang spektral dan (λ)
reflektansi spektral dan
Albedo , sebagai reflektansi total, adalah integral dari
radiasi spektral yang dipantulkan, pada seluruh rentang
spektral, dibagi dengan radiasi:
E d
0 (3.30)
E
Kami mendefinisikan reflektansi spektral simulasi pita
sebagai
Sisi kanan persamaan ini terdiri dari dua komponen,
reflektansi (λ) dan rasio radiasi spektral pita terhadap radiasi
simulasi: E(λ)/(E B). Rasio radiasi ini kira-kira konstan
untuk semua piksel dalam pita gambar karena E(λ) dan E B
bervariasi dengan topografi dengan cara yang mirip dengan
yang didefinisikan oleh eqn. 3.27. Akibatnya, fitur
topografi ditekan dan gambar yang ditentukan oleh 3,31
berbanding lurus dengan gambar reflektansi spektral dengan
faktor konstan.
Demikian pula, pancaran termal simulasi didefinisikan
sebagai
Me Me
sim (3.32)
Mr Me E B
Banyak sistem sensor udara memiliki keduanya multi-pita
spektral dan pita termal dengan resolusi spasial yang sama,
seperti gambar Airborne Thematic Mapper (ATM). Dalam
hal ini reflektansi yang disimulasikan dapat diturunkan dari
pita-pita ini tanpa menurunkan resolusi spasial. Untuk
14 m) dan Mr dipecah dan direkam dalam 10 pita spektral
reflektif ATM1–ATM10. Gambar pita pankromatik simulasi
Mroleh karena itu dapat dihasilkan sebagai jumlah tertimbang
dari 10 pita spektral reflektif:
10
Mr wsayaATMi
saya 1
Bobotnyasayadapat dihitung baik dari faktor gain sensor dan
offset atau menggunakan kurva radiasi matahari dan
bandwidth spektral, seperti yang dijelaskan nanti.
Jadi, berdasarkan persamaan. 3.31, kami memiliki gambar
reflektansi simulasi ATM:
Mr ATM
sim 10
(3.33)
E B
ATM11wsaya ATMi
saya1
E E d (3.29
0 di mana 1~10 adalah nomor band.

Dan gambar pancaran termal broadband ( sim) untuk ATM
diberikan oleh
Demikian pula, kita dapat memperoleh gambar
reflektansi/pancaran yang disimulasikan untuk dataset
Landsat TM, ETM+, OLI dan ASTER tetapi dengan resolusi
spasial yang menurun karena resolusi pita termal dari sistem
sensor ini secara signifikan lebih rendah daripada resolusi
multi-pita spectral reflektif.
TM simulasi reflektansi/emitansi:
dimana TMsim_ρ_ε adalah reflektansi simulasi ρsim(λ) untuk
band 1 ~ 5,7 dan pancaran simulasi εsim(λ) untuk band
6.
Untuk gambar ETM+ kita bisa menggunakan rumus yang
sama seperti di atas. Kita juga dapat menggunakan citra pita
pankromatik (ETM+ Pan) untuk menggantikan pita 2, 3 dan
4 pada persamaan. 3.35 karena rentang spektral Pan ETM+
mencakup rentang yang sama dari ketiga pita ini.
Reflektansi/emitansi simulasi ASTER:
ASTER ASTER
sim_ _ 9 14 (3.36)
wsayaASTE
Ri wjASTERj
saya1 j10
dimana ASTERsim_ρ_εadalah reflektansi simulasi ρsim(λ) untuk
band 1~ 9 dan pancaran simulasi εsim (λ) untuk band
~ 14.
3.7.3 Perhitungan bobot
Seperti dijelaskan di atas, gambar ATM pankromatik yang
disimulasikan dihasilkan dari jumlah bobot semua pita
spektral ATM. Dalam praktiknya, ini melibatkan gambar pra-
pengolahan dan perhitungan bobot dan dapat dilakukan
dengan beberapa cara:
1 standar de-prosedur kalibrasi untuk mengubah DN gambar
di setiap pita spektral menjadi pancaran menggunakan
penguatan dan offset sensor:
Konversi yang sama juga harus dilakukan pada pita termal.
Koreksi atmosfer yang hati-hati diperlukan sebelum
penjumlahan diimplementasikan.
Operasi aljabar (multi-operasi titik gambar)31
Iradiasi matahari di permukaan laut
1600
(Wm 2 m-1 )
1400
–
1200
1000
800
radiasi
600
400
Spektral
200
0
0 0,3 0.6 0.9 1.2 1.5 1.8 2.1 2.4 2.7 3
Panjang gelombang spektral
(m)
Gambar 3.9  Iradiasi spektral matahari di permukaan laut (setelah
Fraster 1975).
2 Penggunaan kurva radiasi matahari (Gbr. 3.9) untuk
menghitung bobot. Ketinggian rata-rata pita spektral
dalam kurva radiasi matahari diukur dan kemudian
dikalikan dengan bandwidth. Produk, setelah re-
penskalaan ke persentase berdasarkan penjumlahan produk
untuk semua pita spektral, adalah bobot untuk pita. Setiap
pita gambar harus diregangkan secara linier dengan
potongan yang tepat-off di kedua ujung tinggi dan rendah
dari histogram sebelum berat diterapkan. Peregangan ini
secara kasar menghilangkan efek hamburan atmosfer dan
memanfaatkan seluruh rentang DN gambar secara efektif
(0–255 untuk 8-sedikit data). Dengan semua pita gambar
memiliki rentang DN yang sama setelah peregangan,
bobot yang dihitung dari kurva radiasi matahari kemudian
dapat diterapkan ke semua pita dengan dasar yang sama.
Gambar pankromatik simulasi yang dihasilkan, pada
prinsipnya, harus ditinjau lebih lanjut-diskalakan ke
mengoptimalkan pembatalan albedo dalam penjumlahan
dengan citra pita termal sehingga menghasilkan citra
10 radiasi yang disimulasikan (penyebut dari persamaan
3.34). Sebuah citra irradiance nyata harus mewakili variasi
dalam topog raphy saja, tanpa pengaruh albedo.
Pembatalan efektif albedo dalam citra irradiansi simulasi
adalah faktor kunci untuk mempertahankan informasi
albedo dalam citra reflektansi simulasi berikutnya. Dalam
prakteknya, bobot dapat dimodifikasi sewenang-wenang
untuk mencapai peningkatan fitur spektral tertentu. Tabel
3.1 dan 3.2 memberikan bobot pita ATM dan ETM+.
3.7.4 Contoh: Komposit warna reflektansi
simulasi ATM
Gambar 3.10 menunjukkan komposit warna pita ATM 9, 4
dan 2 dalam warna merah, hijau dan biru (a) dan komposit
warna reflektansi yang disimulasikan dari pita yang sama (b).
Itu
32bagian 3

Tabel 3.1  Bobot untuk pita ATM dalam perhitungan simulasi reflektansi.

Band ATM 1 2 3 4 5 6 7 8 9 10 11

Panjang
gelombang (µm) 0,42–0,45 0,45–0,52 0,52–0,60 0,60–0,62 0,63–0,69 0,69–0,75 0,76–0,90 0,91-1,05 1.55–1.75 2.08–2.35 8.50–14.0

E Wm2m1 1440 1420 1307 1266 1210 909 710 505 148 43

Bobot 0,07 0.16 0.17 0,04 0.12 0,09 0.16 0.12 0,05 0,02 1

Tabel 3.2  Bobot untuk TM/ETM+ band dalam perhitungan simulasi reflektansi.

TM/ETM+ Band 1 2 3 4 5 6 7

Panjang gelombang
(µm) 0,45–0,53 0,52–0,60 0,63–0,69 0,76–0,90 1.55–1.75 10,4–12,5 2.08–2.35
Bobot 0.2 0,3 0.2 0.1 0.1 1 0.1

(a)
(b)

Gambar 3.10  (a) Komposit warna pita ATM 9, 4 dan 2 berwarna merah, hijau dan biru; (b) komposit warna reflektansi yang disimulasikan
ATM band 9, 4 dan 2

komposit warna normal disiapkan menggunakan BCET
untuk presentasi warna yang optimal. Untuk komposit warna
reflektansi yang disimulasikan, semua pita gambar
diregangkan secara linier dengan kliping di kedua ujung
histogram gambar untuk memanfaatkan sepenuhnya 8-bit (0-
255) rentang nilai, dan kemudian bobot pada Tabel 3.1
diterapkan. Gambar reflektansi simulasi yang dihasilkan
dipantulkan secara linier-diskalakan ke 0–255 untuk tampilan
warna.
Komposit warna pita ATM 9, 4 dan 2 umumnya baik
untuk interpretasi visual jenis batuan, mineral alterasi dan
tanah/regolit. Gambar 3.10 memberikan kesan keseluruhan
bahwa komposit warna reflektansi yang disimulasikan (b)
memiliki tampilan warna yang sangat mirip dengan komposit
warna normal (a) tetapi dengan topografi yang ditekan.
Kesamaan umum ini memudahkan interpretasi visual karena
warna gambar berhubungan langsung dengan
 Operasi aljabar (multi-operasi titik gambar)33

tanda tangan spektral. Pemeriksaan lebih lanjut menunjukkan

bahwa citra reflektansi yang disimulasikan memiliki variasi Rasio radiasi Ei(λ)/Ei adalah konstanta untuk semua piksel
spektral (warna) yang lebih banyak dibandingkan komposit dan dengan demikian tidak tergantung pada posisi i,
warna normal. Dalam komposit warna reflektansi yang
Esaya E
disimulasikan, kontribusi utama terhadap kontras gambar
Esaya E
diberikan oleh variasi spektral daripada topografi. Hal ini
memungkinkan fitur spektral dalam area yang sangat terang
Jadi persamaan 3.37 dapat disederhanakan menjadi
atau sangat gelap (albedo rendah atau bayangan topografi)
ditingkatkan secara efektif. s
a
3.7.5 Perbandingan dengan rasio dan y
.. a
teknik residual logaritmik Rsaya (3.38)
say
Seperti disebutkan sebelumnya, banyak teknik, seperti rasio, . a

standarisasi dan sisa logaritmik, telah dikembangkan untuk

meningkatkan informasi yang berkaitan dengan reflektansi Persamaan 3.38 tidak relevan dengan radiasi, dan
spektral objek tanah dengan menekan bayangan topografi. bayangan topografi karena itu dihilangkan dengan
Semua teknik ini mengalami keterbatasan bahwa variasi pemrosesan sisa logaritmik. Rumus ini sebenarnya adalah
produk dari dua rasio: rasio rata-rata albedo seluruh gambar
albedo ditekan bersama dengan bayangan topo grafis. Oleh
karena itu, teknik ini tidak dapat secara efektif membedakan terhadap pantulan rata-rata pita spektral , ρ ./ρ.(λ); dan rasio
objek dengan file pro spektral serupa tetapi albedonya reflektansi spektral piksel dan albedo piksel, ρ i(λ)/ρi. rasio.
berbeda, seperti pemisahan antara hitam dan abu-abu. Hal ini ρ./ρ.(λ) tidak tergantung pada posisi dan konstanta untuk
karena mereka melibatkan operasi jenis rasio baik antara semua piksel dalam pita citra residu logaritmik. Oleh karena
reflektansi spektral dari band yang berbeda atau antara itu, variasi dalam citra residual logaritmik hanya ditentukan
reflektansi spektral band dan albedo. oleh rasio ρi(λ)/ρi. Dengan cara yang mirip dengan rasio
s s gambar, rasio ini dapat membatasi variasi albedo.
a a
Perba say y y Keuntungan dari teknik reflektansi simulasi adalah tidak
ndinga R Pita a aE a
melibatkan operasi rasio antara reflektansi spektral dari band
n: saya,j
Pita j j E j yang berbeda atau antara reflektansi spektral dan albedo.
Rasio radiasi spektral E(i)/E(j) adalah konstan untuk setiap
Dengan menggunakan citra pita termal untuk menghasilkan
piksel dalam gambar sehingga bayangan topografi
komponen penyinaran yang disimulasikan, teknik reflektansi
dihilangkan. Rasio reflektansi (i)/ρ(j) bervariasi dengan tanda yang disimulasikan menekan bayangan topografi tetapi
spektral piksel tetapi menghilangkan variasi albedo karena mempertahankan informasi albedo. Dengan demikian
objek albedo tinggi akan memiliki rasio reflektansi yang informasi spektral dapat ditingkatkan lebih baik.
sama dengan objek albedo rendah jika keduanya memiliki
spektral yang sama profil. Dengan kata lain, teknik rasio pita
tidak dapat memisahkan albedo dari radiasi di permukaan 3.8 Ringkasan
tanah dan akibatnya, metode tersebut menekan variasi
Dalam bab ini, kita belajar tentang operasi aritmatika
keduanya.Untuk residu logaritmik, persamaan. 3.19 operasi
sederhana antara gambar dan membahas aplikasi utama
residual logaritmik dapat ditulis ulang sebagai:
mereka dalam peningkatan spektral gambar. Poin kunci
/
untuk dipahami adalah bahwa semua operasi aljabar gambar
x x adalah titik-berbasis dan dilakukan di antara piksel yang
sa say
sesuai dalam gambar yang berbeda tanpa keterlibatan piksel
ya a. saya Esaya tetangga. Oleh karena itu kita dapat menganggap operasi
Rsaya
E aljabar sebagai multi-operasi titik gambar.
x. / x.. . E / ..
Aplikasi utama dari operasi aljabar gambar adalah
di mana
peningkatan selektif dari tanda spektral target yang dituju
ρi(λ) adalah reflektansi spektral pita dari piksel i.
dalam multi-gambar spektral. Untuk tujuan ini, menyelidiki
ρi adalah albedo dari piksel i. sifat spektral target ini sangat penting untuk komposisi
ρ.(λ) adalah reflektansi rata-rata dari pita spektral .
operasi aljabar yang efektif; upaya acak tidak mungkin
ρ.. adalah albedo rata-rata dari keseluruhan gambar. berhasil. Prosedur ini, dari analisis spektral hingga
Variabel lain didefinisikan seperti pada persamaan. 3.19.
34bagian 3
menyusun rumus aljabar, umumnya disebut sebagai
peningkatan yang diawasi. Jika rumus seperti itu tidak
bergantung pada citra dan dapat digunakan secara luas, ini
disebut citra indeks; misalnya, NDVI sangat baik-citra indeks
vegetasi yang diketahui.
Salah satu isu penting untuk peningkatan spektral adalah
penekanan efek bayangan topografi. Rasio-teknik berbasis,
standarisasi dan sisa logaritmik didasarkan pada pembatalan
numerik variasi dalam penerangan matahari. Hasilnya terkait
dengan rasio reflektansi spektral antara band yang berbeda
sementara variasi albedo akan ditekan bersama dengan
topografi. Reflektansi simulasi, sebaliknya, yang didasarkan
pada model fisik sederhana dari radiasi matahari di
permukaan tanah, menyajikan sifat-sifat reflektansi spektral
sejati, termasuk albedo, dengan hanya perbedaan yang
konstan.
3.9 Pertanyaan
1 Mengapa operasi aljabar gambar juga dikenal sebagai
multi-operasi titik gambar? Tuliskan definisi matematika
dari multi-operasi titik gambar.
2 Mengapa penambahan gambar dapat meningkatkan SNR
gambar? Jika sembilan foto dari pemandangan yang sama
diambil, menggunakan kamera stasioner di bawah kondisi
pencahayaan yang sama, dan kemudian dijumlahkan untuk
menghasilkan gambar rata-rata, berapa kali peningkatan
SNR dibandingkan dengan gambar individual?
3 Jelaskan operasi perbedaan (pengurangan) dan rasio
(pembagian) gambar dan kemudian bandingkan kedua
teknik dalam hal deteksi perubahan, peningkatan selektif,
dan efisiensi pemrosesan.
4 Seberapa penting bobot dalam pengurangan gambar?
Sarankan pra yang cocok-teknik pemrosesan untuk
diferensiasi gambar.
5 Mengapa perbedaan gambar menurunkan SNR?
6 Jelaskan perkalian gambar dan aplikasi utamanya.
7 Jelaskan ciri-ciri rentang nilai citra rasio. Apakah
menurut Anda dua gambar rasio timbal balik berisi
informasi yang sama ketika ditampilkan setelah skala
linier? Jelaskan mengapa.
8 Dengan menggunakan diagram, gambarkan gambar rasio
dalam bentuk transformasi koordinat antara koordinat
Cartesian dan kutub.
9 Jelaskan prinsip-prinsip penekanan topografi
menggunakan teknik rasio gambar.
10 Apa itu NDVI dan bagaimana desainnya? Apakah itu
indeks rasio atau indeks perbedaan dan mengapa?
11 Jelaskan desain dan fungsionalitas Landsat TM atau
indeks oksida besi dan tanah liat Landsat TM atau
ETM+.
12 Coba pendekatan pembedaan yang dinormalisasi, mirip
dengan NDVI, untuk meningkatkan oksida besi dan
mineral lempung. Bandingkan hasilnya dengan indeks
rasio yang relevan dan jelaskan mengapa rasionya-indeks
berbasis lebih efektif untuk kedua jenis mineral ini.
(Kunci: sinyal tepi merah untuk vegetasi jauh lebih kuat
daripada perbedaan antara merah dan biru untuk oksida
besi antara pita SWIR untuk mineral lempung).
13 Jelaskan dan bandingkan teknik standarisasi dan
logaritma residual dan fungsinya.
14 Apa itu simulasi reflektansi? Apa syarat esensial untuk
derivasi dari citra refleksi yang disimulasikan?
15 Mengacu pada model fisik untuk derivasi reflektansi
simulasi, jelaskan mengapa dapat dianggap sebagai
simulasi reflektansi yang sebenarnya.
16 Apa keuntungan utama dari simulasi refleksi atas rasio,
standarisasi dan teknik sisa logaritmik?