Minggu 9 - Image Processing of Hyperspectral Image| Pramaditya W.

Wednesday, April 20, 2022 3:00 PM

Statistics: Univariate
Untuk melihat karakteristik data tanpa harus melihat citra
• Mean -> rata-rata nilai reflectance pada band tertentu
Mean mendekati 0 -> distribusi objek di band tsb memliki reflectance yang relatif gelap ->
banyak objek yang menyerap panjang gelombang yang digunakan band tsb
→ 450 nm -> mean rendah -> objek menyerap panjang gelombang -> dominan objek
vegetasi
→ NIR -> mean rendah -> objek air
• Range maximum, minimum -> range data
Range harus dilihat dengan histogramnya karena nilai minimum dan maksimum dapat
berasal dari piksel-piksel invalid/anomali/error. Selain itu, nilai minimum 0 bisa jadi berupa
backgrround layer
• Variance & standard deviation -> persebaran data mean
Standar deviasi yang semakin lebar dan variance yang semakin tinggi maka objek yang ada
semakin bervariasi. Mean + standar deviasi bisa dilihat coefficient of variation
• Histogram distribution -> data mengelompok sesuai distribusi normal/skew negatif/skew
positif/data homogen/data menyebar
Histogram berkaitan dengan bentuk distribusi data, dapat untuk mengecek berapa kurva
normal dalam histogram, dapat untuk memotong variasi mayor dan minor

Statistics: Multivariate
Untuk melihat hubungan/korelasi antarband -> transformasi untuk mengurangi redundansi
antarband
Jika informasi yang terkandung dalam 2 band mirip -> tidak banyak informasi baru yang bisa
diperoleh

Skew positif: ekor di sebelah kanan; data didominasi oleh objek dengan pantulan rendah (mendekati
0)
Skew negatif: ekor di sebelah kiri; data didominasi oleh objek dengan pantulan tinggi

Perbedaan secara visual: frekuensi puncak kurva

Distribusi objek tunggal/homogen akan membentuk satu kurva normal
Kiri: ada 2 kurva mayor -> ada 2 objek mayor
Kanan: ada 2 kurva mayor; ada 1 objek yang mendominasi seluruh scene
Kurva mayor dapat dibagi lagi -> dizoom -> banyak puncak -> kurva minor (variasi kurva mayor)

Pre-Processing
1. Cek metadata: tanggal, jam (beberapa aplikasi butuh waktu yang sangat spesifik -> suhu pasang
surut, batimetri), level koreksi, parameter konversi (DN -> radiance, DN -> reflectance)

PJNF Page 1
 surut, batimetri), level koreksi, parameter konversi (DN -> radiance, DN -> reflectance)
2. Signal-to-noise ratio: berhubungan dengan kekuatan sinyal dan tingkat noise pada data
Cara menghitung noise: melihat coefficient of variation dari data reflectance objek yang
homogen. Objek homogen seharusnya punya reflectance mirip. Jika variasinya tinggi
kemungkinan besar terpengaruh noise. Dimasukkan ke rumus untuk memperoleh nilai decibel
dari level noise. Semakin tinggi nilainya = semakin bagus -> lebih bagus signal dibanding noise.
Semakin rendah signal-to-noise ratio -> signal comparable dengan noise
3. Cek usable bands -> jika kosong diremove
4. Level koreksi yang dibutuhkan
a. Geometric
b. Atmospheric
c. Application specific (topografi, dll)
5. Noise reduction (jika noise tinggi) -> MNF, inversed MNF, PCA, inversed PCA
Untuk mengurangi redundansi, mengurangi dimensi, mengurangi noise
Efektivitas MNF dan PCA sangat tergantung pada profil noise citra
Noise tidak disebutkan pada metadata
Sumber noise: sensor, objek yang diindera
Sebaiknya MNF dan PCA dicoba dua-duanya karena MNF bisa lebih bagus dari PCA atau
sebaliknya tergantung profil noise
6. Dimension reduction: band banyak, perlu mengurangi jumlah data/dimensinya tanpa
mengurangi konten/isi dalam keseluruhan band

Transformation: PCA

• Powerful transformation: dapat merotasi data sedemikian rupa sehingga band-band yang
dihasilkan tidak lagi berhubungan -> meremove redundansi tanpa mengurangi konten dari
informasi yang ada dalam satu set band.
• Input: statistik citra tsb
• Informasi yang mirip dikelompokkan (informasi yang mirip dimasukkan dalam 1 band) ->
tidak redundan
• Hasil: band baru yang tidak saling berhubungan, unik, informasi tidak lagi berulang antarband,
mereduce noise
• Transformasi PCA level 1: seluruh scene ditransformasikan tanpa melihat variasi land-cover
Hasil: objek dengan karakteristik beda -> beda warna
• Transformasi PCA level 2: mempertimbangkan land-cover
Masking: misal batuan -> piksel selain batuan dimask-out/dikeluarkan dari analisis
Hasil jauh lebih detail & variasi jauh lebih terlihat
• Dapat digunakan untuk melihat band asli melalui pereducean reflectance menggunakan hasil
PCA, misal regresi -> input pakai PC band (tidak pakai band reflectance/indeks vegetasi)
• Secara visual membantu mengidentifikasi variasi objek yang ada di situ
• Secara statistik dapat memperoleh band-band yang tidak saling berkorelasi
Ketika mengompositkan band yang mirip maka warnanya tidak berubah
• Berapa pun inputnya, outputnya bisa disetting sesuai keinginan

Transformation: MNF

PJNF Page 2
Transformation: MNF
• Prinsip sama dengan PCA, tetapi algoritmanya lebih menekankan ke sorting noise dibanding
sorting informasi

• Jumlah input maksimal = jumlah output

• Matriks yang bisa digunakan untuk transformasi: matriks korelasi/kovarian
Korelasi = normalisasi kovarian -> jika pakai band dengan rentang sama tidak ada bedanya
antara korelasi dan kovarian. Jika data yang digunakan variasinya campur2 maka PCA tidak
hanya bisa mengolah nilai spektral, tetapi juga semua informasi raster
• Jika rentang beda -> cocok pakai korelasi karena dinormalisasi agar valunya tidak selisih jauh
antarvariabel (misal menggabungkan data spektral dg data batimetri atau garis pantai yang
memiliki rentang beda)
• Eigenvalue berhubungan dengan besarnya data, panjang dimensi yang dihasilkan
• Eigenvector: sudut vektor
• Informasi PC1 dan PC2 pasti berlawanan, tidak akan sama

PJNF Page 3