الفلك

تحليل البيانات: شحذ الصورة من خلال التتالي

تحليل البيانات: شحذ الصورة من خلال التتالي

كانت لدي هذه الصورة ، صورة لكوكب المشتري:

أردت قياس قطر البكسل للمشتري. كما هو واضح ، الصورة ضبابية تمامًا ، وبالتالي ، يمكن الحصول على العديد من قيم أقطار البكسل المبررة بشكل متساوٍ. للتخلص من هذا ، قمت بتلصق الصورة (والتي هي تقنيًا ، اقتباس من Gimp ، "مصممة لوزن ألوان البكسل الخاصة بالتحديد أو الطبقة النشطة بذكاء وتقليل عدد الألوان مع الحفاظ على مظهر يشبه خصائص الصورة الأصلية"):

بالنتيجة أعلاه ، حصلت على أقطار ثلاثة بكسل للمشتري (واحد من كل دائرة ملونة) ، وبقليل من الحساب ، أدركت أن الدائرة الصفراء أدت إلى القيمة الأكثر دقة لقطر المشتري (والذي كان مفاجئًا خارج بأقل من واحد بالمائة!).

أسئلتي هي:

1) لماذا صورتي الأصلية هكذا؟ هل هو بسبب شكل من أشكال تشتت الضوء؟

2) هل هناك طريقة أفضل للحصول على قطر دقيق للبكسل من تلويث الصورة

3) هل النتيجة المنقولة متوقعة؟ هل هناك أسماء يمكن أن تعطى للأجسام الكروية الثلاثة المتميزة (والتي تبدو وكأنها تشبه الظلال ، مثل أومبرا ، برينونبرا ، أنتومبرا ، إلخ)؟ هل هناك سبب يجعل الكائن الأوسط المتتالي يعطي القيمة الأكثر دقة؟


1) صورتك الأصلية غير واضحة ومن المحتمل أن تتعرض للضوء بشكل مفرط. لا يمكنني معرفة ما إذا كان التعتيم ناتجًا عن ضعف التركيز أو التتبع غير الدقيق. أعتقد أنك تحتاج حقًا إلى صور أفضل وأكثر وضوحًا تُظهر الحدود الحقيقية للكوكب قبل أن تتمكن من البدء في قياس الأقطار.

2) مع صورة حادة ، يجب ألا تكون هناك حاجة لتلصق الصورة.

3) "هل هناك سبب يجعل الجسم المتلألئ الأوسط يعطي القيمة الأكثر دقة" - حسنًا يمكننا أن ندعي أنه يشير إلى القطر المقدر "المتوسط" ، لكن الإجابة في رأيي هي: الصدفة. إذا كنت تتخيلها لتعطي ، على سبيل المثال ، أربعة نطاقات بدلاً من ثلاثة ، فما هو قطرك "الحقيقي"؟ وبدون معرفة القطر الحقيقي لكوكب المشتري مسبقًا ، كيف ستعرف ذلك؟

تحرير: بالمناسبة ، لاحظت سؤالك السابق حول هذا الموضوع. هل قرأت واستخدمت هذه الإجابات؟ ما مدى التأكد من أن صورتك المكبرة هي الحجم الذي تعتقده حقًا؟ يمكنك محاولة التحقق من ذلك من خلال تصوير نجم مزدوج لفصل معروف ...


سأفعل هذا إذا جاز التعبير.

اقرأ الصورة في حزمة تسمح لك بإجراء العمليات الحسابية على البيانات. اجمع قنوات الألوان. ثم العتبة عند ما يقرب من نصف الحد الأقصى وحساب عدد $ N $ للبكسل فوق العتبة. قد ترغب في إلقاء نظرة على النتيجة في هذه المرحلة للتأكد من أن المعالجة لم تلتقط ميزة غير مرغوب فيها.

هذا شيء مثل التتابع.

ثم يمكنك تحديد نصف القطر المكافئ الأقصى كـ

$$ D = 2 (N / π) ^ {1/2} $$

بالقيام بذلك ، في GNU Octave ، أحصل على صورتك العلوية $ D حوالي 394.6 $ بكسل.

قد يساعد أيضًا إذا لم تكن قيم البكسل مشبعة ، ولكن بعد ذلك أفترض أنه يتعين علينا العمل بالصورة التي حصلنا عليها ، على الأقل هذا يعني أنه لا داعي للقلق بشأن سواد الأطراف أو تمدد التباين.

جلسة GNU Octave:

>> i = مزدوج (imread ("H: /Desktop/Jupiter.png">ShareImprove هذه الإجابةتم تحريره 15 يونيو 2016 الساعة 14:06أجاب 15 يونيو 2016 الساعة 13:29كونراد تيرنركونراد تيرنر3,1861 شارة ذهبية10 شارات فضية20 شارة برونزية 

استخدام المويجات

كيف تتناسب الموجات مع معالجة الصور الفلكية؟ في هذا الفصل ، ناقشنا تطبيقين أساسيين: زيادة حدة الصورة وإزالة الضوضاء. لتوضيح صور القمر والكواكب ، تمكّنك الموجات من تحسين الصورة على مستويات مكانية متعددة في نفس الوقت. يمكنك مضاعفة بعض التفاصيل بقوة ، وتعديل البنية متوسطة الحجم قليلاً ، وتنعيم ظلال وتدرجات الصور غير المرغوب فيها - في وقت واحد. تقوم المرشحات المكانية Wavelet بعمل جيد على المناظر الطبيعية وصور الأشخاص والصور المقربة للزهور أيضًا!

تعد إزالة ضوضاء الموجة خيارًا مهمًا للمراقبين الذين يرغبون في دفع تصويرهم إلى ما يقرب من الحدود التي يفرضها الضعف والضوضاء - لعمليات الرصد التي يعيقها نقص الفوتونات ، أو عندما يكون وقت المراقبة محدودًا. إذا كان بإمكانك الوصول إلى نسبة إشارة إلى ضوضاء أفضل من -30 مقابل خلفية السماء باستخدام

الشكل 18.13 تم إنشاء صورة الأشعة السينية هذه للطائرة في Centaurus A باستخدام خوارزميات إحصائيات الفوتون المتعلقة بمعالجة المويجات. إنه يعرض المظهر اللبني المميز للصور المويجة التي تمت تصفيتها بالضوضاء. تتعامل تصفية المويجات مع المصادر النقطية والممتدة. الصورة مجاملة من CXO / SAO / NASA.

الشكل 18.13 تم إنشاء صورة الأشعة السينية هذه للطائرة في Centaurus A باستخدام خوارزميات إحصائيات الفوتون المتعلقة بمعالجة المويجات. إنه يعرض المظهر اللبني المميز للصور المويجة التي تمت تصفيتها بالضوضاء. تتعامل تصفية المويجات مع المصادر النقطية والممتدة. الصورة مجاملة من CXO / SAO / NASA.

إجمالي التعريضات لمدة ساعة أو ساعتين ، يمكن لإزالة ضوضاء الموجة أن تنعم الصورة وتضفي عليها مظهر & quotmilky & quot أو & quotnebular & quot ، ولكن سيكون من الأفضل لك التعريض لفترة أطول وجمع المزيد من الفوتونات. ومع ذلك ، بالنسبة للتصوير المتعطش للفوتون حيث يُفقد الجسم في سماء الملح والفلفل ، حيث ينتج عن أوقات التكامل الأطول الممكنة إشارة إلى ضوضاء تبلغ 1 أو 3 أو 10 ، يوفر ترشيح ضوضاء الموجات طريقة موضوعية للفصل كائنات من مجموعات بكسل الضوضاء.

في علم الفلك المهني ، تلعب الموجات دورًا في معالجة الصور والأطياف. تتم معالجة البيانات المأخوذة من مرصد الأشعة تحت الحمراء الفضائي التابع لوكالة الفضاء الأوروبية لإزالة الضوضاء والتمييز بين الأدوات الآلية والإشارات الحقيقية. يستخدم علماء الفلك الذين يقللون البيانات من مرصد Chandra X-Ray التابع لناسا برنامج تحليل إحصائي مشابه لترشيح ضوضاء الموجة لعمل صور عامة من فوتونات الأشعة السينية التي تضرب كاشفات Chandra (انظر الشكل 18.13). يعد التنعيم ضروريًا لأنه على الرغم من أن فوتونات الأشعة السينية تحتوي على قدر كبير من الطاقة ، فإن عدد الفوتونات التي تصل إلى الكاشف عادةً ما يكون صغيرًا جدًا - بعد أيام من التكامل ، قد تحتوي صورة الأشعة السينية المكشوفة جيدًا على 10000 إصابة فقط بالأشعة السينية في صورة مليون بكسل! يحدد التحليل الإحصائي مجموعات البكسل التي تعتبر مصادر نقطية ، وأي كائنات صغيرة ممتدة وأيها مصادر ممتدة كبيرة.


الملخص

نظرًا لاضطراب الغلاف الجوي ، والانحراف الثابت ، وأخطاء التتبع والتوجيه للتلسكوبات ، تختلف وظائف انتشار النقاط (PSFs) في مجالات الرؤية المختلفة. وفي الوقت نفسه ، هناك مختلف PSFs في الصور التي تم الحصول عليها بواسطة تلسكوبات مختلفة. جودة الصورة ذات الإضافة المشتركة محدودة بالصورة ذات الجودة الرديئة ، وأخيراً ستتأثر دقة وحساسية التلسكوب رباعي القنوات. يمكن أن يؤدي تقسيم الصورة إلى بعض المناطق من نفس النوع من PSF ، وتفكيك هذه المناطق إلى تحسين جودة صورة الإضافة المشتركة. وفقًا لهذه النظرية ، تم اقتراح خوارزمية استعادة الصورة بناءً على مجموعة PSF. أولاً ، تقوم هذه الورقة بتحليل مجموعات PSF باستخدام خرائط التنظيم الذاتي ، وتجعل تجزئة الصورة بناءً على نتيجة تحليل مجموعات PSF ، ثم استخدام PSF المجمعة لإجراء تفكيك على الصور الفرعية. بعد ذلك ، يتم ضم الصور الفرعية المستعادة بعد فك الارتباط معًا. أخيرًا ، من خلال تسجيل الصورة والإضافة المشتركة ، يمكن الحصول على الصورة ذات النسبة العالية للإشارة إلى الضوضاء. تظهر النتيجة أن نسبة الإشارة إلى الضوضاء للصور الفلكية قد تم تحسينها من خلال طريقتنا ، كما تم تحسين قدرة الكشف على النجوم الباهتة.


الحصول على الصور

تحمل الصور مباشرة من كاميرا CCD عددًا كبيرًا من الإشارات غير المرغوب فيها. من أجل الحصول على صورة نظيفة ، الهدف هو تصحيح ومعايرة الصورة الخام بطريقة تظهر بها الصورة غير المعالجة ، وتصور بدقة شدة الضوء الذي سقط على شريحة CCD. تتضمن الإشارات غير المرغوب فيها في صورة CCD غير المعالجة مكونين مضافين ومكون مضاعف واحد. المكونات المضافة هي تعويض الجهد ، أو التحيز ، من صفر فولت ، وإشارة ناتجة عن الانبعاث الحراري للإلكترونات التي تنمو خطيًا مع وقت التعرض. ينشأ الخطأ المضاعف لأن الصور الضوئية لها حساسيات مختلفة للضوء.

تتضمن المعايرة إزالة الانحياز وطرح التيار المظلم وتقسيم الصورة. تتضمن الإستراتيجية القياسية للمراقب لإنجاز صورة معايرة بشكل مرض أداء بعض المهام قبل وأثناء جلسة المراقبة. أولاً ، يقوم المراقب بتصوير إطارات المجال المسطح إما من سماء الشفق أو من لوحة مضيئة منخفضة الكثافة. ثانيًا ، أثناء جلسة المراقبة ، من الضروري من وقت لآخر التقاط إطارات داكنة لها نفس وقت تكامل الصور. في النهاية ، يتم تكديس الإطارات المظلمة وإطارات الحقول المسطحة واستخدامها على الصورة الأولية لمعايرتها. يوفر هذا الإجراء صورًا عالية الجودة مناسبة للعرض ، ويمكن استخدامها للقياس الفلكي والقياس الضوئي الدقيق.


يمكن أن يفهم تطبيق معالجة الصور الرقمية الوقوف إلى جانب هذا أن المجالات والمناطق التي أعطت الصورة الرقمية تأثيرها عليها وأصبحت أكثر وأكثر فائدة لهذا القطاع أو المنطقة أو المجالات. لدينا مجموعة واسعة من المجالات التي يكون فيها للصور الرقمية تأثير جيد بعبارة أخرى ، يمكنك أن تجدها في كل قطاع تقريبًا مما يعني أن معالجة الصورة الرقمية لم تكن نهائية في تحسين جودة الصورة أو التلاعب بها بدلاً من أن يكون لها عمل أكثر من هذا. لذلك اليوم في هذه المقالة سوف نلقي نظرة على بعض التطبيقات الرئيسية لمعالجة الصور الرقمية ولدينا معرفة جيدة حول ذلك.

ولكن قبل أن نبدأ مناقشتنا حول تطبيق المعالجة الرقمية للصور ، دعونا نلقي نظرة سريعة على ما هي معالجة الصور الرقمية؟ تتضمن معالجة الصور الرقمية إجراء تغييرات في حجم الصورة في بعدين في نطاق محدود أو بعبارة أخرى يمكنك فهمها عن طريق إجراء ترتيب مختلف بالبكسل للصورة (وهو عنصر من عناصر الصورة) لتحسين خصائص الصورة. أعتقد أن لديك الآن فكرة حيث يمكننا استخدام معالجة الصور الرقمية ، لذا دعنا نجري مناقشة جيدة حولها لفهمنا بشكل أفضل حول هذا الموضوع.

الرسوم المتحركة ثلاثية الأبعاد والنمذجة والمحاكاة وتطوير الألعاب وغيرها

التطبيق الرئيسي لمعالجة الصور الرقمية

لدينا عدد من تطبيقات معالجة الصور الرقمية ولكن في هذه المقالة سنتطرق إلى بعض التطبيقات الرئيسية. التطبيق الأول هو تحليل الأشعة بخلاف الأشعة المرئية للطيف الكهرومغناطيسي.

في تحليل أشعة الطيف الكهرومغناطيسي الذي لا يمكن رؤيته بالعين المجردة

قبل شرح هذا التطبيق الخاص بمعالجة الصور الرقمية ، علينا استعراض ما نقوم به في الطيف الكهرومغناطيسي ، فهو يحتوي على نوع مختلف من بيانات الضوء المرئي الذي يحتوي على سبعة ألوان مثل البنفسجي والنيلي والأزرق والأخضر والبرتقالي والأصفر والأحمر في هذا التسلسل ، نستخدم مصطلح (VIBGOYR) لهذه الألوان على الطيف ولكن لدينا بعض الأشعة غير المرئية مع هذه الأشعة مثل الأشعة السينية وأشعة جاما وبعض الأشعة الأخرى. لا يمكن رؤية هذه الأشعة بالعين المجردة ولكن يمكن التقاطها بالكاميرا لذلك من خلال معالجة الصور الرقمية يمكننا الحصول على تحليل لهذه الأشعة أيضًا.

يعد تحليل هذه الأشعة مهمًا لأننا نستخدم الأشعة السينية في أنواع مختلفة من التشخيصات الطبية وهو الغرض ونفس استخدامنا لأشعة جاما في الطب النووي وكذلك في مراقبة العمل الفلكي. التطبيق المهم التالي لمعالجة الصور الرقمية هو شحذ الصورة واستعادتها.

في شحذ وترميم

في هذا التطبيق ، يمكننا تحسين خصائص الصورة عن طريق إجراء بعض التغييرات كما نفعل في Photoshop وهو نوع من برامج تحرير الصور. يمكننا إزالة التمويه أو إضافة التمويه وفقًا لمتطلباتنا ، وتصحيح نغمة الصورة ، وتحويل اللون والعديد من أعمال التلاعب بالصور. التطبيق المهم التالي في قائمتنا هو "الاستشعار عن بعد". دعونا نرى ما هو؟

في مجال الاستشعار عن بعد

أثناء أي كارثة على الأرض ، قامت الأقمار الصناعية بمسح سطح الأرض من مسافة عالية لتحليل الخسائر ولجمع البيانات المهمة الأخرى لسطح الأرض ، نستخدم تقنيات الاستشعار عن بُعد ويمكن القيام بذلك بسهولة عن طريق معالجة الصور الرقمية للحصول على صورة شبه واضحة لسطح الأرض أو كائنات جمع البيانات. التطبيق التالي هو منطقة الإرسال والتشفير.

في نقل الصور وتشفيرها

لقد اعتدنا على مشاهدة الكثير من بث الفيديو المباشر في غضون ثوان ، وأصبح هذا الإرسال ممكنًا بسبب معالجة الصور الرقمية بجودة عالية. تساعد معالجة الصور الرقمية أيضًا في ترميز صور النطاق الترددي العالي أو المنخفض لدفقها على الإنترنت أو الأعمال الرقمية الأخرى. دعنا ننتقل إلى التطبيق التالي وهو Vision of Machine أو الروبوتات.

في رؤية الآلة / الروبوت

يساعدنا الروبوت وبعض الآلات في العديد من الطرق في تعزيز نشاطنا اليومي ، ولكن هناك بعض المشكلات التي حدثت في مسح هذه الأنظمة المحوسبة والمبرمجة ورؤيتها. لذا فإن معالجة الصور الرقمية تعزز القدرة على الرؤية لهذه الآلة والروبوت يومًا بعد يوم من خلال إجراء تنوع مختلف في معالجتها. يتعرف تطبيقنا التالي على أي عقبات في طريق الروبوتات أو أي نظام مبرمج.

في الكشف عن العقبات

من خلال معالجة الصور ، يمكننا بسهولة مسح الكائن الذي يأتي في طريق شيء ما وكذلك مسافة هذا الكائن للحصول على الموقع المناسب لذلك الكائن. هذا النوع من الكشف يقوم به الروبوت وبعض المعدات الموجهة بالكمبيوتر. التالي هو خط إرشادي واضح للروبوتات.

متابعة صحيحة لمسار الروبوتات

يعتمد عمل الروبوتات على خلاصات البرامج الموجودة فيها وبعضها مصمم للعمل على مسار متكرر لذلك تساعد معالجة الصور في اتباع المسار الصحيح للروبوت وتحسين جودة عملها. التالي هو معالجة الألوان.

معالجة لون الصورة

في هذه المعالجة ، يمكننا أيضًا تشفير ألوان الصورة معهم بمساعدة معالجة الصور الرقمية أثناء النقل والتخزين وكذلك الترميز. يعمل بألوان مختلفة متوافقة مع المنصات الرقمية مثل RGB و HSV وبعضها الآخر. التالي هو معالجة الفيديو.

في معالجة الفيديو وكذلك النقل

الفيديو عبارة عن مجموعة متسلسلة من الصور التي تتغير في جزء سريع جدًا من الثانية وتعطي الحركة لتلك الصور. من خلال معالجة الصور الرقمية ، يمكننا الحفاظ على محادثة ملونة من إطار إلى إطار آخر أثناء حركة الصورة في الفيديو ، ويمكننا الحفاظ على الضوضاء أثناء المعالجة ، والعديد من الأعمال المماثلة الأخرى للحصول على نتيجة جيدة. التالي هو التعرف على الأنماط.

في التعرف على النمط

أصبح كل شيء في عالم اليوم رقميًا ومليئًا بالذكاء الاصطناعي والذكاء الاصطناعي له نوع مختلف من التصميمات المنقوشة التي يمكن تحديدها من خلال معالجة الصور بسهولة.

استنتاج

الآن بعد هذه المقالة يمكننا القول إن لدينا معرفة جيدة بتأثير معالجة الصور الرقمية في منصات رقمية مختلفة ويمكننا أيضًا أن نجعلها مفيدة لعملنا الشخصي من خلال تحليل أساسيات معالجة الصور الرقمية. يمكنك الذهاب مع مقال "أساسيات معالجة الصور الرقمية" للحصول على مزيد من المعرفة حول هذا الموضوع.

مقالات مقترحة

هذا دليل لتطبيق معالجة الصور الرقمية. نناقش هنا أيضًا المقدمة والتطبيق الرئيسي لمعالجة الصور الرقمية جنبًا إلى جنب مع شرح. يمكنك أيضًا إلقاء نظرة على المقالات التالية لمعرفة المزيد & # 8211


تحليل البيانات: شحذ الصورة من خلال التتالي - علم الفلك

ملاحظات حول تحسين التباين باستخدام Digital Unsharp Masking نظرة عامة: ما المقصود بإخفاء Digital Unsharp؟

Digital Unsharp Masking هي تقنية لمعالجة الصور الرقمية تُستخدم لزيادة التباين في الصور حيث يتم تعيين التفاصيل الدقيقة الدقيقة على خلفية ساطعة ومنتشرة. إنه أحد أقارب تقنية التصوير الفوتوغرافي المعروفة التي تم تطويرها لتحسين التفاصيل المفقودة في الظلال دون التضحية بالأشياء الساطعة في المشهد. قام عالم الفلك الأسترالي ديفيد مالين بتطبيقه على التصوير الفلكي بتأثير مذهل. على الرغم من الاختلاف التشغيلي في التفاصيل ، فإن ابن العم الرقمي لديه نفس الغاية في الاعتبار: تحسين التباين في الميزات الصغيرة الحجم المتراكبة على خلفية ناعمة ومشرقة.

تعمل العملية الرقمية عن طريق طرح "قناع غير حاد" من الصورة الأصلية تم إنشاؤه عن طريق تعتيم أو "تجانس" نسخة من الصورة الأصلية رقميًا. تحجب هذه العملية الميزات التي تكون سلسة (أي التي لها بنية بمقاييس كبيرة) لصالح الميزات الحادة (تلك التي لها هيكل على نطاق صغير) ، مما يؤدي إلى تحسين صافٍ لتباين البنية الدقيقة في الصورة.

بالمعنى الدقيق للكلمة ، هذا حقًا "مرشح شحذ" ، وليس قناع فوتوغرافي غير حاد. تم تصميم أدوات "unsharp mask" الموجودة في حزم معالجة الصور التجارية مثل Adobe Photoshop بشكل أساسي كمرشح شحذ لاستخدامه في الصور الممسوحة ضوئيًا (إما من مصادر مطبوعة أو سلبية أو شرائح). يقوم الماسح الضوئي بتمويه الصورة قليلاً بالنسبة إلى دقة الفيلم الفعلية ، وتسعى أداة "unsharp" إلى استعادة بعض الحدة.

تم تطوير إخفاء الصور الفوتوغرافية غير الحادة في الأصل من قبل فنانين فوتوغرافيين. تُستخدم الصورة الأصلية للمشهد لإنشاء قناع فيلم مقلوب بعيدًا عن التركيز قليلاً ("غير واضح"). يتم بعد ذلك إجراء طباعة جهة اتصال من المستند الأصلي باستخدام "قناع unsharp" هذا (محاذي بعناية للأصل). كانت فكرة هذه التقنية هي تحسين تباين التفاصيل المخفية في الظلال ، دون التسبب في تشبع السمات الساطعة وفقدان التفاصيل. كان من المفترض أن تعمل على الصورة على الصعيد العالمي ، كنوع من تقنية "المراوغة والحرق" الشاملة (عادةً ما يقوم المصورون بتحسين التباين في المناطق المحلية للصورة بشكل انتقائي عن طريق إخفاء بقية الصورة وتعريض الجزء الخافت الذي يرغبون فيه فقط لتعزيز). كان أول تطبيق لإخفاء الصور الفوتوغرافية غير الحادة في التصوير الفوتوغرافي للنجوم في مرصد بالومار في الخمسينيات من القرن الماضي. خوارزمية قناع Unsharp الرقمي

  1. قم بإعداد وتنظيف الصورة الأصلية للعيوب (وحدات البكسل الساخنة ، والخطوط ، وما إلى ذلك).
  2. قم بإنشاء نسخة متجانسة من الأصل
  3. مقياس شدة الصورة الأصلية والصورة المصقولة ،
  4. اطرح الاثنين لإنشاء الصورة المحسّنة على التباين.

يتم وصف كل خطوة من هذه الخطوات أدناه ، جنبًا إلى جنب مع مثال عملي.

يعد تحسين الصورة الرقمية من أي نوع حساسًا بشكل رائع للقطع الأثرية في الصورة: وحدات البكسل الساخنة أو الميتة (إما فردية أو في مجموعات) ، والخطوط ، والأعمدة المحجوبة ، وخطوط الأشعة الكونية. يتم الحصول على أفضل النتائج إذا تم تنظيف صورك بعناية من هذه القطع الأثرية قبل المتابعة. على سبيل المثال ، غالبًا ما يتم استخدام التصفية الوسيطة التفاعلية (على سبيل المثال ، مهمة imedit في IRAF).

قم بإنشاء نسخة مصقولة من النسخة الأصلية

الخطوة الأولى بعد الحصول على صورة نظيفة هي إنشاء نسخة متجانسة من الصورة الأصلية. نواة التنعيم النموذجية المستخدمة هي "نواة boxcar" ثنائية الأبعاد. من الممكن استخدام نوى أخرى ، مثل نواة Gaussian أو Hanning ، ولكن Boxcar هو أسهل طريقة حسابية ، خاصة في الحالات التي يتم فيها أخذ عينات من وحدات البكسل الصغيرة (هذا هو الحال مع الصور التي تم الحصول عليها لهذا المعمل).

تقوم نواة boxcar بتنعيم الصورة عن طريق استبدال كل بكسل في الصورة الأصلية بالمتوسط ​​الحسابي لجميع وحدات البكسل المجاورة التي تقع ضمن مربع العرض دبليو تركزت البكسل على بكسل الاهتمام. للتأكد من أن نواة التنعيم متماثلة ، دبليو يجب أن يكون عددًا فرديًا.

في الصورة المصقولة ، ميزات حادة (تلك التي يكون مقياسها المميز مرتبًا دبليو وحدات البكسل) غير واضحة ، بينما الميزات الناعمة (تلك ذات الهياكل بمقاييس أكبر من دبليو بكسل عبر) لن تتأثر نسبيًا.

هذه الصورة المصقولة هي الآن صورة "unsharp mask" ، سدبليو.

مقياس الشدة وطرح أمبير

بمجرد إنشاء نسخة مصقولة من الصورة الأصلية ، يجب تحجيمها بكثافة وطرحها من الصورة الأصلية. التحجيم معلمات بواسطة "عامل التباين" ، ج، والذي يحدد المساهمات النسبية للصورة الأصلية والصورة المصقولة للصورة المحسّنة النهائية. على سبيل المثال ، عامل التباين ج= 2 ستنشئ صورة محسّنة يحتوي فيها القناع المطروح على 50٪ (1 /ج) من متوسط ​​مستوى الخلفية. الأكبر ج، كلما زاد التباين. إذا ج عالية جدًا ، ومع ذلك ، ستكون النتيجة زيادة في التحسين ، مما يؤدي إلى حدوث قطع أثرية غير مرغوب فيها.

الصورة النهائية المحسّنة لـ unsharp-mask ، همرحاض، يتكون من اختلاف الصورة الأصلية (أنا) وقناع Unsharp (سدبليو) ، تم تحجيمها بواسطة ج، مثل: حيث: همرحاض هي الصورة المحسنة ، أنا هي الصورة الأصلية ، سدبليو هي النسخة الأصلية المصقولة دبليو هو عرض نواة boxcar بالبكسل ، و ج هو عامل التباين كما هو موضح أعلاه.

تم التقاط صورة CCD 10 مللي ثانية للقمر (بالقرب من الربع الأول) باستخدام تلسكوب 12 بوصة تحت ظروف الرؤية لمدة 2 قوس (كانت الرؤية المتكاملة أسوأ ،

4 قوس ثانية ، لكننا التقطنا العديد من الصور واخترنا الصور الأكثر وضوحًا أثناء عمليات الدمج القصيرة التي تبلغ 10 مللي ثانية). حجم البكسل في الصور هو 0.38 arcsec / pixel ، أو ما يقرب من 5 بكسل لكل FWHM. الهدف هو تعزيز تباين الصور لرؤية ميزات القمر بشكل أكثر وضوحًا مقابل الخلفية القمرية الساطعة.

يوضح الشكل 1 نتائج تطبيق الخوارزمية الخاصة بنا باستخدام نواة تجانس boxcar مع دبليو= 7 وعامل تباين ج= 7. تم اختيار هذه بشكل تعسفي لأغراض التوضيح ، ولكن دبليو تم اختياره ليكون أكبر قليلاً من عرض الرؤية (

5 بكسل) ، لأسباب ستتضح أدناه.

الصورة الأصلية معروضة على اليسار ، متبوعة بعلامة أ دبليو= 7 نسخة مصقولة (وسط) ، ونهائية ج= 7 تباين الصورة المحسنة (يمين). يتم عرض كل صورة بنفس مستويات الكثافة الدنيا / القصوى [انقر فوق أي من هذه الصور لمشاهدة النسخة كاملة الدقة (هذه هي ملفات GIF التي يتراوح حجمها بين 58-130 كيلو بايت)].


الشكل 1: أصلي (أنا) ، مصقول (S. 7) ، والصور المحسّنة على التباين (ه7,7).

لاحظ أنه في حين أن تأثير تجانس هذه الصورة منخفضة التباين نسبيًا بواسطة نواة Boxcar W = 7 هو دقيق إلى حد ما (في الوسط) ، فإن اختلاف مقياس التباين (يمين) يعد دراماتيكيًا إلى حد ما.

يوضح الشكلان 2 و 3 أدناه تأثيرات اتخاذ خيارات مختلفة لعرض التجانس وعامل التباين. في الشكل 2 ، نحتفظ بعامل التباين ثابتًا عند ج= 7 ، واختر عروض تجانس مختلفة لـ دبليو= <3،5،7>. لاحظ أن تحسين التباين الكبير لا يبدأ في الظهور للعين حتى يصبح عرض التنعيم مناسبًا لعرض الرؤية (هنا


الشكل 2: التحسين باستخدام دبليو= <3،5،7> بتباين ثابت ج=7.

يوضح الشكل 3 تأثير تثبيت عرض التجانس عند دبليو= 7 ، واختيار عوامل التباين من ج= <3،5،7>. مثل ج يزيد ، يتم طرح جزء أكبر من القناع المصقول ، مما يؤدي إلى تباينات أعلى (تصبح القمم الساطعة أكثر إشراقًا ، وتصبح الوديان المظلمة أغمق).


الشكل 3: التحسين باستخدام ج= <3،5،7> عند عرض تجانس ثابت دبليو=7.

في كلتا الحالتين ، سيؤدي النقر فوق الصور إلى تنزيل إصدار أعلى دقة (ملفات GIF بالحجم الكامل

بينما تبدو الصورة أكثر وضوحًا ، يكشف الفحص الدقيق للصور أيضًا أن الصورة المحسنة هي أيضًا أكثر ضوضاءً بشكل كبير. يظهر هذا بشكل أفضل في الشكل 4 ، الذي يوضح قدرًا أكبر من التباين من بكسل إلى بكسل في جزء 64 × 64 بكسل من صورتنا القمرية ، مكبرة إلى ماريا السلس جنوب الفوهات الأكبر في الأشكال 1-3.


الشكل 4: مقارنة الضوضاء في الأصل و دبليو=7, ج= 7 صور محسنة.
[انقر على الصورة لمشاهدة صورة GIF كاملة الدقة (86 كيلوبايت)]

إن انحرافات البكسل rms (sigma) في الصورة الأصلية هي +/- 53.0 ADU مقابل +/- 80.5 ADU في الصورة المحسنة. متوسط ​​مستويات الشدة هي 1364 و 1363 ADU ، على التوالي ، مما يدل على أن المعالجة تحافظ على متوسط ​​التدفق في الصور ، إذا تمت إعادة التوزيع في مناطق معينة لتعزيز التباين.

تأثير الزيادة ج هو زيادة مقدار الضوضاء ، كما هو موضح في الشكل 5 ، حيث يتم رسم المتوسط ​​و rms (sigma) لهذه المنطقة لعوامل التباين الخاصة بـ ج= [2-11] (شامل) لـ دبليو= 7 مرشح تنعيم. لاحظ أن المتوسط ​​لا يتغير بينما يزيد جذر متوسط ​​التربيع بشكل رتيب مع زيادة عامل التباين ج.

لاحظ أنه في حين أن ملف مجموع يتم حفظ التدفق في الصورة في هذا الإجراء ، ويتم تقليل S / N بشكل عام ، ويتم اختراق القياس الضوئي للمناطق التفصيلية. يوضح هذا أنه على الرغم من أن التقنيع غير الواضح يمكن أن يكون مفيدًا للمساعدة في تحديد البنية الدقيقة في الصور منخفضة التباين ، إلا أنه لا يمكن استخدامه للصور التي تتطلب تحليلًا ضوئيًا مفصلاً.

تتمثل إحدى طرق فهم كيفية عمل قناع unsharp الرقمي في التفكير أولاً في الصورة المشتقة البسيطة. قم بعمل نسخة من الصورة ، وقم بتحويلها بمقدار بكسل واحد على كلا المحورين بالنسبة إلى الصورة الأصلية ، ثم قسّم الصورة الأصلية على صورة "إزاحة تلو الأخرى". ستظهر الميزات الحقيقية على شكل كتل مظللة مع القطع الأثرية الساطعة / الداكنة على طول التدرج اللوني 45 درجة للتحول ثنائي المحاور. في الواقع ، لقد قمت بحساب مشتق الكثافة على طول المتجه 45 درجة. يمكنك أيضًا تكوين صورة تحول أي اتجاه آخر ، مما ينتج عنه تقريب لمشتق الكثافة على طول هذا الاتجاه. إذا قمت بالتبديل بمقدار أكبر ، فسيتم تعزيز التأثير ، حتى تبتعد كثيرًا بحيث تنقلب الهياكل المجاورة على بعضها البعض ، وكل ما تحصل عليه هو التجزئة (على الرغم من أن الهياكل الملساء ستبدأ في إظهار التأثير ، بمهارة أكثر ، عندما تبدأ في نقل الصورتين بمقدار مماثل للأحجام المميزة للتركيبات الأكثر سلاسة). هذا موضح في الشكل 6 ، حيث نعرض المنطقة المحيطة بإحدى الفوهات ، متبوعة بالصور المشتقة dx = 1 ، و dy = 1 ، و dx = dy = 1 صورة مشتقة.

بناءً على هذا القياس ، يتم تشغيل تحسين تباين قناع unsharp مع المشتق الأول من الصورة. باستخدام نواة boxcar ، فإن صورة قناع unsharp المصقول (سدبليو) هو معدل لتحويل الصورة الأصلية في كل الاتجاهات بنصف عرض الفلتر (بدلاً من مجرد اتجاه واحد كما في المثال أعلاه). عندما يتشكل الفرق ، يعمل مجموع كل المشتقات على "تحريك الكثافة" إلى قمم حادة محليًا (أعلى التدرجات المحلية) وخارج الوديان الحادة محليًا. الميزات المتجانسة ، التي تختلف على نطاقات أطول من عرض مرشح المتوسط ​​، لا تتأثر نسبيًا. عامل التباين ج يغير الترجيح: كلما زاد العامل زاد وزنك للتدرجات المحلية. إذا قمت بتشكيل صورة قناع unsharp باستخدام نواة تجانس أخرى (على سبيل المثال ، نواة غاوسية أو هرمية) ، فكل ما تفعله هو تغيير الأوزان بطريقة معقدة مع الاتجاه بعيدًا عن المركز. أجد أن استخدام حبات تجانس أخرى أقل سهولة من مرشح boxcar ، ولذا فقد سلطت الضوء عليها هنا.

قد يكون الاسم الأفضل لهذه التقنية هو "زيادة كثافة التدرج" ، وهو أقرب إلى الوصف التشغيلي. يبدو أن التشابه مع إخفاء الصور الفوتوغرافية غير الحادة (عملية مختلفة) ، على الرغم من أنه يزعج المصورين المحترفين ، قد تم إيقافه ، لذا فإن "إخفاء الصورة الرقمية" هو كذلك.

غالبًا ما يقال أن التقنيع غير الواضح يحسن رؤية الصور من خلال تحسين الدقة الزاوية. هذا غير صحيح. الرؤية (الدرجة الأصلية من ضبابية الصورة بسبب الاضطرابات الجوية) هي نفسها قبل وبعد تحسين القناع غير الواضح ، الآن فقط يكون تباين الميزات الباهتة أكبر. في حين أن هذا مشابه من حيث التأثير لما يحدث في ظروف الرؤية الأفضل ، بقدر ما تكون الميزات الحادة أقل ضبابية وبالتالي يكون لها تباين أكبر مع الخلفيات الملساء التي لا تتأثر نسبيًا برؤية الغلاف الجوي ، لا توجد زيادة في الدقة الزاوية الصافية بعد تحسين قناع unsharp. هذا يعني أن اثنين من المصادر النقطية التي يتم تشويشها معًا من خلال الرؤية لن تصبح أكثر تميزًا عن بعضها البعض بعد التقنيع غير الواضح (كما يحدث إذا كان من الممكن تحسين الدقة الزاوية). تقنيات تحسين الدقة الزاوية خارج نطاق هذه المناقشة.

إذا قرأت مجلات CCD ، والكتيبات والمواقع الإلكترونية الخاصة بحزم معالجة الصور ، فستتوصل إلى انطباع واضح بأن بعض الأشخاص يستخدمون برامج معالجة الصور الخاصة بهم على صورهم بنفس الطريقة التي يستخدم بها الشخص معالج الطعام على الطعام. والنتيجة هي نفسها: أحيانًا تحصل على طعام جيد ، وأحيانًا أخرى تحصل على تجزئة. الاستخدام غير الحكيم لأي تقنية لتحسين الصورة ، مهما كانت رائعة ، سوف يمنحك التجزئة.

تلعب حيل تحسين التباين مثل التقنيع unsharp دورًا خاصًا ، ولكن لا ينبغي تطبيقها على جميع الصور دون تفكير. تم اختيار الأمثلة هنا على وجه التحديد لتكون الأكثر توضيحًا للحالات الأكثر ملاءمة بشكل عام: ارتفاع إشارة إلى ضوضاء ولكن المشاهد منخفضة التباين مع بنية دقيقة خفية. إن تأثير الرؤية السيئة هو التخلص من التباين في الأشياء التي يمثل التباين مشكلة بالفعل. القمر ، والأقراص الكوكبية التي تم حلها ، وبعض السدم المنتشرة الساطعة ، وحتى المجرة أو المجرتان يمكن أن تستفيد من تقنية مثل التقنيع غير الحاد. معظم الأنواع الأخرى من الكائنات ، مثل الصور المليئة بالعديد من الصور النجمية ، لا تفعل ذلك. تتمثل إحدى القطع الأثرية الشائعة لتحسين قناع unsharp في ترك "الخنادق" ، وهي مناطق ذات وحدات بكسل سلبية ، تحيط بما كان يُعد صورًا نجمية نظيفة إلى حد ما. السبب بسيط ، إذا حاولت رفع التباين على شيء به تباين عالٍ بالفعل ، فيمكنك التخلص من القمامة (أي معالجة الطعام). تقوم بتحسين التباين في الميزات الحقيقية ، ولكنك تقوم أيضًا بتحسين الضوضاء في نفس الوقت الذي لا تميز فيه التقنية بين الاثنين.

من الأخطاء الشائعة لإخفاء unsharp محاولة إخراج النجوم الباهتة من خلفية السماء. فكرة سيئة. في حين أن إخفاء unsharp يحافظ على التدفق العالمي ، إلا أنه لا يحافظ على التدفق محليًا ، تقريبًا على مقياس بضع مرات من عرض التجانس. تحاول تحسين الميزات الباهتة مثل النجوم من الخلفية وقد ترفع الضوضاء المحلية إلى حالة النجوم. فكرة سيئة. إذا كنت ترغب في رؤية نجوم باهتة ، احصل على بيانات أفضل لنسبة الإشارة إلى الضوضاء ودمجها لفترة أطول ، وبناء إحصاءات أفضل للسماء والنجوم الباهتة.

أخيرًا ، أفضل قاعدة أساسية هي ، إذا لم تتمكن بالفعل من رؤية ميزة ما بمستوى معين في الصورة الأولية ، فلن تظهر لك ميزة التقنيع غير الواضح (أو أي تقنية أخرى لتحسين التباين). إذا كانت البنية موجودة ، فقد يساعدك تحسين التباين باستخدام قناع unsharp في تحديد موقعه ، لكنك لن تتمكن من إجراء القياس الضوئي عليه في الصورة المحسّنة. ومع ذلك ، يمكنك القيام بذلك في الأصل ، الآن بعد أن عرفت مكانه ، لكنك عدت إلى حيث كنت فيما يتعلق بالتباين مع الخلفية. إذا كنت تريد قياسًا أفضل ، فاحصل على بيانات أفضل للإشارة إلى الضوضاء.

لا يوجد بديل عن الرؤية الجيدة والإشارة إلى الضوضاء المناسبة.

الأشخاص بخلاف طلاب Astro350 (الذين لديهم بالفعل حق الوصول إلى ملفات البيانات) الذين يرغبون في تجربة هذه البيانات مرحب بهم في البيانات الأصلية والبرامج النصية للإجراء المستخدمة.

الصورة غير المعالجة موجودة في الملف: qtrmoon.fts (1.48Mb FITS Floating-point Format) تم طرح هذا الملف بطريقة منحازة وإدراجها في الحقول وتقطيعها (اقتصاصها) لإزالة وحدات البكسل ذات الحواف السيئة. لم يتم تنفيذ أي معالجة أخرى.

يمكن لمستخدمي xvista أيضًا تنزيل نسخة من البرنامج النصي للإجراء unsharp.pro الذي قام بجميع عمليات المعالجة الموضحة أعلاه (نص 7 كيلوبايت ASCII). يمكن لمستخدمي IRAF بسهولة معرفة كيفية كتابة نص cl مماثل من هذا الإجراء (إنه بسيط للغاية).

العودة إلى فهرس المختبر
Return to the Astronomy 350 Main Page Updated: 2000 Nov 9 [rwp]


Using MLT for Sharpening

Having inspected the wavelet layers, we’ll target layers 3-5 (with the fifth being the R, or residual, layer). Before you do that, you’ll need a mask to protect low signal areas of your image. You can create a mask in a variety of ways – for example, you could use a RangeMask, or use StarNet to create a starless version of your image, or you could use the output of the ExtractWaveletLayers script and use one of the images as a mask.

The preceding screenshot shows you the settings I used with the image of Messier 51 that we have been using throughout this series of articles. I derived the settings by experimenting with the values using the real-time preview.

The settings use the Bias setting of MLT as shown

Ensure the checkbox labeled Detail Layer is selected and for each layer set the Bias, using the images produced by the ExtractWaveletLayers script as a guide. A negative value for the Bias smooths the layer and a positive value sharpens the layer values between 0 and +1 are typical for sharpening.

Generally, for sharpening, you can use the default settings throughout the rest of the process’s settings. The exception is the number of layers where you may wish to increase the number of layers for more control over the sharpening effect. For example, you could target only the middle layers for sharpening, leaving the other layers alone.


Exercise 2: Extract Mean Spectra from ROIs

You can use ROIs to extract statistics and average spectra from groups of pixels. You can define as many ROIs as desired in a displayed image. See the Region of Interest Tool (ROI) topic for details on drawing ROIs.

In this exercise, you will view ROIs of known mineral types and extract mean spectra from the ROIs.

  1. Click the Region of Interest Tool (ROI) button in the toolbar.
  2. From the ROI Tool menu bar, select File > Open.
  3. Select the file CupriteMineralROIs.xml and click Open. This ROI file represents pixels where specific minerals are known to occur.
  4. In the Select Base ROI Visualization Layer dialog, select [1] CupriteReflectance, and click نعم. The ROIs for each mineral type are listed in the Layer Manager. If the ENVI preference Auto Display File on Open is set to True, the ROIs will display on the image.
  5. Right-click on any ROI in the Layer Manager and select Statistics. An ROI Statistics Results dialog appears with an embedded plot window that shows the following:
    • Mean spectrum (white)
    • First standard deviation above and below the mean spectrum (green)
    • Minimum and maximum envelope containing all of the spectra in the ROI (red)
  6. Close the ROI Statistics Results dialog.
  7. Right-click on the Regions of Interest folder in the Layer Manager and select Statistics for All ROIs. The plot window shows the mean spectra for all ROIs.
  8. Right-click inside the plot window and select Stack Plots. This offsets the spectra for comparison.
  9. Right-click again inside the plot window and select Legend.
  10. Zoom into the wavelength range of 2000 to 2500 nm. If your mouse has a scroll wheel, click inside the plot window and roll the wheel to zoom in. Or, click-and-drag the scroll wheel to draw a box around the area you want to zoom into. The plot should look similar to the following figure:


Data Analysis: Image Sharpening through Posterisation - Astronomy

متعلق ب

By Daryl Madden, director of advanced concepts, Overwatch Geospatial Solutions (www.overwatch.com), Sterling, Va.

Not long ago, Earth imagery analysts were starving for data and happy to find a panchromatic image of their area of interest. Today, the volume and variety of imagery has grown exponentially and will expand even further as a host of unmanned aircraft systems (UASs) and smallsats come online.

Analysts use a combination of integrated georeferencing tools, geoconfidence indicators, imagery preview panels, information bars and assistance panels to control and analyze imagery and associated data.

Sensors and image formats currently used for full-spectrum geospatial intelligence (GEOINT) include panchromatic, multispectral, hyperspectral, infrared, synthetic aperture radar (SAR), light detection and ranging (LiDAR), moving target indicators, motion imagery and wide-area imagery. Modern geospatial software seamlessly integrates all of these imagery types, enabling image analysts to locate features and extract valuable information such as activity-based intelligence that analyzes the events, movements and transactions within an area to discover connections among people, things and places. At each step, sophisticated algorithms can improve and expedite performance.

Importing Imagery Data

Today, importing an image typically requires connecting to large databases, often via application programming interfaces. In recent years, the Open Geospatial Consortium has developed Web services—such as the Web Map Service, Web Map Tile Service and Web Coverage Service—that have increased the number of ways in which analysts can connect to data sources. These image formats, compression types and metadata formats change constantly.

LiDAR point cloud data support analysis and operations planning.

Geospatial software must be able to ingest every type of geospatial data file, regardless of its size, storage location, format and metadata format as well as the procedures required to open it. For example, Overwatch’s RemoteView geospatial analysis software handles more than 43 different types of image formats. In addition, geospatial software must decompress these files and extract the metadata.

Georeferencing, a cartographic process, aligns geographic data to a known coordinate system so the data can be viewed, queried and analyzed with other geographic data. For example, a standard JPEG image that includes no georeferencing data can be georeferenced if the coordinates of an object within it are known.

Advanced GEOINT software packages incorporate georeferencing algorithms to automate this process. Depending on the type of image format and the metadata within the format, obtaining a geographic readout often can be accomplished simply by dragging a cursor over an image.

Another key automated process for aerial or satellite imagery is orthorectification, which corrects the geometry of an image so it appears as though each pixel was acquired from directly overhead, using elevation data to correct terrain distortion. Then the software can interpret and represent the geographic information in several ways, such as the four corner points of the image, a sensor model, a rational polynomial coefficient or a replacement sensor model.

Image Visualization

Here geospatial analysis software automatically detects a helicopter squadron within large-area satellite imagery.

It’s critical for imagery analysts to be able to roam an image quickly, smoothly and continuously—including zooming, panning and rotating—at rates of more than 1,000 pixels per second. Any type of jitter, no matter how small, is unacceptable, because it causes analysts to lose track of their place on the screen and can lead to motion sickness and headaches.

LiDAR point clouds and even panchromatic images now come in huge files that are compressed (the latter often in the JPEG2000 standard), using numerous configuration parameters. Geospatial software processes data through the iteration of sophisticated algorithms that look at each step along the way, including disk access, network access, graphics processing unit, central processing unit, and imagery and memory management.

The best software packages even use predictive analysis, which helps users organize data from the onset of collection. Processes designed to read the data in their native format and get them to the screen as quickly as possible must consider the fact that most users have limited time and disk space to preprocess the data.

Many different factors affect image processing, including network latency, processor speed, the computer’s memory and the type of graphics card it uses. Minimum hardware specifications, including reasonable bandwidth for networked environments, help to ensure the best processing capabilities.

Often imagery analysts want an angled, or oblique, view to measure a shadow and determine a structure’s size. The problem is that doing so makes it harder to achieve geoaccuracy. This problem can be solved by combining elevation data with the imagery to quickly create a 3-D visualization, which allows users to add models—such as extruded buildings, cars, people or planes—and virtually “fly” through an area.

Templates can display information such as an image’s title, a “North” arrow, the date and time the image was collected, and text and symbols that identify areas of interest.

Achieving high-quality imaging requires a full understanding of the imaging chain, a modeling concept that helps engineers design and build imaging systems. Therefore, in addition to reading the pixels from the image format, geospatial software must analyze the entire image chain.

By combining high-speed processing chain technology with a carefully refined user interface, such software can boost productivity on large images, videos and data sets. Federal agencies test the software against a specification, such as the Softcopy Image Processing Standard, to ensure the picture on the display is the highest quality possible.

Exploitation and Analysis

Analysts must be able to find items and areas of interest within imagery files as large as 30GB, whether using a default search pattern following a feature, such as a river or drawing a line or a polygon as a search area. Geospatial analysis software can automate such tasks as finding all items of interest—for example, planes or landing zones—within large images.

Image metadata, another incredibly useful tool for geospatial analysts, embeds within imagery geographic tags as well as a date and time stamp, title and the type of sensor used to collect it. Such data may be automatically parsed from the image file rather than requiring the user to dig through the metadata to find them.

Some software packages include shortcut keys and templates to automate the application of metadata during the analysis process. For example, an analyst may wish to always use a template that displays an image’s title, a “North” arrow, the date and time when it was collected, and the type of sensor used to collect it.

Pan-sharpening capabilities allow analysts to display enhanced details of an original multispectral image (left).

To accomplish this, the analyst may create a custom template that automatically applies this information to an image when creating a report. In this case, the template will always go to the metadata, pull out that information and display it so the user doesn’t have to continually find the information within each image or enter it into each report.

Analysts must be able to perform numerous imagery analysis phases, which differ greatly depending on the mission or objectives they support. Geospatial software partly automates these tasks based upon each image’s metadata, using algorithms ranging from four corner points to regular sensor models.

Analysis also can involve determining fields of view or lines of sight. With line of sight, an analyst picks two points and asks whether one is visible from the other the program will display the elevation profile between those two points. A field of view is the area that an observer, such as a sniper, could see around his position.

One key type of analysis is comparing images of the same area taken at different times, and often by different sensors, to find features and detect changes. One way is to put images side by side, separated by a vertical line—for example, images from a month ago on the left and from yesterday on the right—then move the line horizontally to see the changes. Other comparison methods include blending the two images, flickering back and forth between them a few times per second, or detecting changes by displaying old features in red and new ones in blue.

Yet another way to compare multiple images—for example, images of a particular location taken every month—is by building an “image stack” and displaying the images sequentially like a movie. This enables analysts to quickly and easily identify changes that have occurred over time without having to individually study each image.

This sequence of images displays software capabilities for automated change detection and color coding to highlight areas of change after a tsunami.

GEOINT software packages include the ability to automatically align different images of the same area. For example, such software can automatically pull in images taken before and after Hurricane Sandy, stack them and geoalign them to the exact pixel based on the metadata.

With the growth of UASs as essential resources for surveillance and reconnaissance, requirements are emerging for integrating motion video analysis tools with the GEOINT software packages analysts use every day. For example, V-TRAC, a RemoteView extension, leverages core competencies in photogrammetry, file management, visualization and reporting to provide a complete video exploitation tool that analysts can use for all phases of video analysis. The product supports report generation and mission planning through an integrated video player, a report editor and image editing tools. By integrating such tools with geospatial data stores, analysts are able to search archived videos by location or time and then delve into mission sets to exploit useful information.

Finally, top-of-the-line geospatial software also allows users to mosaic, or stitch together, an unlimited number of images and create a giant mosaic as well as to annotate 2-D images, 3-D images and video frames. An imagery analyst’s daily tasks include a variety of requirements for imagery enhancement and visualization. Powerful image processing and visu-alization tools provide analysts with capabilities that are ideal for contrast and brightness control, independent component analysis, sharpening and haze control, dynamic range adjustment, image resampling and stereo viewing to enhance imagery and gain perspective.

Some GEOINT software packages offer selectable sharp-ening filters, sophisticated resampling algorithms, tonal transfer curves for optimal contrast display, automatic and manual dynamic range adjustment and haze removal. Monitor and printer cali-bration capabilities also ensure that data quality remains through the entire analysis process.

In addition, multispectral analysis capabilities enable users to quickly and easily analyze and interpret data collected from modern sensors, including panchromatic, color, infrared, multispectral, hyperspectral and radar. Both supervised and unsupervised image classification wizards enable users to quickly identify and analyze signatures in an image—such as heat from an engine, special chemicals or camouflage—with-out having to undergo months of training. These tools also include algorithms for vegetation analysis and to delineate land and water boundaries.

An image stack of multiple images notes areas of change and items of interest.

Threshold tools let users quickly identify and move past areas within imagery, such as cloud coverage or ocean coverage, for which there is no need to perform analysis. These time-saving tools enhance performance and streamline decision making for time-sensitive analysis.

Millions of analysts rely on accurate geospatial imagery to support applications ranging from military intelligence to monitoring climate, ecosystems, erosion and urban planning.

More advanced geospatial analysis software packages provide users with tools that guide them through precision positioning workflows to select images sample ground points and generate accurate, precisely placed image markers. Such advanced tools dramatically reduce the work necessary to acquire precise positioning and coordinates. They also may include automated report-generation functions that enable users to produce complete precise positioning products on the fly.

Geospatial analysis software may include a video player, report editor and image editor tools.

At times, analysts can combine images to use the best qualities of each type of sensor. One method is pan sharpening, an algorithm that combines the higher resolution of a panchromatic image with the color of a multispectral image to produce an enhanced-resolution, multispectral image. In other words, pan sharpening colorizes a panchromatic image.

Production and Reporting

At times, analysts need to capture a small portion or subset of an image to create a report. This is called “chipping.” For instance, an analyst reporting on a location devastated by Hurricane Sandy may start with a large image of the region taken immediately after the disaster, but he or she may be interested only in portions of the area—such as a port or a building.

Geospatial analysis software was used to create a large orthorectified virtual mosaic of New Orleans.

To cut out the relevant portion of the image and “chip” it, the analyst will bring up the image, find the area of interest, draw graphics on it and put a template on it—perhaps a white box with a title, a “North” arrow, the group’s logo, any metadata associated with that image, and an arrow and call-out boxes. Using integrated publishing toolsets, the analyst then can publish the chip and all associated information automatically to PowerPoint or a PDF template for presentations and briefings.

Alternatively, an analyst can chip an image directly to Google Earth and have it displayed on that platform. In addition, the analyst can chip out a piece of an image to a GeoPDF, a PDF file with geographic information created by TerraGo (www.terragotech.com) as an enhancement to Adobe Acrobat’s PDF format. Then any computer that has Adobe Acrobat Reader with the TerraGo extension can read that GeoPDF file, displaying both the image and the geographic information it contains.

Overwatch’s 3D Pro software extension to RemoteView also provides analysts the ability to publish and share large interactive 3-D scenes in 3-D PDFs through integration with the PDF3D SDK from Visual Technology Services (www.pdf3d.com). To chip through an image stack, such as a multispectral image over a panchromatic image, an analyst could draw a box around a location that changed over time and chip through each of the images to produce several reports. This process is called “coring.”

Expanding Options and Expectations

Geospatial analysis software performs line-of-sight analysis of a 2-D image. The green line represents the visible field of view, and the red line represents the obstructed field of view. Elevation data within the dialog box provides accurate details for both the visible and obstructed fields of view.

Applications for imagery data are growing, as are users’ expectations. Increased reliance on full-spectrum GEOINT for critical safety and security decisions depends on high pixel-level accuracy and precision as well as robust, highly scalable systems. Ingesting, managing and analyzing imagery and creating useful, accurate and timely reports requires increasingly sophisticated software that automates the process as much as possible while leaving the analyst in control. Top-of-the line geospatial analysis software greatly increases the analytical capabilities of organizations of all sizes and provides a high return on their large investment in imagery data.


Data Analysis: Image Sharpening through Posterisation - Astronomy

Temporal gaps in discrete sampling sequences produce spurious Fourier components at the intermodulation frequencies of an oscillatory signal and the temporal gaps, thus significantly complicating spectral analysis of such sparsely sampled data. A new FFT-based algorithm has been developed, suitable for spectral analysis of sparsely sampled data with a relatively small number of oscillatory components buried in background noise. The algorithm's principal idea has its origin in the so-called "clean" algorithm used to sharpen images of scenes corrupted by atmospheric and sensor aperture effects. It identifies as the signal "true" frequency that oscillatory component which, when passed through the same sampling sequence as the original data, produces a Fourier image that is the best match to the original Fourier map. Unlike the "clean" algorithm, a search is performed for the component, in the Fourier space. The algorithm has generally met with success on trials with simulated data with low signal-to-noise ratio including those of a type similar to hourly residuals for Earth orientation parameters extracted from VLBI data. For eight oscillatory components in the diurnal and semidiurnal bands, all components with the amplitude-noise ratio greater than 0.2 were succesfully extracted for all sequences and duty cycles (greater than 0.1) tested the amplitude-noise ratios of the extracted signals were as low as 0.05 for high duty cycles and long sampling sequences. When, in addition to these "high" frequencies, strong low-frequency components are present in the data, the low frequency components are generally eliminated first, by employing a version of the algorithm that searches for noninteger multiples of the discrete FFT minimum frequency.


How to do automated image analysis of astronomical photographs? [closed]

Want to improve this question? Update the question so it's on-topic for Photography Stack Exchange.

I have many pictures like the following:

As many of you may recognise, this is a picture of Jupiter and its four Galilean moons. Using these images, I am aiming to calculate the mass of Jupiter by finding the orbital distance and orbital period of each of these moons, and then plugging those values into Kepler's Third Law.

However, this requires a seemingly tedious process of the following sort:

1) Locate the centre of mass of Jupiter

2) Measure the distance to each of the moons

I have a lot of data (many, many pictures). I am hoping that there is a relatively easier and more accurate method of doing all of the above than using software like Gimp and guessing the centres for each object manually. Can anyone recommend anything?


شاهد الفيديو: تطبيق عملي ومشروع كامل على تحليل البيانات في بايثون. Python Exploratory Data Analysis Case-study (شهر اكتوبر 2021).