See discussions, stats, and author profiles for this publication at: https://www.researchgate.

net/publication/264509831

ÚJ ÉRTÉKELÉSI MÓDSZEREK FEJLESZTÉSE ÉS ALKALMAZÁSA MULTI-ÉS

HIPERSPEKTRÁLIS ADATOKON

Conference Paper · January 2009

DOI: 10.13140/2.1.4427.0721

CITATIONS READS

0 85

2 authors:

Veronika Kozma-Bognár József Berke

University of Pannonia, Veszprém Dennis Gabor College
65 PUBLICATIONS 112 CITATIONS 295 PUBLICATIONS 325 CITATIONS

SEE PROFILE SEE PROFILE

Some of the authors of this publication are also working on these related projects:

Applied Spectral Fractal Structure View project

Digitális képfeldolgozás oktatása - Educating Digital Image Processing View project

All content following this page was uploaded by József Berke on 06 August 2014.

The user has requested enhancement of the downloaded file.

ÚJ ÉRTÉKELÉSI MÓDSZEREK FEJLESZTÉSE ÉS
ALKALMAZÁSA MULTI-ÉS HIPERSPEKTRÁLIS
ADATOKON

Kozma-Bognár Veronika1, Dr. Berke József2

1 - Pannon Egyetem, Georgikon Kar, Keszthely, kbv@ex1.georgikon.hu

2 - Gábor Dénes Főiskola, Alap és Műszaki Tudományi Intézet, Budapest, berke@gdf.hu

Abstract. Napjainkban a távérzékelési módszerek közül a többsávos

légifelvételezés egyre szélesebb körben használt technológia. Kiválóan
alkalmazzák olyan kutatási területeken, ahol a megfelelő szintű eredmény
elérése érdekében nagy spektrális felbontású felvételekre van szükség. Jelenleg
az adatok gyűjtése fejlettebb szinten áll, mint azok feldolgozása, hasznosítása.
Mivel az érzékelők technikai fejlődését a feldolgozási módszerek és az
alkalmazások jelentős késése követi, indokolttá válik a feldolgozási eljárások
pontosítása valamint a gyakorlati alkalmazások (mezőgazdaság,
környezetvédelem) lehetőségeinek kibővítése. A multi- és hiperspektrális
érzékelők által szolgáltatott adatok mennyisége, és komplexitása rendkívül
nagy, ezért elemzésükhöz megfelelő szintű hardware és szoftver eszközháttérrel
kell rendelkezni. A feldolgozást támogató programok köre elég korlátozott.
Számos térinformatikai szoftver esetében (pl. ENVI, IMAGINE) önálló
képfeldolgozó modulok tartalmazzák a sok csatornaszámú felvételek esetében
alkalmazható főbb képfeldolgozási módszereket (maximum likelihood, cluster
analysis, stb.). A 2004. évben bevezetésre került egy olyan új -
fraktálszerkezetre épülő - vizsgálati módszer, amely tapasztalataink alapján más
technikákhoz képest spektrálisan pontosabb mérést tesz lehetővé. A spektrális
fraktáldimenzióként (SFD) elnevezett matematikai eljárás közvetlen
alkalmazható több dimenziós szintérben is, lehetővé téve ezzel a többsávos
felvételek vizsgálati módszerének újszerű megválasztását. Segítségével
növelhetjük a nagy spektrális felbontás kínálta hasznos információk kinyerését
vagy olyan sávok kiválasztását, amelyeket más módszerekkel kívánunk
feldolgozni. Jelen publikációban bemutatásra kerül az SFD paraméter
matematikai alapjai mellett a gyakorlatban történő alkalmazás néhány
lehetősége (spektrumgörbék, zajos képek vizsgálata). Bemutatjuk az SFD alapú
spektrumok gyakorlati alkalmazhatóságát fontosabb növénykultúrák esetén,
valamint javasoljuk SFD alapú spektrumkönyvtárak létrehozását. A vörös-él
számítás új, SFD alapú számítási módszerére teszünk javaslatot.

Keywords: Hyperspectral Remote Sensing, Image Processing, Multispectral

Remote Sensing, Spectral Fractaldimension, Red Edge Inflection Point, Stress
Detection, Spectral Noise Detection
2 Kozma-Bognár Veronika1, Dr. Berke József2

1 Bevezetés

A távérzékelt felvételeket többféle szempont szerint is csoportosíthatjuk, pl.:

adatgyűjtés célja, felvételek készítésének magassága, geometriai felbontás,
hullámhossz-tartomány, csatornaszám. A csatornák száma alapján a következő
csoportokat különíthetjük el egymástól:
 Pankromatikus kép: 1 db csatorna
 Színes kép (RGB kamerák): 3 db csatorna
 Multispektrális felvételek: 4-20 db csatorna
 Hiperspektrális felvételek: 21- db csatorna [16]
A pankromatikus felvételek általában nagy geometriai felbontásúak, a látható és a
közeli infravörös tartomány integrálásával készülnek. A multispektrális felvételek
több szélesebb sávszélességű csatornát tartalmaznak, míg a hiperspektrális felvételek
szűk sávszélességűek (0,01 µm) és nagy csatornaszámúak [24, 25]. A több sávban
készített felvételekkel – köszönhetően a nagy spektrális felbontásnak - a tereptárgyak
és felszínrészletek általában jobban elkülöníthetőek, mint az egyetlen sávban
készítettek. Ezért napjainkban egyre hangsúlyosabb szerepet kap a multi – és
hiperspektrális képalkotó berendezések alkalmazása.
A távérzékelés során a földfelszín tárgyairól visszavert illetve kisugárzott
elektromágneses energia kerül rögzítésre. Az detektáló berendezések 3000 nm alatt
hullámhosszoknál elsősorban a visszavert energiát, míg 5000 nm felett a kibocsátott
energiát detektálják. A anyagok fizikai és elektromágneses jellemzőitől valamint az
elektromágneses sugárzás hullámhosszától függően a különböző tulajdonságú elemek
eltérő reflexió (illetve emissziós) értékeket vesznek fel az egyes hullámhossz-
tartományokban. Az objektumok hullámhossz függvényében ábrázolt visszaverődési
értékeit spektrális visszaverődési görbének nevezzük [7, 24]. A görbék alapján az
egyes mikroorganizmusok, ásványok, növények, építmények, mesterséges anyagok
jól azonosíthatóakká válnak, hiszen a különböző anyagok eltérő tulajdonságaiból
adódóan más-más reflexiós görbékkel rendelkeznek. A meghatározott körülmények
között rögzített és gyűjteménybe foglalt „spektrális ujjlenyomatokat” tartalmazó
spektrumkönyvtárak [1, 28], jelentős szerepet játszanak a spektrális azonosításban. Az
itt található standard spektrális profilokat általában referenciaként használják az
elemek meghatározásánál.
A felszín reflektancia viszonyaival foglalkozó szakirodalmakban számos indexet
találunk, amelyeket az állományok visszaverődési görbéinek bizonyos értékeiből,
változásaiból generálhatunk. A távérzékelésben igen elterjedt vegetációs index az
NDVI (Normalised Difference Vegetation Index), ami egy első generációs index, és a
fotoszintetikusan aktív vegetációt mutatja. Amennyiben a vizsgált
növényállományban talaj foltok is találhatóak, abban az esetben a talajjal módosított
vegetációs indexet a SAVI-t (Soil-Adjusted Vegetation Index) kell alkalmazni. A
második generációs indexnek tekintjük a Vörös Él Indexet (Red Edge Index), [8], ami
a reflektancia görbék alakját és relatív helyzetét (Red Edge Inflection Point - REIP)
írja le. A görbe értékelése során az inflexiós pont eltolódásából következtethetünk a
növény egészségi állapotára, stressz tűrő képességére, klorofill tartalomra,
fertőzöttség mértékére, stb. [15, 27, 29]. A többféle számítási módszer közül
alapvetően két, egyszerű módszer került a gyakorlatban használatra:
 ÚJ ÉRTÉKELÉSI MÓDSZEREK FEJLESZTÉSE ÉS ALKALMAZÁSA MULTI-ÉS
HIPERSPEKTRÁLIS ADATOKON 3

A REIP kiszámítása [12] szerint:

λre = 700 + (740-700) [(Rre - R700)/( R740 - R700)], ahol Rre= (R670+R780)/2 (1)
A REIP kiszámítása [22] szerint:
λre = 695 + (742-695) [(Rre - R695)/(R742-R695)], ahol Rre = (R663+R788)/2 (2)
ahol Rre = inflexiós pont reflektanciája,
Rλ = reflektancia a λ hullámhosszon
A többsávos képalkotó technológiák működtetése során az adatok egy „adatkocka”
formájában kerülnek rögzítésre, melynek minden sávját egy-egy a vizsgált területet
lefedő kép alkotja. Az azonos területet ábrázoló képelemek függőleges mentén
kiolvasott intenzitásértékeiből áll össze a terület felszíni anyagának folyamatos
eloszlású spektruma. A multi és hiperspektrális szenzorok által rögzített adatok nyers
számértékek, amelyeket a későbbiek folyamán a terepen felvett spektroradiométeres
referenciák és egyéb korrekciók (pl. atmoszférikus) elvégzése után reflektancia
értékekké lehet átalakítani. Az így kapott reflektancia adatok a beeső napfény
folyamatosan mért radianciáját is figyelembe veszik. Ezután a korrekció után a
felvételen rögzített spektrum már alkalmas más, pl. laborspektrumokkal való
összehasonlításra [13]. A spektrumkönyvtárakban laboratóriumi körülmények között
meghatározott adatokat gyűjtenek, amelyekben a természetben jelentkező befolyásoló
tényezők hatásai nem tükröződnek. Általában tiszta vagy kevert anyagok értékeit
tartalmazzák, míg a távérzékelő berendezéseink ettől jelentősen eltérő, számos
atmoszférikus és érzékelőre jellemző egyedi információt is integrálnak kimenő
adataikba. Gyakran a pontosabb referenciaadatok felvételezése érdekében terepi
spektrométerek kerülnek alkalmazásra, amelyekkel az érzékelők közötti különbség
részben kompenzálható (azonos szériájú érzékelők alkalmazása) azonban az
atmoszférikus hatás nem. További problémát okoz az is, hogy a helyszíni
spektroszkópiás vizsgálatok pontosságát is több tényező befolyásolhatja (pl.
kalibráció, látószög, detektortípus, időjárási viszonyok), melyek utólagos korrekcióval
nem javíthatóak és megismétlésükre sincs lehetőség [9].

Anyag és módszer

A vizsgálataink helyszíne a Keszthelytől 15 km-re fekvő Várvölgy község határában

elhelyezkedő tesztterületünk volt, ahol több mezőgazdasági hasznosítás alatt álló tábla
található. A tanulmányozott területen 2006 óta folytatunk multi és hiperspektrális
légifelvételezéseket. Az első hiperspektrális felvételezésre 2007-ben került sor AISA
Dual hiperspektrális szenzorral, ami az Európai Unió legjelentősebb rendszerei közé
tartozik. Az AISA Dual, az AISA kameracsalád (finnországi SPECIM fejlesztette ki)
tagjaként, az AISA Eagle és Hawk szenzorok egy duális tartóban történő
összeszerelése révén került kialakításra. A két szenzor egy időben azonos földi sávról
képes szinkronizálva adatot gyűjteni, a 400-2450 nm spektrális tartományban,
maximum 498 sávban.
A keszthelyi térségben két időpontban is történtek repülések. Az első alkalommal
2007. 05. 21-én a várvölgyi tesztterületet követően a Zala Völgyén végighaladva a
Kis-Balaton egyes területei kerültek pásztázásra. A második esetben 2007. 06. 19-én
már csak a várvölgyi rész került monitorozásra. A szenzor közel 1200 m repülési
4 Kozma-Bognár Veronika1, Dr. Berke József2

magasságból gyűjtött adatokat. Eredményül 359 spektrális sávban készült kb. 1

m/pixel terepi felbontású felvétel [17]. A nagy csatornaszámból adódóan több olyan
sávot is találtunk, amelyek különböző típusú zajjal terheltek. Az AISA felvételeken
vizuális interpretáció alapján három zaj típust különítettünk el egymástól [20]:
geometriai, érzékelő okozta, légköri.
Az 1. ábra egy zajmentes AISA felvételt (254. sáv), a 2. ábra pedig légköri zajjal
terhelt (273. sáv) sávot ábrázol, geometriai és radiometriai korrekciók után, amelyeket
egy speciális szoftvercsomaggal a Caligeo-val végeztünk.

1. ábra Zajmentes AISA felvétel (254.sáv). 2. ábra Zajos AISA felvétel (273.sáv, Várvölgy).

A 2007. 06. 19.-én készült zajmentes felvételeken jól elkülöníthetőek a földhasználati,

művelési módok, jól láthatók a mezőgazdasági táblák határai, a talajművelés iránya.
A felvételek igen részletes információkat szolgáltatnak a felszín spektrális
tulajdonságairól, de a terepi felbontás tekintetében nem érik el a szubméteres
nagyságrendet.
Olyan felhasználási területeken ahol nagyobb terepi felbontást szeretnénk elérni, de
nem szükséges a sok csatornaszám, illetve az anyagi háttér nem engedi meg ennek a
technológiának a használatát, ott megfelelő eredményeket érhetünk el repülőgépre
szerelt kézi felvevő eszközökkel is. A várvölgyi tesztterületünkön végeztük, olyan
multispektrális felvételezéseket is, amelyek esetében elértük, sőt jelentősen
túlhaladtuk az 1 méter alatti terepi felbontást, 10-30 cm. A repülés során alkalmazott
digitális eszközök: egy látható fény tartományát érzékelő (400-700nm) Canon EOS
digitális kamera, egy a közeli infravörös tartományt (720-1150 nm) érzékelő Canon
EOS digitális kamera, és egy a Hexium cég által kifejlesztett termális infravörös (12
000 nm) kamera [14]. A kamerák által készített állóképek összeillesztése után a
felvételek georeferálásra kerültek, így megfelelő pontosságú mérésekre, elemzésekre
alkalmassá váltak (3, 4, 5. ábra), [6, 18].
A terepi referencia adatok gyűjtésére a repülés időpontjaiban vagy ezen időpontok
közvetlen közelében került sor. A terepi mérések során elsődlegesen a
növényállomány feltérképezése volt a célunk, megállapításra kerültek a vegetációk
típusai. A későbbi felvételezések folyamán rögzítettük a területet érintő esetleges
változásokat. A tanulmányozott területről GPS adatok [11], meteorológiai adatok,
színhőmérsékleti adatok, és talajminta-vételezési adatok gyűjtését végeztük. A mért
adatokat minden alkalommal jegyzőkönyv formájában rögzítettük, és mellékeltük a
munka folyamán kézi kamerával készített fotókat [19].
 ÚJ ÉRTÉKELÉSI MÓDSZEREK FEJLESZTÉSE ÉS ALKALMAZÁSA MULTI-ÉS
HIPERSPEKTRÁLIS ADATOKON 5

3., 4., 5. ábra Illesztett és georeferált légifelvételek a látható, a közeli és a távoli infravörös
tartományban, a Várvölgyi tesztterületről.

A várvölgyi tesztterületről készített multi és hiperspektrális felvételeiből és a jellemző

referencia adatokból indultunk ki, amikor a különböző vegetációk spektrális
fraktáldimenziójának mérését elkezdtük. Az SFD [26] egy, az általános
fraktáldimenzióból [21, 23] származtatott szerkezetvizsgálati eljárás. Nemcsak a
térbeli szerkezetnek, hanem a spektrális sávok színszerkezetének mérésére is
alkalmas, és elegendő információt ad számunkra a színek, színárnyalatok (fraktál)
tulajdonságaira vonatkozóan is [2, 3, 4, 5].
Legyen a spektrális fraktáldimenzió (SFD) [6], [7]:
LS 2
log
LS1 (3)
SFD 
S
log S1
SS 2
ahol LS1 és LS2 a az N-dimenziós színtérben mért spektrális hosszúságok, SS1 és SS2
pedig a használt spektrális mérték nagysága (azaz a spektrális felbontás).
Gyakorlatban az N={1, 3, 4, 6, 7, 8, 10, 12, 32, 60, 79, 126, 254, 488, 498, …}
értékeket vehet fel, ahol
 N=1 fekete-fehér kép  N=60 COIS VNIR szenzor
 N=3 színes megjelenítők  N=79 DAIS7915 all szenzor
 N=4 színes nyomtatók  N=126 HyMap szenzor
 N=7 Landsat ETM+  N=254 AISA Hawk szenzor
 N=6, 8, 10, 12 fotónyomtatóknál  N=488 AISA Eagle szenzor
 N=32 DAIS7915 VIS, NIR  N=498 AISA Dual szenzor
A spektrális felbontás mértékének megfeleltethetjük a gyakorlatban az {Si=1, …,
Si=16, ahol i=1 vagy i=2} bit információelméleti fogalmát.
Tipikus spektrális felbontások:
 színtrevágott kép - 1 bit
 szürkeárnyalatos kép – 2-16 bit
 színes kép – 8-16 bit
A dimenzió kiszámításához (két vagy több képsáv esetén) a spektrális fraktáldimenzió
definíció alkalmazható a mért adatokra, mint függvényre (értékes spektrális dobozok
száma az összes spektrális doboz függvényében) egyszerű matematikai átlagolással
számítva az alábbiak szerint:
S 1
log( BM j )
n
j 1 log( BT j )
SFDmérhető  (4)
S 1
ahol
n – a képrétegek vagy képcsatornák száma
S – a spektrális felbontás bitben
BMj - értékes képpontot tartalmazó spektrális dobozok száma j-bit esetén
BTj – összes lehetséges spektrális dobozok száma j-bit esetén
A lehetséges spektrális dobozok száma j-bit esetén az alábbiak szerint számítható:
BT j  (2 S ) n (5)

Eredmények

A vizsgálataink során 10 táblát vizsgáltunk, amelyben 5 különböző vegetáció típust

tudtunk elkülöníteni: kukorica, tritikálé, búza, napraforgó, műveletlen terület.
Vizsgálataink alá vontunk egyéb objektumokat is, mint a műutat, és az út mellett
húzódó erdősávot is, amelyet főleg akácfák alkottak. A fentiekben ismertetett SFD
szerkezeti paraméter sávonkénti mérésével elsőként készítettük el a hullámhossz
alapú spektrális, 16 bites görbéket „ujjlenyomatokat” [18, 20] a fenti növényekre,
objektumokra (6. ábra) valamint a zaj elemzéséhez a teljes képekre is (7. ábra).
A 6. ábra (valamint a mért adatok) alapján egyértelműen elkülöníthetők a
növénykultúrák, megállapíthatók az egyes vizsgálatokhoz leginkább alkalmas
spektrális sávok. A 7. ábrán az erdő, az út és a fenti kultúrnövények átlagának görbéi
láthatók a csatornák sorszámának függvényében. A fenti állítások itt is jól
érzékelhetők.
 ÚJ ÉRTÉKELÉSI MÓDSZEREK FEJLESZTÉSE ÉS ALKALMAZÁSA MULTI-ÉS
HIPERSPEKTRÁLIS ADATOKON 7

6. ábra Spektrális SFD 16 bit alapú „ujjlenyomatok” kukorica, napraforgó, búza és tritikálé
esetén AISA DUAL adatok alapján.

Kukorica, napraforgó, búza és tritikálé 16 bites SFD ujjlenyomata AISA DUAL /2007. 06. 19./ felvétel alapján

0,9100

0,8900

0,8700

0,8500
SFD érték

0,8300

0,8100

0,7900

0,7700

0,7500
1 5 1 7 3 0 7 4 1 8 6 4 2 0 8 6 7 7 7 7 8 8 8 9 9 9 0 0 0 0 1 1 1 2 2 2 3 3 3 3 4 4 4 5 5
40 43 47 50 54 58 61 65 69 72 76 80 84 88 91 95 100 105 110 115 120 125 130 135 140 145 151 156 161 166 171 176 181 186 191 196 201 206 211 216 221 226 231 236 241

Hullámhossz /nm/

Kukor ica SFD 16 bit Napraforgó SFD 16 bit Búza SFD 16 bit Tritikálé SFD 16 bit

7. ábra A teljes AISA DUAL kép (2007.06.19., Várvölgy) spektrális SFD 16 bit alapú
ujjlenyomata zajos sávok elkülönítéséhez.

SFD 16 bites mérések eredményei a teljes AISA DUAL 2007. 06. 19., Várvölgy képek esetén, sávonként

1
0,9
0,8
0,7
S F D é rté k

0,6
0,5
0,4
0,3
0,2
0,1
1
8

6
3
0
7
4
1
8
5
2
9

7
4
1
8
5
2
9
6
3
0
7
4
1
8
5
2
9
6
3
0
7
4

8
43

1
15
22
29
36

50
57
64
71
78
85
92
99

12

22

28
10
11
12

13
14
14
15
16
16
17
18
19
19
20
21
21

23
23
24
25
26
26
27
28

29
30
30
31
32
33
33
34
35
35

Csatornaszám

16 bit

A teljes sávok alapján készített görbék jellegének elemzésével közvetlenül

következtetni lehet a zajos sávokra. Megállapítottuk, hogy a teljes képen jelentkező
zaj hatására (pl. atmoszférikus hatás) a színszerkezet jelentősen romlik, azaz az SFD
értékek jelentősen és ugrásszerűen csökkennek, esetleg oszcillálnak. Ilyen
tartományok a 116-125, 146-154, 183-204, 284-359 sávok. Mindez jól látható a 1. és
2. ábrán bemutatott képen is, ahol SFD2ábra= 0,4451, SFD3ábra=0,1622. A közölt
tartományok teljes összhangban vannak a vizuális interpretációval megállapított zajos
tartományokkal.
Vörös-él inflexiós pontjának tapasztalati úton történő meghatározásához
összehasonlító elemzéseket végeztünk. Az elemzésekhez felhasználtuk [12, 22] által
javasolt összefüggéseket, ezek SFD és reflektancia alapú (8. ábra) számítási
összefüggéseit (1), (2).
AISA DUAL felvételeken történő méréseink alapján megállapítható, hogy növényi
vegetáció esetén, a 640-770 nm valamint a 690-720 nm közötti tartományokban az
SFD alapú spektrumokon „ujjlenyomatokon” történő lokális minimum (9. ábra)
keresésével közvetlenül megállapítható a vörös-él inflexiós pont.
8 Kozma-Bognár Veronika1, Dr. Berke József2

8. ábra Vörös-él inflexiós pont meghatározás AISA DUAL felvételeken SFD ujjlenyomatok és
reflektancia adatok felhasználásával

Reflektancia és SFD alapú REIP értékek összehasonlítása

780,00

760,00
REIP érték /nm/

740,00

720,00 Műveletlen terület

Búza
700,00
Tritikálé
680,00 Napraforgó

ny
vé
r Kukorica
ná

Nö
og m
a-B 0n nm
zm -77 20 re Erdő
-Ko 40 mo
.6 0-7 rs
rke min .69 kid ve re
D-B
e
lok
. in a-S Cle mo
F D k.m tang kid ers
IP-
S
SF D lo Mu a-S lev
RE SF ng D-C
uta SF
D-M
SF

REIP módszer

Erdő Kukorica Napraforgó Tritikálé Búza Műveletlen terület

9. ábra Vörös-él inflexiós pont meghatározása 16 bites SFD görbéken AISA DUAL
felvételeken lokális minimum alapján.

Vörös-él meghatározás kulturnövényeken 16 bites SFD ujjlenyomat /AISA DUAL /2007.06.19. felvétel/ alapján

0,9

0,89

0,88
SFD érték

0,87

0,86

0,85

1 6 1 5 0 5 9 4 9 3 8 2 7 2 6 1 6 0 5 0 4 9 4 8 3 8 2 7 2 7 1 6 1 6 0 5 0 5 9 4
62 62 63 63 64 64 64 65 65 66 66 67 67 68 68 69 69 70 70 71 71 71 72 72 73 73 74 74 75 75 76 76 77 77 78 78 79 79 79 80
Csatornasz ám
Kukorica SFD 16 bit Napraforgó SFD 16 bit Búza SFD 16 bit Tritikálé SFD 16 bit Műveletlen terület SFD 16 bit Erdő SFD 16 bit

1. táblázat Vörös-él inflexiós pont meghatározásához mért és számított adatok nanométerben,

AISA DUAL felvételeken 16 bites SFD görbék és reflektancia adatok alapján.

REIP-SFD-Berke- SFD lok. min. SFD lok. min.

Kozma-Bognár 640-770 nm 690-720 nm
Kukorica 716,29 719,07 719,07
Napraforgó 716,26 719,07 719,07
Búza 716,89 761,28 719,07
Tritikálé 715,93 719,07 719,07
Műveletlen terület 715,75 719,07 719,07
Erdő 716,36 686,44 691,09
Javasoltuk [18], hogy SFD spektrumgörbéken az alábbi összefüggés segítségével
történjen a vörös-él inflexiós pont meghatározása (1. táblázat):
λre = 690 + {SFDÁTLAG (690-720)}*30 (6)
 ÚJ ÉRTÉKELÉSI MÓDSZEREK FEJLESZTÉSE ÉS ALKALMAZÁSA MULTI-ÉS
HIPERSPEKTRÁLIS ADATOKON 9

Látható, infra és hőkamerával készült felvételeken történő méréseink alapján

megállapítható, hogy növényi vegetáció esetén, a 660-820 nm közötti tartományban
az SFD alapú spektrumokon „ujjlenyomatokon” a lokális minimum 780 nm. Mindez
elsősorban az eltérő típusú érzékelőkre és a multispektrális adatokra vezethető vissza.
Vagyis az általunk ismertetett SFD alapú mérések ugyan lehetővé teszik az eltérő
terepi és spektrális felbontású felvételek feldolgozását, azonban a (6) során javasolt
összefüggés hiperspektrális adatokon mért SFD értékek alapján használható,
multispektrális esetben nem.

Összefoglalás

Az általunk kifejlesztett SFD alapú adatfeldolgozási módszer közvetlenül a

távérzékelő berendezések képi adatainak szerkezetén végzett számításokra épül [3, 4,
5], nem feltétlenül igényli kiegészítő légi vagy terepi sugárzásmérők alkalmazását,
mégis számos esetben jól alkalmazható információkkal szolgál. Az SFD alapú
szerkezeti adatok kevésbé érzékenyek a terepi, atmoszférikus vagy egyéb korrekciós
tényezőkre, hiszen logaritmikus számításokra épülnek. Kifejlesztettünk olyan
ujjlenyomatokat, amely a terepi beazonosításon kívül, csak képi információk
felhasználásával is számíthatóak, kiküszöbölve ezzel a fent említett korrekciók
hiányából vagy pontatlanságából eredő hátrányokat. Létrehoztunk olyan SFD
spektrum görbéket, amelyekkel a reflektancia görbékhez hasonlóan leírhatóak,
jellemezhetőek, beazonosíthatóak és térképezhetőek az egyes felszíni formák. REIP
meghatározásához tapasztalati összefüggést javaslunk (6), amely a jelenleg használt
tapasztalati összefüggésekhez hasonlóan, könnyen számítható eredményt ad SFD
spektrumgörbe használatával.

Irodalom

1. Aster Spectral Library: http://speclib.jpl.nasa.gov/ .

2. Berke, J. 2004. Fractal dimension on image processing. 4th KEPAF Conference on Image
Analysis and Pattern Recognition. Vol.4, pp.20.
3. Berke, J. 2006. Measuring of Spectral Fractal Dimension, Advances in Systems.
Computing Sciences and Software Engineering. Springer pp. 397-402., ISBN 10 1-4020-
5262-6.
4. Berke, J. 2007. Measuring of Spectral Fractal Dimension. Journal of New Mathematics
and Natural Computation. ISSN 1793-0057, 3/3: 409-418.
5. Berke, J. 2008. Using Spectral Fractal Dimension in Image Classification. CISSE2008,
International Joint Conferences on Computer, Information, and Systems Sciences, and
Engineering, December 5 - 13, 2008.
6. Berke, J. und Kozma-Bognár, V. 2008. Fernerkundung und Feldmessungen im Gebiet des
Kis-Balaton I.. Moorschutz im Wald / Renaturierung von Braunmoosmooren. Lübben.
7. Berke, J., Hegedűs, Gy. Cs., Kelemen, D. and Szabó, J. 2004. Digital image processing
and applications. 128-142 pp. ISBN 963 00 5744 1.
 10 Kozma-Bognár Veronika1, Dr. Berke József2

8. Broge, N. H. and Mortensen, J. V. 2002. Deriving green crop area index and canopy
chlorophyll density of winter wheat from spectral reflectance data. Remote Sensing of
Environment. 80. 45–57.
9. Burai, P. 2006. Első magyarországi légi hiperspektrális képalkotó rendszer AISA DUAL,
4. Fény-Tér-Kép Konferencia, Dobogókő.
10. Burai, P. 2007. Távérzékelési módszerek összehasonlító elemzése mezőgazdasági
mintaterületeken. Debreceni Egyetem, Agrártudományi Centrum,
Mezőgazdaságtudományi Kar, Víz- és Környezetgazdálkodási Tanszék. PhD dolgozat.
11. Busznyák, J., Nagy, G. és Berke, J. 2008. Georgikon GNSS bázisállomás
üzembehelyezésének tapasztalatai. Informatika a Felsőoktatásban 2008 Konferencia,
Debrecen. ISBN 978-963-473-129-0.
12. Clevers, J.G.P.W., De Jong, S.M., Epema, G.F., Van Der Meer, F.D., Bakker, W.H.,
Skidmore, A.K. and Scholte, K.H. 2002. Derivation of the red edge index using the
MERIS standard band setting. International Journal of Remote Sensing. 23 (16), 3169–
3184.
13. Hargitai, H. 2006. A hiperspektrális képfeldolgozás módszerei és az első magyarországi
képalkotó spektrométeres repülés adatainak elemzése. ELTE TTK FDI. PhD dolgozat.
14. Hexium Műszaki Fejlesztő Kft. Hexium hordozható hőkamera: HX-IDS-M 110.
www.hexium.hu .
15. Jung, A. 2005. Spektrális információk alkalmazása a városklíma-kutatásban. Budapesti
Corvinus Egyetem Kertészettudományi Kar, Kertészettudományi Doktori Iskola. PhD.
Dolgozat.
16. EU Council, 149/2003/EK belső rendelet.
17. Kozma-Bognár, V., Hegedűs, G. and Berke, J. 2007. Fractal texture based image
classification on hyperspectral data. AVA 3 International Conference on Agricultural
Economics, Rural Development and Informatics. Debrecen. ISBN 978-963-87118-7-8.
18. Kozma-Bognár, V. and Berke, J., 2008. New Applied Techniques in Evaluation of
Hyperspectral Data, Georgikon for Agriculture, a multidisciplinary journal in agricultural
sciences, Vol. 12./2., preprint.
19. Kozma-Bognár, V., Hermann, P., Bencze, K., Berke, J. and Busznyák, J. 2008.
Possibilities of an Interactive Report on Terrain Measurement. Journal of Applied
Multimedia. No. 2/III./2008. pp. 33-43., ISSN 1789-6967.
http://www.jampaper.eu/Jampaper_ENG/Issue_files/JAM080202e.pdf.
20. Kozma-Bognár, V., Kovács, ZS., Berke, J. 2008. 8 bit or 16 bit, 6th Fény-Tér-Kép
Conference, Dobogókő.
21. Mandelbrot, B. B. 1983. The fractal geometry of nature. W.H. Freeman and Company.
New York.
22. Mutanga, O. and Skidmore, A. K. 2004. Integrating imaging spectroscopy and neural
networks to map grass quality in the Kruger National Park, South Africa. Remote Sensing
of Environment. 90 (2004) 104– 115.
23. Peitgen, H-O. and Saupe, D. 1988. The Science of fractal images. Springer-Verlag.NY.
24. Sabins, F. F. 1987. Remote Sensing. Principles and Interpretation. W. H. Freeman and Co.
Los Angeles. ISBN 0-7167-1793-X.
25. Schowengerdt, R. A. 2007. Remote Sensing Models and Methods for Image Processing.
Elsevier. ISBN 13: 978-0-12-369407-2.
26. SFD official website: www.digkep.hu\sfd\index.htm
27. Tamás, J. és Róth, L. 2008. Hiperspektrális adatfeldolgozási és megjelenítési lehetőségek.
Fény-Tér-Kép 2008 konferencia. Dobogókő.
28. USGS Digital Spectral Library. http://speclab.cr.usgs.gov/spectral-lib.html.
29. Varshney, P. K. and Arora, M. K. 2004. Advanced Image Processing Techniques for
Remotely Sensed Hyperspectral Data. Springer-Verlag. New York.

View publication stats