Sabtu, 21 April 2012
Selasa, 10 April 2012
Langkah langkah penting dalam pengolahan citra
Ada beberapa faktor yang mempengaruhi kualitas citra semisal hambatan-hambatan untuk melakukan interpretasi dan klasifikasi yang diperlukan
Berikut ini akan kami sampaikan dengan singkat beberapa langkah yang umum dilakukan, akan tetapi detail dari teknik dan ketrampilan menggunakan hanya bisa diperoleh dengan praktek langsung dengan menggunakan sebuah citra dan software pengolahan citra tertentu.
Setelah citra dipilih dan diperoleh, langkah-langkah pemrosesan tidak terlalu tergantung sistem sensor dan juga software pengolahan citra yang dipakai.
2. Mengkoreksi kesalahan, baik radiometric (atmospheric atau sensor) maupun geometric.
3. Menajamkan citra baik untuk analisa digital maupun visual.
4. Melakukan survei lapangan.
5. Mengambil sifat tertentu dari citra dengan proses klasifikasi dan pengukuran akurasi dari hasil klasifikasi. 6. Memasukkan hasil olahan ke dalam SIG sebagai input data.
7. Menginterpretasikan hasil. Mengamati citra pada layar adalah proses yang paling efektif dalam mengidentifikasi masalah yang ada pada citra, misalnya tutupan awan, kabut, dan kesalahan sensor.
Citra bisa ditampilkan oleh sebuah komputer, baik per satu band dalam hitam dan putih maupun dalam kombinasi tiga band, yang disebut komposit warna. Mata manusia hanya bisa membedakan 16 derajat keabuan dalam sebuah citra, tetapi bisa membedakan berjuta juta warna yang berbeda. Oleh karena itu, teknik perbaikan/enhancement citra yang paling sering digunakan adalah memberi warna tertentu kepada nilai DN tertentu (atau kisaran dari Daerah Normal tertentu) sehingga meningkatkan kontras antara nilai DN tertentu dengan pixel di sekelilingnya pada suatu citra.
Sebuah citra true color adalah citra dimana warna yang diberikan kepada nilai-nilai DN mewakili kisaran spektral sebenarnya dari warna-warna yang digunakan pada citra. False color adalah teknik dimana warna-warna yang diberikan kepada DN tidak sama dengan kisaran spektral dari warna-warna yang dipilih. Teknik ini memungkinkan kita untuk memberi penekanan pada bentuk-bentuk tertentu yang ingin kita pelajari menggunakan skema pewarnaan tertentu. Pada contoh dari false color yang dibuat dengan komposit 432 dari citra Landsat 7, vegetasi muda, yang memantulkan near IR, terlihat merah terang. Kegiatan pertanian yang terkonsentrasi akan mudah dideteksi dengan adanya warna merah terang. Kalau kita buat plot antara DN dan derajat keabuan untuk setiap pixel, garis yang terbentuk menggambarkan bentuk hubungan antara keduanya. Hubungan linier (seperti contoh di bawah ini) menunjukkan bahwa DN dan juga keabuan tersebar merata dalam kisaran nilai 0-255 pada citra Permasalahan dengan hubungan linier seperti ini adalah bahwa nilai DN dari bentuk-bentuk yang ingin kita tonjolkan mungkin terkonsentrasi pada kisaran kecil, sehingga derajat keabuan yang diberikan kepada nilai DN di luar daerah yang ingin kita tonjolkan sebenarnya tidak terpakai.
Untuk memperbaiki kontras dari bagian citra yang kita inginkan kita bisa memakai kurva perbaikan yang didefinisikan secara matematis. Kurva ini akan menyebarkan ulang nilai derajat keabuan yang paling sering dipakai sehingga menonjolkan kisaran DN tertentu. Pemakaian kurva untuk menonjolkan bentuk tertentu dan juga pemilihan 3 band dari sebuah citra multispektral untuk dikombinasikan dalam sebuah citra komposit memerlukan pengalaman dan ‘trial and error’, karena setiap aplikasi perlu menekankan bentuk yang berbeda dalam sebuah citra. Sebelum sebuah citra bisa dianalisa, biasanya diperlukan beberapa langkah pemrosesan awal.
Koreksi radiometric adalah salah satu dari langkah awal ini, dimana efek kesalahan sensor dan faktor lingkungan dihilangkan. Biasanya koreksi ini mengubah nilai DN yang terkena efek atmosferik. Data tambahan yang dikumpulkan pada waktu yang bersamaan dengan diambilnya citra bisa dipakai sebagai alat kalibrasi dalam melakukan koreksi radiometric. Selain itu koreksi geometric juga sangat penting dalam langkah awal pemrosesan. Metode ini mengkoreksi kesalahan yang disebabkan oleh geometri dari kelengkungan permukaan bumi dan pergerakan satelit.
Koreksi geometric adalah proses dimana titik-titik pada citra diletakkan pada titik-titik yang sama pada peta atau citra lain yang sudah dikoreksi. Tujuan dari koreksi geometri adalah untuk meletakkan elemen citra pada posisi planimetric (x dan y) yang seharusnya.
Satu langkah pemrosesan penting yang paling sering dilakukan pada pengolahan citra adalah klasifikasi, dimana sekumpulan pixel dikelompokkan menjadi kelas-kelas berdasarkan karakteristik tertentu dari masing-masing kelas. Terutama untuk proses klasifikasi, survei lapangan sangat diperlukan. Pada umumnya hasil klasifikasi inilah yang akan menjadi input yang sangat berharga bagi SIG untuk diolah dan diinterpretasi bersama layer-layer data yang lain.
Semoga informasi yang sangat singkat ini bisa memberikan manfaat. Terima kasih.
Ada beberapa faktor penting, terutama untuk aplikasi kehutanan tropis adalah:
1. Tutupan awan. Terutama untuk sensor pasif, awan bisa menutupi bentuk-bentuk yang berada di bawah atau di dekatnya, sehingga interpretasi tidak dimungkinkan, Masalah ini sangat sering dijumpai di daerah tropis, dan mungkin diatasi dengan mengkombinasikan citra dari sensor pasif (misalnya Landsat) dengan citra dari sensor aktif (misalnya Radarsat) untuk keduanya saling melengkapi.
2. Bayangan topografis. Metode pengkoreksian yang ada untuk menghilangkan pengaruh topografi pada radiometri belum terlalu maju perkembangannya.
3. Pengaruh atmosferik. Pengaruh atmosferik, terutama ozon, uap air dan aerosol sangat mengganggu pada band nampak dan infrared. Penelitian akademis untuk mengatasi hal ini masih aktif dilakukan.
4. Derajat kedetailan dari peta tutupan lahan yang ingin dihasilkan. Semakin detail peta yang ingin dihasilkan, semakin rendah akurasi dari klasifikasi. Hal ini salah satunya bisa diperbaiki dengan adanya resolusi spectral dan spasial dari citra komersial yang tersedia.
Langkah-langkah dalam pengolahan citra:
1. Mengukur kualitas data dengan descriptive statistics atau dengan tampilan citra.2. Mengkoreksi kesalahan, baik radiometric (atmospheric atau sensor) maupun geometric.
3. Menajamkan citra baik untuk analisa digital maupun visual.
4. Melakukan survei lapangan.
5. Mengambil sifat tertentu dari citra dengan proses klasifikasi dan pengukuran akurasi dari hasil klasifikasi. 6. Memasukkan hasil olahan ke dalam SIG sebagai input data.
7. Menginterpretasikan hasil. Mengamati citra pada layar adalah proses yang paling efektif dalam mengidentifikasi masalah yang ada pada citra, misalnya tutupan awan, kabut, dan kesalahan sensor.
Citra bisa ditampilkan oleh sebuah komputer, baik per satu band dalam hitam dan putih maupun dalam kombinasi tiga band, yang disebut komposit warna. Mata manusia hanya bisa membedakan 16 derajat keabuan dalam sebuah citra, tetapi bisa membedakan berjuta juta warna yang berbeda. Oleh karena itu, teknik perbaikan/enhancement citra yang paling sering digunakan adalah memberi warna tertentu kepada nilai DN tertentu (atau kisaran dari Daerah Normal tertentu) sehingga meningkatkan kontras antara nilai DN tertentu dengan pixel di sekelilingnya pada suatu citra.
Sebuah citra true color adalah citra dimana warna yang diberikan kepada nilai-nilai DN mewakili kisaran spektral sebenarnya dari warna-warna yang digunakan pada citra. False color adalah teknik dimana warna-warna yang diberikan kepada DN tidak sama dengan kisaran spektral dari warna-warna yang dipilih. Teknik ini memungkinkan kita untuk memberi penekanan pada bentuk-bentuk tertentu yang ingin kita pelajari menggunakan skema pewarnaan tertentu. Pada contoh dari false color yang dibuat dengan komposit 432 dari citra Landsat 7, vegetasi muda, yang memantulkan near IR, terlihat merah terang. Kegiatan pertanian yang terkonsentrasi akan mudah dideteksi dengan adanya warna merah terang. Kalau kita buat plot antara DN dan derajat keabuan untuk setiap pixel, garis yang terbentuk menggambarkan bentuk hubungan antara keduanya. Hubungan linier (seperti contoh di bawah ini) menunjukkan bahwa DN dan juga keabuan tersebar merata dalam kisaran nilai 0-255 pada citra Permasalahan dengan hubungan linier seperti ini adalah bahwa nilai DN dari bentuk-bentuk yang ingin kita tonjolkan mungkin terkonsentrasi pada kisaran kecil, sehingga derajat keabuan yang diberikan kepada nilai DN di luar daerah yang ingin kita tonjolkan sebenarnya tidak terpakai.
Untuk memperbaiki kontras dari bagian citra yang kita inginkan kita bisa memakai kurva perbaikan yang didefinisikan secara matematis. Kurva ini akan menyebarkan ulang nilai derajat keabuan yang paling sering dipakai sehingga menonjolkan kisaran DN tertentu. Pemakaian kurva untuk menonjolkan bentuk tertentu dan juga pemilihan 3 band dari sebuah citra multispektral untuk dikombinasikan dalam sebuah citra komposit memerlukan pengalaman dan ‘trial and error’, karena setiap aplikasi perlu menekankan bentuk yang berbeda dalam sebuah citra. Sebelum sebuah citra bisa dianalisa, biasanya diperlukan beberapa langkah pemrosesan awal.
Koreksi radiometric adalah salah satu dari langkah awal ini, dimana efek kesalahan sensor dan faktor lingkungan dihilangkan. Biasanya koreksi ini mengubah nilai DN yang terkena efek atmosferik. Data tambahan yang dikumpulkan pada waktu yang bersamaan dengan diambilnya citra bisa dipakai sebagai alat kalibrasi dalam melakukan koreksi radiometric. Selain itu koreksi geometric juga sangat penting dalam langkah awal pemrosesan. Metode ini mengkoreksi kesalahan yang disebabkan oleh geometri dari kelengkungan permukaan bumi dan pergerakan satelit.
Koreksi geometric adalah proses dimana titik-titik pada citra diletakkan pada titik-titik yang sama pada peta atau citra lain yang sudah dikoreksi. Tujuan dari koreksi geometri adalah untuk meletakkan elemen citra pada posisi planimetric (x dan y) yang seharusnya.
Satu langkah pemrosesan penting yang paling sering dilakukan pada pengolahan citra adalah klasifikasi, dimana sekumpulan pixel dikelompokkan menjadi kelas-kelas berdasarkan karakteristik tertentu dari masing-masing kelas. Terutama untuk proses klasifikasi, survei lapangan sangat diperlukan. Pada umumnya hasil klasifikasi inilah yang akan menjadi input yang sangat berharga bagi SIG untuk diolah dan diinterpretasi bersama layer-layer data yang lain.
Semoga informasi yang sangat singkat ini bisa memberikan manfaat. Terima kasih.
Langganan:
Postingan (Atom)