Mathematician earth watcher

I hope this blog is useful or maybe it can help other people. If you think this blog was not good, please send me email to ogumelar@gmail.com or ogumelar@yahoo.com

link2 dari google

Klik di sini untuk refresh halaman

Refresh

Thursday, August 28, 2008

vencar

venom versus carnage sketched

Posted by ogre at 3:09 PM

No comments:

indodax

kotak_goo

Masukkan istilah pencarian Anda

Kirim formulir pencarian

goog231110

This blog was created by ogi gumelar

website submission

tes

iklan gw bo

how do you think about my blog

Recommended site

about me

ogre

View my complete profile

my daughter

sekar

Blog content

This blog contain of earth science, mathematic, computer, internet, and other material that will be interested for several people.
All advice or developing thought can send to my email ogumelar@yahoo.com

Blog archive

► 2020 (1)
- ► 02/09 - 02/16 (1)

► 2019 (1)
- ► 03/03 - 03/10 (1)

► 2018 (2)
- ► 04/08 - 04/15 (1)
- ► 02/04 - 02/11 (1)

► 2015 (2)
- ► 09/06 - 09/13 (2)

► 2013 (9)
- ► 07/28 - 08/04 (1)
- ► 07/21 - 07/28 (1)
- ► 07/07 - 07/14 (4)
- ► 06/23 - 06/30 (1)
- ► 06/16 - 06/23 (2)

► 2012 (1)
- ► 10/14 - 10/21 (1)

► 2011 (3)
- ► 09/25 - 10/02 (1)
- ► 08/21 - 08/28 (1)
- ► 04/10 - 04/17 (1)

► 2010 (5)
- ► 11/21 - 11/28 (5)

► 2009 (9)
- ► 10/11 - 10/18 (1)
- ► 10/04 - 10/11 (4)
- ► 08/02 - 08/09 (1)
- ► 06/07 - 06/14 (1)
- ► 05/31 - 06/07 (1)
- ► 01/11 - 01/18 (1)

▼ 2008 (17)
- ▼ 08/24 - 08/31 (4)
  - vencar
  - street fighter
  - heads
  - my pics
- ► 06/08 - 06/15 (1)
- ► 04/13 - 04/20 (1)
- ► 04/06 - 04/13 (4)
- ► 03/30 - 04/06 (2)
- ► 03/23 - 03/30 (5)

2ndwave

Digital Image Processing

FINAL REPORT IMAGE FUSION AND COMBINED in Remote Sensing
ABSTRAK______________________________________________________________
Dalam laporan ini akan dibahas tiga buah paper yang berisi tentang tema-tema dalam remote sensing (penginderaan jauh), secara khusus tema-tema yang dibahas lebih berpusat pada penggabungan dua atau lebih citra dengan tujuan mendapatkan citra gabungan dengan kualitas yang lebih baik. Pada paper yang pertama akan dibahas sebuah konsep dan beberapa definisi yang sesuai dengan fusi data. Sebuah definisi baru telah diajukan oleh group peneliti dari Eropa, serta beberapa definisi dan referensi yang berkaitan fusi data diberikan dalam paper ini.

Pada paper kedua akan dibahas mengenai metode fusi data standar yang tidak cukup baik dalam menggabungkan (merge) citra pankromatik resolusi tinggi dengan citra multispektral resolusi rendah karena dengan metode standar ini dapat menghasilkan sebuah distorsi karakteristik spektral dari data multispektral. Maka kemudian yang diuraikan dalam paper ini adalah teknik atau metode baru yang dikembangkan berdasarkan dekomposisi multiresolusi wavelet, teknik baru ini bertujuan untuk menggabungkan beberapa citra. Metode atau teknik tersebut dilakukan dengan cara menambahkan koefisien wavelet dari citra dengan resolusi tinggi kepada data multispektral dengan resolusi rendah. Juga dijelaskan mengenai metode yang merupakan pengembanga dari penggabung standar IHS atau LHS yang menghasilkan hasil gabungan terbaik dari penambahan koefisien dengan order yang lebih tinggi atas transformasi wavelet dari citra pankromatik kepada komponen intensitas (dengan definisi ). Pada paper ini menjelaskan juga mengenai medtode yang menggunakan algoritma a trous yang memperbolehkan penggunaan wavelet dyadic untuk menggabungkan data non dyadic dengan skema yang lebih sederhana dan lebih efisien. Penggunaan metode dalam menggabungkan citra SPOT dengan citra LANDSAT ™ ternyata lebih baik daripada metode penggabungan IHS dan LHS dalam menampilkan kedua informasi spektral dan spasial.
Kemudian terakhir untuk paper ketiga membahas tentang pengembangan sebuah metode korelasi dari band yang ada , dimana metode tersebut digambarkan untuk menggabungkan citra dengan resolusi spasial tinggi dengan data dari band sengan resolusi spasial yang lebih rendah. Juga dibahas mengenai sebuah figure merit yang mewakili suatu kuantitas pengembangan dari replika piksel atas citra resolusi yang lebih rendah. Contoh dalam paper ini menggunakan data AVIRIS untuk mensimulasikan masa depan dari Landsat Thematic Mapper.

Bab I. Pendahuluan__________________________________________________

Konsep pengertian dari fusi data memang mudah dipahami tetapi pengertian eksak bervariasi dari satu peneliti ke peniliti lainnya. Beberapa kata yang muncul seperti merging, kombinasi, sinergi, integrasi dan lainnya, dari semua kata tersebut memiliki kurang lebih konsep yang sama tetapi dapat juga dirasakan perbedaannya. Beberapa kali sering ditemukan dalam publikasi bahwa kata "fusion" sering digunakan sedangkan maksudnya adalah lebih ke arah "klasifikasi". Oleh karena alasan itulah diperlukan adanya pemahaman mengenai referensi dalam komunitas penginderaan jauh dan karena alasan itu pula diambil paper pertama karya Lucien Wald ini mengenai konsep-konsep dasar dari fusi data. Isi dari paper pertama ini lebih menjelaskan usaha sebuah kelompok orang Eropa yang menamakan diri mereka sebagai "European Association of Remote Sensing Laboratories (EARSeL) dan French Society for Electricity and Electronics (SEE, afiliasi Perancis dari IEEE) dalam mencoba menciptakan sebuah leksikal atau pemahaman referensi yang mana akan dibahas dari ketiga paper yang ada. Tidak seharusnya komunitas penginderaan jarak jauh menciptakan sebuah konsep baru yang digunakan di bidang lainnya dengan arti yang berbeda. Oleh karena itu akan diusahakan sedapat mungkin bahwa sebuah definisi diadopsi dari komunitas peneliti yang lebih luas khususnya yang berkaitan dengan informasi. Contohnya seperti citra, fitur, simbol dan lain sebagainya. Beberapa leksikal sudah ditetapkan dalam framework atau rangkaian domain pertahanan ( misalnya Departemen Pertahan Amerika Serikat; DSTO). Ditemukannya suatu kesulitan dalam menerjemahkan konsep-konsep militer dalam arti kata yang bermakna untuk komunitas peneliti dimana berkaitan dengan observasi bumi. Maka dapat disimpulkan menggunakan konsep yang sudah ada tidak dapat langsung dipakai tetapi harus dibatasi berdasarkan kebutuhan konsep dari komunitas peneliti. Bagaimanapun juga harus dicari keuntungan dari konsep dan pengertian yang sudah ada sebanyak mungkin dan diharapkan dapat mengadopsi dari konsep-konsep yang sudah ada.

Paper kedua karya Jorge N´u˜nez, Xavier Otazu, Octavi Fors, Albert Prades, Vicen¸c Pal`a, dan Rom´an Arbiol yang diambil lebih membahas mengenai beberapa kondisi untuk citra tunggal yang secara simultan membutuhkan resolusi spasial dan spektral yang tinggi. Kebutuhan ini sangatlah penting dalam penginderaan jarak jauh. Contohnya satelit SPOT PAN memberikan data resolusi tinggi (piksel 10m) atau data pankromatik, sedangkan satelit data LANDSAT (TM) memberikan resolusi rendah (piksel 30m) citra multispektral. Sejumlah metode telah diajukan untuk menggabungkan data pankromatik dan multispektral. Akan tetapi prosedur yang banyak digunakan adalah transformasi Intensity-Hue-Saturation yang berbasis metode penggabung IHS dan LHS. Bagaimanapun juga metode IHS dan LHS menghasilkan degradasi spektral, yang mana hal ini sangatlah krusial dalam penginderaan jarak jauh jika citra-citra yang akan digabungkan tidak diambila pada waktu yang bersamaan. Dalam beberapa tahun terakhir analisis multiresolusi telah menjadi metode yang menjanjikan untuk menganalisa citra dalam penginderaan jarak jauh.
Pendekatan wavelet menampilkan karakteristik spektral yang lebih baik daripada metode standar IHS atau LHS. Penggabungan citra berbasis wavelet dapat dilakukan dengan dua cara : 1) dengan merubah beberapa koefisien wavelet dari citra multispektral dengan koefisien yang berhubungan dari citra resolusi tinggi dan 2) dengan menambahkan koefisien resolusi tinggi kepada data multispektral. Dalam paper kedua ini dibahas mengenai teknik penggabungan transformasi wavelet citra dengan atensi khusu ke merger aditif. Kemudian untuk menguraikan data menjadi koefisien wavelet maka digunakan algoritma transformasi a trous yang mana metode ini digunakan dalam menggabungkan citra SPOT dengan citra LANDSAT ™.

Pada paper ketiga karya John C. Price ini membahas mengenai satelit Satellite Power l’Observaton de la Terre (SPOT) telah memberikan data band spektral resolusi 10m atau "band pan" dan tiga band 20m dalam band yang visible dan band yang near infrared dari tahun 1985. Data-data ini dapat dikombinasikan untuk menghasilkan citra yang menyerupai dengan fotografi aerial warna. Terdapat beberapa algoritma yang dapat mempertajam citra resolusi rendah dengan kombinasi dari data resolusi tinggi dan data resolusi rendah. Prosedur yang biasa digunakan adalah transformasi IHS seperti yang telah dijelaskan dalam paper kedua. Prosedur semacam ini wajib dilakukan dalam langkah dasar penajaman suatu citra, maka dapat dikembangkan suatu metode yang berdasarkan pada citra berbasis dari hubungan radiansi statistik antara band resolusi tinggi dengan band resolusi rendah. Metode ini membutuhkan nilai radiometrik yang sama dari resolusi tinggi dengan nilai radiometrik dari resolusi yang lebih rendah dari data aslinya sehingga penajaman citra dapat terlihat hanya pada resolusi spasial yang tertinggi. Kebenaran dari prosedur ini telah diuji dengan mereratakan kedua data yaitu data resolusi tinggi dan data resolusi rendah ke suatu resolusi yang lebih kasar, kemudian dengan menggunakan prosedur dan memperoleh statistik error dengan perbandingan dari data yang diketahui. Sehingga akurasi untuk data 10/20m dapat dievaluasi dengan mereratakan kedua datanya untuk menghasilkan data 20/40m. Metode kemudian diaplikasikan kepada kumpulan 20/20m untuk menghasilkan data 20m yang telah dibandingkan dengan data multispektral asli 20m. Pada paper ketiga ini mengikuti pendekatan yang sama kecuali untuk proses statistik yang dikembangkan secara lokal, yaitu, untuk array 3x3 berpusat pada setiap gambar resolusi rendah yang telah dianalisa. Hal ini menguatkan hubungan antara data resolusi rendah dengan data resolusi tinggi. Formalism lokal juga dikembangkan dan diilustrasikan dalam paper ketiga ini.

Bab II. SOME TERMS OF REFERENCE IN DATA FUSION_________________________
II.1. A DEFINITION OF DATA FUSION
n Pohl and Van Genderen menyatakan “image fusion adalah kombinasi dari dua atau lebih citra yang berbeda untuk membentuk citra baru dengan menggunakan beberapa algoritma" (dimana definisi ini terbatas hanya pada seputar citra saja)
n Mangolini mendefinisikan fusi data sebagai "kumpulan dari metoda-metoda, alat-alat yang menggunakan data yang berasal dari beragam sumber dari asal yang berbeda, dalam rangka meningkatkan kualitas dari informasi yang dibutuhkan" (definisi ini terbatas hanya pada alat dan metoda saja)
n Hall and Llinas mengacu pada definisi “Teknik fusi data mengkombinasikan data dari berbagai sensor dan informasi yang berkaitan dengan basis data, untuk memperoleh ketepatan yang lebih dan inferensi yang lebih spesifik yang bisa didapatkan dari sensor tunggal" (masih terbatas sekitar metoda dan hanya basis sensor)
n The U.S. Department of Defense menyatakan bahwa “fusi data adalah multilevel, proses yang multifaceted yang berkaitan dengan deteksi automatis, asosiasi, korelasi, estimasi dan kombinasi dari data dan informasi berbagai sumber" (definisi ini terbatas pada tipe informasi yang dapat dikombinasikan atau diproses secara multilevel)
n Li et al. menulis “Fusion mengarah kepada kombinasi dari kelompok sensor dengan tujuan menghasilkan sinyal tunggal dengan kualitas dan realibitas yang lebih" (definisi ini terbatas pada sensor dan sinyal)

Dapat disimpulkan bahwa kebanyakan dari definisi-definisi di atas terlalu berpusat kepada metode daripada fokus ke qualitas. Untuk semua definisi diatas tidak ada yang menjelaskan tentang konsep dalam definisi-definisi ini, sedangkan kebutuhan akan konseptual framework sangat jelas diperlukan oleh ilmuwan serta praktisi. Sebuah definisi seharusnya tidak hanya terbatas pada data output dari sensor. Definisi tersebut juga jangan terbatas pada level semantik dari informasi saja. Juga definisi tersebut tidak terbatas pada metoda dan teknik atau arsitektural sistem tersebut, oleh karena tujuannya adalah membuat suatu konseptual framework dari fusi data.

Berdasarkan Buchroithner dan Wald , definisi berikut diadopsi pada January 1998:"Fusi Data adalah framework formal yang dapat diekspresikan sebagai alat untuk menyekutukan/menyatukan data yang berasal dari berbagai sumber berbeda. Ini bertujuan untuk memperoleh informasi dengan kualitas yang lebih; definisi lebih disini akan tergantung pada applikasinya.

II.2 OTHER DEFINITIONS
Definisi dari merging dan kombinasi memiliki arti yang lebih luas daripada fusion dan kombinasi memiliki arti yang lebih luas dari merging. Kedua definisi diatas lebih sederhana secara umum karena akan lebih sering digunakan untuk menggambarkan proses dan metoda secara umum tanpa harus lebih detil. Integrasi dapat berperan sama dari implisitasnya yang lebih mengarah kepada concatenation (misal: meningkatkan kondisi vektor) daripada ekstraksi informasi yang berkaitan. Data asimilasi atau kontrol optimal, data asimilasi berkaitan dengan inklusi dari data terukur menjadi model numerik untuk memprediksi atau menganalisa kondisi sistem.
Measurements adalah output primer dari sensor. Ini juga disebut sebagai sinyal atau citra dalam kasus 2d. Elemen pendukung dari measurement adalah piksel jika dalam kasus sebuah citra dan biasanya disebut sample dalam kasus umum, measurement mewakili informasi mentah. Contohnya laporan verbal adalah bagian dari informasi mentah dan dapat dianggap sebagai sebuah sinyal. Dalam remote sensing (penginderaan jauh), measurement adalah nomor digital yang dapat dikonversikan menjadi radiance sekali operasi kalibrasi dilakukan. Sebuah obyek didefinisikan dari sifatnya , misalnya dari warnanya, dari materialnya, dari bentuknya, dari persekitarannya atau lainnya. Obyek dapat berupa lapangan, bangunan, ujung sebuah jalan, awan, lautan dan lainnya. Contohnya jika klasifikasi sudah dirubah menjadi suatu citra multispektral maka piksel yang berada dalam kelas yang sama dapat diagregat secara spasial. Hasil ini dipetakan menjadi obyek yang memiliki pembesaran beberapa piksel. Secara umum maka piksel dapat dianggap sebagai sebuah obyek. Sebuah atribut adalah sebuah sifat dari suatu obyek.
Feature ekuivalen dengan atribut. Contohnya klasifikasi dari citra multispektral mengalokasikan sebuah kelas ke masing-masing piksel; kelas ini adalah atribut dari suatu piksel. Definisi yang ekuivalen seperti label, kategori atau taxon juga digunakan dalam klasifikasi. Contoh yang biasa dikenal adalah konteks spasial dari sebuah piksel, dihitung dengan varian lokal atau fungsi struktur atau sebarang operator spasial. Operasi ini dapat dikembangkan menjadi konteks waktu dalam kasus pengukuran deret waktu. Definisi yang ekuivalen adalah variabilitas lokal, fluktuasi lokal, tekstur ruang, tekstur waktu atau sebuah pola. Secara umum sebarang informasi yang diekstrak dari sebuah citra ( atau sinyal mono dimensi ) adalah sebuah atribut untuk piksel atau obyek. Agregasi dari suatu ukuran dibuat untuk masing-masing elemen dari sebuah obyek, misalnya seperti nilai rerata yang merupakan sebuah atribut.
Beberapa pengarang menyebut atribut matematika karena atribut tersebut diturunkan dari operasi statistik pada suatu pengukuran. Sifat dari sebuah obyek mengkonstitusikan suatu state vector dari obyek ini. State vector ini menggambarkan sebuah obyek, mungkin lebih secara unik. State vector juga disebut sebagai feature vector atau atribut vector.
Suatu sifat umum dari sebuah elemen state vector adalah dari kesemuanya menggambarkan obyek yang sama. Jika obyek dari suatu piksel ( atau sample), state vector mungkin terdiri dari ukuran seperti atribut yang diekstrak dari proses pengukuran. Peraturan, seperti peraturan sintaks dalam bahasa, didefinisikan hubungan antara obyek dengan state vector mereka dan antara atribut-atribut yang state vectornya sama.
Peraturan tersebut dapat berupa persamaan, atau operasi matematika, atau metode ( yang mana sesuai dengan operasi dari peraturan dasar). Peraturan tersebut dapat dinyatakan dalam bahasa yang telah berelaborasi. Contoh yang telah diketahui dari aturan tersebut biasa digunakan dalam kecerdasan buatan dan sistem pakar. Hasil putusan (decision) berasal dari penggunaan aturan pada kumpulan aturan, kumpulan obyek dan kumpulan state vector.
Biasanya fusi dari hasil pengukuran menjadi suatu atribut dan fusi atribut menjadi putusan. Ambil misalnya untuk kasus konsep ARSIS yangmana konsep ini meningkatkan resolusi spasial dari citra multispektral yang diberikan ke citra lain yang resolusinya lebih baik dan tidak diperlukan band spektral yang sama. Proses ini bertujuan untuk mensimulasikan apa yang telah diuji dengan sensor multispektral yang memiliki resolusi yang lebih baik. Proses ini juga mensimulasikan pengukuran melalui proses fusi dan model-model inference.
Bagaimanapun juga hasilnya bukanlah suatu ukuran tapi lebih ke atribut yang disimulasikan. Oleh karena mereka diperoleh pada masing-masing piksel dan karena kalibrasi yang diambil ke suatu akun selama proses berjalan maka atribut-atribut ini serupa dengan pengukuran aslinya.
II.3 TOPOLOGICAL AND PROCESSING ISSUES

Isu yang berkaitan di dalam suatu desain sistem fusi yang terintegrasi dapat dipisahkan menjadi dua bagian yaitu isu topologis dan isu proses. Menurut Thomopoulos "Kedua isu dapat dipisahkan dari masing-masing bagiannya dengan tujuan memberi fasilitas untuk pengembangan sistematik metodologi dari analisis dan sintesis sebuah sistem fusi.
1. Isu topologis lebih menekankan kepada maslah distribusi spasial dari suatu sensor, komunikasi jaringan antara sensor dan tempat dari proses dan pengambilan keputusan, bandwidth dan arsiktektur global.
2. Isu proses lebih menekankan kepada suatu pertanyaan bagaimana memfusikan data, misalnya, memilih ukuran yang sesuai, menentukan relevansi dari data menjadi tujuan obyektif, memilih metode fusi dan arsitektur dimana data-data tersedia, dan menurut spesifikasi yang diisukan oleh proyek yang bersangkutan.

Bab III. MULTIRESOLUTION BASED IMAGE FUSION WITH ADITIVE WAVELET DECOMPOSITION _______________________________________________________________________
III.1. STANDARD MERGING METHODS

Metode ini berdasarkan pada transformasi saluran multispektral RGB menjadi komponen IHS. Intensitas menunjukkan total kecemerlangan pada warna, hue menunjukkan panjang gelombang rerata atau dominan yang ada pada warna tersebut, dan saturasi menunjukkan kemurnian suatu warna yang menuju keabuan. Di dalam metode standar ini terdapat langkah-langkah yang biasanya dilakukan yaitu:
1) Sesuaikan atau registrasi citra dengan ukuran citra multispektral resolusi rendah dibuat sama dengan ukuran citra pankromatik resolusi tinggi agar dapat di sumperimposisi. Biasanya citra dibuat dengan ukuran 0,25 (1/4) piksel rms (root mean square) dengan menggunakan data LANDSAT di titik kendali dan polinomial bicubic.
2) Transformasikan saluran RGB pada citra multispektral menjadi komponen-komponen IHS.
3) Modifikasi citra pankromatik resolusi tinggi menjadi agar dapat disesuaikan perbedaan spektral dengan citra multispektral , misal perbedaan atmosfer dan kondisi iluminasi. Langkah ketiga ini biasa dilakukan dengan penyesuai histogram konvensional antara citra pankromatik dengan komponen intensitas dari representasi IHS.Secara spesifik setelah menghitung histogram dari kedua citra yaitu citra pankromatik dan komponen intensitas dari citra multispektral, histogram dari intensitas citra multispektral digunakan sebagai referensi yang akan disesuaikan dengan histogram dari citra pankromatik.
4) Rubahlah komponen intensitas dengan citra pankromatik dan lakukan transformasi inverse untuk memperoleh citra RGB gabungan dengan informasi pankromatik gabungan.
Dalam paper ini akan diasumsikan bahwa semua nilai RGB berkisar antara 0...255. Hasil dari metode gabungan standar akan tergantung pada sistem IHS yang digunakan. Banyak dari algoritma transformasi IHS yang telah dikembangkan untuk mengkonversikan nilai RGB. Walaupun kompleksitas dari model ini bervariasi tetapi kompleksitas tersebut menghasilkan nilai hue dan saturasi yang serupa. Bagaimanapun juga algoritma yang digunakan selalu berbeda dalam tiap metode yang digunakan untuk menghitung komponen intensitas sebuah transformasi. Definisi yang paling sering digunakan adalah:
Hal ini biasa disebut dengan sistem yang berdasarkan pada definisi sistem warna IHS, ILS dan L'HS. Sistem pertama (berdasarkan pada I) dikenal sebagai Smith's Hexcone, jika diabaikan 2 komponen dari komponen yang menghitung intensitas dan menghasilkan intensitas yang sama untuk warna murni (255,0,0) dan piksel putih untuk (255,255,255). Sedangkan untuk sistem yang kedua (berdasarkan pada L) dikenal sebagai Smith's triangle, yang akan menghasilkan intensitas dari 255 untuk piksel putih tapi 85 untuk warna murni. Kemudian untuk sistem yang ketiga (berdasarkan pada L') yang menghasilkan warna 255 untuk putih dan 125 untuk warna murni. Lebih lanjut lagi algoritma transformasi berdasarkan definisi ketiga (L') menunjukkan suatu keanehan dalam beberapa kasus. Contohnya jika kita mempunyai nilai RGB (100,150,200) kemudian transformasikan nilai RGB tersebut ke L'HS, tambahkan 10 digit ( melebihi batas maksimum 255) kepada komponen L' kemudian kembalikan transformasinya, maka nilai hasil RGB nya adalah (115,160,205) warna dengan nilai R yang rendah maka memiliki tingkatan terbesar, sementara itu komponen yang memiliki nilai B yang tinggi maka ia memiliki tingkatan terendah.
Kemudian jika kita ingin mentransformasikan nilai RGB yang sama (115,160,205) menjadi sistem LHS kemudian tambahkan 10 digit ke komponen L dan kembalikan transformasinya maka nilai RGB akan menjadi (107,160,213). Dalam kasus ini penambahan 10 digit dalam intensitas didistribusikan secara proporsional ke komponen nilai R, G dan B. Sehingga dalam paper ini akan digunakan definisi untuk komponen intensitas, walaupun akan digunakan definisi I dan L', dalam contoh pertama di bab aplikasi kepada kondisi resolusi penuh untuk membandingkan hasilnya. Metode IHS dan LHS akan digunakan untuk membandingkan hasilnya dengan metode penggabungan standar. Komponen intensitas yang didefinisikan sebagai L juga biasa disebut Lightness.
III.2.WAVELET IMAGE FUSION METHOD

Metode penggabungan wavelet berdasarkan pada suatu fakta bahwa dalam dekomposisi wavelet citra pl (l=0,1...n) adalah versi suksesif dari citra asli dengan skala yang meningkat. Sehingga bidang wavelet pertama dari citra pankromatik resolusi tinggi memiliki informasi spasial yang tidak ada pada citra multispektral. Penggabungan kedua citra berbasis wavelet dapat dilakukan dengan dua cara yaitu:
A. Metode Subtitusi
Dalam metode subtitusi wavelet, beberapa bidang wavelet dari citra multispektral disubtitusikan oleh bidang-bidang yang berkaitan pada citra pankromatik sebagai berikut:
1) Registrasi citra seperti pada langkah metode penggabungan standar, citra multispektral resolusi rendah disesuaikan ukurannya dengan seperti citra pankromatik resolusi tinggi agar dapat di sumperimposisi.
2) Lakukan penyesuaian histogram antara citra pankromatik dengan komponen intensitas dari warna citra seperti sebelumnya. Ambil PAN sebagai citra pankromatik dan R,G dan B sebagai 3 saluran citra multispektral.
3) Dekomposisikan saluran R,G dan B dari citra multipektral menjadi bidang-bidang wavelet n (levell resolusi). Biasanya n = 2 atau 3
4). Dekomposisikan citra pankromatik resolusi tinggi.
5). Rubahlah bidang wavelet pertama dari dekomposisi R,G,B dengan bidang yang ekuivalen dari dekomposisi pankromatik.
6). Lakukan transformasi inverse wavelet

B. Metode Aditif
Kemungkinan lainnya adalah untuk menambah bidang-bidang wavelet dari citra resolusi tinggi dengan citra multispektral. Langkah dari metode aditif adalah sebagai berikut:
1) Menambahkan kepada komponen-komponen RGB. Kemungkinan pertama adalah dengan menambahkan langsung informasi resolusi tinggi kepada saluran R,G dan B.
a) pertama register citra multispektral resolusi rendah dan lakukan penyesuaian histogram dengan citra pankromatik dan komponen intensitas dari warna citra. Ambil PAN sebagai citra pankromatik dan R,G dan B sebagai tiga saluran citra multispektral.
b) kedua, dekomposisikan citra pankromatik resolusi tinggi menjadi bidang-bidang wavelet n ( level resolusi) biasanya n=2 atau 3
c) ketiga, tambahkan bidang-bidang wavelet dekomposisi pankromatik ke saluran citra multispektral R,G dan B
maka metode ini biasa disebut metode AWRGB.

2) Menambahkan kepada komponen intensitas : Kemungkinan lain yang dapat terjadi adalah dengan menyatukan langsung informasi resolusi tinggi kepada komponen intensitas citra multispektral (dimana pendekatan ini adalah pendekatan terbaik yang dilakukan). Langkah yang diambil dalam metode berikut adalah:
1) dan 2) langkah ini sama seperti sebelumnya sehingga
3) Ketiga transformasikan komponen RGB dari citra multispektral menjadi suatu representasi IHS. Ambil L,H dan S sebagai tiga komponen dari citra multispektral.
4) Keempat tambahkan bidang-bidang wavelet dari dekomposisi pankromatik kepada komponen L
5) Kelima, transformasikan nilai-nilai baru kembali ke representasi RGB
Seperti pernyataan diatas kita dapat gunakan I,L dan L' untuk menyatakan komponen intensitas. Tergantung pada definisi intensitas yang digunakan maka dapat dinyatakan metode penggabungan AWI, AWL dan AWL'. Bagaimanapun juga pada bab sebelumnya lebih sering digunakan (metode AWL) untuk menyatakan komponen intensitas. Di dalam metode subtitusi bidang-bidang wavelet yang berkaitan dengan citra multispektral dihilangkan dan disubtitusikan dengan bidang-bidang yang berkaitan dengan citra pankromatik. Bagaimanapun juga dalam metode aditif semua informasi spasial dalam citra multispektral tidak dihilangkan. Sehingga keuntungan utama dari metode aditif adalah informasi detil dari kedua sensor digunakan. Perbedaan utama antara penambahan bidang-bidang wavelet pankromatik kepada saluran R,G,dan B atau kepada intensitas komponen terletak pada kasus pertama yaitu informasi pankromatik ditambahkan dalam jumlah yang sama dari ketiga saluran, warna dari piksel dibiaskan menjadi keabuan, sementara di kasus kedua informasi resolusi tinggi dimodifikasi hanya pada intensitas yang menyediakan informasi multispektral dengan cara yang baik. Sehingga dari sisi teori menambahkan komponen intensitas adalah pilihan yang lebih baik daripada menambahkan kepada saluran R,G dan B. Seperti dalam bab sebelumnya alasan mengapa menggunakan komponen L untuk menyatakan intensitas daripada menggunakan I atau L' dikarenakan I dapat mengabaikan dua nilai RGB dan menggunakan L', kenaikan intensitas (yang diperoleh dengan menambahkan bidang-bidang wavelet) didistribusikan tidak secara proporsional ke dalam nilai RGB (dalam beberapa kasus). Keuntungan menggunakan teknik gabung citra wavelet daripada metode IHS atau LHS adalah:
1) Kualitas spektral dari citra warna ditentukan dari derajat yang lebih tinggi
2) Resolusi dari citra pankromatik ditambahkan ke solusi tanpa menghilangkan resolusi citra multispektral. Sehingga informasi detil dari kedua citra digunakan
3) Bidang-bidang wavelet (kecuali citra residual) memiliki mean bernilai null. Sehingga jumlah total flux dari citra multispektral dapat diketahui.
4) Wavelet aditif pada metode intensitas dapat dianggap sebagai pengembangan metode klasik IHS atau LHS dimana komponen intensitas tidak disubtitusi dengan citra pankromatik, tetapi fitur resolusi tertinggi yang tidak ada pada citra multispektral diperkenalkan dalam citra gabungan dengan menambahkan bidang wavelet pertama dari citra pankromatik kepada komponen intensitas.
Sangat penting untuk diingat bahwa metode AWL memperbolehkan penggunaan wavelet dyadic ("a trous") untuk menggabungkan data non dyadic, contohnya : citra LANDSAT(30m) dengan citra SPOT (10m). Juga menarik untuk diingat bahwa metode fusi citra memiliki keserupaan tetapi juga memiliki perbedaan dengan metode ARSIS. Metode ARSIS berisi tentang transformasi wavelet pada citra resolusi tinggi menggunakan piramida citra yang serupa dengan piramida Laplace, rubah kemudian lakukan pendekatan sinyal pertama dengan memiliki setengah resolusi awal dengan citra dari kumpulan data multispektral dan melakukan transformasi inverse wavelet.
Oleh karena algoritma a trous juga menggunakan dekomposisi dyadic (tapi tanpa skema piramida ), metode AWRGB (bukan AWL yang ditambahkan kepada komponen L) maka akan hampir serupa dengan ARSIS jika datanya dyadic (contoh SPOT XS dan SPOT P) dan hanya satu bidang wavelet yang ditambahkan. Terdapat penambahan nondyadic ARSIS yang menggunakan wavelet tryadic untuk menggabungkan citra SPOT dan LANDSAT tapi diperlukan untuk mendevise wavelet berbeda untuk tiap rasio resolusi. Seperti yang dinyatakan diatas metode fusi citra wavelet disini (AWRGB,AWL) memberikan solusi yang sederhana dan efisien serta selalu menggunakan wavelet dyadic yang sama untuk penggabungan citra sembarang resolusi.
III.3.APPLICATION TO FULL RESOLUTION
Dalam contoh ini akan digabungkan dua citra yaitu citra SPOT dan citra LANDSAT pada resolusi penuh. Seperti yang dinyatakan sebelumnya citra SPOT asli memiliki piksel 10m sedangkan citra LANDSAT memiliki piksel 30m. Citra yang menunjukkan suatu porsi kecil dari tanjung Argentina yang mencakuo daerah urban, pertanian dan sungai. Citra-citra ini diregistrasi dan citra SPOT dikoreksi secara fotometrik untuk menyatakan histogram yang serupa pada komponen L dari citra LANDSAT. Kemudian akan digunakan teknik fusi citra AWL dan kemudian dibandingkan hasil gabungannya dengan hasil gabungan dari metode standar. Gambar 1 menunjukkan citra SPOT asli yang lebih detail. Gambar 2(a) menunjukkan daerah yang sama dari citra LANDSAT. Resolusi spasial dari citra SPOT lebih jelas atau lebih baik daripada citra LANDSAT yang diambil dari ukuran piksel yang berbeda. Sangat mudah dilihat bahwa citra SPOT dan citra LANDSAT diambil dari sudut epoch yang berbeda, secara umum hal ini disebabkan karena kedua citra ini diambil dari dua satelit yang berbeda.
Ingat seperti misalnya aspek-aspek dari ketebalan dari ruas sungai, water ponds ( warna hitam yang melingkar dalam citra SPOT) atau crop fields, yang mana aspek tersebut berbeda di dalam citra SPOT dengan yang ada dalam citra LANDSAT. Juga terdapat beberapa struktur dalam citra SPOT yang tidak dapat ditampilkan oleh citra LANDSAT. Gambar 2(b) menunjukkan hasil fusi dari citra SPOT dan citra LANDSAT dengan metode standar IHS. Peningkatan resolusi pada citra LANDSAT asli adalah buktinya. Kebanyakan resolusi dari citra SPOT telah diinkorporasi menjadi hasilnya. Bagaimanapun juga seperti yang dinyatakan sebelumnya terdapat degradasi spektral dan dependensi intensitas dari warna yang dihasilkan dan korelasi yang kuat antara citra gabungan dengan intensitas pankromatik.
Fakta ini dapat dilihat secara kualitatif dalam warna dari aspek crop fields, aspek dari jalanan didalam perkotaan, aspek dari dalam bawah sungai yangmana aspek-aspek tersebut sama dalam gambar 2(a). Gambar 2(c) menunjukkan hasil dari citra yang sama menggunakan metode LHS. Disini warna-warna dari field dalam citra cocok dengan warna dari gambar 2(a) tetapi ingat, misalnya warna biru dari air sebelah perkotaan (hitam dalam citra LANDSAT) seperti di daerah lain. Ingat juga aspek dari sungai atau jalanan di perkotaan yang mana serupa dengan hasil citra gabungan metode IHS. Gambar 2(d) menunjukkan hasil fusi oleh wavelet aditif pada L dengan metode AWL. Dalam contoh ini tiga bidang wavelet ditambahkan sama seperti dalam metode IHS atau LHS, kebanyakan dari resolusi pada citra SPOT diinkorporasikan kepada citra tergabung.
Bagaimanapun juga dalam kasus ini karakteristik khusus dari citra LANDSAT ditampilkan lebih baik daripada dalam gabungan standar. Ingat tonalitas yang hampir identik dari gambar 2(d) dengan 2(a). Secara khusus air yang berada di sebelah perkotaan berwarna hitam seperti dalam citra LANDSAT, aspek dari sungai memiliki tampilan yang serupa dengan aspek sungai dalam gambar 2(a) dan jalanan dalam perkotaan tampilannya dilinearisasikan lebih baik daripada hasil gabungan dengan metode standar. Dalam contoh ini tidak dimiliki citra asli ( LANDSAT dengan piksel 10m) untuk dibandingkan. Tetapi bagaimanapun juga dapat dikuartifikasikan dalam beberapa cara, sifat dari metode AWL yang dapat dibandingkan dengan metode standar. Maka dapat dilakukan suatu cara yaitu dengan mengkomputasikan korelasi solusi dari IHS, LHS dan AWL yang berdasarkan dari citra SPOT dan citra LANDSAT.
Ingatlah dalam kasus ini sasaran korelasi bukanlah nilai 1 dikarenakan kedua citra tersebut diambil dari sudut epoch yang berbeda serta nilai korelasi yang lebih tinggi bukan berarti lebih baik. Ingat juga bahwa korelasi antara citra-citra yang memiliki resolusi yang berbeda (seperti korelasi antara citra TM dan citra fusi) tidak memiliki perbedaan yang signifikan tetapi dapat digunakan untuk membandingkan sifat dari solusi yang berbeda. Tabel II menunjukkan korelasi antara solusi metode gabungan IHS,LHS dan AWL dengan citra LANDSAT dan citra SPOT asli. Baris pertama dari tabel II menunjukkan korelasi antara saluran R,G dan B dari citra LANDSAT (TM) dan citra SPOT. Baris kedua dan ketiga menunjukkan korelasi antara saluran-saluran R,G dan B dari IHS dan solusi dari LHS dari SPOT. Baris keempat menunjukkan korelasi dari solusi AWL. Ingat bahwa korelasi dari solusi IHS dan LHS lebih tinggi ( khususnya dalam R) daripada korelasi solusi AWL. Bagaimanapun juga ini bukanlah kelemahan dari metode AWL, seperti yang dinyatakan sebelumnya terdapat korelasi yang kuat antara citra gabungan IHS dan LHS dengan citra intensitas pankromatik.
Ini terlalu tinggi untuk korelasi yang menghasilkan solusi yang lebih dekat ke citra SPOT dari yang diinginkan. Bagaimanapun juga korelasi lebih rendah dalam solusi wavelet aditif. Ini adalah fakta positif karena berarti ketergantungan yang lebih rendah dari solusi AWL pada citra SPOT. Baris kelima sampai dengan baris ketujuh dari tabel II menunjukkan korelasi antara solusi dengan metode yang sama dan citra LANDSAT (TM). Ingat bahwa korelasi dari solusi AWL lebih tinggi daripada metode gabungan IHS dan LHS. Ini berarti pernyataan sebelumnya pada bagian kualitatif, solusi wavelet aditif pada L menunjukkan karakteristik spektral dari citra multispektral lebih besar daripada solusi IHS dan LHS. Sehingga dapat disimpulkan solusi wavelet aditif pada L memiliki sifat yang lebih baik dari metode standar.

Bab IV._____________________________ COMBINING MULTISPECTRAL DATA______
IV.1. FORMALISM_______________________________________________________

Ambil Yij sebagai nilai pixel ij untuk data resolusi spasial rendah, dan Xkl sebagai nilai pixel kl untuk data resolusi spasial tinggi dengan m sebagai rasio panjang sisi masing-masing pixel. Setiap pixel resolusi rendah berkorespondensi dengan m2 pixel resolusi tinggi. Huruf besar mengacu pada data resolusi rendah , sedang untuk huruf kecil mengacu pada resolusi tinggi (pixel yang lebih kecil), serta dapat diasumsikan hanya satu band resolusi tinggi yang tersedia. Jika kedua tipe data memiliki keaslian yang umum atau pojok kiri atas, maka k = m.(i-1)+1,l=m.(j-1)+1. Untuk Landsat 7 ™ , band 1-5 dan 7 (0.45–0.52, 0.53–0.61, 0.63–0.69, 0.78–0.90, 1.55–1.75, and 2.09–2.35 m) akan memiliki resolusi spasial 30m sedang data TM pankromatik pada (0.52–0.90 μm), yang disebut band 8 akan memiliki resolusi spasial 15m. Dalam kasus ini untuk band 6 TM thermal (10.4–12.5 μm) pada 60m versus band 1-5,7 dengan rasio =2. Ambil Xij sebagai m dengan m rerata data resolusi tinggi berkorespondensi data resolusi rendah pada lokasi ij.
(1)
Dimana k1 dan l1 adalah pixel awal dan garis awal untuk data resolusi tinggi dengan elemen resolusi rendah yang didefinisikan diatas ketika koordinat awal dari kedua resolusi telah sama. Akan didefinisikan sebuah hubungan antara ykl dengan xkl
(2)
Dimana aij akan ditentukan dari hubungan antara X dan Y untuk sembilan pixel resolusi yang berpusat pada Xij. Akan dibutuhkan suatu radiometri resolusi yang rendah yang tidak berpengaruh oleh karena itu hubungan tersebut dapat ditulis dengan
(3)

Ruas kanan dari persamaan (3) memiliki rerata 0.0 pada m2 pixel resolusi tinggi dari Xij.
Kondisi ini menjamin bahwa rerata ykl pada hasil pixel besar Yij. Setiap nilai dari aij diperoleh dari hubungan statistik antara nilai data resolusi rendah untuk array 3 x 3 berpusat pada piksel resousi rendah. Dengan menggunakan persamaan (3) untuk piksel besar (Xpq,Ypq) dengan cara mengalikan (Xpq-Xij) dan merata2kan pada sembilan piksel berpusat pada ij maka didapatkan
(4)
Jika area 3x3 sangat seragam bagi denominator dari (4) kemungkinan kecil, kadang –kadang termasuk nilai nol. Untuk alasan ini jika denominator kurang dari 9 (deviasi akar rerata kuadrat dari 1), dijadikan 0.0. Jika denominator mendekati nol maka data resolusi rendah seragam secara esensial, dan tidak ada pengembangan yang bisa diharapkan. Pertama diperoleh dari masing-masing piksel besar, kemudian nilai resolusi tinggi dikalkulasikan menggunakan persamaan (3) dan akhirnya pengindexan i,j dilakukan secara bertahap ke seluruh citra. Prosedur/langkah diulang untuk setiap band spektral resolusi rendah. Jika dibutuhkan maka piksel pada perbatasannya dapat dikomputasikan menggunakan array 2x3 untuk menentukan array 2x2 pada ujung citra.

IV.2. APPLICATION TO AVIRIS DATA
Kumpulan penyebaran dari 45 scene AVIRIS telah digambarkan dan diilustrasikan. Instrumen AVIRIS memerlukan data hyperspectral dari sebuah altitude 20 km, memberi 224 band spektral. Pada pendekatan 10 nm resolusi spektral dalam kisaran spektral 0,4-2,5 μm. Instrumen ini tidak memiliki data thermal yaitu data yang berkorespondensi dengan TM band 6 sehingga instrumen ini tidak dapat mensimulasikan resolusi rendah data TM band 6. Masing-masing citra AVIRIS mewakili area luasan 10x12 km dengan 20-m resolusi spasial. Spektral AVIRIS dikonvolusikan dengan fungsi instrumen TM untuk menghasilkan data yang ekuivalen dengan spektral TM untuk band 1-5,7 dan 8 yang kesemuanya ada pada 20-m resolusi spasial. Konvolusi ini mendekati band pan 15-m (0,52-0,90 μm) dan band reflektif 30-m, dimana ketepatan dapat dicari tanpa harus mencari rerata pada resolusi rendah. Jika data pan yang tersedia hanya pada resolusi 20-m dengan band lainnya pada resolusi 40-m maka akurasi dapat dievaluasi dengan menghitung band pan pada resolusi 40-m dan resolusi spasial yang lebih rendah pada 80-m.
Diberikan suatu data AVIRIS dengan kondisi dimana semua ketujuh band tersedia pada resolusi yang tinggi. Tiap-tiap band diuji secara terpisah sebagai suatu surrogate dengan menurunkan data resolusi tinggi untuk band lainnya, dengan faktor rasio m=2. Figure dari merit ƒ didefinisikan dengan memperlakukan replika dari data resolusi rendah sebagai hasil minimal dan memperoleh pengembangan dari penggunaan formula dalam bab sebelumnya. Sehingga error yang terjadi dari proses replika adalah:

__________________________________________________

Sedangkan untuk data analisis
dimana N adalah jumlah dari piksel kecil dalam citra. Sehingga figure dari merit diberikan sebagai berikut:
Sebuah hasil yang didapat adalah data orisinil berati ƒ bernilai 1.0 sedangkan untuk jika tidak ada satupun yang dapat dibandingkan dengan replikanya maka ƒ bernilai 0.0. Dari kesemua 45 scene dianalisis maka didapatkan hasil rata-rata sesuai pada tabel I dengan memperlakukan masing-masing band dari tujuh band sebagai band resolusi tertinggi.
Memang terlihat aneh bahwa band resolusi tinggi individual sebagai prediktor tidak dapat menghasilkan ulang secara sama dengan data orisinil dalam band yang sama ( elemen diagonal dari matrix 7x7 dalam tabel I). Ini terjadi karena pembulatan (dengan menghilangkan) concomitant eror denga mereratakan data resolusi tinggi menjadi resolusi rendah, dimana akurasi dari 8 bit dimaintain. Dalam kasus ini akan mengurangi masing2 figur dari merit sekitar 0.01. Jika dapat diterima nilai rerata dari f band spektral averaged atas non identik (off diagonal elemen dari tabel I) sebagai parameter kualitas untuk pemilihan channel spektral resolusi tinggi, maka channel terbaik adalah channel 3 dengan urutan berikutnya adalah channel 2. Hasil ini dapat dijelaskan atas dasar matrix korelasi beberapa variasi band (tabel II) untuk perwakilan sken Landsat [7].

Gambar 1(a)-(c) prosedur formal mengkonversikan data 40m (a) yang blocky secara baik menjadi sebuah representasi yang baik dari data 20m (b) seperti yang ditunjukkan dalam (c). Sebuah pemandangan dermaga Huachuca dengan TM band 4=merah, 5=hijau, 6=biru.

Gambar 2(a)-(c) Data 40m diperlihatkan dalam (a), data 20m dalam (b), dengan artifak pada perbatasan antara tumbuhan dengan tanah kosong dalam data yang sudah di turunkan dalam (c). Pemandangan Indian pines dengan merah=6, hijau = 5, biru=3.

Gambar 3(a)-(c) Seperti yang dibandingkan dengan data 20m dalam (b), dan data turunan 20m dalam (c) tidaklah lebih baik dari data 40m dalam (a). Pemandangan hutan spruce dengan merah=1, hijau=5, biru=2.

Persamaan (2) dipenuhi dengan eror yang kecil ketika dua channel spektral berkorelasi secara tinggi.
Band TM 4 berkorelasi relatif lemah dengan channel lain, dihasilkan dalam figur dari merit yang rendah dalam tabel I. band panchromatic Landsat 7 TM diperluas secara spektral menjadi 0.52–0.90 μm untuk memberikan energi lebih pada detektor dan mengatur level noise pada sinyal yang dapat diterima

Gambar 4(a)-(c) Band-band 3,4 dan 8 ditampilkan, dengan mengilustrasikan kontras antara area yang bersih atau kosong dengan hutan yang ada di dalam band 3 dan 4 dihilangkan di dalam band 8. Area tersebut sama dengan yang ada dalam gambar 3.

Dapat dilihat dari tabel I dan II agar dianjurkan menambah band melalui panjang gelombang yang rendah (kuning) daripada panjang gelombang yang lebih panjang (near infrared). Tabel I tidak menunjukkan apakah prosedur dapat mengubah ulang eror secara spasial atau menghasilkan tanda perbaikan dalam citra. Pertanyaan ini membutuhkan inpeksi pada sebuah imagery.

IV.3. EXAMINATION OF IMAGERY________________________________

Perbandingan dari citra-citra diturunkan dengan prosedur diatas menggunakan data orisinil berlaku secara keseluruhan dari 45 citra. Dari kebanyakan kegunaan dari band resolusi spasial tinggi bersamaan dengan data resolusi rendah adalah alat yang efisien dan ekonomis dalam memperoleh resolusi spasial data multispektral. Penentuan secara visual sangat bagus digunakan untuk membedakan antara data orisinil dengan data hasil dari penggunaan band resolusi tinggi tunggal untuk menajamkan atau memperbaiki data resolusi rendah. Salah satu aspek positif adalah terlihat secara khusus. Pada pembesaran dan perbaikan kontras yang cukup, citra resolusi rendah memiliki pola grid atau selisih blok yang lebih besar bahkan di daerah seragam. Efek ini dikurangi besar-besaran ketika prosedur dalam section II digunakan, jadi pola grid atau blok ini tiduk muncul sampai dengan citra diperbesar sehingga piksel resolusi tinggi dapat terlihat dengan mata.
Penajaman ini terlihat walaupun pada saat band-band tidak berkorelasi statistik seperti yang akan dijelaskan nanti. Kondisi ini dikarenakan masing-masing piksel resolusi rendah direpresentasikan sebagai enam piksel secara umum dengan masing-masing pesekitaran dalam transformasi variabel (4). Ini menjamin beberapa ukuran dari kontinuitas piksel ke piksel. Pengembangan dalam kualitas citra lebih sulit digambarkan karena pengembangan ini muncul hanya pada resolusi tinggi dengan perbaikan kontras lokal. Ini disebabkan hasil rerata resolusi tinggi dibuat ukurannya sama dengan data resolusi yang lebih rendah secara paksa. Figure 1 mengilustrasikan penajaman pada data resolusi rendah, Fig. 1(c) ketika data TM band 8 digunakan bersamaan dengan band 4,5 dan 6. Band-band ini memberikan figur dari merit yang paling rendah untuk scene ini. Walaupun pada penajaman kontras yang tinggi, data orisinil 20m [Fig. 1(b)] dan data hasil pemrosesan [Fig. 1(c)] terlihat hampir identik. Perbedaan citra-citra yang dapat terlihat secara jelas dengan mata telanjang dapat membantu pencarian kesalahan dari citra yang di combined(derived).

Seseorang mungkin dapat memprediksi, suatu hasil yang tidak begitu sesuai pada area dengan kontras tinggi, perbatasan antara tipe permukaan yang berbeda. Dengan eksaminasi citra-citra perbaikan yang berbeda maka dapat dimungkinkan untuk mencari area yang tidak baik digambarkan, seperti yang terlihat dari tabel I. Untuk pembahasan ini contoh yang terburuk telah dipilih dari 45 citra. Tiga band dengan figure dari merit yang rendah telah dipilih untuk memperlihatkan hasilnya, dengan band TM 8 diperlakukan sebagai band resolusi tinggi.

Fig. 2 mengilustrasikan bahwa artifak2 mungkin muncul pada batas antara daerah vegetasi dengan tanah kosong. Blokiness (blok2) dari data 40m terlihat di Fig.2(a) sedangkan Fig.2(b) menunjukkan perkembangan(perbaikan) pada resolusi 20m. Fig.2(c) adalah hasil penurunan pada resolusi 20m. Tampak terlihat bahwa dai Fig.2(b) terjadi perbaikan resolusi, tetapi jika dilihat secara lebih dekat akan terlihat batas antara vegetasi dan tanah sangat berlebihan.
Koreksi yang over menambahkan kisaran dari sebuah data, jadi hasil stretch kontras akan terlihat kurang kontras jika dibandingkan dengan Fig.2(a) dan (b). Ketidaksesuaian ini lebih jelas pada Figure 3. Seperti yang dibandingkan dengan data resolusi tinggi [Fig.3(b)] data yang diperbaiki dalam Fig.3(c) identik secara virtual dengan data 40m dalam Fig.3(a). Penjelasannya untuk kondisi ini diilustrasikan dalam Fig.4 yang mana menunjukkan TM band 3,4 dan 8 diperbaiki secara terpisah. Band 3 [lihat Fig.4(a)] menunjukkan kejelasan di tengah kegelapan (yang dapat terlihat ) daerah hutan. Band 4 (near infrared) [lihat Fig.4(b)] menunjukkan bahwa hutan relatif bright daripada area kosong. Bagaimanapun juga band 8, mewakili rerata berat dari band 3 dan 4, menunjukan tidak adanya kontras antara hutan dengan area kosong. Sehingga , untuk citra ini, data band 8 resolusi tinggi tidak memberi informasi tambahan, dan Fig.3(a), resolusi rendah, dan Fig.3(c), dianalisa, secara subtansial serupa. Sama halnya dalam Fig.2 bahwa data band 8 menunjukkan kontras yang minimum antara area vegatasi dengan tanah kosong, sehingga denominator dalam (4) bernilai kecil, tapi tidak nol.
Hasil ini dalam kontras yang exaggerated pada batasan antara vegetasi dengan tanah dalam Fig.3(c). Ini dapat dikurangi atau dihilangkan dengan mengedit(mengubah) nilai batas untuk denominator yang nol. Contoh akhir dapat dideskripsikan tanpa ilustrasi. Dalam referensi [6] sken Lassen/Shasta diselubungi oleh awan tebal. Oleh karena variasi yang reflektif dengan panjang gelombang, TM band 1 dan 2 terlihat diselubungi oleh awan secara keseluruhan (permukaannya tak terlihat). Prosedur dalam paper ini membuat band 8 sebagai data resolusi tinggi, yang secara mudah menghilangka pola grid yang muncul dari pembesaran band 1. Struktur permukaan Band 8 tidak terlihat dalam perhitungan data channel 1. Secara kontras transformasi IHS akan menggantikan intensitas, yang mana didominasikan oleh reflektan awan besar, dengan pola permukaan dari band 8. Sehingga data channel 1 akan resemble permukaan , baik itu dibutuhkan atau tidak adalah pertanyaan untuk analis citra.

Penutup dan KESIMPULAN
Definisi baru dari fusi data telah diajukan yang mana sesuai dengan pemahaman penginderaan jarak jauh. Fusi data seharusnya terlihat seperti sebuah rangkaian tahapan dan bukanlah sebagai kumpulan alat. Beberapa konsep lainnya juga diajukan yangmana banyak digunakan dalam komunitas peneliti secara khusus yang berkaitan dengan informasi. Penciptaan sebuah leksikal dan konsep memperbolehkan komunitas peneliti menyatakan ide mereka dalam menggunakan kata yang sama. Terlebih lagi kondisi ini harus berkesinambungan antara konsep fusi data dengan rangkaian tahap formal yang bersangkutan, sehingga rangkaian tersebut wajib dilakukan dalam memahami dasar dan sifat dari fusi data. Rangkaian ini membuat deskripsi dan normalisasi yang lebih baik dari potensial sinergi antara data penginderaan jarak jauh serta eksploitasi yang lebih baik dari data-data ini. Pada akhirnya pengenalan konsep dari fusi data dalam penginderaan jarak jauh seharusnya meningkatkan kepedulian para kolega pada keseluruhan rantai yang berkisar dari sensor sampai menjadi putusan, termasuk manajemen, assesmen dan pengendalian dari kualitas informasi.
Metode aditif penggabungan citra berbasis wavelet lebih baik daripada teknik standar berbasis komponen subtitusi. Metode-metode ini mengkombinasikan citra pankromatik resolusi tinggi dengan citra multispektral resolusi rendah dengan cara menambahkan beberapa bidang wavelet dari citra pankromatik menjadi komponen intensitas atas citra resolusi rendah. Penggunaan algoritma a trous memperbolehkan penggunaan wavelet dyadic untuk menggabungkan data nondyadic seperti citra LANDSAT (30 m) dan citra SPOT (10 m) dalam skema sederhana dan efisien. Antara metode-metode berbasis wavelet berbeda yang telah dipelajari maka metode wavelet aditif pada komponen L yang didefinisikan sebagai AWL memiliki kinerja yang paling baik. Dengan menggunakan metode ini informasi detail dari kedua citra dimunculkan. Metode tersebut mampu mempertajam kualitas spasial dari citra multispektral sekaligus memunculkan konten spektral yang lebih baik. Metode AWL tidak dapat memodifikasi total flux dari citra multispektral olehkarena nilai rerata dari masing-masing bidang wavelet yang ditambahkan bernilai 0. Metode AWL dapat dianggap sebagai pengembangan pada metode klasik IHS atau LHS dimana intensitas tidak disubtitusikan oeh citra pankromatik, akan tetapi citra pankromatik resolusi tinggi diinjeksikan ke dalam citra gabungan dengan beberapa bidang wavelet tambahan dari citra pankromatik kepada komponen intensitas dari citra resolusi rendah.
Sebuah prosedur telah didefinisikan untuk kombinasi data spektral pada resolusi spasial yang bervariasi serta sebuah figur dari merit telah didefinisikan untuk pemilihan saluran optimal dalam masa depan instrumen penginderaan jarak jauh. Jika dilihat dari applikasi yang digunakan dalam mensimulasikan data LANDSAT 7 maka metode dikembangkan secara substansial dalam resolusi spasial yang efektif dari LANDSAT TM, dan ketika band pankromatik digunakan untuk penajaman spasial. Metode tersebut bergantung pada korelasi lokal dan algoritmanya adalah single pass algorithm yang berlawanan ke suatu metode dimana dibutuhkan pengembangan dari histogram citra atau sebuah analisis titik ujung dari citra. Serta prosedur tersebut lebih mengarah kepada korelasi antar band daripada kualitas citra itu sendiri. Pengujian dari contoh yang spesifik memberi gagasan bahwa pemahaman secara fisis adalah komponen esensial dari penggunaan prosedur penajaman citra.

Daftar Pustaka______________________________________________________

[1] U.S. Department of Defence, Data Fusion Subpanel of the Joint Directors of Laboratories, Technical Panel for C3, “Data fusion lexicon,” 1991.
[2] Defence Science and Technology Organization, Data Fusion Special Interest Group, Data fusion lexicon, Dept. Defence, Canberra, Australia, p. 7, Sept. 21, 1994.
[3] C. Pohl and J. L. van Genderen, “Multisensor image fusion in remote sensing: Concepts, methods and applications,” Int. J. Remote Sensing, vol. 19, no. 5, pp. 823–854, 1998. WALD: TERMS OF REFERENCE IN DATA FUSION 1193
[4] M. Mangolini, “Apport de la fusion d’images satellitaires multicapteurs au niveau pixel en t´el´ed´etection et photo-interpr´etation,” Th`ese de doctorat, Univ. Nice–Sophia Antipolis, France, p. 174, 1994.
[5] D. L. Hall and J. Llinas, “An introduction to multisensor data fusion,” Proc. IEEE, vol. 85, pp. 6–23, Jan. 1997.
[6] L. A. Klein, “Sensor and data fusion concepts and applications,” SPIE Opt. Eng., vol. 14, p. 132, 1993.
[7] H. Li, B. S. Manjunath, and S. K. Mitra, “Multisensor image fusion using the wavelet transform,” Comput. Vis., Graph., Image Process.:Graph. Models Image Process., vol. 57, pp. 235–245, 1993.
[8] G. Brandst¨atter and A. Sharov, “Environmental monitoring in the high Arctic using different types of high-resolution satellite imagery,” Int. Arch. Photogramm. Remote Sensing, pt. 7, vol. 32, pp. 201–216, 1998.
[9] B. Csath´o and T. Schenk, “Multisensor data fusion for automatic scene interpretation,” Int. Arch. Photogramm. Remote Sensing, pt. 7, vol. 32, pp. 336–341, 1998.
[10] S. Houzelle and G. Giraudon, “Contribution to multisensor fusion formalization,” Robot. Auton. Syst., vol. 13, pp. 69–85, 1994.
[11] L. Wald, “An overview of concepts in fusion of Earth data,” in Proc. EARSeL Symp. 1997 Future Trends in Remote Sensing, 1998, pp. 385–390.
[12] M. Buchroithner, “Geodata interrelations: Inventory and structuring attempt of taxonomic diversity,” in Proc. 2nd Conf. Fusion of Earth Data: Merging Point Measurements, Raster Maps and Remotely Sensed
Images , 1998, pp. 11–15.
[13] L. Wald, “Data fusion: A conceptual approach for an efficient exploitation of remote sensing images,” in Proc. 2nd Conf. Fusion of Earth Data: Merging Point Measurements, Raster Maps and Remotely Sensed
Images , 1998, pp. 17–23.
[14] A. Bijaoui, Image et segmentation, Introduction au traitement num´erique des images. Paris, France: Masson, 1981, p. 242.
[15] L. N. Kanal and A. Rosenfeld, Progress in Pattern Recognition. Amsterdam, The Netherlands: North-Holland, 1981, p. 391.
[16] T. M. Lillesand and R. W. Kiefer, Remote Sensing and Image Interpretation, 3rd ed. New York: Wiley, 1994, p. 750.
[17] J. T. Tou and R. C. Gonzalez, Pattern Recognition Principles. New York: Addison-Wesley, 1974, p. 377.
[18] T. Ranchin, L. Wald, and M. Mangolini, “The ARSIS method: A general solution for improving spatial resolution of images by the means of sensor fusion,” in Proc. 1st Conf. Fusion of Earth Data: Merging Point Measurements, Raster Maps and Remotely Sensed Images, 1996, pp.
53–58.
[19] T. Ranchin and L. Wald, “Sensor fusion to improve the spatial resolution of images: The ARSIS method,” in Proc. EARSeL Symp. Future Trends in Remote Sensing, 1998, pp. 445–451.
[20] S. C. A. Thomopoulos, “Sensor integration and data fusion,” J. Robot. Syst., vol. 7, pp. 337–372, 1990.
[21] S. C. A. Thomopoulos, “Decision and evidence fusion in sensor integration,” in Advances in Control and Dynamic Systems, C. T. Leondes, Ed. New York: Academic, 1991, pt. 5, vol. 49, pp. 339–412,.
[22] L. F. Pau, “Sensor data fusion,” J. Intell. Robot. Syst., vol. 1, pp.103–116, 1988.

[23] T. Taxt and A. H. Schistad-Solberg, “Data fusion in remote sensing,” in Fifth Workshop on Data Analysis in Astronomy, V. Di Gesu and L. Scarsi, Eds., Erice, Italy, Nov. 1996.
[24] P. S. Chavez, S. C. Sides, and J. A. Anderson, “Comparison of three different methods to merge multi-resolution and multispectral data: Landsat TM and SPOT panchromatic,” Photogramm. Eng. Remote
Sensing, vol. 57, no. 3, pp. 295–303, 1991.
[25] J. C. Tilton, Ed., Multisource Data Integration in Remote Sensing, NASA Conf. Publ., 1991, vol. 3099.
[26] J. W. Carper, T. M. Lillesand, and R. W. Kiefer, “The use of intensityhue-saturation transformations for merging SPOT panchromatic and multispectral image data,” Photogramm. Eng. Remote Sensing, vol. 56,
pp. 459–467, 1990.
[27] V. K. Shettigara, “A Generalized component substitition technique for spatial enhacement of multispectral images using a higher resolution data set,” Photogramm. Eng. Remote Sensing, vol. 58, pp. 561–567, 1992.
[28] M. Datcu, D. Luca, and K. Seidel, “Multiresolution analysis of SAR images,” in Proc. EUSAR’96, Konigswinter, Germany, pp. 375–378,1996.
[29] D. A. Yocky, “Image merging and data fusion by means of the discrete two-dimensional wavelet transform,” J. Opt. Soc. Amer. A, vol. 12, no. 9, pp. 1834–1841, 1995. N´UN˜ EZ et al.: MULTIRESOLUTION-BASED IMAGE FUSION 1211
[30] , “Multiresolution wavelet decomposition image merger of LANDSAT thematic mapper and SPOT panchromatic data,” Photogramm. Eng. Remote Sensing, vol. 62, no. 9, pp. 1067–1074,1996.
[31] B. Garguet-Duport, J. Girel, J. M. Chassery, and G. Pautou, “The use of multiresolution analysis and wavelets transform for merging SPOT panchromatic and multispectral image data,” Photogramm. Eng. Remote Sensing, vol. 62, no. 9, pp. 1057–1066, 1996.
[32] T. Ranchin, L. Wald, and M. Mangolini, “The ARSIS method: A general solution for improving spatial resolution of images by the means of sensor fusion,” in Proc. Int. Conf. Fusion of Earth Data, T. Ranchin and L. Wald, Eds., Cannes, France, 1996, pp. 53–58.
[33] L. Wald, T. Ranchin, and M. Mangolini, “Fusion of satellite images of different spatial resolution: Assessing the quality of resulting images,” Photogramm. Eng. Remote Sensing, vol. 63, no. 6, pp. 691–699, 1997.
[34] J. Zhou, D. L. Civco, and J. A. Silander, “A wavelet transform method to merge Landsat TM and SPOT panchromatic data,” Int. J. Remote Sensing, vol. 19, no. 4, pp. 743–757, 1998.
[35] P. Blanc, T. Blu, T. Ranchin, L. Wald, and R. Aloisi, “Using iterated rational filter banks within the ARSIS concept for producing 10 m LANDSAT multispectral images,” Int. J. Remote Sensing, vol. 19, no.
12, pp. 2331–2343, 1998.
[36] J. N´u˜nez, X. Otazu, O. Fors, and A. Prades, “Simultaneous image fusion and reconstruction using wavelets. Applications to SPOT + LANDSAT images,” Vistas Astron., vol. 41, no. 3 pp. 351–357, 1997.
[37] A. R. Smith, “Color gamut transform pairs,” Comput. Graph., vol. 12, pp. 12–19, 1978.
[38] Association for Computing Machinery (ACM), “Status report of the graphics standard planning committee,” Comput. Graph., vol. 13, no. 3, 1979.
[39] Y. Meyer, Wavelets. Algorithms and Applications. Philadelphia, PA: SIAM, 1993.
[40] R. K. Young, Wavelet Theory and Its Applications. Boston, MA: Kluwer, 1993.
[41] I. Daubechies, Ten Lectures on Wavelets. Philadelphia, PA: SIAM, 1992.
[42] C. K. Chui, An Introduction to Wavelets. Boston, MA: Kluwer, 1992.
[43] G. Kaiser, A Friendly Guide to Wavelets. Boston, MA: Birkhauser, 1994.
[44] M. Vetterli and J. Kovacevic, Wavelets and Subband Coding. Englewood Cliffs, NJ: Prentice-Hall, 1995.
[45] J. L. Starck and E. Pantin, “Multiscale maximum entropy image restoration,” Vistas Astron., vol. 40, pp. 563–569, 1996.
[46] F. Ru´e and A. Bijaoui, “A multiscale vision model applied to astronomical images,” Vistas Astron., vol. 40, pp. 495–502, 1996.
[47] S. Mallat, “A theory for multiresolution signal: The wavelet representation,”IEEE Trans. Pattern Anal. Machine Intell., vol. 11, July 1989.
[48] J. L. Starck and F. Murtagh, “Image restoration with noise suppression using the wavelet transform,” Astron. Astrophys., vol. 288, pp. 342–350,1994.
[49] M. Holschneider and P. Tchamitchian, Les Ondelettes en 1989, P.G. Lemari´e, Ed. Paris, France: Springer-Verlag, 1990, p. 102.
[50] J. N´u˜nez, X. Otazu, O. Fors, and A. Prades, “Fusion and reconstruction of LANDSAT and SPOT images using wavelets,” in Proc. Fusion of Earth Data, T. Ranchin and L. Wald, Eds., Sophia Antipolis, France, Jan. 1998, pp. 103–108.
[51] J. N´u˜nez, X. Otazu, O. Fors, A. Prades, V. Pal´a, and R. Arbiol, “Image fusion using additive multiresolution wavelet decomposition. Applications to SPOT + LANDSAT Images,” J. Opt. Soc. Amer. A,
vol. 16, no. 3, pp. 467–474, 1999.
[52] P. J. Burt and E. H. Adelson, “The Laplacian pyramid as a compact image code,” IEEE Trans. Commun., vol. COMM-31, pp. 532–540, Apr. 1983.
[53] G. Cliche, F. Bonn, and P. Teillet, “Integration of the SPOT panchromatic channel into its multispectral mode for image sharpness enhancement,” Photogramm. Eng. Remote Sensing, vol. 51, pp. 311–316,
1985.
[54] W. Niblack, An Introduction to Digital Image Processing. Hertfordshire, U.K.: Prentice-Hall, 1986, pp. 57–60.
[55] W. J. Carper, T. W. Lillesand, and R. W. Kieffer, “The use of intensity hue saturation transformations for merging SPOT panchromatic and multispectral image data,” Photogramm. Eng. Remote Sensing, vol. 56, pp. 459–467, 1990.
[56] J. C. Price, “Combining panchromatic and multispectral imagery from dual resolution satellite instruments,” Remote Sens. Environ., vol. 21, pp. 119–128, 1987.
[57] H. N. Gross and J. R. Schott, “Application of spectral mixture analysis and image fusion techniques for image sharpening,” Remote Sens.Environ., vol. 63, pp. 85–94, 1998.
[58] J. C. Price, “An approach for analysis of reflectance spectra,” Remote Sens. Environ., vol. 64, pp. 316–330, 1998.
[59] , “Comparison of the information content of data from the Landsat 4 thematic mapper and the multispectral scanner,” IEEE Trans. Geosci.Remote Sensing, vol. GE-22, pp. 272–281, 1984.

Information about the pictures

You can email me at ogumelar@gmail.com or ogumelar@yahoo.com about the pictures that i used for my report above, advice or critics. Thanks for your attention.

ogumelar other blogs

friendster
blogsome
wordpress blog
family tree ogi gumelar

Simple theme. Powered by Blogger.

Mathematician earth watcher

link2 dari google

Klik di sini untuk refresh halaman

Thursday, August 28, 2008

vencar

No comments:

tes

http://ogumelar.890m.com

WWW.LAPANRS.COM

WWW.LAPAN.GO.ID

www.nasa.gov

www.esa.int

www.crisp.nus.edu.sg

www.earth.sinica.edu.tw

www.dlr.de

ogumelar other blogs