Poslední úprava: Ing. Markéta Potůčková, Ph.D. (12.02.2021)
Richards, J. A., Jia, X. (2006). Remote sensing digital image analysis, 4. vydání, Springer-Verlag Berlin Heidelberg
Schowengerdt, R. A. (2006). Remote sensing: models and methods for image processing. Elsevier
Jones, S., & Reinke, K. (Eds.) (2009): Innovations in remote sensing and photogrammetry. Springer Science & Business Media
Vali, A., Comai, S., Matteucci, M. (2020): Deep learning for land use and land cover classification based on hyperspectral and multispectral earth observation data: A review. Remote Sensing, 12(15), 2495
Požadavky ke zkoušce
Poslední úprava: Ing. Markéta Potůčková, Ph.D. (12.02.2021)
Podmínky udělení zápočtu: - aktivní účast na cvičeních - písemné zpracování úloh dle pokynů v zadání - včasné odevzdání zadaných úloh (termín odevzdání je součástí zadání úlohy a je uveden v systému Moodle)
Zkouška z předmětu se skládá z písemné a ústní části. Splnění písemné části je podmínkou pro postup k ústní části zkoušky.
Za současné epidemiologické situace proběhne zkouška (včetně písemné části) online.
Sylabus
Poslední úprava: Ing. Markéta Potůčková, Ph.D. (12.02.2021)
Přednáška se zabývá analýzou dat DPZ na pokročilé úrovni. Hlavním cílem je uvést studenta do problematiky obrazové analýzy v kontextu extrakce informace o přírodních zdrojích z dat DPZ včetně témat:
Radiometrické korekce obrazu I (konstrukce radiometru – multispektrální měření, relativní hodnoty, kalibrace, absolutní hodnoty, chyby/šum detektoru, poměr signálu k šumu)
Radiometrické korekce obrazu II (korekce na dvousměrovou odrazivost, atmosférická korekce vč. algoritmů pro její řešení)
Geometrické korekce (geometrická zkreslení, geometrické transformace pro georeferencování, interpolační metody pro překreslení)
Zvýraznění multispektrálního obrazu (indexy, PCA, TCT, pansharpening, …)
Klasifikace obecně – definice a přístupy, příznaky (spektrální, texturální, geometrické), problém neurčitosti hranic objektů/tříd, klasifikační legenda, základní klasifikační algoritmy (mindist, maxlikelihood, K-means, ISODATA), fuzzy přístup, linear unmixing
Objektový přístup ke klasifikaci
Principy dalších algoritmů strojového učení používaných pro klasifikaci obrazu I (random forest, SVM)
Principy dalších algoritmů strojového učení používaných pro klasifikaci obrazu II (CNN)
Pořizování a zpracování hyperspektrálních dat. Modely přenosu záře (radiative transfer models), empirické modely odhadu kvantitativní informace z dat DPZ
Klasifikace časových řad, kombinace dat z různých senzorů a různého rozlišení
Praktická cvičení rozvíjejí teoretické poznatky formou úloh zaměřených na zpracování obrazových dat pomocí programů eCognition, ENVI, Matlab a Snap.
V LS 2020/21 bude předmět až do odvolání vyuřčovám online v čase rozvrhované výuky. Odkaz na Google Meet bude zapsaným studentům zaslán prostřednictvím SIS před zahájením výuky.
