Docente: Marco DIANI
Numero totale di ore di lezione (L): 33
Numero totale di ore di esercitazione (E): 24
Prerequisiti: Segnali e Sistemi.
Obiettivi:
L’insegnamento si propone di illustrare le caratteristiche di sistemi per il telerilevamento basati su moderni sensori elettro-ottici. Vengono discussi in dettaglio i metodi per l’analisi automatica dei dati telerilevati in riferimento ad alcune tipiche applicazioni. Un nucleo di 2 CFU è dedicato ad attività di laboratorio.
Ulteriori attività di apprendimento:
sono previste attività di laboratorio con l’impiego del calcolatore per 1) la simulazione di sistemi per telerilevamento, 2) l’analisi di dati telerilevati. Gli algoritmi, implementati dagli allievi in linguaggio MATLAB, verranno utilizzati per elaborare dati reali acquisiti da sensori multispettrali ed iperspettrali
Programma di massima:
INTRODUZIONE: Classificazione dei sistemi di telerilevamento. Sistemi di telerilevamento attivi e passivi: sistemi a microonde ed elettro-ottici. Principali applicazioni. (L: 2)
RICHIAMI DI RADIOMETRIA: Cenno alle principali grandezze radiometriche: Energia radiante, flusso radiante, irradianza e radianza. Flusso di fotoni. Radiatori ideali: la teoria del corpo nero: legge di Planck, legge di Stefan-Boltzmann e di Wien. Radiatori ideali: il corpo grigio, l’emissività. Proprietà ottiche della materia: riflettanza, emittanza e trasmittanza, legge di Kirchhoff. Propagazione dell’energia e.m. in un mezzo: legge di Lambert-Bouguer, estinzione, diffusione ed assorbimento. Il sole come sorgente di radiazione e.m. Esercitazione: introduzione a MATLAB. Esempi di calcolo radiometrico. (L: 3; E: 3)
MODELLI PER LA RADIAZIONE E.M. RICEVUTA DAL SENSORE: principali finestre spettrali utilizzate per il telerilevamento. La firma spettrale. Modello per la radiazione al sensore per le bande VIS, NIR, SWIR e TIR. Codice MODTRAN per la simulazione della radiazione al sensore. (L: 7; E: 3)
ELABORAZIONE DEI DATI: Tecniche per la visualizzazione delle immagini multispettrali: RGB, CIR, a falsi colori. Analisi statistica dei dati. Vettori di v.a.: il modello gaussiano. Analisi preliminare dei dati mediante lo scatterogramma. Studio ed implementazione su calcolatore degli algoritmi di cui sopra. (L: 5; E: 3)
CLASSIFICAZIONE: Schema di principio di un sistema di classificazione. Estrazione delle caratteristiche (feature extraction): selezione di bande ed analisi delle componenti principali (PCA). Il fenomeno di Hughes nei dati iperspettrali. Classificazione senza supervisione (clustering): l’algoritmo k-means. Classificazione con supervisione: criteri MAP, MV ed a minima distanza. Creazione di mappe tematiche a partire da dati telerilevati Thematic Mapper (TM) ed AVIRIS. (L: 10; E: 9)
RIVELAZIONE IN DATI TELERILEVATI: Il problema della rivelazione in dati multidimensionali. Il caso dei dati iperspettrali: rivelazione di anomalie e rivelazione di oggetti aventi una firma spettrale nota. Il caso di sequenze di immagini: rivelazione di bersagli in movimento. (L: 6; E: 6)
Testi di riferimento:
J. R. Schott, Remote Sensing: the image processing chain, II Ed., Oxford University Press, 2007.
R. A. Schowengerdt, Remote Sensing: models and methods for image processing, II Ed., Academic Press, 1997.
J. A. Richards, X. Jia, Remote Sensing Digital Image analysis: An introduction, III Edition, Springer, 1999.
Modalità di svolgimento dell’esame:
Prova pratica seguita da una prova orale. La prova pratica ha lo scopo di verificare le capacità acquisite dallo studente nell’attività di laboratorio. Sono previste prove scritte in itinere (facoltative) in sostituzione della prova orale.