PENGENALAN PRINCIPAL COMPONENTS ANALYSIS BILKO
Tujuan : 3) bagaimana principal components analysis (PCA) dapat membantu analisis citra.
Target : kita akan sedikit membahas PCA yang berguna untuk menajamkan perbedaaan dari tutupan lahan yang berbeda.
Saluran yang saling berdekatan pada citra multispektal sering berkorelasi, yang mengimplikasikan adanya data yang redundant ( hapir sama) sehingga beberapa informasi ditampilkan berulang pada saluran yang lain. Principal component analysis (PCA) menegaskan jumlah dimensi yang ada dalam data set dan sumbu principal dari variabilitas, dan menciptakan citra principal component yang mencakup variabilitas ini. Jadi pada citra Landsat Thematic Mapper (TM) yang memilki 6 saluran dengan menghilangkan saluran termalnya, kita dapat mencakup variabilitas informasi lebih dari 95% dari data dalam tiga pertama citra principal component (PC). Citra komposit yang dibuat dari ketiga citra PC ini akan memberikan gambaran yang jelas pada berbagai perbedaan penutup lahan dari pada kombinasi dari tiga saluran manapun.
Untuk mendemostrasikan ini dan bagaimana mengoperasikan PCA pada Bilko, kita akan menggunakan enam saluran citra Landsat TM tepian kota sekitar Littleport, dekat Ely di Cambridgeshire, UK. Kenampakan utama pada citra ini adalah Sungai Ouse yang mengalir dari selatan ke utara pada bagian kanan citra dan Sungai Tua dan Baru Bedford yang saling paralel, yang mengalir dari utara ke selatan pada kiri citra. Area ini datar, tanah yang subur dengan tumbuhan gandum dan sugar-beet. Sedikit awan dan bayangannya dapat dilihat pada citra.
Pertama buka satu set citra Landsat TM, Littleport_TM.set , yang akan membuka langsung 6 saluran sebagai satu kesatuan (stack). Perhatikan seluruh citra untuk mengatahui keadaanya dengan menggunakan <Tab> atau Image ‣ Animate atau pada toolbar loop
Terlihat bahwa beberapa citra memiliki kontras yang jelek, jadi kita dapat menggunakan penajaman dengan menyeleksi seluruh citra dengan <Ctrl> +A dan pilih pada Stretch ‣ automatic linear stretch.
Sekarang perhatikan kembali citra tersebut dengan kontras yang lebih tajam. Sekrang mari kita membuat komposit warna, melalui Image ‣ Composite , citra komposit yang terbentuk dari #1, #2, dan #3 memiliki kontras yang jelek,
jadi kita dapat menggunakan penajaman automatic linear contrast untuk mengimprove hasil visualnya.
Berikutnya adalah menampilkan PCA menggunakan enam saluran Landsat TM dan kemudian membuat komposit menggunakan tiga citra PC pertama. Minimize jendela citra hasil komposit yagn telah dibuat, untuk kita bendingkan dengan hasil komposit PCA.
Untuk membuat PCA, pilih Menu Image ‣ PCA ‣
muncul kotak dialog box Principal Components Analysis.
biarkan jumlah komponen seperti yang telah diatur sebelunya yaitu 6 dan tipe keluaran Same as@1, dan pilih Correlation matrix, untuk sementara itu yang kita gunakan (untuk tutorial selanjutnya kita bisa membandingkan hasilnya). Kita biasanya membutuhkan Matrix report, yang menyediakan informasi tentang PCA, jadi biarkan kotak Matrix report tetap tercentang. Ketika dialog box telah terisi dengan benar, klik Ok.
Enam citra principal component akan terbentuk, seprti terlihat pada vidio terlihat bahwa semakin besar angka PC semakin sedikit tingkat variabilitasnya. Selain itu juga terproduksi dua buah tabel yaitu pertama correlation matrix, yang menunjukkan tingkat korelasi antar saluran (seluruh saluran).
Tebel kedua menunjukkan principal component loading (merupakan tabel kooefisien yang membentuk citra PC) untuk enam citra principal component dari citra Landsat TM.
Citra principal component akan memiliki nama seperti berikut Littleport_TM pc1, Littleport_TM pc2 , dan lain sebagainya. Sekrang kita akan membuat komposit warna dari citra PC tersebut.
Untuk membuat komposit citra PC kita akan hanya membutuhkan citra Littleport_TM pc1, pc2, dan pc3, sehingga hubungkan ketiga citra tersebut dengan Image ‣ Connect
Sekarang kita bisa langsung membuat citra komposit PC, pilih Image ‣ Composite,
Terlihat hasil komposit tersebut menunjukkan perbedaan tutupan lahan yang cukup jelas tapi kontras masih dapat diimprove lagi. Gunakan penajaman automatic linear contrast.
Berikut adalah perbandingannya
Ini menunjukkan bagaimana PCA merupakan metode yang berguna dalam melakukan kompresi data, mengkonsentrasikan informasi dari enam saluran kedalam tiga saluran PC. Untuk mengetahui seberapa banyak variabilitas (varian) pada data telah terkompres ke dalam tiga saluran PC, kita butuh untuk memeriksa tabel PC loading dan melakukan sedikit perhitungan. Ini dapat dilakukan dengan menggunakan Excel atau spreadsheet dalam tutorial selanjutnya (Mini-lesson02_Principal_Components_Analysis.pdf).
Sumber : Introduction to using the Bilko 3 image processing software