Normalisasi Radiometrik (Radiometric Normalization)

Posting berikut adalah rangkuman terjemahan dari kumpulan jurnal internasional Gang Hong dari Department of Geodesy and Geomatics Engineering University of New Brunswick, Kanada tahun 2007 dengan judul IMAGE FUSION, IMAGE REGISTRATION, AND RADIOMETRIC NORMALIZATION FOR HIGH RESOLUTION IMAGE PROCESSING. 

Beberapa faktor independen dari penutup lahan dapat secara signifikan mempengaruhi reflektansi spektral yang diukur pada sensor. Ini termasuk kalibrasi sensor, elevasi matahari, kondisi atmosfer dan topografi. Dari faktor-faktor tersebut, kalibrasi sensor, sudut matahari dan kondisi atmosfer mengalami perubahan terhadap waktu. Normalisasi citra diperlukan untuk mengurangi efek variasi radiometrik pada beberapa citra yang memiliki perbedaan waktu. Hasilnya adalah serangkaian citra yang memiliki kondisi penutup lahan yang sama berdasarkan nilai spektral, memungkinkan untuk analisa lebih lanjut dalam mendeteksi perubahan tutupan lahan (Callahan, 2003).

Setelah dilakukan normalisasi radiometrik, kedua citra akan mempunyai sistem metrik warna yang sama dan keduanya dapat dibandingkan secara spektral (Hong, 2007). Meskipun perubahan dapat dideteksi tanpa koreksi radiometrik, untuk mendeteksi perubahan secara otomatis, normalisasi citra sangat diperlukan (Chavez and Mackinnon, 1994). 

Ada 2 jenis normalisasi radiometrik, yaitu absolut dan relatif (Hong, 2007). Normalisasi radiometrik absolut dapat mengkonversi nilai digital dari citra satelit menjadi cahaya pada permukaan bumi (Du et al, 2002), sedangkan normalisasi radiometrik relatif menggunakan sebuah citra referensi agar parameter radiometrik citra masukan sesuai dengan citra referensi (Hall et al, 1991). Beberapa teknik normalisasi radiometrik relatif telah dikembangkan, diantaranya  regresi linear sederhana (Jansen, 1983), metode normalisasi pseudovariant feature (Scott et al, 1988), haze correction (Chavez, 1988; Yuan and Elvidge, 1996), pencocokan histogram (Shimabukuro et al, 2002), normalisasi standar deviasi rata-rata dan minimum-maksimum (Yuan and Elvidge, 1996), dark bright set method (Hall et al, 1991), no change pixel set method (Elvidge et al, 1995), memasukkan pseudo-invariant feature secara statistik (Du et al, 2002), dan memilih piksel yang tidak berubah pada masing-masing band (Ya’allah and Saradjian, 2005).

Normalisasi citra secara umum dibagi dalam tiga kategori: metode statistik (misalnya metode standar deviasi); metode histogram; metode regresi linear (misalnya PIF, DB, NC, dll). Namun kebanyakan normalisasi citra menggunakan metode regresi linear. 

Secara ringkas masing-masing metode dapat didefinisikan sebagai berikut:

1.    Metode Regresi Linear Sederhana

Metode regresi linear sederhana (Jensen, 1983) menggunakan persamaan kuadrat terkecil untuk menentukan koefisien persamaan.

2.    Metode Pencocokan Histogram

Metode ini pada intinya melakukan pembetulan histogram citra masukan dengan menggunakan histogram citra referensi agar distribusi histogram citra masukan sama dengan distribusi histogram citra referensi, yaitu dengan mengubah look up table yang pada akhirnya dapat mengkonversi nilai histogram. Metode ini cocok digunakan untuk mengoreksi dua citra yang memiliki sudut matahari atau efek atmosfer yang berbeda (Yang and Lo, 2000).

3.    Metode Pseudoinvariant Feature (PIF)

Scott et al (1988) memperkenalkan metode pseudoinvariant feature, dimana metode ini menganalisa distribusi pantulan / refleksi dari elemen-elemen yang secara statistik tidak memiliki variansi pantulan, seperti beton, aspal, atau atap rumah. Elemen-elemen ini diasumsikan tidak mengalami perubahan yang signifikan antara dua citra. Perubahan nilai derajat keabuan dari objek-objek tersebut diasumsikan linear dan secara statistik dikoreksi untuk dilakukan normalisasi citra.

4.    Metode Dark-Bright

Hall et al (1991) menggunakan rata-rata set kegelapan dan kecerahan citra dari citra masukan dan citra referensi menggunakan transformasi Kauth-Thomas untuk menentukan koefisien normalisasi. Hal ini berdasarkan asumsi bahwa citra selalu mengandung beberapa piksel yang mempunyai nilai pantulan rata-rata yang sama dengan citra serupa pada waktu yang berbeda.

5.    Metode No Change

Elvidge et al (1995) mengembangkan metode normalisasi dengan menempatkan pusat statistik dari data kelas spektral tanah dan air yang relatif stabil menggunakan inframerah dekat dari scattergram waktu pertama dan waktu kedua untuk membandingkan regresi linearnya. Data inframerah dekat digunakan karena panjang gelombang dari kelas spektral untuk air dan tanah terpisah, sehingga kelas spektral yang tidak berubah dapat diketahui dan dianalisa. Tidak adanya perubahan tersebut ditentukan dengan menempatkan nilai ambang batas terhadap garis regresi. Piksel yang berada di bawah nilai ambang batas tersebut digunakan dalam analisis regresi pada masing-masing band untuk menghitung koefisien normalisasi. 

Dalam menentukan target titik-titik sampel koreksi normalisasi radiometrik, ada beberapa ketentuan yang harus diperhatikan antara lain (Eckhardt et al,1990):

1.  Kedua titik harus berada pada elevasi yang sama, sehingga ketebalan atmosfer keduanya sama.

2.    Objek vegetasi harus seminimum mungkin karena vegetasi sangat mudah mengalami perubahan.

3.  Daerah sebisa mungkin harus datar sehingga kesalahan karena perubahan sudut matahari bisa dimimalisir.

4.   Pola target yang akan dinormalisasi tidak berubah ketika ditampilkan dalam image display screen.

5.   Set titik-titik sampel tersebut memiliki rentang derajat keabuan yang lebar agar model regresi linear tersebut semakin akurat.

Akurasi dari koreksi radiometrik ditentukan oleh nilai RMSE (root mean square error). Digital number dari citra yang dikoreksi dibandingkan dengan citra referensi, dan jika perbedaan DN tersebut kecil, maka RMSE yang dihasilkan pun kecil. Sebaliknya, jika perbedaan yang dihasilkan besar, maka RMSE pun akan semakin besar.