NOTE: Typically the Input image has no map coordinates 
associated with it, since this is the image to be reprojected. 
Because of a glitch in Imagine, it is necessary to go through 
the following steps for images that have no map coordinates 
associated with them before the start point is in the viewer.
Open the input image in a viewer (section IV, steps 1–2 
above).
Open the ImageInfo for that image (section IV, step 3 
above).
Select “Edit/Change Map Model.” The Change Map 
Model window will appear. Simply click on OK button 
once this has been done.
Accept changes when prompted.
Close the viewer.
Why do this? For some reason, Imagine has a 
disconnect between the map info that is used in the 
viewer when an image is opened that has no geometric 
information and the map information that is passed to 
the ITPFind program and to the GCP editor of Imagine 
(further down in this SOP). By opening the Edit/
Change Map model dialog, this forces Imagine to make 
geometric properties consistent across modules.
Pixel Center to Pixel Center Distance:(x,y):
The distance in a COMMON REFERENCE SYSTEM 
between the center of adjacent pixel centers in this image. 
When ITPFind runs, this value will be compared to the 
parallel measure in the complementary reference or input 
image to determine how far the program should jump between 
ITPs. It must be in the same units for both the reference 
and the input images in a given run of the program, typically 
in units of the reference image. Since the geometric-reference 
image is a LANDSAT TM image with pixel size 25 by 25 
m, its pixel center to pixel center distance should be listed as 
25, 25 m. However, assuming that the input image has been 
ordered from EDC with 28.5 m pixels, its pixel center to pixel 
center distance should be 28.5 m, even if no map information 
is associated with the image. Note that if the input image 
coordinate system is unknown (a likely case, given that ITPs 
are being sought), the “pixel size” of the input image may be 
reported in the ImageInfo of ERDAS Imagine as 1.0, 1.0 – but 
the Pixel center to pixel center distance:(x,y) is still 28.5, 28.5.
Rotation:
The rotation, in degrees clockwise, of this image relative 
to a stable reference direction. It typically is easiest to set 
the reference image rotation to zero, and set the input image 
relative to the reference image. To determine whether the 
rotation of the input image relative to the reference image is 
positive or negative, use the following approach:
1.  Imagine an arrow pointing north on the ground in the 
reference image.
2.  Imagine an arrow pointing north on the ground in the 
input image.
3.  If the head of the input image arrow is to the left of the 
reference arrow, the input image rotation is negative. If 
the head of the input arrow is to the right of the reference 
arrow, the input image rotation is positive.
Layer to Use:
The layer number of the image to use for the analysis. 
Only one layer is used. In all likelihood, this should be the 
same layer number as will be used in the complementary 
reference or input image. Layers begin with 1. It is best to 
use a layer of the image with high contrast, such as the near 
infrared bands. For TM images, band 5 is often good.
Ignore:
If the image file contains unwanted background, give the 
value of the background here. This is often zero. The programs 
will recognize background areas and will skip past them, 
improving performance. Moreover, this method can be used to 
“work around” popcorn-type clouds or other drastic changes 
between images. A quick unsupervised classification of the 
cloudy image can be used to identify the bulk of the clouded 
areas and the shadows, and all of these can be set to the Ignore 
value. The program will use only areas between the clouds 
for calculation of correlation. Note that if this route is chosen, 
the window size parameter (see below) likely SHOULD be 
increased to ensure that an adequate number of pixels remain 
for calculation of correlation when the cloud pixels are 
removed.
Mask Below, Mask Above (Both Optional)
As of version 2.1, a more useful approach to screening 
out unwanted areas was added by inclusion of the Mask Below 
and Mask Above keywords for an image. These are optional 
– if not used, do not include the keyword on the line (i.e. 
simply omit the entire line, rather than retaining the keyword 
“Mask below” and setting it blank). The number attached to 
either mask below or mask above is the value below or above 
which pixels will not be used for correlation matching. This 
was designed for use in cloudy areas, where a mask above 
value eliminates much of the cloud area and the mask below 
value eliminates much of the deep cloud shadow. The values 
must be chosen by the user, so it is best to just look at your 
image in your favorite image processing system and get a 
rough guess for the digital number (DN) values of the clouds 
and shadows. As with the ignore keyword, it is best to increase 
the window size you are using if you think that a fair portion 
of each window will be masked out with this feature.
SOP 2.  Preprocessing Landsat Imagery    
Pdf searchable text - search text inside PDF file in C#.net, ASP.NET, MVC, Ajax, WinForms, WPF
Learn how to search text in PDF document and obtain text content and location information
search multiple pdf files for text; text searchable pdf file
Pdf searchable text - VB.NET PDF Text Search Library: search text inside PDF file in vb.net, ASP.NET, MVC, Ajax, WinForms, WPF
Learn How to Search Text in PDF Document and Obtain Text Content and Location Information in VB.NET application
select text in pdf; select text pdf file
Parameter Files
1.  Parameter files are pointed to in the “File of available 
parameter files” (see above). Each run of the software 
requires a single-parameter file. An example of the 
required information is given below, followed by detailed 
descriptions of each line.
EXAMPLE:
Original Parameters File for use in ITPFind program
Window Size: 150,150
Window Spacing: 400, 400
Number of Iterations: 1
Pixel Aggregations: 1
Search Neighborhoods: 5
Threshold min. steepness: .35
Zoom Factors: 2
Maximum move: 0
Nudgefactor: .20
Postfilter_rms: .025
Window Size:
The size, in pixel counts of the reference image, of the 
window extracted for matching. It is in x,y format. Note that 
this dimension is not in the units of any coordinate system, but 
referenced by the number of reference pixels. For example, 
if the reference is a TM image with pixels 28.5 m on a side, 
then setting the window size to 100,100 means that a window 
of 100 by 100 pixels will be extracted, equivalent to an area 
2,850 by 2,850 m. The equivalent sized window in the input 
image is calculated by the software based on the 
Pixel center 
to pixel center distance:(x,y)
given for the reference image 
and the input images. If they are not the same, the program 
will resample the input image to match the 
Pixel center to 
pixel center distance:(x,y)
of the reference image.
Window Spacing:
The approximate desired grid spacing between ITPs, 
in pixel counts of the reference image, between ITPs. 
Again, the relation between the 
Pixel center to pixel 
center distance:(x,y)
of the reference and input images will 
determine the jump in pixels of the input image. Note that 
the rotation of the input image also will be calculated in the 
jumping between points. Thus, if the user is unsure of the 
rotation value of the input image, it is safer to give a smaller 
window-spacing value, since the error in the rotation value 
will be multiplied over a shorter distance.
Number of Iterations:
The number of times that the program will refine the ITPs 
coordinate pair at each point. The next five parameters must 
each have this many entries, each separated by a comma. For 
example, if 
Number of Iterations
is set to 2, then each line 
of the next five must have the keyword parameter followed by 
“: <n1>, <n2>”, where <n1> and <n2> are the values for that 
parameter.
Typically, this can be set to 1. If set to 2 or higher, the 
program engages in an iterative process. Using the first 
entry in each of the next 5 parameters, the program finds an 
approximate match for the ITP pair. Using that approximate 
match derived in the first iteration, the program uses the 
second entry (the number after the first comma) to find a better 
match for the ITP pair. Typically, this only makes sense if the 
Pixel Aggregations
value is lower for the second iteration 
than for the first iteration.
Pixel Aggregations:
The number of reference pixels by which to aggregate 
both images before floating the input image over the reference 
image. Note that this aggregation occurs AFTER the input 
image is resampled to match the grain size of the reference 
image.
If set to 2.0, for example, then the reference image 
is first aggregated such that a 2 by 2 set of original pixels 
becomes 1 pixel in an aggregated image. That image—with 
its doubled pixel center to pixel center distance—is used to 
develop correlation surfaces and find an ITP. Because of the 
aggregation, this ITP will have a lower precision than if the 
ITP were calculated on the images at native resolution, but this 
aggregation allows a larger area, with more potential for strong 
spatial pattern, to be used to calculate correlations. Used in 
conjunction with two or more iterations (set with the Number 
of iterations parameter above), this can efficiently hone in on 
ITPs in difficult-to-match image pairs.
Search Neighborhoods:
The number of pixels to float the input image is relative 
to the reference image. This value is in units of the aggregated 
pixels—i.e. if the 
Pixel Aggregations
for this iteration were 
2, then a search neighborhood of 10 for this iteration actually 
would mean that the input image has floated an equivalent 
of 20 original pixels in all directions relative to the reference 
image.
This parameter greatly influences performance of the 
software, since increases in the search neighborhood result in 
squared increases in the number of comparisons necessary. It 
is thus desirable to keep this number as low as possible. Values 
between 5 and 7 are optimal, although values as high as 10 or 
12 may be necessary.
6    Protocol for Landsat-Based Monitoring of Landscaped Dynamics at North Coast and Cascades Network Parks
C# PDF Convert to Text SDK: Convert PDF to txt files in C#.net
NET project. Powerful .NET control for batch converting PDF to editable & searchable text formats in C# class. Free evaluation library
search multiple pdf files for text; pdf find and replace text
Online Convert PDF to Text file. Best free online PDF txt
PDF document conversion SDK provides reliable and effective .NET solution for Visual C# developers to convert PDF document to editable & searchable text file.
pdf searchable text; search pdf for text in multiple files
Threshold Minimum Steepness:
This value is the threshold against which a potential 
peak in correlation is tested, based on the relation between the 
peak of correlation and the plane at the “base” of the peak. If 
the observed value is below this 
Threshold min. steepness
value, the point will be thrown out. A value of 0.35 has been 
robust across most image situations. If it seems that erroneous 
ITPs are being accepted too often, increasing this parameter 
value may help—however, generally it is better to attempt 
altering other parameters first, i.e. the window size or the 
search neighborhoods,
Zoom Factors:
The portion of the originally extracted window 
(determined by the window size) is used for the determination 
of covariance. A value of 1 means that the entire extracted 
window is used to determine covariance. A value of 2 means 
that the window used for covariance calculations will be 
one-half the size of the original image in both the X and the 
Y dimensions; i.e. it will be one-quarter the area. The smaller 
window is extracted from the center of the originally extracted 
window.
Consider the following example: The window size is set 
to [400,400], number of iterations set to 2, pixel aggregations 
set to [2,1], and zoom factors set to [1,2]. In iteration 1, the 
400 by 400 window is read from the file, and then aggregated 
in 2 by 2 blocks to create a 200 by 200 image that captures 
the spatial patterns across the entire area represented in the 
original [400,400] image. The spatial matching is run on 
that image and a preliminary ITP pair located. In the second 
iteration, the zoom factor of 2 takes the original 400 by 400 
image and extracts the 200 by 200 area around the preliminary 
ITP pair found in iteration 1, and this image (unaggregated, 
because the pixel aggregation is set to 1 for this iteration) is 
used to derive a more refined ITP pair.
Maximum Move:
If this value is non-zero, every time the program cannot 
find a valid covariance peak at a given point, it will try again 
by searching nearby rather than skipping the point altogether. 
“Nearby” is defined by the next parameter, the 
Nudgefactor
The pattern of searching nearby is circular; i.e. it will attempt 
to find a point just to the “right” of the first attempt, then 
slightly right and down if no match was found there, then 
down if no match is found, etc., until a complete circle has 
been traversed. If the 
Maximum move
is 2, this process will 
continue on a second circle with greater radius.
In most cases, it is more efficient to set this value to zero, 
since factors that cause difficulty locating peaks at a given 
location (for example, a bank of clouds in one image) are more 
likely to exist nearby than far away. However, under certain 
circumstances the user may require that ITPs be located as 
close to full-grid pattern as possible, and this option allows 
this.
Nudgefactor
This value determines how far away from the original 
point the program should search for covariance values if it 
cannot find a covariance peak on an initial try. The value is 
a proportion of the window-size value. If the window size is 
[400, 400] and the 
Nudgefactor
is 0.5, then the program will 
extract new windows at a radius of 200 reference pixels away 
from the original point tried.
Postfilter_rms (Optional)
Some tie points will still be odd, despite the various 
filters that occur during the search for each individual point. 
By setting this parameter, the program calculates a simple 
first-order transformation after all points have been found, 
and iteratively removes any points whose removal results in 
an improvement in the overall root-mean-square (RMS) error 
of the solution. The value of this parameter is the threshold 
for determining whether improvement has occurred, and 
corresponds to the proportional improvement in RMS error. 
Thus, setting it to 0.025 means that points will be removed 
when their removal improves the RMS error by 2.5 percent or 
more. This tends to remove the points that clearly are errors 
(i.e. points over water, etc.). This feature was added with 
version 2.1.
At a minimum, the squeet_master.txt file must exist, and 
it must point to a squeet_images.txt file and a squeet_params.
txt file. The squeet_images.txt file must contain information 
for at least two images, one to be used as reference image 
and one to be used as the input image. The squeet_params.
txt file must point to at least one parameter file with all of the 
necessary parameter fields filled in.
Running the ITPFind Module
To find a good start point of the input and reference 
images, load each image into an Imagine Viewer (follow steps 
1 and 2 of section IV above). In the reference image, use the 
side bars on the viewer to navigate to approximately the center 
of the image, and visually locate a feature on the landscape 
that is recognizable and likely to change little over the time 
period of the two images. In the viewer, select the crosshair 
icon (it looks like a plus sign, and is just to the left of the 
hammer symbol) to start the coordinate-crosshair tool.
SOP 2.  Preprocessing Landsat Imagery    
VB.NET PDF Convert to Text SDK: Convert PDF to txt files in vb.net
keeping original layout. VB.NET control for batch converting PDF to editable & searchable text formats. Support .NET WinForms, ASP
how to search a pdf document for text; pdf make text searchable
VB.NET Image: Robust OCR Recognition SDK for VB.NET, .NET Image
for VB.NET provides users fast and accurate image recognition function, which converts scanned images into searchable text formats, such as PDF, PDF/A, WORD
convert pdf to searchable text online; text searchable pdf
The X and Y coordinates of the crosshair are shown in 
the X and Y fields (fig. 14). Grab the center of the crosshairs 
by clicking with the mouse point, and drag it to the feature 
desired. In the viewer for the input image, use the sidebars to 
navigate to approximately the same area of the image, locate 
the landscape feature that was identified in the reference 
image, start a coordinate-crosshair tool in the input image, 
and click and drag its center point to approximately the same 
location on the landscape as the crosshairs in the reference 
image.
Record the X and Y position of the respective crosshairs 
in the squeet_images.txt file for the reference and the input 
images.
Once pointer files, image files, and parameter files have 
been defined, drag the ITPFind icon over the IDL-VM icon to 
start the program. It will query immediately for the location 
of the squeet_master.txt file that was created above. Navigate 
in the file-finding dialog box to the appropriate directory and 
select the file.
An action window will pop up. The list of available 
image files will be on the left, the list of available parameter 
files on the right. On the bottom is an empty table. This 
table is where reference and input images will be paired and 
associated with a parameter file.
Click on an available image that is the reference-
geometric image. Its name will appear in the ‘Currently 
Selected’ box. Then click in the first box (first row) of the 
reference column (the left-hand column) in the bottom table.
For the reference image in ITPFind, use the 25-m 
geometric-reference image that has been clipped to the 
study area (section IV, step 12 above). This will ensure that 
tie points are located only within the study area where terrain 
information in the form of the DEM also is available.
Pick the input image from the same available image list 
in the same manner and place it in the middle column below, 
and finally pick a parameter file and place in the parameter 
column below. At this point, the ITP program can be run by 
clicking on the ‘Submit for processing’ button.
Figure 1.  Coordinate-crosshair window. 
Alternatively, additional sets of reference/input image and 
parameter files can be placed in the second row of the bottom 
table. After the ITP program has found ITPs for the first set, it 
will move to the second set, third set, in order.
While the program is running, it will display two 
windows: one shows the growing grid of ITPs, the second 
shows the image chunks and correlation surfaces for the points 
being processed currently.
The program will output five text files: one file for X 
coordinates of the input image, one for Y coordinates of the 
input image, one for X coordinates of the reference image, one 
for Y coordinates of the reference image, and one readme file. 
All files are placed in the directory of the INPUT IMAGE. 
They will be named with an identical root based on the 
image codenames used to find the ITPs and the time at 
which the program commences. The files with the X and 
Y coordinates will be imported into the ground-control-point 
(GCP) editor of Imagine below (see step 4.b. below).
These files are only the coordinates of the ITPs. From this 
point, Imagine must be used to conduct the terrain correction.
Conducting Terrain Correction
1.  Load the geometric-reference image that has been clipped 
to the study area.
a.  The image was created in section IV, step 12 above.
b.  To load the image into the viewer, see section IV, 
steps 1 and 2 above.
2.  In the main icon panel of Imagine, select the viewer 
button (fig. 15).
a.  Viewer #2 will come up.
i.  Open the Input image in Viewer #2.
(1)  Again, click on the folder icon of the viewer 
and navigate to the appropriate folder. This 
assumes that the input image has been 
imported into Imagine format. If not, it 
is necessary to import this image into the 
Imagine format (section III above).
Figure 1.  A portion of Imagine’s main icon window, 
with the button that starts Viewers circled.
    Protocol for Landsat-Based Monitoring of Landscaped Dynamics at North Coast and Cascades Network Parks
C# PDF: C# Code to Draw Text and Graphics on PDF Document
Draw and write searchable text on PDF file by C# code in both Web and Windows applications. C#.NET PDF Document Drawing Application.
pdf editor with search and replace text; pdf text search
C# Create PDF Library SDK to convert PDF from other file formats
The PDF document file created by RasterEdge C# PDF document creator library is searchable and can be fully populated with editable text and graphics
search pdf files for text programmatically; pdf text search tool
3.  From within Viewer #2 (with the input image), select 
“Geometric correction.”
a.  An action window named “Set Geometric Model” 
will pop up, with a list of options. Another action 
window labeled “Geo Correction Tools” will pop up 
(see fig. 8 above).
b.  In the Set Geometric Model window, select Landsat 
and click on the OK button.
i.  The “Landsat Model Properties” window will 
pop up (fig. 16).
c.  For sensor type, ensure that TM is selected, and that 
the Landsat number: field is correct.
i.  The information on which Landsat sensor 
acquired an image can be found in the header 
file (a file ending with .h1) that came with the 
original Landsat image from EDC (see SOP 1 
Ordering Imagery).
d.  In the “Elevation File: (*.img)” field, use the folder 
icon to navigate to the DEM that has been clipped to 
the study area (this step is discussed in section V, step 
13, above).
e.  Ensure that the elevation units are correct.
i.  This information should be found in the metadata 
associated with the original DEM file.
ii.  If there is no such information on the vertical 
units of the DEM, it can be inferred in many 
cases.
(1)  Open the DEM in a viewer (see section IV 
steps 1–2).
(2)  Open the ImageInfo for that viewer (see 
section IV step 3).
(3)  In the Statistics info section of the 
ImageInfo window, note the value of 
the “Max:” field. This value should 
approximately represent the maximum 
elevation in your study area. Since units of 
feet and meters differ by a factor of three, 
this maximum value should indicate which 
unit is used for the DEM. Other vertical 
units (decimeters) have sometimes been 
used; if neither feet nor meters seem likely, 
then it will be necessary to track down 
the source of the DEM and determine the 
appropriate units.
f.  Leave the rest of the fields in the default position.
4.  Setup the coordinates for the terrain correction by 
importing the image tie-point text files that were created 
by ITPFind above.
a.  Click on the “Projection” tab of the Model properties 
page.
i.  Click on the button labeled “Set Projection from 
GCP Tool.”
(1)  The “GCP tool reference setup” window 
will pop up, with the “Existing viewer” line 
selected with a circular radio button. This 
is the desired choice, so simply click on the 
OK button.
(a)  The “Viewer selection instructions” 
window will pop up, instructing user to 
left-click the mouse in the viewer with 
the reference image. Place the mouse 
in Viewer #1 and left-click the mouse 
button.
(b)  The Reference Map information 
window will pop up, with a list of the 
geometric properties of the reference 
image. Click on the OK button.
(c)  Imagine will then rearrange windows 
and add windows.
b.  All of the steps below occur in the “GCP Tool” 
window.
i.  First, turn off the automatic calculation and 
display mode by clicking on the “Toggle fully 
automatic GCP editing mode” button on the left-
hand side of the window (fig. 17).
Figure 16.  Landsat model properties page, used to reproject 
images acquired by the Landsat sensors.
SOP 2.  Preprocessing Landsat Imagery    
C# HTML5 Viewer: Load, View, Convert, Annotate and Edit Word
C# users can convert Convert Microsoft Office Word to searchable PDF online, create multi empowered to add annotations to Word, such as add text annotations to
find and replace text in pdf; how to make a pdf file text searchable
VB.NET Create PDF from Text to convert txt files to PDF in vb.net
Best VB.NET adobe text to PDF converter library for Visual Studio .NET project. Batch convert editable & searchable PDF document from TXT formats in VB.NET
searching pdf files for text; how to select text in pdf
(1)  With the mouse over the title of the “X 
Input” column, left-click on the mouse to 
select that column. The first cell should be 
highlighted and the shaded title box of the 
column inverted, indicating that the column 
has been selected.
(2)  Right click from the same position over the 
title box to see the column options window. 
From the list of options, select “Import.”
(a)  The “Import column data” window will 
appear. Navigate to the directory where 
the Input image used in the ITP find 
program above is stored. This is where 
ITPFind puts tie-point files.
(i)  Select the file whose filename ends 
with “…_xinput.txt” and click on 
the OK button.
(1)  Note: The first part of the 
file name corresponds to the 
image code names that were 
included in the available image 
text files used as input to the 
ITP program, the second part 
corresponds to the time stamp 
when the ITP program was 
run.
(ii)  The X coordinates of the input 
image tie points should appear in 
the X-input column.
(3)  Repeat this process for the Y input column, 
this time selecting the filename ending with 
“…_yinput.txt”.
(4)  Repeat for the X ref and Y ref columns as 
well.
(5)  When all the tie points have been located, 
the elevation values in the Z ref column 
should appear. If not, click on the “Z” icon 
in the GCP Tool window to load them. If no 
values appear, return to the Landsat Model 
properties dialog (fig. 16) and ensure that 
the DEM has been identified properly, and 
then click on the Apply button again.
(a)  If no values appear after this step, 
open new viewers and ensure that the 
coordinates of the DEM correspond to 
the same area as the image.
(i)  Open a new viewer.
(ii)  Load the reference image.
(iii)  Load the DEM, but when loading 
the image in the “Select Layer to 
Add” dialog (fig. 18), click on the 
“Raster Options” tab.
(iv)  Uncheck the “Clear display” box. 
Now the DEM will load into the 
same viewer as the reference 
image.
(v)  Once the DEM has loaded, right-
click in the viewer and select 
“Fit image to window” from the 
pulldown list.
(vi)  The viewer should redraw. The 
image should appear first, then 
the DEM should appear over 
it. If the two are in entirely 
different portions of the viewer, 
this indicates that coordinates or 
projections have been in error. 
Double-check all resampling and 
reprojecting steps above.
Figure 1.  GCP tool, with the automatic GCP mode button 
circled.
Figure 1.  Window where files are chosen to add to a Viewer.
0    Protocol for Landsat-Based Monitoring of Landscaped Dynamics at North Coast and Cascades Network Parks
C# Create PDF from Text to convert txt files to PDF in C#.net, ASP
Visual Studio .NET project. .NET control for batch converting text formats to editable & searchable PDF document. Free .NET library for
how to search text in pdf document; search pdf documents for text
VB.NET Create PDF from Word Library to convert docx, doc to PDF in
Export all Word text and image content into high quality PDF without losing formatting. Easy to create searchable and scanned PDF files from Word.
make pdf text searchable; search text in pdf image
(6)  Calculate the solution for the reprojection.
(a)  Hit the sigma symbol on the left-hand 
side of the GCP Tool window.
(i)  The columns X residual, Y 
residual, RMS error, and Contrib. 
all will be populated. Additionally, 
the field in the center top of the 
GCP tool will display the “Control 
point error” for X, Y, and total. This 
is the total RMS error. See Richards 
(1993) for more information on the 
calculation of the RMS error. These 
will be in units of the input image. 
If the input image is without map 
information and has pixels of size 
1.0, for example, then a total error 
of 0.5 would indicate a RMS error 
of half a pixel.
(7)  Screen out any tie points that are outside the 
edge of the DEM.
(a)  With the mouse over any row in the 
GCP tool, right click to get the row-
selection tool. Select “Criteria” to bring 
up the “Selection Criteria” window 
(fig. 19).
(b)  Using the mouse and the left mouse 
button, select from the Columns: field 
the “Z Ref.” row.
(i)  Imagine will place $“Z Ref.” in the 
“Criteria:” field at the bottom of the 
window, and will continue to build 
the criterion expression as more 
values are selected below.
(c)  Select from the “Compares” field the 
double-equal-sign (==).
(d)  Select from the keypad the number 0.
Figure 1.  Selection criteria window for the GCP tool.
(i)  Ensure that the final expression is 
$“Z Ref.” == 0.
(e)  Click on the Select button. All of the 
rows in the GCP tool where Z Ref. is 
zero will be highlighted in yellow.
(f)  Ideally, there should be none of these 
rows. But in case there are, place the 
cursor over any row number in the left-
hand side of the GCP tool and right-
click. Select “Delete selection.” This 
will eliminate any points where the 
elevation is zero.
(i)  Why? Elevations of zero would 
otherwise be incorporated in the 
general solution relating the images 
to each other, and false zeros will 
cause large distortions in the 
solution.
(8)  Recalculate the solution for the reprojection.
(a)  This must be done twice, once before 
and once after taking out points with 
zero elevation, or else Imagine will 
crash.
(9)  The control-point error should be well below 
1 pixel in size, ideally less than one-half of 
a pixel. If it is significantly greater than this, 
examine the control points in the table to see 
if there are any extremely unusual points, 
as indicated by the value in the “Contrib.” 
column.
(a)  These can be selected using the criterion 
window, as in step 7 above, but in this 
case select “Contrib. >2.0,” etc. to find 
the points.
(i)  To view individual points, select 
the two binocular icons to have 
the viewers zoom to the selected 
tie points to examine particularly 
unusual points. If a visual 
examination shows that a given 
tie-point pair is wrong – i.e. that 
the points correspond to entirely 
different points on the landscape, 
then right-click on the row of the 
offending point and select “Delete 
selection” to remove it. This will 
delete all the points currently 
selected, so make sure that only the 
desired point is selected.
SOP 2.  Preprocessing Landsat Imagery    1
(ii)  After deleting a point, recompute 
the solution by hitting the sigma 
function button again. This 
will compute the overall error 
without the offending point, and 
will redistribute error among 
the remaining points. Check for 
unusual points again.
(1)  This iterative process is done 
automatically in the ITPFind 
program, so this process likely 
should be unnecessary.
(c)  Once the reprojection solution has been 
computed from the tie points, the input 
image can be resampled.
(i)  First, record the Control Point 
Errors computed in the GCP Tool 
window, both for X and Y and for 
the total. These should be attached 
to the metadata for the resampled 
input image. See SOP 5 Data 
Management.
(ii)  Click on the resampled icon in the 
“Geo Correction Tools” window 
(see fig. 8 above).
(iii)  Follow the instructions in section 
IV, step 4.b. iii.(3)–(9) above for 
resampling.
(d)  When resampling has concluded, 
close all windows and do not save the 
projection parameters or model. These 
would become attached to the images, 
which causes confusion if later images 
are to be registered to these same 
images.
At this point, the input image should be in the same 
projection as the geometric-reference image. To check this, 
follow these steps.
5.  Checking for geometric matching of images.
a.  Open a viewer.
b.  Open the reference image using the standard file 
opening procedure (section IV, steps 1–2 above).
c.  In the same viewer, use the open folder icon to start 
the “Select Layer to Add” window (fig. 18) and 
navigate to the input image and select it, but do NOT 
click on OK.
i.  Click on the “Raster Options” tab in the Select 
Layer to Add window, and uncheck the box next 
to “Clear display.”
ii.  Click on OK button.
d.  Both images should be displayed in the same viewer.
e.  In the viewer, select “Utility/Flicker.”
i.  The Viewer Flicker dialog will open.
ii.  Hit the “Manual filter” button to toggle between 
the two images in the viewer.
iii.  Alternatively, click the box “Auto Mode” to have 
the toggling occur automatically.
iv.  When the two images are toggled, there should 
be minimal apparent “jumping” of pixels back 
and forth across dates. The flickering image 
should appear geometrically stable, although 
radiometric changes may cause the illusion of 
some motion as the images flicker.
v.  Scroll around the image and ensure that the 
image is stable across the entire range.
vi.  Zoom in on some locations and view the flicker 
closely.
vii.  Pay particular attention to mountainous areas. 
If the automatic flicker mode is on, if there is a 
problem with the terrain correction, the flicker 
will reveal distortions that are correlated with 
the position of hills and mountains, creating a 
pseudo-three-dimensional effect as flickering 
occurs.
(1)  If this is the case and terrain correction has 
been done in Imagine, this suggests that 
either the terrain correction was inaccurate, 
or that the original reference image was in 
fact NOT terrain corrected.
(a)  Check the elevation units of the 
DEM and make sure these are in the 
appropriate units. If not, redo the terrain 
correction of the input image.
(b)  Check the history of the geometric 
reference image to confirm that it was 
terrain corrected or orthorectified.
(c)  Repeat the reprojection of the input 
image process to the point where tie 
points have been loaded in the GCP 
tool, and check carefully for unusual tie 
points. Check each tie point with high 
RMS error and ensure that all points 
make sense visually.
Once the input image has been reprojected to the 
geometric properties of the geometric reference, and once it 
has been confirmed to be accurate, the input image must be 
clipped to the study area. Follow the steps in section V to 
clip the input image. Use the naming conventions in SOP 5 
(Data Management) to name the clipped, terrain-corrected 
input image.
2    Protocol for Landsat-Based Monitoring of Landscaped Dynamics at North Coast and Cascades Network Parks
VII. Compensating for Sensor and 
Atmospheric Influences in Reference 
and Input Images
The atmosphere affects the reflectance signal that 
impinges on the sensor from the surface of the Earth. 
Differences in atmospheric conditions between dates of 
imagery will cause differential artifacts in the images that 
will confuse later change detection. Therefore, all reasonable 
efforts must be made to compensate for these effects. The 
first step is to bring both images into a common system of 
measurement, reflectance.
The units of a Landsat image are simply digital numbers 
(DNs), corresponding to the magnitude of energy being 
measured by each of the sensor elements in the satellite. 
Because the engineering properties of the sensor are known, 
the DNs can be converted into physical units of radiance. 
Knowing the emission spectrum of the sun entering the 
atmosphere, these units of radiance can further be quantified 
as a proportion of the incoming radiation ranging from 0 to 
1.0. This is known as “top-of-atmosphere reflectance.” It does 
not take into account the effects of the atmosphere.
Without direct measurements of atmospheric absorption 
at the moment of image acquisition, it is impossible to know 
this atmospheric effect directly, but it can be approximated. To 
approximate the effects of the atmosphere, it must be assumed 
that there are some objects on the surface with little to no 
reflectance. These so-called “dark objects” should indicate 
a reflectance of zero or near-zero. Because the atmosphere 
introduces scattering between the objects and the sensor, 
the apparent reflectance of these objects from the sensor’s 
perspective is non-zero and positive. The additive effect of 
this scattering can be removed by simply subtracting the offset 
above these dark objects from all pixels in the image. The 
multiplicative effects of the atmosphere can be approximated 
simply by a correction factor that scales with the path length 
through the atmosphere, which requires only that the sun angle 
and elevation be known. All of these steps can be incorporated 
in a single-transformation process and placed in a graphic 
model in Imagine. Because these were best described in 
(Chavez, 1996) as COS-theta or COST methods, these steps 
are referred to here as COST processing.
1.  Selecting dark-object values for each band:
a.  The first part of the COST processing is selection of 
dark-object values for each of the six visible bands in 
Landsat.
b.  An Excel spreadsheet is in the appendixes and serves 
as a template for which the relevant values for COST 
processing can be stored.
i.  This spreadsheet file is named “COST_
processing_template.xls.”
ii.  Save this Excel file under a new name that 
corresponds to the name of the image, so that it 
can be connected easily with that image in the 
future.
iii.  Make a note of this filename in the metadata 
associated with this image.
(1)  Follow the conventions in SOP 5 Data 
Management for naming convention.
c.  It is helpful to use the entire image area, not just the 
area within the study area of the park, for locating 
potential dark objects because the population of 
potential targets is much higher. Therefore, for a 
given image, go back to the first version of the image 
that includes the entire footprint of the original 
Landsat image directly after importing into Imagine 
format.
i.  This image should be the one that was imported 
in section III above. It need not be geometrically 
referenced for selection of dark-object values.
d.  Open the image in a viewer using the Pseudocolor 
option:
i.  Use the open-folder icon to bring up the “Select 
layer to Add” window (shown in fig. 18 above).
(1)  Navigate to the desired image folder, select 
the image from the available files list so that 
its name appears in the “File name:” field. 
Do NOT click on OK yet.
ii.  Click on the “Raster options” tab.
(1)  In the field labeled “Display as:” select 
“Pseudo color.”
(2)  Choose the desired layer. If just starting, 
select 1 for band 1, which corresponds to the 
blue wavelengths in Landsat.
(3)  Retain defaults for the other options.
iii.  Click on OK button.
iv.  Right-click in the viewer and select “Fit image to 
window.”
v.  Select “Raster/Attributes.”
(1)  The Raster Attribute Editor will popup.
(a)  There are three columns: Histogram, 
Color, and Opacity. The important 
columns for this exercise are the 
Histogram and the Color columns.
(b)  The Histogram column indicates the 
count of pixels that have the value 
indicated in the row value on the left-
hand side of the attribute editor. For 
Landsat images, these range from 0 to 
255.
SOP 2.  Preprocessing Landsat Imagery    
(c)  There is a high histogram count in the 
row with value 0. These are the pixels 
outside the edge of the image area, and 
should be ignored.
(d)  For bands 1–3 and often 4, the row 
number with the lowest non-zero 
histogram value is not the row 1, but 
rather another row with a higher value. 
This indicates that even the darkest 
objects in the scene have non-zero 
reflectance, and indicates the level of 
atmospheric scattering. It is not wise 
to simply take the row number of the 
lowest non-zero histogram count as the 
dark-object value, however, because 
these low values could be artifacts 
of processing upstream of image 
acquisition or even of steps conducted 
in Imagine.
(i)  It is most robust to use images that 
only have been resampled using the 
NN method, which is why SOP 1 
recommends ordering imagery 
using the NN option from EDC.
2.  Start with the lowest non-zero histogram value and 
examine the location of the pixels corresponding to that 
value using step 1.a.i.–vii. below, and step sequentially to 
higher values until a pixel value is identified whose pixels 
reside in the landscape, and which correspond to features 
that are expected to be dark-objects step 1.b.i.–ii. below.
a.  To examine where pixels at a given pixel value reside 
on the image, do the following:
i.  Select the row with the desired pixel value. For 
example, select the row with the first non-zero 
histogram value.
ii.  Then place the mouse over the box in the column 
labeled “Color” for this row, and right-click.
(1)  A small window with a variety of color 
options will pop up. Select a color that 
allows easy contrast with the grey tones of 
the image, perhaps red or yellow.
iii.  Look in the viewer at the image and see where 
the red pixels reside.
iv.  Evaluate these pixels according to the criteria in 
step b. below.
v.  If these pixels are not considered valid dark 
objects, select “Edit/Undo Last Edit” in the 
Raster Attribute Editor to change the color patch 
back to its original nonhighlighted shade. Then 
move to a pixel value one step higher and repeat 
this process.
vi.  If these pixels are considered legitimate dark 
objects, then take this value as the approximate 
dark-object value.
(1)  Because few objects are truly nonreflective, 
it is typical to assume that the observed 
dark objects have an actual reflectance on 
the ground of roughly 1 percent. Therefore, 
the true value for zero reflectance will be 
somewhat lower than the observed value 
in the image. The correction factor can be 
approximate, since these dark objects are 
an approximation of the actual atmospheric 
effects. Therefore, take the tentative dark 
object value and adjust it as follows to 
calculate the actual dark-object value for the 
band:
(a)  For bands 1–3 and band 7, subtract 1 
from the observed value.
(b)  For bands 4 and 5, subtract 2 from the 
observed value.
(i)  In both cases, however, the 
minimum allowed dark-object 
value is zero.
vii.  Enter this value in the dark-object value column 
for the row corresponding to the band in the 
Excel spreadsheet saved in step 1.b. above.
b.  Evaluating dark-object pixels.
i.  Characteristics of valid dark-object-type pixels.
(1)  The pixels reside on the landscape, not on 
the margins of the scene area.
(2)  The pixels are in areas where dark 
reflectance is expected:
(a)  Water bodies.
(b)  Topographic shadow.
(c)  Deep shadow on shaded aspects of 
forests.
(ii)  Characteristics of dark objects that are artifacts:
(1)  The pixels reside on the very margin of the 
active area of the image.
(a)  These typically are formed because of 
bilinear or cubic convolution of zero 
values outside the image with non-zero 
values inside the image.
(2)  The pixels reside directly next to a very 
bright pixel and the image has been 
subjected to cubic convolution resampling 
beforehand.
    Protocol for Landsat-Based Monitoring of Landscaped Dynamics at North Coast and Cascades Network Parks
Documents you may be interested
Documents you may be interested