Experience Seamless Full Ebook Downloads for Every Genre at textbookfull.

com

Image analysis, classification and change

detection in remote sensing: with algorithms for
Python Fourth Edition Canty

https://textbookfull.com/product/image-analysis-
classification-and-change-detection-in-remote-sensing-with-
algorithms-for-python-fourth-edition-canty/

OR CLICK BUTTON

DOWNLOAD NOW

Explore and download more ebook at https://textbookfull.com

 Recommended digital products (PDF, EPUB, MOBI) that
you can download immediately if you are interested.

Image Analysis, Classification, and Change Detection in

Remote Sensing: With Algorithms for Python 4th Edition
Morton John Canty
https://textbookfull.com/product/image-analysis-classification-and-
change-detection-in-remote-sensing-with-algorithms-for-python-4th-
edition-morton-john-canty/
textboxfull.com

Fuzzy Machine Learning Algorithms for Remote Sensing Image

Classification 1st Edition Anil Kumar

https://textbookfull.com/product/fuzzy-machine-learning-algorithms-
for-remote-sensing-image-classification-1st-edition-anil-kumar/

textboxfull.com

Image processing and GIS for remote sensing : techniques

and applications Second Edition Liu

https://textbookfull.com/product/image-processing-and-gis-for-remote-
sensing-techniques-and-applications-second-edition-liu/

textboxfull.com

Multisensor Image Fusion and Data Mining for Environmental

Remote Sensing First Edition Bai

https://textbookfull.com/product/multisensor-image-fusion-and-data-
mining-for-environmental-remote-sensing-first-edition-bai/

textboxfull.com
Remote sensing of vegetation. Hyperspectral indices and
image classifications for agriculture and vegetation
Second Edition Huete
https://textbookfull.com/product/remote-sensing-of-vegetation-
hyperspectral-indices-and-image-classifications-for-agriculture-and-
vegetation-second-edition-huete/
textboxfull.com

Hyperspectral Imaging Remote Sensing Physics Sensors and

Algorithms 1st Edition Dimitris G. Manolakis

https://textbookfull.com/product/hyperspectral-imaging-remote-sensing-
physics-sensors-and-algorithms-1st-edition-dimitris-g-manolakis/

textboxfull.com

Spatial Analysis for Radar Remote Sensing of Tropical

Forests 1st Edition Gianfranco D. De Grandi

https://textbookfull.com/product/spatial-analysis-for-radar-remote-
sensing-of-tropical-forests-1st-edition-gianfranco-d-de-grandi/

textboxfull.com

Deep Learning for Remote Sensing Images with Open Source

Software 1st Edition Rémi Cresson

https://textbookfull.com/product/deep-learning-for-remote-sensing-
images-with-open-source-software-1st-edition-remi-cresson/

textboxfull.com

Introductory digital image processing: A remote sensing

perspective John R. Jensen & Dr. Kalmesh Lulla

https://textbookfull.com/product/introductory-digital-image-
processing-a-remote-sensing-perspective-john-r-jensen-dr-kalmesh-
lulla/
textboxfull.com
 Image Analysis,
Classification, and Change
Detection in Remote
Sensing
With Algorithms for Python
Fourth edition
 Image Analysis,
Classification, and Change
Detection in Remote
Sensing
With Algorithms for Python
Fourth edition

Morton John Canty

CRC Press
Taylor & Francis Group
6000 Broken Sound Parkway NW, Suite 300
Boca Raton, FL 33487-2742

© 2019 by Taylor & Francis Group, LLC

CRC Press is an imprint of Taylor & Francis Group, an Informa business

No claim to original U.S. Government works

Printed on acid-free paper

Version Date: 20190130

International Standard Book Number-13: 978-1-138-61322-5 (Hardback)

This book contains information obtained from authentic and highly regarded sources. Reasonable
efforts have been made to publish reliable data and information, but the author and publisher cannot
assume responsibility for the validity of all materials or the consequences of their use. The authors and
publishers have attempted to trace the copyright holders of all material reproduced in this publication
and apologize to copyright holders if permission to publish in this form has not been obtained. If any
copyright material has not been acknowledged please write and let us know so we may rectify in any
future reprint.
Except as permitted under U.S. Copyright Law, no part of this book may be reprinted, reproduced,
transmitted, or utilized in any form by any electronic, mechanical, or other means, now known or
hereafter invented, including photocopying, microfilming, and recording, or in any information
storage or retrieval system, without written permission from the publishers.

For permission to photocopy or use material electronically from this work, please access
www.copyright.com (http://www.copyright.com/) or contact the Copyright Clearance Center, Inc.
(CCC), 222 Rosewood Drive, Danvers, MA 01923, 978-750-8400. CCC is a not-for-profit organization
that provides licenses and registration for a variety of users. For organizations that have been granted
a photocopy license by the CCC, a separate system of payment has been arranged.

Trademark Notice: Product or corporate names may be trademarks or registered trademarks, and
are used only for identification and explanation without intent to infringe.

Library of Congress Cataloging-in-Publication Data

Names: Canty, Morton John, author.

Title: Image analysis, classification and change detection in remote sensing
: with algorithms for Python / by Morton J. Canty.
Description: Fourth edition. | Boca Raton, FL : CRC Press/Taylor & Francis
Group, 2019. | Includes bibliographical references and index.
Identifiers: LCCN 2018051975| ISBN 9781138613225 (hardback : acid-free paper)
| ISBN 9780429464348 (ebook)
Subjects: LCSH: Remote sensing--Mathematics. | Image analysis--Mathematics. |
Image analysis--Data processing. | Python (Computer program language)
Classification: LCC G70.4 .C36 2019 | DDC 621.36/70285--dc23
LC record available at https://lccn.loc.gov/2018051975

Visit the Taylor & Francis Web site at

http://www.taylorandfrancis.com
and the CRC Press Web site at
http://www.crcpress.com
Contents

Preface to the First Edition xiii

Preface to the Second Edition xv

Preface to the Third Edition xvii

Preface to the Fourth Edition xx

Author Biography xxi

1 Images, Arrays, and Matrices 1

1.1 Multispectral satellite images . . . . . . . . . . . . . . . . . . 4
1.2 Synthetic aperture radar images . . . . . . . . . . . . . . . . . 7
1.3 Algebra of vectors and matrices . . . . . . . . . . . . . . . . . 10
1.3.1 Elementary properties . . . . . . . . . . . . . . . . . . 11
1.3.2 Square matrices . . . . . . . . . . . . . . . . . . . . . . 13
1.3.3 Singular matrices . . . . . . . . . . . . . . . . . . . . . 15
1.3.4 Symmetric, positive definite matrices . . . . . . . . . . 15
1.3.5 Linear dependence and vector spaces . . . . . . . . . . 16
1.4 Eigenvalues and eigenvectors . . . . . . . . . . . . . . . . . . 17
1.5 Singular value decomposition . . . . . . . . . . . . . . . . . . 19
1.6 Finding minima and maxima . . . . . . . . . . . . . . . . . . 21
1.7 Exercises . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 27

2 Image Statistics 31
2.1 Random variables . . . . . . . . . . . . . . . . . . . . . . . . . 31
2.1.1 Discrete random variables . . . . . . . . . . . . . . . . 32
2.1.2 Continuous random variables . . . . . . . . . . . . . . 33
2.1.3 Random vectors . . . . . . . . . . . . . . . . . . . . . 36
2.1.4 The normal distribution . . . . . . . . . . . . . . . . . 39
2.1.5 The gamma distribution and its derivatives . . . . . . 41
2.2 Parameter estimation . . . . . . . . . . . . . . . . . . . . . . . 44
2.2.1 Random samples . . . . . . . . . . . . . . . . . . . . . 44
2.2.2 Sample distributions and interval estimators . . . . . . 47
2.3 Multivariate distributions . . . . . . . . . . . . . . . . . . . . 50
2.3.1 Vector sample functions and the data matrix . . . . . 51
2.3.2 Provisional means . . . . . . . . . . . . . . . . . . . . 53

v
vi Image Analysis, Classification, and Change Detection in Remote Sensing

2.3.3 Real and complex multivariate sample distributions . . 55

2.4 Bayes’ Theorem, likelihood and classification . . . . . . . . . 57
2.5 Hypothesis testing . . . . . . . . . . . . . . . . . . . . . . . . 60
2.6 Ordinary linear regression . . . . . . . . . . . . . . . . . . . . 65
2.6.1 One independent variable . . . . . . . . . . . . . . . . 65
2.6.2 Coefficient of determination (R2 ) . . . . . . . . . . . . 67
2.6.3 More than one independent variable . . . . . . . . . . 68
2.6.4 Regularization, duality and the Gram matrix . . . . . 72
2.7 Entropy and information . . . . . . . . . . . . . . . . . . . . . 73
2.7.1 Kullback–Leibler divergence . . . . . . . . . . . . . . . 75
2.7.2 Mutual information . . . . . . . . . . . . . . . . . . . . 76
2.8 Exercises . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 77

3 Transformations 83
3.1 The discrete Fourier transform . . . . . . . . . . . . . . . . . 83
3.2 The discrete wavelet transform . . . . . . . . . . . . . . . . . 88
3.2.1 Haar wavelets . . . . . . . . . . . . . . . . . . . . . . . 89
3.2.2 Image compression . . . . . . . . . . . . . . . . . . . . 93
3.2.3 Multiresolution analysis . . . . . . . . . . . . . . . . . 96
3.3 Principal components . . . . . . . . . . . . . . . . . . . . . . 103
3.3.1 Principal components on the GEE . . . . . . . . . . . 105
3.3.2 Image compression and reconstruction . . . . . . . . . 107
3.3.3 Primal solution . . . . . . . . . . . . . . . . . . . . . . 111
3.3.4 Dual solution . . . . . . . . . . . . . . . . . . . . . . . 111
3.4 Minimum noise fraction . . . . . . . . . . . . . . . . . . . . . 112
3.4.1 Additive noise . . . . . . . . . . . . . . . . . . . . . . . 113
3.4.2 Minimum noise fraction via PCA . . . . . . . . . . . . 116
3.5 Spatial correlation . . . . . . . . . . . . . . . . . . . . . . . . 117
3.5.1 Maximum autocorrelation factor . . . . . . . . . . . . 117
3.5.2 Noise estimation . . . . . . . . . . . . . . . . . . . . . 119
3.6 Exercises . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 123

4 Filters, Kernels, and Fields 127

4.1 The Convolution Theorem . . . . . . . . . . . . . . . . . . . . 127
4.2 Linear filters . . . . . . . . . . . . . . . . . . . . . . . . . . . 132
4.3 Wavelets and filter banks . . . . . . . . . . . . . . . . . . . . 135
4.3.1 One-dimensional arrays . . . . . . . . . . . . . . . . . 136
4.3.2 Two-dimensional arrays . . . . . . . . . . . . . . . . . 141
4.4 Kernel methods . . . . . . . . . . . . . . . . . . . . . . . . . . 144
4.4.1 Valid kernels . . . . . . . . . . . . . . . . . . . . . . . 144
4.4.2 Kernel PCA . . . . . . . . . . . . . . . . . . . . . . . . 149
4.5 Gibbs–Markov random fields . . . . . . . . . . . . . . . . . . 152
4.6 Exercises . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 156
Contents vii

5 Image Enhancement and Correction 159

5.1 Lookup tables and histogram functions . . . . . . . . . . . . . 159
5.2 High-pass spatial filtering and feature extraction . . . . . . . 161
5.2.1 Sobel filter . . . . . . . . . . . . . . . . . . . . . . . . 161
5.2.2 Laplacian-of-Gaussian filter . . . . . . . . . . . . . . . 164
5.2.3 OpenCV and GEE algorithms . . . . . . . . . . . . . . 166
5.2.4 Invariant moments . . . . . . . . . . . . . . . . . . . . 171
5.3 Panchromatic sharpening . . . . . . . . . . . . . . . . . . . . 177
5.3.1 HSV fusion . . . . . . . . . . . . . . . . . . . . . . . . 178
5.3.2 Brovey fusion . . . . . . . . . . . . . . . . . . . . . . . 179
5.3.3 PCA fusion . . . . . . . . . . . . . . . . . . . . . . . . 179
5.3.4 DWT fusion . . . . . . . . . . . . . . . . . . . . . . . . 180
5.3.5 À trous fusion . . . . . . . . . . . . . . . . . . . . . . . 181
5.3.6 A quality index . . . . . . . . . . . . . . . . . . . . . . 184
5.4 Radiometric correction of polarimetric SAR imagery . . . . . 185
5.4.1 Speckle statistics . . . . . . . . . . . . . . . . . . . . . 185
5.4.2 Multi-look data . . . . . . . . . . . . . . . . . . . . . . 188
5.4.3 Speckle filtering . . . . . . . . . . . . . . . . . . . . . . 193
5.5 Topographic correction . . . . . . . . . . . . . . . . . . . . . . 200
5.5.1 Rotation, scaling and translation . . . . . . . . . . . . 201
5.5.2 Imaging transformations . . . . . . . . . . . . . . . . . 202
5.5.3 Camera models and RFM approximations . . . . . . . 203
5.5.4 Stereo imaging and digital elevation models . . . . . . 205
5.5.5 Slope and aspect . . . . . . . . . . . . . . . . . . . . . 210
5.5.6 Illumination correction . . . . . . . . . . . . . . . . . . 211
5.6 Image–image registration . . . . . . . . . . . . . . . . . . . . 216
5.6.1 Frequency domain registration . . . . . . . . . . . . . 217
5.6.2 Feature matching . . . . . . . . . . . . . . . . . . . . . 219
5.6.3 Re-sampling with ground control points . . . . . . . . 223
5.7 Exercises . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 225

6 Supervised Classification Part 1 231

6.1 Maximizing the a posteriori probability . . . . . . . . . . . . 233
6.2 Training data and separability . . . . . . . . . . . . . . . . . . 234
6.3 Maximum likelihood classification . . . . . . . . . . . . . . . . 239
6.3.1 Naive Bayes on the GEE . . . . . . . . . . . . . . . . . 240
6.3.2 Python scripts for supervised classification . . . . . . . 241
6.4 Gaussian kernel classification . . . . . . . . . . . . . . . . . . 245
6.5 Neural networks . . . . . . . . . . . . . . . . . . . . . . . . . . 248
6.5.1 The neural network classifier . . . . . . . . . . . . . . 253
6.5.2 Cost functions . . . . . . . . . . . . . . . . . . . . . . 256
6.5.3 Backpropagation . . . . . . . . . . . . . . . . . . . . . 258
6.5.4 A deep learning network . . . . . . . . . . . . . . . . . 264
6.5.5 Overfitting and generalization . . . . . . . . . . . . . . 268
6.6 Support vector machines . . . . . . . . . . . . . . . . . . . . . 270
viii Image Analysis, Classification, and Change Detection in Remote Sensing

6.6.1 Linearly separable classes . . . . . . . . . . . . . . . . 270

6.6.2 Overlapping classes . . . . . . . . . . . . . . . . . . . . 276
6.6.3 Solution with sequential minimal optimization . . . . . 278
6.6.4 Multiclass SVMs . . . . . . . . . . . . . . . . . . . . . 279
6.6.5 Kernel substitution . . . . . . . . . . . . . . . . . . . . 280
6.7 Exercises . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 284

7 Supervised Classification Part 2 289

7.1 Postprocessing . . . . . . . . . . . . . . . . . . . . . . . . . . 289
7.1.1 Majority filtering . . . . . . . . . . . . . . . . . . . . . 290
7.1.2 Probabilistic label relaxation . . . . . . . . . . . . . . 290
7.2 Evaluation and comparison of classification accuracy . . . . . 293
7.2.1 Accuracy assessment . . . . . . . . . . . . . . . . . . . 293
7.2.2 Accuracy assessment on the GEE . . . . . . . . . . . . 298
7.2.3 Cross-validation on parallel architectures . . . . . . . . 299
7.2.4 Model comparison . . . . . . . . . . . . . . . . . . . . 302
7.3 Adaptive boosting . . . . . . . . . . . . . . . . . . . . . . . . 306
7.4 Classification of polarimetric SAR imagery . . . . . . . . . . . 312
7.5 Hyperspectral image analysis . . . . . . . . . . . . . . . . . . 314
7.5.1 Spectral mixture modeling . . . . . . . . . . . . . . . . 314
7.5.2 Unconstrained linear unmixing . . . . . . . . . . . . . 317
7.5.3 Intrinsic end-members and pixel purity . . . . . . . . . 318
7.5.4 Anomaly detection: The RX algorithm . . . . . . . . . 319
7.5.5 Anomaly detection: The kernel RX algorithm . . . . . 322
7.6 Exercises . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 326

8 Unsupervised Classification 329

8.1 Simple cost functions . . . . . . . . . . . . . . . . . . . . . . . 330
8.2 Algorithms that minimize the simple cost functions . . . . . . 332
8.2.1 K-means clustering . . . . . . . . . . . . . . . . . . . . 333
8.2.2 Kernel K-means clustering . . . . . . . . . . . . . . . . 338
8.2.3 Extended K-means clustering . . . . . . . . . . . . . . 341
8.2.4 Agglomerative hierarchical clustering . . . . . . . . . . 344
8.2.5 Fuzzy K-means clustering . . . . . . . . . . . . . . . . 347
8.3 Gaussian mixture clustering . . . . . . . . . . . . . . . . . . . 349
8.3.1 Expectation maximization . . . . . . . . . . . . . . . . 350
8.3.2 Simulated annealing . . . . . . . . . . . . . . . . . . . 353
8.3.3 Partition density . . . . . . . . . . . . . . . . . . . . . 353
8.3.4 Implementation notes . . . . . . . . . . . . . . . . . . 354
8.4 Including spatial information . . . . . . . . . . . . . . . . . . 354
8.4.1 Multiresolution clustering . . . . . . . . . . . . . . . . 354
8.4.2 Spatial clustering . . . . . . . . . . . . . . . . . . . . . 357
8.5 A benchmark . . . . . . . . . . . . . . . . . . . . . . . . . . . 360
8.6 The Kohonen self-organizing map . . . . . . . . . . . . . . . . 362
8.7 Image segmentation and the mean shift . . . . . . . . . . . . 366
Contents ix

8.8 Exercises . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 368

9 Change Detection 375

9.1 Naive methods . . . . . . . . . . . . . . . . . . . . . . . . . . 376
9.2 Principal components analysis (PCA) . . . . . . . . . . . . . 378
9.2.1 Iterated PCA . . . . . . . . . . . . . . . . . . . . . . . 380
9.2.2 Kernel PCA . . . . . . . . . . . . . . . . . . . . . . . . 382
9.3 Multivariate alteration detection (MAD) . . . . . . . . . . . . 384
9.3.1 Canonical correlation analysis (CCA) . . . . . . . . . . 385
9.3.2 Orthogonality properties . . . . . . . . . . . . . . . . . 388
9.3.3 Iteratively re-weighted MAD . . . . . . . . . . . . . . 389
9.3.4 Scale invariance . . . . . . . . . . . . . . . . . . . . . . 391
9.3.5 Correlation with the original observations . . . . . . . 392
9.3.6 Regularization . . . . . . . . . . . . . . . . . . . . . . 394
9.3.7 Postprocessing . . . . . . . . . . . . . . . . . . . . . . 396
9.4 Unsupervised change classification . . . . . . . . . . . . . . . 397
9.5 iMAD on the Google Earth Engine . . . . . . . . . . . . . . . 399
9.6 Change detection with polarimetric SAR imagery . . . . . . . 401
9.6.1 Scalar imagery: the gamma distribution . . . . . . . . 402
9.6.2 Polarimetric imagery: the complex Wishart distribu-
tion . . . . . . . . . . . . . . . . . . . . . . . . . . . . 405
9.6.3 Python software . . . . . . . . . . . . . . . . . . . . . 409
9.6.4 SAR change detection on the Google Earth Engine . . 413
9.7 Radiometric normalization of visual/infrared images . . . . . 415
9.7.1 Scatterplot matching . . . . . . . . . . . . . . . . . . . 416
9.7.2 Automatic radiometric normalization . . . . . . . . . . 419
9.8 RESTful change detection on the GEE . . . . . . . . . . . . . 422
9.9 Exercises . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 422

A Mathematical Tools 427

A.1 Cholesky decomposition . . . . . . . . . . . . . . . . . . . . . 427
A.2 Vector and inner product spaces . . . . . . . . . . . . . . . . 429
A.3 Complex numbers, vectors and matrices . . . . . . . . . . . . 430
A.4 Least squares procedures . . . . . . . . . . . . . . . . . . . . . 432
A.4.1 Recursive linear regression . . . . . . . . . . . . . . . . 432
A.4.2 Orthogonal linear regression . . . . . . . . . . . . . . . 434
A.5 Proof of Theorem 7.1 . . . . . . . . . . . . . . . . . . . . . . . 437

B Efficient Neural Network Training Algorithms 441

B.1 The Hessian matrix . . . . . . . . . . . . . . . . . . . . . . . . 441
B.1.1 The R-operator . . . . . . . . . . . . . . . . . . . . . . 442
B.1.2 Calculating the Hessian . . . . . . . . . . . . . . . . . 445
B.2 Scaled conjugate gradient training . . . . . . . . . . . . . . . 447
B.2.1 Conjugate directions . . . . . . . . . . . . . . . . . . . 447
B.2.2 Minimizing a quadratic function . . . . . . . . . . . . 449
x Image Analysis, Classification, and Change Detection in Remote Sensing

B.2.3 The algorithm . . . . . . . . . . . . . . . . . . . . . . . 451

B.3 Extended Kalman filter training . . . . . . . . . . . . . . . . . 455
B.3.1 Linearization . . . . . . . . . . . . . . . . . . . . . . . 456
B.3.2 The algorithm . . . . . . . . . . . . . . . . . . . . . . . 457

C Software 463
C.1 Installation . . . . . . . . . . . . . . . . . . . . . . . . . . . . 463
C.2 Command line utilities . . . . . . . . . . . . . . . . . . . . . . 464
C.2.1 gdal . . . . . . . . . . . . . . . . . . . . . . . . . . . . 464
C.2.2 earthengine . . . . . . . . . . . . . . . . . . . . . . . . 464
C.2.3 ipcluster . . . . . . . . . . . . . . . . . . . . . . . . . . 465
C.3 Source code . . . . . . . . . . . . . . . . . . . . . . . . . . . . 465
C.4 Python scripts . . . . . . . . . . . . . . . . . . . . . . . . . . 465
C.4.1 adaboost.py . . . . . . . . . . . . . . . . . . . . . . . . 466
C.4.2 atwt.py . . . . . . . . . . . . . . . . . . . . . . . . . . 466
C.4.3 c corr.py . . . . . . . . . . . . . . . . . . . . . . . . . . 467
C.4.4 classify.py . . . . . . . . . . . . . . . . . . . . . . . . . 467
C.4.5 crossvalidate.py . . . . . . . . . . . . . . . . . . . . . . 468
C.4.6 ct.py . . . . . . . . . . . . . . . . . . . . . . . . . . . . 469
C.4.7 dispms.py . . . . . . . . . . . . . . . . . . . . . . . . . 469
C.4.8 dwt.py . . . . . . . . . . . . . . . . . . . . . . . . . . . 470
C.4.9 eeMad.py . . . . . . . . . . . . . . . . . . . . . . . . . 470
C.4.10 eeSar seq.py . . . . . . . . . . . . . . . . . . . . . . . . 471
C.4.11 eeWishart.py . . . . . . . . . . . . . . . . . . . . . . . 471
C.4.12 ekmeans.py . . . . . . . . . . . . . . . . . . . . . . . . 472
C.4.13 em.py . . . . . . . . . . . . . . . . . . . . . . . . . . . 472
C.4.14 enlml.py . . . . . . . . . . . . . . . . . . . . . . . . . . 473
C.4.15 gamma filter.py . . . . . . . . . . . . . . . . . . . . . . 473
C.4.16 hcl.py . . . . . . . . . . . . . . . . . . . . . . . . . . . 474
C.4.17 iMad.py . . . . . . . . . . . . . . . . . . . . . . . . . . 474
C.4.18 iMadmap.py . . . . . . . . . . . . . . . . . . . . . . . . 475
C.4.19 kkmeans.py . . . . . . . . . . . . . . . . . . . . . . . . 475
C.4.20 kmeans.py . . . . . . . . . . . . . . . . . . . . . . . . . 476
C.4.21 kpca.py . . . . . . . . . . . . . . . . . . . . . . . . . . 476
C.4.22 krx.py . . . . . . . . . . . . . . . . . . . . . . . . . . . 477
C.4.23 mcnemar.py . . . . . . . . . . . . . . . . . . . . . . . . 477
C.4.24 meanshift.py . . . . . . . . . . . . . . . . . . . . . . . 477
C.4.25 mmse filter.py . . . . . . . . . . . . . . . . . . . . . . . 478
C.4.26 mnf.py . . . . . . . . . . . . . . . . . . . . . . . . . . . 478
C.4.27 pca.py . . . . . . . . . . . . . . . . . . . . . . . . . . . 478
C.4.28 plr.py . . . . . . . . . . . . . . . . . . . . . . . . . . . 479
C.4.29 radcal.py . . . . . . . . . . . . . . . . . . . . . . . . . 479
C.4.30 readshp.py . . . . . . . . . . . . . . . . . . . . . . . . . 480
C.4.31 registerms.py . . . . . . . . . . . . . . . . . . . . . . . 480
C.4.32 registersar.py . . . . . . . . . . . . . . . . . . . . . . . 481
Contents xi

C.4.33 rx.py . . . . . . . . . . . . . . . . . . . . . . . . . . . . 482

C.4.34 sar seq.py . . . . . . . . . . . . . . . . . . . . . . . . . 482
C.4.35 scatterplot.py . . . . . . . . . . . . . . . . . . . . . . . 483
C.4.36 som.py . . . . . . . . . . . . . . . . . . . . . . . . . . . 483
C.4.37 subset.py . . . . . . . . . . . . . . . . . . . . . . . . . 484
C.5 JavaScript on the GEE Code Editor . . . . . . . . . . . . . . 484
C.5.1 imad run . . . . . . . . . . . . . . . . . . . . . . . . . 484
C.5.2 omnibus run . . . . . . . . . . . . . . . . . . . . . . . 484
C.5.3 omnibus view . . . . . . . . . . . . . . . . . . . . . . . 485
C.5.4 imad . . . . . . . . . . . . . . . . . . . . . . . . . . . . 485
C.5.5 omnibus . . . . . . . . . . . . . . . . . . . . . . . . . . 485
C.5.6 utilities . . . . . . . . . . . . . . . . . . . . . . . . . . 485

Mathematical Notation 487

References 489

Index 501
Preface to the First Edition

This textbook had its beginnings as a set of notes to accompany seminars and
lectures conducted at the Geographical Institute of Bonn University and at its
associated Center for Remote Sensing of Land Cover. Lecture notes typically
continue to be refined and polished over the years until the question inevitably
poses itself: “Why not have them published?” The answer of course is “By all
means, if they contribute something new and useful.”
So what is “new and useful” here? This is a book about remote sensing
image analysis with a distinctly mathematical-algorithmic-computer-oriented
flavor, intended for graduate-level teaching and with, to borrow from the re-
mote sensing jargon, a rather restricted FOV. It does not attempt to match
the wider fields of view of existing texts on the subject, such as Schowengerdt
(1997), Richards (2012), Jensen (2005) and others. However, the topics that
are covered are dealt with in considerable depth, and I believe that this cov-
erage fills an important gap. Many aspects of the analysis of remote sensing
data are quite technical and tend to be intimidating to students with moder-
ate mathematical backgrounds. At the same time, one often witnesses a desire
on the part of students to apply advanced methods and to modify them to
fit their particular research problems. Fulfilling the latter wish, in particular,
requires more than superficial understanding of the material.
The focus of the book is on pixel-oriented analysis of visual/infrared Earth
observation satellite imagery. Among the topics that get the most attention
are the discrete wavelet transform, image fusion, supervised classification with
neural networks, clustering algorithms and statistical change detection meth-
ods. The first two chapters introduce the mathematical and statistical tools
necessary in order to follow later developments. Chapters 3 and 4 deal with
spatial/spectral transformations, convolutions and filtering of multispectral
image arrays. Chapter 5 treats image enhancement and some of the prepro-
cessing steps that precede classification and change detection. Chapters 6 and
7 are concerned, respectively, with supervised and unsupervised land cover
classification. The last chapter is about change detection with heavy emphasis
on the use of canonical correlation analysis. Each of the 8 chapters concludes
with exercises, some of which are small programming projects, intended to
illustrate or justify the foregoing development. Solutions to the exercises are
included in a separate booklet. Appendix A provides some additional mathe-
matical/statistical background and Appendix B develops two efficient training
algorithms for neural networks. Finally, Appendix C describes the installation
and use of the many computer programs introduced in the course of the book.

xiii
xiv Image Analysis, Classification and Change Detection in Remote Sensing

I’ve made considerable effort to maintain a consistent, clear mathemati-

cal style throughout. Although the developments in the text are admittedly
uncompromising, there is nothing that, given a little perseverance, cannot
be followed by a reader who has grasped the elementary matrix algebra and
statistical concepts explained in the first two chapters. If the student has am-
bitions to write his or her own image analysis programs, then he or she must
be prepared to “get the maths right” beforehand. There are, heaven knows,
enough pitfalls to worry about thereafter.
All of the illustrations and applications in the text are programmed in RSI’s
ENVI/IDL. The software is available for download at the publisher’s website:
http://www.crcpress.com/e products/downloads/default.asp
Given the plethora of image analysis and geographic information system (GIS)
software systems on the market or available under open source license, one
might think that the choice of computer environment would have been diffi-
cult. It wasn’t. IDL is an extremely powerful, array- and graphics-oriented,
universal programming language with a versatile interface (ENVI) for im-
porting and analyzing remote sensing data — a peerless combination for my
purposes. Extending the ENVI interface in IDL in order to implement new
methods and algorithms of arbitrary sophistication is both easy and fun.
So, apart from some exposure to elementary calculus (and the aforesaid
perseverance), the only other prerequisites for the book are a little familiarity
with the ENVI environment and the basic knowledge of IDL imparted by such
excellent introductions as Fanning (2000) or Gumley (2002). For everyday
problems with IDL at any level from “newbie” on upward, help and solace are
available at the newsgroup
comp.lang.idl-pvwave
frequented by some of the friendliest and most competent gurus on the net.
I would like to express my thanks to Rudolf Avenhaus and Allan Nielsen
for their many comments and suggestions for improvement of the manuscript
and to CRC Press for competent assistance in its preparation. Part of the
software documented in the text was developed within the Global Monitor-
ing for Security and Stability (GMOSS) network of excellence funded by the
European Commission.

Morton Canty
Preface to the Second Edition

Shortly after the manuscript for the first edition of this book went to the
publisher, ENVI 4.3 appeared along with, among other new features, a support
vector machine classifier. Although my decision not to include the SVM in
the original text was a conscious one (I balked at the thought of writing my
own IDL implementation), this event did point to a rather glaring omission
in a book purporting to be partly about land use/land cover classification.
So, almost immediately, I began to dream of a Revised Second Edition and
to pester CRC Press for a contract. This was happily forthcoming and the
present edition now has a fairly long section on supervised classification with
support vector machines.
The SVM is just one example of so-called kernel methods for nonlinear
data analysis, and I decided to make kernelization one of the themes of the
revised text. The treatment begins with a dual formulation for ridge regression
in Chapter 2 and continues through kernel principal components analysis in
Chapters 3 and 4, support vector machines in Chapter 6, kernel K-means clus-
tering in Chapter 8 and nonlinear change detection in Chapter 9. Other new
topics include entropy and mutual information (Chapter 1), adaptive boosting
(Chapter 7) and image segmentation (Chapter 8). In order to accommodate
the extended material on supervised classification, discussion is now spread
over the two Chapters 6 and 7. The exercises at the end of each chapter have
been extended and re-worked and, as for the first edition, a solutions manual
is provided.
I have written several additional IDL extensions to ENVI to accompany the
new themes, which are available, together with updated versions of previous
programs, for download on the Internet. In order to accelerate some of the
more computationally intensive routines for users with access to CUDA (par-
allel processing on NVIDIA graphics processors), code is included which can
make use of the IDL bindings to CUDA provided by Tech-X Corporation in
their GPULib product:
http://gpulib.txcorp.com
Notwithstanding the revisions, the present edition remains a monograph
on pixel-oriented analysis of intermediate-resolution remote sensing imagery
with emphasis on the development and programming of statistically moti-
vated, data-driven algorithms. Important topics such as object-based feature
analysis (for high-resolution imagery), or the physics of the radiation/surface
interaction (for example, in connection with hyperspectral sensing) are only

xv
xvi Image Analysis, Classification and Change Detection in Remote Sensing

touched upon briefly, and the huge field of radar remote sensing is left out
completely. Nevertheless, I hope that the in-depth focus on the topics covered
will continue to be of use both to practitioners as well as to teachers.
I would like to express my appreciation to Peter Reinartz and the German
Aerospace Center for permission to use the traffic scene images in Chapter 9
and to NASA’s Land Processes Distributed Active Archive Center for free and
uncomplicated access to archived ASTER imagery. Thanks also go to Peter
Messmer and Michael Galloy, Tech-X Corp., for their prompt responses to my
many cries for help with GPULib. I am especially grateful to my colleagues
Harry Vereecken and Allan Nielsen, the former for generously providing me
with the environment and resources needed to complete this book, the latter
for the continuing inspiration of our friendship and long-time collaboration.

Morton Canty
Preface to the Third Edition

A main incentive for me to write a third edition of this book stemmed from my
increasing enthusiasm for the Python programming language. I began to see
the advantage of illustrating the many image processing algorithms covered
in earlier editions of the text not only in the powerful and convenient, but
not inexpensive, ENVI/IDL world, but also on a widely available open source
platform. Python, together with the NumPy and Scipy packages, can hold its
own with any commercial array processing software system. Furthermore, the
Geospatial Data Abstraction Library (GDAL) and its Python wrappers allow
for great versatility and convenience in reading, writing and manipulating dif-
ferent image formats. This was enough to get me going on a revised textbook,
one which I hope will have appeal beyond the ENVI/IDL community.
Another incentive for a new edition was hinted at in the preface to the
previous edition, namely the lack of any discussion of the vast and increas-
ingly important field of radar remote sensing. Obviously this would be a topic
for (at least) a whole new book, so I have included material only on a very
special aspect of particular interest to me, namely multivariate statistical clas-
sification and change detection algorithms applied to polarimetric synthetic
aperture radar (polSAR) data. Up until recently, not many researchers or
practitioners have had access to this kind of data. However with the advent of
several spaceborne polarimetric SAR instruments such as the Japanese ALOS,
the Canadian Radarsat-2, the German TerraSAR-X and the Italian COSMO-
SkyMed missions, the situation has greatly improved. Chapters 5, 7 and 9
now include treatments of speckle filtering, image co-registration, supervised
classification and multivariate change detection with multi-look polSAR data.
The software associated with the present edition includes, along with the
ENVI/IDL extensions, Python scripts for all of the main processing, classifi-
cation and change detection algorithms. In addition, many examples discussed
in the text are illustrated with Python scripts as well as in IDL. The Appen-
dices C and D separately document the installation and use of the ENVI/IDL
and Python code. For readers who wish to use the Eclipse/Pydev development
environment (something which I highly recommend), the Python scripts are
provided in the form of a Pydev project.
What is missing in the Python world, of course, is the slick GUI provided
by ENVI. I have made no attempt to mimic an ENVI graphical environment
in Python, and the scripts provided content themselves with reading imagery
from, and writing results to, the file system. A rudimentary command line
script for RGB displays of multispectral band combinations in different his-

xvii
xviiiImage Analysis, Classification and Change Detection in Remote Sensing

togram enhancement modes is included.

For an excellent introduction to scientific computing in Python see Lang-
tangen (2009). The book by Westra (2013) provides valuable tips on geospatial
development in Python, including GDAL programming. The definitive refer-
ence on IDL is now certainly Galloy (2011), an absolute must for anyone who
uses the language professionally.
With version 5.0, a new ENVI graphics environment and associated API has
appeared which has a very different look and feel to the old “ENVI Classic”
environment, as it is officially referred to. Fortunately the classic environment
is still available and, for reasons of compatibility with previous versions, the
IDL programming examples in the text use the classic interface and its asso-
ciated syntax. Most of the ENVI/IDL extensions as documented in Appendix
C are provided both for the new as well as for the classic GUI/API.
I would like to express my appreciation to the German Aerospace Center
for permission to use images from the TerraSAR-X platform and to Henning
Skriver, DTU Space Denmark, for allowing me to use his EMISAR polari-
metric data. My special thanks go to Allan Nielsen and Frank Thonfeld for
acquainting me with SAR imagery analysis and to Rudolf Avenhaus for his
many helpful suggestions in matters statistical.

Morton Canty
Preface to the Fourth Edition

The fourth revision marks the completion of a transition, begun in the pre-
ceding edition, from ENVI/IDL to the Python language for implementing the
algorithms discussed in the text. It was with some hesitation that I abandoned
the comfort and convenience of the powerful ENVI/IDL environment and ven-
tured into the raw world of open source. But it has become apparent that open
source software is the future for scientific computing in general and for geo-
spatial analysis in particular. The popularity of R, JavaScript or Python in
the remote sensing community, the potential of machine learning software
such as TensorFlow for object recognition, the Python and JavaScript APIs
to the wonderful Google Earth Engine, the many open source mapping plat-
forms and servers like Mapbox, OpenLayers, Leaflet or the OpenStreetMap
project, the elegance of Jupyter notebooks for interactive and collaborative
development, the power of container technology like Docker for painless distri-
bution of scientific software, all of the advantages of these languages, tools and
platforms are freely available and under continual development by a gigantic
community of software engineers, both commercial and voluntary.
So I have jumped off the fence and onto the open source bandwagon in order
to ensure that the computer code used in the present version of the book will
be not only in line with the current trend, but also accessible to anyone,
student or scientist, with a computer and an Internet connection. Each of the
nine chapters of the text is now accompanied by its own Jupyter notebook
illustrating all, or almost all, of the concepts and algorithms presented in that
chapter. The Python scripts are uniformly command-line oriented so as to be
able to be started easily from within a notebook input cell. All of the software
is packaged into a single Docker container which, when run on the user’s
machine, serves the Jupyter notebooks to his or her favorite web browser.
The necessary packages and modules, including the Google Earth Engine and
TensorFlow APIs, are already built into the container so that there is no need
to install anything at all, apart from the Docker engine. This is of course great
for the reader, and for me it means no longer worrying about 32-bit vs. 64-
bit Windows vs. Linux vs. MacOS, or who has what pre-installed version of
which Python package. The container is pulled from DockerHub automatically
when run for the first time, and the source software can be cloned/forked from
GitHub. The details are all given in an appendix.
Had I approached this revision just a couple of years ago, I would have had
some misgivings about retaining the long and rigorous descriptions of neural
network training algorithms in Chapter 6 and Appendix B. Neural network

xix
xx Image Analysis, Classification and Change Detection in Remote Sensing

land cover classifiers had until recently gone somewhat out of fashion, giv-
ing way to random forests, support vector machines and the like. However,
given the present artificial intelligence craze, the mathematical detail in the
text should help to provide a solid background for anyone interested in un-
derstanding and exploiting deep learning techniques.
Like the earlier editions, this is not a text on programming or on the in-
tricacies of the various packages, tools and APIs referred to in the text. As
a solid introduction to scientific computing with Python, I would still recom-
mend Langtangen (2009) and, for TensorFlow, the book by Géron (2017). I
expect that I’m not alone in hoping for a good textbook on the Google Earth
Engine API. Fortunately the on-line documentation is excellent.
Apart from taking advantage of many of these exciting advances in open
source computing, the revised text continues to concentrate on an in-depth
treatment of pixel-oriented, data-driven, statistical methods for remote sens-
ing image processing and interpretation. The choice of topics and algorithms
is by no means all-encompassing and reflects strongly the author’s personal in-
terests and experience. Those topics chosen, however, are presented in depth
and from first principles. Chapters 1 and 2 on linear algebra and statistics
continue to be pretty much essential for an understanding of the rest of the
material. Especially new in the present edition is the discussion of an ele-
gant sequential change detection method for polarimetric synthetic aperture
radar imagery developed by Knut Conradsen and his colleagues at the Danish
Technical University. It has been a pleasure for me to be involved in its imple-
mentation, both in “conventional” Python and for the Google Earth Engine
Python and JavaScript APIs.
I would like to thank my editor Irma Shagla Britton at CRC Press for
waking me up to the idea of a fourth edition, and to give a big thank you to
the friendly, competent and infinitely patient GEE development team.

Morton Canty
Author Biography

Morton John Canty, now semi-retired, was a senior research scientist in the
Institute for Bio- and Geosciences at the Jülich Research Center in Germany.
He received his PhD in Nuclear Physics in
1969 at the University of Manitoba, Canada
and, after post-doctoral positions in Bonn,
Groningen and Marburg, began work in Jülich
in 1979. There, his principal interests have
been the development of statistical and game-
theoretical models for the verification of inter-
national treaties and the use of remote sensing
data for monitoring global treaty compliance.
He has served on numerous advisory bodies to
the German Federal Government and to the
International Atomic Energy Agency in Vi-
enna and was a coordinator within the Euro-
pean Network of Excellence on Global Mon-
itoring for Security and Stability, funded by
the European Commission. Morton Canty is the author of three monographs
in the German language: on the subject of non-linear dynamics (Chaos und
Systeme, Vieweg, 1995), neural networks for classification of remote sensing
data (Fernerkundung mit neuronalen Netzen, Expert, 1999) and algorithmic
game theory (Konfliktlösungen mit Mathematica, Springer 2000). The lat-
ter text has appeared in a revised English version (Resolving Conflicts with
Mathematica, Academic Press, 2003). He is co-author of a monograph on
mathematical methods for treaty verification (Compliance Quantified, Cam-
bridge University Press, 1996). He has published many papers on the sub-
jects of experimental nuclear physics, nuclear safeguards, applied game theory
and remote sensing and has lectured on nonlinear dynamical growth models
and remote sensing digital image analysis at Universities in Bonn, Berlin,
Freiberg/Saxony and Rome.

xxi
1
Images, Arrays, and Matrices

There are many Earth observation satellite-based sensors, both active and
passive, currently in orbit or planned for the near future. Representative of
these, we describe briefly the multispectral ASTER system (Abrams et al.,
1999) and the TerraSAR-X synthetic aperture radar satellite (Pitz and Miller,
2010). See Jensen (2018), Richards (2012) and Mather and Koch (2010) for
overviews of remote sensing satellite platforms.
The Advanced Spaceborne Thermal Emission and Reflectance Radiometer
(ASTER) instrument was launched in December 1999 on the Terra space-
craft. It is being used to obtain detailed maps of land surface temperature,
reflectance and elevation and consists of sensors to measure reflected solar
radiance and thermal emission in three spectral intervals:

• VNIR: Visible and near-infrared bands 1, 2, 3N, and 3B, in the spectral
region between 0.52 and 0.86 µm (four arrays of charge-coupled detectors
(CCDs) in pushbroom scanning mode).
• SWIR: Short wavelength infrared bands 4 to 9 in the region between
1.60 and 2.43 µm (six cooled PtSi-Si Schottky barrier arrays, pushbroom
scanning).
• TIR: Thermal infrared bands 10 to 14 covering a spectral range from 8.13
to 11.65 µm (cooled HgCdTe detector arrays, whiskbroom scanning).

The altitude of the spacecraft is 705 km. The across- and in-track ground
sample distances (GSDs), i.e., the detector widths projected through the sys-
tem optics onto the Earth’s surface, are 15 m (VNIR), 30 m (SWIR) and
90 m (TIR).∗ The telescope associated with the 3B sensors is back-looking at
an angle of 27.6o to provide, together with the 3N sensors, along-track stereo
image pairs. In addition, the VNIR camera can be rotated from straight down
(nadir) to ± 24o across-track. The SWIR and TIR instrument mirrors can be
pointed to ± 8.5o across-track. Like most platforms in this ground resolution
category, the orbit is near polar, sun-synchronous. Quantization levels are 8
bits for VNIR and SWIR and 12 bits for TIR. The sensor systems have an

∗ At the time of writing, both the VNIR and TIR systems are still producing good data.

The SWIR sensor was declared to be unusable in 2008.

1
2 Images, Arrays, and Matrices

FIGURE 1.1
ASTER color composite image (1000 × 1000 pixels) of VNIR bands 1 (blue),
2 (green), and 3N (red) over the town of Jülich in Germany, acquired on May
1, 2007. The bright areas are open cast coal mines.

average duty cycle of 8% per orbit (about 650 scenes per day, each 60×60 km2
in area) with revisit times between 4 and 16 days.
Figure 1.1 shows a spatial/spectral subset of an ASTER scene. The image is
a UTM (Universal Transverse Mercator) projection oriented along the satel-
lite path (rotated approximately 16.4o from north) and orthorectified using a
digital terrain model generated from the stereo bands.
Unlike passive multi- and hyperspectral imaging sensors, which measure
reflected solar energy or the Earth’s thermal radiation, synthetic aperture
radar (SAR) airborne and satellite platforms supply their own microwave
radiation source, allowing observations which are independent of time of day
 3

FIGURE 1.2
A 5000×5000-pixel spatial subset of the HH polarimetric band of a TerraSAR-
X quad polarimetric image acquired over the Rhine River, Germany, in so-
called Stripmap mode. The data are slant-range, single-look, complex. The
gray-scale values correspond to the magnitudes of the complex pixel values.

or cloud cover. The radar antenna on the TerraSAR-X satellite, launched in

June, 2007, emits and receives X-band radar (9.65 GHz) in both horizontal and
vertical polarizations to provide surface imaging with a geometric resolution
from about 18 m (scanSAR mode, 10 km×150 km swath) down to 1 m (high-
resolution Spotlight mode, 10 km×5 km swath). It flies in a sun-synchronous,
near-polar orbit at an altitude of 514 km with a revisit time for points on
the equator of 11 days. Figure 1.2 shows a TerraSAR-X HH polarimetric
band (horizontally polarized radiation emitted and detected) acquired over
the Rhine River, Germany, in April, 2010. The data are at the single-look,
slant-range complex (SLC) processing level, and are not map-projected.
4 Images, Arrays, and Matrices

1.1 Multispectral satellite images

A multispectral, optical/infrared image such as that shown in Figure 1.1 may
be represented as a three-dimensional array of gray-scale values or pixel in-
tensities
gk (i, j), 1 ≤ i ≤ c, 1 ≤ j ≤ r, 1 ≤ k ≤ N,

where c is the number of pixel columns (also called samples) and r is the
number of pixel rows (or lines). The index k denotes the spectral band, of
which there are N in all. For data at an early processing stage a pixel may be
stored as a digital number (DN), often in a single byte so that 0 ≤ gk ≤ 255.
This is the case for the ASTER VNIR and SWIR bands at processing level L1A
(unprocessed reconstructed instrument data), whereas the L1A TIR data are
quantized to 12 bits (as unsigned integers) and thus stored as digital numbers
from 0 to 212 − 1 = 4095. Processed image data may of course be stored in
byte, integer or floating point format and can have negative or even complex
values.
The gray-scale values in the various bands encode measurements of the
radiance L∆λ (x, y) in wavelength interval ∆λ due to sunlight reflected from
some point (x, y) on the Earth’s surface, or due to thermal emission from
that surface, and focused by the instrument’s optical system along the array
of sensors. Ignoring all absorption and scattering effects of the intervening
atmosphere, the at-sensor radiance available for measurement from reflected
sunlight from a horizontal, Lambertian surface, i.e., a surface which scatters
reflected radiation uniformly in all directions, is given by

L∆λ (x, y) = E∆λ · cos θz · R∆λ (x, y)/π. (1.1)

The units are [W/(m2 · sr · µm)], E∆λ is the average spectral solar irradiance
in the spectral band ∆λ, θz is the solar zenith angle, R∆λ (x, y) is the surface
reflectance at coordinates (x, y), a number between 0 and 1, and π accounts
for the upper hemisphere of solid angle. The conversion between DN and
at-sensor radiance is determined by the sensor calibration as measured (and
maintained) by the satellite image provider. For example, for ASTER VNIR
and SWIR L1A data,

L∆λ (x, y) = A · DN/G + D.

The quantities A (linear coefficient), G (gain), and D (offset) are tabulated

for each of the detectors in the arrays and included with each acquisition.
Atmospheric scattering and absorption models may be used to deduce at-
surface radiance, surface temperature and emissivity or surface reflectance
from the observed radiance at the sensor. Reflectance and emissivity are di-
rectly related to the physical properties of the surface being imaged. See
Multispectral satellite images 5

Schowengerdt (2006) for a thorough discussion of atmospheric effects and their

correction.
Various conventions are used for storing the image array gk (i, j) in computer
memory or other storage media. In band interleaved by pixel (BIP) format, for
example, a two-channel, 3 × 3 pixel image would be stored as
g1 (1, 1) g2 (1, 1) g1 (2, 1) g2 (2, 1) g1 (3, 1) g2 (3, 1)
g1 (1, 2) g2 (1, 2) g1 (2, 2) g2 (2, 2) g1 (3, 2) g2 (3, 2)
g1 (1, 3) g2 (1, 3) g1 (2, 3) g2 (2, 3) g1 (3, 3) g2 (3, 3),
whereas in band interleaved by line (BIL) it would be stored as
g1 (1, 1) g1 (2, 1) g1 (3, 1) g2 (1, 1) g2 (2, 1) g2 (3, 1)
g1 (1, 2) g1 (2, 2) g1 (3, 2) g2 (1, 2) g2 (2, 2) g2 (3, 2)
g1 (1, 3) g1 (2, 3) g1 (3, 3) g2 (1, 3) g2 (2, 3) g2 (3, 3),
and in band sequential (BSQ) format as
g1 (1, 1) g1 (2, 1) g1 (3, 1)
g1 (1, 2) g1 (2, 2) g1 (3, 2)
g1 (1, 3) g1 (2, 3) g1 (3, 3)
g2 (1, 1) g2 (2, 1) g2 (3, 1)
g2 (1, 2) g2 (2, 2) g2 (3, 2)
g2 (1, 3) g2 (2, 3) g2 (3, 3).
In the computer language Python, augmented with the numerical package
NumPy, so-called row major indexing is used for arrays and the elements in
an array are numbered from zero. This means that, if a gray-scale image g
is assigned to a Python array variable g, then the intensity value g(i, j) is
addressed as g[j-1,i-1]. An N -band multispectral image is stored in BIP
format as an r × c × N array in NumPy, in BIL format as an r × N × c and in
BSQ format as an N × r × c array. So, for example, in BIP format the value
gk (i, j) is stored at g[j-1,i-1,k-1].
Auxiliary information, such as image acquisition parameters and georef-
erencing, is sometimes included with the image data on the same file, and
the format may or may not make use of compression algorithms. Examples
are the GeoTIFF∗ file format used, for instance, by Space Imaging Inc. for
distributing Carterra c imagery and which includes lossless compression, the
HDF-EOS (Hierarchical Data Format-Earth Observing System) files in which
ASTER images are distributed, and the PCIDSK format employed by PCI
Geomatics c with its image processing software, in which auxiliary informa-
tion is in plain ASCII and the image data are not compressed. ENVI ( c Harris
Geospatial Solutions) uses a simple “flat binary” file structure with an addi-
tional ASCII header file.

∗ GeoTIFF is an open source specification and refers to TIFF files which have geographic

(or cartographic) data embedded as tags within the file. The geographic data can be used
to position the image in the correct location and geometry on the screen of a geographic
information display.
6 Images, Arrays, and Matrices

Listing 1.1: Reading and displaying an image band in Python.

1 # !/ usr / bin / env python
2 # Name : ex1_1 . py
3 import numpy as np
4 import sys
5 from osgeo import gdal
6 from osgeo . gdalconst import GA_ReadOnly
7 import matplotlib . pyplot as plt
8
9 def disp ( infile , bandnumber ):
10 gdal . AllRegister ()
11 inDataset = gdal . Open ( infile , GA_ReadOnly )
12 cols = inDataset . RasterXSize
13 rows = inDataset . RasterYSize
14 bands = inDataset . RasterCount
15
16 image = np . zeros (( bands , rows , cols ))
17 f o r b i n range( bands ):
18 band = inDataset . GetRasterBand ( b +1)
19 image [b ,: ,:]= band . ReadAsArray (0 ,0 , cols , rows )
20 inDataset = None
21
22 # display NIR band
23 band = image [ bandnumber -1 ,: ,:]
24 mn = np . amin ( band )
25 mx = np . amax ( band )
26 plt . imshow (( band - mn )/( mx - mn ) , cmap = ’ gray ’)
27 plt . show ()
28
29 i f __name__ == ’ __main__ ’:
30 infile = sys . argv [1]
31 bandnumber = i n t ( sys . argv [2])
32 disp ( infile , bandnumber )

Listing 1.1 is a simple and fairly self-explanatory Python script which reads
a multispectral image into a Python/NumPy array in BSQ interleave format
with the aid of GDAL (the Geospatial Data Abstraction Library) and then
displays a spectral band using the matplotlib.pyplot package. The script
takes two arguments, the image filename and the band number to be displayed
and is run from the command prompt in Windows or from a console window
on Unix-like systems with the command python ex1 1.py *args. In the Unix
case, the “shebang” #! in the first line allows it to be run simply by typing
the filename, assuming the path to the env utility is /usr/bin/env. In this
book we will prefer to work almost exclusively from within Jupyter notebooks,
where the script can be executed with the so-called line magic %run without
Another Random Scribd Document
with Unrelated Content
näytti kuin Don Fernandon kasvot olisivat valahtaneet kalpeiksi ja
kuin hän olisi ollut aikeissa kostaa Cardeniolle, sillä hänen kätensä
näkyi liikahtavan kohti miekankahvaa. Tuon ajatuksen hänen
mieleensä iskiessä Dorotea samassa kietoi uskomattoman nopeasti
käsivartensa Don Fernandon polvien ympärille, suuteli niitä, puristi
niin kiinteästi, ettei hän kyennyt liikahtamaan, ja lausui, ollenkaan
hillitsemättä kyyneliään:

— Mitä aiotkaan tehdä, sinä minun ainoa turvani, tänä

odottamattoman ratkaisun hetkenä? Sinun vaimosi on jalkojesi
edessä, ja hän, jota vaimoksesi toivot, on oman miehensä sylissä.
Harkitse siis, onko hyvä tai onko mahdollistakaan purkaa, mitä taivas
on rakentanut, vai onko soveliaampaa, että tahdot koroittaa
vertaiseksesi hänet, joka mistään vastuksista välittämättä, vakaana
vilpittömyydessään ja uskollisuudessaan, vuodattaa sinun silmiesi
edessä omista silmistään rakkauden kyyneliä niillä kostuttaen oikean
puolisonsa kasvoja ja povea. Minä pyydän Jumalan nimessä ja
rukoilen sinun itsesi nimessä, ettet salli tämän julkisen selvityksen
lisätä vihaasi, vaan päinvastoin annat sen sitä lauhduttaa, niin että
tyynenä ja rauhallisena suot näiden rakastavaisten esteettömästi
nauttia samaa rauhaa niin kauan kuin taivas suvaitsee sitä heille
lahjoittaa. Siten osoitat ylevän ja ylhäisen sydämesi jaloutta, ja
maailma saa nähdä, että sinua vallitsee enemmän järki kuin himo.

Dorotean niin puhuessa Cardenio piti yhä sylissään Luscindaa,

kumminkaan siirtämättä katsettaan Don Fernandosta. Siltä varalta,
että näkisi Don Fernandon uhkaavasti liikahtavan, hän oli vakaasti
päättänyt yrittää puolustautua ja parhaansa mukaan ahdistaa kaikkia
niitä, jotka osoittautuisivat hänelle vihamielisiksi, vaikka siinä
henkensä menettäisi. Mutta nyt puuttuivat asiaan Don Fernandon
ystävät sekä kirkkoherra ja parturi, jotka olivat olleet koko ajan
läsnä, ja olipa muiden mukana Sancho Panzakin. He kaikki
kerääntyivät Don Fernandon ympärille rukoillen, että hän suvaitsisi
nähdä Dorotean kyynelet eikä sallisi hänen oikeudenmukaisten
toiveittensa joutuvan häpeään, jos kerran, kuten he varmaan
uskoivat, kaikki, mitä hän oli sanonut, oli totista totta. Hänen tuli
ottaa huomioon, etteivät he kaikki olleet suinkaan kohdanneet
toisiaan täällä vähimmin sitä aavistaen, pelkästä sattumasta, vaan
taivaan erikoisesta johdatuksesta. Sitä paitsi hänen tuli ajatella,
sanoi kirkkoherra, että ainoastaan kuolema voi erottaa Luscindan
Cardeniosta ja että he, vaikka jokin miekantutkain heidät erottaisikin,
pitäisivät kuolemaansa korkeimpana onnenaan. Auttamattomissa
tapauksissa oli hänen mielestään viisainta osoittaa sydämensä
jaloutta itse voittamalla ja taivuttamalla itsensä, ja niin tuli hänenkin
myöntyä siihen, että molemmat rakastavaiset saivat nauttia taivaan
jo heille suomaa onnea. Jos hän kiinnittäisi huomionsa Dorotean
kauneuteen, niin saisi nähdä, ettei montakaan, ehkeipä ketään, voitu
pitää hänen vertaisenaan, vielä vähemmin häntä kauniimpana, ja
kauneuden ohella oli vielä muistettava hänen vaatimattomuutensa ja
rajaton rakkautensa. Mutta ennen kaikkea Don Fernandon tuli tietää,
ettei hän, jos katsoi kunniakseen olla ritari ja kristitty, voinut
mitenkään olla pitämättä antamaansa lupausta ja että hän sen
pitäessään täyttäisi velvollisuutensa Jumalaa kohtaan ja saavuttaisi
järkevien ihmisten suosion, sillä nämä tietävät ja oivaltavat, että
alhaisenkin henkilön kauneudella, kun siihen yhtyy siveys, on se
erioikeus, että se voidaan koroittaa minkä ylhäisyyden vertaiseksi
tahansa, koroittavan ja vertaisekseen tekevän henkilön joutumatta
silti mitenkään vahinkoon. Milloin lemmen kiintymyksen velvoittavat
lait täyttyivät, ei kirkkoherran mielestä pitänyt syyttää niiden
noudattajia, elleivät he tehneet itseään syypäiksi mihinkään syntiin.
 Näihin kehoituksiin liittivät kaikki muut toisia ja niin vakuuttavia,
että Don Fernandon sydän, jota sittenkin ravitsi jalo veri, heltyi ja
alistui totuuteen, jota hän ei olisi tahtoenkaan voinut kieltää. Ja
osoittaakseen, että oli antautunut ja taipunut hänelle esitettyyn
mielipiteeseen, hän kumartui ja syleili Doroteaa sanoen:

— Nouskaa, valtiattareni; ei ole oikein, että hän, jonka tyyssija on

minun sielussani, on polvillaan minun jalkojeni edessä. Se seikka,
etten ole aikaisemmin ilmaissut, mitä sanon, on kenties johtunut
taivaan käskystä, jotta näkisin, kuinka uskollisesti minua rakastatte,
ja siitä oppisin antamaan teille ansaitsemanne arvon. Nyt pyydän
hartaasti olemaan lukematta viakseni pahaa käytöstäni ja
huolimattomuuttani, sillä sama syy ja voima, joka sai minut
tunnustamaan teidät omakseni, yllytti minua aikaisemmin teistä
irtautumaan. Jos tahdotte havaita väitteeni todeksi, kääntykää ja
katsokaa nyt onnellisen Luscindan silmiin, niin löydätte niistä
kaikkien hairahdusteni selityksen ja puolustuksen. Ja koska hän on
nyt löytänyt ja saavuttanut, mitä kaipasi, samoinkuin minä olen
teistä löytänyt sen, mikä minulle kuuluu, eläköön hän levollisena ja
tyytyväisenä Cardenionsa kanssa monet onnelliset vuodet. Minä
rukoilen taivasta sallimaan minun elää samoin Doroteani kanssa.

Niin sanottuaan hän jälleen syleili Doroteaa ja painoi poskensa

hänen poskeensa niin sydämellisen hellästi, että hänen oli erittäin
vaikea estää kyyneliä tulvahtamasta esiin rakkautensa ja
katumuksensa eittämättömiksi merkeiksi. Luscindan ja Cardenion ja
melkein kaikkien muiden läsnäolevien ei onnistunut niin hillitä
liikutustaan; he näet alkoivat itkeä, muutamat ilmaisten omaa
mielihyväntunnettaan, toiset ottaen siten osaa toisten onneen, ja
itkivät niin hereästi, että näytti kerrassaan siltä kuin olisi heitä kaikkia
kohdannut jokin vakava onnettomuus. Sancho Panzakin itki, vaikka
myöhemmin sanoikin itkeneensä puolestaan vain, koska oli
huomannut, ettei Dorotea ollutkaan, kuten hän oli luullut, kuningatar
Minomicóna, jolta hän oli odottanut erinomaisia suosionosoituksia.
Kaikki olivat vielä vähän aikaa itkuksi purkautuvan liikutuksen ja
siihen liittyvän ihmetyksen vallassa. Sitten Cardenio ja Luscinda
menivät Don Fernandon luo ja polvistuivat hänen eteensä kiittäen
häntä osakseen tulleesta hyvyydestä niin kohteliain lauseparsin, ettei
Don Fernando tietänyt, mitä vastata; hän siis vain nosti heidät
jaloilleen ja syleili heitä erittäin hellästi ja kohteliaasti.

Sitten hän kehoitti Doroteaa kertomaan, kuinka oli tullut tänne,

niin kauas kotipaikaltaan. Dorotea kertoi lyhyesti ja älykkäästi, mitä
oli aikaisemmin kertonut Cardeniolle, ja se miellytti Don Fernandoa
ja hänen seuralaisiaan niin, että he olisivat kernaasti kuunnelleet
kauemminkin: niin viehättävästi Dorotea esitti onnettomia
kohtaloitaan. Hänen lopetettuaan Don Fernando mainitsi, mitä
hänelle oli sattunut kaupungissa, sittenkuin hän oli löytänyt
Luscindan povesta kirjeen, jossa tämä selitti olevansa Cardenion
puoliso, joten hänen oli mahdoton tulla hänen omakseen. Hän oli
mielinyt surmata Luscindan, ja olisi sen tehnytkin, elleivät neidon
vanhemmat olisi estäneet; ja niin hän oli poistunut talosta
raivoissaan ja häpeissään, päättäen kostaa, kun tarjoutuisi sopivampi
tilaisuus. Seuraavana päivänä hän oli saanut kuulla, että Luscinda oli
kadonnut vanhempiensa kodista, mutta kukaan ei tietänyt sanoa,
minne hän oli lähtenyt. Muutamien kuukausien kuluttua Don
Fernando oli vihdoin saanut kuulla, että hän oli eräässä luostarissa,
mihin aikoi jäädä koko iäkseen, ellei saanut elämänkumppanikseen
Cardenioa. Tuon kuultuaan Don Fernando valitsi seuralaisikseen
mainitut kolme herraa ja lähti sille paikkakunnalle, missä Luscinda
oleskeli, pyrkimättä perille päästyään kumminkaan häntä
puhuttelemaan, koska pelkäsi luostaria tarkemmin vartioitavan, jos
tiedettäisiin hänen siellä olevan. Hän odotti, kunnes portti eräänä
päivänä oli auki, jätti kaksi seuralaistaan sitä vartioimaan ja meni
kolmannen kanssa luostariin hakemaan Luscindaa, joka oli heidän
saapuessaan kaarikäytävällä keskustelemassa erään nunnan kanssa.
He olivat siepanneet hänet suomatta hänelle tilaisuutta mihinkään
toimenpiteisiin ja olivat vieneet hänet johonkin kylään, missä
hankkivat itselleen mitä tarvitsivat kuljettaakseen häntä edelleen. He
olivat voineet tehdä kaiken tuon aivan vaaratta, koska luostari sijaitsi
ulkona maaseudulla, hyvän matkan päässä kaupungista. Hän kertoi,
että Luscinda, havaitessaan joutuneensa hänen käsiinsä, meni
tajuttomaksi ja että hän siitä toivuttuaan vain itki ja huokaili,
sanaakaan virkkamatta. Niin he olivat hiljaisuuden vallitessa ja
kyynelten virratessa saapuneet tähän majataloon, mikä hänestä oli
kuin pääsy taivaaseen, missä kaikki maiset onnettomuudet loppuvat
ja tulevat päätökseen.

Seitsemäsneljättä luku,

jossa jatkuu kertomus suurimaineisesta prinsessasta

Minomicónasta ja esitetään muitakin hauskoja seikkailuja.

Kaikkea tuota kuunteli Sancho, ja hänen mieltään kovin karvasteli,

koska hän huomasi, että toiveet päästä suurten tilusten herraksi
hävisivät ja hajosivat kuin tuhka tuuleen ja että korea prinsessa
Minomicóna oli muuttunut Doroteaksi ja jättiläinen Don Fernandoksi,
isännän, Don Quijoten, nukkuessa kaikessa rauhassa, vähääkään
välittämättä siitä, mitä oli sattunut. Dorotea ei vielä oikein tietänyt,
oliko hänen onnensa totta vai unta, Cardenion laita oli samoin, ja
Luscindankin ajatukset liikkuivat samaan suuntaan. Don Fernando
kiitti taivasta osakseen tulleesta armosta ja siitä, että se oli hänet
pelastanut erehdyksen sokkeloista, missä hän oli ollut
menettämäisillään kunniansa ja sielunsa autuuden, ja niin olivat
kaikki majatalossa olevat tyytyväiset ja iloiset vaikeiden ja
toivottomilta näyttäneiden seikkojen hyvästä selviämisestä.
Kirkkoherra, älykäs mies, sovitti kaikki kohdalleen ja onnitteli kaikkia
heidän saavuttamansa onnen johdosta; mutta eniten iloitsi ja
riemuitsi kumminkin majatalon emäntä, koska Cardenio ja
kirkkoherra olivat luvanneet maksaa hänelle korkoineen kaiken sen
vahingon, joka hänelle oli Don Quijoten vuoksi koitunut. Sancho,
kuten sanottu, oli yksin murheellinen, onneton ja apeamielinen, ja
niin hän astui alakuloisen näköisenä isäntänsä luo, joka oli vastikään
herännyt, ja lausui hänelle:

— Teidän armonne, herra Murheellisen hahmon ritari, te voitte

hyvinkin nukkua niin paljon kuin mieli tekee, ollenkaan huolehtimatta
minkään jättiläisen tappamisesta tai prinsessan palauttamisesta
valtaistuimelleen, sillä se on kaikki jo tehty ja täydessä reilassa.

— Sen kyllä uskon, — vastasi Don Quijote — sillä minä taistelin

jättiläisen kanssa niin hirmuisen ja kamalan taistelun, etten usko
sellaiseen joutuvani enää eläissäni. Minä iskin yhdellä ainoalla
sivalluksella, huiskis! häneltä pään permantoon, ja hänestä juoksi
verta niin runsaasti, että sitä virtaili lattialla puroina, kuin vettä
ikään.

— Kuin punaviiniä ikään, olisi teidän armonne sopinut mieluummin

sanoa; — vastasi Sancho — minä näet huomautan teidän
armollenne, ellette sitä ennestään tiedä, että jättiläisvainaja on
aukiviilletty viinileili ja veri punaviiniä, jota sillä oli mahassaan kolme
ankkuria, ja poikki-isketty pää on… se entinen narttu, joka minut
synnytti, ja periköön sen kaiken itse piru!

— Mitä sinä puhutkaan, mieletön? — virkkoi Don Quijote. —

Oletko järjissäsi?

— Nouskaa pois, teidän armonne, — sanoi Sancho — niin saatte

nähdä, millaisen sievän tempun olette tehnyt ja kuinka paljon tässä
joudumme maksamaan; saatte nähdä, että kuningatar on muuttunut
aivan tavalliseksi naisihmiseksi, jonka nimi on Dorotea, ja vielä
muutakin, mitä joudutte ihmettelemään, kun tulette sen tietämään.

— Se ei minua ollenkaan ihmetyttäisi, — vastasi Don Quijote —

sillä sanoinhan sinulle, jos muistat, taannoin täällä ollessamme, että
kaikki, mitä täällä tapahtui, oli pelkkää noituutta, eikä kummakaan,
vaikka nyt olisi samoin laita.

— Minä uskoisin sen mielelläni, — vastasi Sancho — jos

poukotuksenikin olisi ollut sitä lajia; mutta eipäs ollutkaan, vaan se
oli ihan totista totta, ja minä näin, kuinka majatalonisäntä, sama
mies, joka on täällä vielä nyt, piteli täkin toisesta päästä ja
pompahutteli minua ilmoille sangen sievästi ja sujuvasti, nauraa
hohotellen ja lujasti tempoen, ja minä, vaikka olen vain
yksinkertainen ja syntinen ihminen, tiedän mielestäni varsin
varmaan, että siinä, missä kuontuu tuntemaan henkilöt, ei ole
noituutta minkäänlaista, vaan paljon möyhennystä ja paljon
ikävyyttä.

— No niin, kyllä Herra asiat korjaa — virkkoi Don Quijote. —

Autahan minua pukeisiin ja pääsemään sinne ulos; haluan saada
nähdä niitä tapahtumia ja muodonmuutoksia, joista puhut.
 Sancho auttoi häntä, ja hänen pukeutuessaan kirkkoherra kertoi
Don Fernandolle ja muille Don Quijoten hullutuksista ja siitä
juonesta, jota he olivat käyttäneet saadakseen hänet poistumaan.
Köyhältä kalliolta, missä hän oli kuvitellut olevansa, valtiattarensa
ylenkatseen tähden. Hän kertoi heille vielä melkein kaikki ne
seikkailut, jotka Sancho oli maininnut, ja siitä heille riitti
ihmettelemistä ja nauramista, sillä he, samoinkuin kaikki muutkin,
olivat sitä mieltä, ettei merkillisempää hulluutta voinut syntyä
missään viallisissa aivoissa. Kirkkoherra sanoi vielä, että Dorotea-
rouvan kohtaloissa sattuneen onnellisen käänteen nyt estäessä heitä
jatkamasta suunnitelmaansa oli välttämätöntä keksiä uusi, jolta Don
Quijote saataisiin kuljetetuksi takaisin kotiin. Cardenio tarjoutui
jatkamaan, mitä oli aloitettu, ja ehdotti, että Luscinda ottaisi
esittääkseen Dorotean osaa.

— Ei, — sanoi Don Fernando — niin emme tee. Jatkakoon Dorotea

osansa esittämistä. Ellei tämän hyvän ritarin kotipaikka ole kovin
kaukana täältä, niin minä olen iloinen, jos pidetään huolta hänen
paranemisestaan.

— Hänen kotipaikalleen on täältä vain kahden päivän matka.

— Vaikka olisi pitempikin, niin minä kulkisin sen mielelläni

voidakseni tehdä niin hyvän työn.

Samassa tuli huoneeseen Don Quijote täysissä varustamineissaan,

päässä Mambrinon kypäri, joka tosin oli aivan kuhmuinen,
käsivarrella pyöreä kilpi ja nojaten peitsen virassa olevaan
aisapuuhun. Don Fernando ja muut ihmettelivät kovin Don Quijoten
merkillistä hahmoa, kun näkivät hänen puolen peninkulman pituiset,
laihat ja kelmeät kasvonsa, hänen eripariset aseensa ja juhlallisen
ryhtinsä, ja olivat aivan hiljaa kuullakseen, mitä hän sanoisi. Hän
katseli kaunista Doroteaa erittäin vakavasti ja rauhallisesti ja virkkoi:

— Kaunis rouva, minun aseenkantajani on minulle ilmoittanut, että

teidän korkeutenne on tuhoutunut ja että teidän olemuksenne on
hävinnyt olemattomiin, koska te, oltuanne kuningatar ja suuri
valtiatar, olette muuttunut tavalliseksi neidiksi. Jos tämä on
tapahtunut teidän isänne, loitsutaiturin käskystä ja siitä pelosta,
etten minä antaisi teille tarpeellista apua, jonka antaminen on
velvollisuuteni, niin minä sanon teille, ettei hän ole ymmärtänyt eikä
ymmärrä asiasta mitään ja että hänellä oli huono selko
ritarihistorioista. Jos näet hän olisi lukenut ja tutkinut niitä niin
huolellisesti ja seikkaperäisesti kuin minä olen niitä tutkinut ja
lukenut, olisi hän joka kohdassa tullut huomaamaan, kuinka toiset
ritarit, jotka eivät suinkaan ole olleet niin kuuluisia kuin minä, ovat
suorittaneet vaikeampia asioita. Eihän muuten ole erikoisen vaikeata
surmata jokin jättiläisriepu, olipa hän kuinka pöyhkeä tahansa. Ei ole
montakaan tuntia siitä, kun minä olin ottelemassa hänen kanssaan
ja… en sano enempää, jottei väitetä minun valehtelevan; mutta aika,
joka tuo ilmi kaikki asiat, tulee kertomaan tämänkin, kun kaikkein
vähimmin sitä odotamme.

— Te ottelitte kahden viinileilin kanssa ettekä minkään jättiläisen

kanssa — virkkoi nyt majatalon isäntä.

Mutta Don Fernando käski häntä vaikenemaan ja olemaan missään

nimessä keskeyttämättä Don Quijoten esitystä. Tämä jatkoi
seuraavaan tapaan:

— Sanon siis teille, ylhäinen rouva, jolta teidän perintöosanne on

riistetty, että teidän, jos isänne mainitsemastani syystä on sillä
tavalla teidät muuttanut toiseen hahmoon, ei suinkaan pidä häntä
uskoa, sillä koko maailmassa ei ole mitään sellaista vaaraa, jonka
läpi minun miekkani ei kykene raivaamaan tietä, tämä miekka, jolla
minä katkaisen vihollisenne kaulan ja muutamassa päivässä lasken
jälleen päähänne valtakuntanne kruunun.

Don Quijote ei sanonut enempää, vaan odotti, että prinsessa

vastaisi hänelle. Tämä oli jo selvillä Don Fernandon tarkoituksesta,
että petollista näytelmää oli jatkettava, kunnes Don Quijote saataisiin
kuljetetuksi takaisin kotiinsa. Hän siis vastasi varsin sievästi ja
vakavasti:

— Kuka hyvänsä liekään sanonut teille, te Murheellisen hahmon

urhoollinen ritari, että entinen olemukseni on muuttunut ja vaihtunut
toiseksi, hän ei ole sanonut teille totuutta, sillä minä olen tänään
sama kuin olin eilen. On kyllä totta, että minussa ovat saaneet
aikaan eräitä muutoksia muutamat onnelliset tapahtumat, jotka
tosiaan ovat tehneet minut niin onnelliseksi kuin suinkin voin toivoa,
mutta siitä huolimatta minä olen yhä edelleen se, mikä olen ollut, ja
aikomukseni on yhä turvautua teidän urhoollisen ja voittamattoman
käsivartenne minulle tarjoamaan verrattomaan voimaan. Suvaitkaa
siis, armollinen herra, hyväntahtoisesti palauttaa isälleni, joka on
antanut minulle elämän, hänen kunniansa ja pitäkää häntä viisaana
ja taitavana miehenä, koska hän tietonsa nojalla keksi niin helpon ja
oikean keinon onnettomuuteni korjaamiseksi; minä näet uskon, etten
olisi milloinkaan saavuttanut onnea, joka nyt on omani, ellette te olisi
ollut minua auttamassa. Kun tämän sanon, sanon puhtaan totuuden,
kuten nämä läsnäolevat herrat varmaan voivat todistaa. Nyt ei ole
enää muuta tehtävää kuin lähteä matkaan, mutta vasta huomenna,
sillä tänään emme ehtisi kulkea kauas, ja mitä muuten tulee
toivomaani asian hyvään päätökseen, niin minä jätän sen Jumalan ja
teidän urhoollisuutenne huomaan.
 Niin puhui älykäs Dorotea, ja Don Quijote tuon kuultuaan kääntyi
Sanchon puoleen ja virkkoi, nähtävästi kovin närkästyneenä:

— Nyt sanon sinulle, Sanchoseni, että olet suurin lurjus koko

Espanjassa. Sano minulle, sinä hirtehinen ja maankiertäjä, etkö
vastikään väittänyt, että tämä prinsessa oli muuttunut tytöksi, jonka
nimi oli Dorotea, että se pää, jonka varmaan tiedän katkaisseeni
jättiläiseltä, oli narttu, joka sinut synnytti, ja muuta samanlaista
järjetöntä, minkä vuoksi jouduin sellaisen hämmingin valtaan, etten
ole sellaisessa ollut ikäpäivinäni? Tuhat tulimmaista… (hän kohotti
katseensa taivaaseen ja puri hampaansa yhteen) minun tekee
totisesti mieli antaa sinulle sellainen kuritus, että kaikki ne vaeltavien
ritarien valehtelevat aseenkantajat, joita maailmassa tästä lähtien
tulee olemaan, oppivat tietämään, mitä heidän rauhaansa kuuluu.

— Tyyntykää, armollinen herra; — vastasi Sancho — saattaahan

näet hyvinkin olla niin laita, että minä erehdyin, mitä tulee prinsessa
Minomicónan muuttumiseen; mutta siinä, mikä koskee jättiläisen
päätä tai ainakin viinileilien puhkomista ja sitä seikkaa, että
niinsanottu veri oli punaviiniä, minä en erehdy, en totisesti, sillä leilit
makaavat rikkinäisinä teidän armonne vuoteen pääpuolissa ja
permanto läikkyy järvenään punaviiniä. Ja ellette usko, niin
kylläpähän nähdään, kun munia paistetaan,[23] minä tarkoitan, että
tulette sen näkemään, kun hänen armonsa majatalon isäntä tulee
teiltä vaatimaan korvausta kaikesta tekemästänne vahingosta. Mitä
siihen tulee, että rouva kuningatar on se, mikä on, niin minä
puolestani siitä sydämestäni iloitsen, sillä minulla on siinä asiassa
osani samoinkuin kaikilla naapurin pojilla.

— Kuulehan, Sancho, — sanoi Don Quijote — suo anteeksi, mutta

sinä olet hölmö, ja sillä hyvä.
 — Niin, riittäköön nyt, — sanoi Don Fernando eikä nyt puhuta
enempää siitä asiasta. Ja koska armollinen prinsessa käskee, että
matkaan on lähdettävä huomenna kun tänään on jo liian myöhäistä,
tapahtukoon niin.

Tämän illan me voimme viettää miellyttävästi keskustellen, kunnes

päivä taas koittaa ja voimme lähteä saattamaan herra Don Quijotea.
Me näet haluamme olla niiden urhoollisten ja ennenkuulumattomien
urotöiden todistajina, joita hän tulee suorittamaan tehtäväkseen
ottamassaan suuressa yrityksessä.

— Minun asianani on palvella teitä ja saatella teitä, — vastasi Don

Quijote — ja minä kiitän teitä hartaasti minulle osoittamastanne
suosiosta sekä minua koskevasta hyvästä käsityksestänne, jonka
tahdon osoittaa oikeaksi, vaikka se maksaisi henkeni, ja vielä
enemmänkin, mikäli se on mahdollista.

Don Quijote ja Don Fernando lausuivat toisilleen paljon

kohteliaisuuksia ja vakuuttivat olevansa valmiit toisiaan palvelemaan.
Mutta sitten kaikki vaikenivat, kun majataloon saapui eräs uusi
vieras. Hänen puvustaan näkyi, että hän oli kristitty, joka oli äsken
palannut maurien maasta, sillä hänellä oli yllään sinisestä verasta
tehty lyhytliepeinen lyhythihainen ja kaulukseton mekko; housutkin
olivat siniset, mutta aivinaiset, ja lakki oli sekin samanvärinen;
jaloissa hänellä oli taatelinväriset puolisaappaat, ja rinnan yli
kulkevasta olkavyöstä riippui lyhyt maurilainen käyrämiekka. Hänen
jäljessään saapui aasilla ratsastaen maurilaisessa puvussa oleva
nainen, jonka kasvoja peitti huntu; hänellä oli päässään
brokadimyssy ja yllään viitta, joka verhosi hänet olkapäistä jalkoihin
saakka. Mies oli roteva ja hyvärakenteinen, ehkä hiukan yli
neljänkymmenen vuoden ikäinen, hieman tummanpuhuva. Hänen
viiksensä olivat pitkät, parta oli erittäin hyvin hoidettu ja koko hänen
ulkomuotonsa sanalla sanoen niin miellyttävä, että olisi voinut pitää
häntä ylhäisenä ja jalosukuisena miehenä, jos hän olisi ollut
paremmissa vaatteissa. Tultuaan sisään hän kysyi huonetta, näytti
olevan pahoillaan, kun hänelle sanottiin, ettei yhtäkään huonetta
ollut saatavissa, meni naisen luo, joka puvusta päättäen oli
maurilainen, ja nosti hänet maahan. Luscinda, Dorotea, majatalon
emäntä, hänen tyttärensä ja Maritornes, joissa herätti uteliaisuutta
naisen outo puku, jollaista he eivät olleet koskaan ennen nähneet,
kerääntyivät maurilaisnaisen ympärille, ja aina ystävällinen, kohtelias
ja älykäs Dorotea, huomatessaan että nainen ja hänen seuralaisensa
olivat huolissaan siitä, etteivät saaneet huonetta, sanoi hänelle:

— Älkää olko huolissanne, armollinen rouva, vaikka täältä puuttuu

kaikkea mukavuutta, sillä se on aivan tavallista majataloissamme.
Jos te suostutte viettämään yönne meidän molempien kanssa, —
hän viittasi Luscindaan — niin on mahdollista, että olette matkanne
varrella joutunut jo huonomminkin majailemaan.

Hunnutettu nainen ei vastannut mitään, nousi vain seisomaan,

laski käsivartensa ristiin rinnalleen ja taivutti päätään ja vartaloaan
osoittaen olevansa kiitollinen. Koska hän ei mitään vastannut,
otaksuivat toiset, että hän varmaan oli maurilaisnainen eikä osannut
puhua kristittyjen kieltä. Samassa tuli sisään vapautunut orja, joka
oli siihen saakka askarrellut muissa toimissa, ja huomatessaan
toisten naishenkilöitten kerääntyneen hänen matkakumppaninsa
ympärille ja tämän olevan aivan vaiti hän sanoi:

— Hyvät rouvat, tämä neito tuskin ymmärtää minun kieltäni eikä

hän osaa puhua mitään muuta kuin oman maansa kieltä. Siitä
johtuu, ettei hän varmaankaan ole vastannut eikä vastaa hänelle
tekemiinne kysymyksiin.

— Me emme kysy häneltä mitään, — vastasi Luscinda — vaan

tarjoamme hänelle täksi yöksi seuraamme ja makuupaikkaa
huoneessa, johon itse sijoitumme, ja tahdomme järjestää kaikki
hänelle niin mukavaksi kuin suinkin mahdollista, sillä auliudella, joka
velvoittaa palvelemaan kaikkia muukalaisia, jotka ovat palveluksen
tarpeessa, varsinkin, jos on kysymyksessä naishenkilö.

— Armollinen rouva, — vastasi vapautunut orja — minä suutelen

käsiänne hänen puolestaan ja omasta puolestani ja kiitän mitä
parhaimmin ja niinkuin tuleekin kohteliaasta tarjouksestanne, joka
epäilemättä on suuri suosionosoitus, kun se esitetään tällaisessa
tilaisuudessa ja kun esittäjinä ovat henkilöt, jotka ulkonäöstään
päättäen ovat ylhäisiä naisia.

— Sanokaa minulle, herra, — virkkoi Dorotea — onko hän kristitty

vai maurilainen? Hänen puvustaan ja puhumattomuudestaan
päättäen ajattelemme, että hän on, mitä emme soisi hänen olevan.

— Hän on maurilainen puvultaan ja synnyltään, mutta

sydämeltään ja sielultaan hän on erittäin harras kristitty, sillä hänellä
on erinomainen halu tulla kristityksi.

— Eikö hän siis ole kastettu? — kysyi Luscinda.

— Siihen ei ole ollut tilaisuutta — vastasi orja — sen jälkeen kuin

hän jätti Algerian, kotinsa ja kotimaansa, eikä hän ole toistaiseksi
ollut niin uhkaavassa hengenvaarassa, että kastaminen olisi käynyt
välttämättömäksi, ennenkuin hän on perehtynyt kaikkiin niihin
menoihin, joihin pyhä äitimme Kirkko sellaisessa tapauksessa
velvoittaa. Mutta suokoon Jumala, että hän pian tulee kastetuksi niin
asianmukaisella ja arvokkaalla tavalla kuin edellyttää hänen
säätynsä, joka on korkeampi kuin hänen puvustaan ja minun
puvustani voisi päätellä.

Nuo sanat herättivät kaikissa kuulijoissa halua saada tietää, keitä

oikeastaan olivat maurilaisnainen ja vapautunut orja, mutta kukaan
ei sentään tahtonut asiaa heiltä nyt tiedustella, sillä he käsittivät,
että oli tärkeämpää hankkia heille tilaisuutta virkistymiseen kuin
kysellä heidän elämänsä kohtaloita. Dorotea tarttui maurilaisnaista
käteen, vei hänet viereensä istumaan ja pyysi häntä siirtämään
hunnun syrjään. Nainen katsahti orjaan, kuin kysyäkseen häneltä,
mitä hänelle sanottiin ja mitä hänen piti tehdä. Mies sanoi hänelle
arabiankielellä, että häntä pyydettiin poistamaan huntua ja että hän
voi niin tehdä. Nyt nainen siirsi hunnun syrjään, ja näkyviin tulivat
niin kauniit kasvot, että Dorotea piti häntä Luscindaa kauniimpana ja
Luscinda Doroteaa kauniimpana, ja kaikki läsnäolevat olivat sitä
mieltä, että, jos joku muu saattoi olla yhtä kaunis kuin he,
kysymykseen saattoi tulla tämä maurilaisnainen; olipa hän toisten
mielestä eräissä suhteissa todella heitä kauniimpikin. Ja koska
kauneudella on erinomainen oikeus ja kyky suostutella ihmisten
mieliä ja herättää heissä kiintymystä, kokivat kaikki nyt kilvan
palvella kaunista maurilaisnaista ja osoittaa hänelle kohteliaisuutta.

Don Fernando kysyi vapautuneelta orjalta, mikä maurilaisnaisen

nimi oli, ja hän sanoi sen olevan Leia Zoraida. Mutta sen kuultuaan
nainen, joka ymmärsi, että oli kysytty hänen nimeään, sanoi kohta
kovin harmistuneena, mutta erittäin sievästi:

— Ei, ei Zoraida; Maria, Maria! — Niin hän tahtoi tehdä tiettäväksi,

että hänen nimensä oli Maria eikä Zoraida.
 Nämä sanat ja niiden lausumisessa ilmennyt harras tunne saivat
osan kuulijoista vuodattamaan kyyneliä, varsinkin naiset, jotka ovat
luonnostaan taipuvaisia hellyyteen ja myötätuntoon. Luscinda syleili
maurilaisnaista hellästi ja sanoi:

— Niin, niin, Maria, Maria.

Siihen vastasi maurilaisnainen:

— Niin, niin, Maria; Zoraida macange! -— Viimeksimainittu sana

merkitsee ei.

Nyt oli jo tullut yö, ja majatalon isäntä oli Don Fernandon

seuralaisten käskystä valmistanut heille illallisen niin huolellisesti ja
taitavasti kuin suinkin osasi. Kun siis aterian aika tuli, istuutuivat
kaikki pitkään pöytään, jollaisia käytetään väentuvissa; majatalossa
näet ei ollut mitään pyöreätä tai neliskulmaista pöytää. He antoivat
Don Quijotelle hänen vastustelustaan huolimatta kunniapaikan
pöydän päässä, ja hän tahtoi saada viereensä prinsessa
Minomicónan, koska kerran oli hänen suojelijansa. Sitten istuutuivat
pöytään Luscinda ja Zoraida, heitä vastapäätä Don Fernando ja
Cardenio, sitten vapautunut orja ja muut herrat ja naisten viereen
kirkkoherra ja parturi. Niin he aterioivat erittäin hilpeän mielialan
vallitessa, vielä enemmän ilahtuen, kun huomasivat Don Quijoten
lakkaavan aterioimasta ja alkavan puhua saman hengen yllyttämänä,
joka oli saanut hänet puhumaan niin laajasti, kun hän oli aterioinut
vuohipaimenten seurassa. Hän lausui:

— Totisesti, hyvät naiset ja herrat, jos oikein asioita harkitsee, niin

ne, jotka kuuluvat vaeltavaan ritarikuntaan, saavat matkoillaan
nähdä merkillisiä ja ennenkuulumattomia seikkoja. Eikö olekin niin
laita, että kuka hyvänsä elävä olento, astuessaan nyt tämän linnan
ovesta sisään ja nähdessään meidät tässä istumassa, varmaankaan
ei uskoisi, että olemme niitä, joita olemme? Kukapa voisikaan sanoa,
että tämä minun vieressäni istuva nainen on se suuri kuningatar,
jonka me kaikki tunnemme, ja että minä olen Murheellisen hahmon
ritari, jonka maine elää täällä kansan suussa? Nyt voidaan pitää
aivan varmana, että tämä toimi ja ammatti voittaa kaikki muut, joita
ihmiset ovat keksineet, ja että sitä tulee arvostaa sitä enemmän,
mitä suuremmat vaarat sen harjoittajia uhkaavat. Älkööt tulko
näkyviini ne, jotka väittävät, että opillinen sivistys on asetointa
arvokkaampi; ne, jotka niin sanovat, olivatpa he keitä tahansa, eivät
tiedä, mitä sanovat. Peruste, jonka he yleensä mainitsevat ja johon
he panevat suurimman painon, on siinä, että henkinen työ muka
vaatii enemmän ponnistusta kuin ruumiillinen ja että asetointa
harjoitetaan ainoastaan ruumiin jäsenillä, ikäänkuin sen
harjoittaminen olisi pelkkää päiväpalkkalaisen työtä, joka ei vaadi
mitään muuta kuin suuria ruumiinvoimia, tai kuin se, mitä me
nimitämme asetoimeksi, me, jotka sitä harjoitamme, ei sisältäisi
mitään uljuuden tekoja, joiden suorittaminen vaatii suurta
ymmärrystä, tai kuin sotilas, jonka johdettavaksi on uskottu
sotajoukko tai jonkin piiritetyn kaupungin puolustaminen, ei tekisi
työtä yhtä hyvin sielullaan kuin ruumiillaan. Mutta ajateltakoon vain,
voi daanko pelkillä ruumiinvoimilla saada selville ja arvata vihollisen
aikeet, hänen suunnitelmansa, sotajuonensa ja vaikeutensa ja torjua
uhkaavat vaarat. Kaikissa näissä tapauksissa tulee kysymykseen
ymmärryksen toiminta, jossa ruumiilla ei ole mitään osaa. Jos siis
asetoimi vaatii henkistä ponnistusta yhtä hyvin kuin opillinen
toiminta, niin katsokaamme nyt, kumman henki, oppineen vai
soturin, työskentelee enemmän. Sen me saamme tietää siitä
tarkoituksesta ja päämäärästä, johon he kumpikin pyrkivät, sillä
suuremmassa arvossa tulee pitää sitä tarkoitusta, joka kohdistuu
jalompaan päämäärään. Opillisen sivistyksen tarkoituksena ja
päämääränä — minä en puhu tässä jumaluusopista, jonka
tarkoituksena on opastaa ja johtaa sieluja taivaaseen, sillä niin
äärettömään tarkoitusperään ei voida mitään muuta verrata, vaan
puhun maallisesta opista — on sijoittaa kohdalleen jakava oikeus,
antaa jokaiselle, mitä hänelle kuuluu, ja pitää huolta siitä, että hyviä
lakeja noudatetaan. Tämä päämäärä on epäilemättä jalo ja korkea ja
ansaitsee suurta kiitosta, mutta ei sittenkään niin suurta kuin
ansaitsee se päämäärä, johon tähtää asetoimi, sillä tämän
päämääränä ja tarkoitusperänä on rauha, joka on parasta, mitä
ihmiset voivat tässä elämässä tavoitella. Ensimmäinen hyvä sanoma,
jonka sai maailma ja saivat ihmiset, oli niinmuodoin se, jonka
lausuivat enkelit sinä yönä, josta tuli meille päivä, laulaessaan
ilmoilla: »Kunnia olkoon Jumalalle korkeudessa ja maassa rauha
ihmisten kesken, joihin hänellä on mielisuosio.» Ja se tervehdys,
jonka maan ja taivaan suurin Mestari opetti oppilaikseen
kutsumilleen ja lähimmilleen, jotta he sen sanoisivat astuessaan
sisään taloon, oli tämä: »Rauha olkoon tälle huoneelle», ja
muutenkin hän sanoi heille usein: »Rauhani minä jätän teille,
rauhani minä annan teille, minun rauhani olkoon teidän kanssanne.»
Nämä sanat ovat totisesti kuin hänen kädestään saatu kalleus ja
lahja, kalleus, jonka puuttuessa ei maan päällä eikä taivaassa voisi
olla mitään onnea. Rauha on sodan todellinen päämäärä on näet
aivan samantekevää, puhuuko asetoimesta vai sodasta. Edellyttäen
siis tämän totuuden, että sodan tarkoituksena on rauha ja että se
sikäli on korkeampi päämäärä kuin opillisten ammattien itselleen
asettama, johdumme nyt puhumaan oppineen ruumiillisista vaivoista
ja sen henkilön rasituksista, joka harjoittaa asetointa, ja tahdomme
nähdä, kumman vaiva on suurempi.
 Tällä tavalla Don Quijote jatkoi esitystään niin sievin kääntein,
ettei kukaan hänen kuulijoistaan mitenkään voinut sinä hetkenä
pitää häntä hulluna; koska useimmat heistä olivat aatelismiehiä,
joille asetoimi ennen kaikkea kuuluu, niin he kuuntelivat häntä varsin
mielellään, ja hän jatkoi näin:

— Sanon siis, että oppineen vaivat ovat nämä: ennen kaikkea

köyhyys (ei niin, että kaikki todella olisivat köyhiä, vaan esittääkseni
asian kaikkein äärimmäisessä muodossaan); jos näet olemme
sanoneet, että oppinut kärsii köyhyyttä, niin minusta näyttää, ettei
hänen onnettomuudestaan voida enempää sanoa, sillä se, joka on
köyhä, ei omista mitään hyvää. Tätä köyhyyttään hän kokee eri
tavoin, kärsien milloin nälkää, milloin vilua, milloin vaatteiden
puutetta, milloin kaikkea tuota yhtaikaa, mutta hänen köyhyytensä ei
sittenkään ole niin ankara, ettei hän saa mitään syödä, vaikka hänen
täytyisikin aterioida hiukan myöhemmin kuin tavalliseen aikaan ja
vaikka hänen täytyisi tyytyä siihen, mitä rikkaitten pöydältä putoo,
mikä on opiskelevain suurin onnettomuus ja mitä he keskuudessaan
mainitsevat »liemellä käymisen» nimellä; ei heiltä myöskään puutu
hiilimaljaa tai liesitulta, vaikka ne eivät olisikaan heidän omansa ja
vaikka eivät heitä täysin lämmittäisikään, sillä ainakin ne vilua
vähentävät, ja saavathan he lopultakin nukkua yönsä katon alla. En
tahdo tässä mainita muita pikkuseikkoja, esimerkiksi sitä, että heiltä
puuttuu paitoja ja ettei jalkineitakaan ole liikaa, että heidän
vaatteensa ovat ohuet ja nukkavierut ja että he ahmivat suuhunsa
ylen ahnaasti, kun hyvä onni sallii heidän päästä johonkin
pitopöytään. Tässä kuvailemaani koleista ja vaikeaa tietä kulkien,
kompastuen, kaatuen, taas nousten ja taas kaatuen he pääsevät,
mihin pyrkivät, ja heidän sinne päästyään on nähty monta, jotka
näitten hiekkasärkkien ohi ehdittyään, kuljettuaan tämän Skyllan ja
Kharybdiin läpi kuin onnen siivittäminä — minä tarkoitan, että on
nähty, kuinka he korkealta istuimeltaan ohjaavat ja hallitsevat
maailmaa, kuinka heidän nälkänsä on muuttunut kylläisyydeksi,
heidän vilunsa mieluisaksi viileydeksi, heidän alastomuutensa upeiksi
vaatteiksi, ja kuinka, heidän ennen maattuaan kaislamatolla, heidän
leposijaansa nyt peittää hieno palttina ja damasti, heidän kuntonsa
hyvin ansaittu palkka. Jos heidän vaivansa asetetaan niiden rinnalle,
joita saavat kestää sotilaat, ja jos niitä verrataan näihin, niin ne
sittenkin ovat joka suhteessa paljoa vähäisemmät, kuten kohta
osoitan.

Kahdeksasneljättä luku,

jossa esitetään Don Quijoten pitämä merkillinen puhe asetoimesta

ja opillisesta sivistyksestä.

Don Quijote jatkoi esitystään:

— Koska oppineesta puhuessamme aloitimme hänen

köyhyydestään ja tämän köyhyyden eri lajeista, katsokaamme nyt,
onko sotilas äveriäämpi. Saamme nähdä, ettei köyhyyden itsensä
piirissä ole ketään köyhempää kuin hän, sillä hän on riippuvainen
mitättömästä palkasta, joka hänelle maksetaan myöhään tai ei
milloinkaan, tai siitä, mitä hän voi kahmaista käsiinsä, silloin aina
joutuen suureen hengenvaaraan ja omantunnonvaivoihin. Toisinaan
hän voi olla niin huonoissa varoissa, että rikki-viilletty költeri saa
tehdä sekä juhlanutun että paidan virkaa, ja keskellä talvea,
avoimilla kentillä, hän voi yleensä suojella itseään sään tuimuudelta
vain oma hengityksellään, joka hänen tyhjistä sisuksistaan tullen
välttämättä on kylmää, vastoin kaikkea luonnonjärjestystä, kuten itse
kokemuksesta tiedän. Mutta malttakaahan nyt, kunnes hän odottaa
yön tuloa päästäkseen toipumaan kaikista näistä vaivoista häntä
odottavassa sängyssä, joka ei missään tapauksessa ole liian ahdas,
ellei hän itse sitä ahtaaksi tee, sillä voihan hän mitata itselleen
makuupaikkaa maasta niin paljon kuin haluaa ja piehtaroida siinä
mielin määrin ollenkaan pelkäämättä, että lakanat rypistyvät. Tulee
sitten kaiken tämän jälkeen se päivä ja hetki, jolloin hänet vihitään
arvoonsa, tulee taistelupäivä. Silloin hänen päähänsä pannaan
tohtorinhattu, nimittäin liinannöyhtää siteeksi johonkin
ampumahaavaan, joka on saattanut tärvellä hänen ohimonsa tai
tehdä rammaksi hänen käsivartensa tai säärensä. Ja ellei niin käy,
jos armollinen taivas varjelee ja säilyttää hänet elävänä ja terveenä,
voi sattua, että hän jää yhtä köyhäksi kuin oli ennen ja että hänen
täytyy joutua johonkin uuteen otteluun, johonkin uuteen taisteluun,
ja suoriutua siitä voittajana päästäkseen hiukan parempiin oloihin;
mutta sellaisia ihmeitä nähdään harvoin. Sanokaa minulle, hyvät
herrat, jos olette asiaa ajatelleet: kuinka paljon vähemmän on niitä,
joita on sotaisten tekojensa tähden palkittu, kuin niitä, jotka ovat
sodassa kaatuneet? Teidän täytyy varmaan vastata, ettei näitä
lukumääriä sovi toisiinsa verrata ja ettei kaatuneitten lukua voida
laskea, kun sitävastoin henkiinjääneitten ja palkittujen lukumäärä
voidaan merkitä kolmella numerolla. Kaikissa näissä suhteissa on
oppineiden laita toisin, sillä heillä kaikilla on täysin riittävät vakituiset
tulot, sivutuloista puhumattakaan, joten sotilaan saama palkka on
paljon pienempi, vaikka hänen työnsä on vaikeampi. Tähän tosin
voidaan vastata, että on helpompi palkita kahtatuhatta oppinutta
kuin kolmeakymmentätuhatta sotilasta, koska edellisiä palkitaan
antamalla heille virkoja, jotka välttämättä täytyy antaa heidän
ammattiinsa kuuluville henkilöille, kun sitävastoin viimeksimainitut
saavat palkkansa ainoastaan sen herran varoista, jota he palvelevat;
mutta juuri tämä mahdottomuus sitä enemmän tukee esittämääni
väitettä. Mutta jättäkäämme se sikseen, sillä siinä on labyrintti, josta
on hyvin vaikea löytää tietä ulos, ja palatkaamme käsittelemään
asetoimen paremmuutta opilliseen sivistykseen verraten, kysymystä,
joka on yhä vielä ratkaisematta, koska kummaltakin taholta esitetään
muka päteviä todisteluja. Niinpä sanoo opillinen sivistys muun
muassa, että sen puuttuessa ei asetoimikaan voisi säilyä, koska
sodallakin on omat lakinsa, joiden alainen se on, ja koska lait
kuuluvat opilliseen sivistykseen ja oppineitten toiminta-alaan. Tähän
vastaa asetoimi, että ilman sitä, asetointa, eivät lait voi säilyä, sillä
aseilla puolustetaan yhteiskuntia, varjellaan valtakuntia, suojellaan
kaupunkeja, turvataan teitä, puhdistetaan meret merirosvoista, ja
niiden puuttuessa joutuisivat yhteiskunnat, valtakunnat, valtiot,
kaupungit, tiet sekä maalla että merellä kerta kaikkiaan sellaiseen
ankaraan epäjärjestykseen, jonka sota tuo mukanaan siksi ajaksi
kuin sitä kestää ja se saa vapaasti käyttää erioikeuksiaan ja
väkivaltaansa. On sitäpaitsi tunnustettu tosiasia, että se, mikä
enemmän maksaa, on suuremmassa arvossa ja että sitä tuleekin
pitää suuremmassa arvossa. Jos joku henkilö tahtoo päästä eteväksi
opillisella alalla, niin se vaatii häneltä aikaa, unettomia öitä, nälkää,
vilua, huimausta, ruoansulatushäiriöitä ja muita siihen kuuluvia
seikkoja, jotka olen osalta jo maininnut; jos taas jonkun onnistuu
kunnollaan päästä hyväksi sotilaaksi, niin se vaatii häneltä kaikkea,
mitä oppineelta vaadittiin, niin paljon suuremmassa määrässä, ettei
mikään vertaaminen voi tulla kysymykseen, sillä hän on joka hetki
vaarassa menettää henkensä. Ja mikä puutteen ja köyhyyden pelko
voisikaan vaivata ja ahdistaa opiskelevaa siinä määrässä kuin se
ahdistaa sotilasta, joka jossakin piiritetyssä linnoituksessa, ollen
vahdissa jossakin ulko- tai sisävarustuksessa, huomaa vihollisten
kaivavan miinakäytävää kohti sitä paikkaa, missä hän seisoo, mutta
ei voi missään tapauksessa paikaltaan poistua eikä paeta tuota aivan
lähellä uhkaavaa vaaraa? Hän ei voi tehdä mitään muuta kuin
ilmoittaa päällikölleen, mitä on tapahtumassa, jotta tämä ehkä torjuu
vaaran jollakin vastamiinalla, mutta hänen itsensä täytyy jäädä
paikalleen peläten ja odottaen lentävänsä yhtäkkiä ilmoille ilman
siipiä ja sitten syöksyvänsä syvyyteen, niin vastenmieliseltä kuin se
hänestä tuntuukin. Ja jos tätä pidetään vähäisenä vaarana, niin
katsokaamme, eikö ole yhtä suuri tai suurempi se vaara, joka syntyy,
kun kaksi sota-alusta avoimella merellä hyökkää päin toisiaan. Kun
molemmin puolin lyödään kiinni iskukoukut ja levitetään valtaussillat,
ei sotilaalle jää enempää liikkumisalaa kuin pari jalkaa leveä lankku
keulanpäässä, mutta siitä huolimatta, vaikka hän näkee edessään
niin monta surmansuuta kuin vastakkaiselta puolelta on suunnattu
häntä vastaan tykkejä, jotka ovat hänestä vain peitsenmitan päässä,
ja vaikka hän huomaa, että jalan hiukankin luiskahtaessa hän itse
suistuu Neptunuksen valtakuntaan, kaikesta tästä huolimatta hän
sijoittuu pelottomin sydämin ja kunniantunnon elähdyttämänä
kaikkien noiden ampuma-aseitten maalitauluksi ja pyrkii tuota
kapeata tietä pitkin vihollisen alukseen. Ja merkillisintä on, että
hänen tuskin ehdittyään kaatua ja joutua sinne, mistä hän ei voi
nousta ennenkuin maailmanlopussa, toinen kohta asettuu hänen
sijaansa, ja, jos tämäkin putoaa mereen, joka vaanii häntä kuin
vihollinen, tulee jälleen toinen ja taas toinen niin nopeasti, että
edellinen on tuskin ehtinyt kaatua. Missään sodan vaiheessa ei ole
urhoollisuutta eikä pelottomuutta, joka olisi suurempi kuin tämä.
Onnelliset ne menneet aikakaudet, jolloin ei vielä ollut olemassa
noita helvetillisesti hävittäviä tykkejä, joiden keksijän varmaan uskon
nyt saavan kadotuksessa palkan pirullisesta keksinnöstään, joka saa
aikaan, että kunniaton ja arka käsivarsi voi viedä hengen
urhoolliselta ritarilta ja että aivan äkkiarvaamatta, keskellä urheata ja
uskaliasta innostusta, joka elähdyttää ja rohkaisee sankarin sydäntä,
tulee jokin eksynyt kuula, jonka ampuja kenties itse pakenee pois
kauhistuen sitä välkähdystä, joka tuon kirotun murha-aseen
laukeamisesta syntyi, ja yhdessä silmänräpäyksessä lopettaa ja
katkaisee sellaisen ihmisen tajunnan ja elämän, joka olisi ansainnut
saada nauttia niitä pitkinä aikoina. Kun tätä ajattelen, tekee melkein
mieleni sanoa syvästi katuvani, että olen ryhtynyt tähän vaeltavan
ritarin toimeen niin inhoittavana aikakautena kuin tämä, jossa nyt
elämme. Vaikka näet mikään vaara ei minua peloita, nousee
kumminkin mieleeni levottomuus, kun ajattelen, että luodit ja ruuti
ehkä riistävät minulta tilaisuuden tehdä itseni kuuluisaksi ja
tunnetuksi koko maailmassa urhoollisella käsivarrellani ja miekkani
terällä. Mutta tehköön taivas, mitä hyväksi näkee; jos onnistun
yrityksessäni, niin sitä suuremman arvonannon saan osakseni, mitä
suuremmat ovat ne vaarat, joihin käyn, kuin ne, joihin antautuivat
menneitten aikojen vaeltavat ritarit.

Don Quijote piti tämän pitkän juhlapuheensa toisten aterioidessa

ja unohti itse kerrassaan ravinnon nauttimisen, vaikka Sancho Panza
useita kertoja huomautti hänelle, että hänen piti syödä ja että hän
syötyään saisi kyllin tilaisuutta sanoa, mitä ikänä halusi. Hänen
kuulijansa pahoittelivat jälleen, että mies, jolla kaikesta päättäen oli
terve järki ja hyvä arvostelukyky kaikissa käsittelemissään asioissa,
oli menettänyt sen niin täydellisesti, kun tuli puheeksi hänen
onneton ja kirottu ritaritoimensa. Kirkkoherra sanoi hänelle, että hän
oli aivan oikeassa siinä, mitä oli lausunut asetoimen
etevämmyydestä, ja että hän itse, vaikka olikin lukenut ja oppiarvon
saanut mies, oli aivan samaa mieltä.

Ateria päättyi, ruoka-astiat korjattiin pöydästä, ja sillä aikaa kuin

majatalonemäntä, hänen tyttärensä ja Maritornes siivosivat Don
Quijote Manchalaisen yliskamaria, johon oli päätetty majoittaa naiset
yöksi, Don Fernando pyysi vapautunutta orjaa kertomaan heille
elämänsä kohtalot, koska niiden täytyi varmaan olla sekä merkillisiä
että huvittavia, minkä saattoi aavistaa jo siitä, että hän oli saapunut
Zoraidan seurassa. Siihen vastasi orja, että hän varsin mielellään
teki, mitä häneltä vaadittiin, ja sanoi vain pelkäävänsä, ettei hänen
kertomuksensa muodostuisi sellaiseksi, että siitä olisi kuulijoille niin
suurta huvia kuin hän itse toivoi olevan, mutta lupasi kaikesta
huolimatta tarinan esittää, noudattaakseen Don Fernandon tahtoa.
Kirkkoherra ja kaikki muut kiittivät häntä siitä ja pyysivät hekin
osaltaan häntä niin tekemään; ja hän, kuullessaan niin monen
henkilön pyytävän samaa, sanoi, etteivät pyynnöt olleet tarpeen,
koska heidän toivomuksensa oli hänelle käsky.

— Kuunnelkaa siis, arvoisa herrasväki, tarkkaavaisesti, niin saatte

kuulla todenmukaisen kertomuksen, jonka kanssa kukaties eivät voi
kilpailla ne epätodelliset, joita yleensä sepitetään huolellisesti,
harkitusti ja taiteellisesti.

Hänen niin sanottuaan kaikki heti istuutuivat varautuen

kuuntelemaan häntä syvän hiljaisuuden vallitessa, ja hän,
huomatessaan kaikkien olevan vaiti ja odottavan, että hän aloittaisi
kertomuksensa, alkoi miellyttävällä ja rauhallisella äänellä kertoa
seuraavaa.

Yhdeksäsneljättä luku,

jossa vapautunut orja kertoo elämästään ja kohtaloistaan.

 — Eräältä Leónin vuoriseudussa sijaitsevalta paikkakunnalta on
peräisin sukuni, jolle luonto oli ollut suopeampi ja anteliaampi kuin
onni, vaikka niillä tienoilla yhä vallitsevissa köyhissä oloissa isäni
kumminkin oli varakkaan maineessa ja olisi todella ollut varakas, jos
olisi pitänyt huolta omaisuutensa säilyttämisestä sen sijaan, että
harrasti yksinomaan sen tuhlaamista. Hänen taipumuksensa
anteliaisuuteen ja tuhlaavaisuuteen johtui siitä, että hän oli
nuoruudessaan ollut sotilaana. Sotaväessä oleminen näet on koulu,
jossa itarasta tulee antelias ja antelaasta tuhlaavainen, ja jos
toisinaan tavataankin ahne sotilas, niin hän on kuin jokin ihme-eläin;
niin harvoin sellaista nähdään. Isäni siirtyi anteliaisuuden rajojen yli
tuhlaavaisuuden alueelle, mikä ei suinkaan ole otollista perheelliselle
miehelle, jonka lasten tulee periä hänen nimensä ja arvonsa. Minun
isälläni oli kolme lasta, kaikki poikia ja kaikki jo siinä iässä, että
saattoivat valita itselleen jonkin ammatin. Selvästi huomattuaan,
ettei voinut, kuten itse sanoi, hillitä tuhoisaa taipumustaan, isäni
päätti luopua siitä välineestä ja syystä, joka teki hänestä
tuhlaavaisen ja anteliaan, nimittäin omaisuudestaan, jota ilman
Aleksanteri Suurenkin olisi täytynyt elää säästäväisesti. Hän siis
kutsui meidät eräänä päivänä luokseen huoneeseen, missä hän oli
yksin, ja puhui meille suunnilleen tähän tapaan: »Poikani, te
ymmärrätte hyvin, että teitä rakastan, jo siitä, että tiedän ja sanon
teidän olevan omia lapsiani; te käsitätte, etten osoita teihin
kohdistuvaa rakkauttani oikein, jo siitä, etten voi hillitä itseäni, mitä
tulee teidän omaisuutenne säilyttämiseen. Jotta kumminkin tästä
lähtien oivallatte, että rakastan teitä niinkuin isän tulee lapsiansa
rakastaa enkä tahdo isäpuolen tavalla saattaa teitä häviöön, mielin
toteuttaa teitä koskevan aikeen, jota olen jo kauan aikaa ajatellut ja
kypsästi harkiten suunnitellut. Te olette nyt jo siinä iässä, että voitte
valita ammatin tai ainakin jonkin toimen, joka tuottaa teille
vanhemmiksi ehdittyänne kunniaa ja hyötyä. Aikomukseni näet on
jakaa omaisuuteni neljään osaan: kolme osaa minä annan teille,
kullekin mitä hänelle kuuluu, tekemättä yhtään vääryyttä, ja
neljännen pidän itse voidakseni elää ja tulla toimeen niin kauan kuin
taivas sallii minun elää. Toivon kumminkin, että jokainen teistä,
saatuaan haltuunsa hänelle kuuluvan osan omaisuudesta, valitsee
jonkin niistä elämänurista, jotka teille nyt mainitsen. Täällä
Espanjassa käytetään erästä sananpartta, joka on mielestäni aivan
oikeaan osuva, niinkuin sananparret yleensä, koska ne ovat
pitkäaikaisesta ja älykkäästä elämänkokemuksesta saatuja lyhyitä
lauselmia, ja se, jota tarkoitan, kuuluu näin: 'Kirkko tai meri tai
kuninkaan hovi', eli siis selvemmin sanoen: Sen, joka tahtoo
saavuttaa kunniaa ja rikkautta, tulee joko ruveta kirkonmieheksi tai
mennä merille harjoittamaan kauppaa tai lähteä hallitsijan
palvelukseen hänen hoviinsa, sillä sanotaanhan myös: 'Parempi on
muru kuninkaan pöydästä kuin suuren herran lahja'. Minä sanon
tämän siksi, että olisi minulle mieleistä ja on minun harras
toivomukseni, että yksi teistä lähtee opintielle, toinen antautuu
kauppiaaksi ja kolmas palvelemaan kuningasta sodassa; on näet
vaikeata päästä hoviin häntä palvelemaan, ja, vaikka sota ei
tuottaisikaan suuria rikkauksia, siitä koituu kuitenkin yleensä suurta
arvoa ja suurta mainetta. Kahdeksan päivän kuluessa minä annan
teille kullekin täyden osanne puhtaassa rahassa, pidättämättä teiltä
ropoakaan, kuten tulette näkemään. Sanokaa minulle nyt, haluatteko
noudattaa ajatustani ja neuvoani siinä, mitä olen teille ehdottanut.»
Kun hän sitten kehoitti minua, veljeksistä vanhinta, vastaamaan, niin
minä sanoin, ettei hänen mielestäni pitänyt luopua omaisuudestaan,
vaan käyttää se kokonaisuudessaan aivan mielensä mukaan, sillä me
olimme niin nuoria, että hyvin voimme hankkia itsellemme
omaisuutta, ja huomautin lopuksi vielä, että aioin täyttää hänen
toivomuksensa ja että itse halusin valita asetoimen palvellakseni
siten Jumalaa ja kuningasta. Toinen veljeni lupasi samoin noudattaa
isän toivomusta, päätti lähteä Intiaan[24] ja käyttää liiketoimiin sen
osan varoja, joka tulisi hänelle kuulumaan. Nuorin veli, joka
nähdäkseni oli kaikkein älykkäin, sanoi aikovansa antautua
kirkolliselle uralle ja lähteä Salamancaan päättämään aloittamansa
opinnot.

Kun siis olimme päässeet yksimielisyyteen ja valinneet kukin oman

ammatin, isämme syleili meitä kaikkia ja järjesti mainitsemassaan
lyhyessä ajassa kaikki, mitä oli luvannut, antoi meille kullekin
osuutemme, joka, mikäli muistan, oli kolmetuhatta dukaattia selvää
rahaa (eräs setämme näet osti koko maatilan maksaen sen
käteisellä, jottei se joutuisi pois suvusta), ja jo samana päivänä
sanoimme kaikki hyvästi rakkaalle isällemme. Koska minusta näytti
säälimättömältä jättää vanha isä niin vähiin varoihin, taivutin hänet
vielä samana päivänä ottamaan osakseni tulleista
kolmestatuhannesta kaksituhatta dukaattia, sillä loppu riitti minulle
niiden varusteiden hankkimiseen, joita sotilas tarvitsee. Esimerkkiäni
noudattaen veljenikin antoivat hänelle kumpikin tuhat dukaattia,
joten isäni sai pitää neljätuhatta dukaattia puhdasta rahaa ja lisäksi
kolmetuhatta, minkä arvoinen nähtävästi oli hänelle jäänyt osa
omaisuutta, jota hän ei tahtonut myydä, vaan säilyttää
kiinteimistönä. Niin me siis sanoimme jäähyväiset hänelle ja
mainitulle sedällemme, kaikki sangen liikutettuina ja kyynelet
silmissä. He kehoittivat meitä antamaan heille tietoa onnellisista tai
onnettomista kohtaloistamme niin usein kuin meille suinkin
tarjoutuisi siihen tilaisuutta. Me lupasimme, ja heidän meitä
syleiltyään ja annettuaan meille siunauksensa yksi meistä lähti
Salamancaan, toinen Sevillaan ja minä Alicanteen, missä sain kuulla,
että siellä oli eräs genovalainen alus, joka otti parhaillaan villalastia
Genovaan.

Tänä vuonna tulee kuluneeksi kaksikolmatta vuotta siitä, kun minä

lähdin isäni kodista. Vaikka olen kirjoittanut muutamia kirjeitä, en ole
kaikkina näinä vuosina saanut minkäänlaista tietoa isästäni enempää
kuin veljistänikään; mutta nyt kerron lyhyesti, mitä minulle on tänä
kuluneena aikana tapahtunut. Minä astuin laivaan Alicantessa,
saavuin onnellisen matkan jälkeen Genovaan, matkustin sieltä
Milanoon, missä hankin itselleni varukset, ja aioin sitten lähteä
Piemontiin astuakseni riveihin; mutta ollessani jo matkalla
Alessandria della Pagliaan[25] sain kuulla, että suuri Alban herttua
oli marssimassa Flanderiin. Minä muutin suunnitelmaa, lähdin hänen
mukaansa, palvelin hänen joukoissaan niissä taisteluissa, jotka hän
suoritti, olin läsnä, kun kreivit Egmont ja Horn mestattiin, ja pääsin
vänrikiksi Guadalajarasta kotoisin olevan kuuluisan päällikön Diego
de Urbinan komennuksessa. Vähän aikaa sen jälkeen kuin olin
saapunut Flanderiin, tuli tieto liitosta, jonka hänen pyhyytensä paavi
Pius viides, nyt autuas vainaja, oli tehnyt Venezian ja Espanjan
kanssa yhteistä vihollista turkkilaista vastaan, joka siihen aikaan oli
laivastollaan valloittanut kuuluisan Kypron saaren; saari oli ollut
venezialaisten hallussa, ja sen menettäminen oli surkea ja onneton
tapaus.

Saatiin varma tieto siitä, että tämän liiton johtajana oli

jalosukuinen Don Juan d'Austria, oivallisen kuninkaamme Don
Felipen velipuoli, ja aivan yleisesti puhuttiin niistä valtavista
sotavarustuksista, jotka olivat tekeillä. Kaikki tämä innosti ja kiihoitti
sotaista mieltäni ja haluani saada ottaa osaa tulossaolevaan
taisteluun, ja minä, vaikka oli toiveita, vieläpä melkein varma
lupauskin, että pääsisin ensimmäisessä tarjoutuvassa tilaisuudessa
ylenemään kapteeniksi, tahdoin siitä huolimatta jättää kaikki ja
lähteä Italiaan, minne sitten lähdinkin. Minun onnekseni Don Juan
d'Austria oli vastikään saapunut Genovaan ollen matkalla Napoliin
liittyäkseen laivastoineen Venezian laivastoon, kuten hän sitten teki
Messinassa. Sanalla sanoen, minä otin osaa tuohon onnelliseen
taisteluun jo jalkaväen kapteeniksi ylenneenä, mihin kunniakkaaseen
virkaan minut oli johdattanut pikemmin hyvä onneni kuin oma
ansioni. Ja tuo päivä, joka oli kristikunnalle ylen onnellinen, koska
silloin vapautuivat maailma ja kaikki sen kansat siihen saakka
vallinneesta harhaluulosta, että turkkilaiset muka olivat
voittamattomia merellä, tuona päivänä, sanon minä jolloin
ottomaanien ylpeys ja kopeus murrettiin, minä yksin olin onneton
kaikkien onnellisten joukossa (onnellisempia näet olivat ne kristityt,
jotka taistelussa kaatuivat, kuin ne, jotka jäivät eloon ja voittajiksi),
sillä sen sijaan, että olisin voinut toivoa, jos olisin elänyt
roomalaisten ajalla, saavani jonkin meriseppelen,[26] jouduin tuota
kunniakasta päivää seuranneena yönä vangiksi, ja käsiini ja jalkoihini
pantiin raudat. Se tapahtui seuraavalla tavalla. Kun Algerian
kuningas Uchali, uskalias ja hyväonninen merirosvo, oli hyökännyt
maltalaisen päällikön aluksen kimppuun ja vallannut sen, niin että
ainoastaan kolme ritaria jäi laivalla henkiin ja hekin vaikeasti
haavoitettuina, niin Juan Andrean amiraalilaiva,[27] jossa minä
komppaniani kanssa olin, riensi sitä auttamaan, ja minä, tehden mitä
tuli tehdä sellaisessa tilaisuudessa, hyppäsin vihollisen laivaan, joka
samassa irtautui siitä aluksesta, jonka kimppuun oli hyökännyt, joten
sotilaani eivät voineet minua seurata ja minä olin yksinäni vihollisten
keskellä, joita en kyennyt vastustamaan, koska heitä oli niin paljon;
niin minä jouduin moneen kertaan haavoittuneena heidän käsiinsä.
Ja koska, kuten te, hyvät herrat, varmaan olette kuulleet, Uchali
pääsi pakenemaan koko laivueensa kanssa, täytyi minun jäädä
Welcome to our website – the ideal destination for book lovers and
knowledge seekers. With a mission to inspire endlessly, we offer a
vast collection of books, ranging from classic literary works to
specialized publications, self-development books, and children's
literature. Each book is a new journey of discovery, expanding
knowledge and enriching the soul of the reade

Our website is not just a platform for buying books, but a bridge
connecting readers to the timeless values of culture and wisdom. With
an elegant, user-friendly interface and an intelligent search system,
we are committed to providing a quick and convenient shopping
experience. Additionally, our special promotions and home delivery
services ensure that you save time and fully enjoy the joy of reading.

Let us accompany you on the journey of exploring knowledge and

personal growth!

textbookfull.com