PROCESSAMENTO DE IMAGENS
EM SENSORIAMENTO REMOTO
ESTÁGIO DOCÊNCIA
DISCIPLINA: FOTOINTERPRETAÇÃO E
SENSORIAMENTO REMOTO
BACHARELADO EM AGRONOMIA
FEVEREIRO 2002
Sumário
5. Filtragem ------------------------------------------------------------------------------------------13
AULA 3- CLASSIFICAÇÃO
2. Segmentação --------------------------------------------------------------------------------------19
Introdução
A Primeira aula –Registro- tem como finalidade fazer a correção geométrica das
imagens apresentadas, via mesa, teclado ou tela, a criação de uma banco de dados e do
projeto e a importação das imagens para o banco de dados.
A Terceira aula- Classificação- o aluno poderá obter uma imagem temática a partir
de métodos de classificação de imagens multi- espectrais.
PROCEDIMENTOS
Para a realização do registro, são necessários:
1. Escolher os Pontos de controle- são feições possíveis de serem identificadas de modo
preciso na imagem e no mapa, como por exemplo o cruzamento de estradas.
2. Definir a equação de Mapeamento- escolher que equação matemática, normalmente
primeiro ou segundo grau, que fará a reamostragem dos pixels.
3. Definir o processo de Interpolação- Vizinho mais próximo, Bilinear ou Convolução
Cúbica. No SPRING o usuário pode adquirir os pontos de três modos; usando um mapa na
mesa digitalizadora (modo Mesa), através de qualquer plano de informação já
georeferenciado (modo Tela) ou informando as coordenadas diretamente via teclado (modo
Teclado).
MESA : No modo mesa o usuário necessita ter apenas um mapa (carta topográfica da
mesma área da imagem). Este mapa deve ser calibrado em uma mesa digitalizadora. Não é
necessário ativar um Projeto, neste caso o sistema pedirá para informar a projeção a ser
utilizada no registro.
TELA : Neste modo o usuário pode utilizar um Plano de Informação em um projeto ativo.
Este PI pode ser uma imagem que já foi georeferenciada ou um PI temático (por exemplo,
mapa de estradas ou rios) que tenha feições reconhecidas na imagem.
TECLADO : No modo teclado também não é necessário ter um projeto ativo, devendo
neste modo informar a projeção. Os pontos de controle são informados em coordenadas
planas ou geográficas, sendo coletados diretamente sobre uma carta topográfica ou com
GPS.
PRÁTICA
Registro de Imagens
PRÁTICA
Realce de Imagem
* Caso desejar, pode-se selecionar com cursor uma área menor a salvar, basta definir
um retângulo menor sobre a imagem, como se fosse executar um zoom, mas sem clicar
em Executar - Desenhar.
- (Fechar) ou botão X (canto superior direito da janela)
IMPORTANTE: Caso feche a janela de Contraste com uma das opções de contraste
aplicadas sobre uma imagem, esta transformação poderá ficar armazenada. Assim, se
carregar uma imagem que já foi realçada, esta ficará modificada na tela, mesmo estando
fechada a janela de Contraste. Para que isto não ocorra deve-se responder Não ao fechar a
janela.
2. Leitura de Pixel
A leitura de pixel permite saber qual o valor do nível de cinza de um determinado
pixel e seus vizinhos. Esta análise é útil para trabalhos em que envolvam estudos do
comportamento espectral dos alvos, nas várias bandas de imagens multi-espectrais.
PRÁTICA
Leitura do Nível de Cinza dos Pixels:
3. Transformação IHS
Para descrever as propriedades de cor de um objeto, em uma imagem, normalmente
o olho humano não distingue a proporção de azul, verde e vermelho presentes, e sim, avalia
a intensidade (I), a cor ou matiz (H) e a saturação (S).
A intensidade ou brilho é a medida de energia total envolvida em todos os
comprimentos de onda, sendo portanto responsável pela sensação de brilho dessa energia
incidente sobre o olho.
O matiz ou cor de um objeto é a medida do comprimento de onda médio da luz que
se reflete ou se emite, definindo, portanto, a cor do objeto.
A saturação ou pureza expressa o intervalo de comprimento de onda ao redor do
comprimento de onda médio, no qual a energia é refletida ou transmitida. Um alto valor de
saturação resulta em uma cor espectralmente pura, ao passo que um baixo valor indica uma
mistura de comprimentos de onda que irá produzir tons pastéis (apagados).
Por serem independentes, estes três parâmetros podem ser analisados e modificados
separadamente, para um melhor ajuste das cores às características do sistema visual. É
muitas vezes utilizada para produzir imagens integradas de sensores diferentes ou imagens
de geofísica.
PRÁTICA
Transformação RGB-IHS:
Imagem IHS, TM
Imagem SPOT
PRÁTICA
Executando Operações Aritméticas entre imagens:
5. Filtragem
As técnicas de filtragem são transformações da imagem "pixel" a "pixel", que não
dependem apenas do nível de cinza de um determinado "pixel", mas também do valor dos
níveis de cinza dos "pixels" vizinhos, na imagem original.
OBS: Os filtros implementados estão na tabela abaixo, além de poder editar uma máscara.
0 0 0 0 0 0 0
0 0 0 -2 0 0 0
0 0 1 -2 1 0 0
-2 -2 -2 -25 -2 -2 -2
0 0 1 -2 1 0 0
0 0 0 -2 0 0 0
0 0 0 0 0 0 0
- (Salvar)
Máscaras
- (Executar)
Filtragem
- {PI de Saída: SPOT_masc}
- (Retângulo Envolvente...)
* Selecionar área a filtrar sobre a imagem, se não informado será utilizado toda
área do PI.
- (Nº de Iterações ⇔ 1)
- (Executar)
* Visualizar a imagem SPOT_masc filtrada para comparação
* Editar outras máscaras e testar
Imagem Spot sem filtro Imagem Spot com filtro linear máscara
7x7
Aula 3
Classificação
1. Classificação por Pixel
Classificação é o processo de extração de informação em imagens para reconhecer
padrões e objetos homogêneos. Os Classificadores "pixel a pixel" utilizam apenas a
informação espectral isoladamente de cada pixel para achar regiões homogêneas.
O resultado final de um processo de classificação é uma imagem digital que
constitui um mapa de "pixels" classificados, representados por símbolos gráficos ou cores.
As técnicas de classificação multiespectral "pixel a pixel" mais comuns são:
• máxima verossimilhança (MAXVER),
• distância mínima
• método do paralelepípedo.
MAXVER considera a ponderação das distâncias entre médias dos níveis digitais
das classes, utilizando parâmetros estatísticos. Para que a classificação por máxima
verossimilhança seja precisa o suficiente, é necessário um número razoavelmente elevado
de "pixels", para cada conjunto de treinamento.
Os conjuntos de treinamento definem o diagrama de dispersão das classes e suas
distribuições de probabilidade, considerando a distribuição de probabilidade normal para
cada classe do treinamento. Antes de apresentarmos os procedimentos para executar uma
classificação descreve-se a seguir a seqüência lógica de operações a ser seguida:
1. Criar o arquivo de Contexto - este arquivo armazena quais as bandas farão parte do
processo de classificação, qual o método utilizado (pixel ou região) e as amostras no caso
da classificação por pixel;
2. Executar o treinamento - deve ser feita amostragens sobre uma imagem na área de
desenho;
3. Analisar as amostras - permite verificar a validade das amostras coletadas;
4. Executar a Classificação - de posse da amostras e das bandas escolhidas a imagem é
classificada;
5. Executar uma Pós-classificação - processo de extração de pixels isolados em função de
um limiar e um peso fornecidos pelo usuário (não obrigatório);
6. Executar o Mapeamento para Classes - permite transformar a imagem classificada
(categoria Imagem) para um mapa temático raster (categoria Temática).
PRÁTICA
Classificação por Pixel:
2. Segmentação
Neste processo, divide-se a imagem em regiões que devem corresponder às áreas de
interesse da aplicação. As regiões são um conjunto de "pixels" contíguos, que se espalham
bidirecionalmente e que apresentam uniformidade.
Crescimento de regiões
É uma técnica de agrupamento de dados, na qual somente as regiões adjacentes,
espacialmente, podem ser agrupadas. Inicialmente, este processo de segmentação rotula
cada "pixel" como uma região distinta. Calcula-se um critério de similaridade para cada par
de região adjacente espacialmente.
O critério de similaridade baseia-se em um teste de hipótese estatístico que testa a
média entre as regiões. A seguir, divide-se a imagem em um conjunto de sub-imagens e
então realiza-se a união entre elas, segundo um limiar de agregação definido.
O resultado é uma imagem rotulada, cada região apresentando um rótulo (valor de
nível digital), que devem ser classificadas por classificadores de região.
Os seguintes passos devem ser seguidos para gerar uma classificação a partir de
uma imagem segmentada.
1. Criar uma imagem segmentada - gerar uma imagem, separada em regiões com base na
análise dos níveis de cinza.
2. Criar o arquivo de Contexto - este arquivo armazena quais as bandas farão parte do
processo de classificação por regiões.
3. Executar o treinamento - deve ser feita amostragens sobre uma imagem na área de
desenho;
4. Analisar as amostras - permite verificar a validade das amostras coletadas;
5. Extração de regiões: neste procedimento o algoritmo extrai as informações estatísticas
de média e variável de cada região, considerando as bandas indicadas no contexto;
6. Classificação - para a realizar a classificação de uma imagem segmentada deve-se usar o
classificador por regiões;
7. Executar a Classificação - de posse da amostras e das bandas escolhidas a imagem é
classificada;
8. Executar o Mapeamento para Classes - permite transformar a imagem classificada
(categoria Imagem) para um mapa temático raster (categoria Temático).
PRÁTICA
Executando uma Segmentação
Vetores da
Imagem Landsat
segmentação
TM original
Imagem segmentada
e classificada