APLICAÇÕES PRÁTICAS DE

PROCESSAMENTO DE IMAGENS
EM SENSORIAMENTO REMOTO

ESTÁGIO DOCÊNCIA

ALUNA: ADRIANA AFFONSO (PROGRAMA DE PÓS-

GRADUAÇÃO NO INPE – MESTRADO EM
SENSORIAMENTO REMOTO)

ORIENTADOR: PROF. DR. GETULIO T. BATISTA, Ph.D.

DISCIPLINA: FOTOINTERPRETAÇÃO E
SENSORIAMENTO REMOTO

BACHARELADO EM AGRONOMIA

UNIVERSIDADE DE TAUBATÉ- UNITAU

FEVEREIRO 2002
Sumário

AULA 1- REGISTRO DE IMAGENS

1. Registro de Imagens --------------------------------------------------------------------------------2

AULA 2- PROCESSAMENTO DE IMAGENS

1. Contraste de Imagens -----------------------------------------------------------------------------6

2. Leitura de Pixel ------------------------------------------------------------------------------------8

3. Transformação IHS --------------------------------------------------------------------------------9

4. Operações Aritméticas entre imagens ---------------------------------------------------------11

5. Filtragem ------------------------------------------------------------------------------------------13

AULA 3- CLASSIFICAÇÃO

1. Classificação por pixel --------------------------------------------------------------------------16

2. Segmentação --------------------------------------------------------------------------------------19
Introdução

O objetivo desta apostila é por em prática a teoria aprendida em aula sobre

processamento de imagens no programa Spring, desenvolvido pelo INPE.

O banco de dados a ser utilizado apresenta imagens com diferentes resoluções

(Landsat 7-15m, Spot- 5m e Cbers- 20m) para diferentes tipos de processamentos, da
região de Taubaté.

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 Segunda aula- Processamento de Imagens- o aluno poderá executar as principais

técnicas utilizadas em processamento de imagens, como contraste, leitura de pixels,
transformação IHS, operações aritméticas entre imagens (índice de vegetação) e filtros.

A Terceira aula- Classificação- o aluno poderá obter uma imagem temática a partir
de métodos de classificação de imagens multi- espectrais.

Outros métodos de processamento podem ser treinados a partir do tutorial

encontrado no programa Spring.
 AULA 1
Registro de Imagem

Registro é uma transformação geométrica que relaciona coordenadas da imagem

(linha e coluna) com coordenadas geográficas (latitude e longitude) de um mapa. Essa
transformação elimina distorções existentes na imagem, causadas no processo de formação
da imagem, pelo sistema sensor e por imprecisão dos dados de posicionamento da
plataforma (aeronave ou satélite).
A necessidade de fazer o registro:
• Integração de imagens obtidas por sensores diferentes;
• Imagens obtidas em tempos diferentes (análise temporal);
• Imagens tomadas em posições diferentes (obter informação tridimensional);
• Mosaico de imagens.

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

Registro Imagem-Carta ou Teclado

Inicialmente defina um Banco de Dados e uma categoria (Imagem) neste Banco.
• Criando um banco de dados:
- # Iniciar – Programas – Spring
- [Arquivo] [Banco de Dados...]
Banco de Dados
- {Diretório: /<usuário>/springdb} - pode manter o diretório de trabalho atual
- {Nome: TauCbers} - ou outro nome qualquer (32 letras no máximo).
- (Criar)
- (Ativar) – Responda Sim caso tenha outro Banco/Projeto ativo.
• Definindo um Projeto:
SPRING
- [Arquivo] [Projeto...]
Projetos
- {Nome: Faz_Piloto} ou outro nome qualquer (32 letras no máximo)
- (Projeção...)
Projeções
- (Sistemas | UTM)
- (Modelos da Terra | SAD 69)
- {Origem - Long: o 45 0 0}
- (Executar)
Obs: A maioria das janelas secundárias é fechada após (Executar), porém, outras, onde se
pode efetuar mais de uma operação requerem (Fechar).
Projetos
- (Coordenadas - Geográficas)
- {Long1: o 47 57 30}, {Long2: o 47 47 00}
- {Lat1: s 15 52 30}, {Lat2: s 15 41 55}
* Sempre deve-se definir o primeiro ponto como sendo o inferior esquerdo e em
segundo o superior direito (diagonalmente opostos).
- (Criar)
- (Ativar)
• Criando uma Categoria:
SPRING
- [Arquivo] [Modelo de Dados...]
Modelo de Dados
- {Categorias - Nome: Imagem_TM}
- (Modelo - Imagem)
- (Criar)
- (Executar)
- (Fechar)
• Adquirindo pontos de controle pelo teclado:
Registro de Imagens
- (Aquisição - Teclado)
- (Operação - Criar)
- {Nome: pc1}
- (CR)
- (Continue) ou (OK)- sobre a mensagem “Digite coordenadas de referencia!”
- (Planas)
- {X(m): 189127.2}, {Y(m): 8260695.1}
- (CR)
- Mover o cursor até o ponto de controle na imagem (pc1)
- (Salvar) - Obs: por segurança salve a cada ponto adquirido, mesmo que seja insuficiente
para fazer o registro.
- Repetir para no mínimo 6 pontos de controle. De sempre preferência para escolher os
pontos, o mais distribuídos possível na área da imagem.
NOTA : A aquisição de pontos de controle pelo modo Tela exige que se tenha um projeto
ativo, do qual será usado para extrair os pontos de controle a serem utilizados para registrar
a imagem. Os procedimentos são muito semelhantes aos dois itens descritos acima.
• Selecionando os pontos para registro
Os procedimentos a seguir são comuns para qualquer modo de entrada dos pontos de
controle (Mesa, Teclado ou Tela).
• Definindo mapeamento
Registro de Imagem
- (Grau do Polinômio - 1)
- (Operação - selecionar)
- Selecionar todos os pontos de controle e avaliar os Erros dos Pontos de Teste e de
Controle
- Editar pontos (mover, suprimir e criar se necessário)
- (Salvar) a combinação de pontos de menor erro
- (Fechar)
NOTAS:
• Conforme os pontos vão sendo selecionados, os cálculos de erro (em unidades de
resolução “pixel”) são automaticamente apresentados na frente de seus nomes. Os
cálculos também são feitos para os pontos não selecionados (Pontos de Teste).
• O ideal é trabalhar com o máximo de pontos coletado, pois quanto mais pontos, desde
que bem distribuídos e precisos, melhor o registro.
• O usuário deve observar o valor apresentado como Erro dos Pontos de Controle, pois
deverá usar este valor para controle da precisão desejada. Por exemplo: numa área
urbana, pode-se considerar um erro de 0.5 "pixel", para uma resolução de 30 metros.
Em áreas de florestas, pode-se aceitar um erro de 3 "pixels", para a mesma resolução,
pela dificuldade de se conseguirem pontos de controle. Isto vai depender da aplicação
do usuário.
• Outro parâmetro usado para analisar o erro é função da escala que está se trabalhando.
Por exemplo: para um mapeamento na escala de 1:50.000, o erro aceitável no registro é
metade do valor da escala, isto é 25 metros. Assim um erro de dois pixels, para
resolução de 10 metros, isto é, 20 metros, seria aceitável para esta escala de trabalho.
• Se necessário, repita a operação de seleção dos pontos de controles e teste até alcançar
um resultado satisfatório. Você poderá testar outros pontos, outro polinômio, ou mesmo
corrigir a posição de algum ponto que não deseja abandoná-lo.

• Importando a Imagem p/ o Projeto:

SPRING
- [Arquivo][Importar Arquivos GRIB...]
Importar Imagens
- (C:\springdb\Imagens) ou (Diretório: /<usuário>/springdb/Imagens)
- (Arquivos | Landsat.grb)
- (Imagens | <escolher banda 3>)
- (Categoria...)
Lista de Categorias
- (Categorias | Imagem_TM)
- (Executar)
Importar Imagens
- {PI: TM3}
- (Executar)
- - Repetir para as bandas TM4 e TM5
NOTAS:
• Ao término do registro, observe que o plano de informação importado, agora faz parte
da lista apresentada no “Painel de Controle”.
• Quando a imagem disponível não é suficiente para recobrir toda área de seu projeto,
você deverá adquirir uma imagem adjacente e efetuar todo o processo de leitura e
registro da imagem restante, e assim efetuar um mosaico desta imagem.
Aula 2
Processamento de Imagem
1. Contraste de Imagens
A técnica de realce de contraste tem por objetivo melhorar a qualidade das imagens
sob os critérios subjetivos do olho humano. É normalmente utilizada como uma etapa de
pré-processamento para sistemas de reconhecimento de padrões.
A manipulação do contraste consiste numa transferência radiométrica em cada
"pixel", com o objetivo de aumentar a discriminação visual entre os objetos presentes na
imagem. Realiza-se a operação ponto a ponto, independentemente da vizinhança.
O histograma de uma imagem descreve a distribuição estatística dos níveis de
cinza em termos do número de amostras ("pixels") com cada nível.
Como regra geral pode-se tomar que quanto maior a inclinação de curva aplicada no
histograma, maior o contraste. Uma inclinação de 45 o indica que não há realce nem
compressão dos níveis de cinza. Deve-se tomar CUIDADO para não ocorrer “overflow”, a
menos que deseje.
Um “overflow” ocorre quando uma porção pixels de níveis de cinza diferentes são
transformados em um único nível, isto é, quando a inclinação da reta de transferência é
exagerada.

PRÁTICA
Realce de Imagem

- # Iniciar – Programas – Spring

SPRING
* Ativar banco de dados TauCbers
* Ativar projeto Faz_Piloto

1. Contraste de imagem em uma única banda

Visualizando uma imagem:

Painel de Controle
- (Categorias | Imagem)
- (Planos de Informação | SPOT95_5m) (ou qualquer outra imagem)
- (M) - para monocromático (imagem em níveis de cinza)
SPRING
- [Executar] [Desenhar]
Definindo um aumento de contraste linear:
SPRING
- [Imagem][Contraste...]
Contraste
- [Operação] [Linear]
* Selecionar com cursor (botão esquerdo) o valor mínimo do histograma
* Selecionar com cursor (botão direito) o valor máximo do histograma
- (Aplicar)
* A imagem é realçada na tela ativa
Salvando a imagem realçada:
Contraste
- {Nome: SPOT_contrast}
- (Salvar Imagem :Banda)
- [Executar] [Salvar]

Imagem SPOT 95 sem contraste

Imagem SPOT 95 com contraste

* 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. Contraste de imagem em Composição Colorida (RGB)

Visualizando uma composição colorida de três bandas:

Painel de Controle
- (Categorias | Imagem_TM)
- (Planos de Informação | TM_17_12_99_Fusao_PANb1), (R)
- (Planos de Informação | TM_17_12_99_Fusao_PANb2), (G)
- (Planos de Informação | TM_17_12_99_Fusao_PANb3), (B)
SPRING
- [Executar] [Desenhar]
Definindo um contraste para cada banda:
SPRING
- [Imagem][Contraste...]
Contraste
- [Operações] [Linear] ou outra qualquer.
- [Canal] [Vermelho]
* Selecionar com cursor (botão esquerdo) o valor mínimo do histograma
* Selecionar com cursor (botão central) o valor máximo do histograma
- (Aplicar)
* A composição colorida na tela ativa apresenta o resultado de alteração no histograma.
* Repetir para os canais verde e azul
Criando uma Imagem Sintética da composição colorida:
Contraste
- {Nome: TM_contraste}
- (Salvar Imagem - Imagem Sintética)
- [Executar] [Salvar]
* A imagem sintética estará disponível no “Painel de Controle”.

Imagem Landsat TM sem contraste

Imagem Landsat TM com contraste- sintética

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:

- # Iniciar – Programas – Spring

SPRING
* Ativar banco de dados TauCbers
* Ativar projeto Faz_Piloto
* Visualizar a imagem TM_17_12_99_Fusao_PANb1
- [Imagem][Leitura de Pixels...]
Leitura de Pixels
- [Exibir] [Cursor de Ponto]
* Selecionar pixel na tela com um clique
* Verificar valores de pixel para alvos diferentes. Observe que a cada clique os valores são
apresentados na janela Leitura de Pixels.
Leitura de Pixels
- (Posicionar...)
Posicionar Cursor de Ponto
- (Coordenadas :Planas)
- digite as coordenadas que deseja
- (Executar)
* Observe que uma “cruz” é posicionada na coordenada indicada e o relatório
apresentado.
NOTA: Clique o botão do meio (BM) do mouse, sobre a área de desenho, para liberar o
cursor do modo Ponto, ou [Exibir] [Cursor de Ponto] ou botão .
Salvar em arquivo:
Leitura de Pixels
- (Salvar...)
Salvar Arquivo Como ou Seleção de Arquivo
- escolha uma pasta para salvar, de preferencia no mesmo diretório do banco de dados
- {Seleção ou Nome do Arquivo: pixeltmb1.txt} - Nome de um arquivo texto que conterá
os valores apresentados.
- (Salvar) ou (Executar)
Leitura de Pixels
- (Fechar)
NOTA: O mesmo procedimento para leitura de pixel, pode ser efetuado sobre uma
composição colorida de três bandas, mas não sobre uma imagem sintética.

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:

- # Iniciar – Programas – Spring

SPRING
* Ativar banco de dados TauCbers
* Ativar projeto Faz_Piloto
- [Imagem][Transfomação IHS<-->RGB...]
Transformação IHS
- (Transformações _RGB->IHS)
- (Planos de Entrada_ R)
Categorias e Pls
- (Categorias | Imagem)
- (Planos de Informação | TM_17_12_99_Fusao_PANb2)
- (Executar)
* Repetir para: plano de entrada G - TM_17_12_99_Fusao_PANb1 e plano de entrada B
- TM_17_12_99_Fusao_PANb3
Transformação IHS
- {PI de Saída: TM_ihs}
- (Resolução de Saída- R, G ou B) = {X: 15}, {Y:15}, pois neste caso a
resolução de saída será a mesma de qualquer PI de entrada.
- (Executar)
• Visualizar a imagem ihs resultante

Imagem Landsat TM sintética

Imagem IHS resultante

Transformação inversa : IHS-RGB:

- [Imagem][Transformação RGB<-->IHS...]
Transformação IHS
- (TRANSFORMAÇÕES - IHS->RGB)
- (Planos de Entrada / I)
Categorias e Pls
- (Categorias | Imagem)
- (Planos de Informação | SPOT95_5m)
- (Executar)
- (Planos de Entrada - H)
Categorias e Pls
- (Categorias | Imagem)
- (Planos de Informação | Tihs-H)
- (Executar)
- (Planos de Entrada - S)
Categorias e Pls
- (Categorias | Imagem)
- (Planos de Informação | Tihs-S)
- (Executar)
Transformação RGB<-->IHS
- {PI de Saída: T_inversa}
- (Resolução de Saída _ I) = {X: 5}, {Y:5}
- (Executar)
- Comparar as composições coloridas originais e transformadas

Imagem IHS, TM
Imagem SPOT

Imagem IHS-RGB, fusão das imagens

Spot e IHS resultante da TM

4. Operações Aritméticas entre imagens

Utiliza-se uma ou duas bandas de uma mesma área geográfica, previamente
georeferenciada. Realiza-se a operação "pixel" a "pixel", através de uma regra matemática
definida, tendo como resultado uma banda representando a combinação das bandas
originais, permitindo a compressão de dados, mas normalmente os resultados podem
ultrapassar o intervalo de 0-255, sendo estes resultados automaticamente normalizados,
saturando os valores abaixo de 0, e acima de 255, em 0 e 255 respectivamente, causando
perda de informação espectral, portanto, deve-se utilizar um fator de Ganho
(multiplicativo) ou "Off-set" (aditivo).
Subtração de imagens
Utilizada para realçar diferenças espectrais (operação linear), uma vez que se
conhece as curvas de comportamento espectral dos alvos de interesse e o intervalo espectral
das bandas dos sensores.
Exemplos de aplicação:
• identificação de diferentes tipos de cobertura vegetal;
• identificação de minerais formados por óxido de ferro;
• detecção do padrão de mudança de cobertura, como uso do solo, expansão urbana,
desmatamento.
Aconselha-se a equalização de sua média e do desvio padrão, antes da subtração.
Adição de imagens
A adição de imagens constitui uma operação linear, podendo ser utilizada para a
obtenção da média aritmética entre as imagens, minimizando a presença de ruído, ou ainda
para a integração de imagens resultantes de diferentes processamentos.
Multiplicação
É uma operação linear que consiste na multiplicação de uma constante pelos níveis
de cinza de uma banda.
Divisão ou razão entre bandas
É uma operação não-linear utilizada para realçar as diferenças espectrais de um par
de bandas, devendo cuidar da presença de ruídos, pois estes serão realçados.
A operação de razão de bandas pode:
• remover efeitos de ganho provenientes de variações espaciais ou temporais, quando
ocorrem em bandas de uma mesma imagem;
• diminuir variações de radiância da imagem, provenientes de efeito de topografia,
declividade e aspecto;
• aumentar diferenças de radiância entre solo e vegetação.
A redução do efeito de iluminação também elimina o efeito do sombreamento
topográfico. Para aumentar o contraste entre solo e vegetação, pode-se utilizar a razão entre
bandas referentes ao vermelho e infravermelho próximo, constituindo assim, os chamados
índices de vegetação.

PRÁTICA
Executando Operações Aritméticas entre imagens:

- # Iniciar – Programas – Spring

SPRING
* Ativar banco de dados TauCbers
* Ativar projeto Faz_Piloto
* Visualizar a imagem CBERS_30_04_2000_IV
- [Imagem][Operações Aritméticas...]
Operações Aritméticas
- (Operação C=Ganho*[(A-B)/(A+B)]+Offset
- (A), (Planos de Informação: CBERS_30_04_2000_IV)
- (B), (Planos de Informação: CBERS_30_04_2000_Vm)
- {Ganho: 50}
- {Offset: 100}
- {Saída C: NDVI}
- (Executar)
* Visualizar a imagem resultante
• Testar outras operações. Não esquecer de analisar os valores de Ganho e Offset.

Imagem Cbers infra vermelho Imagem CBERS(NDVI) os pixels mais

monocromático brilhantes (mais claros) indicam maior
concentração de vegetação

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.

Tipos de Filtros Opções Máscaras

Passa Baixa- Média
Direcional de bordas
Linear Não direcional de bordas
Realce de imagens TM
Máscaras
Detecção de bordas
Morfológico- Dilatação
Não Linear Morfológico- Mediana
Morfológico- Erosão
Máscaras
3x3, 5x5 ou 7x7
NW, W, SW, N, S, NE, E ou
SE
Baixa, média ou alta
Editor de Máscaras
Sobel ou Roberts
Mtot, Mx, M+, M-, M|, Md
ou Me
Editor de elementos
PRÁTICA
Aplicação de Filtros
⇒ Executando Filtragem em imagens:
- # Iniciar – Programas – Spring
SPRING
* Ativar banco de dados TauCbers
* Ativar projeto Faz_Piloto
* Visualizar a imagem SPOT95_5m
- [Imagem][Filtragem...]
⇒ Usando filtros pré-definidos:
Filtragem
- (Tipos ⇔ Linear)
- (Filtros Lineares ⇔ Passa Baixa-Média)
- (3x3)
- {PI de Saída: spot_media}
- (Retângulo Envolvente...)
* Selecionar área a filtrar sobre a imagem, se não informado será utilizado toda área do
PI.
- (Nº de Interações ⇔ 1)
- (Executar)
* Visualizar a imagem spot_media filtrada para comparação
* Testar outros filtros
NOTA: A filtragem é efetuada diretamente em disco, criando um PI novo ou atualizando o
PI ativo.

Imagem Spot sem filtro

Imagem Spot com filtro de média

⇒ Editando filtros de usuário:

Painel de Controle
* Visualizar a imagem SPOT95_5m
Filtragem
- (Tipos ⇔ Linear)
- (Filtros Lineares ⇔ Máscaras)
- (Selecionar...)
Máscaras
- (Diretório: /ESTAGIO_DOCENCIA\TAUCBERS\FAZ_PILOTO)
- (CR)
- (X ⇔ 7), (Y ⇔ 7)
- (Criar...)
Edição de Máscaras
- {Nome: filtro1}
• Preencher valores de 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:

- # Iniciar – Programas – Spring

SPRING
* Ativar banco de dados TauCbers
* Ativar projeto Faz_Piloto
* Visualizar uma composição colorida RGB com bandas TM_17_12_99_Fusao_PANb1,
TM_17_12_99_Fusao_PANb2 e TM_17_12_99_Fusao_PANb3 ou apenas uma banda.
- [Imagem][Classificação...]
Criando arquivo de contexto:
Classificação
- (Criar...)
Criação de Contexto
- {Nome: contx1}
- (Tipo de Análise : Pixel)
- (Bandas | TM_17_12_99_Fusao_PANb1, TM_17_12_99_Fusao_PANb2 e
TM_17_12_99_Fusao_PANb3) - selecionar bandas
- (Executar)
Treinando classificação:
Classificação
- (Contextos | contx1) - selecionar arquivo de contexto
- (Treinamento...)
Treinamento
- {Nome: vegetacao}
* Selecionar cor
- (Criar)
- (Tipo : Aquisição)
Adquirindo amostras retangulares:
Treinamento
- (Contorno : Retangular)
* Selecionar amostra sobre a imagem como se fosse efetuar um zoom.
- (Adquirir)
Adquirindo amostras poligonais:
Treinamento
- (Contorno : Poligonal)
* Digitalizar contorno da amostra sobre a imagem, encerrando a linha com o botão do
meio. Automaticamente o primeiro ponto se fecha com o último.
- (Adquirir)
* Adquirir amostras suficientes para o tema
* Repetir para outros temas: urbano, solo, agua, agricultura
Visualização de temas e amostras:
Treinamento
- (Temas | vegetação)
- (Visualizar)
- (Amostras | 1)
- (Visualizar)
OBS: Após analisar as amostras (item mais a frente) pode ser necessário mudar o tipo da
amostra, sem necessidade de eliminá-la. Ao alterar uma amostra do tipo Aquisição p/
Teste, essa será analisada mas não será considerada no classificador.
Alterando tipo de amostras:
- (Amostras | 2)
- (Tipo : Teste)
- (Alterar)
- (Salvar)
- (Fechar)
Classificando a imagem:
Classificação
- (Classificação...)
Classificação de Imagens
- {Nome: TMcmaxver}
- (Criar)
- (Classificador : Maxver)
- (Limiar de Aceitação: 99%)
- (Analisar Amostras...)
Análise Amostras
* Analisar as amostras de aquisição e de teste para cada tema
* Para as amostras com confusão alta, retornar ao treinamento para edição
Classificação de Imagens
- (Classificar)
* Visualizar a imagem classificada
Eliminando o ruídos de classificação - Pos-classificação:
Classificação
- (Pós-Classificação...)
Pós-Classificação
- (Imagens Classificadas | TMcmaxver)
- (Peso : 2)
- (Limiar : 5)
- (Executar)
- Visualizar a imagem resultante.
* Testar outros pesos e limiares
Mapeando temas da imagem classificada para classes do banco de dados:
Classificação
- (Mapeamento...)
Mapeamento para Classes
- (Categoria | Uso_Terra)
- (Imagens Classificadas | TMcmaxver)
- (Temas | vegetacao)
- (Classes | Mata)
- Repetir para os todos os temas. Para cada tema deve haver uma classe temática
associada. É preciso primeiramente crias uma Categoria temática com as devidas
classes.
- (Executar)
- * Visualizar plano temático Tmcmaxver –temática

Imagem Landsat TM Imagem Landsat TM classificada (MAXVER)

OBS: Após a classificação é preciso analisar as duas imagens (original e classificada) para
ver se todas as áreas foram classificadas. Na imagem acima podemos perceber que algumas
áreas ficaram em branco, ou seja, não foram classificadas. Neste caso, podemos refazer a
classificação, adquirindo mais amostras de cada classe, até que toda a imagem esteja
classificada, ou então fazer uma edição matricial, na qual selecionaremos os pixels que não
foram classificados, e de acordo com a imagem, editar para a classe correspondente.

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

- # Iniciar – Programas – Spring

SPRING
* Ativar banco de dados TauCbers
* Ativar projeto Faz_Piloto
- [Imagem][Segmentação...]
Segmentação
- (Bandas | TM_17_12_99_Fusao_PANb1, TM_17_12_99_Fusao_PANb2 e
TM_17_12_99_Fusao_PANb3)
- (Método ⇔ Crescimento de regiões)
- (Similaridade ⇔ 8)
- (Área (pixels) ⇔ 10)
- {Imagem Segmentada: seg-8-10}
- (Suavização de Arcos ⇔ Sim)
- (Executar)
* Visualizar imagem rotulada seg-8-10, sobreposta a outra imagem
* Testar outros valores de similaridade e área, se o resultado não for satisfatório

Vetores da
Imagem Landsat
segmentação
TM original

Imagem original junto com os

vetores para conferencia

Classificação por Região

Os Classificadores por regiões utilizam, além de informação espectral de cada
"pixel", a informação espacial que envolve a relação entre os "pixels" e seus vizinhos. Estes
classificadores procuram simular o comportamento de um foto-intérprete, ao reconhecer
áreas homogêneas de imagens, baseados nas propriedades espectrais e espaciais de
imagens. A informação de borda é utilizada inicialmente para separar regiões e as
propriedades espaciais e espectrais irão unir áreas com mesma textura.
O classificador Isoseg é o algoritmo disponível no Spring para classificar regiões de
uma imagem segmentada. É um algoritmo de agrupamento de dados não-supervisionado,
aplicado sobre o conjunto de regiões, que por sua vez são caracterizadas por seus atributos
estatísticos de média e matriz de covariância, e também pela área.
⇒ Classificação por Região:
- # Iniciar – Programas – Spring
SPRING
* Ativar banco de dados TauCbers
* Ativar projeto Faz_Piloto
* Visualizar a imagem TM_17_12_99_Fusao_PANb1
- [Imagem][Classificação...]
⇒ Criando arquivo de Contexto:
Classificação
- (Criar...)
Criação de Contexto
- {Nome: clasreg}
- (Tipo de Análise ⇔ Região)
- (Bandas | TM_17_12_99_Fusao_PANb1, TM_17_12_99_Fusao_PANb2 e
TM_17_12_99_Fusao_PANb3) – selecionar bandas.
- (Imagens Segmentadas | seg-8-10)
- (Executar)
⇒ Extraindo regiões:
Classificação
- (Extração de Regiões)
⇒ Classificando sem supervisão:
Classificação
- (Classificação...)
Classificação por Regiões
- {Nome: tm345sub-isoseg}
- (Criar)
- (Classificador ⇔ Isoseg)
- (Limiar de Aceitação ⇔ 99%)
- (Classificar)
* Visualizar a imagem classificada
 Vetores da
Imagem Landsat
segmentação
TM original

Imagem segmentada
e classificada