Processamento Digital de Imagens - PDI

Processamento Digital de Imagens/ PDI - GEOTEC
PROCESSAMENTO DIGITAL DE IMAGENS PDI
UNIVERSIDADE FEDERAL DO PAR
UNIVERSIDADE FEDERAL DO PAR ASSESSORIA DE EDUCAO A DISTNCIA
Processamento Digital de Imagens PDI
AEDI - UFPA 2012

Fbio Marcelo Breunig Gabriel Pereira
FBIO MARCELO BREUNIG1 Prof. Adjunto Dr. Centro de Educao Superior do Norte do RS / Universidade Federal de Santa Maria CESNORS/UFSM. Sala 59, bloco de apoio 4, CESNORS. Linha sete de Setembro, s/n. Frederico Westphalen, RS. CEP: 98400-000. GABRIEL PEREIRA2 2 Doutorando em Sensoriamento Remoto do Instituto Nacional de Pesquisas Espaciais (INPE) e em Geografia Fsica na Universidade de So Paulo (USP). Sec. PG-SER, Av. dos Astronautas, Jardim da Granja, So Jos dos Campos, SP. CEP: 12227-010. RESUMO O processamento digital de imagens (PDI) multidisciplinar e empregado em vrias reas do conhecimento. Na rea de cincias exatas e da Terra, sua utilizao geralmente est vinculada ao tratamento de imagens de satlite, aerotransportadas ou fotografias. Nesse sentido, o escopo do presente texto abrange as principais aplicaes do PDI, conceitos bsicos sobre imagens e resolues caractersticas dos sensores. Devido a grande utilizao, so brevemente apresentados os sensores Ikonos, TM Landsat, MODIS e Hyperion, que se destacam entre as distintas categorias de sensores de imageamento. Na sequncia so tratados os assuntos relacionados ao pr-processamento de imagens como a correo radiomtrica, correo atmosfrica e correo geomtrica. Na sequencia, algumas tcnicas de realce e extrao de informaes de imagens so apresentadas: avaliao de histogramas, contraste, transformao IHS, operaes matemticas, filtragem de imagens, segmentao e classificao. Por fim, alguns mtodos de avaliao temporal de dados so discutidos, seguidos de algumas aplicaes do PDI.
Sumrio 2 Lista de Figuras 5 Lista de Tabelas 8 1. Introduo ao Processamento Digital de Imagens (PDI) 9 1.1. Conceitos bsicos de imagem digital 10 1.2. Caractersticas das imagens de sensor 11 1.3. Sistemas de imageamento 16 1.3.1. Ikonos 21 17 1.3.2. Landsat 21 17 1.3.3. MODerate-resolution Imaging Spectroradiometer (MODIS) 18 1.3.4. Hyperion/EO-1 19 2. Tcnicas de correo de imagens e anlise de imagens 19 2.1. Correo radiomtrica 19 2.2. Correo atmosfrica 20 2.3. Correo geomtrica 21 2.4. Histograma da imagem e mudana de contraste 23 2.5. Fatiamento de imagens 24 2.6. Filtragem no domnio espacial e no domnio da frequncia 24 2.6.1. Filtros no domnio espacial 25 2.6.2. Filtros no domnio da frequncia 30 2.7. Cor no processamento de imagens 33 2.8 Transformaes IHS 35 2.9 Operaes matemticas com imagens 37 2.10 Segmentao: deteco de bordas e crescimento de regies 39 2.11. Classificao de padres nas imagens 42 3. Anlise temporal de imagens 46 3.1 Anlise Harmnica 46 3.2 Transformada de Wavelet (TW) 48 3.3 Principais componentes 48 4. Aplicaes do PDI (Estudo de Casos) 51
5. Consideraes Finais 56 6. Bibliografia 57 Atividades 63 Exerccios de fixao (tericos) 63 Exerccios prticos 63
Lista de Figuras Figura 1. Efeito de diferentes resolues espaciais sobre a identificao de alvos. Imagem da cmera de alta resoluo espacial HRC (High Resolution Camera), a bordo do satlite CBERS-2b (China-Brazil Earth Resources Satellite) ou Satlite Sino-Brasileiro de Recursos Terrestres de 25 de setembro de 2008, da regio de Querncia MT. 14 Figura 2. O campo de visada instantneo (IFOV) representado pelo ngulo A. A rea em amarelo refere-se a uma aproximao do elemento de resoluo formado. 15 Figura 3. Ilustrao (esquerda) do conceito de campo de visada instantneo efetivo (EIFOV) e (direita) o aspecto de borrado de diferentes sensores. As figuras foram elaboradas com bandas espectralmente parecidas. 16 Figura 4. Cubo hiperespectral do sensor AVIRIS referente imagem de Moffet Field Airport (California). 18 Figura 5. Espectros de reflectncia gerados a partir de distintos sensores, com diferentes resolues espectrais. 19 Figura 6. Nveis de cinza para sensores que geram imagens com 7, 8, 9 e 10 bits. 19 Figura 7. Efeito da resoluo radiomtrica sobre as imagens. 20
Figura 8. Sequncia do lanamento e tempo de vida dos satlites da srie Landsat. O grfico inclui os satlites planejados para dar continuidade ao programa. 22
Figura 9. Imagem original da banda 10 do Hyperion com colunas sem dados ( esquerda). Aplicao da correo do efeito stripping sobre uma imagem do sensor Hyperion ( direita). 25 Figura 10. Janelas atmosfricas e principais gases responsveis pela absoro da radiao eletromagntica presentes na atmosfera. 26 Figura 11. Imagem sem correo de rolamento (roll), arfagem (pitch) e guinada (yaw) (esquerda). Com correo geomtrica aplicada (direita). 27 Figura 12. Distribuio dos pontos de controle selecionados sobre a imagem de referncia Geocover (esquerda) e sobre a imagem a ser registrada (direita). 29 Figura 13. Histograma e imagem antes da aplicao do contraste ( esquerda) e aps a aplicao do contraste linear no aplicativo SPRING ( direita). 30 Figura 14. Aplicao do fatiamento sobre uma imagem TM, com um total de cinco fatias. Distribuio espacial dos pixels (esquerda) e distribuio no histograma dos pixels com os respectivos limites (direita). 31 Figura 15. Convoluo de uma imagem de tamanho (11x9) por uma mscara de 3x3, que engloba os oito vizinhos mais prximos e o prprio ponto (centro). O ponto g(2,2) representa uma combinao dos pesos dados mscara destacada em cinza na imagem . 32
Figura 16. Projeo da mscara 3x3 sobre a imagem de entrada.
33
Figura 17. (a) Banda 8 do ETM+/Landsat 7 original; (b) Filtro passa-baixas (filtro de mdia), mscara 5x5; (c) Filtro passa-baixas (mdia ponderada), mscara 3x3 ; (d) Filtro passa-alta 3x3; (e) Filtro 3x3 direcional de borda, orientao oeste; e (f) Filtro 3x3 no-direcional de borda, intensidade alta. 37 Figura 18. (a) Banda 8 original do ETM+/Landsat 7; (b) Filtro para deteco de bordas de Roberts; (c) Filtro para deteco de bordas de Sobel; (d) Filtro morfolgico da mediana; (e) Filtro morfolgico de eroso; e (f) Filtro morfolgico de dilatao. 38 Figura 19. Filtragem no domnio da frequncia. 40
Figura 20. (a) Banda 1 do sensor ETM+/Landsat 7 em tons de azul; (b) Banda 2 do sensor ETM+/Landsat 7 em tons de verde; (c) Banda 3 do sensor ETM+/Landsat 7 em tons de vermelho. (d) Imagem colorida resultante da ponderao das cores azul, verde e vermelho para cada pixel. 42 Figura 21. Imagem ETM+/Landsat 7 para Belm, Par. (a) Composio cor verdadeira (banda 1 no azul, banda 2 no verde e banda 3 no vermelho); (b) Composio falsa cor (banda 3 no azul, banda 4 no verde e banda 5 no vermelho); (c) Composio falsa cor (banda 7 no azul, banda 5 no verde e banda 4 no vermelho) 43 Figura 22. Espao de cores IHS. 45
Figura 23. (a) Componente intensidade originada da composio colorida 1B2G3R do sensor ETM+/Landsat 7; (b) Componente saturao originada da composio colorida 1B2G3R do sensor ETM+/Landsat 7; (c) Componente matiz originada da composio colorida 1B2G3R do sensor ETM+/Landsat 7. 46 Figura 24. (a) Composio falsa cor (banda 3 no azul, banda 4 no verde e banda 5 no vermelho) com resoluo espacial de 30m; (b) Fuso pelo processo IHS originando uma imagem com 15m de resoluo espacial. 47 Figura 25. (a) Imagem resultante da diferena entre a banda 2 e a banda 5 do sensor ETM+/Landsat 7; e (b) NDVI para a regio de Belm, Par (tons claros representam vegetao densa e cores escuras ausncia de vegeteo). 50 Figura 27. Contornos (em vermelho) provenientes do processo de segmentao por crescimento de regies, implementado no SPRING, sobrepostos imagem de Belm do Par (ETM+/Landsat 7). (a) Similaridade = 1 e rea mnima (pixels) = 1; (b) Similaridade = 1 e rea mnima (pixels) =10; (c) Similaridade =4 e rea mnima (pixels) =16; e (d) Similaridade = 5 e rea mnima (pixels) =50. 52 Figura 28. Resultado de uma classificao genrica no aplicativo SPRING. (a) Imagem cor verdadeira do sensor ETM+/Landsat 7 (1B2G3R); e (b) Atribuio de classes aos elementos da cena (processo automtico sem interao com o usurio). 54 Figura 29. Classificao realizada no SPRING (Vermelho reas Urbanas; Verde Formaes vegetais; e Azul Hidrografia). (a) Imagem falsa cor ETM+/Landsat 7 (3B4G5R); (b) Classificao pelo algoritmo K-Mdias; (c) Classificao pelo algoritmo MAXVER; e (d) Classificao pelo algoritmo MAXVERICM. 57 Figura 30. Classificao realizada no SPRING (Vermelho reas Urbanas; Verde Formaes vegetais; e Azul Hidrografia). (a) Imagem falsa cor ETM+/Landsat 7 (3B4G5R); (b) Classificao pelo algoritmo
Isoseg; e (c) Classificao pelo algoritmo Bhattacharya.
59
Figura 31. Imagem referente ao primeiro harmnico para o ano de 2003 e respectivo diagrama contendo o primeiro harmnico (linha azul), segundo harmnico (linha vermelha) e terceiro harmnico (linha verde). 61 Figura 32. Grfico do ndice de vegetao NDVI e espectro de potncia para a classe ectono (a) e para formaes florestais (b). 62 Figura 33. (a) Imagem do sensor MODIS para o ano de 2009 (ano de menor alagamento), composio 1B2R6G (vegetao em tons de vermelho, hidrografia em preto); (b) Imagem do sensor MODIS para o ano de 2000 (ano de maior alagamento), composio 1B2R6G (vegetao em tons de vermelho, hidrografia em preto); (c) e (d) Mapa da variabilidade temporal da reflectncia no infravermelho prximo obtida a partir da utilizao da tcnica ACP (segunda e terceira componentes principais, respectivamente). 65 Figura 34. Composio colorida das trs primeiras componentes principais, originadas a partir das imagens frao vegetao provenientes dos dados de reflectncia de superfcie do MODIS/TERRA. 67 Figura 35. Mapeamento das cicatrizes de queimadas no ano de 2005 na regio Amaznica utilizando o MLME. 68 Figura 36. Utilizao da tcnica AHP para o mapeamento das das reas suscetveis a escorregamentos da bacia do rio forquilhas. 69 Figura 37. Classes de tipos de cobertura vegetal e aplicao do ndice de Vegetao da Razo Simples (SR) (A) e ndice de Vegetao por Diferena Normalizada (NDVI) (B) 71
Figura 38. Classes de tipos de cobertura vegetal e aplicao do ndice de Vegetao Ajustado para o Solo (C) e ndice de Vegetao Melhorado (EVI) (D). 71 Figura 39. Lineamentos extrados da imagem CBERS-2B para a regio do ncleo soerguido da Serra da Cangalha, Tocantins. 72
Lista de Tabelas Tabela 1. Caractersticas das imagens do sensor de alta resoluo espacial a bordo do satlite Ikonos. Tabela 2. Principais caractersticas do sensor TM a bordo do satlite Landsat 5. 22 21
Tabela 3. Especificaes tcnicas das bandas do visvel, infravermelho prximo (IVP) e infravermelho de ondas curtas (SWIR) do MODIS/Terra voltadas s aplicaes terrestres. 23 Tabela 4. Filtros passa-baixas, tambm conhecidos como filtros de mdia, pois aplicam o mesmo peso a todos os vizinhos do pixel central. 34 Tabela 5. Filtros passa-baixas, conhecidos como filtros de mdia ponderada. Tabela 6. Exemplos de Filtros passa-alta (Manual do Spring, 2012). 35 35
Tabela 7. Exemplos de Filtros passa-alta direcionais de borda (Manual do Spring, 2011). 36 Tabela 8. Filtros passa-alta, pr-definidos no SPRING. 36
1. Introduo ao Processamento Digital de Imagens (PDI) O processamento digital de imagens (PDI) um ramo da computao aplicada que visa fornecer mtodos e aplicativos para o tratamento de imagens das mais diversas naturezas, de forma a aumentar a capacidade de interpretao e extrao de informaes. Inicialmente a cincia se pautava na interpretao visual e na descrio manual dos fatos e objetos. Com a inveno da fotografia, uma nova forma de registro passou a integrar os anais da cincia (Mather, 1999). Na dcada de 1920 o PDI era utilizado em jornais para melhorar a qualidade das fotografias. A partir das exploraes da Lua (1964) teve inicio a utilizao do PDI para melhorar a qualidade das informaes de imagens da Lua e da Terra. Assim, o PDI passou a ser amplamente utilizado paralelamente aos estudos de sensoriamento remoto. Cabe destacar que no so apenas as cincias exatas e da terra que fazem uso do PDI (p.ex. Geologia, Geografia, Oceanografia, Agronomia, Engenharia Florestal, etc.), mas tambm cincias da sade (imagens mdicas), comunicao (imagens fotogrficas), biolgicas (mapeamento e identificao de alvos microscpicos), entre outras. Com o conjunto de aplicaes vislumbrado para o PDI, podemos ter ideia da sua importncia. Nesse texto daremos maior enfoque nas geocincias e aplicaes. Com os avanos de hardware, a capacidade de processamento de dados tem aumentado junto com o aumento da quantidade de informaes disponibilizadas pelos sensores remotos. Nesse sentido, o aumento da resoluo espacial, espectral, radiomtrica e temporal passou a demandar uma enorme capacidade de processamento, aliado a novas tcnicas de extrao de informaes das imagens. Todos os procedimentos de PDI tm inicio com a definio do alvo a ser imageado, a coleta/observao, a digitalizao e o armazenamento dos dados, o processamento propriamente dito e a visualizao ou gravao do produto final que ser fornecido ao usurio. Para que seja feito o processamento de imagens digitais, necessrio que haja imagens dessa natureza. Esse produto (a imagem), na rea de geocincias e estudos ambientais, normalmente advindo de sensores remotos. Assim, conhecer as caractersticas desses sensores fundamental para que possamos interpretar corretamente as informaes contidas nas imagens ou ento melhorar a qualidade da imagem de forma a permitir uma melhor percepo humana ou computacional das informaes contidas na imagem. Dessa forma as principais caractersticas dos sensores sero discutidas nesse texto. Aps serem digitalizadas e armazenadas no disco do usurio, as imagens podem passar, basicamente por trs processos associados ao PDI chamados de pr-processamento, anlise dos dados e interpretao/ aplicao. Essas etapas sero discutidas ao longo do texto. Sero abordados conceitos bsicos sobre o processamento de imagens digitais, procurando apresentar, concomitantemente, exemplos prticos. Na etapa do pr-processamento sero abordados temas como a correo radiomtrica, geomtrica e atmosfrica das imagens. Alm disso, o uso de tcnicas bsicas associadas avaliao de histogramas e ao realce por contraste, junto com a filtragem de imagens. Ainda sero discutidos temas como cor em PDI, transformaes do espao de cores (IHS, RGB) entre outras. A anlise dos dados envolve a extrao de informaes a partir das imagens pr-processadas na etapa anterior. Assim, passaremos a abordar nessa etapa temas como operaes matemticas sobre imagens, segmentao e classificao de imagens. Ciente da atual demanda por estudos temporais sero discutidos temas como a anlise temporal de imagens. A grande disponibilidade de dados (inmeros sensores e a perspectiva temporal) se constitui num novo desafio para o PDI. Nesse contexto, sero feitas discusses sobre as formas de integrao de informaes derivadas de imagens obtidas com distintas caractersticas radiomtricas, geomtricas e atmosfricas. Por fim, o texto abordar usuais aplicaes de PDI, especialmente na rea de geocincias e estudos ambientais. Nesse sentido, as tcnicas de interpretao de imagens e os mtodos de avaliao sero discutidos
em conjunto com os mtodos de visualizao como telas digitais, impresses e mapas de diferentes naturezas. Cabe destacar que os limites entre as fases do PDI no so um consenso no meio acadmico (Gonzalez e Woods, 2008). Alm da classificao apresentada acima, podemos tambm dividir o PDI de acordo com a complexidade dos processamentos (Gonzalez e Woods, 2008): baixo (pr-processamento); mdio (anlise) e alto nvel (interpretao). 1.1- Conceitos bsicos de imagem digital Como vimos, o uso do PDI no se restringe s imagens de sensoriamento remoto. Uma das primeiras imagens digitais foi gerada pela indstria jornalstica para a transmisso de imagens pelos cabos submarinos que ligam Londres e Nova Iorque, na dcada de 1920. Aps as primeiras transmisses com quatro nveis de cinza, as imagens digitais evoluram para 15 nveis em 1929 (Gonzalez e Woods, 2008). Nessa rea do sensoriamento remoto, a origem esteve associada transmisso de dados de satlites para a Terra, com baixa qualidade (projeto telemetered). Para aumentar a qualidade das imagens, tcnicas de PDI comearam a ser produzidas e utilizadas. Outro significativo impulso ocorreu com o programa Landsat, em 1972. Novas ferramentas e tcnicas de anlise passaram a ser desenvolvidas, de forma a permitir explorar imagens de vrias bandas e diferentes sensores. O programa Landsat foi o primeiro a gerar imagens digitais que recobriam o planeta inteiro. Por fim, o terceiro significativo impulso nas pesquisas e uso do PDI ocorreu com a popularizao dos computadores pessoais. Esse fato permitiu uma ampliao do uso de tcnicas de PDI, nos meios acadmicos e empresariais, de forma que atualmente quase todos os usurios, independente de sua formao, podem fazer uso de tcnicas de PDI para melhorar a qualidade de imagens digitais, tratar imagens de satlite, fazer mapeamentos ou extrair informaes a partir de imagens (Sabins, 2007). Detalhes sobre o histrico do PDI pode ser encontrado em Gonzalez e Woods (2008) e sobre as origens do sensoriamento remoto e fotografias em Reeves et al., (1975) e Jensen (2010).
Uma imagem digital definida por Gonzalez e Woods (2008) como sendo uma funo bidimensional, f(x,y), onde x e y so coordenadas espaciais (planas), e a amplitude de f para um par de coordenadas (x,y) chamado de intensidade ou nvel de cinza da imagem naquele ponto. A partir dessa definio, formal, podemos concluir que uma imagem digital nada mais que uma matriz de ordem m x n (as coordenadas) onde m refere-se ao nmero de linhas e n ao nmero de colunas. O ponto em que as coordenadas se cruzam refere-se ao valor de nvel de cinza (NC; tambm conhecido como nmero digital ND). Esse nvel de cinza pode representar dados de reflectncia, emissividade, altitude, classes temticas, entre outros. Os elementos, tipicamente regulares (quadrados), que constituem uma imagem so conhecidos como elementos de cena (pixel, pl. pixels). Normalmente quanto maior o nmero de pixels que recobrem uma determinada rea, maior ser a capacidade de resolver os alvos da cena, conforme veremos adiante na definio das resolues. Cada pixel representa uma determinada rea do alvo e, utilizando as transformaes cartogrficas adequadas, podem-se extrair medidas precisas a partir de imagens, sejam elas adquiridas em nvel terrestre, areo ou orbital. Muitas imagens areas ou fotografias histricas esto armazenadas em formato analgico. Para que possamos utilizar as tcnicas de PDI e garantir a preservao da cena, essas imagens preciso ser digitalizadas. Esse processo de converso de informaes analgicas para digital conhecido como digitalizao. Para tal, so utilizados scanners (rastreadores ticos) de diferentes tamanhos e definida uma resoluo normalmente chamada de dpi (pontos por polegada (ppp), em ingls dots per inch (dpi), ou simplesmente de resoluo). Esses pontos referem-se ao nmero de pixels (densidade) que sero gerados para cada polegada linear. Quanto maior o nmero de dpi, maior e mais precisa ser a cena no formato digital. Cabe destacar que no basta aumentar o fator dpi para aumentar a escala das cenas. Essa ser dependente da imagem original.
10
Uma vez disponvel em formato digital, a imagem por ser gravada, transmitida, transformada, tratada e visualizada de forma rpida e confivel. 1.2. Caractersticas das imagens de sensor As caractersticas que diferem um sensor de outro so dadas basicamente pelas resolues que este possui. Dependendo das aplicaes para as quais o sensor concebido, as resolues se diferenciam significativamente. As resolues dependem tanto das propriedades tcnicas dos sensores quanto das caractersticas da rbita do satlite ou plataforma orbital, e so normalmente utilizadas para caracterizar uma imagem. No sensoriamento remoto, as resolues mais conhecidas referem-se resoluo espacial, espectral, radiomtrica e temporal (ou repetitividade do sensor) (Crsta, 1993). Assim, essas caractersticas costumam ser utilizadas para classificar os sensores em sensores de alta, mdia ou baixa resoluo espacial, sensores de carter monocromtico, multiespectral ou hiperespectral, ou de acordo com o nmero de nveis de cinza ou o tempo entre as revisitas. Em sntese, o termo resoluo pode ser interpretado como a capacidade que um determinado sensor possui de resolver uma determinada tarefa. Isso se aplica a definio de dpi, resolues do sensoriamento remoto, bem como imagens de outras naturezas em termos de aplicao. A resoluo espacial refere-se capacidade que um determinado sensor possui de distinguir e medir alvos do terreno. Nesse ponto importante destacar que o tamanho do pixel da imagem nem sempre corresponde resoluo espacial do sensor. Esses conceitos tendem a apresentar medidas distintas especialmente nas imagens do sensoriamento remoto ativo (RADAR, SAR). Quanto melhor resoluo espacial (tambm chamada de alta resoluo espacial), algo em torno de 1 metro, melhor podemos identificar os alvos na superfcie e fazer as respectivas medidas sobre estes. medida que a resoluo espacial degradada para uma mdia resoluo espacial (tipicamente em torno de 10 metros) ou baixa resoluo espacial (500, 1000 metros ou mais) a mistura de alvos aumenta e a imagem comea da permitir a identificao de alvos cada vez mais grosseiros. A seleo do sensor uma das primeiras tarefas que o usurio dever fazer. Esse procedimento sempre deve se pautar na definio clara dos objetivos e no conhecimento tcnico sobre os sensores disponveis no mercado. Com base na Figura 1, gerada a partir de uma imagem da cmera de alta resoluo espacial HRC (High Resolution Camera), a bordo do satlite CBERS-2b (China-Brazil Earth Resources Satellite) ou Satlite Sino-Brasileiro de Recursos Terrestres, percebemos que a degradao de 2,5 metros para 5 e 10 metros no apresentou grande perda de informao na imagem aqui apresentada. Sabemos que a imagem de 10 metros permitir uma identificao menos precisa dos dados e que a imagem de 2,5 metros permite que a imagem seja ampliada bastante. Contudo, a medida que passamos de 10 para 50 metros, a degradao da imagem comea a ficar bastante perceptvel, especialmente nos alvos lineares (estradas, carreadores, bordas, etc.). Quando a imagem degradada para 100 e 250 metros, ainda podemos identificar os grandes alvos presentes na cena. Por outro lado, verifica-se uma enorme perda de informaes quando a resoluo espacial degradada para 500, 1000 e 5000 metros, ao ponto de toda a rea ser representada por apenas quatro pixels, e no permitindo sequer a extrao de dados gerais. A Figura 1 ilustra o efeito de diferentes resolues espaciais para a identificao de um alvo. Destacase que apenas a resoluo espacial foi degradada. Assim, verifica-se que medida que a resoluo espacial degradada, ocorre uma reduo na capacidade de identificao de alvos e na capacidade de fazer medidas precisas sobre a imagem. importante lembrar que, dependendo da aplicao, diferentes resolues espaciais so recomendadas. Por exemplo, para estudar reas urbanas ou fazer um cadastro urbano, ser necessria uma imagem de alta resoluo espacial (5 metros ou menos). Nos estudos agrcolas e ambientais, normalmente imagens de 15, 30, 50 e at 100 metros so adequadas, tendo em vista a demanda temporal e espectral. Por fim, para estudos em escala sintica, imagens de baixa resoluo so bastante adequadas por permitirem um amplo recobrimento e uma alta repetitividade.
11
Figura 1. Efeito de diferentes resolues espaciais sobre a identificao de alvos. Imagem da cmera de alta resoluo espacial HRC (High Resolution Camera), a bordo do satlite CBERS-2b (China-Brazil Earth Resources Satellite) ou Satlite Sino-Brasileiro de Recursos Terrestres de 25 de setembro de 2008, da regio de Querncia MT. O campo de visada instantneo, conhecido como IFOV (Instantaneous Field Of View) refere-se ao ngulo formado entre a projeo geomtrica do elemento detector sobre a superfcie imageada num determinado instante a uma determinada altitude (Figura 2). O conceito de IFOV conhecido ainda como resoluo espacial nominal. Assim, o tamanho da rea imageada pelo detector num instante depende da altitude do satlite, da abertura focal e do tamanho do elemento detector.
12
Figura 2. O campo de visada instantneo (IFOV) representado pelo ngulo A. A rea em amarelo refere-se a uma aproximao do elemento de resoluo formado. Outro conceito bastante importante refere-se ao campo de visada instantneo efetivo (EIFOV - Effective Instantaneous Field of View). O EIFOV permite ao usurio conhecer as reais dimenses dos elementos que so passveis de identificao e mensurao em uma cena, avanando sobre o conceito do IFOV (resoluo espacial nominal). O EIFOV considera o IFOV e a funo de espalhamento pontual (pointspread function PSF) que ser discutida em breve (Figura 3, esquerda). Como resultado, o EIFOV fornece a resoluo em metros dos alvos que realmente podem ser identificados. Em termos visuais, podemos dizer que o EIFOV elimina o aspecto borrado normalmente presente nas imagens de satlite (Figura 3, direita).
13
Figura 3. Ilustrao (esquerda) do conceito de campo de visada instantneo efetivo (EIFOV) e (direita) o aspecto de borrado de diferentes sensores. As figuras foram elaboradas com bandas espectralmente parecidas. Fonte: Adaptado de INPE (2003).
A resposta espacial de um alvo formada no apenas pela radincia derivada da rea referente ao pixel ou ao IFOV. Existe uma contribuio dos pixels adjacentes, da atmosfera, distores derivadas dos movimentos do satlite e da Terra, entre outros. Quando os sensores so construdos, a resoluo espacial nominal normalmente determinada em laboratrio, contudo, no considera os efeitos acima mencionados. Assim, utilizada a funo de espalhamento pontual (point-spread function PSF), que estabelece o limite de corte para determinar a resoluo espacial efetiva da imagem (Figura 3). A PSF combina os efeitos da cena propriamente dita, atmosfera, tica, detector, movimento e eletrnica (Bensebaa, 2005; Bensebaa et al., 2007). Dessa forma, possvel saber a resoluo espacial efetiva num dado instante. Finalmente, a PSF a transformada Fourier inversa da Funo de Transferncia de Modulao (MTF) (Carvalho et al., 2009; Fonseca, 1988). Outro conceito relacionado ao tamanho da rea imageada refere-se ao campo de visada do sensor (Field of View - FOV). Em geral, a largura do FOV depende da aplicao para a qual o sensor concebido (Novo, 2008). Quando so voltados para gerar imagens de alta resoluo espacial, o FOV normalmente de poucos quilmetros (p.ex. 10 km). Sensores de mdia resoluo como o TM a bordo do Landsat 5 possuem um FOV de 185 km, bastante apropriados para aplicaes agrcolas e ambientais. Por fim, existem os sensores de amplo campo de visada, recobrindo at milhares de quilmetros, como, por exemplo, o MODIS com 2400 km de FOV. Nas imagens de amplo campo de visada, apesar de reduzirem o tempo entre as revisitas, importante que o usurio considere a geometria de aquisio dos dados (espalhamento frontal ou retroespalhamento e os ngulos associados).
A resoluo espectral refere-se capacidade do sensor de gerar imagens com radincia derivada de uma determinada faixa do espectro eletromagntico (faixa de comprimentos de onda). Em outras palavras, a resoluo espectral refere-se ao nmero de bandas e a largura espectral das bandas (Jensen, 2009). No existe um consenso na literatura para classificar os sensores de acordo com o nmero de bandas, contudo, basicamente so aceitos trs grandes divises: Monocromtico: Sensores que possuem apenas uma nica banda que pode recobrir uma ampla faixa do espectro eletromagntico. Esses sensores so utilizados para gerar imagens com alta resoluo espacial. Multiespectral: Sensores que produzem imagens de mltiplas bandas do espectro eletromagntico. So tpicos sensores multiespectrais o sensor Thematic Mapper (TM) a bordo do satlite Landsat 5, que produz sete bandas, que recobrem as faixas do visvel, infravermelho prximo, mdio e termal. Esses sensores normalmente possuem bandas bastante largas em termos espectrais. Hiperespectral: So sensores que geram dezenas ou centenas de imagens que recobrem o espectro eletromagntico de forma quase contnua e em intervalos espectrais de poucos nanmetros (p.ex. 10 nm). O exemplo mais conhecido do sensor hiperespectral AVIRIS (Airborne Visible / Infrared Imaging Spectrometer) com 224 bandas e do orbital Hyperion com 196 bandas calibradas. Imagens hiperespectrais normalmente so representadas pelo cubo hiperespectral (Figura 4).
14
Figura 4. Cubo hiperespectral do sensor AVIRIS referente imagem de Moffet Field Airport (California). Fonte: Rice (2012). A Figura 5 ilustra a resoluo espectral de diferentes sensores e as limitaes associadas ao nmero de bandas. medida que o nmero de bandas aumenta, melhor so reproduzidas as feies espectrais dos alvos. Alm do nmero de bandas, importante que um sensor compreenda as faixas espectrais fora da regio do visvel, como por exemplo, o infravermelho prximo e mdio. Os espectros medidos em laboratrio tendem a apresentar milhares de bandas, contguas e com largura de um ou dois nm, permitindo a identificao de feies especficas. A medida que a banda alargada as feies espectrais comeam a ser mascaradas, de forma a dificultar a identificao do alvo.
Figura 5. Espectros de reflectncia gerados a partir de distintos sensores, com diferentes resolues espectrais. Fonte: Galvo (2003)
15
A amostragem de imagens normalmente uniforme (m linhas e n colunas) e a quantizao refere-se capacidade que o sensor possui de discretizar determinadas quantidades de energia que atinge o detector. Normalmente a quantizao referenciada como resoluo radiomtrica e medida pelo nmero de nveis de cinza que o sensor pode gerar (Crosta, 1993; Jensen, 1986; 2009). Como exemplo, temos sensores que geram imagens com 256 nveis de cinza (8 bits = 28 NC = (2^0) + (2^2) + (2^3) + (2^4) + (2^5) + (2^6) + (2^7) + (2^1) = 0 a 255). A Figura 6 ilustra o nmero de bits e nveis de cinza associados. Na Figura 7 possvel perceber que medida que os nveis de quantizao (resoluo radiomtrica) aumentam, a imagem apresenta mais informaes sobre o alvo. Nesse caso, houve uma reduo da saturao ao aumentar a resoluo radiomtrica de oito para 11 bits.
Figura 6. Nveis de cinza para sensores que geram imagens com 7, 8, 9 e 10 bits. Fonte: Jensen (2009).
Figura 7. Efeito da resoluo radiomtrica sobre as imagens. Fonte: Melo (2002). 1.3. Sistemas de imageamento H um grande nmero de sistemas imageadores voltados para o sensoriamento remoto. No obstante os sistemas fotogrficos, os sistemas so baseados em trs modelos prticos para a captura e registro digital das imagens de sensores eletro-pticos: sistemas de imageamento por quadro; varredura mecnica e
16
varredura eletrnica. No primeiro caso, toda a imagem adquirida de forma quase instantnea. Os sistemas de varredura mecnica fazem uso de um espelho que oscila perpendicularmente a direo de deslocamento do satlite, projetando a radincia sobre o conjunto de detectores. Por fim, os sistemas de varredura eletrnica utilizam um arranjo linear de detectores que cobrem todo o FOV e formam a imagem medida que o satlite se desloca (Novo, 2008). Uma enorme quantidade de sistemas de imageamento est disponvel atualmente, mas devido ao carter sinttico desse material, apenas alguns sero apresentados. Novo (2008) apresenta uma breve discusso sobre vrios sistemas. Entre os sistemas de imageamento mais conhecidos e que se enquadram em distintas categorias do sensoriamento remoto podemos citar: Ikonos, programa Landsat, MODIS e Hyperion. 1.3.1. Ikonos O primeiro lanamento com sucesso do satlite Ikonos ocorreu em 1999 e passou a gerar imagens comerciais a partir de 2000. Foi o primeiro satlite de alta resoluo espacial privado com fins comerciais. A Tabela 1 sintetiza as principais caractersticas do satlite Ikonos. O satlite opera a uma altitude nominal da 680 km, em uma rbita sol-sncrona com inclinao de 98,1. Como o sensor de alta resoluo espacial, o tempo de revista normalmente prejudicado. Contudo, com a possibilidade de apontamento lateral (off nadir de at 60), esse tempo de aproximadamente 3 dias. As aplicaes dessas imagens so muitas: agricultura, estudos em reas urbanas, desastres naturais, minerao, defesa, energia, mapeamentos topogrficos e de uso e cobertura do solo, gerao de modelos digitais do terreno, entre muitas outras (Novo, 2008; SIB, 2012). Tabela 1. Caractersticas das imagens do sensor de alta resoluo espacial a bordo do satlite Ikonos. Banda Comprimento de onda (m) Resoluo espacial nominal 4 metros 4 metros 4 metros 4 metros 1 metros Resoluo Radiomtrica 11 bit 11 bit 11 bit 11 bit 11 bit FOV ao nadir 11,3 km 11,3 km 11,3 km 11,3 km 11,3 km
0.45-0.52 (azul) 0.52-0.60 (verde) 0.63-0.69 (vermelho) 4 0.76-0.90 (infravermelho prximo) PAN 0.45-0.90 (PAN) Fonte: Adaptado de Novo (2008).
1 2 3
1.3.2. Landsat O programa Landsat constitudo por uma srie de sete satlites. Ele comeou a ser planejando ainda na dcada de 60 e o primeiro satlite entrou em operao em 1972. Na poca chamado de Earth Resources Technology Satellite 1 (ERST-1) e rebatizado para Landsat em 1975. A bordo desse satlite estavam os sensores Return Beam Vidicon Camera (RBV) e o MultiSpectral Scanner (MSS), que recobriam a faixa do visvel e do infravermelho prximo (IVP). Esses sensores estiveram a bordo dos satlites Landsat 2 (1975) e Landsat 3 (1978). Em 1982 foi lanado do Landsat 4 que manteve o sensor MSS mas apresentou um grande avano com o sensor Thematic Mapper (TM), que ampliou o recobrimento espectral para a faixa do infravermelho de ondas curtas (SWIR) e melhorou a resoluo espacial. Em 1993 e 1999 foram lanados os satlites Landsat 6 e 7, respectivamente, como o sensor Enhanced Thematic Mapper plus (ETM+) (Figura 8). Todos os sensores da srie Landsat so de varredura mecnica. O grande destaque o sensor TM do Landsat
17
5, que j operou por mais de 25 anos, superando em muito sua vida til planejada de trs anos. Esse acervo atualmente est disponvel gratuitamente em diversos servidores para qualquer usurio e representam uma srie histrica nica. A Tabela 2 apresenta as principais caractersticas do sensor TM Landsat 5.
Figura 8. Sequncia do lanamento e tempo de vida dos satlites da srie Landsat. O grfico inclui os satlites planejados para dar continuidade ao programa. Fonte: USGS (2012). Tabela 2. Principais caractersticas do sensor TM a bordo do satlite Landsat 5. Banda Res. Res. Res. Espacial (m) Espectral (m) Radiomtrica 1 Azul 2 Verde 3 Vermelho 4 IVP 5 SWIR 1 6 Termal 7 SWIR 2 Fonte: USGS (2012). 30 30 30 30 30 120 30 0.45 0.52 0.52 0.60 0.63 0.69 0.76 0.90 1.55 1.75 10.40 12.50 2.08 2.35 8 8 8 8 8 8 8
Tempo de revisita (dias) 16 16 16 16 16 16 16
1.3.3. MODerate-resolution Imaging Spectroradiometer (MODIS) O MODIS est a bordo dos satlites Terra e Aqua, que passam sobre o equador aproximadamente s 10h30min e 13h30min, respectivamente. As 36 bandas esto distribudas no intervalo espectral de 0,405 a 14,385 m (incluindo o infravermelho termal TIR). A resoluo radiomtrica das 36 bandas de 12 bits. A resoluo espacial do MODIS de 250 (duas bandas), 500 (cinco bandas) e 1000 (29 bandas) metros. Com os dados gerados pelos sensores MODIS, espera-se compreender melhor os fenmenos dinmicos em escala global, com enfoque nas trs grandes reas: terra, atmosfera e oceanos (Xiong e Barnes, 2005; Hall, 2006; NASA, 2009). Uma inovao associadas s imagens MODIS refere-se ao fato de todos os produtos serem fornecidos com parmetros auxiliares de qualidade (p.ex., ngulos zenitais e azimutais do sensor e do Sol), calculados diariamente ou em composies de vrios dias. As imagens de reflectncia de superfcie so corrigidas quanto influncia da atmosfera com base em uma atualizao do modelo de transferncia radiativa Second Simulation of the Satellite Signal in the Solar Spectrum - 6S (Vermote et al., 1997; Vermote e Vermeulen, 1999). Devido ao amplo campo de visada nominal de 55 para cada lado, o MODIS recobre uma faixa de
18
visada de 2330 km (passando pelo nadir), e o tempo de revisita varia de um a dois dias (conforme a latitude) (NASA, 2009). As caractersticas das bandas no visvel e do infravermelho prximo (VNIR) e do SWIR so apresentadas na Tabela 3 Tabela 3. Especificaes tcnicas das bandas do visvel, infravermelho prximo (IVP) e infravermelho de ondas curtas (SWIR) do MODIS/Terra voltadas s aplicaes terrestres. Resoluo espacial (m) 3 459 479 465,6 500 4 545 565 553,6 500 1 620 670 645,5 250 2 841 876 856,5 250 5 1230 1250 1241,6 500 6 1628 1652 1629,1 500 7 2105 2155 2114,1 500 Fonte: Adaptado de Xiong et al. (2005) e NASA (2009). = comprimento de onda. Banda inferior (nm) superior (nm) central (nm) Relao sinal rudo 328 330 186 517 161 472 147
1.3.4. Hyperion/EO-1 Lanado a bordo do satlite Earth Observing-1 (EO-1), em 2000, o Hyperion/EO-1 o primeiro sensor hiperespectral em nvel de coleta orbital. O satlite possui rbita Sol-sncrona com 98,2 de inclinao e uma altitude nominal de 705 km. O sensor foi concebido para gerar dados hiperespectrais calibrados para serem utilizados nas investigaes cientficas e em carter experimental. Para imagear a superfcie o sensor utiliza a tecnologia pushbroom com resoluo espacial de 30 metros. A faixa imageada possui 7,7 km de largura com comprimento nominal de 42 km. O tempo de revisita do sensor de 16 dias, mas dependendo do ngulo de apontamento lateral, esse intervalo de tempo pode ser reduzido (Barry, 2001; Pearlman et al., 2003). Fisicamente, o sensor formado por trs subsistemas: conjunto eletrnico; eletrnica de criorefrigerao e conjunto de sensores. Na faixa espectral de 400 e 2400 nm, o Hyperion gera 242 bandas contguas (sendo que apenas 196 so radiometricamente calibradas) com 10 nm de largura e com resoluo radiomtrica de 12 bits (Barry, 2001; Pearlman et al., 2003). O sensor possibilita o clculo de vrios ndices de vegetao de bandas estreitas, associados com os parmetros e constituintes bioqumicos e biofsicos da cultura agrcola (p.ex., clorofila, contedo de gua das folhas, lignina, celulose, IAF), que podem ser potencialmente correlacionados com a produtividade. 2. Tcnicas de correo de imagens e anlise de imagens Nesta seo sero discutidas as principais correes de imagens e os mtodos de extrao/anlise de informaes derivadas das imagens. 2.1. Correo radiomtrica comum a gerao de imagens com falhas em linhas especficas, conhecidas como stripping e a ausncia de informaes de uma determinada coluna (dropedlines). A origem desses problemas est relacionada ao funcionamento dos detectores, corrente escura, calibrao, a efeitos atmosfricos, erros na transmisso dos dados ou ento erros espordicos. Assim, a correo desses efeitos fundamental para que os mtodos de anlise e extrao de informaes no sejam prejudicados.
19
Os problemas com colunas (stripping) sem informao so comuns nas imagens do Hyperion (como em outras imagens) e podem ser resolvidos atravs da interpolao com base nas colunas adjacentes (Goodenough et al., 2003). Outros filtros mais sofisticados esto disponveis hoje, como funes de regresso inversa (Chander et al., 2002) eficientemente aplicadas a banda 6 do TM Landsat. Outra prtica filtros sobre a imagem convertida para o domnio das frequncias (Aizenberg e Butakoff, 2002). Um exemplo de correo do efeito stripping pode ser visto na Figura 9, onde foi aplicada a correo do efeito stripping sobre a banda 10 do sensor Hyperion.
Figura 9. Imagem original da banda 10 do Hyperion com colunas sem dados ( esquerda). Aplicao da correo do efeito stripping sobre uma imagem do sensor Hyperion ( direita). Fonte: Tsai et al. (2005).
2.2. Correo atmosfrica Como a radiao no atravessa a atmosfera sem interagir com os gases nela presentes, as imagens de satlite orbitais sofrem uma degradao da qualidade que pode interferir na interpretao ou extrao de medidas precisas (em feies espectrais). Os principais gases e as janelas atmosfricas disponveis para o sensoriamento remoto tico so apresentados na Figura 10. Para resolver esses problemas, inicialmente foram propostos modelos empricos, que se baseavam nas informaes contidas na prpria imagem para executar a correo. Como esse tipo de correo emprica corrigia apenas os efeitos aditivos, os modelos de transferncia radiativa da atmosfera foram propostos, passando a modelar tambm os efeitos multiplicativos (Mather, 1999). A tcnica de correo mais conhecida foi proposta por Chaves (1988) e se baseia na subtrao do pixel escuro (DOS Dark Object Subtraction). Nesse tipo de correo, o usurio usar o histograma de frequncia dos nveis de cinza para verificar os valores mais baixos e aplicar as correes junto com alguns coeficientes empricos. O modelo se baseia no fato de que algumas partes da cena com sombra ou gua (dependendo da banda) deveriam ter reflectncia nula (zero). Contudo, geralmente verifica-se que isso no ocorre. Assim, com base nos valores mdios dos pixels mais escuros (associados sombra ou gua), definese os coeficientes da correo atmosfrica.
20
Figura 10. Janelas atmosfricas e principais gases responsveis pela absoro da radiao eletromagntica presentes na atmosfera. Fonte: Adaptado de Sabins (2009). Os modelos de transferncia radiativa simulam a absoro e espalhamento da radiao na atmosfera, permitindo correes mais realsticas em relao aos modelos empricos. Esses modelos exigem que o usurio conhea alguns parmetros da atmosfera no momento da aquisio da imagem (visibilidade, presena de vapor dgua, etc), do sensor (funes de repostas das cmeras, largura da faixa espectral das bandas, resoluo espacial, etc.) e do satlite (altitude, hora do imageamento), entre outros. Contudo, nem sempre possvel conhecer todos esses parmetros. Assim, os principais modelos disponveis atualmente utilizam valores tabelados e equaes gerais para derivar esses parmetros. Entre os modelos de transferncia radiativa mais conhecidos e utilizados atualmente destacam-se o 6S (Second Simulation of Satellite Signal in the Solar Spectrum) (Kotchenova et al., 2006) e o MODTRAN (MODerate resolution atmospheric TRANsmission) (Berk et al., 1998). Cabe lembrar que existem vrios outros modelos de transferncia radiativa disponveis. 2.3. Correo geomtrica Imagens brutas costumam apresentar distores associadas aos movimentos da Terra, sensor e satlite que inviabilizam seu uso e a integrao em um ambiente de Sistema de Informaes Geogrficas (SIG). Assim, a correo geomtrica visa eliminar essas distores e permitir a integrao de informaes. A Erro! Fonte de referncia no encontrada. ilustra o efeito do rolamento (roll), arfagem (pitch) e guinada (yaw) sobre uma imagem e a sua respectiva correo. As distores geomtricas tem origem nos parmetros de efemrides do satlite (posio, velocidade, atitude), do sensor (dependo o tipo de varredura: mecnica ou eletrnica) e no modelo da Terra (Rotao, esfericidade, relevo) (DAlge, 2012).
21
Figura 11. Imagem sem correo de rolamento (roll), arfagem (pitch) e guinada (yaw) (esquerda). Com correo geomtrica aplicada (direita). Fonte: Green (2003). A correo geomtrica de imagens envolve procedimentos aplicados correo interna (entre os pixels) e externos (em relao a um sistema de referncia). Em geral, a correo interna feita antes da entrega da imagem para o usurio. Por outro lado, nem todas as cenas so entregues com a correo dos ajustes externos (georreferenciadas). Esses procedimentos de transformaes envolvem uma etapa onde os valores de nvel de cinza devem ser reamostrados. Isso normalmente feito atravs de algoritmos de interpolao como: Vizinho mais prximo, Bilinear, Convoluo cbica. Em geral, o primeiro altera menos as caractersticas espectrais da imagem ao passo que os dois ltimos tendem a gerar uma imagem visualmente melhor, contudo, com maior mistura espectral. Aps a realizao da correo geomtrica, importante fazer uma avaliao e validao dos resultados. Existem basicamente trs grupos de modelos de correo geomtrica: polinomiais (registro), correes independentes e o fotogramtrico. Alm desses, ainda destacamos a Orto-retificao. Como o presente texto refere-se a uma sntese e a passos introdutrios do PDI, vamos discutir em mais detalhe o mtodo baseado nas equaes polinomiais, normalmente chamado do registro de imagens. Em termos prticos, o registro de imagens feito utilizando-se uma referncia georreferenciada e depois fazendo a associao de coordenadas entre pontos facilmente identificveis tanto na referncia quanto na imagem a ser corrigida (identificao de pontos homlogos). At pouco tempo era comum utilizar cartas topogrficas da Diviso de Servio Geogrfico (DSG) do exrcito ou visitas a campo para fazer medidas de posicionamento. Atualmente, a maioria dos registros feita utilizando imagens previamente registras (ou orto-retificadas). Assim, basta identificar postos homlogos em ambas as imagens e aplicar as correes atravs de funes polinomiais. Uma das bases orto-retificadas mais utilizadas e difundidas a Geocover 2000 (disponvel em: < https://zulu.ssc.nasa.gov/mrsid/mrsid.pl >) (NASA, 2004) Aps a obteno da referncia, o usurio dever identificar os pontos homlogos e gerar os pontos de controle. Em geral, recomenda-se o uso de mais de 20 pontos de controle (depende da situao) distribudos de forma no sistemtica e que recubram todos os setores da imagem (Figura 12). Normalmente a qualidade do registro fornecida pelo calculo do RMS (Erro mdio quadrtico - Root mean square error). Nesse sentido, recomendam-se valores de RMS inferiores a um, ou seja, com erro inferior a um pixel.
22
Figura 12. Distribuio dos pontos de controle selecionados sobre a imagem de referncia Geocover (esquerda) e sobre a imagem a ser registrada (direita). 2.4. Histograma da imagem e mudana de contraste Histogramas so muito utilizados na anlise exploratria da estatstica descritiva. Quando tratamos de imagens, essa aplicao no diverge. Assim, os histogramas de frequncia representam uma contagem do nmero de pixels com um determinado nvel de cinza (eixo y) ao longo de todo intervalo da resoluo radiomtrica (normalmente 0 a 255 no caso de imagem 8 bits) (Figura 13). Assim, o usurio poder avaliar quantitativamente a distribuio dos nveis de cinza, que em ltima instncia, representam a reflectncia dos alvos dentro da cena. Quando um histograma est muito concentrado, a imagem tende a apresentar pouca varincia e assim um baixo contraste. Esse histograma pode ainda ser utilizado para identificar pixels esprios, dados saturados, ou ento, definir o valor no nvel de cinza para ser utilizado nos modelos de correo atmosfrica empricos.
Figura 13. Histograma e imagem antes da aplicao do contraste ( esquerda) e aps a aplicao do contraste linear no aplicativo SPRING ( direita). Fonte: Adaptado de Santos et al. (2010).
Conforme comentamos acima, histogramas muito concentrados (Figura 13a), podem ser ajustados atravs da aplicao de funes de reamostragem lineares ou no (Figura 13b) de forma a realar a imagem.
23
Assim, aplicar uma funo de reamostragem imagem de sada pode facilitar a interpretao visual ou ento, destacar a presena de alvos especficos. Cabe destacar que o realce por contraste deve ser realizado banda a banda. Na Figura 13 verifica-se que ocorre uma grande contrao de pixels referentes gua com baixos valores de reflectncia. Existem muitas funes para gerar imagens contrastadas (Santos et al., 2010): linear; mnimo mximo, raiz quadrada, quadrado, logaritmo, negativos, equalizao, entre outros. Esses modelos esto implementados na maioria dos softwares de PDI. 2.5. Fatiamento de imagens O fatiamento consiste em uma diviso equidistante ou no dos nveis de cinza em fatias que abrangem determinado nmero de nveis de cinza. O grupo de pixels dentro de um intervalo de nvel de cinza ento realado com cores de forma a permitir uma fcil identificao visual. Esse fatiamento pode ser realizado automaticamente, onde o sistema distribui um determinado nmero de fatias de forma a abranger todo o intervalo de nveis de cinza presente na imagem. Outra forma consiste em fazer uma distribuio das fatias de forma equidistribuda, ou seja, o mesmo nmero de pixels para cada fatia. O fatiamento representa uma forma rpida e simples de classificar a imagem e permite extrair informaes gerais (Figura 14).
Figura 14. Aplicao do fatiamento sobre uma imagem TM, com um total de cinco fatias. Distribuio espacial dos pixels (esquerda) e distribuio no histograma dos pixels com os respectivos limites (direita). 2.6. Filtragem no domnio espacial e no domnio da frequncia As tcnicas de filtragem tm como objetivo principal tornar uma imagem mais adequada a uma aplicao especfica quando comparada imagem original. Entretanto, nem sempre uma melhoria realizada em determinada imagem ou produto orbital ser til para todas as anlises (Gonzalez e Woods, 2008). Desta forma, um processamento aplicado a uma imagem de baixa resoluo espacial para minimizar as distores geomtricas introduzidas no processo de aquisio destes dados pode no ser a melhor alternativa para corrigir as distores geomtricas em sensores de alta resoluo espacial. De um modo geral, podemos dividir as tcnicas de filtragem em duas categorias principais: I) filtragem no domnio da frequncia; e II) filtragem no domnio espacial. Os filtros que atuam no domnio da frequncia so baseados na modificao da transformada de Fourier ou Wavelet (ondeleta) da imagem. Por outro lado, os filtros que atuam no domnio espacial interagem diretamente com os valores da imagem e so baseados na manipulao direta dos pixels. Como discutido anteriormente, uma imagem digital, obtida por sensoriamento remoto, nada mais que uma matriz de ordem m x n. Desta forma, aps um determinado processamento podemos expressar a nova imagem como:
g ( x, y ) = T [ f ( x, y )]
Eq. (1)
em que representa a imagem de entrada (original), a imagem resultante do processamento realizado na imagem de entrada e representa a operao matemtica realizada na imagem de entrada (Gonzalez e Woods,
24
2008). Para entender a funo dos filtros no processamento digital de imagens de sensoriamento remoto, torna-se necessrio o conhecimento da operao matemtica denominada Convoluo. De um modo genrico, a convoluo definida pela equao: Eq. (2) em que h o ncleo da convoluo, cx a origem do ncleo em relao coluna, cy a origem do ncleo em relao linha e i e j representam a posio do pixel na matriz (colunas e linhas, respectivamente). Uma maneira de interpretar a equao acima consiste em considerar cada pixel da imagem resultante como uma mdia ponderada dos vizinhos mais prximos na imagem de entrada, onde os pesos para cada vizinho so definidos a partir de uma mscara (s vezes chamado de kernel ou janela) de tamanho definido pelo usurio representado pelo h, como mostra a Figura 15.
Figura 15. Convoluo de uma imagem de tamanho (12x10) por uma mscara de 3x3, que engloba os oito vizinhos mais prximos e o prprio ponto (centro). O ponto g(2,2) representa uma combinao dos pesos dados mscara destacada em cinza na imagem . 2.6.1. Filtros no domnio espacial No processamento digital, algumas operaes de vizinhana atuam diretamente nos valores do pixel da imagem a partir de um filtro, como exemplificado em cinza na Figura 15. Nos filtros, os valores que iro determinar os pesos que o compe so denominados de coeficientes (Gonzalez e Woods, 2008). O processo de filtragem dos dados no domnio espacial consiste em mover uma mscara por toda a imagem. Desta forma, para cada ponto, o resultado do filtro corresponder a uma ponderao pr-definida. Em filtros lineares, o valor resultante na nova imagem originado pela soma dos produtos dos coeficientes do filtro em relao ao pixel central e aos seus vizinhos, como exemplificado na Figura 16.
25
Figura 16. Projeo da mscara 3x3 sobre a imagem de entrada. O nvel de cinza de um ponto no centro da mscara (em cinza) ser calculado a partir da ponderao dos valores dos coeficientes (v1, v2, ..., v9) e dos valores dos nveis de cinza dos vizinhos (em preto) e do prprio ponto (em cinza). Segundo Gonzalez e Woods (2008) o processo de aplicao de filtros lineares similar ao conceito aplicado aos filtros no domnio da frequncia denominado de convoluo. Assim, a filtragem espacial comumente mencionada como convoluo de uma mscara com a imagem de entrada. Do mesmo modo, filtros no lineares utilizam uma mscara com os vizinhos mais prximos e percorrem a imagem toda, assim como demonstrado no mtodo linear. Porm, ao invs de utilizar valores para os coeficientes, que atuam como um peso para cada pixel vizinho, neste mtodo, so utilizadas variveis estatsticas como, por exemplo, mdia, mediana, varincia, entre outras. Na literatura comum separar os filtros no domnio espacial e no domnio da frequncia em quatro classes principais: I) passa-baixa; II) passa-alta; III) passa-banda; e IV) rejeita-faixa (ou passa-faixa). Desta forma, cada classe de filtros possui atributos prprios, por exemplo, os filtros passa-banda e rejeita-faixa permitir a passagem de frequncias em determinadas bandas ou rejeitaro/atenuaro determinadas faixas especficas, respectivamente. Consequentemente, um filtro com a caracterstica de passa-baixas, como o prprio nome indica, dar nfase s baixas frequncias, suavizando as altas frequncias (associadas geralmente aos detalhes da imagem). O efeito de um filtro passa-baixas o da suavizao dos elementos que compem a imagem, causando o efeito indesejado de reduzir a resoluo espacial, uma vez que h uma atenuao de transies abruptas (bordas). Ainda, outro efeito de um filtro passa-baixas a diminuio dos rudos na imagem. A Figura 17b exemplifica o efeito de um filtro passa-baixas aplicado imagem ETM+/Landsat sete sobre a cidade de Belm, Par (Figura 17a) utilizando uma mscara de 5x5 (exemplo 2, abaixo). A Tabela 4 exemplifica alguns filtros passa-baixas com diferentes dimenses (Manual do Spring, 2011). Quanto maior for a mscara do filtro passa-baixas, mais borrada ser a imagem resultante e mais rudos sero eliminados.
26
Tabela 4. Filtros passa-baixas, tambm conhecidos como filtros de mdia, pois aplicam o mesmo peso a todos os vizinhos do pixel central.
Ainda, possvel encontrar filtros passa-baixas que utilizam pesos distintos em relao distncia do valor central, estes so conhecidos como filtros de mdia ponderada (pela distncia), exemplificados na tabela abaixo e visualizados na Figura 17c a partir do exemplo 2 (Tabela 5). Tabela 5. Filtros passa-baixas, conhecidos como filtros de mdia ponderada.
Uma das utilidades dos filtros passa-altas realar bordas ou feies em forma de linhas ou manchas (Manual do Spring, 2011). Desta forma, vrios SIGs possuem filtros especficos para o realce de bordas. Nestes, cada pixel central na mscara influenciado consideravelmente pelos valores de nvel de cinza dos vizinhos. Assim, a influncia dos pixels vizinhos ser determinada pelos pesos dados pelo usurio e pela direo preferencial de interesse. A Tabela 7 mostra alguns exemplos de filtros 3x3 que tem como objetivo realar as bordas em determinada direo. A Figura 17e mostra a cidade de Belm, Par aps a utilizao de um filtro 3x3 com orientao oeste (exemplo 3, Tabela 7).
27
Tabela 7. Exemplos de Filtros passa-alta direcionais de borda (Manual do Spring, 2011).
Alguns SIGs possuem mscaras para o realce no-direcional de bordas pr-definidas. O SPRING sugere 3 tipos, que correspondem intensidade dos nveis de cinza na imagem resultante. A Figura 17f exemplifica o uso de um filtro passa-alta no-direcional de borda 3x3, com intensidade alta (Tabela 8, exemplo 1). Tabela 8. Filtros passa-alta, pr-definidos no SPRING.
Acima foram mencionados os filtros lineares. Diferentemente destes tipos de filtros, os filtros nolineares so utilizados para modificar a imagem original, minimizando/realando rudos e bordas. Entre os principais filtros no-lineares pode-se citar os filtros para deteco de borda (com processos diferentes dos filtros lineares) e filtros morfolgicos (mediana, eroso e dilatao). No SPRING, esto disponveis dois filtros para a deteco de bordas, denominados Roberts e Sobel. O filtro para deteco de bordas de Roberts apresenta a desvantagem de realar bordas com mesma magnitude de formas diferenciadas, fator este dependente da direo preferencial (Figura 18b). O filtro de Sobel possui a caracterstica de realar feies verticais e horizontais, sem realar pontos isolados (Figura 18c). Maiores detalhes sobre filtros no-lineares para deteco de borda pode ser encontrado na literatura (Seara, 1998; Gonzalez et al., 2004; Gonzalez e Woods, 2008; Manual do SPRING, 2011).
28
Figura 17. (a) Banda 8 do ETM+/Landsat 7 original; (b) Filtro passa-baixas (filtro de mdia), mscara 5x5; (c) Filtro passa-baixas (mdia ponderada), mscara 3x3 ; (d) Filtro passa-alta 3x3; (e) Filtro 3x3 direcional de borda, orientao oeste; e (f) Filtro 3x3 no-direcional de borda, intensidade alta. Os filtros morfolgicos no-lineares da mediana, de eroso e dilatao so utilizados para realar as propriedades geomtricas presentes nas imagens. O filtro morfolgico da mediada utilizado para eliminao e suavizao dos rudos presentes na imagem (Figura 18d). Os filtros morfolgicos de eroso e dilatao ocasionam efeitos de eroso nas partes claras da imagem, escurecendo-a, e dilatao nas partes escuras, clareando-a, respectivamente. A Figura 18 ilustra os efeitos do operador morfolgico de eroso (Figura 18e) e dilatao (Figura 18f).
29
Figura 18. (a) Banda 8 original do ETM+/Landsat 7; (b) Filtro para deteco de bordas de Roberts; (c) Filtro para deteco de bordas de Sobel; (d) Filtro morfolgico da mediana; (e) Filtro morfolgico de eroso; e (f) Filtro morfolgico de dilatao. 2.6.2. Filtros no domnio da frequncia Os filtros que atuam no domnio da frequncia so baseados na transformada de Fourier (equao 3) da imagem, ou seja, a imagem transformada do domnio espacial para o domnio da frequncia. Em muitos programas de processamento de imagens, comum o uso da transformada rpida de Fourier para decompor as informaes de uma determinada imagem em uma imagem complexa no domnio da frequncia (Figura 19b). O uso da transformada rpida de Fourier origina uma imagem que contm as informaes das componentes verticais e horizontais da frequncia. O resultado deste processamento uma imagem na qual
30
o brilho mdio da imagem mostrado no centro (baixa frequncia) e pixels afastados do centro da imagem representam componentes com alta frequncia.
Eq. (3) Consequentemente, filtros podem ser aplicados diretamente no resultado da transformada rpida de Fourier. Define-se um raio a partir do centro para eliminar a alta frequncia (atuando como um filtro passabaixa). Desta forma, medida que se aumenta o raio do filtro, as frequncias mais altas so introduzidas no processo de filtragem, este procedimento pode originar filtros passa-mdia/baixa. Aps a seleo do tamanho do raio (Figura 19c), realiza-se a transformao inversa, retornando os dados para o domnio espacial (Figura 19d). Maiores detalhes deste mtodo por ser encontrado em Gonzalez e Woods (2008). A Figura 19a mostra a banda pancromtica do sensor ETM+ a bordo do Landsat 7 para a cidade de Belm, Par. A Figura 19b corresponde imagem resultante da transformada rpida de Fourier realizada no aplicativo ENVI. A partir da imagem no domnio da frequncia, delimitaram-se vrios raios para a aplicao do filtro (Figura 19c, e, g). Como procedimento final inverte-se a transformada rpida de Fourier, resultando em novas imagens no domnio espacial (Figura 19d, f e h). Nas figuras analisadas, possvel notar que medida que o raio diminui (selecionando cada vez mais regies com baixa frequncia), a imagem apresenta o efeito de suavizao e perda de resoluo espacial.
31
Figura 19. Filtragem no domnio da frequncia.
32
2.7. Cor no processamento de imagens No sistema visual humano, a retina formada por inmeros fotorreceptores, como os cones (coloridos), responsveis pela viso diurna, e pelos bastonetes, responsveis pela viso noturna (cinza), ambos sensveis a luz e que transformam a energia eletromagntica em energia neural, produzindo a imagem no plano focal. A percepo da cor est relacionada ao comprimento de onda da energia que chega aos olhos, que podem ser misturadas gerando, desta forma, inmeras cores (Gonzalez e Woods, 2001). As cores podem ser usadas tanto para a visualizao de imagens multiespectrais como para a identificao e extrao de objetos de interesse em uma imagem a partir de tcnicas de processamento. O olho humano menos sensvel s variaes de tons de cinza que os atuais sensores artificiais, sendo capaz de discriminar apenas algumas dezenas de nveis de cinza enquanto que os sensores so capazes de discriminar milhares de tons coloridos (Fonseca, 2000). Em uma imagem colorida composta por trs bandas, cada pixel desta imagem representado numericamente por nveis de cinza correspondente interao da radiao eletromagntica com o alvo, sendo assim, as cores visualizadas na formao de uma imagem colorida ser determinada pela ponderao de cada valor para o mesmo pixel, ou seja, no sistema R (red vermelho), G (green verde) e B (blue azul), cada banda da imagem (256 tons) possui uma intensidade de acordo com a reflectncia do pixel. A Figura 20 mostra trs bandas (b1, b2 e b3) do sensor ETM+/Landsat 7 na qual foram atribudas as componentes R(b3), G(b2) e B(b1). Consequentemente, a imagem colorida final refere-se juno das trs bandas que receberam cores distintas (definidas pelo usurio). Analogamente, podemos comparar este processo ao de formao de cores para pintar casas, suponha que tenhamos um pote com tinta azul, um com verde e outro com vermelho, desta forma, se inserirmos mais vermelho do que azul e verde, a tinta ser em tons de vermelho, se a maior quantidade de tinta for verde, a tinta ter tons de verde e assim por diante. Ressalta-se que na formao das imagens no olho humano, a acuidade visual mais sensvel cor vermelha (Gonzalez e Woods, 2001).
Figura 20. (a) Banda 1 do sensor ETM+/Landsat 7 em tons de azul; (b) Banda 2 do sensor ETM+/Landsat 7 em tons de verde; (c) Banda 3 do sensor ETM+/Landsat 7 em tons de vermelho. (d) Imagem colorida
33
resultante da ponderao das cores azul, verde e vermelho para cada pixel. As cores em imagens de satlite podem ser compostas pela cor verdadeira, na qual a regio do espectro eletromagntico referente ao azul, verde e vermelho recebem as mesmas componentes (B, G e R, respectivamente) (Figura 21a) e pela falsa cor (contendo informaes que no so obtidas pelo olho humano, como, por exemplo, bandas espectrais na regio do infravermelho). Por exemplo, ao se associar as bandas 5, 4 e 3 do sensor ETM+/Landsat 7 aos canais R, G e B, respectivamente, gera-se uma imagem colorida cujas cores no correspondem ao visualizado pelo olho humano, esta composio denominada de falsacor, conforme Figura 21b. De um modo geral, o usurio pode atribuir as trs componentes (R,G,B) para quaisquer trs bandas de uma imagem, estas, devem ser selecionadas previamente de acordo com o objetivo do trabalho, fazendo com que a composio colorida traduza a informao espectral desejada.
Figura 21. Imagem ETM+/Landsat 7 para Belm, Par. (a) Composio cor verdadeira (banda 1 no
34
azul, banda 2 no verde e banda 3 no vermelho); (b) Composio falsa cor (banda 3 no azul, banda 4 no verde e banda 5 no vermelho); (c) Composio falsa cor (banda 7 no azul, banda 5 no verde e banda 4 no vermelho) A atribuio de cores nas imagens de satlites muito importante devido ao estudo acerca de vrios componentes do ambiente. Como exemplo, pode-se citar as aplicaes em diferentes bandas do sensor TM e ETM+, dentre elas: faixa espectral do azul (banda 1) (mapeamento de guas costeiras, diferenciao entre solo e vegetao e diferenciao de vegetao confera e decdua); faixa espectral do verde (banda 2) (mapeamento da vegetao e da qualidade da gua); faixa espectral do vermelho (banda 3) (absoro da clorofila, diferenciao e estudo de espcies vegetais, estudo sobre reas urbanas, uso do solo, agricultura e qualidade da gua); faixa espectral do infravermelho prximo (banda 4) (delineamento de corpos dgua, mapeamento geomorfolgico e geolgico, reas queimadas e midas, estudo sobre vegetao e agricultura); faixa espectral do infravermelho mdio (banda 5) (uso do solo, medidas sobre a umidade da vegetao, diferenciao de nuvens e neve, estudo sobre vegetao e agricultura); faixa espectral do infravermelho termal (banda 6) (mapeamento de estresse trmico em plantas, estudo sobre correntes marinhas, propriedades termais do solo e demais mapeamentos termais); e faixa espectral do infravermelho mdio (banda 7) (identificao de minerais e mapeamento hidrotermal). 2.8 Transformaes IHS A visualizao das imagens em sensoriamento remoto realizada a partir das componentes R, G e B, porm, o sistema visual humano interpreta a cor como uma combinao de trs componentes conhecidas por intensidade (intensity I), matiz (hue H) e saturao (saturation - S), conhecidas por IHS, que podem ser manipuladas e analisadas individualmente, ao passo que o sistema RGB esto intrinsecamente interligados (Gonzalez e Woods, 2001).
A intensidade a medida da energia total envolvida em todos os comprimentos de onda, sendo responsvel pela sensao de brilho dessa energia incidente sobre o olho; a matiz de um objeto est relacionada com a medida do comprimento de onda mdio da energia refletida ou emitida por eles, definindo, assim, a cor do objeto; e a saturao, ou pureza da cor, expressa o intervalo de comprimentos de onda ao redor do comprimento de onda predominante no qual a energia refletida ou transmitida, sendo que uma saturao alta resulta em uma cor pura e uma saturao baixa indica uma mistura de comprimentos de onda produzindo tons pastis (apagados). Assim, o sistema IHS descreve as sensaes subjetivas de brilho, cor e pureza da cor, respectivamente (Gonzalez e Woods, 2001). O sistema IHS pode ser representado como um cone, como mostra a Figura 22a, ao invs de uma amostra radial, como mostra a Figura 22b, que representa o espao RGB. Este sistema utiliza coordenadas cilndricas polares para representar as cores, sendo que a distncia de um ponto (eixo central do cone) at a origem ou pice do cone representa a intensidade ou brilho; a distncia radial do ponto at o eixo central do cone representa a saturao da cor; e a matiz representada como uma sequncia radial ao redor dos crculos de saturao e do eixo de intensidade. Na prtica a matiz varia de 0 a 255, porm, devido s caractersticas das imagens digitais, seu valor representa um ngulo que varia de 0 a 360, sendo: 0 (cor verde, NC=0), 120 (cor vermelho, NC=255), 240 (cor azul, NC=170) e 360 (cor verde novamente, NC=255) (Fonseca, 2000).
35
Figura 22. Espao de cores IHS. Fonte. Adaptado de Fonseca (2000). Atualmente, grande parte dos SIGs e aplicativos de processamento digital de imagens contm um mdulo na qual o usurio converte as imagens multiespectrais para as componentes IHS, para isto basta o usurio selecionar uma imagem colorida em que 3 bandas esto associadas s cores RGB e iniciar os processamentos. O resultado deste processo so trs novas imagens que representam a intensidade, a saturao e a matiz (Figura 23). Posteriormente, cada uma das componentes pode ser processada independentemente, aplicando-se tcnicas de contraste, classificaes, segmentaes, entre outras. A ltima etapa do processo envolve uma reverso das imagens I, H e S para as coordenadas RGB, uma vez que os monitores de vdeo dos sistemas de processamento de imagens trabalham somente nesse sistema (Fonseca, 2000).
Figura 23. (a) Componente intensidade originada da composio colorida 1B2G3R do sensor ETM+/ Landsat 7; (b) Componente saturao originada da composio colorida 1B2G3R do sensor ETM+/Landsat 7; (c) Componente matiz originada da composio colorida 1B2G3R do sensor ETM+/Landsat 7. Dentre as aplicaes da utilizao da transformao IHS, pode-se citar a fuso de imagens multiespectrais com uma banda pancromtica com resoluo espacial melhor que as bandas multiespectrais. No caso da fuso da banda pancromtica do sensor ETM+/Landsat 7 com resoluo espacial de 15m com as bandas multiespectrais de 30m, o procedimento envolve as seguintes etapas: I) calcular as componentes H, S e I a partir das trs bandas selecionadas do ETM+; II) aplicar o aumento de contraste nas componentes H, S e na imagem pancromtica; III) substituir a componente intensidade (originada pelas bandas multiespectrais) pela imagem pancromtica e aplicar a transformao inversa IHS para RGB, obtendo-se, desta forma, uma composio colorida com a resoluo espectral correspondente s trs bandas ETM+ (30 metros) e a resoluo
36
espacial da imagem pancromtica (15 metros), conforme exemplificado na Figura 24. O resultado auxilia significativamente na interpretao das imagens. Nesse ponto importante destacar que no indicado qualquer alterao nas componentes espectrais de imagens, seja por transformaes de cores, filtragens ou realces, quando o objetivo fazer uma anlise espectral. Isso porque essas transformaes podem afetar a resposta espectral e influenciar nos resultados.
Figura 24. (a) Composio falsa cor (banda 3 no azul, banda 4 no verde e banda 5 no vermelho) com resoluo espacial de 30m; (b) Fuso pelo processo IHS originando uma imagem com 15m de resoluo espacial. Ainda, outros exemplos podem ser salientados. Dentre eles, quando a imagem apresentar cores distintas em reas de baixo brilho, estas cores podem ser melhor discriminadas a partir do aumento de contraste da componente I na transformao IHS; quando a composio colorida possuir diferentes cores misturadas com branco, o aumento de contraste ou dos valores de nveis de cinza da componente S pode tornar estas cores mais perceptveis ao intrprete; ainda, pode-se usar diferentes funes de transformaes para alterar o contraste da componente S, obtendo-se desta forma diferentes efeitos nas cores (Fonseca, 2000). 2.9 Operaes matemticas com imagens Operaes matemticas so utilizadas frequentemente em processamento digital de imagens com o intuito de analisar imagens multiespectrais e multitemporais. O procedimento envolve a utilizao de duas ou mais imagens georreferenciadas de uma mesma rea, sendo a operao realizada pixel a pixel a partir de uma regra matemtica definida pelo usurio, resultando em uma imagem proveniente da combinao das bandas originais. Estas operaes permitem a compresso dos dados, alm de diminuir o nmero de bandas e melhor discriminar pequenos detalhes presentes em cada uma, entretanto, ocasionando perda da informao original (Manual do SPRING, 2011). Para melhorar a qualidade de contraste da imagem, estas operaes podem ser realizadas a partir de um fator de ganho (multiplicativo) ou offset (aditivo), definido a partir da habilidade do usurio em definir as operaes e as caractersticas espectrais das bandas utilizadas, sendo que a operao de adio utilizada para realar as similaridades existentes entre duas bandas e as operaes de subtrao, multiplicao e diviso so utilizadas para realar as diferenas espectrais (Fonseca, 2000, Manual do SPRING, 2011). A adio uma operao linear e a forma mais simples de operao entre imagens, utilizada
37
para a obteno da mdia aritmtica entre as imagens, para minimizar a presena de rudo e para integrar imagens resultantes de diferentes processamentos. Nas imagens pticas, geralmente o rudo eletrnico no correlacionado entre as diferentes bandas espectrais, ou seja, o rudo pode estar presente em um pixel de uma determinada banda, sem estar presente nas demais. Assim, a realizao da mdia aritmtica entre duas bandas resultar na reduo do rudo, pois os valores dos nveis de cinza desses pixels sero determinados pela mdia dos pixels que apresentam e no apresentam rudo (Fonseca, 2000). Em relao redefinio de uma nova banda multiespectral, este procedimento se torna til na identificao de um objeto ou fenmeno que seja caracterizado por feies espectrais largas no intervalo de comprimento de ondas, extrapolando uma ou mais bandas de um sensor. Segundo Fonseca (2000) pode-se utilizar a adio para a combinao de resultados de outros tipos de processamento. Pode-se exemplificar atravs da adio de uma imagem original com a mesma imagem submetida a um filtro de convoluo para realce de bordas, resultando em uma imagem com timas caractersticas de interpretao devido combinao da informao tonal da imagem original com a informao textural da imagem filtrada. Da mesma forma que a adio, a subtrao tambm representa uma operao linear, e conhecendo-se as curvas de comportamento espectral dos alvos de interesse e o intervalo espectral das bandas dos sensores, torna-se possvel a definio das bandas a serem utilizadas para realar as diferenas espectrais. Dentre as aplicaes utilizando a subtrao, pode-se citar a identificao de diferenas sutis, a deteco de mudanas no uso e cobertura da terra (Gonzalez et al., 2004; Gonzalez e Woods, 2008) e a correo atmosfrica atravs do modelo DOS (seo 2.2). A partir da subtrao, podem-se identificar diferentes tipos de cobertura vegetal, calculando a diferena entre as bandas referentes ao infravermelho termal e ao infravermelho mdio (prximo a 2,2m), a quantidade de vegetao presente, a partir da diferena entre o infravermelho mdio (prximo a 2,2m) e bandas prximas a 1,6m, entre outros (Fonseca, 2000). Outro exemplo pode ser citado pela identificao de minerais formados por xidos de ferro, que apresentam reflectncia alta na faixa do vermelho e reflectncia baixa na faixa do azul do espectro eletromagntico, assim, a diferena entre essas faixas provocar o realce das reas com solos ricos em material ferruginoso (Crosta, 1993). A razo entre bandas, ou diviso, consiste de uma operao no-linear, utilizada para realar as diferenas espectrais de duas ou mais bandas, caracterizando determinadas feies da curva de assinatura espectral de alguns alvos. Entre os fatores limitantes no uso desta operao pode-se citar a interferncia do espalhamento atmosfrico, resultando em valores de nveis de cinza que no representam a diferena de reflectncia entre os alvos. Desta forma, qualquer operao matemtica na qual se deseje extrair parmetros fsico-qumicos e biolgicos deve ser realizada sobre a imagem em reflectncia de superfcie, na qual os efeitos de saturao, escalonamento da radincia pelo sensor, influncia atmosfrica, entre outros, foram eliminados da anlise. Dentre algumas aplicaes utilizando a razo entre bandas, pode-se citar a reduo do efeito de iluminao, a reduo do efeito atmosfrico, o realce de alvos de interesse e clculos de ndices de vegetao. A razo entre bandas tambm pode ser usada para realar alvos de interesse. Por exemplo, pode-se calcular a razo entre a banda posicionada na regio do espectro eletromagntico referente ao verde e ao infravermelho mdio (centrada em 1,6m), resultando na identificao de corpos dgua e apresentando informaes sutis sobre as terras midas (Figura 25a). No clculo de ndices de vegetao, a razo entre bandas tem sido muito utilizada na estimao de biomassa e cobertura vegetal, pois a razo entre as bandas do visvel e do infravermelho prximo do EEM resulta no realce das diferenas espectrais entre solos e vegetao. Dentre os ndices de vegetao existentes, o mais simples composto pelo SR (Single Ratio; equao 4; Rouse et al., 1973) e NDVI (Normalized
38
Difference Vegetation Index; equao 5; Rouse et al., 1973). SR= _nir/_red Eq. (4)
em que _nir e _red representam a reflectncia nas bandas infravermelho prximo e vermelho, respectivamente. Outro ndice de vegetao pode ser exemplificado pelo ndice de vegetao por diferena normalizada (NDVI), muito til no monitoramento da cobertura da vegetao, dado por: NDVI= (_nir- _red)/(_nir+ _red ) Eq. (5)
Na Figura 25b pode ser visualizado uma imagem com a aplicao do NDVI, calculado pela razo entre as bandas 3 e 4 do sensor ETM+/Landsat 7 aps a converso dos nveis digitais em reflectncia da superfcie. Nesta figura percebe-se que as reas mais claras indicam a presena de vegetao enquanto que as reas mais escuras indicam a ausncia de vegetao.
Figura 25. (a) Imagem resultante da diferena entre a banda 2 e a banda 5 do sensor ETM+/Landsat 7; e (b) NDVI para a regio de Belm, Par (tons claros representam vegetao densa e cores escuras ausncia de vegetao). 2.10 Segmentao: deteco de bordas e crescimento de regies A segmentao a subdiviso das imagens em regies que correspondem s reas de interesse da aplicao, podendo ser realizada por crescimento de regies ou pela deteco de bordas. As regies so um conjunto de pixels espalhados bidimensionalmente na imagem e so uniformes em relao a um dado conjunto
39
de atributos que podem ser extrados e usados posteriormente no processo de anlise das caractersticas dos alvos, como, por exemplo, a rea, a forma, os parmetros estatsticos e a textura, (Fonseca, 2000; Gonzalez e Woods, 2001). As bordas caracterizam os contornos dos objetos, assim, a segmentao a partir da deteco de bordas torna-se bastante til para a identificao dos objetos na imagem. No mtodo de deteco de bordas, um mapa de bordas originado a partir da extrao de bordas entre regies homogneas. Ainda, os pontos da borda so definidos pela posio dos pixels com variaes abruptas dos nveis de cinza (regies de alta frequncia espacial), caracterizando as transies entre objetos diferentes. Dentre as tcnicas de segmentao baseadas em bordas, podem-se citar as que so detectadas pelos operadores gradientes seguidos de uma limiarizao, como o Sobel, Roberts e Laplaciano. A Figura 26 mostra um mapa de bordas obtido pelo operador laplaciano da gaussiana. Destaca-se como limitao deste mtodo a presena de buracos nas bordas, permitindo que duas regies diferentes sejam agregadas. Ainda, esta tcnica sensvel s variaes locais dos nveis de cinza, fazendo com que os contornos geralmente no sejam fechados (Fonseca, 2000).
Figura 26. Mapa de bordas obtido pelo operador laplaciano da gaussiana. A tcnica por crescimento de regies um processo de agrupamento das regies espacialmente adjacentes seguindo algum critrio de similaridade, dividindo a imagem em um nmero de regies homogneas e identificadas por um rtulo, resultando em uma imagem rotulada. No incio do processo, a regio pode ser um pixel ou um conjunto de pixels, e para cada regio, so calculados atributos espectrais como a mdia, a varincia e a textura. Ainda, a agregao das regies pode ser realizada em muitos SIGs, como o SPRING, a partir da utilizao de parmetros de similaridade e rea, que so definidos pelo usurio, baseados em um teste de hiptese estatstico que verifica a mdia entre as regies (Bins et al., 1996), conforme pode ser visualizado na Figura 27.
40
Figura 27. Contornos (em vermelho) provenientes do processo de segmentao por crescimento de regies, implementado no SPRING, sobrepostos imagem de Belm do Par (ETM+/Landsat 7). (a) Similaridade = 1 e rea mnima (pixels) = 1; (b) Similaridade = 1 e rea mnima (pixels) =10; (c) Similaridade =4 e rea mnima (pixels) =16; e (d) Similaridade = 5 e rea mnima (pixels) =50.
A figura acima apresenta o resultado da segmentao na imagem do sensor ETM+ abordo do satlite Landsat 7, submetidas diferentes valores de similaridade e rea. A Figura 27a mostra que ao se adotar valores muito baixos para a similaridade e rea mnima, o algoritmo de segmentao por crescimento de regies implementado no SPRING separa praticamente cada pixel da imagem em regies distintas ao seu vizinho mais prximo. Entretanto, medida que aumenta os parmetros de similaridade e rea mnima, elementos similares so introduzidos na mesma regio. Desta forma, pode-se concluir que a separao de regies na imagem, independente do sensor utilizado, depender da aplicao e da acurcia necessria ao trabalho. Segundo Fonseca (2000) o processo de segmentao por crescimento de regies pode ser explicado, de modo simplificado, pelos seguintes passos: I. O algoritmo particiona a imagem em clulas padres (um ou mais pixels); II. Cada clula padro analisada em relao clula vizinha para verificar o grau de similaridade (definido pelo usurio). Caso as clulas forem similares, estas so agrupadas e os parmetros estatsticos para a nova regio so recalculados; III. Aps a etapa II, o algoritmo continua com a anlise no restante da imagem, examinando todos os vizinhos que possam ser agrupados, rotulando o segmento de uma regio completa; e IV. Toda a rea da imagem processada, originando uma imagem rotulada na qual todos os pixels esto presentes (sem buracos); No SPRING, a segmentao entre duas regies A e B somente sero agrupadas se a mdia das
41
regies A e B forem similares; se a medida de similaridade satisfizer o limiar estabelecido e se A e B forem mutuamente prximas. Dentre as limitaes desta tcnica, destaca-se a gerao de erros nos contornos das regies, pois os pixels de borda podem ser agregados a uma das regies vizinhas de forma aleatria (Manual do SPRING, 2011). 2.11. Classificao de padres nas imagens A classificao o processo de extrao de informaes em imagens com o objetivo de reconhecer padres e/ou objetos homogneos (que possuam o mesmo significado). Entre as principais utilizaes dos classificadores implementados nos SIGs e aplicativos de processamento digital de imagem, pode-se destacar o mapeamento de reas da superfcie terrestre, resultando em uma imagem temtica, ou mapa temtico, em que um grande nmero de nveis de cinza nas diversas bandas espectrais so transformados em um pequeno nmero de classes de uso e cobertura da terra, originando uma nica imagem. Os smbolos grficos ou cores representam os pixels classificados, estando eles associados a uma determinada classe definida pelo usurio como, por exemplo, rea urbana, vegetao, hidrografia, reas agrcolas, entre outras (Manual do SPRING, 2011), conforme demonstrado na Figura 28.
Figura 28. Resultado de uma classificao genrica no aplicativo SPRING. (a) Imagem cor verdadeira do sensor ETM+/Landsat 7 (1B2G3R); e (b) Atribuio de classes aos elementos da cena (processo automtico sem interao com o usurio). No processamento de imagens de sensoriamento remoto, a classificao pode ser obtida de forma automtica, realizada pelo computador, o qual envolve a anlise individual dos atributos estatsticos de cada pixel e seus vizinhos na imagem, e pela fotointerpretao, na qual o usurio extrai as informaes a partir da interpretao visual da imagem, sendo essas duas abordagens muitas vezes complementares. O computador capaz de calcular medidas de reas mais precisas que o fotointrprete, devido ao tratamento isolado de cada
42
pixel, alm de ser possvel a utilizao de mais do que trs bandas espectrais (Jensen, 1986). O processo de classificao automtica pode ser dividido em classificao supervisionada e classificao no supervisionada. Os algoritmos de classificao no supervisionada so mtodos de agrupamento baseados em alguma medida de similaridade entre os pixels, ou seja, pixels ou regies sero agrupados ou rotulados como pertencentes mesma classe se a medida de similaridade entre eles satisfazer os critrios estatsticos estabelecidos. Nesse tipo de classificao cada pixel da imagem associado a uma classe espectral sem que o usurio tenha um conhecimento prvio do nmero ou da identificao das diferentes classes presentes na imagem, realizado a partir de algoritmos de agrupamento (Erthal et al., 1993). Na sequncia desse tipo de classificao, o usurio dever fazer o re-mapeamento das classes, atribuindo um significado (p. ex. solo exposto, urbano, gua, etc.). Por outro lado, na classificao supervisionada, o usurio seleciona amostras representativas para cada uma das classes que se deseja identificar na imagem, descritas por seus parmetros estatsticos e estimados a partir do conjunto de amostras de treinamento previamente selecionadas, que podem ser definidas utilizando dados de campo, fotos areas ou interpretao visual da imagem a ser classificada (Fonseca, 2000). Ainda, os classificadores podem ser divididos em: I) classificadores pixel a pixel, que utilizam apenas a informao espectral isolada de cada pixel para identificar as regies homogneas; e II) classificadores por regies, que utilizam a informao espectral de cada pixel e a informao espacial que envolve a relao entre os pixels e seus vizinhos. Esta classificao realizada a partir do particionamento da imagem em regies (segmentao) e posterior associao a uma determinada classe (Fonseca, 2000). Dentre os classificadores pixel a pixel, pode-se citar a Classificao por Mxima Verossimilhana (MAXVER), a Classificao por Mxima Verossimilhana Interated Conditional Modes (MAXVER-ICM), e o classificador baseado na forma do espectro chamado SAM (spectral angle mapper), todos supervisionados, e o K-mdias (no supervisionado). Ainda, podem-se citar os classificadores por regies Bhattacharya (supervisionado) e o Isoseg (no supervisionado). Na literatura podem-se encontrar diversos classificadores, daremos nfase aos mencionados acima devido a sua diversificada aplicao e a sua disponibilidade em aplicativos gratuitos. O K-Mdias (Figura 29b) o algoritmo mais popular para a realizao de tarefas de agrupamento, empregando o mtodo de partio. Este classificador utiliza dados numricos a partir da seleo de k elementos para a formao inicial de centroides do grupo (elementos centrais). Posteriormente seleo dos centroides, realizado o clculo da distncia de cada elemento em relao a eles, em que a menor distncia encontrada para originar o agrupamento considerada. Finalmente, o processo concludo quando todos os elementos estiverem agrupados. Este algoritmo apresenta atributos confiveis, entretanto, so identificados alguns problemas, devido principalmente ao fato do usurio ter que especificar o nmero de grupos, sendo necessria a realizao de diversos experimentos; por ser sensvel aos rudos, pois uma pequena quantidade de dados inconsistentes ou diferentes em relao ao conjunto de dados formado pode influenciar na formao dos grupos; e por exigir que os dados sejam do tipo numrico ou binrio (Rabelo, 2007). O MAXVER um mtodo de classificao pixel a pixel que considera a ponderao das distncias entre as mdias dos nveis digitais das classes a partir de parmetros estatsticos. Para que a classificao seja precisa, necessrio um nmero razoavelmente elevado de pixels para cada conjunto de treinamento, que definem o diagrama de disperso das classes e suas distribuies de probabilidade, considerando a distribuio de probabilidade normal para cada classe do treinamento (Manual do SPRING, 2011).
43
O critrio de deciso deve ainda incorporar o conceito de limiar de deciso, que indica a porcentagem de pixels da distribuio de probabilidade de uma classe que ser classificada como pertencente a esta classe. Um limiar de 99% englobar 99% dos pixels, sendo que 1% ser ignorado, compensando a possibilidade de alguns pixels terem sido introduzidos por engano em determinada classe ou estarem no limite entre duas classes. Consequentemente, um limiar de 100% resultar em uma imagem classificada sem rejeio, ou seja, todos os pixels sero classificados. Para diminuir a confuso entre as classes, aconselhvel a aquisio de amostras significativas de alvos distintos, alm de uma avaliao das amostras a partir da matriz de anlise, que indica quais amostras selecionadas pelo usurio resultaram em maior confuso. Uma matriz de classificao ideal deve apresentar os valores da diagonal principal prximos a 100%, indicando que no houve confuso entre as classes (Fonseca, 2000; Manual do SPRING, 2011). Enquanto o classificador MAXVER associa classes considerando pontos individuais da imagem, o classificador MAXVER-ICM considera tambm a dependncia espacial na classificao. Primeiramente, a imagem classificada pelo MAXVER atribuindo classes aos pixels, considerando os valores de nveis digitais. Posteriormente, levada em considerao a informao contextual da imagem, ou seja, a classe atribuda depende tanto do valor observado nesse pixel quanto das classes atribudas aos seus vizinhos. Este processo finalizado quando a porcentagem de pixels reclassificados definida pelo usurio satisfeita (Manual do SPRING, 2011). Um exemplo da classificao MAXVER, MAXVER ICM e K-Mdias pode ser visualizado na Figura 29e Figura 29d, respectivamente. Ressalta-se que o treinamento das amostras foi efetuado apenas para fins de exemplificao, podendo, desta forma, apresentar erros na atribuio de uso e cobertura da terra para a cidade de Belm e reas circunvizinhas. Ainda, todas as classificaes no apresentam anlises quanto incerteza e acurcia.
Figura 29. Classificao realizada no SPRING (Vermelho reas Urbanas; Verde Formaes vegetais; e Azul Hidrografia). (a) Imagem falsa cor ETM+/Landsat 7 (3B4G5R); (b) Classificao pelo algoritmo K-Mdias; (c) Classificao pelo algoritmo MAXVER; e (d) Classificao pelo algoritmo MAXVER-
44
ICM. Diferente dos classificadores mencionados acima, o Isoseg um algoritmo de agrupamento no supervisionado aplicado sobre um conjunto de regies (resultantes de uma segmentao), caracterizadas por sua mdia, matriz de covarincia e rea. uma tcnica para classificao que procura agrupar regies a partir de uma medida de similaridade entre elas. A medida de similaridade utilizada pelo classificador conhecida como distncia de Mahalanobis, que utiliza atributos estatsticos como a mdia e a matriz de covarincia das regies avaliadas (Fonseca, 2000). Neste classificador, primeiramente, definido um limiar de aceitao, dado em porcentagem, com o qual calculada uma distncia mnima entre as regies pertencentes mesma classe, sendo que quanto maior for limiar, menor ser a distncia entre as regies e, portanto, maior ser o nmero de classes diferentes detectadas pelo algoritmo. Posteriormente realizada a deteco das classes, em que as regies so ordenadas em ordem decrescente de rea e iniciado o procedimento de agrupamento para classes, em que atribudo um novo rtulo para a regio de maior rea que ainda no tenha sido classificada. Finalmente, realizada uma competio entre as classes, que consiste na reclassificao de todas as regies usando no calculo da distncia entre as mdias e matrizes de covarincia dos agrupamentos obtidos na etapa anterior, repetindo-se o processo at que a mdia das classes no se altere, estando todas as regies associadas a uma classe no final do processo (Fonseca, 2000; Manual do SPRING, 2011). O resultado da classificao por Isoseg apresentado na Figura 30b. O classificador Bhattacharya um classificador por regies que mede a separabilidade estatstica entre um par de classes espectrais a partir da medida da distncia de Bhattacharya, ou seja, mede a distncia mdia entre as distribuies de probabilidades de classes espectrais. Ao contrrio do Isoseg, que um classificador automtico, o classificador Bhattacharya necessita da interao do usurio para o treinamento das amostras separadas por regies formadas na segmentao de imagens (Manual do SPRING, 2011). Desta forma, o resultado da classificao depender dos valores de similaridade e rea mnima adotada no processo de segmentao. O resultado da classificao por Bhattacharya apresentado na Figura 30c.
45
Figura 30. Classificao realizada no SPRING (Vermelho reas Urbanas; Verde Formaes vegetais; e Azul Hidrografia). (a) Imagem falsa cor ETM+/Landsat 7 (3B4G5R); (b) Classificao pelo algoritmo Isoseg; e (c) Classificao pelo algoritmo Bhattacharya. 3. Anlise temporal de imagens Atualmente, existem vrias tcnicas para a anlise de sries temporais de dados orbitais, entre estas se destacam: Transformada de Fourier / Anlise Harmnica, Transformada de Wavelet (ondeleta), Principais componentes, entre outras. 3.1 Anlise Harmnica Como descrito no tpico 2.6.2, a transformada de Fourier utilizada para decompor as informaes espaciais de um determinado dado em uma imagem complexa no domnio da frequncia. Em termos prticos, podemos dizer que a transformada de Fourier, aplicada s sries temporais, permite decompor as variaes temporais de uma determinada srie, como, por exemplo, ndices de vegetao, precipitao, reflectncia da superfcie, em sinais que representam as oscilaes anuais, semestrais, trimestrais, entre outras, ou seja, seus componentes harmnicos (amplitude e fase). Segundo Gonzalez e Woods (2008) na anlise de nmeros complexos, em muitos casos conveniente expressar a transformada de Fourier em coordenadas polares (equao 6):
em que as equaes abaixo (7 e 8) representam os valores de amplitude e fase, respectivamente.
Eq. (6)
46
Eq. (7)
Eq. (8) Desta forma, a anlise harmnica permite expressar uma funo complexa em funo das ondas senoidais e cossenoidais, definidos pelos valores de amplitude e fase. Consequentemente, a amplitude relaciona-se com a metade do valor na qual a funo maximizada e a fase representa o deslocamento entre a origem e o pico da onda, variando entre 0 e 2 (Davis, 1986). Segundo Lacruz et al. (2005) cada termo indica o nmero de ciclos completados por uma onda em determinado intervalo de tempo. Assim, o primeiro harmnico tem um perodo T (onda anual) caracterstico da srie temporal total; o segundo harmnico possui um perodo igual metade do primeiro harmnico T/2 (semestral) e assim sucessivamente. Ressalta-se que os trs primeiros harmnicos so satisfatrios para delinear a funo peridica. Para maiores informaes consultar Panofsky e Brier (1968), Wilks (1995), Jakubauskas et al. (2001) e Lacruz e Santos (2007). A Figura 31 mostra um exemplo extrado de Lacruz et al. (2005) contendo uma imagem referente anlise harmnica dos dados de EVI (ndice de vegetao melhorado) para o ano de 2003 em uma rea de pastagem na Floresta Nacional de Tapajs, Santarm, Par. Esta figura indica que as principais variaes na rea estudada pelos autores possuem caractersticas semestrais, como indicado no primeiro harmnico (linha azul no diagrama) com pico entre maio/junho. Segundo os autores, as variveis amplitude e fase podem indicar os tipos de mudanas que esto ocorrendo em determinada rea. Assim, mudanas sazonais na amplitude esto relacionadas com variaes nas condies fenolgicas da vegetao (estresse hdrico, aridez, inundaes, entre outros) ou no uso e cobertura da terra. Variaes na fase indicam alterao da data de plantio ou de colheita (para reas agrcolas) e variaes no vigor vegetativo (florestas). Ainda, mudanas em ambas as variveis esto relacionadas com mudanas no manejo da terra, variaes climticas regionais, alteraes na vegetao e regenerao da vegetao aps um episdio de queimada.
Figura 31. Imagem referente ao primeiro harmnico para o ano de 2003 e respectivo diagrama contendo o primeiro harmnico (linha azul), segundo harmnico (linha vermelha) e terceiro harmnico (linha verde). Fonte: Adaptado de Lacruz et al. (2005).
47
3.2 Transformada de Wavelet (TW) A transformada de wavelet (TW) um mtodo quantitativo de decomposio de varincias derivados de sries temporais que permite decompor e recompor dados de sensoriamento remoto em diferentes escalas temporais, no domnio da frequncia, em que cada escala representada por uma frequncia especfica. Esse mtodo pode ser denominado de tcnica de anlise conservativa da varincia, pois a soma das varincias originadas no domnio da frequncia igual varincia total da srie temporal no transformada (Torrence and Webster, 1999). Cabe destacar que a TW utilizada em muitas outras aplicaes, que fogem do escopo do texto. A TW utilizada para converter sries temporais em uma srie com os coeficientes da wavelet, na qual cada um destes representa a amplitude relacionada com uma funo wavelet em uma dada posio (Clemen, 1997). Cada coeficiente gerado pela TW representa a melhor correlao entre a funo escolhida e a relao da variabilidade temporal dos dados analisados. Um exemplo de aplicativo que possui um mdulo para anlise de sries temporais a partir da TW denominado IDL Wavelet Toolkit. Este programa utiliza as transformaes contnuas e discretas (Daubechies, 1992; Mallat, 1989), indicando no eixo x a intensidade temporal (mensal) e no eixo y a escala de variao temporal (inverso da frequncia). Nos grficos originados por este programa, a escala de cores representa a potncia, valor absoluto ao quadrado dos coeficientes gerados pela TW, sendo que o peso de cada ponto determina a contribuio de cada dado na variabilidade total da srie. O nvel de significncia originado pelo teste -quadrado com dois graus de liberdade. Como exemplo da aplicabilidade da TW pode-se citar o trabalho realizado por Pereira et al. (2010) que utilizou esta tcnica para decompor os dados de NDVI para a regio do Pantanal Brasileiro. A Figura 32 apresenta os espectros de potncia e o grfico da variabilidade temporal do NDVI (dados mensais, de 2000 a 2010) para uma rea de Ectono (Figura 32a) e Formao Florestal (Figura 32b) no Bioma Pantanal. Para analisar os resultados da TW, deve-se verificar a localizao dos valores dos espectros de potncia em relao ao eixo x (que indica o intervalo de variao de determinado fenmeno) e no eixo y, que indica a intensidade deste fenmeno.
48
Figura 32. Grfico do ndice de vegetao NDVI e espectro de potncia para a classe ectono (a) e para formaes florestais (b). Fonte: Adaptado de Pereira et al. (2010). Como exemplo, podemos verificar que a classe ectono (Figura 32a) apresenta uma variao quinquenal (a cada 64 meses aproximadamente). Nesta rea, percebe-se que houve uma diminuio significativa nos valores de NDVI a partir do segundo semestre de 2004 (entre 40-100 meses, eixo x), indicando uma provvel rea de alagamento que no existia nos anos anteriores ou mesmo uma queda na produtividade primria da vegetao. Ao contrrio, a amostra selecionada compreendendo uma rea de Floresta Estacional Semidecidual (Figura 32b) apresenta variao semestral (a cada 6 meses, eixo y), chamando a ateno para uma considervel variao ocorrida a partir de junho de 2005 e 2008 (entre 60 e 100 meses, eixo x). A variao semestral, possivelmente, ocorre devido queda das folhas na poca seca, aumentando a produtividade primria na poca chuvosa. Na anlise de sries temporais pela TW sempre importante considerar o tamanho da amostra (nmero de anos) e a consistncia dos resultados.
49
Figura 33. (a) Imagem do sensor MODIS para o ano de 2009 (ano de menor alagamento), composio 1B2R6G (vegetao em tons de vermelho, hidrografia em preto); (b) Imagem do sensor MODIS para o ano de 2000 (ano de maior alagamento), composio 1B2R6G (vegetao em tons de vermelho, hidrografia em preto); (c) e (d) Mapa da variabilidade temporal da reflectncia no infravermelho prximo obtida a partir da utilizao da tcnica ACP (segunda e terceira componentes principais, respectivamente). Fonte: Adaptado de Pereira et al. (2010). Essa mistura ocorre devido existncia de mais de um alvo na rea de abrangncia de cada pixel, em que o valor digital possui informaes sobre a proporo da mistura entre cada componente pura (Shimabukuro e Smith, 1991; Roberts et al., 1998). Sendo assim, no MLME utilizada uma relao linear para representar a mistura espectral dos alvos em cada pixel, em que a resposta espectral dos pixels em qualquer comprimento de onda pode ser considerada como uma combinao linear de cada componente da mistura (Shimabukuro e Smith, 1991).
50
A resposta espectral que compe cada pixel inclui uma grande variedade de alvos da superfcie terrestre, e essa resposta depender da resoluo espacial de cada sensor. Como consequncia, pixels de sensores de alta resoluo espacial possuem uma maior probabilidade de serem formados pela resposta de alvos nicos, ou puros, sendo que esta caracterstica no ocorre em pixels que compem grandes extenses terrestres, nestes, a mistura espectral se torna indesejada, pois mascara a resposta caracterstica de cada alvo, dificultando assim a sua identificao (Teixeira, 2004). Os pixels puros (endmembers) a serem utilizados como dados de entrada para o modelo so selecionados diretamente na imagem (image endmember), a partir da seleo de pixels com a resposta espectral mais prxima da curva terica esperada para alvos puros. Os endmembers geralmente utilizados so compostos pelas imagens frao vegetao, solo e sombra. Desta forma, o valor de um determinado pixel pode ser descrito como: i = a*vegi + b*soloi + c*sombrai + ei Eq. (9) em que i a resposta da reflectncia do pixel na banda i; a, b e c so as propores de vegetao, solo e sombra, respectivamente; vegi, soloi e sombrai so as respostas espectrais das componentes vegetao, solo e sombra (ou gua), respectivamente; ei o erro na banda i.
Figura 34. Composio colorida das trs primeiras componentes principais, originadas a partir das imagens frao vegetao provenientes dos dados de reflectncia de superfcie do MODIS/TERRA. Fonte: Arai et al. (2009). 4. Aplicaes do PDI (Estudo de Casos) O processamento digital de imagens utilizado em uma grande gama de aplicaes envolvendo a anlise e estudo do ambiente. Dentre eles, pode-se citar o trabalho de Lima et al., (2009), que utilizaram o MLME no mapeamento das cicatrizes de queimadas na Amaznia brasileira em imagens do sensor MODIS. Neste trabalho, os autores utilizaram imagens do produto de refletncia de superfcie (MOD09) do sensor MODIS e o processamento digital das imagens MODIS baseou-se na metodologia aplicada pelo projeto PRODES para a identificao de reas desmatadas. Para a deteco de reas queimadas, foi aplicado o
51
MLME com posterior segmentao da frao sombra com o intuito de gerar polgonos espectralmente homogneos. Os limiares empregados foram 8 para similaridade (limiar mnimo abaixo do qual duas regies so consideradas similares e agrupadas em um nico polgono) e 4 para rea (valor mnimo de rea dado em nmero de pixels, para que uma regio seja individualizada). Em seguida foi realizada a classificao no supervisionada por regies por meio do algoritmo Isoseg e posterior edio da classificao, conforme pode ser visualizado na Figura 35.
Figura 35. Mapeamento das cicatrizes de queimadas no ano de 2005 na regio Amaznica utilizando o MLME. Fonte. Lima et al., (2009). Outra aplicao utilizando dados de sensoriamento remoto e tcnicas de processamento de imagens pode ser analisada no trabalho de Cardozo e Herrmann (2011), que utilizaram a tcnica de processo analtico hierrquico (AHP) no mapeamento de reas suscetveis a escorregamentos na bacia do rio Forquilhas em So Jos, Santa Catarina. A elaborao do mapa das reas suscetveis a escorregamentos teve como base o cruzamento de cinco mapas temticos (geologia, geomorfologia, solos, formas das encostas e declividade), a partir da definio dos critrios do cruzamento dos mapas temticos e posterior manipulao da tcnica AHP. A tcnica AHP possui base matemtica que permite organizar e avaliar a importncia relativa entre critrios e medir a consistncia das ponderaes, sendo uma das ferramentas de mltiplos critrios de deciso mais utilizada. Ainda, a AHP flexvel na integrao com diferentes tcnicas, permitindo a extrao de informaes a partir dos resultados de todos os mtodos combinados (Vaidya e Kumar, 2004). O processamento das imagens foi iniciado a partir da aplicao de pesos diferenciados em funo de sua importncia para a ocorrncia de escorregamentos, definidos previamente. Posteriormente, foi gerado um script em extenso .alg (gerada automaticamente pelo SPRING), no qual outras informaes requeridas foram completadas, inclusive com a escolha dos pesos para cada classe temtica dos mapas escolhidos, fornecendo como resultado uma grade numrica referente a mdia ponderada das variveis em questo. Aps a etapa de atribuio de pesos e ponderao das classes, foi realizado um fatiamento do resultado obtido,
52
definindo-se cinco classes hierrquicas da suscetibilidade aos escorregamentos, visualizadas na Figura 36.
igura 36. Utilizao da tcnica AHP para o mapeamento das das reas suscetveis a escorregamentos da bacia do rio forquilhas. Fonte. Cardozo e Herrmann., (2011). Cruz et al. (2011) utilizaram diversos ndices de vegetao para avaliar a cobertura vegetal na bacia do rio Japaratuba-Mirim, Sergipe. Neste trabalho foi utilizada uma imagem do sensor TM/Landsat 5, e aps o registro da imagem, foi realizada a correo atmosfrica das bandas por meio da aplicao do mtodo de subtrao de objetos escuros (DOS), proposto por Chvez (1998), pois o clculo adequado dos ndices de vegetao necessitam de valores fsicos, como radincia ou reflectncia de superfcie (Ponzoni e Shimabukuro, 2010), sendo que a converso pixel a pixel para radincia bidirecional aparente foi realizada segundo a equao proposta por Markham e Baker (1987). Os ndices utilizados foram o ndice de Vegetao da Razo Simples (SR), ndice pioneiro proposto por Jordan (1969) e que utiliza a diviso entre as bandas do infravermelho prximo e vermelho; o ndice de Vegetao por Diferena Normalizada (NDVI), proposto por Rouse et al., (1973), em que as reas de vegetao mais intensa possuiro valores mais altos e as reas no-vegetadas valores mais baixos, constituindo-se em um dos ndices de vegetao de maior difuso, com larga aplicabilidade em estudos de culturas agrcolas, florestas e clima; o ndice de Vegetao Ajustado para o Solo (SAVI), que surgiu como alternativa ao NDVI buscando minimizar o efeito do solo no seu valor final (Huete et al., 1988), conforme a equao 10; e o ndice de Vegetao Melhorado (EVI), que busca otimizar o sinal da vegetao, intensificando a resposta em regies de elevada concentrao de biomassa, minimizando as interferncias atmosfricas e do solo nas respostas (Huete et al., 1994), em que L o fator de ajuste para o solo (1,0), G o fator de ganho (2,5) e C1 e C2 so coeficientes de ajuste para o efeito de aerossis da atmosfera (6,0 e 7,5), conforme equao 11. As operaes algbricas componentes dos ndices foram realizadas por meio do mdulo Raster Calculator do ArcGIS, e o resultado pode ser visualizado nas Figura 37 e Figura 38.
53
SAVI= (_nir- _red)/(_nir+ _red+L).1=L EVi=G . (_nir- _red)/(L+_nir+ C1 . _red-C2 . _A )
Eq. (10) Eq. (11)
Figura 37. Classes de tipos de cobertura vegetal e aplicao do ndice de Vegetao da Razo Simples (SR) (A) e ndice de Vegetao por Diferena Normalizada (NDVI) (B) Fonte. Cruz et al., (2011).
54
Figura 38. Classes de tipos de cobertura vegetal e aplicao do ndice de Vegetao Ajustado para o Solo (C) e ndice de Vegetao Melhorado (EVI) (D). Fonte. Cruz et al., (2011).
Ainda, pode-se citar o trabalho de Vasconcelos e Crsta (2011), os quais realizaram uma interpretao geolgica-estrutural da cratera meteortica da Serra da Cangalha, Tocantins, a partir de imagens do sensor HRC do satlite CBERS-2B. Neste trabalho, foi utilizado o modelo de elevao digital GDEM/ASTER, com 30 metros de resoluo espacial. A metodologia consitiu da transformao do sistema de coordenadas com o objetivo de compatabilizao com a base de dados utilizada; registro espacial, tendo como referncia uma cena do satlite WorldView-1; realce textural, para facilitar a extrao de lineamentos e outras estruturas geolgicas; extrao de informaes geolgicas utilizando o software ArcGIs; e elaborao de rosetas que indicaram a configurao estrutural de impacto da Serra da Cangalha/TO, em diversos setores, conforme Figura 39.
Figura 39. Lineamentos extrados da imagem CBERS-2B para a regio do ncleo soerguido da Serra da Cangalha, Tocantins. Fonte. Vasconcelos e Crsta (2011).
55
5. Consideraes Finais O objetivo desse material foi apresentar as principais definies associadas ao processamento digital de imagens. Nesse sentido, o texto apresentou os fundamentos bsicos e exemplos de aplicaes. De forma sucinta discutiram-se as principais tcnicas de correo de imagens e anlise de imagens, como, por exemplo, correo radiomtrica, correo atmosfrica, correo geomtrica, transformaes IHS, operaes matemticas com imagens, fatiamento de imagens, classificao de padres nas imagens, entre outras. Ainda, o material apresentou algumas tcnicas para a anlise temporal algumas aplicaes gerais do PDI.
56
AIZENBERG, I. N.; BUTAKOFF, C. Frequency domain medianlike filter for periodic and quasi-periodic noise removal. In: Proc. SPIE Image Processing: Algorithms and Systems, vol. 4667, pp. 181-191. 2002. ARAI, E. ; ADAMI, M. ; FREITAS, R. M. de ; RAO, V. B. ; MOREIRA, M. A. . Anlise de Sries Temporais MODIS e TRMM nas reas de caatinga, cerrado e floresta. In: XIV Simpsio Brasileiro de Sensoriamento Remoto, 2009, Natal- RN. Anais .... So Jos dos Campos, SP : INPE, 2009. v. CD-ROM. p. 5081-5088. BARRY, P. EO-1/ Hyperion science data users guide. Redondo Beach, CA: TRW Space, Defense & Information Systems. 65 p. CAGE, No. 11982, n. HYP.TO.01.077, Rev Public Release L1_B. 2001. BENSEBAA K. W.; Fonseca, L. M. G.; BANON G. J. F.; ERTHAL, G. J. On-orbit Spatial Resolution Estimation of CBERS-2 Imaging System Using Ideal Edge Target, In: Signal Processing for Image Enhancement and Multimedia Processing. Springer, 2007, 1 ed., v.31, p. 1-14. BENSEBAA, K. Estimao da resoluo espacial da cmera CCD dos satlites CBERS 1 e 2. 2005. 90 p. (INPE-13597-TDI/1036). Tese (Doutorado em Computao Aplicada) - Instituto Nacional de Pesquisas Espaciais, So Jos dos Campos, 2005. Disponvel em:<http://urlib. net/sid.inpe.br/jeferson/2005/05.25.18.15>. Acesso em: 19 jan. 2012. BERK, A.; BERNSTEIN, L. S.; ANDERSON, G. P.; ACHARYA, P. K.; ROBERTSON, D. C.; CHETWYND, J. H.; ADLER-GOLDEN, S. M. MODTRAN cloud and multiple scattering upgrades with application to AVIRIS. Remote Sensing of Environment, v. 65, n. 3, p. 367375. doi:10.1016/S0034-4257(98)00045-5. 1998. BINS, S. A.; Fonseca, L. M. G.; ERTHAL, G. J.;II, F. M. Satellite Imagery segmentation: a region growing approach. Anais do VIII Simpsio Brasileiro de Sensoriamento Remoto, Salvador, p., 14-19, 1996. CARDOZO, F. S.; HERRMANN, M. L. P. Uso da tcnica AHP no mapeamento de reas suscetveis a escorregamentos. Anais do XV Simpsio Brasileiro de Sensoriamento Remoto, Curitiba, p. 4134 - 4141, 2011. CARVALHO, L. A. S.; STRAUSS, C.; Fonseca, L. M. G. Determinao da resoluo espacial efetiva da cmera HRC-CBERS-2B pelo mtodo de espalhamento de borda. In: SIMPSIO BRASILEIRO DE SENSORIAMENTO REMOTO, 14. (SBSR), 2009, Natal. Anais... So Jos dos Campos: INPE, 2009. p. 1975-1982. DVD, On-line. ISBN 97885-17-00044-7. (INPE-15849-PRE/10459). Disponvel em:<http://urlib.net/dpi.inpe.br/ sbsr@80/2008/11.13.17.41>. Acesso em: 19 jan. 2012. CLEMEN, T. Integrating Simulation Models into Environmental Information SystemsModel Analysis. In: Denzer, R. et al., 1997. Environmental Software Systems, Chapman and Hall, London, p. 292299,1997. CHANDER, G., HELDER, D.L. AND BONCYK, W.C. LANDSAT4/5 BAND 6 Relative Radiometry. IEEE Trans. Geosciences & Remote Sensing, v. 40, n. 1, p. 206-210. 2002. CHVEZ, P. S. An improved dark-object subtraction technique for atmospheric scattering
BIBLIOGRAFIA
57
correction of multispectral data. Remote Sensing of Environment, 24, 459-479, 1998. CRSTA, A. P. Processamento Digital de Imagens de Sensoriamento Remoto. Ed. Ver. Campinas, SP. IG/UNICAMP. 1993. 170p. CRUZ, M. A. S.; SOUZA, A. M. B.; JESUS, J. S. Avaliao da cobertura vegetal por meio dos ndices de Vegetao SR, NDVI, SAVI e EVI na bacia do rio Japaratuba-Mirim em Sergipe. Anais do XV Simpsio Brasileiro de Sensoriamento Remoto, Curitiba, p. 1357 1364, 2011. DAVIS, J.C. Statistics and data analysis in geology. New York: J. Wiley and Sons, 1986. 646 p. DALGE, J. C. L. Processamento digital de imagens - correo geomtrica de imagens de sensoriamento remoto. Material audio visual. So Jos dos Campos: DSR-INPEDisponvel em: < http://www.dpi.inpe.br/~julio/arquivos/Pdi-ser-437.pdf >. Acesso em 21 de janeiro de 2012. DAUBECHIES, I. Ten Lectures on Wavelets. Society for Industrial and Applied Mathematics, 357 pp, 1992.
BIBLIOGRAFIA
ERTHAL, J. G.; Fonseca, L.M.G.; BINS, L.S.A. Um Mtodo de Classificao nosupervisionada por Regies. Anais do V Simpsio Brasileiro de Computao Grfica e Processamento de imagens,Recife, vol.4, p.65-68, 1993. FLORENZANO, T. G. Imagens de satlites para estudos ambientais. So Paulo: Oficina de Textos, 2002. Fonseca, L. M. G. Restaurao e interpolao de imagens do satlite Landsat por meio de tcnicas de projeto de filtros FIR. 1988. 148 p. (INPE-6628-TAE/30). Dissertao (Mestrado em Engenharia Eltrica) - Instituto Tecnolgico da Aeronutica, So Jos dos Campos. 1988. Fonseca, L. M. G. Processamento Digital de Imagens. So Jos dos Campos, 150 p., 2000. GALVO, L. S. Sensoriamento remoto hiperespectral. 2003. Notas de aula - Material visual. 55 p. Disponvel em: < http://www.ufrgs.br/leaa/arquivos/aulas/SERP06/Porto_ Alegre3_2006.pdf >. Acesso em 19 de janeiro de 2012. GONZALEZ, R. C.; WOODS, R. E. Digital Imaging Processing. 2 ed., Reading, MA: Addison-Wesley, 716p., 2001. GONZALEZ, R. C.; WOODS, R. C.; EDDINS, S. L. Digital Image Processing Using MATLAB. Pearson Education, 2004. 609 p. GONZALEZ, R. C.; WOODS, R. E. Digital Image Processing. 3 ed. New Jersey: Prentice Hall, 2008. 954 p. GOODENOUGH, D.G.; DYK, A.; NIEMANN, K.O.; PEARLMAN, J.S.; HAO CHEN HAN, T.; MURDOCH, M.; West, C. Processing Hyperion and ALI for forest classification. IEEE Trans. Geosci. Remote Sens. v. 41, p. 13211331. 2003. HALL, D. K.; RIGGS, G. A.; SALOMONSON, V. V. Modis/Terra Snow Cover 8-day L3 Global 500m Grid V005. Boulder, Colorado USA: National Snow and Ice Data Center.
58
2006. Disponvel em: < http://nsidc.org/data/docs/daac/modis_v5/mod10a2_modis_terra_ snow_8-day_global_500m_grid.gd.html >. Acesso em: 1 nov. 2009. HUETE, A. R. A soil-adjusted vegetation index. Remote Sensing of Environment, Elsevier Science Publishing Co., New York, USA. 25: 295-309, 1988. HUETE, A., JUSTICE, C., LIU, H. Development of vegetation and soil indices for MODISEOS. Remote Sensing of Environment, 29, 224234, 1994. INPE - Instituto Nacional de Pesquisas Espaciais. CBERS-1: qualidade radiomtrica. 2003. Disponvel em: < http://www.dpi.inpe.br/~leila/talks/SBC-01092003.pdf >. Acesso em: 18 de setembro de 2012. JAKUBAUSKAS, M.E. ET AL. Harmonic analysis of time-series AVHRR NDVI data. Photogrammetric Engineering and Remote Sensing, v. 67, n. 4, p. 461 470, 2001. JENSEN, J. R. Introctory Digital Image Processing: A Remote Sensing Perspective. Prentice-Hall, Englewood-Cliffs, New Jersey, 1986. JENSEN, R. J. Sensoriamento Remoto do Ambiente. 2 ed. So Jos dos Campos: Parntese, 2009. 598 p. JORDAN, C. F. Derivation of leaf area index from quality of light on the Forest floor. Ecology, 50: 663-666, 1969. KOTCHENOVA, S. Y.; VERMOTE, E. F.; MATARRESE, R; KLEMM, F. J. Validation of a vector version of the 6S radiative transfer code for atmospheric correction of satellite data. Part I: Path Radiance. Applied Optics, v. 45, n. 26, p. 67626774. Bibcode 2006ApOpt..45.6762K. doi:10.1364/AO.45.006762. PMID 16926910. 2006. LACRUZ, M. P.; SANTOS, J.R.; CONFORTE, J.C. Utilizao de sries temporais de imagens MODIS/TERRA e anlise harmnica para o monitoramento de corredores ecolgicos. In: Simpsio Brasileiro de Sensoriamento Remoto (SBSR), 12, 16-21 abr. 2005. Goiania. Anais... So Jos dos Campos: INPE, 2005. Artigos, p. 3223-3228. CD-ROM, Online. ISBN 85-17-00018-8. LACRUZ, M.P., SANTOS, J.R. Monitoramento da paosagem de unidades de conservao. In: Rudorff, B. F. T.; Shimabukuro, Y. E.; Ceballos, J. C. (Org.). O sensor MODIS e suas aplicaes no Brasil. So Jos dos Campos: Editora Parntese, 2007. cap. 13, p.173-183. LIMA, A.; SHIMABUKURO, Y. E.; ADAMI, M.; FREITAS, R. M.; ARAGO, L. E.; FORMAGGIO, A. R.; LOMBARDI, R. Mapeamento de cicatrizes de queimadas na amaznia brasileira a partir da aplicao do modelo linear de mistura espectral em imagens do sensor MODIS. Anais do XIV Simpsio Brasileiro de Sensoriamento Remoto, Natal, p. 5925 - 5932, 2009. MALDONADO, F. D. Anlise por Componentes Principais (ACP) na caracterizao da dinmica do uso da terra em rea do semi-rido brasileiro: Quixaba-PE. Dissertao (Mestrado em Sensoriamento Remoto), INPE, So Jos dos Campos, 1999. MALLAT, S. Multiresolution approximation and wavelets. Trans. Amer. Math. Soc., 315, 6988, 1989.
BIBLIOGRAFIA
59
MARKHAM, B. L.; BARKER, L. L. Thematic mapper bandpass solar exoatmospherical irradiances. International Journal of Remote Sensing, v. 8, n. 3, p. 517-523, 1987. MATHER, P.M. Computer processing of remotely-sensed images: an introduction. Great Britain: John Wiley & Sons, 1999. 210p. MELO, D. H. C. T. B. Uso de dados Ikonos II na anlise urbana: testes operacionais na zona leste de So Paulo / D. H. C. T. B. Melo. - So Jos dos Campos: INPE, 146p. - (INPE-9865TDI/870). 2002. NASA - National Aeronautics and Space Administration. Geocover 2000 circa. 2004. Disponvel em: < http://zulu.ssc.nasa.gov/mrsid/ >. Acesso em 21 de janeiro de 2012. NASA - National Aeronautics and Space Administration. Moderate Resolution Imaging Spectroradiometer (MODIS) - Official web site. Washington DC: NASA Headquarters, 2009. Disponvel em: < http://modis.gsfc.nasa.gov/ >. Acesso em: 28 nov. 2009. NIBLACK,W. An introduction to Digital Image processing. Prentice-Hall, EnglewoodCliffs, New Jersey, 1986.
BIBLIOGRAFIA
PANOFSKY, H.A.; BRIER, G.W. Some applications of statistics to meteorology. Pennsylvania: University Park, 1968. 224 p. PEARLMAN, J. S.; BARRY, P. S.; SEGAL, C. C.; SHEPANSKI, J.; BEISO, D.; CARMAN, S. L. Hyperion, a space-based imaging spectrometer. IEEE Transactions on Geoscience and Remote Sensing, v. 41, n. 6, p. 1160-1173, 2003. PEREIRA, L. O. ; CARDOZO, F. S. ; MOURA, Y.M. ; Fonseca, L. M. G. ; PEREIRA, G. ; MORAES, E. C. . Delimitao das reas alagadas do Pantanal a partir da anlise por Componentes Principais e Transformada Wavelet. In: 3 Simpsio de Geotecnologias no Pantanal, 2010, Cceres - MT. Anais ..., p. 200-209, 2010. PONZONI, F. J.; SHIMABUKURO, Y. E. Sensoriamento remoto no estudo da vegetao. So Jos dos Campos: Parntese, 2009. REEVES, R. G.; ANSON, A.; LANDEN, D. Manual of Remote Sensing. Falls Church: American Society of Photogrammemtry, 867 p. 1975. RICE, B. Hyperspectral Digital Data: AVIRIS data cube. Disponvel em: < http://www. sarracenia.com/astronomy/remotesensing/primer0350.html >.Acesso em 19 de janeiro de 2012. ROBERTS, D. A.; BATISTA, G. T.; PEREIRA, J. L. G.; WALLER, E. K.; NELSON, B. W. Change identification using multitemporal spectral mixture analysis: applications in eastern Amazonia. In: Lunetta R. S.; Elvidge C. D. (ed.). Remote sensing change detection: environmental monitoring methods and applications. Michigan: Ann Arbor Press, v.1, cap. 9, p. 137 161, 1998. ROUSE, J. W.; HAAS, H. R.; SCHELL, J. A.; DEERING, D. W. Monitoring vegetation systems in the great plain with ERTS. In: Earth Resources Technology Satellite - 1 Symposium , 3, Proceedings. Washington, v.1, Sec. A, p. 309-317, 1973.
60
SABINS, F. F. Remote sensing: Principles and interpretation. 3 ed. Long Grove: Waveland Press Inc., 2009. 494 p. SANTOS, A. R.; PELUZIO, T. M. O.; SAITO, N. S. SPRING 5.1.2: passo a passo: aplicaes prticas. Alegre, ES: CAUFES. 2010. 153 p. SCHOWENGERDT,R.A. Remote Sensing: Models and Methods for Image Processing. 2nd Edition, Academic Press, Inc, 1997. SEARA, D. M. Algoritmos para deteco de bordas. Florianpolis, 1998. Disponvel em <http://www.inf.ufsc.br/~visao/1998/seara/index.html> Acesso em: 25 jan. 2012. SIB Space Imaging Brasil. Especificaes tcnicas do IKONOS. Disponvel em: < http:// www.spaceimaging.com.br/novosite11/especificacoes.php >. Acesso em 20 de janeiro de 2012. SHIMABUKURO, Y. E.; SMITH, J. A. The least squares mixing models to generate fraction images derived from remote sensing multispectral data. IEEE Transactions on Geoscience and Remote Sensing, v. 29, n. 1, p. 16-20, 1991.
BIBLIOGRAFIA
SMITH, S. W. The Scientist and Engineers Guide to Digital Signal Processing. 2 ed. San Diego: California Technical Publishing, 640 p. 1999. TEIXEIRA, C. G. Validao do Modelo Linear de Mistura Espectral em Imagens ASTER/ TERRA a partir de dados Ikonos. 2004. 127 p. (INPE-13183-TDI/1029). Dissertao (Mestrado em Sensoriamento Remoto) - Instituto Nacional de Pesquisas Espaciais, So Jos dos Campos. 2004. TORRENCE, C., AND P. WEBSTER. Interdecadal changes in the ENSO-Monsoon system. Journal of Climate, n. 12, p. 26792690. 1999. TSAI, F.; LIN, S.; RAU, J.; CHEN, L.; LIU, G. Destriping Hyperion Imagery Using Spline Interpolation, In: Proc. 26th Asian Conf. Remote Sensing, November, Hanoi, Vietnam (2005). USGS United States Geological Survey. Landsat: Landsat Missions Timeline. Disponvel em: < http://landsat.usgs.gov/about_mission_history.php >. Acesso em 20 de janeiro de 2012. VAIDYA, O. S.; KUMAR, S. Analytic hierarchy process: An overview of applications. European Journal of Operational Research, p. 1 29, 2004. VASCONCELOS, M. A. R.; CRSTA, A. P. Uso do CBERS-2B/HRC para a interpretao geolgica-estrutural da cratera meteortica da Serra da Cangalha, Tocantins. Anais do XV Simpsio Brasileiro de Sensoriamento Remoto, Curitiba, p. 2685 - 2691, 2011. XIONG, J.; TOLLER, G.; CHIANG, V.; SUN, J.; ESPOSITO, J.; BARNES, W. MODIS Level 1B Algorithm Theoretical Basis Document: MODIS Characterization Support Team, Version 3. Pasadena: GSFC/NASA, 2005. Disponvel em: < http://mcst.gsfc.nasa.gov/ uploads/files/documents/M1058.pdf >. Acesso em: 11 jun. 2008.
61
XIONG, X.; BARNES, W. MODIS calibration and characterization. In: Qu, J.; Gao, W.; Kafatos, M.; Murphy, R.; Salomonson, V. Earth science satellite remote sensing. vol. 2. Berlin: Springer-Verlag, 2005. cap. 4, p. 77-97. WILKS, D.S. Statistical methods in the atmospheric sciences: an introduction. San Diego, California: Academic Press, 1995. 467 p.
BIBLIOGRAFIA
62
ATIVIDADES
1) Faa uma sntese sobre os conceitos bsicos do PDI. 2) Por que o IFOV, FOV, e GIFOV no so sempre do mesmo tamanho do pixel de uma imagem. Apresente os conceitos e discuta as relaes entre eles. 3) Em relao aos sensores apresentados, apresente uma discusso sobre a aplicao potencial de cada um deles na rea de geocincias. Feito isso, procure se informar, sobre outros sensores disponveis atualmente. 4) O que a correo radiomtrica, atmosfrica e geomtrica. Qual a importncia da correta realizao dessas correes? Explique. 5) O que o histograma pode nos dizer a respeito da distribuio dos dados, da frequncia espacial e em relao a presena de rudos na imagem. Discuta. 6) Por que usamos da filtragem de imagens? Quais os principais tipos de filtros e suas aplicaes? 7) Por que no podemos (no recomendado) utilizar filtros sobre imagens quando queremos fazer uma anlise das feies espectrais de imagens? 8) Em relao cor, discuta as vantagens e desvantagens dos sistemas RGB e IHS. 9) O que significa ganho e offset nas operaes matemticas? O que so operaes lineares e no lineares. Cite exemplos. 10) O que segmentao de imagens e quais os tipos e parmetros utilizados? 11) Sobre os mtodos de classificao, como podem ser divididos e quais as grandes diferenas entre esses grupos de classificadores? 12) Em relao os mtodos de anlise de sries temporais, faa um resumo (15 linhas para cada) sobre a anlise harmnica, transformada wavelet e principais componentes. 13) Por fim, considerando as aplicaes apresentadas, quais outras aplicaes vocs vislumbra para o PDI, considerando sua rea de atuao? Discuta. Exerccios prticos: Aps a leitura de todos os tpicos brevemente abordados nesse texto, podemos partir para as atividades prticas. Para tal, utilizaremos um banco de dados pronto da cidade de Braslia, disponvel em: < http://www.dpi.inpe.br/spring/download/bin/windows/banco_ demo.exe >. Como exerccio, procure fazer todos os procedimentos apresentados, utilizando os aplicativos SPRING e ENVI. Os procedimentos a serem realizados so apresentados na sequncia. 1) Importe uma imagem j georreferenciadas. Essas imagens podem ser obtidas de diversos bancos de dados, como por exemplo, os dados de elevao do projeto Topodata, disponveis gratuitamente em: < http://www.dsr.inpe.br/topodata/ >. 2) Aplicao de contraste e elaborao de uma composio sinttica no SPRING. Deste os efeitos de diferentes modelos de contraste. 3) Faa o fatiamento da banda do vermelho e avalie em que regio do lago Parano apresenta, possivelmente, uma maior concentrao de sedimentos em suspeno. Para isso, faa uso dos conhecimentos de comportamento espectral de alvos. Faa o fatiamento com 5, 10 e 16 fatias, alm do arco-ris. 4) Faa a correo atmosfrica atravs do modelo DOS (no SPRING ou ENVI, de acordo com sua escolha). 5) No SPRING, aplique um filtro 3x3 e 11x11 sobre a banda do infravermelho prximo. Avalie os resultados apresentando potenciais aplicaes de cada tamanho de mscara. 6) Faa a transformao RGB para IHS e a IHS para RGB no SPRING. 7) Elabore uma imagem rotulada com diferentes limiares de rea e similaridade no SPRING. Avalie os resultados.
63
8) Faa uma classificao supervisionada e no supervisionada. Lembre-se de fazer a seleo de amostras de treinamento para a classificao supervisionada. 9) Considerando a anlise por principais componentes, execute essa transformao no SPRING. 10) Procure elaborar um estudo de caso, aplicando as etapas discutidas, para sua rea de estudo e de acordo com os objetivos do seu trabalho.
ATIVIDADES
64

Processamento Digital de Imagens - PDI

Caricato da

Informazioni sul documento

Descrizione originale:

Copyright

Formati disponibili

Condividi questo documento

Condividi o incorpora il documento

Opzioni di condivisione

Hai trovato utile questo documento?

Questo contenuto è inappropriato?

Copyright:

Formati disponibili

Processamento Digital de Imagens - PDI

Caricato da

Copyright:

Formati disponibili

Processamento Digital de Imagens/ PDI - GEOTEC