abordagens em geobia e aplicação da técnica em imagem ... · tado a formação de regiões, ......

631

Anais 5º Simpósio de Geotecnologias no Pantanal, Campo Grande, MS, 22 a 26 de novembro 2014Embrapa Informática Agropecuária/INPE, p. 631 -640

Abordagens em GEOBIA e aplicação da técnica em imagem Rapideye de uma área da bacia do rio Pitangui – PR

Dinameres Antunes Giuvane Conti

Kelly Lais Wiggers Selma Regina Aranha Ribeiro

Universidade Estadual de Ponta GrossaLaboratório de Geotecnologia

Ponta Grossa - PR, Brasil

Resumo. Este artigo explora a GEOBIA (Geographic Object Based Image Analysis) por meio da análise de literatura de trabalhos científicos publicados na temática, identificando suas principais características, objetivos, metodologias e softwares utilizados. Também aplicou-se a técnica em uma área da bacia do rio Pitangui, localizada em Ponta Grossa – PR, gerando como produtos finais imagem com pré-classificação, vetores correspondentes a cada objeto gerado, e banco de dados relacional com descritores espaciais, espectrais e de textura que podem dar subsídio a várias análises. Com a análise dos trabalhos conclui-se que apesar de se diferenciarem em seus objetivos finais, apresentaram, por meio do uso da GEOBIA, contribuição considerável no desenvolvimento das pesquisas. A aplicação da técnica em área de estudo mostra que os resultados oferecem vantagem em relação a abordagem a pixels.

Palavras-chave: sensoriamento remoto, processamento digital de imagens, geoprocessamento.

Anais 5º Simpósio de Geotecnologias no Pantanal, Campo Grande, MS, 22 a 26 de novembro 2014Embrapa Informática Agropecuária/INPE, p.

632

632 -640

Abstract. This article explores GEOBIA (Geographic Object-Based Image Analysis) by means of reviewing pu-blished scientific papers that cover the thematic and identifying main characteristics, objectives, methodologies and softwares utilized. The technique has been also applied to an area in the Pitangui river basin, located at Ponta Grossa - PR, generating the following final products: a pre-classified image, vectors corresponding to each of the generated objects and a relational database with spatial, spectral and texture descriptors. They serve as basis for various analyses. It is then finally concluded that even though GEOBIA techniques present deviations with regards to their final objectives, they still yield considerable contributions to academic research. The study demonstrates that better results are achieved through the use of GEOBIA than when using pixel level approaches.

Keywords: remote sensing, digital image processing, geoprocessing

Introdução

De acordo com Rosa (2005) as geotecnologias são o conjunto de tecnologias para coleta, pro-cessamento, análise e oferta da informação com referência geográfica, dentre as geotecnologias se destacam os Sistemas de Informação Geográfica, o Sensoriamento Remoto, a Cartografia Digital entre outras. O Sensoriamento Remoto fornece importante fonte de dados para diversas tarefas de monitoramento ambiental e gestão do território. O Processamento de Imagens Digi-tais (PDI) torna possível a extração de características das imagens provenientes de sensoria-mento remoto a partir de suas metodologias e técnicas fornecendo recursos para a manipulação e análise de imagens.

O PDI têm evoluído continuamente, com aumento significativo no nível de interesse em morfologia matemática, redes neurais, processamento de imagens coloridas, compressão de imagens, reconhecimento de imagens e em sistemas de análise de imagens baseados em conhe-cimento (Gonzales & Woods, 2000).

Atualmente há maior demanda e acessibilidade às imagens orbitais de alta resolução, o que subsidiou o desenvolvimento de novas metodologias e técnicas para a análise que ultrapassas-sem o nível de pixel, nesse sentido é que surgiu a GEOBIA (Geographic Object Based Image Analysis) que é análise baseada a objetos geográficos, ou seja a aglomerados de pixels, mas levando em consideração o contexto espacial e características de textura além de informações espectrais. Possibilita grande integração entre Sensoriamento Remoto e Sistemas de Informa-ção Geográfica.

Dessa forma este artigo explora as aplicações de GEOBIA em diversos trabalhos, le-vantando quais os softwares utilizados, metodologias e objetivos, bem como a aplicação da GEOBIA em uma área localizada na bacia hidrográfica do Pitangui, no município de Ponta Grossa, Paraná, e como poderia ser aplicada no Pantanal.

Processamento de Imagens Digitais

Gonzales & Woods (2000) descrevem os passos necessários para a execução da tarefa de pro-cessamento de uma imagem digital:

Aquisição da imagem por meio de um sensor de imagem e a capacidade de digitalizar o sinal produzido pelo sensor;

Pré-processar a imagem – consiste em melhorar a imagem para o sucesso dos proces-sos seguintes. A etapa de pré-processamento tipicamente envolve técnicas para o realce de contrastes, remoção de ruído e isolamento de regiões cuja textura indique a probabilidade de informação alfanumérica;

Segmentação – equivale à divisão da imagem em fragmentos ou objetos nela presentes;Representação – é a escolha da forma de representar os dados para o posterior processa-

mento;

633


Descrição – é a especificação de um método para descrever os dados, de forma a evidenciar as características de interesse;

Reconhecimento – é o processo que atribui um rótulo a um objeto, baseado na informação fornecida pelo seu descritor;

Interpretação – envolve a atribuição de significado a um conjunto de objetos reconhecidos.

GEOBIA

A segmentação subdivide a imagem em suas partes ou objetos constituintes. O nível até o qual essa subdivisão deve ser realizada depende do problema a ser resolvido. Ou seja, a segmenta-ção deve finalizar quando os objetos de interesse na aplicação tiverem sido isolados (Gonzales; Woods, 2000).

O objetivo da segmentação é particionar a imagem em regiões, e assim, realizar a catego-rização das classes da imagem. Segundo Gonzales e Woods (2000) existem técnicas que são baseadas na formação das regiões diretamente, como: crescimento de regiões por agregação de pixels (agrupa os pixels ou sub-regiões em regiões maiores) e divisão e fusão de regiões (sub-divide a imagem em um conjunto de regiões arbitrárias e disjuntas, e então realizar a divisão e/ou fusão das regiões).

Assim, a segmentação de imagens é a etapa essencial para problemas de reconhecimento de padrões e análise de cenas, uma vez que considera além das características espectrais da imagem, a textura e as formas. É necessário avaliar as características peculiares da imagem para escolher a técnica de segmentação que estabeleça bom resultado na classificação dos objetos de estudo.

A análise orientada a objetos geográficos baseia-se no agrupamento de pixels a partir da segmentação que é o passo preliminar que divide a imagem em objetos contíguos, a acurácia da segmentação acarreta no desempenho da GEOBIA (Yan et al., 2006).

A GEOBIA – Análise Baseada a Objeto Geográfico é tida como uma nova metodologia no processamento das imagens de Sensoriamento Remoto, nela o nível de abstração deixa de ser o pixel para ser o objeto, este que é constituído por agregados de pixels próximos espacialmente e com características similares.

A orientação a objetos ou OBIA como é conhecida, é usada em muitas disciplinas diferen-tes (Biomedicina, Astronomia, Microscopia, Visão Computacional, etc), e agora vem sendo usada no PDI de Sensoriamento Remoto, neste opta-se pelo termo GEOBIA com o pseudo-prefixo Geo como qualificador, para enfatizar o componente geográfico e o foco principal em Sensoriamento Remoto e Sistemas de Informação Geográfica (Hay & Castilla, 2008).

Nesse trabalho para a realização da GEOBIA utilizou-se o software ENVI 5.1, o qual pode realizar extração de informações em imagens de RADAR, multispectrais ou pancromáticas, de alta resolução baseado em características espaciais, espectrais e textura mediante o algoritmo Full Lambda Schedule Algorithm (FLSA), sendo possível definir os valores de escala e de fusão dos segmentos ou regiões. O FLSA foi desenvolvido por (Robinson; Redding; Crisp, 2002) e sua aplicação tornou-se comum, pois trata-se de um algoritmo iterativo e multiescala que obtém ótimos resultados no processo de GEOBIA. É responsável pela fusão de segmentos adjacentes, baseando-se na combinação da informação espectral, espacial e de textura, tendo como resul-tado a formação de regiões, ou seja o agrupamento de pixels espacialmente próximos e com características similares, além de informar os descritores espaciais, espectrais e de textura de cada região em um banco de dados relacional.


634

634 -640

3.1 Trabalhos que utilizaram a GEOBIA

O uso de algoritmos de classificação tradicionais (por pixels) normalmente apresenta problemas para identificar classes de cobertura da terra com imagens de alta resolução. Em Myinta et. al., 2011 foram utilizados dados de imagem de alta resolução QuickBird sobre a região central da cidade de Phoenix – Arizona – Estados Unidos para analisar se um classificador baseado em objeto (GEOBIA) pode classificar classes urbanas com precisão. O resultado foi comparado a classificação baseada em pixels. Whiteside et. al., 2014 apresenta métodos que avaliam a acurá-cia de classificações de cobertura da terra derivadas de GEOBIA, em dois conjuntos diferentes: classificação com uma única classe e classificação multi-classes.

Em Powers et. al., 2015 a GEOBIA é aplicada com imagens de alta resolução espacial (SPOT 5) para mapear perturbações industriais em um solo de areia betuminosa ao nordeste da floresta boreal de Alberta – Canadá. Stow et. al., 2012 utiliza a GEOBIA para classificação da cobertura e mapeamento do uso da terra e nível socioeconômico. O estudo foi aplicado em uma porção da área metropolitana de Accra – Gana. Vieira et. al., 2012 desenvolve uma metodologia para contribuir na automação de mapeamento de cana de açúcar em grandes áreas com séries temporais, combinando duas técnicas: GEOBIA e Data Mining. GEOBIA foi utilizado para representar o conhecimento necessário para mapear a cana de açúcar em imagens Landsat TM e ETM+ da região norte de São Paulo.

Doxani et. al., 2012 apresenta uma estrutura de processamento de imagem multi-temporal para detecção automática e semi-automática de mudanças urbanas, para isto uma filtragem de escala não-linear foi incorporada ao procedimento GEOBIA. Chen et. al., 2014 também utiliza o paradigma de detecção de mudanças baseado em objeto, utilizando imagens SPOT de alta resolução espacial de áreas urbanas, sub-urbanas e rurais, e ainda cita que esta abordagem apre-senta uma melhor performance sobre o paradigma baseado em pixels clássico. No entanto ele também cita que o paradigma baseado em objeto apresenta ainda novos desafios decorrentes que precisam ser estudados.

Dragut et. al., 2014 desenvolveram uma nova abordagem baseada em GEOBIA que realiza uma aplicação automatizada para parametrizar a segme ntação de uma imagem multi-escala e múltiplas camadas, na tentativa de aumentar ainda mais a acurácia da GEOBIA. Outro trabalho que busca ampliar a acurácia da GEOBIA é o de Laliberte et. al., 2012 onde foram avaliados 3 métodos diferentes de seleção de atributos, o Jeffreys-Matusita (JM), a análise de árvore de classificação (CTA) e otimização de espaço de características (FSO) para classes de vegetação em pastagens áridas do sudoeste dos Estados Unidos.

Blaschke et. al., 2014 cita que a quantidade de literatura sobre GEOBIA está crescendo significantemente e investiga se esta técnica é ou não um novo paradigma em Sensoriamento Remoto e Ciência da Informação Geográfica (GIScience).

Resultados e discussão

Powers et. al., 2015 destaca que com a GEOBIA foi possível fornecer informações importantes para tomada de decisão, planejamento e gestão de recursos que necessitam monitoramento da condição de florestas. Relacionado a assentamentos urbanos e até paisagens semi-naturais, Daxani et. al., 2012 obteve resultados com potencial para uso da metodologia proposta, assim como Dragut et. al., 2014.

Em Whiteside et. al., 2014, os autores destacam que as técnicas de avaliação apresentaram uma série de vantagens do modelo orientado a objetos para o método de pixels clássico, como por exemplo identificar espacialmente onde havia erro ou incerteza.

Laliberte et. al., 2012 sugerem uma nova avaliação aplicada a classificação de áreas maio-

635


res. Semelhante à Stow et. al., 2012, em sua pesquisa, que para a classificação de curva cor-respondente ser bem sucedida segmentos de imagem devem ser suficientemente grandes para capturar a variabilidade das características dos valores de brilho da imagem e associá-los a uma determinada classe. Já Chen et. al., 2014 sugere a aplicação de outros algoritmos para compen-sar registro incorretos e obter bons resultados, pois os apresentados neste trabalho não foram bons.

Vieira et. al., 2012 avaliou o uso de GEOBIA integrado a um Data Mining e apresentou altos níveis de exatidão global e coeficientes kappa, atingindo 93,99% e 0,87. A utilização de diferentes atributos extraídos a nível de objeto foi decisivo para garantir o bom desempenho da metodologia. O mesmo ocorre com Myint et al., 2011, pois comprovaram que abordagens por pixels não foram eficazes na identificação de classes de cobertura da terra urbano. O classifica-dor baseado em objeto produziu uma precisão global significantemente maior de 90,40% contra a abordagem de pixel apresentou um valor de 67,60%.

A Tabela 1 apresenta os trabalhos que aplicaram a GEOBIA com o intuito de classificar a região de estudo com uma acurácia maior do que a classificação clássica (por pixels).

Tabela 1. Comparativo entre artigos que abordagem GEOBIA na classificação de cobertura do solo.

Objetivo Algoritmo de segmentação Software Imagens utilizadas

Powers et. al., 2015

Detectar e monitorar conflitos entre a indústria e a floresta

boreal

watershed by immersion algorithm

FETEX 2.0 SPOT 5 de 8-bit com resolução

radiométricaStow et. al.,

20121. Analisar a variabilidade

entre classes de distribuição de valores multiespectrais.

Agrupamento de pixels de áreas de interesse

representando LCLU (Land Use/Land Cover)

- QuickBird multiespectral

2. Avaliar as distribuições de frequência (histogramas) dos

segmentosVieira et. al., 2012

Testar a possibilidade de integrar GEOBIA e Data

Mining para mapear a cana de açúcar em áreas extensas

Algoritmo proposto por Baatz and Schäpe (2000)

WEKA e Definiens®

platform

Landsat-5 TM e Landsat-7

ETM+

Doxani et. al., 2012

Detecção automática e semi-automática de mudanças

urbanas

Morphological scale space filtering (Meyer & Mara-

gos, 2000, Meyer, 2004 and Karantzalos et al., 2007)

- -

Chen et. al., 2014

Avaliar o impacto de registros incorretos na detecção de

mudanças de paisagens urbanas, sub-urbanas e rurais

Gram–Schmidt algorithm eCognition SPOT 5

Alguns trabalhos buscam otimizar a GEOBIA, desenvolvendo novas técnicas e abordagens no processo de segmentação e extração de atributos, a Tabela 2 apresenta os trabalhos onde autores criaram novas técnicas dentro da GEOBIA.


636

636 -640

Tabela 2. Artigos onde foram desenvolvidos novas técnicas de segmentação e extração de car-acterísticas de imagens de alta resolução espacial.

Objetivo Algoritmo de segmentação SoftwareDragut et. al., 2014 Implementar uma

nova abordagem para segmentação multi camada

Segmentação em 3 camadas (criado pelos autores)

eCognition

Laliberte et. al., 2012 Determinar as características ideais para o mapeamento da vegetação

em escala fina e avaliar 3 métodos de seleção de

características

Jeffreys–Matusita SEATH tool (algoritmo JM)CART software

(algoritmo CTA)

eCognition (algoritmo

FSO)Whiteside et. al., 2014 Implementar uma série

de medidas de precisão para avaliar a eficácia de objetivos classificados derivados de GEOBIA

Multiresolution segmentation algo-rithm (Baatz & Schäpe, 2000)

eCognition

Blaschke et. al., 2014 Investigar se GEOBIA é um novo paradigma em sensoriamento remoto e

GIScience

Explica o processo de segmentação dentro da técnica

Cita uma série de softwares já desenvolvidos

Blaschke et. al., 2014 avalia que a GEOBIA apresenta um número crescente de publica-

ções, livros e softwares livres e comerciais. O autor se apresenta confiante que a GEOBIA não é apenas um coleção de segmentações, análise e métodos de classificação subjacente, mas sim um paradigma em evolução com ferramenta, softwares, métodos, regras e linguagem específi-cas, e é cada vez mais utilizada para estudos que necessitam conceituar e formalizar o conheci-mento representando localização baseada em realidade.

Aplicação da GEOBIA em uma área da bacia hidrográfica do Pitangui

A área de estudo está localizada na bacia do rio Pitangui, no município de Ponta Grossa no es-tado do Paraná, na região denominada Campos Gerais do Paraná.

A imagem utilizada neste estudo é a Rapideye ortorretificada, obtida em agosto de 2012. Esta imagem possui 5 metros de resolução espacial, resolução radiométrica de 12 bits, res-olução temporal de 1 dia, e possui 5 bandas espectrais, sendo azul, verde, vermelho, red-edge e infravermelho próximo. A imagem orbital foi cedida pelo programa de Pós-Graduação em Geografia da Universidade Estadual de Ponta Grossa - PR.

A GEOBIA tem por objetivo realizar o processo de segmentação, que particiona a imagem em segmentos por meio do agrupamento de pixels vizinhos que contenham similaridade em suas feições (brilho, textura, cor, etc.), e estes segmentos tendem a representar objetos reais.

As configurações dos parâmetros da segmentação estão descritas na Tabela 3.Inicialmente foi definido o valor da escala, sendo este 60, que controla o tamanho dos ob-

jetos, e utilizou-se o algoritmo edge que suprime as bordas dos segmentos com falhas, criando um resultado que pode variar entre segmentos menores ou maiores. A próxima etapa é a fusão que agrega segmentos pequenos em maiores, o algoritmo usado foi o FLSA.

Gerou-se 54 descritores da imagem para 647 regiões ou segmentos, correspondendo aos atributos espaciais, espectrais e de textura.

637


Figura 1. Área de estudo da Bacia do rio Pitangui - PR

Tabela 3. Dados de segmentação mediante GEOBIAEscala Fusão Algoritmo de escala Algoritmo de fusão

60 40 Edge FLSA

A área de estudo se trata de um limite entre áreas urbanizadas e rurais, observa-se na ima-gem um condomínio horizontal, dois diferentes tipos de cultivo agrícola, vegetação campestre, solo exposto e a mata de galeria de um afluente do rio Pitangui, escolheu-se essa área para a aplicação da GEOBIA por apresentar diferentes usos e ocupações e assim verificar o quanto a técnica se aproximaria da percepção do usuário.

Observa-se na imagem gerada Figura 2A e também nos vetores Figura 2B que houve distinção nos usos e ocupações da terra, a área urbanizada correspondente aos condomínios foi bem delineada com objetos menores criados, na imagem pode-se notar diferentes construções. Para os tipos de cultivo bem como a vegetação campestre, solo exposto foram criados objetos maiores, na imagem é possível notar estes com diferentes cores. A mata de galeria teve objetos um pouco maiores e outros menores. Nota-se que a imagem gerada não é uma classificação, é o resultado da análise orientada a objetos a partir do nível de escala e fusão definidos, os objetos criados não são atribuídos a uma classe, mas a imagem se apresenta como uma pré-classificação ao usuário.


638

638 -640

Figura 2. A) Imagem gerada no processo de GEOBIA B) Vetores gerados para cada região C) Vetores sobrepostos a imagem

Como produto final a GEOBIA no software ENVI 5.1 gera além dos da imagem e dos ve-tores um banco de dados relacional, para cada objeto criado há descritores espaciais relativos as formas como área, compacidade, convexidade, elongamento; espectrais que geram descritores de desvio padrão, média, valores mínimos e máximos dos níveis digitais para cada banda da imagem; e de textura também para cada banda como estropia de textura, desvio padrão, entre outros. A Figura 3 é um recorte do banco de dados relacional gerado no processamento.

Figura 3. Exemplo do banco de dados relacional gerado pela GEOBIA

Após a GEOBIA, com o banco de dados relacional obtido é possível realizar a classificação orientada a objetos por meio de alguns algoritmos específicos, tais como redes neurais artifi-ciais, máquinas de vetores de suporte, mínima distância, dentre outros. Além da classificação pode-se utilizar o banco de dados relacional para análises matemáticas estatísticas como por exemplo a Análise de Componentes Principais, e Análise de Agrupamentos.

Aplicação da GEOBIA no Pantanal

Há alguns trabalhos que utilizaram da GEOBIA em trabalhos em áreas de Pantanal, como é o caso de Novack et al. (2010) e Fernandes et al. (2012).

Novack et al. (2010) aplicaram análise orientada a objetos geográficos com o objetivo de classificar e detectar lagoas no Pantanal da Nhecolândia, diferenciando lagoas salinas e não

639


salinas. Utilizou imagens do sensor Aster, e elaborou um modelo de classificação na forma de uma rede semântica cujas classes foram descritas a partir de atributos espectrais, geométricos e contextuais. Analisando os resultados concluíram que há alta correlação entre o verificado visu-almente nas imagens e o resultado da classificação, obtiveram os valores de 0,64 no coeficiente Kappa e 0,73 de exatidão global.

Fernandes et al. (2012) realizou a classificação orientada a objetos aplicada na caracter-ização da cobertura da terra no médio Araguaia, quanto às fitofisionomias do Cerrado, ao uso antrópico e urbano da terra, a corpos d’água e a bancos de areia, utilizando de imagem Landsat 5 TM junto aos índices de vegetação (NDVI) e água (MDNWI). Obteve exatidão global de 83,3% e 0,72 no coeficiente Kappa.

A GEOBIA pode ser aplicada em diversas áreas como as do Pantanal para avaliação da disposição dos recursos naturais quanto a sua distribuição espacial, se mostra como uma técnica pertinente.

Conclusão

O fato da técnica GEOBIA gerar o banco de dados relacional e a integração direta com SIG possibilita a avaliação das áreas facilmente. Outro avanço na técnica GEOBIA é a geração da imagem pré classificada, e a a possibilidade de realizar a classificação orientada a objetos, ou seja, baseada em exemplos onde a coleta das amostras de treinamento é realizada com objetos possuindo além de características espectrais as de forma e textura, possibilitando a obtenção de mais informações a respeito das classes, em locais onde pode ocorrer maior dificuldade na separação de classes.

Na área de estudo aplicada a GEOBIA, a distinção dos objetos é bastante evidente, a ima-gem pré classificada, os vetores gerados, e o banco de dados relacional podem dar subsídios a outros trabalhos como a classificação orientada a objetos, zoneamento da área, estudos na área de mata de galeria, além de análises matemáticas e estatísticas diretamente no banco de dados relacional.

Com a análise dos trabalhos conclui-se que apesar de se diferenciarem em seus objetivos finais, apresentaram, por meio do uso da GEOBIA, uma contribuição considerável no desen-volvimento das pesquisas.

É avaliado em Blaschke et. al., 2014 a grande quantidade de pesquisas que está sendo explorada a GEOBIA, assim como Vieira et. al., 2012 e Myint et al., 2011 comprovaram em seus resultados experimentais. Também foi possível identificar as principais dificuldades dos autores, assim como Laliberte et. al., 2012 que viu necessidade do uso do método em áreas com dimensões maiores para ter um resultado satisfatório.

Estudos referentes a metodologia da GEOBIA e suas aplicações são pertinentes, pois se trata de uma nova perspectiva na análise de imagens orbitais, oferecendo vantagens em relação as abordagens com o pixel como elemento chave, pois considera os descritores espaciais e de textura também. Outro avanço significativo e a integração entre o Sensoriamento Remoto e SIG, facilitando a análise dos usuários.

Pretende-se dar continuidade ao trabalho efetuando uma classificação do uso e cobertura do solo, bem como validação a campo e utilizando o banco de dados relacional no que tange aos descritores de forma e textura dos objetos que compõe a imagem e que podem destacar elemen-tos cruciais da paisagem em estudo.


640

640 -640

ReferênciasBaatz, M.; Schäpe , A. Multiresolution segmentation: An optimization approach for high quality multi-scale im-age segmentation. Proceedings of the 12th Angewandte Geographische Informationsverarbeitung, Wich-mann-Verlag, Heidelberg, Germany, p. 2–23. 2000.

Blaschke, T.; Hay, G. J.; Kelly, M.; Lang, S.; Hofmann, P.; Addink, E.; Feitosa, R. Q.; Meer, F. V.; Werff, H. V.; Coillie, F. V.; Tiede, D. Geographic Object-Based Image Analysis – Towards a new paradigm. ISPRS Journal of Photogrammetry and Remote Sensing, v. 87, p. 180-191, 2014.

Chen, G.; Zhao, K.; Powers, R. Assessment of the image misregistration effects on object-based change detec-tion. ISPRS Journal of Photogrammetry and Remote Sensing, v. 87, p. 19-27, 2014.

Doxani, G.; Karantzalos, K.; Tsakiri-Strati, M. Monitoring urban changes based on scale-space filtering and object-oriented classification. International Journal of Applied Earth Observation and Geoinformation, v. 15, p. 38-48, 2012.

Dragut, L.; Csillik, O.; Eisank, C.; Tiede, D. Automated parameterisation for multi-scale image segmentation on multiple layers. ISPRS Journal of Photogrammetry and Remote Sensing, v. 88, p. 119-127, 2014.

Fernandes, R. R.; Nunes, G. M.; Silva, T. S. F.; Classificação orientada a objetos aplicada na caracterização da cobertura da terra no Araguaia. Pesq. agropec. bras. [online]. 2012, vol.47, n.9, pp. 1251-1260.

Gonzales, R.; Woods, R. Processamento de Imagens Digitais. 3.ed. São Paulo: Edgard Blucher Ltda, 2000.

Hay, G.J., Castilla, G., Geographic Object-Based Image Analysis (GEOBIA): A new name for a new discipline. In: Blaschke, T., Lang, S., Hay, G(Eds.), Object Based Image Analysis. Springer, Heidelberg, Berlin, New York, 2008. pp. 93–112.

Laliberte, A. S.; Browning, D. M.; Rango, A. A comparison of three feature selection methods for object-based classification of sub-decimeter resolution UltraCam-L imagery. International Journal of Applied Earth Ob-servation and Geoinformation, v. 15, p. 70-78, 2012.

Myint, S. W.; Gober, P.; Brazel, A., Grossman-Clarke, S.; Weng, Q. Per-pixel vs. Object-based classification of urban land cover extraction using high spatial resolution imagery. Remote Sensing of Environment, v. 114, n. 5, p. 1145-1161, 2011.

Novack, T.; Hayakawa, E. N.; Bertani, T. C.; Zani, H.; Classificação de lagoas no Pantanal da Nhecolândia. Re-vista Geográfica Acadêmica, v. 4, n. 1, p. 32-45. 2010.

Robinson, D.; Redding, N.; Crisp, D. Implementation of a Fast Algorithm for Segment Sar Imagery. DSTO, Electronics and Surveillance Research Laboratory, 2002.

Rosa, R. Geotecnologias na Geografia Aplicada. Revista do Departamento de Geografia da USP, São Paulo, nº 16 (2005), 81-90.

Stow, D. A.; Toure, S. I.; Lippitt, C. D.; Lippitt, C. L.; Lee, C. Frequency distribution signatures and classifica-tion of within-object pixels. International Journal of Applied Earth Observation and Geoinformation, v. 15, p. 49-56, 2012.

Powers, R. P.; Hermosilla, T.; Coops, N. C.; Chen, G. Remote sensing and object-based techniques for mapping fine-scale industrial disturbances. International Journal of Applied Earth Observation and Geoinformation, v. 34, p. 51-57, 2015.

Vieira, M. A.; Formaggio, A. R.; Rennó, C. D.; Atzberger, C.; Aguiar, D. A.; Mello, M. P. Object Based Image Analysis and Data Mining to a remotely sensed Landsat time-series to map sugarkane over large areas. Remote Sensing of Environment, v. 123, p. 553-562, 2012.

Whiteside, T. G.; Maier, S. W.; Boggs, G. S. Area-based and location-based validation of classified image ob-jects. International Journal of Applied Earth Observation and Geoinformation, v. 28, p. 117-130, 2014.

Yan, G.; Mas, J.‑F.; Maathuis, B.H.P.; Xiangmin, Z.;Van Dijk, P.M. Comparison of pixel‑based and object‑ori-ented image classification approaches – a case study in a coal fire area, Wuda, Inner Mongolia, China. Interna-tional Journal of Remote Sensing, v.27, p.4039‑4055, 2006.

abordagens em geobia e aplicação da técnica em imagem ... · tado a formação de regiões, ......

Documents