APLICAÇÕES PRÁTICAS DE PROCESSAMENTO DE IMAGENS EM SENSORIAMENTO REMOTO

ESTÁGIO DOCÊNCIA

ALUNA: ADRIANA AFFONSO (PROGRAMA DE PÓS-GRADUAÇÃO NO INPE – MESTRADO EM

SENSORIAMENTO REMOTO)

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

DISCIPLINA: FOTOINTERPRETAÇÃO E SENSORIAMENTO REMOTO

BACHARELADO EM AGRONOMIA

UNIVERSIDADE DE TAUBATÉ- UNITAU

FEVEREIRO 2002

Sumário

AULA 1- REGISTRO DE IMAGENS

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

AULA 2- PROCESSAMENTO DE IMAGENS

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

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

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

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

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

AULA 3- CLASSIFICAÇÃO

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

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

Introdução

O objetivo desta apostila é por em prática a teoria aprendida em aula sobre processamento de imagens no programa Spring, desenvolvido pelo INPE.

O banco de dados a ser utilizado apresenta imagens com diferentes resoluções (Landsat 7-15m, Spot- 5m e Cbers- 20m) para diferentes tipos de processamentos, da região de Taubaté.

A Primeira aula –Registro- tem como finalidade fazer a correção geométrica das imagens apresentadas, via mesa, teclado ou tela, a criação de uma banco de dados e do projeto e a importação das imagens para o banco de dados.

A Segunda aula- Processamento de Imagens- o aluno poderá executar as principais técnicas utilizadas em processamento de imagens, como contraste, leitura de pixels, transformação IHS, operações aritméticas entre imagens (índice de vegetação) e filtros.

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

Outros métodos de processamento podem ser treinados a partir do tutorial encontrado no programa Spring.

AULA 1 Registro de Imagem

Registro é uma transformação geométrica que relaciona coordenadas da imagem (linha e coluna) com coordenadas geográficas (latitude e longitude) de um mapa. Essa transformação elimina distorções existentes na imagem, causadas no processo de formação da imagem, pelo sistema sensor e por imprecisão dos dados de posicionamento da plataforma (aeronave ou satélite). A necessidade de fazer o registro: • Integração de imagens obtidas por sensores diferentes; • Imagens obtidas em tempos diferentes (análise temporal); • Imagens tomadas em posições diferentes (obter informação tridimensional); • Mosaico de imagens. PROCEDIMENTOS Para a realização do registro, são necessários: 1. Escolher os Pontos de controle- são feições possíveis de serem identificadas de modo preciso na imagem e no mapa, como por exemplo o cruzamento de estradas. 2. Definir a equação de Mapeamento- escolher que equação matemática, normalmente primeiro ou segundo grau, que fará a reamostragem dos pixels. 3. Definir o processo de Interpolação- Vizinho mais próximo, Bilinear ou Convolução Cúbica. No SPRING o usuário pode adquirir os pontos de três modos; usando um mapa na mesa digitalizadora (modo Mesa), através de qualquer plano de informação já georeferenciado (modo Tela) ou informando as coordenadas diretamente via teclado (modo Teclado). MESA : No modo mesa o usuário necessita ter apenas um mapa (carta topográfica da mesma área da imagem). Este mapa deve ser calibrado em uma mesa digitalizadora. Não é necessário ativar um Projeto, neste caso o sistema pedirá para informar a projeção a ser utilizada no registro. TELA : Neste modo o usuário pode utilizar um Plano de Informação em um projeto ativo. Este PI pode ser uma imagem que já foi georeferenciada ou um PI temático (por exemplo, mapa de estradas ou rios) que tenha feições reconhecidas na imagem. TECLADO : No modo teclado também não é necessário ter um projeto ativo, devendo neste modo informar a projeção. Os pontos de controle são informados em coordenadas planas ou geográficas, sendo coletados diretamente sobre uma carta topográfica ou com GPS. PRÁTICA Registro de Imagens Registro Imagem-Carta ou Teclado Inicialmente defina um Banco de Dados e uma categoria (Imagem) neste Banco. • Criando um banco de dados: - # Iniciar – Programas – Spring - [Arquivo] [Banco de Dados...]

Banco de Dados - {Diretório: /<usuário>/springdb} - pode manter o diretório de trabalho atual - {Nome: TauCbers} - ou outro nome qualquer (32 letras no máximo). - (Criar) - (Ativar) – Responda Sim caso tenha outro Banco/Projeto ativo. • Definindo um Projeto: SPRING - [Arquivo] [Projeto...] Projetos - {Nome: Faz_Piloto} ou outro nome qualquer (32 letras no máximo) - (Projeção...) Projeções - (Sistemas | UTM) - (Modelos da Terra | SAD 69) - {Origem - Long: o 45 0 0} - (Executar) Obs: A maioria das janelas secundárias é fechada após (Executar), porém, outras, onde se pode efetuar mais de uma operação requerem (Fechar). Projetos - (Coordenadas - Geográficas) - {Long1: o 47 57 30}, {Long2: o 47 47 00} - {Lat1: s 15 52 30}, {Lat2: s 15 41 55} * Sempre deve-se definir o primeiro ponto como sendo o inferior esquerdo e em segundo o superior direito (diagonalmente opostos). - (Criar) - (Ativar) • Criando uma Categoria: SPRING - [Arquivo] [Modelo de Dados...] Modelo de Dados - {Categorias - Nome: Imagem_TM} - (Modelo - �Imagem) - (Criar) - (Executar) - (Fechar) • Adquirindo pontos de controle pelo teclado: Registro de Imagens - (Aquisição - Teclado) - (Operação - Criar) - {Nome: pc1} - (CR) - (Continue) ou (OK)- sobre a mensagem “Digite coordenadas de referencia!” - (Planas) - {X(m): 189127.2}, {Y(m): 8260695.1} - (CR) - Mover o cursor até o ponto de controle na imagem (pc1)

- (Salvar) - Obs: por segurança salve a cada ponto adquirido, mesmo que seja insuficiente para fazer o registro. - Repetir para no mínimo 6 pontos de controle. De sempre preferência para escolher os pontos, o mais distribuídos possível na área da imagem. NOTA : A aquisição de pontos de controle pelo modo Tela exige que se tenha um projeto ativo, do qual será usado para extrair os pontos de controle a serem utilizados para registrar a imagem. Os procedimentos são muito semelhantes aos dois itens descritos acima. • Selecionando os pontos para registro Os procedimentos a seguir são comuns para qualquer modo de entrada dos pontos de controle (Mesa, Teclado ou Tela). • Definindo mapeamento Registro de Imagem - (Grau do Polinômio - 1) - (Operação - selecionar) - Selecionar todos os pontos de controle e avaliar os Erros dos Pontos de Teste e de Controle - Editar pontos (mover, suprimir e criar se necessário) - (Salvar) a combinação de pontos de menor erro - (Fechar) NOTAS: • Conforme os pontos vão sendo selecionados, os cálculos de erro (em unidades de

resolução “pixel”) são automaticamente apresentados na frente de seus nomes. Os cálculos também são feitos para os pontos não selecionados (Pontos de Teste).

• O ideal é trabalhar com o máximo de pontos coletado, pois quanto mais pontos, desde que bem distribuídos e precisos, melhor o registro.

• O usuário deve observar o valor apresentado como Erro dos Pontos de Controle, pois deverá usar este valor para controle da precisão desejada. Por exemplo: numa área urbana, pode-se considerar um erro de 0.5 "pixel", para uma resolução de 30 metros. Em áreas de florestas, pode-se aceitar um erro de 3 "pixels", para a mesma resolução, pela dificuldade de se conseguirem pontos de controle. Isto vai depender da aplicação do usuário.

• Outro parâmetro usado para analisar o erro é função da escala que está se trabalhando. Por exemplo: para um mapeamento na escala de 1:50.000, o erro aceitável no registro é metade do valor da escala, isto é 25 metros. Assim um erro de dois pixels, para resolução de 10 metros, isto é, 20 metros, seria aceitável para esta escala de trabalho.

• Se necessário, repita a operação de seleção dos pontos de controles e teste até alcançar um resultado satisfatório. Você poderá testar outros pontos, outro polinômio, ou mesmo corrigir a posição de algum ponto que não deseja abandoná-lo.

• Importando a Imagem p/ o Projeto: SPRING - [Arquivo][Importar Arquivos GRIB...] Importar Imagens - (C:\springdb\Imagens) ou (Diretório: /<usuário>/springdb/Imagens) - (Arquivos | Landsat.grb) - (Imagens | <escolher banda 3>)

- (Categoria...) Lista de Categorias - (Categorias | Imagem_TM) - (Executar) Importar Imagens - {PI: TM3} - (Executar) - - Repetir para as bandas TM4 e TM5 NOTAS: • Ao término do registro, observe que o plano de informação importado, agora faz parte

da lista apresentada no “Painel de Controle”. • Quando a imagem disponível não é suficiente para recobrir toda área de seu projeto,

você deverá adquirir uma imagem adjacente e efetuar todo o processo de leitura e registro da imagem restante, e assim efetuar um mosaico desta imagem.

Aula 2 Processamento de Imagem

1. Contraste de Imagens A técnica de realce de contraste tem por objetivo melhorar a qualidade das imagens

sob os critérios subjetivos do olho humano. É normalmente utilizada como uma etapa de pré-processamento para sistemas de reconhecimento de padrões.

A manipulação do contraste consiste numa transferência radiométrica em cada "pixel", com o objetivo de aumentar a discriminação visual entre os objetos presentes na imagem. Realiza-se a operação ponto a ponto, independentemente da vizinhança.

O histograma de uma imagem descreve a distribuição estatística dos níveis de cinza em termos do número de amostras ("pixels") com cada nível.

Como regra geral pode-se tomar que quanto maior a inclinação de curva aplicada no histograma, maior o contraste. Uma inclinação de 45 o indica que não há realce nem compressão dos níveis de cinza. Deve-se tomar CUIDADO para não ocorrer “overflow”, a menos que deseje.

Um “overflow” ocorre quando uma porção pixels de níveis de cinza diferentes são transformados em um único nível, isto é, quando a inclinação da reta de transferência é exagerada. PRÁTICA Realce de Imagem - # Iniciar – Programas – Spring SPRING * Ativar banco de dados TauCbers * Ativar projeto Faz_Piloto 1. Contraste de imagem em uma única banda Visualizando uma imagem: Painel de Controle - (Categorias | Imagem) - (Planos de Informação | SPOT95_5m) (ou qualquer outra imagem) - (M) - para monocromático (imagem em níveis de cinza) SPRING - [Executar] [Desenhar] Definindo um aumento de contraste linear: SPRING - [Imagem][Contraste...] Contraste - [Operação] [Linear] * Selecionar com cursor (botão esquerdo) o valor mínimo do histograma * Selecionar com cursor (botão direito) o valor máximo do histograma - (Aplicar)

* A imagem é realçada na tela ativa Salvando a imagem realçada: Contraste - {Nome: SPOT_contrast} - (Salvar Imagem :Banda) - [Executar] [Salvar] * Caso desejar, pode-se selecionar com cursor uma área menor a salvar, basta definir um retângulo menor sobre a imagem, como se fosse executar um zoom, mas sem clicar em Executar - Desenhar. - (Fechar) ou botão X (canto superior direito da janela) IMPORTANTE: Caso feche a janela de Contraste com uma das opções de contraste aplicadas sobre uma imagem, esta transformação poderá ficar armazenada. Assim, se carregar uma imagem que já foi realçada, esta ficará modificada na tela, mesmo estando fechada a janela de Contraste. Para que isto não ocorra deve-se responder Não ao fechar a janela. 2. Contraste de imagem em Composição Colorida (RGB) Visualizando uma composição colorida de três bandas: Painel de Controle - (Categorias | Imagem_TM) - (Planos de Informação | TM_17_12_99_Fusao_PANb1), (R) - (Planos de Informação | TM_17_12_99_Fusao_PANb2), (G) - (Planos de Informação | TM_17_12_99_Fusao_PANb3), (B) SPRING - [Executar] [Desenhar] Definindo um contraste para cada banda: SPRING - [Imagem][Contraste...]

Imagem SPOT 95 sem contraste

Imagem SPOT 95 com contraste

Contraste - [Operações] [Linear] ou outra qualquer. - [Canal] [Vermelho] * Selecionar com cursor (botão esquerdo) o valor mínimo do histograma * Selecionar com cursor (botão central) o valor máximo do histograma - (Aplicar) * A composição colorida na tela ativa apresenta o resultado de alteração no histograma. * Repetir para os canais verde e azul �Criando uma Imagem Sintética da composição colorida: Contraste - {Nome: TM_contraste} - (Salvar Imagem - Imagem Sintética) - [Executar] [Salvar] * A imagem sintética estará disponível no “Painel de Controle”. 2. Leitura de Pixel

A leitura de pixel permite saber qual o valor do nível de cinza de um determinado pixel e seus vizinhos. Esta análise é útil para trabalhos em que envolvam estudos do comportamento espectral dos alvos, nas várias bandas de imagens multi-espectrais.

PRÁTICA Leitura do Nível de Cinza dos Pixels: - # Iniciar – Programas – Spring SPRING * Ativar banco de dados TauCbers * Ativar projeto Faz_Piloto * Visualizar a imagem TM_17_12_99_Fusao_PANb1 - [Imagem][Leitura de Pixels...] Leitura de Pixels

Imagem Landsat TM sem contraste

Imagem Landsat TM com contraste- sintética

- [Exibir] [Cursor de Ponto] * Selecionar pixel na tela com um clique * Verificar valores de pixel para alvos diferentes. Observe que a cada clique os valores são apresentados na janela Leitura de Pixels. Leitura de Pixels - (Posicionar...) Posicionar Cursor de Ponto - (Coordenadas :Planas) - digite as coordenadas que deseja - (Executar) * Observe que uma “cruz” é posicionada na coordenada indicada e o relatório apresentado. NOTA: Clique o botão do meio (BM) do mouse, sobre a área de desenho, para liberar o cursor do modo Ponto, ou [Exibir] [Cursor de Ponto] ou botão . Salvar em arquivo: Leitura de Pixels - (Salvar...) Salvar Arquivo Como ou Seleção de Arquivo - escolha uma pasta para salvar, de preferencia no mesmo diretório do banco de dados - {Seleção ou Nome do Arquivo: pixeltmb1.txt} - Nome de um arquivo texto que conterá os valores apresentados. - (Salvar) ou (Executar) Leitura de Pixels - (Fechar) NOTA: O mesmo procedimento para leitura de pixel, pode ser efetuado sobre uma composição colorida de três bandas, mas não sobre uma imagem sintética. 3. Transformação IHS

Para descrever as propriedades de cor de um objeto, em uma imagem, normalmente o olho humano não distingue a proporção de azul, verde e vermelho presentes, e sim, avalia a intensidade (I), a cor ou matiz (H) e a saturação (S).

A intensidade ou brilho é a medida de energia total envolvida em todos os comprimentos de onda, sendo portanto responsável pela sensação de brilho dessa energia incidente sobre o olho.

O matiz ou cor de um objeto é a medida do comprimento de onda médio da luz que se reflete ou se emite, definindo, portanto, a cor do objeto.

A saturação ou pureza expressa o intervalo de comprimento de onda ao redor do comprimento de onda médio, no qual a energia é refletida ou transmitida. Um alto valor de saturação resulta em uma cor espectralmente pura, ao passo que um baixo valor indica uma mistura de comprimentos de onda que irá produzir tons pastéis (apagados).

Por serem independentes, estes três parâmetros podem ser analisados e modificados separadamente, para um melhor ajuste das cores às características do sistema visual. É muitas vezes utilizada para produzir imagens integradas de sensores diferentes ou imagens de geofísica.

PRÁTICA Transformação RGB-IHS: - # Iniciar – Programas – Spring SPRING * Ativar banco de dados TauCbers * Ativar projeto Faz_Piloto - [Imagem][Transfomação IHS<-->RGB...] Transformação IHS - (Transformações _RGB->IHS) - (Planos de Entrada_ R) Categorias e Pls - (Categorias | Imagem) - (Planos de Informação | TM_17_12_99_Fusao_PANb2) - (Executar) * Repetir para: plano de entrada G - TM_17_12_99_Fusao_PANb1 e plano de entrada B - TM_17_12_99_Fusao_PANb3 Transformação IHS - {PI de Saída: TM_ihs} - (Resolução de Saída- R, G ou B) = {X: 15}, {Y:15}, pois neste caso a resolução de saída será a mesma de qualquer PI de entrada. - (Executar) • Visualizar a imagem ihs resultante Transformação inversa : IHS-RGB: - [Imagem][Transformação RGB<-->IHS...] Transformação IHS - (TRANSFORMAÇÕES - IHS->RGB) - (Planos de Entrada / I) Categorias e Pls - (Categorias | Imagem) - (Planos de Informação | SPOT95_5m)

Imagem Landsat TM sintética Imagem IHS resultante

- (Executar) - (Planos de Entrada - H) Categorias e Pls - (Categorias | Imagem) - (Planos de Informação | Tihs-H) - (Executar) - (Planos de Entrada - S) Categorias e Pls - (Categorias | Imagem) - (Planos de Informação | Tihs-S) - (Executar) Transformação RGB<-->IHS - {PI de Saída: T_inversa} - (Resolução de Saída _�I) = {X: 5}, {Y:5} - (Executar) - Comparar as composições coloridas originais e transformadas 4. Operações Aritméticas entre imagens

Utiliza-se uma ou duas bandas de uma mesma área geográfica, previamente georeferenciada. Realiza-se a operação "pixel" a "pixel", através de uma regra matemática definida, tendo como resultado uma banda representando a combinação das bandas originais, permitindo a compressão de dados, mas normalmente os resultados podem ultrapassar o intervalo de 0-255, sendo estes resultados automaticamente normalizados, saturando os valores abaixo de 0, e acima de 255, em 0 e 255 respectivamente, causando

Imagem SPOT Imagem IHS, TM

Imagem IHS-RGB, fusão das imagens Spot e IHS resultante da TM

perda de informação espectral, portanto, deve-se utilizar um fator de Ganho (multiplicativo) ou "Off-set" (aditivo). Subtração de imagens

Utilizada para realçar diferenças espectrais (operação linear), uma vez que se conhece as curvas de comportamento espectral dos alvos de interesse e o intervalo espectral das bandas dos sensores. Exemplos de aplicação: • �identificação de diferentes tipos de cobertura vegetal; • �identificação de minerais formados por óxido de ferro; • detecção do padrão de mudança de cobertura, como uso do solo, expansão urbana,

desmatamento. Aconselha-se a equalização de sua média e do desvio padrão, antes da subtração.

Adição de imagens A adição de imagens constitui uma operação linear, podendo ser utilizada para a

obtenção da média aritmética entre as imagens, minimizando a presença de ruído, ou ainda para a integração de imagens resultantes de diferentes processamentos. Multiplicação

É uma operação linear que consiste na multiplicação de uma constante pelos níveis de cinza de uma banda. Divisão ou razão entre bandas

É uma operação não-linear utilizada para realçar as diferenças espectrais de um par de bandas, devendo cuidar da presença de ruídos, pois estes serão realçados. A operação de razão de bandas pode: • remover efeitos de ganho provenientes de variações espaciais ou temporais, quando

ocorrem em bandas de uma mesma imagem; • diminuir variações de radiância da imagem, provenientes de efeito de topografia,

declividade e aspecto; • aumentar diferenças de radiância entre solo e vegetação.

A redução do efeito de iluminação também elimina o efeito do sombreamento topográfico. Para aumentar o contraste entre solo e vegetação, pode-se utilizar a razão entre bandas referentes ao vermelho e infravermelho próximo, constituindo assim, os chamados índices de vegetação.

PRÁTICA Executando Operações Aritméticas entre imagens: - # Iniciar – Programas – Spring SPRING * Ativar banco de dados TauCbers * Ativar projeto Faz_Piloto * Visualizar a imagem CBERS_30_04_2000_IV - [Imagem][Operações Aritméticas...] Operações Aritméticas - (Operação C=Ganho*[(A-B)/(A+B)]+Offset - (A), (Planos de Informação: CBERS_30_04_2000_IV)

- (B), (Planos de Informação: CBERS_30_04_2000_Vm) - {Ganho: 50} - {Offset: 100} - {Saída C: NDVI} - (Executar) * Visualizar a imagem resultante • Testar outras operações. Não esquecer de analisar os valores de Ganho e Offset. 5. Filtragem

As técnicas de filtragem são transformações da imagem "pixel" a "pixel", que não dependem apenas do nível de cinza de um determinado "pixel", mas também do valor dos níveis de cinza dos "pixels" vizinhos, na imagem original. OBS: Os filtros implementados estão na tabela abaixo, além de poder editar uma máscara.

Tipos de Filtros Opções Máscaras Passa Baixa- Média 3x3, 5x5 ou 7x7 Direcional de bordas NW, W, SW, N, S, NE, E ou

SE Linear Não direcional de bordas Baixa, média ou alta Realce de imagens TM Máscaras Editor de Máscaras Detecção de bordas Sobel ou Roberts Morfológico- Dilatação Não Linear Morfológico- Mediana Mtot, Mx, M+, M-, M|, Md

ou Me Morfológico- Erosão Máscaras Editor de elementos

Imagem CBERS(NDVI) os pixels mais brilhantes (mais claros) indicam maior

concentração de vegetação

Imagem Cbers infra vermelho monocromático

PRÁTICA Aplicação de Filtros ⇒ Executando Filtragem em imagens: - # Iniciar – Programas – Spring SPRING * Ativar banco de dados TauCbers * Ativar projeto Faz_Piloto * Visualizar a imagem SPOT95_5m - [Imagem][Filtragem...] ⇒ Usando filtros pré-definidos: Filtragem - (Tipos ⇔ Linear) - (Filtros Lineares ⇔ Passa Baixa-Média) - (3x3) - {PI de Saída: spot_media} - (Retângulo Envolvente...) * Selecionar área a filtrar sobre a imagem, se não informado será utilizado toda área do PI. - (Nº de Interações ⇔ 1) - (Executar) * Visualizar a imagem spot_media filtrada para comparação * Testar outros filtros NOTA: A filtragem é efetuada diretamente em disco, criando um PI novo ou atualizando o PI ativo. ⇒ Editando filtros de usuário: Painel de Controle * Visualizar a imagem SPOT95_5m Filtragem - (Tipos ⇔ Linear) - (Filtros Lineares ⇔ Máscaras) - (Selecionar...) Máscaras

Imagem Spot sem filtro Imagem Spot com filtro de média

- (Diretório: /ESTAGIO_DOCENCIA\TAUCBERS\FAZ_PILOTO) - (CR) - (X ⇔ 7), (Y ⇔ 7) - (Criar...) Edição de Máscaras - {Nome: filtro1} • Preencher valores de máscara

0 0 0 0 0 0 0 0 0 0 -2 0 0 0 0 0 1 -2 1 0 0 -2 -2 -2 -25 -2 -2 -2 0 0 1 -2 1 0 0 0 0 0 -2 0 0 0 0 0 0 0 0 0 0

- (Salvar) Máscaras - (Executar) Filtragem - {PI de Saída: SPOT_masc} - (Retângulo Envolvente...) * Selecionar área a filtrar sobre a imagem, se não informado será utilizado toda área do PI. - (Nº de Iterações ⇔ 1) - (Executar) * Visualizar a imagem SPOT_masc filtrada para comparação * Editar outras máscaras e testar

Imagem Spot sem filtro Imagem Spot com filtro linear máscara 7x7

Aula 3 Classificação

1. Classificação por Pixel Classificação é o processo de extração de informação em imagens para reconhecer

padrões e objetos homogêneos. Os Classificadores "pixel a pixel" utilizam apenas a informação espectral isoladamente de cada pixel para achar regiões homogêneas.

O resultado final de um processo de classificação é uma imagem digital que constitui um mapa de "pixels" classificados, representados por símbolos gráficos ou cores.

As técnicas de classificação multiespectral "pixel a pixel" mais comuns são: • máxima verossimilhança (MAXVER), • distância mínima • método do paralelepípedo. MAXVER considera a ponderação das distâncias entre médias dos níveis digitais

das classes, utilizando parâmetros estatísticos. Para que a classificação por máxima verossimilhança seja precisa o suficiente, é necessário um número razoavelmente elevado de "pixels", para cada conjunto de treinamento.

Os conjuntos de treinamento definem o diagrama de dispersão das classes e suas distribuições de probabilidade, considerando a distribuição de probabilidade normal para cada classe do treinamento. Antes de apresentarmos os procedimentos para executar uma classificação descreve-se a seguir a seqüência lógica de operações a ser seguida:

1. Criar o arquivo de Contexto - este arquivo armazena quais as bandas farão parte do processo de classificação, qual o método utilizado (pixel ou região) e as amostras no caso da classificação por pixel; 2. Executar o treinamento - deve ser feita amostragens sobre uma imagem na área de desenho; 3. Analisar as amostras - permite verificar a validade das amostras coletadas; 4. Executar a Classificação - de posse da amostras e das bandas escolhidas a imagem é classificada; 5. Executar uma Pós-classificação - processo de extração de pixels isolados em função de um limiar e um peso fornecidos pelo usuário (não obrigatório); 6. Executar o Mapeamento para Classes - permite transformar a imagem classificada (categoria Imagem) para um mapa temático raster (categoria Temática). PRÁTICA Classificação por Pixel: - # Iniciar – Programas – Spring SPRING * Ativar banco de dados TauCbers * Ativar projeto Faz_Piloto * Visualizar uma composição colorida RGB com bandas TM_17_12_99_Fusao_PANb1, TM_17_12_99_Fusao_PANb2 e TM_17_12_99_Fusao_PANb3 ou apenas uma banda.

- [Imagem][Classificação...] Criando arquivo de contexto: Classificação - (Criar...) Criação de Contexto - {Nome: contx1} - (Tipo de Análise : Pixel) - (Bandas | TM_17_12_99_Fusao_PANb1, TM_17_12_99_Fusao_PANb2 e TM_17_12_99_Fusao_PANb3) - selecionar bandas - (Executar) Treinando classificação: Classificação - (Contextos | contx1) - selecionar arquivo de contexto - (Treinamento...) Treinamento - {Nome: vegetacao} * Selecionar cor - (Criar) - (Tipo : Aquisição) Adquirindo amostras retangulares: Treinamento - (Contorno : Retangular) * Selecionar amostra sobre a imagem como se fosse efetuar um zoom. - (Adquirir) Adquirindo amostras poligonais: Treinamento - (Contorno : Poligonal) * Digitalizar contorno da amostra sobre a imagem, encerrando a linha com o botão do meio. Automaticamente o primeiro ponto se fecha com o último. - (Adquirir) * Adquirir amostras suficientes para o tema * Repetir para outros temas: urbano, solo, agua, agricultura Visualização de temas e amostras: Treinamento - (Temas | vegetação) - (Visualizar) - (Amostras | 1) - (Visualizar) OBS: Após analisar as amostras (item mais a frente) pode ser necessário mudar o tipo da amostra, sem necessidade de eliminá-la. Ao alterar uma amostra do tipo Aquisição p/ Teste, essa será analisada mas não será considerada no classificador. Alterando tipo de amostras: - (Amostras | 2) - (Tipo : Teste) - (Alterar) - (Salvar) - (Fechar)

Classificando a imagem: Classificação - (Classificação...) Classificação de Imagens - {Nome: TMcmaxver} - (Criar) - (Classificador : Maxver) - (Limiar de Aceitação: 99%) - (Analisar Amostras...) Análise Amostras * Analisar as amostras de aquisição e de teste para cada tema * Para as amostras com confusão alta, retornar ao treinamento para edição Classificação de Imagens - (Classificar) * Visualizar a imagem classificada Eliminando o ruídos de classificação - Pos-classificação: Classificação - (Pós-Classificação...) Pós-Classificação - (Imagens Classificadas | TMcmaxver) - (Peso : 2) - (Limiar : 5) - (Executar) - Visualizar a imagem resultante. * Testar outros pesos e limiares Mapeando temas da imagem classificada para classes do banco de dados: Classificação - (Mapeamento...) Mapeamento para Classes - (Categoria | Uso_Terra) - (Imagens Classificadas | TMcmaxver) - (Temas | vegetacao) - (Classes | Mata) - Repetir para os todos os temas. Para cada tema deve haver uma classe temática

associada. É preciso primeiramente crias uma Categoria temática com as devidas classes.

- (Executar) - * Visualizar plano temático Tmcmaxver –temática

Imagem Landsat TM Imagem Landsat TM classificada (MAXVER)

OBS: Após a classificação é preciso analisar as duas imagens (original e classificada) para ver se todas as áreas foram classificadas. Na imagem acima podemos perceber que algumas áreas ficaram em branco, ou seja, não foram classificadas. Neste caso, podemos refazer a classificação, adquirindo mais amostras de cada classe, até que toda a imagem esteja classificada, ou então fazer uma edição matricial, na qual selecionaremos os pixels que não foram classificados, e de acordo com a imagem, editar para a classe correspondente. 2. Segmentação

Neste processo, divide-se a imagem em regiões que devem corresponder às áreas de interesse da aplicação. As regiões são um conjunto de "pixels" contíguos, que se espalham bidirecionalmente e que apresentam uniformidade. Crescimento de regiões

É uma técnica de agrupamento de dados, na qual somente as regiões adjacentes, espacialmente, podem ser agrupadas. Inicialmente, este processo de segmentação rotula cada "pixel" como uma região distinta. Calcula-se um critério de similaridade para cada par de região adjacente espacialmente.

O critério de similaridade baseia-se em um teste de hipótese estatístico que testa a média entre as regiões. A seguir, divide-se a imagem em um conjunto de sub-imagens e então realiza-se a união entre elas, segundo um limiar de agregação definido.

O resultado é uma imagem rotulada, cada região apresentando um rótulo (valor de nível digital), que devem ser classificadas por classificadores de região.

Os seguintes passos devem ser seguidos para gerar uma classificação a partir de uma imagem segmentada. 1. Criar uma imagem segmentada - gerar uma imagem, separada em regiões com base na análise dos níveis de cinza. 2. Criar o arquivo de Contexto - este arquivo armazena quais as bandas farão parte do processo de classificação por regiões. 3. Executar o treinamento - deve ser feita amostragens sobre uma imagem na área de desenho; 4. Analisar as amostras - permite verificar a validade das amostras coletadas; 5. Extração de regiões: neste procedimento o algoritmo extrai as informações estatísticas de média e variável de cada região, considerando as bandas indicadas no contexto; 6. Classificação - para a realizar a classificação de uma imagem segmentada deve-se usar o classificador por regiões; 7. Executar a Classificação - de posse da amostras e das bandas escolhidas a imagem é classificada; 8. Executar o Mapeamento para Classes - permite transformar a imagem classificada (categoria Imagem) para um mapa temático raster (categoria Temático).

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

Os Classificadores por regiões utilizam, além de informação espectral de cada "pixel", a informação espacial que envolve a relação entre os "pixels" e seus vizinhos. Estes classificadores procuram simular o comportamento de um foto-intérprete, ao reconhecer

Imagem Landsat TM original

Vetores da

segmentação

Imagem original junto com os vetores para conferencia

áreas homogêneas de imagens, baseados nas propriedades espectrais e espaciais de imagens. A informação de borda é utilizada inicialmente para separar regiões e as propriedades espaciais e espectrais irão unir áreas com mesma textura.

O classificador Isoseg é o algoritmo disponível no Spring para classificar regiões de uma imagem segmentada. É um algoritmo de agrupamento de dados não-supervisionado, aplicado sobre o conjunto de regiões, que por sua vez são caracterizadas por seus atributos estatísticos de média e matriz de covariância, e também pela área. ⇒ Classificação por Região: - # Iniciar – Programas – Spring SPRING * Ativar banco de dados TauCbers * Ativar projeto Faz_Piloto * Visualizar a imagem TM_17_12_99_Fusao_PANb1 - [Imagem][Classificação...] ⇒ Criando arquivo de Contexto: Classificação - (Criar...) Criação de Contexto - {Nome: clasreg} - (Tipo de Análise ⇔ Região) - (Bandas | TM_17_12_99_Fusao_PANb1, TM_17_12_99_Fusao_PANb2 e TM_17_12_99_Fusao_PANb3) – selecionar bandas. - (Imagens Segmentadas | seg-8-10) - (Executar) ⇒ Extraindo regiões: Classificação - (Extração de Regiões) ⇒ Classificando sem supervisão: Classificação - (Classificação...) Classificação por Regiões - {Nome: tm345sub-isoseg} - (Criar) - (Classificador ⇔ Isoseg) - (Limiar de Aceitação ⇔ 99%) - (Classificar) * Visualizar a imagem classificada

Imagem Landsat TM original

Vetores da segmentação

Imagem segmentada e classificada