pdi6-transfmulti

Upload: alexandre-boza

Post on 06-Apr-2018

215 views

Category:

Documents


0 download

TRANSCRIPT

  • 8/3/2019 pdi6-transfmulti

    1/50

    Transformaes Multiespectrais

    Operaes aritmticas

  • 8/3/2019 pdi6-transfmulti

    2/50

    2

    Operaes aritmticas

    Entrada: imagens da mesma rea geogrficaco-registradas

    Sada: uma banda representando acombinao das bandas originais

    Operao "pixel" a "pixel

    Aplicao: anlise de imagens multi-espectrais e/ou multi-temporais

  • 8/3/2019 pdi6-transfmulti

    3/50

    3

    Adio de imagens

    mais simples das operaes envolvendo duasou mais imagens

    Observao: usar valores de ganho e offset

    para normalizar os valores dos NCs nointervalo [0-255]

    Aplicaes:

    Reduo de rudo Redefinir uma nova banda espectral

    Combinao de resultados de outros tipos de

    processamento

  • 8/3/2019 pdi6-transfmulti

    4/50

    4

    Adio de imagens: Exemplo

    adio de uma imagem original sua versosubmetida a um filtro de convoluo pararealce de bordas.

  • 8/3/2019 pdi6-transfmulti

    5/50

    5

    Adio de imagens: Exemplo

    0 -1 0

    -1 4 -1

    0 -1 0

    0 -1 0

    -1 5 -1

    0 -1 0

    Soma (A + B) /2

    B A

  • 8/3/2019 pdi6-transfmulti

    6/50

    6

    Subtrao de imagens

    Identificao de diferenas sutis emcomportamento espectral de determinadosalvos em imagens multi-espectrais refletidaspelas diferenas dos NCs

    Equalizar a mdia e o desviopadro das imagens antes dasubtrao

  • 8/3/2019 pdi6-transfmulti

    7/50

    7

    Subtrao de imagens: Exemplos

    Identificao de diferentes tipos decobertura vegetal MSS6-MSS7

    Quantidade de vegetao MSS7-MSS5

    Deteco de padres de mudana da

    cobertura em imagens ( desmatamento,mudanas no uso do solo, diferenassazonais na vegetao, expanso dereas urbanas, etc...)

  • 8/3/2019 pdi6-transfmulti

    8/50

    8

    Razo entre bandas

    reduzir o efeito de iluminao

    Hl

    Hk

    Hli

    HkiRk

    .

    .

    reduzir o efeito de espalhamento atmosfrico

    HiHj

    HkHj

    cHiicHji

    cHkicHjiRjki

    ).().(

    ).().(

    Calcular o ndice de vegetao

    redNIR

    redNIRNDVI

    red

    NIRRVI

  • 8/3/2019 pdi6-transfmulti

    9/50

    9

    ndice de Vegetao

    TM: R banda 3

    NIR banda 4

    informao de vegetao(reas mais claras)

  • 8/3/2019 pdi6-transfmulti

    10/50

    10

    Razo de bandas:exemplos

    razo d uma idia de correlao correlao contudo

    Lansdat-5 TM banda4/banda3 : informao de vegetao

    NC + claro rea com vegetao

    banda2/banda5 : identifica corpos dgua informao sutil de terra molhada vegetao + escura ( reflectncia

    na banda 2)

  • 8/3/2019 pdi6-transfmulti

    11/50

    Componentes Principais

  • 8/3/2019 pdi6-transfmulti

    12/50

    12

    Imagem Multi-espectral(K-dimensional)

    Cada pixel na imagem multi-espectral representadapor K valores nveis de cinza (vetor espectral)

    g2

    g3g1

    g1(P)

    g2(P)

    g3(P

    )

    g(M)

    3para

    )(

    )(

    )(

    )()()()(

    3

    2

    1

    321

    K

    M

    M

    M

    MMMMg

    g

    g

    g

    gggT

  • 8/3/2019 pdi6-transfmulti

    13/50

    13

    Como visualizar dados bi or tri-dimensionais?

    Grfico de espalhamento (scatterplot)

    NCNC

    NC.

    . .. ..

    . ...

    .....

    ..

    ..

    ..

    . . .....

    .. .. cada ponto vetor espectral

    cada ponto representa um ou

    mais pixels com um particular

    vetor espectral

    Espalhamento bi dimensional

  • 8/3/2019 pdi6-transfmulti

    14/50

    14

    Espalhamento bi-dimensional(espao de atributos)

    Se o ponto indica o nmero (%) de pixels com com

    um particular vetor espectral (scattergram) cada ponto nvel de cinza o grfico mostra a distribuio espacial dos vetores

    espectrais da imagem (atributos)

    .

    54

    46

    128

  • 8/3/2019 pdi6-transfmulti

    15/50

    15

    Espao de atributos

    O espalhamento bidimensional de pontos umaindicao da correlao e qualidade da informaoassociada com as duas bandas

  • 8/3/2019 pdi6-transfmulti

    16/50

    16

    Espaos de atributos para imagenscorrelacionadas (bidimensional)

    Imagem AImagem A

    Imagens A e B totalmente

    correlacionadasImagens A e B

    correlacionadas

    = 10 < < 1

    E d t ib t i

  • 8/3/2019 pdi6-transfmulti

    17/50

    17

    Espaos de atributos para imagenscorrelacionadas (bidimensional)

    Imagem AImagem A

    Imagens A e B altamente

    correlacionadasImagens A e B

    correlacionadas

    -10 < < 1

    E d t ib t i

  • 8/3/2019 pdi6-transfmulti

    18/50

    18

    Espaos de atributos para imagenstotalmente no correlacionadas

    Imagem A Imagem A

    No possvel estimar o valor do NC de um ponto

    na Banda A conhecendo o NC do ponto na banda

    B

    0 e VA=VB 0 e VA>VB

  • 8/3/2019 pdi6-transfmulti

    19/50

    19

    Matrizes de Covarincia e Correlao

    333231

    232221

    131211

    CC CC

    CC

    Termos fora da diagonal grau decorrelao entre duas bandas distintas

    Termos na diagonal varincia

    11

    1

    3231

    2321

    1312

  • 8/3/2019 pdi6-transfmulti

    20/50

    20

    Componentes principais

    Geralmente as bandas de uma imagemmultiespectral so correlacionadas(visualmente e numericamente similares)

    Gera novas bandas descorrelacionadas (semredundncia de informao).

    Baseada nas propriedades estatsticas daimagem

  • 8/3/2019 pdi6-transfmulti

    21/50

    21

    Causas da existncia de correlao

    Sobreposio das respostas espectrais entrebandas adjacentes

    Sombreamento topogrfico: o sombreamento

    afeta todas as bandas da mesma maneira baixa reflectncia de um alvo em uma

    determinada faixa espectral (visvel):assinatura espectral similar em todas as

    bandas dentro da faixa espectral

  • 8/3/2019 pdi6-transfmulti

    22/50

    22

    Componentes Principais (TCP)

    TCPg=(g1,...,gn) g=(g1,...,gn)

    Bandas correlacionadas Bandas descorrelacionadas

    Vg1 > Vg2 ...>Vgn

    Transformao do espao de atributos

    para remover redundncia espectral

  • 8/3/2019 pdi6-transfmulti

    23/50

    23

    Rotao dos Eixos dos Atributos

    NCs nos eixos canal1 e canal2 so redistribudos

    sobre um novo sistema de eixos PC1 e PC2

    PC1

    PC2

  • 8/3/2019 pdi6-transfmulti

    24/50

    24

    Operao de rotao: transformao linear

    ,...,p,lk

    lli,li

    gwg 211

    eixos dos atributos das imagenstransformada e original

    fatores de ponderao que

    definem a contribuio de cada bandaoriginal para uma CP em uma combinaoaditiva linear (rotao)

    w li ,

    , li

  • 8/3/2019 pdi6-transfmulti

    25/50

    25

    Operao de rotao: transformao linear

    ,...,p,l

    p

    lli,li

    gwg 211

    3

    2

    1

    333231

    232221

    131211

    3,

    2,

    1,

    ,

    ,

    ww

    www

    www

    3

    x.

    g

    g

    g

    wg

    g

    g

    p

    ppWW wgg li

    Notao Matricial

  • 8/3/2019 pdi6-transfmulti

    26/50

    26

    Como calcular a matriz W?

    diagonal)(matriz

    00

    00

    00

    33

    22

    11

    ,

    WKWK gg

    W calculada a partir da matriz de covarincia de g, Kg

    Kg, : covarincia de g

    W : autovetores de Kg

    i : autovalores de Kg

  • 8/3/2019 pdi6-transfmulti

    27/50

    27

    Exemplo

    82,057,0

    57,082,0W

    g g,

    [2,2] [2,78 0,5)]

    [4,3] [4,99 0,18]

    [5 4] [6,38 0,43]

    [5 5] [6,95 1,25]

    [3 4] [4,74 1,57][2 3] [3,35 1,32] 0 1 2 3 4 5 6

    6

    5

    4

    3

    2

    1

    0

    eeg 212 82,057,0

    eeg 211 57,082,0

    ),(.82,0),(.57,0),(

    ),(.57,0),(.82,0),(

    21

    ,

    2

    21

    ,

    1

    jijiji

    jijiji

    gggggg

    1,11,1

    1,19,1Kg

    33,00

    067,2,Kg

    CP1)nainformao(%89)33,067,2(

    67,2

  • 8/3/2019 pdi6-transfmulti

    28/50

    28

    Componentes Principais: Observaes

    Esta transformao derivada da matriz decovarincia entre as bandas

    O comprimento dos eixos das Cps representam asvarincias das CPs (auto-valores)

    Autovetores: definem a direo dos eixos das CPs emtermos do espao de coordenadas originais

    O nmero de CPs igual ao nmero de bandas

    espectrais utilizadas e so ordenadas de acordo como decrscimo da varincia das CPs

    A soma das varincias das CPs igual a soma dasvarincias das bandas originais

  • 8/3/2019 pdi6-transfmulti

    29/50

    29

    Componentes Principais: Observaes

    A primeira CP uma imagemsemelhante a uma vista "pancromtica"da cena

    O contedo em informao decrescepara as ltimas CPs

    Pode-se selecionar as CPs que melhorcaracterizam as informaes que o

    intrprete deseja extrair A composio colorida das CPs nopossui tons de cinza mas apenas coresespectrais e intensamente saturadas

  • 8/3/2019 pdi6-transfmulti

    30/50

    30

    Componentes Principais

    PC1 PC2 PC3

    B3 B4 B5

  • 8/3/2019 pdi6-transfmulti

    31/50

    31

    Histograma bidimensional

    D d E i

  • 8/3/2019 pdi6-transfmulti

    32/50

    32

    Dados Estatsticos

    Filename: brasil345Banda Min Max Mdia Desvio Padro

    1 7 218 27.2610 9.6278

    2 0 151 39.2622 10.5101

    3 0 255 67.0525 23.5065

    Matriz de Covarincia

    Banda Banda 3 Banda 4 Banda 53 92.694 41.471 167.116

    4 41.471 110.462 163.436

    5 167.116 163.436 552.554

    D d E t t ti

  • 8/3/2019 pdi6-transfmulti

    33/50

    33

    Dados Estatsticos

    nome: brasilcpBanda Min Max Mdia Desvio P. Autoval.

    1 0 255 127.4429 42.5612 1811.4580

    2 21 250 127.5128 13.2782 176.3114

    3 0 242 127.4984 9.6945 93.9817

    Matriz covarincia

    Banda Banda 1 Banda 2 Banda 3

    1 1811.457 -0.418 1.317

    2 -0.418 176.311 -0.098

    3 1.317 -0.098 93.983

    A li

  • 8/3/2019 pdi6-transfmulti

    34/50

    34

    Aplicaes

    pr-processamento para classificao visualizao (falsa cor) Reduo da dimensionalidade dos dados

    as informaes podem ser representadas emum nmero menor de componentes

    Exemplo: TM CP1 95%

    A li

  • 8/3/2019 pdi6-transfmulti

    35/50

    35

    Aplicaes

    realce por decorrelao (mxima expansocromtica)

    TCP (W) 1= 2= 3 TCP-1

    g,,, = g,,W-1

    g

    g, = Wg

    Composies coloridas

  • 8/3/2019 pdi6-transfmulti

    36/50

    36

    Composies coloridas

    Composio 543 TCP:123 Realce por decorrelao

    Modelo de Mistura

  • 8/3/2019 pdi6-transfmulti

    37/50

    37

    Modelo de Mistura

    Em geral a resoluo espacial do sensorpermite que um pixel inclua mais que um tipode cobertura do terreno na cena

    A radincia observada dada pela misturadas respostas de cada um dos componentesda cena (ex. solo + sombra + vegetao)

    MODELO DE MISTURA - modela essasituao

  • 8/3/2019 pdi6-transfmulti

    38/50

  • 8/3/2019 pdi6-transfmulti

    39/50

    39

    Floresta

    primria

    Floresta

    secundria

    estrada

    vegetao

    casa

    sol

    o

  • 8/3/2019 pdi6-transfmulti

    40/50

    Modelo Linear de Mistura

  • 8/3/2019 pdi6-transfmulti

    41/50

    41

    Modelo Linear de Mistura

    Resposta do pixel na i-sima banda

    Assinatura espectral conhecida da j-sima

    componente na i-sima banda

    Erro de estimao para a i-sima banda

    Proporo estimada da j-sima componente

    Modelo Linear de Mistura

  • 8/3/2019 pdi6-transfmulti

    42/50

    42

    Modelo Linear de Mistura

    Objetivo : encontrar propores cujacombinao das assinaturas espectraismelhor aproxime o valor do pixel

    Mtodo dos mnimos quadrados: estimar as

    propores miminizando a soma do quadradodos erros

    Restries:

    Assinatura espectral doscomponentes: mtodo 1

  • 8/3/2019 pdi6-transfmulti

    43/50

    43

    componentes: mtodo 1

    A escolha da assinatura espectral de cadacomponente em cada banda crtica paraa estimao correta das propores

    podem ser obtidos automaticamente debibliotecas digitais, digitados com base emtrabalhos previamente realizados. Ex:

    Bandas Sombra Veget. SoloTM 3 22 21 63TM 4 11 106 64TM 5 4 72 148

    Assinatura espectral de cadacomponente: mtodo 2

  • 8/3/2019 pdi6-transfmulti

    44/50

    44

    componente: mtodo 2

    Podem vir de valores de pixels puros apontados

    na imagem representativos das componentes. Ex:

    Modelo de Mistura(exemplo) solo

  • 8/3/2019 pdi6-transfmulti

    45/50

    45

    (exemplo)

    vegetao

    sombra

    Exemplo

  • 8/3/2019 pdi6-transfmulti

    46/50

    46

    Exemplo

    Componente Solo

    reas escuras - florestas

    reas claras -desflorestamento

    Componente sombra

    reas escuras - no floresta

    reas claras - florestaComponente vegetao

    reas escuras - no florestareas claras - floresta

    Vegetao - rebrota

    Sombra- diferencia floresta de no floresta

    Solo - incrementa o que j foi cortado

    no floresta = solo, pastagem, rebrota,cultura,

    nuvem

    reas Desflorestadas em 1997

  • 8/3/2019 pdi6-transfmulti

    47/50

    47

    reas Desflorestadas em 1997Sombra 96 (R) Sombra 97 (G, B) Sombra 96 - Sombra 97

    Imagem-Frao Sombra Segmentada

  • 8/3/2019 pdi6-transfmulti

    48/50

    48

    Linhas de Segmentao sobre imagemLandsat TM

  • 8/3/2019 pdi6-transfmulti

    49/50

    49

    Landsat TM

    REAS DESFLORESTADAS EM 1992 E 1994

  • 8/3/2019 pdi6-transfmulti

    50/50

    50