pdi6-transfmulti
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