pdi6-transfmulti

8/3/2019 pdi6-transfmulti

1/50

Transformaes Multiespectrais

Operaes aritmticas


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


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


4/50

4

Adio de imagens: Exemplo

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


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


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


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...)


8/50

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


9/50

9

ndice de Vegetao

TM: R banda 3

NIR banda 4

informao de vegetao(reas mais claras)


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)


11/50

Componentes Principais


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


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


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


15/50

15

Espao de atributos

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


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


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


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


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


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


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


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


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


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


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


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


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


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


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


30/50

30

Componentes Principais

PC1 PC2 PC3

B3 B4 B5


31/50

31

Histograma bidimensional

D d E i


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


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


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


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


36/50

36

Composies coloridas

Composio 543 TCP:123 Realce por decorrelao

Modelo de Mistura


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


38/50


39/50

39

Floresta

primria

Floresta

secundria

estrada

vegetao

casa

sol

o


40/50

Modelo Linear de Mistura


41/50

41


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



42/50

42


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


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


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


45/50

45

(exemplo)

vegetao

sombra

Exemplo


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


47/50

47

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

Imagem-Frao Sombra Segmentada


48/50

48

Linhas de Segmentao sobre imagemLandsat TM


49/50

49

Landsat TM

REAS DESFLORESTADAS EM 1992 E 1994


50/50

50

pdi6-transfmulti

Documents