processamento e análise de imagens parte 1 • câmera de orifício ( pinhole camera ) • século...
TRANSCRIPT
Processamento e análise de imagensParte 1
Guaraci J. ErthalINPE – Instituto Nacional de Pesquisas Espaciais
DPI – Divisão de Processamento de Imagenswww.dpi.inpe.br
Abril / 2011
Abril/2011 IP-PR (Guaraci J Erthal) 2
Roteiro
• Parte 1
• Imagens
• Imagens digitais
• Imagens de satélite
• Processamento digital de imagens
• Parte 2
• Classificação de imagens
• Análise de imagens
Abril/2011 IP-PR (Guaraci J Erthal) 3
Sensores
• Visão
• Audição
• Olfato
• Tato
• Paladar
( Picasso, 19?? )
Abril/2011 IP-PR (Guaraci J Erthal) 4
Aprisionar a luz
• Câmera de orifício (pinhole camera)
• Século 4 AC – gregos
• Século 10 DC – Ibn al-Haytham
• Câmera escura (dark chamber)
• Giovanni Baptista Della Porta, 1558
(G&W-07)
(Wiki-08)
Abril/2011 IP-PR (Guaraci J Erthal) 5
Fotografia
• Joseph Nicéphore Niépce (1765-1833)
• Heliografia (gravar com o sol)
View from the Windowat Le Gras(1826)
Abril/2011 IP-PR (Guaraci J Erthal) 6
Primeira imagem digital (?)
• Russel Kirsch - 1957
• Standards Eastern Automatic Computer (SEAC),
• National Bureau of Standards (NBS)
( Hoje: National Institute of Standards and Technology – NIST ).
• 176×176 píxeis e 5cm × 5cm
http://www.nist.gov/public_affairs/techbeat/tb2007_0524.htm
Abril/2011 IP-PR (Guaraci J Erthal) 7
PDI : O início
• Anos 60
• Computadores suficientemente poderosos
• Programa espacial americano
• JPL – Jet Propulsion Laboratory
• Imagens da Lua pelo Ranger-7
Ranger-7 (jul,1969)
Abril/2011 IP-PR (Guaraci J Erthal) 8
Câmeras digitais
Abril/2011 IP-PR (Guaraci J Erthal) 9
Satélites
• LANDSAT 80, 60 / 30 / 15 m landsat.gsfc.nasa.gov/
• SPOT-5 20 / 10 m , 5 / 2.5 m http://www.spot.com/home
• Ikonos 4 / 1 m http://www.spaceimaging.com
• Quickbird 2.4 / 0.6 m
• WorldView-1 0.5 m
• WorldView-2 1.84 / 0.46 m
• GeoEye-1 1.65 / 0.41 m
(ex-Orb view)
• ...
Spot-5 2.5 m Trípoli
Abril/2011 IP-PR (Guaraci J Erthal) 11
Sistema de classificação
(Schowengerdt, 97)
Abril/2011 IP-PR (Guaraci J Erthal) 12
Aquisição de imagens
•
(G&W-08)
Abril/2011 IP-PR (Guaraci J Erthal) 13
Aquisição de imagens
• Cena contínua
Perfil A-B contínuo
Perfil A-B discreto
Perfil A-B digital
(G&W-08)
Abril/2011 IP-PR (Guaraci J Erthal) 14
Aquisição de imagens
•
Níveis de quantização típicos: 1, 8, 11 bits / píxel
Píxel com valor 7
7
0
M
(G&W-08)
3 bits/píxel
Abril/2011 IP-PR (Guaraci J Erthal) 15
Aquisição de imagens
• Maneiras de arranjar os sensores
Arranjo unitário
Arranjo linear
Arranjo matricial
(G&W-08)
Abril/2011 IP-PR (Guaraci J Erthal) 16
Aquisição de imagens
• Função de espalhamento pontual
(Point spread function)
Píxel recebe energia dos píxeis vizinhos.
Distribuição não é uniforme.
(ad
ap.H
ua
ng
-02)
Distribuição: Modelo gaussiano
Abril/2011 IP-PR (Guaraci J Erthal) 17
Aquisição de imagens
• Efeitos devido à ótica e eletrônica (Simulação TM)
Ótica, GIFOV, eletrônica
Simulação
TM
Imagem áerea (2m)
(adap.Schowengerdt-03)
> Restauração de imagens
Abril/2011 IP-PR (Guaraci J Erthal) 18
Espectro eletromagnético
• Espectro visível – olho humano
Abril/2011 IP-PR (Guaraci J Erthal) 19
Espectro eletromagnético
•
(G&W-07)
380 nm – 750 nm
Abril/2011 IP-PR (Guaraci J Erthal) 20
Espectro eletromagnético
•
(Wikipedia-nov09)
Abril/2011 IP-PR (Guaraci J Erthal) 21
Curvas espectrais
(G&W-07)
Bandas do Landsat - TM
Abril/2011 IP-PR (Guaraci J Erthal) 22
Aquisição de imagens
• Imagens
• Escala de tons de cinza
• Binárias
• Colorida RGB
• Cores falsas
• Banda larga ( pancromáticas) 400 nm 1 canal
• Multiespectral 50-100 nm 3-7 canais
• Hiperespectral 5-10 nm 200 canais
• Temática
• Sensores não óticos
• SAR
• http://en.wikipedia.org/wiki/Digital_image
Abril/2011 IP-PR (Guaraci J Erthal) 23
Escala de tons de cinza
• LANDSAT-5 Washington-DC band 4
(G&W-08)
Infravermelho próximo
0.76-0.90 µm
(8 bits/píxel)
Abril/2011 IP-PR (Guaraci J Erthal) 24
Binárias
• 1 bit por píxel
0 – preto
1 – branco
Abril/2011 IP-PR (Guaraci J Erthal) 25
Binárias
• Imagem com grãos de arroz
(G&W-08)
Imagem em tons de cinza Imagem binária
Objeto (1) Fundo (0)Imagem binária obtida a partir de
operações morfológicas e limiarização
Abril/2011 IP-PR (Guaraci J Erthal) 26
Colorida
• LANDSAT-5 Washington-DC (R,G,B) → (3,2,1)
True color
Vermelho
Verde
Azul
R
G
B
Abril/2011 IP-PR (Guaraci J Erthal) 27
Cores falsas
• LANDSAT-5 Washington-DC (R,G,B) → (5,4,3)
False color
Infravermelho médio
Infravermelhopróximo
Vermelho
R
G
B
Abril/2011 IP-PR (Guaraci J Erthal) 28
Cores falsas
• LANDSAT-5 Washington-DC (R,G,B) → (4,3,2)
Infravermelho próximo
Vermelho
Verde
R
G
B
Abril/2011 IP-PR (Guaraci J Erthal) 29
Multiespectral
• Imagem LANDSAT-TM
(G&W-07)
Abril/2011 IP-PR (Guaraci J Erthal) 30
Multiespectral
• Bandas LANDSAT-TM
(G&W-07)
Abril/2011 IP-PR (Guaraci J Erthal) 31
Hiperespectral
(Wikipedia)
Abril/2011 IP-PR (Guaraci J Erthal) 32
Temática
• Imagem em pseudo-cor (mapeamento de tom de cinza para cor)
Quickbird pan+multiespectral (0.6/2.4m)
Imagem temática (classificação maxver)
Pseudo color
Abril/2011 IP-PR (Guaraci J Erthal) 33
4 Dimensões da resolução
• Espacial
• Espectral
• Radiométrica
• Temporal
• http://en.wikipedia.org/wiki/Remote_sensing
m30m15
LANDSAT – TM
Abril/2011 IP-PR (Guaraci J Erthal) 35
Imagens de satélite
•
Abril/2011 IP-PR (Guaraci J Erthal) 37
Imagens de satélite
• CBERS• WFI 260 m 0,63 - 0,69 µm (vermelho)
0,77 - 0,89 µm (infra-vermelho) • CCD 20 m 0,51 - 0,73 µm (pan)
0,45 - 0,52 µm (azul)0,52 - 0,59 µm (verde)0,63 - 0,69 µm (vermelho)0,77 - 0,89 µm (infravermelho próximo)
• IRMSS 80 m 0,50 - 1,10 µm (pancromática)1,55 - 1,75 µm (infravermelho médio)2,08 - 2,35 µm (infravermelho médio)10,40 - 12,50 µm (infravermelho termal) (160 m)
• HRC 2,7 m 0,50 - 0,80 µm (pancromática)
• Descrição : http://www.cbers.inpe.br/?content=cameras1e2e2b
• Download : http://www.dgi.inpe.br/CDSR/ (e LANDSAT)
(G&W-07)
Wide Field Imager
Infrared MultispectralScanner
High Resolution Camera
Abril/2011 IP-PR (Guaraci J Erthal) 38
CBERS - HRC
•
http://www.dgi.inpe.br/pesquisa2007/galeria/linux_E_galeria/galeriaCD.html
Abril/2011 IP-PR (Guaraci J Erthal) 39
Processamento de imagens
• Calibração radiométrica• Balanceamento entre detetores
• Remoção de ruído• Falha no detetor
• Calibração geométrica• Registro entre bandas
Normalmente realizadas pelo produtor da imagem
Abril/2011 IP-PR (Guaraci J Erthal) 40
Processamento de imagens
• Calibração radiométrica• Balanceamento entre detetores
• Remoção de ruído• Falha no detetor
• Calibração geométrica• Registro entre bandas
Abril/2011 IP-PR (Guaraci J Erthal) 41
Processamento de imagens
• Registro de imagens• Visa sobrepor 2 ou mais imagens da mesma cena e que foram obtidas
em:– Tempos diferentes,– Pontos de visada diferentes, e/ou– Sensores diferentes
• Fundamental para a análise de imagens que envolvem várias fontes de dados:
• Fusão de imagens
• Detecção de mudanças
• Mosaico de imagens
Abril/2011 IP-PR (Guaraci J Erthal) 42
Registro
Exemplos de registro de imagens de sensoriamento remoto
(Schowengerdt 03)
Sensores diferentes
Mesmo sensor
Abril/2011 IP-PR (Guaraci J Erthal) 43
Registro
• Relação entre geometrias
Referência Ajuste
(u,v) = T (x,y)
(x,y) (u,v)
Abril/2011 IP-PR (Guaraci J Erthal) 44
Registro
• Passo 1 : deteção de feições
• Regiões, linhas, pontos
( Zitova 03 )
Abril/2011 IP-PR (Guaraci J Erthal) 45
Registro
• Passo 2 : casamento de feições
( Zitova 03 )
Abril/2011 IP-PR (Guaraci J Erthal) 46
Registro
• Passo 3 : Estimação dos parâmetros de transformação
• Transformação polinomial
• Transformação afim
∑∑=
−
=
=n
i
in
j
jiij yxau
0 0∑∑
=
−
=
=n
i
in
j
jiij yxbv
0 0
ybxbbv
yaxaau
011000
011000
++=++= Translação, escala-h, escala-v,
rotação, cisalhamento, reflexão
( Zitova 03 )
Abril/2011 IP-PR (Guaraci J Erthal) 47
Registro
• Passo 3 : Estimação dos parâmetros de transformação
=
02
20
11
01
10
00
22
23
233333
22
222222
21
211111
3
2
1
1
1
1
1
a
a
a
a
a
a
yxyxyx
yxyxyx
yxyxyx
yxyxyx
u
u
u
u
mmmmmmm
L
L
M
M
Wau =uWWWa tt 1)( −=
Matriz pseudo-inversauWa +=
tt WWWW 1)( −+ =
u W a
Abril/2011 IP-PR (Guaraci J Erthal) 48
Registro
• Passo 4 : Transformação e reamostragem
1 2 3 4
5 6 7 8
9 10 11 12
13 14 15 16
),(),( yxTvu =
Referência Ajuste
),( vu),( yx
( Zitova 03 )
Abril/2011 IP-PR (Guaraci J Erthal) 49
Registro - questões
• Tipo de feição é apropriado?
• Feição existe em ambas as imagens?
• Qual a transformação adequada?
• Técnica de reamostragem
• Acurácia × complex. computacional
Abril/2011 IP-PR (Guaraci J Erthal) 50
Registro
• Uma aplicação: morphing
(Wolberg, 98)
Abril/2011 IP-PR (Guaraci J Erthal) 51
Processamento de imagens
• Operações pontuais• Realce de contraste
• Operações aritméticas
• Índice de vegetação
• Operações contextuais• Filtragem por convolução
• Filtragem no domínio de Fourier
• Extração de atributos• Espaço de cores – I H S
• Vegetação em áreas urbanas
• Componentes principais – PCA
• Redução de dimensionalidade
• Fusão de dados – multiespectral + pancromático
• Seleção de atributos• Redução de dimensionalidade
REDNIR
REDNIRNDVI
+−=
offsetIgainI inout +×=
Passa baixa: Suavização
Passa alta: Realce de bordas
Abril/2011 IP-PR (Guaraci J Erthal) 52
Elementos
• Padrão• Objeto a ser classificado.
• Atributo• Quantia mensurável obtida de um objeto / padrão.
• Um padrão é representado por um conjunto de atributos.• Exemplos:
• Carro: { cor, peso, comprimento, preço, consumo_comb }
• Pessoa : { altura, peso, sexo, time, cerveja, …}
• Alvos numa imagem de satélite:
• Floresta: { b1, b2, b3, b4, b5, b6, b7 } Landsat
• Pasto: { … }
• Cidade: { … }
• Água: { … }
feature, measurement
Resposta de um pixel nas 7 bandas
pattern
Abril/2011 IP-PR (Guaraci J Erthal) 53
Elementos
• Atributo – escalas de medidas
(Kuncheva, 04)
Abril/2011 IP-PR (Guaraci J Erthal) 54
Elementos
• Atributo
• Conjunto de atributos
• Vetor de atributos (padrão)
[ ] ),...,(,..., 11
1
lT
l
l
xxxx
x
x
==
= Mx
{ }lxx ,...,1
lR∈x
feature vector
featureix
feature setDimensão:l
pattern vector
=
b
ax
1x
2x
x
a
b
1x
2x
x
a
b
Ex.
1xx
1x
x
Caso 1D Caso 2D
Vetor Ponto
Vetor
Ponto
Abril/2011 IP-PR (Guaraci J Erthal) 55
Elementos - Espaço de atributos :Iris data
Iris
Se
tosa
Iris
Ve
rsic
olo
rIr
is V
irg
inic
a
Fo
nte:
http
://ho
me.
pac
bel
l.net
/ke
nw
w/m
y_ir
is/w
ater
_l
ovi
ng/w
ater
_lo
vin
g.ht
m
{ }321 ,, ωωω
x
∆ � ο1ω
2ω
3ω
Abril/2011 IP-PR (Guaraci J Erthal) 56
Espaço da imagem × Espaço de atributos
canal banda atributo
ix
=
=32
25
10
3
2
1
x
x
x
x
1x
2x
3x
10
25
32
x
feature space, measurement space
vetor de atributos
image space
2x3x
102532
1x
lc
atr
Abril/2011 IP-PR (Guaraci J Erthal) 57
Espaço de atributos
• exTwo-dimensional feature space plots of four pairs of LandsatTM data of Charleston, SC.
a) TM bands 1 and 3, b) TM bands 2 and 4, c) TM bands 3 and 4, and d) TM bands 4 and 5.
The brighter a particular pixelis in the display, the morepixels within the scene having that unique combination ofband values.
( de: Jensen, 2007 )
Abril/2011 IP-PR (Guaraci J Erthal) 58
universo
Coleta / Extração / Seleção de atributos
•
[ ]87654321 xxxxxxxxT =x
EXTRAÇÃO SELEÇÃO
y z
SELEÇÃO
COLETApR∈y
lR∈x
qR∈z
q < l
q < p
p < l ou p > l
Redução de dimensionalidade
Redução de dimensionalidade
Redução/aumento de dimensionalidade
z é subconjunto de x e/ou y
Abril/2011 IP-PR (Guaraci J Erthal) 59
Extração de atributos de cor
• Transformação IHS
• Características para distinguir cores:
• Intensidade brilho da luz
• Tom comprimento de onda dominante
• Saturação pureza
(quantidade de luz branca misturada a um tom)
(de: G&W, 2008)
Abril/2011 IP-PR (Guaraci J Erthal) 60
Transformação IHS
Espaço RGB Espaço IHS
(de: G&W, 2008)
Abril/2011 IP-PR (Guaraci J Erthal) 61
IHS – Extração de atributos
• Usos da transformação:
• Classificação com base no atributo tom (hue)
• Elimina efeitos de sombreamento.
• Fusão de dados
RGB → RGB → IHS → PHS → R’G’B’
Imagem multiespectral (RGB)
Ex. TM 5-4-3 (30m)
Imagem pancromática (P)
Ex. TM pan (15m)
Troca o canal Ipela banda panP
30m 15m
30m
15m
15m
Imagem original
Imagem fusionada
Abril/2011 IP-PR (Guaraci J Erthal) 62
Fusão Quickbird
• ff
(de: Ling et al., 2007)
Pan MS
Pancromática 0.61 m Multiespectral 2.44 m
IHS PCA
QuickBird Pan 0.45 0.90 µm
QuickBird XS
Band 2: 0.52–0.60 µm
Band 3: 0.63–0.69 µm
Band 4: 0.76–0.85 µm
Abril/2011 IP-PR (Guaraci J Erthal) 63
Componentes Principais
• Transformação que gera canais não correlacionados.
• Transformação: y = PT x
• Onde P: matriz cujas colunas são os vetores próprios de ∑ x
• Hipótese: dados com média nula
=Σ
nnnn
n
n
σσσ
σσσσσσ
L
MOMM
L
L
21
22221
11211
x
=Σ
nλ
λλ
L
MOMM
L
L
00
00
00
2
1
y
Canais originais x ∈∈∈∈ Rn Canais transformados y ∈∈∈∈ Rn
( ∑ : matriz de covariâncias )
Abril/2011 IP-PR (Guaraci J Erthal) 64
Componentes Principais
• Representação gráfica para 2 canais.
1x
2x
+
1y2y
Abril/2011 IP-PR (Guaraci J Erthal) 65
Componentes Principais – exemplo
•
(Jensen,96)
Abril/2011 IP-PR (Guaraci J Erthal) 66
Componentes Principais – exemplo
• Matriz de Coeficientes de correlação
1.000.950.760.840.760.727
1.000.880.710.610.565
1.000.810.780.660.660.580.566
1.000.530.440.394
1.000.960.953
1.000.962
1.001
6754321Banda
(Jensen,96)
Abril/2011 IP-PR (Guaraci J Erthal) 67
Componentes Principais – exemplo
• Variâncias dos componentes
Componente p
99.9999.8999.7199.3898.8295.6784.68% acum.
0.10 0.180.330.563.1510.9984.68%
--0.931.772.7730.8893.59879.72Diferença
1.242.173.956.7337.60131.201010.92λλλλp
6754321
(Jensen,96)
Abril/2011 IP-PR (Guaraci J Erthal) 68
Extração de atributos
• Outras abordagens:
• NDVI – índice de vegetação normalizado,
• MNF – fração mínima de ruído
• MDS – escalonamento multi-dimensional.
• GLCM – Matrizes de co-ocorrência (Haralick)
• Filtragem com base em transformadas
• Transformada de Fourier
• Passa-baixa / alta / faixa
• Gabor (banco de filtros)
• Transformada Wavelet
Atributos de textura
Abril/2011 IP-PR (Guaraci J Erthal) 69
Seleção de atributos
• Dado um conjunto de l atributos, selecionar
o subconjunto de tamanho q < l e que maximiza a
separabilidade entre classes.
seleção
extração
mundo
x1 x2 x3 x4
x5 x6 x7
x5 x6
Abril/2011 IP-PR (Guaraci J Erthal) 70
Referências
Image Processing, Patten Recognition
Pattern Recognition
Abril/2011 IP-PR (Guaraci J Erthal) 71
Referências
Image Processing, Pattern Recognition, Remote Sensing
Edição em portugues
Abril/2011 IP-PR (Guaraci J Erthal) 72
• Pattern Recognition:• Theodoridis & Koutroumbas -Pattern Recognition. 4th ed., 2008. • Bishop -Pattern Recognition and Machine Learning. 1st ed., Springer, 2006.
• Image Processing, Pattern Recognition, Remote Sensing:• Schowengerdt -Remote sensing: models and methods for image processing. 3rd ed., 2006. • Mather -Computer processing of remotely-sensed images: an introduction. 4th ed., 2011. • Tso & Mather -Classification Methods for Remotely Sensed Data. 2nd ed., 2009.• Jensen -Remote Sensing of the Environment: An Earth Resource Perspective. 2nd ed., 2006.
• Image Processing, Pattern Recognition:• Gonzalez &Woods -Digital Image Processing. 3rd ed., 2007. • Zhang -Image Engineering - Processing, Analysis, and Understanding. 1st ed., 2008.• Sonka & Hlavac & Boyle -Image Processing, Analysis and Machine Vision. 3rd ed., 2007.
• Outros:• Lu & Weng - A survey of image classification methods and techniques for improving classification
performance. IJRS, 28 (5), mar, 2007.• Ling & Ehlers & Usery & Madden. FFT-enhanced IHS transform method for fusing high-resolution
satellite images. ISPRS Journal of Photogrammetry & Remote Sensing, 61 (6): 381–392, feb, 2007.• Wikipedia: informações gerais• Zitova & Flusser - Image registration methods: a survey. IVC, 21 (11) 2003.• Wolberg - Image morphing: a survey. The Visual Computer, 14 (8/9) 1998.• Short - The Remote Sensing Tutorial. NASA, http://rst.gsfc.nasa.gov/ em: 28/6/2010.
Referências
Abril/2011 IP-PR (Guaraci J Erthal) 73
Fim – parte 1