TPICOS ESPECIAIS EM

SENSORIAMENTO REMOTO
Deteco de Alteraes Change Detection
Resumo
Mtodos de deteco de alteraes orientados a
pixel;
Mtodos de deteco de alteraes orientados a
objeto;
Exemplo de aplicao em OBCD (Object-Based
Change Detection).
Resumo
A acurcia da deteco de alteraes depende
diretamente dos seguintes requisitos (Chen et al. I 2004):
Escala espacial, que representa a janela da percepo pela
qual um paisagem vista (Chen et al. 2004, Marceau e Hay
1999, Aplin 2006);
Escala temporal;
Geometria de aquisio das imagens;
Registro de imagens;
Correo geomtrica ou normalizao; e
Recursos aplicados em esquemas de deteco de alteraes
(textura uma das mais importantes).
Mtodos de deteco de alteraes
orientados a pixel
Nesta parte encontram-se as subdivises, com a
abordagem mais atual e revisada por Lu et al.
(2003) que agrupou, por uma questo de
convenincia, os mtodos de deteco de
alteraes em sete maiores categorias com
subdivises, que so colocadas com mais detalhes
no decorrer deste captulo, sendo elas: (1) lgebra,
(2) transformao, (3) classificao, (4) modelos
avanados, (5) abordagens em Sistema de
Informaes Geogrficas (SIG), (6) anlise visual e
(7) outras abordagens.
lgebra
Diferena de Imagens
Caractersticas: Subtrao da imagem na poca 1
na imagem da poca 2, pixel a pixel.
Vantagens: Simples e direta, de fcil interpretao
dos resultados.
Desvantagens: No fornece matriz de alteraes
detalhada, requer seleo de limiares.
Exemplos: Forest defoliation (Muchoney e Haak
1994), Land cover change (Sohl 1999).
Principais fatores: Identificar bandas e limiares
adequados

Regresso de Imagens
Caractersticas: Estabelece relaes entre imagens de duas
pocas, estima-se assim o valor do pixel na poca 2, atravs
do uso da funo de regresso, subtrai-se a imagem
resultante da regresso, da imagem da poca 1.
Vantagens: Reduz os impactos causados pela atmosfera,
diferentes sensores e condies ambientais entre as imagens
das duas pocas.
Desvantagens: Exige o desenvolvimento de funes de
regresso adequadas para as bandas selecionadas, antes da
implementao da deteco de alteraes
Exemplos: Tropical forest change (Singh 1986), Forest
conversion (Jha e Unni 1994).
Principais fatores: Desenvolver a funo de regresso;
identificar bandas e limiares adequados.
Razo de Imagens
Caractersticas: Calcula a razo entre duas imagens
registradas de duas datas diferentes, banda a
banda.
Vantagens: Reduz os impactos causados pelo ngulo
de incidncia, sombras e pela topografia.
Desvantagens: Crticas devido distribuio no-
normal dos resultados.
Exemplos: Land-use mapping and change detection
(Prakash e Gupta 1998).
Principais fatores: Identificar as bandas e limiares
adequados.

Diferena por ndice de Vegetao
Caractersticas: Calcula-se o ndice de vegetao
separadamente, ento se faz a subtrao do ndice de
vegetao da poca 1, menos o ndice de vegetao
da poca 2.
Vantagens: Enfatiza a diferena entre a resposta
espectral das diferentes classes e reduz o impacto dos
efeitos da topografia e da iluminao
Desvantagens: Aumenta rudos aleatrios ou rudos
coerentes.
Exemplos: Forest canopy change (Nelson 1983).
Principais fatores: Identificar ndice de vegetao e
limiares adequados.

Anlise por Vetor de Mudanas (CVA)
Caractersticas: Gera duas sadas: uma o vetor de
alteraes espectral, que descreve direo e
magnitude das alteraes espectrais entre imagens
de duas pocas, e o clculo da magnitude total de
alteraes por pixel atravs da distncia
euclidiana entre os nveis digitais finais no espao
de alteraes n-dimensional.
Vantagens: Capacidade de processar qualquer
nmero de bandas desejadas e produzir
informaes detalhadas das alteraes.

Anlise por Vetor de Mudanas (CVA)
Desvantagens: Dificuldade de identificar a
trajetria da alterao na cobertura do solo.
Exemplos: Change detection of landscape variables
(Lambin 1996), Land-cover changes (Jonhson e
Kasischke 1998), Conifer forest change (Cohen e
Fiorella 1998, Allen e Kupfer 2000).
Principais fatores: Definir limiares adequados e
identificar a trajetria das alteraes.

Subtrao de fundo
Caractersticas: Algumas reas sem alteraes podem
variar seus nveis digitais na imagem de fundo, dessa
forma, utiliza-se um filtro de passa-baixa nessa
imagem a fim de se aproximar essas variaes da
imagem de fundo. Uma nova imagem produzida,
subtraindo a imagem de fundo da imagem original.
Vantagens: Essa tcnica de fcil implementao.
Desvantagens: No tem boa acurcia.
Exemplos: Tropical forest change (Singh 1989).
Principais fatores: Desenvolver a imagem de fundo.

Transformao
Anlise por Componentes Principais
(PCA)
Caractersticas: Assumindo-se que, imagens multi-
temporais tm alta correlao e que a informao
de alteraes pode ser destacada por novas
componentes, pode-se proceder de duas maneiras:
(1) usar duas ou mais imagens como dados de
entrada, aplicar PCA e analisar as maiores
componentes da imagens para a deteco das
alteraes, ou (2 )aplicar PCA em cada uma das
imagens utilizadas, e ento subtrair a imagem das
componentes, das correspondentes

Anlise por Componentes Principais
(PCA)
Vantagens: Reduz a redundncia dos dados entre
as bandas, e enfatiza as diferentes informaes
derivadas das suas componentes.
Desvantagens: PCA um mtodo dependente da
cena, assim a deteco de alteraes entre
diferentes datas mais difcil de ser interpretada.
No fornece matriz de informao de mudanas
entre as classes e requer a determinao de
limiares, para a identificao das reas com
mudanas.

Anlise por Componentes Principais
(PCA)
Exemplos: Urban expansion (Li e Yeh 1998), Tropical
forest conversion (Jha e Unni 1994), Forest motality
(Collins e Wookcock 1996).
Principais fatores: Necessidade do bom
conhecimento da rea do analista, identificar a
componente que melhor representa as alteraes e
a seleo dos limiares.
Tasselled Cap (KT)
Caractersticas: Mesmo princpio de PCA, com a
diferena que KT independente da cena como um
todo. A deteco de alteraes feita baseada
em trs quesitos: brilho, verdor e umidade.
Vantagens: Reduz a redundncia de dados entre as
bandas e enfatiza as diferentes informaes
obtidas derivadas das componentes. KT no
depende da cena.
Tasselled Cap (KT)
Desvantagens: Dificuldade de interpretao na classe
de informao das alteraes, no fornece matriz de
alteraes, requer a determinao de limiares para a
identificao das reas com mudanas. Necessita de
uma acurada calibrao atmosfrica para cada
imagem.
Exemplos: Monitoring forest mortality (Collins e
Woodcock 1996), Monitoring green biomass change
(Coppin et al. 2001), Land-use change (Seto et al.
2002).
Principais fatores: Necessidade de bom conhecimento
da rea do analista envolvido, identificar qual
componente melhor representa as alteraes e
selecionar os limiares.

Gramm-Schimidt (GS)
Caractersticas: O modelo GS ortogonaliza os vetores
espectrais tomados diretamente de duas imagens
(poca 1 e poca 2), assim como o mtodo original de
KT, produz 3 componentes estveis, correspondentes
tambm ao brilho, verdor, umidade e a componente de
alteraes
Vantagens: A associao das componentes calculadas,
com as caractersticas da cena, permite a extrao de
informaes que no seriam acessveis, em relao
outros mtodos de deteco de alteraes.
Gramm-Schimidt (GS)
Desvantagens: Dificuldade de se encontrar uma
nica componente associada a um s tipo de
alterao. O processo de GS dependente do tipo
de imagem selecionada para certo tipo de
alterao a ser detectada.
Exemplos: Monitoring forest mortality (Collins and
Woodcock 1994, 1996).
Principais fatores: necessria a identificao
inicial de um subespao estvel dos dados multi-
data.

Qui-Quadrado
Caractersticas: Modelo: Y = (X-M)
T

-1
(X -M)
Onde Y o nvel digital da imagem com as alteraes,
X o vetor da diferena dos valores digitais entre as
duas pocas, T a matriz transposta de
-1
, M o
vetor de mdias residual de cada banda, e
-1
a
inversa da matriz de covarincia das bandas
Vantagens: As bandas so consideradas
simultaneamente, a fim de produzir uma nica
imagem de com as alteraes.
Qui-Quadrado
Desvantagens: Assumir que o valor de Y=0
representa que o pixel no sofreu alterao, o que
no seria verdade quando grande parte da imagem
tivesse sido alterada. Como tambm, a mudana
relacionada com uma direo espectral especfica
no rapidamente identificada.
Exemplos: Urban environmental change (Ridd e Liu
1998).
Principais fatores: Y segue a distribuio do Qui-
Quadrado, e uma varivel aleatria p graus de
liberdade (onde p o nmero de bandas).

Classificao
Comparao Ps-classificao
Caractersticas: Imagens multi-temporais
separadamente classificadas em imagens temticas,
e ento implementar as comparaes entre as
imagens pixel a pixel.
Vantagens: Este mtodo minimiza os impactos
causados pela atmosfera, diferentes sensores e
diferenas ambientais entre as imagens,
proporciona uma matriz completa das alteraes.
Comparao Ps-classificao
Desvantagens: Requer tempo e especialidade no
processo de classificao das imagens temticas. A
acurcia final depende da qualidade das
classificaes feitas em cada imagem.
Exemplos: Wetland change (Jensen et al. 1987,
1995, Munyati 2000), Urban expansion (Ward et al.
2000).
Principais fatores: Seleo de amostras de
treinamento suficientes para uma boa classificao.

Anlise Espectro-temporal Combinada
Caractersticas: Coloca os dados multi-temporais em um
s arquivo, ento classifica o conjunto de dados
combinado, identifica-os e rotulam-se as alteraes.
Vantagens: Simples e econmico em termos de tempo
de classificao
Desvantagens: Difcil identificao e rotulao das
classes de alteraes, no proporciona uma matriz de
alteraes completa.
Exemplos:Changes in coastal zone environments
(Weismiller et al. 1977), Forest change (Soares e Hoffer
1994)
Principais fatores: Rotular as classes de alteraes.

Deteco EM
Caractersticas: A Deteco EM um mtodo
baseado em classificao utilizando uma
expectativa algoritmo de maximizao (EM) para
estimar as probabilidades conjuntas das classes a
priori em duas pocas. Estas probabilidades so
diretamente estimadas a partir das imagens em
anlise.
Vantagens: Neste mtodo foi relatado por fornecer
alta acurcia na deteco das alteraes em
relao aos outros mtodos
Deteco EM
Desvantagens: Requer a estimao da
probabilidade das classes conjuntas a priori.
Exemplos: Land-cover change (Bruzzone e Serpico
1997b, Serpico e Bruzzone 1999).
Principais fatores: Identifica as unidades espectral-
mente semelhantes, ou relativamente homogneas.
Deteco de Alteraes No
Supervisionada
Caractersticas: Seleciona grupos de pixels
espectralmente semelhantes e clusters na imagem
da poca 1 como cluster primrio, e ento
seleciona clusters primrios similares ao da poca
1, na imagem da poca 2 e finalmente identifica as
alteraes e os valores de sada.
Vantagens: Esse mtodo de natureza no-
supervisionada, automatizando assim o processo de
anlise das alteraes.
Deteco de Alteraes No
Supervisionada
Desvantagens: Dificuldade na identificao e
rotulao das trajetrias das alteraes.
Exemplos: Forest change (Hame et al. 1998).
Principais fatores: Identificar unidades
espectralmente similares ou relativamente
homogneas.

Deteco de Alteraes Hbrida
Caractersticas: Utiliza um overlay melhorado de uma
imagem selecionada, para isolar os pixels com
alteraes, e ento se faz a classificao
supervisionada. Uma mscara binria construda a
partir da classificao feita anteriormente. Essa
mscara de alterao peneira as alteraes a partir
dos mapas produzidos pelo LULC (Land Use and Land
Cover Uso e Cobertura do solo) para cada data
Vantagens: Esse mtodo exclui pixel sem alteraes da
classificao para reduzir os erros de classificao.

Deteco de Alteraes Hbrida
Desvantagens: Requer a seleo de limiares para
implementar a classificao; um pouco complicado
para identificar trajetrias de mudana.
Exemplos: Vegetation change (Petit et al. 2001),
Monitoring eelgrass (MacLeod e Congalton 1998).
Principais fatores: Selecionar limiares adequados
na identificao dos casos de mudana e no-
mudana, e desenvolver resultados acurados na
classificao.
Redes Neurais Artificiais (ANN)
Caractersticas: Os dados espectrais do perodo de
alterao so os dados de entrada para usar
ANN. Um algoritmo de retro-propagao
utilizado normalmente, para treinar o modelo de
percepo multi-layer do modelo de Redes Neurais
Artificiais.
Vantagens: ANN um modelo supervisionado no
paramtrico e tem a capacidade de estimar as
propriedades dos dados baseados em amostras de
treinamento.
Redes Neurais Artificiais (ANN)
Desvantagens: A natureza das camadas escondidas
pouco conhecida; ento necessrio um tempo de
treinamento longo. ANN muitas vezes sensvel
quantidade de dados de treinamento usados e suas
funes no so comuns nos softwares de processamento
de imagens.
Exemplos: Mortality detection in Lake Tahoe Basin,
California
(Gopal e Woodcock 1996, 1999), Land-cover change
(Abuelgasm et al. 1999, Dai e Khorram 1999).
Principais fatores: Importncia da arquitetura usada,
bem como o nmero de camadas escondidas, e as
amostras de treinamento.

Modelos
Avanados
Modelo de Refletncia de Li-Strahler
Caractersticas: Este modelo utilizado para estimar
cada cobertura da copa de rvores conferas em
duas pocas, separadamente. A comparao dessa
cobertura conduz a uma deteco de alteraes a
partir do resultados.
Vantagens: Combina mtodos de processamento de
imagens digitais de sensoriamento remoto, com
amostras e observaes in loco. Proporciona
resultados estatsticos, bem como mapas mostrando
o padro geomtrico das alteraes.
Modelo de Refletncia de Li-Strahler
Desvantagens: Requer um grande nmero de
informaes coletadas in loco, o que complexo e
ainda no possvel em softwares comerciais. um
mtodo relevante somente para a deteco de
alteraes em reas de vegetao.
Exemplos: Mapping and Monitoring conifer mortality
(Macomber e Woodcock 1994)
Principais fatores: Estimar a cobertura da copa das
rvores nas imagens e identificar as caractersticas
das copas dos tipos de vegetao.
Modelo de Mistura Espectral
Caractersticas: Utiliza a anlise de mistura espectral
para obter fraes de imagem. As extremidades da
imagem so selecionadas como amostras de treinamento,
ou de materiais espectrais da rea de interesse da
biblioteca espectral. As alteraes so comparadas entre
antes e depois nas imagens fracionadas de cada
extremidade. As alteraes quantitativas podem ser
medidas classificando as imagens, baseados nos dados
das informaes das fraes das extremidades.
Vantagens: As fraes tm significados biofsicos,
representando a proporo em rea de cada elemento
de extremidade dentro do pixel. Os resultados so
estveis, acurados e de fcil repetio.
Modelo de Mistura Espectral
Desvantagens: um mtodo avanando de
processamento de imagens, dessa forma, no de
fcil implementao.
Exemplos: Land-cover change in Amazonia (Adams et
al. 1995, Roberts et al. 1998).
Principais fatores: Identificar membros de
extremidade adequados; definir limiares
adequados para cada classe de cobertura de solo
baseada nas fraes.

Modelos de Estimao de Parmetros
Biofsicos
Caractersticas: Desenvolve parmetros biofsicos a
partir de amostras de treinamento e medidas feitas em
campo. Os tipos de vegetao so classificados
baseados nesses parmetros calculados. O modelo de
parmetros tambm transferido para a imagem da
poca 2, a fim de se estimar os parmetros aps a
normalizao ou calibrao da refletncia. A deteco
de alteraes e feita, comparando-se esses parmetros
biofsicos.
Vantagens: Detecta alteraes com alta acurcia em
reas de vegetao, a partir dos seus parmetros fsicos
calculados.
Modelos de Estimao de Parmetros
Biofsicos
Desvantagens: Reque grandes esforos na implementao
de um modelo acurado de calibrao das imagens, a fim
de se eliminarem as diferenas de refletncia causadas
pelas condies atmosfricas e ambientais. Requer
tambm um grande nmero de amostras coletadas em
campo e s adequado para reas de vegetao.
Exemplos: Tropical successional forest change detectionin
Amazn bassin (Lu 2001, Lu el at. 2002).
Principais fatores: Desenvolver bons modelos de
estimao dos parmetros biofsicos e definir as classes
de vegetao baseadas nesses parmetros fsicos.

Abordagens em
Sistema de
Informaes
Geogrficas (SIG)
Integrao do SR com SIG
Caractersticas: Integra imagens de SR com dados
de SIG, com a sobreposio direta de dados SIG
com imagens, move os resultados do processamento
das imagens para o sistema de informaes
geogrficas, a fim de que se obtenham mais
informaes.
Vantagens: Permite o acesso a um dado mais
antigo, para melhorar a interpretao e anlise.
Tem a vantagem de atualizao direta da
informao de cobertura do solo nos dados SIG.
Integrao do SR com SIG
Desvantagens: As diferentes qualidades dos
diferentes dados utilizados pode afetar a
qualidade da deteco de alteraes,
Exemplos: LULC (Price et al. 1992, Westmoreland e
Stow 1992, Mouat e Lancaster 1996, Slater e
Brown 2000, Petit e Lambin 2001, Chen 2002,
Weng 2002).
Principais fatores: Acurcia das diferentes fontes de
dados e acurcia do registro das imagens
temticas.
Abordagem SIG
Caractersticas: Integra mapas antigos e atuais do
uso do solo com topografia e dados geolgicos. A
sobreposio de imagens e o uso de tcnicas a
partir de mscaras binrias so de importante uso
para revelar quantitativamente as alteraes
dinmicas de cada classe.
Vantagens: Este mtodo permite a incorporao de
dados fotogramtricos, atuais e antigos do uso do
solo com os dados do mapa.
Abordagem SIG
Desvantagens: Dados de diferentes fontes, com
diferentes classificaes e acurcias podem afetar
os resultados da deteco de alteraes.
Exemplos: Urban change (Lo e Shipman 1990),
Landscape change (Taylor et al. 2000).
Principais fatores: Acurcia das diferentes fontes de
dados e acurcia do registro das imagens
temticas

Anlise Visual
Anlise Visual
Segundo Lu et al. (2004), a categoria de anlise visual
consiste na interpretao visual pela composio de
imagens multi-temporais, na digitalizao de reas com
alteraes; um mtodo totalmente dependente da
experincia e especialidades do analista que faz o
trabalho, onde so usados como parmetros para a
anlise: caractersticas de textura, tamanho, forma e
padro no contexto da imagem, a fim de que se
interpretem as alteraes ocorridas no uso e cobertura
do solo. Uma das grandes desvantagens deste mtodo
o tempo dispensado na anlise e interpretao das
alteraes, tendendo sempre a aumentar, quanto maior
a rea de estudo. Dessa forma (Lu et al, 2004):

Anlise Visual
Caractersticas: uso de uma banda ou ndice de vegetao (IV)
da imagem da poca 1 no canal do vermelho, a mesma banda
ou IV da imagem na poca 2 no canal verde, e a mesma
banda ou IV da imagem da poca 3 no canal do azul, quando
disponvel. Por conseguinte, a interpretao visual das
alteraes a partir da imagem sinttica. Uma alternativa
implementar a digitalizao das reas alteradas, tendo por
base a interpretao visual da imagem sinttica composta
pelas bandas das imagens de diferentes pocas.
Vantagens: a experincia e conhecimento do analista so
utilizados no processo de interpretao visual. Duas ou trs
imagens de diferentes datas podem ser analisadas ao mesmo
tempo. Com o conceito de interpretao de imagens, o analista
pode introduzir informaes como forma, textura, tamanho e
padro deteco de alteraes no uso e cobertura do solo.

Anlise Visual
Desvantagens: no produz informaes detalhadas,
a qualidade dos resultados est diretamente
ligada e dependente do conhecimento e
experincia do analista, alm de ser uma tarefa
que requer muito tempo e de difcil atualizao.
Exemplos: Land use change (Sunnar 1998, Ulbricht e
Heckendorff 1998); Forest change (Sader e Winne
1992); Land-cover change (Slater e Brown 2000).
Fatores importantes: habilidades do analista e bom
conhecimento da rea de estudo.

Outras
Abordagens
Outras Abordagens
onde encontram-se mtodos que no se
encaixam na categorias anteriormente
estudadas, e tambm pelo fato de no
serem utilizados com frequncia, sendo
eles:
Outras Abordagens
Measures of spatial dependence (Henebry 1993);
Knowledge-based vision system (Wang 1993);
Area production method (Hussin et al. 1994);
Combination of three indicators: vegetation indices, land
surface temperature, and spatial structure (Lambin and
Strahler 1994b);
Change curves (Lawrence and Ripple 1999);
Generalized linear models (Morisette et al. 1999);
Curve-theorem-based approach (Yue et al. 2002);
Structure-based approach (Zhang et al. 2002);
Spatial statistics-based method (Read and Lam 2002).

Mtodos de deteco de alteraes
orientados a objeto
OBCD (Object-Based Change Detection Deteco de
Alteraes Orientada a Objeto) est envolvido com o
conceito de OBIA (Object-Based Image Analysis
Anlise de Imagens Orientada a Objeto), mais
recentemente conhecido como GeOBIA (Hay e Castilla
2008), no qual se combinam as informaes espacial,
espectral e geogrfica com a segmentao.
A melhor definio para o conceito de OBCD
entendendo-o como o processo de identificao de
diferenas em objetos geogrficos em diferentes
momentos usando OBIA.
Mtodos de deteco de alteraes
orientados a objeto
Estas tcnicas podem ser divididas em quatro
categorias: (1) image-object, (2) class-object, (3)
multitemporal-object e (4) hybrid change detection.

Image-object
Image-object
Na Image-object change detection, assim como a deteco de
alteraes orientada a pixel, faz-se a utilizao de limiares.
Nesse mtodo, as imagens multi-temporais so segmentadas
separadamente, as alteraes so analisadas a partir da
informao espectral (mdia dos pixels do segmento, por
exemplo) ou outras caractersticas so extradas dos objetos
originais (como textura e geometria, por exemplo). Hall e Hay
(2003) desenvolveram um mtodo onde, primeiro as bandas
pancromticas de duas imagens SPOT de duas datas eram
segmentadas, e ento se aplicava diretamente o mtodo de
diferena de imagens nos objetos detectados entre as duas
pocas. A maior vantagem deste mtodo a comparao
direta entre os objetos segmentados, no entanto os objetos so
de formas e tamanhos diferentes, dessa forma um
procedimento importante a busca por objetos espacialmente
correspondentes na anlise multi-temporal.

Class-object change detection
Class-object change detection
Representa a parte dos algoritmos utilizados em deteco de
alteraes orientada a objetos que tem por finalidade a
deteco das alteraes na paisagem, comparando os objetos
independentemente classificados a partir das imagens multi-
temporais. Uma vez que, cada objeto pertena uma
determinada classe, no necessria a comparao
considerando caractersticas como, os valores espectrais ou
textura. Durieux et al. (2008) aplicaram essa abordagem com um
mosaico de imagens SPOT, resoluo espacial de 2,5 metros, com
a utilizao de funes da lgica fuzzy, a fim de extrair
edificaes que foram comparadas com mapas antigos que
serviram como referncia no monitoramento da expanso urbana
ao longo de seis anos.
Multitemporal-object change
detection
Multitemporal-object change detection
feito a partir de imagens adquiridas de diferentes datas
que, raramente so capturadas da mesma forma devido a
vrios fatores, entre eles esto o ngulo de inclinao,
iluminao da cena, entre outros. Dessa forma, os objetos
gerados na segmentao das imagens provavelmente
tero variao geomtrica, mesmo representando a mesma
feio geomtrica. Assim, ao invs de segmentar as
imagens separadamente, esse mtodo combina e segmenta
as imagens multi-temporais juntas, produzindo objetos
espacialmente correspondentes. Descle et al. (2006), como
pioneiro deste mtodo, apresentou um algoritmo explcito
para a implementao desta abordagem de deteco de
alteraes.

Hybrid change detection
Hybrid change detection
o nico mtodo que envolve os dois paradigmas,
segmentao e classificao orientada tanto a
pixel quanto a objeto. O uso dessa abordagem se
torna interessante, pois parte da ideia de que se
tem informao de alterao a partir do nvel de
informao do pixel, e dessa forma aplicar
subsequentemente, com o auxlio do paradigma
orientado a objeto, para a melhor extrao dos
resultados das alteraes.

Exemplo de aplicao em OBCD

Exemplo de aplicao em OBCD
Artigo: OBJECT-ORIENTED CHANGE DETECTION
OF RIPARIAN ENVIRONMENTS FROM HIGH
SPATIAL RESOLUTION MULTI-SPECTRAL IMAGES
Exemplo de aplicao em OBCD
Objetivos:
(1) desenvolver conjuntos de regras no programa
Definiens Developer 7 , para o mapeamento e
monitoramento de classes de cobertura da terra da
zona ribeirinha, utilizando-se de duas imagens
QuickBird; e
(2) comparar os resultados obtidos com a deteco de
alteraes no contexto dos paradigmas orientado a
pixel e orientado a objeto.
Exemplo de aplicao em OBCD
rea de estudo est localizada entre Fitzroy
Catchment, Queensland (Austrlia), e cobre um
trecho de 19 quilmetros em Mimosa Creek,
associado com mais 10 quilmetros de vegetao
ripria montante da confluncia com o rio
Dawsom
Exemplo de aplicao em OBCD
Exemplo de aplicao em OBCD
Metodologia no processamento das imagens:
Segmentao e classificao orientada a objeto no
software Definiens Developer 7 , das imagens da
poca 1 e 2;
Classificao no supervisionada orientada a pixel
das imagens da poca 1 e 2;


Exemplo de aplicao em OBCD
Exemplo de aplicao em OBCD
Metodologia no processamento das imagens
(continuao):
OBCD e Deteco de alteraes orientada a pixel
pelos mtodos de ps-classificao, diferena de
imagens, regresso de imagens e transformao
Tasselled Cap.


Exemplo de aplicao em OBCD
Resultados:
A comparao ps-classificao forneceu informaes
teis sobre as mudanas a partir de uma classe de
cobertura da terra para o outro. Os resultados
implicaram que as mudanas fenolgicas no foram
classificados erroneamente como as alteraes da
cobertura da terra;
A diferena de imagens foi considerada vantajosa e
de interpretao, por conta da simplicidade de sua
abordagem. Tendo como parte principal a seleo de
limiares timos


Exemplo de aplicao em OBCD
Resultados:
Constatou-se que a regresso de imagens altamente
sensvel aos pequenos deslocamentos geogrficos que
podem ocorrer na imagem, quando imagens de alta
resoluo espacial so utilizadas;
A transformao tasseled cap relativamente fcil de
ser interpretada, utilizando-se de uma nova camada
que representa as alteraes. No entanto, este mtodo
s detecta alteraes em uma determinada direo,
com base nos objetos selecionados.

Exemplo de aplicao em OBCD
Concluses:
No geral, os resultados por OBCD foram melhores em
comparao deteco de alteraes orientada a pixel
pois, reduzem os efeitos que podem ser causados pelo
registro de imagens, reduzem o efeito de salt-and-pepper
nas imagens classificadas, incluem relaes com a forma e o
contexto do objeto, reduzem os efeitos das sombras das
rvores e tambm os efeitos causados pelas diferentes
geometrias dos sensores no momento do imageamento.
Os resultados ainda melhoram quando de faz o uso do
ndice de vegetao.