Automatizacao Do Georreferenciamento

UNIVERSIDADE TIRADENTES
RAFAEL OLIVEIRA VASCONCELOS
Elaborao de uma Soluo para Automatizao do Georreferenciamento de Objetos a Partir do Reconhecimento de Imagens
Aracaju 2010
Monografia apresentada Universidade Tiradentes como um dos pr-requisitos obteno do ttulo de Bacharel em Cincia da Computao.
ORIENTADOR: FBIO SOARES SILVA CO-ORIENTADOR: FERNANDO HENRIQUE BEZERRA CARDOSO
Aracaju 2010
Monografia apresentada ao Curso de Cincia da Computao da Universidade Tiradentes como um dos pr-requisitos obteno do ttulo de Bacharel em Cincia da Computao.
Aprovada em 12/06/2010. Banca Examinadora
____________________________________________ Fbio Soares Silva Universidade Tiradentes
___________________________________________ Fernando Henrique Bezerra Cardoso Universidade Tiradentes
___________________________________________ Robert Anderson Nogueira de Oliveira Universidade Tiradentes
RESUMO
As aplicaes que tratam de georreferenciamento esto ganhando cada vez mais espao e importncia. Por outro lado, o processo atual para georreferenciamento de objetos usualmente executado de forma manual, haja vista a escassez de ferramentas disponveis. Este processo bastante oneroso, demorado e relativamente mecnico quando executado por pessoas. Assim, relevante a adoo de um processo capaz de acrescer o grau de automatizao no processo de georreferenciamento de objetos e que possibilite maior velocidade e segurana, bem como reduo nos custos associados entrada de tais dados nos Sistemas de Informao Geogrfica (SIGs). Para realizar o trabalho proposto de automatizao no processo de georreferenciamento, foram utilizadas tcnicas de computao visual, inteligncia artificial e geoprocessamento, mais especificamente nas reas de segmentao de imagens, redes neurais artificiais e sistemas de coordenadas, permitindo processar e georreferenciar imagens de tomada area. O trabalho elaborou uma soluo para o problema do georreferenciamento de ruas e avenidas, automatizando esta tarefa que usualmente executada por agentes dotados de aparelhos GPS (Global Positioning System). Uma avaliao experimental envolvendo o georreferenciamento de ruas e avenidas foi realizada, e a aplicao desenvolvida com a implementao do mtodo proposto apresentou bons resultados em todas as fases do mtodo. PALAVRAS-CHAVE: Geoprocessamento; Georreferenciamento; Segmentao de imagem
ABSTRACT
The applications that address geocoding are gaining more and more space and importance. Moreover, the current process for georeferencing of objects is usually performed manually, given the scarcity of available tools. This process is very costly, time consuming and relatively mechanical when performed by people. Therefore, it is important to adopt a process that will accrue to the degree of automation in the process of georeferencing of objects and that allows greater speed and security as well as reduction in costs associated with the entry of such data in Geographic Information Systems (GIS). To perform the proposed work of automation in the process of georeferencing techniques were used for visual computing, artificial intelligence and geoprocess, specifically in the areas of image segmentation, artificial neural networks and coordinate systems, allowing process and georeference aerial images taken. The work has developed a solution to the problem of georeferencing of streets and avenues, automating this task is usually performed by agents with GPS (Global Positioning System) devices. An experimental evaluation involving the geocoding of streets and avenues was performed, and the application developed with the implementation of the proposed method showed good results in all phases of this method. KEYWORDS: Geoprocess; Georeferencing; Image segmentation
LISTA DE QUADROS
Quadro 1. Pixel codificado no espao de cores RGB com 24 bits de profundidade .............. 37 Quadro 2. Quantidade de cores representadas por profundidade .......................................... 38 Quadro 3. Efeito da reduo da profundidade de cores no tamanho do arquivo ................... 41 Quadro 4. Influncia da profundidade de cor na deteco de pele humana em fotografias ... 42 Quadro 5. Influncia da textura na deteco de materiais .................................................... 43 Quadro 6. Comparao entre computao tradicional e neural ............................................ 47 Quadro 7. Determinao do melhor espao de cores para segmentao de asfalto ............... 77 Quadro 8. Determinao do melhor tamanho de janela para segmentao de asfalto (HSL, 8 bits por canal) ...................................................................................................................... 78 Quadro 9. Resultados do segmentador baseado no crescimento de regies na deteco de asfalto .................................................................................................................................. 79 Quadro 10. Resultado da gerao dos polgonos ................................................................. 82 Quadro 11. Erro estimado no georreferenciamento das ruas e avenidas ............................... 86 Quadro 12. Resumo dos resultados na imagem ................................................................... 88
ndice de figuras
Figura 1. Parmetros do Datum ........................................................................................... 17 Figura 2. Sistema de coordenadas geogrficas ..................................................................... 18 Figura 3. Sistema de coordenadas planas ............................................................................. 19 Figura 4. Projeo plana ...................................................................................................... 21 Figura 5. Projeo cnica equivalente de Albers ................................................................. 21 Figura 6. Exemplo de representao vetorial em duas dimenses ........................................ 23 Figura 7. Mapa representado com resolues diferentes ...................................................... 24 Figura 8. Processamento de consultas espaciais ................................................................... 27 Figura 9. Exemplo de SIG com informaes plotadas no mapa ........................................... 29 Figura 10. Exemplos de relacionamentos espaciais.............................................................. 30 Figura 11. Exemplo de imagem segmentada........................................................................ 33 Figura 12. Decomposio de imagem no modelo de cor CMYK ......................................... 35 Figura 13. Espao de cores HSV visualizado como um cone ............................................... 36 Figura 14. Espao de cores RGB visualizado como um cubo............................................... 36 Figura 15. Imagem com 24 bits de profundidade ................................................................. 38 Figura 16. Imagem com 16 bits de profundidade ................................................................. 39 Figura 17. Imagem com 8 bits de profundidade ................................................................... 39 Figura 18. Imagem com 4 bits de profundidade ................................................................... 40 Figura 19. Imagem com 1 bit de profundidade .................................................................... 41 Figura 20. Comparao visual entre diferentes texturas ....................................................... 43 Figura 21. Representao de um neurnio biolgico ........................................................... 48 Figura 22. Representao de uma sinapse ............................................................................ 49 Figura 23. Neurnio artificial .............................................................................................. 50 Figura 24. Rede neural artificial do tipo MLP ..................................................................... 51 Figura 25. Paradigma de aprendizado supervisionado ......................................................... 52 Figura 26. Viso geral do mtodo proposto ......................................................................... 57 Figura 27. Viso geral do segmentador neural baseado em informao de textura e cor ....... 59 Figura 28. Segmentador baseado na informao de cor executada para deteco de asfalto . 60 Figura 29. Diferentes tipos de materiais .............................................................................. 61 Figura 30. Polgono gerado com configurao 19-1............................................................. 62 Figura 31. Polgono 19-1 com rea destacada ...................................................................... 63 Figura 32. Polgono com configurao 15-7 ........................................................................ 64
Figura 33. Polgono com configurao 1-0 .......................................................................... 65 Figura 34. Polgono gerado a partir de imagem obtida do segmentador neural ..................... 66 Figura 35. Resultado da segmentao baseada no crescimento de regies............................ 68 Figura 36. Segmentao realizada com semente (265, 755) e limiar 10 ............................... 68 Figura 37. Polgono gerado com orientao horizontal ........................................................ 70 Figura 38. Polgono gerado com orientao vertical ............................................................ 71 Figura 39. Exemplo de imagem do conjunto de treinamento para deteco de asfalto, com sua respectiva segmentao manual ............................................................................................ 76 Figura 40. Melhor caso obtido da aplicao do segmentador neural para deteco de asfalto (asfalto em branco e demais regies em preto) ..................................................................... 78 Figura 41. Pior caso obtido da aplicao do segmentador neural para deteco de asfalto (asfalto em branco e demais regies em preto) ..................................................................... 79 Figura 42. Melhor caso do segmentador baseado no crescimento de regies na deteco de asfalto com limiar 40 (asfalto em vermelho) ......................................................................... 80 Figura 43. Pior caso do segmentador baseado no crescimento de regies na deteco de asfalto com limiar 30 (asfalto em vermelho) ......................................................................... 80 Figura 44. Melhor caso da gerao do polgono (rea de interesse em vermelho) ................ 83 Figura 45. Pior caso da gerao do polgono (rea de interesse em vermelho) ..................... 84 Figura 46. Falhas em destaque da segmentao da imagem e gerao do polgono .............. 85 Figura 47. Resultado do georreferenciamento de uma avenida ............................................ 87
SUMRIO
1 INTRODUO ............................................................................................................... 11 1.1 Descrio do Problema ............................................................................................... 11 1.2 Motivao .................................................................................................................. 12 1.3 Objetivos .................................................................................................................... 13 1.4 Organizao do Trabalho ............................................................................................ 14
2 GEOPROCESSAMENTO .............................................................................................. 15 2.1 Cartografia ................................................................................................................. 16 2.1.1 Sistemas de coordenadas...................................................................................... 18 2.1.2 Projees cartogrficas ........................................................................................ 20 2.2 Sistema de Informao Geogrfica ............................................................................. 22 2.2.1 Representao computacional de dados geogrficos............................................. 23 2.2.2 Entrada de dados ................................................................................................. 25 2.2.3 Gerenciamento e recuperao de informao ....................................................... 26 2.2.4 Manipulao e anlise de dados ........................................................................... 28 2.2.5 Produo cartogrfica e exibio de resultados .................................................... 29 2.3 Georreferenciamento .................................................................................................. 29 2.3.1 Mtodos de georreferenciamento ......................................................................... 31 2.4 Consideraes Finais .................................................................................................. 32
3 SEGMENTAO DE IMAGEM.................................................................................. 32 3.1 Espao de Cores ......................................................................................................... 34 3.2 Profundidade de Cor ................................................................................................... 37 3.3 Textura ....................................................................................................................... 42
3.4 Inteligncia Artificial ................................................................................................. 44 3.4.2 Redes neurais artificiais ....................................................................................... 46 3.5 Tcnicas de Segmentao de Imagem ......................................................................... 53 3.6 Consideraes Finais .................................................................................................. 56
4 MTODO PROPOSTO .................................................................................................. 56 4.1 Viso Geral ................................................................................................................ 57 4.2 Segmentador Neural Baseado em Informao de Textura e Cor .................................. 58 4.2.1 Gerao de polgonos a partir de imagens segmentadas ....................................... 61 4.3 Segmentador Baseado no Crescimento de Regies ..................................................... 67 4.3.1 Gerao de polgonos a partir de imagens segmentadas ....................................... 69 4.4 Georreferenciamento de Ruas e Avenidas ................................................................... 72 4.5 Detalhes da Implementao do Prottipo .................................................................... 73 4.6 Consideraes Finais .................................................................................................. 74
5 AVALIAO EXPERIMENTAL ................................................................................. 75 5.1 Deteco de Ruas e Avenidas em Ortofotos ................................................................ 75 5.1.1 Segmentador neural ............................................................................................. 76 5.1.2 Segmentador baseado no crescimento de regies ................................................. 79 5.1.3 Resultados obtidos ............................................................................................... 81 5.2 Resultado Obtido da Gerao de Polgonos ................................................................ 82 5.2.1 Resultado a partir do segmentador baseado no crescimento de regies ................. 82 5.3 Resultado do Georreferenciamento de Ruas e Avenidas ............................................. 85 5.4 Consideraes Finais .................................................................................................. 88
6 CONCLUSO ................................................................................................................. 89 REFERNCIAS ................................................................................................................. 92
1 INTRODUO
A tecnologia do geoprocessamento tem grande potencial para auxiliar na soluo de problemas causados pela insuficincia de informaes. Entretanto, seu uso efetivo ainda est longe de ser concretizado, principalmente porque o levantamento e anlise eficientes das informaes dependem da quantidade e qualidade dos dados georreferenciados disponveis. Neste contexto, as aplicaes que tratam de georreferenciamento esto ganhando cada vez mais espao e importncia. Por outro lado, o processo atual para georreferenciamento de objetos usualmente executado de forma manual, haja vista a escassez de ferramentas disponveis. Pelo exposto, relevante a adoo de um processo capaz de acrescer o grau de automatizao no processo de georreferenciamento de objetos, facilitando assim a construo de novas aplicaes na rea de geoprocessamento.
1.1 Descrio do Problema
Os mtodos atuais de georreferenciamento ainda apresentam baixo nvel de automatizao, sendo necessrio usar agentes para realizar a localizao geoespacial dos objetos. Normalmente, este processo envolve as seguintes etapas: 1. Aquisio de aparelhos GPS (Global Positioning System); 2. Contratao de funcionrios;
11
3. Transportar os funcionrios para as reas onde os objetos sero georreferenciados; 4. Com uso dos aparelhos GPS, os funcionrios fazem a localizao geogrfica dos objetos; 5. Os funcionrios so transportados de volta empresa; 6. Os dados coletados so transferidos para o SIG (Sistema de Informao Geogrfica). notrio que o mtodo atual de georreferenciamento executado com pouco, ou nenhum nvel de automao. Apenas as etapas 4 e 6 podem possuir algum tipo de automatizao. Deste modo, o georreferenciamento se torna um empecilho para a construo de Sistemas de Informao Geogrfica, pois este processo pode ser consideravelmente custoso a depender da regio e quantidade de objetos a serem georreferenciados.
1.2 Motivao
O georreferenciamento de objetos uma tarefa essencial para a construo de SIGs, haja vista que sem a presena de dados localizados geograficamente, no h sentido a construo de SIGs. Outro fator que por esta tarefa ser executada usualmente de forma manual e no ser o objetivo final da maioria das aplicaes que manipulam dados geoespaciais, utiliza recursos humanos que podem ser melhor aplicados na resoluo do problema central, caso exista uma maior automatizao do
georreferenciamento. 12
Apesar da extensa reviso bibliogrfica realizada, no foi encontrado nenhum trabalho com o mesmo fim, que de propor um mtodo para o georreferenciamento de objetos a partir do reconhecimento de imagens. Deste modo, a principal motivao para a realizao desta monografia foi facilitar o georreferenciamento de objetos em SIGs, para assim permitir aplicar esta nova tecnologia em cenrios que, da forma tradicional, teriam uma relao custo/benefcio proibitiva. Alm disto, Cardoso (2009) explica que h um aumento na probabilidade de sucesso, haja vista que os recursos so utilizados de maneira mais produtiva, atacando o problema central.
1.3 Objetivos
O objetivo geral desta monografia elaborar uma soluo na forma de software para a automatizao do georreferenciamento de ruas e avenidas em SIGs a partir do reconhecimento de imagens e que tenha mtricas de avaliao aceitveis a partir de um conjunto de imagens rotuladas manualmente. Os objetivos especficos do trabalho so: Investigar tcnicas de computao visual para segmentao de imagens; Investigar tcnicas de inteligncia artificial, mais especificamente, as redes neurais em processos de segmentao de imagens; Avaliar vantagens e desvantagens da segmentao com base em computao visual e inteligncia artificial; 13
Investigar mtodos de georreferenciamento de objetos; Elaborar um mtodo para georreferenciamento de objetos baseado no reconhecimento de padres de imagens;
Desenvolver um componente de software capaz de implementar o mtodo sugerido;
Validar a eficcia do processo em situaes reais.
1.4 Organizao do Trabalho
Para uma melhor descrio do trabalho, este documento foi organizado em mais 5 captulos. O Captulo 2 apresenta um panorama geral sobre geoprocessamento com a finalidade de fundamentar os conceitos utilizados na resoluo do problema estudado. Em seguida, o Captulo 3 aborda os temas relacionados a rea de segmentao de imagem, portanto, traz fundamentos a respeito do tema, bem como as tcnicas utilizadas na literatura para realizar deteco de materiais. No Captulo 4, o mtodo proposto por este trabalho descrito minuciosamente. O Captulo 5 dedicado a descrio dos resultados obtidos na avaliao experimental realizada atravs de um estudo de caso. Por fim, o Captulo 6 relata as concluses que foram obtidas no trabalho e apresenta propostas de trabalhos futuros para agregar valor ao tema estudado.
14
2 GEOPROCESSAMENTO
A opinio de Cmara, et al. (2001) a cerca do geoprocessamento que:
Em um pas de dimenso continental como o Brasil, com uma grande carncia de informaes adequadas para a tomada de decises sobre os problemas urbanos, rurais e ambientais, o geoprocessamento apresenta um enorme potencial, principalmente se baseado em tecnologias de custo relativamente baixo, em que o conhecimento seja adquirido localmente (Cmara, et al., 2001).
De acordo com Andrade, et al. (2007), o progresso na rea de Tecnologia da Informao possibilita ao gestor, tomadas de deciso com um elevado grau de preciso, ajudando-o a visualizar onde e de que forma ele pode atuar para sanar ou, pelo menos, reduzir os problemas identificados. De outra maneira, o gestor teria que consultar histricos municipais, relatrios, grficos e banco de dados pouco eficientes. Dessa forma, com a adio de dados especficos de representao territorial, tais como informaes relativas a setores censitrios, imagens de satlite, fotos areas e base de dados geogrficos previamente produzidos por empresas especializadas, torna-se possvel classificar, de forma prtica, problemas mais graves apresentados por um municpio, tais como: a falta de infraestrutura bsica, crescimento urbano desordenado e zonas de risco para construo de edificaes. Portanto,
15
Se onde importante para o seu negcio, ento geoprocessamento sua ferramenta de trabalho. Sempre que onde aparece dentre as questes e problemas que precisam ser resolvidos por um sistema informatizado, haver uma oportunidade para considerar a adoo de um Sistema de Informao Geogrfica (SIG) (Cmara, et al., 2001).
Em diversas reas, tais como sade, segurana e transporte, de extrema importncia saber onde h maior incidncia de determinada doena, onde o plano de segurana pblica no est produzindo os resultados esperados ou onde existe o maior congestionamento na cidade. Tais perguntas revelam a necessidade e importncia da adoo de um Sistema de Informao Geogrfica (SIG) como ferramenta de apoio tomada de deciso pelos gestores pblicos.
2.1 Cartografia
Cartografia, que em grego significa escrita de mapa, a cincia que estuda os mapas. Ela est intimamente ligada ao geoprocessamento, pois a cartografia se relaciona com um modelo de representao para os processos que ocorrem no espao geogrfico. J o geoprocessamento a rea que se utiliza de tcnicas computacionais e matemticas para manipular os processos que ocorrem no espao geogrfico, explicam Cmara, et al. (2001). A localizao geogrfica de um objeto s pode ser determinada quando existe algum outro ponto de referncia, seja ele outro objeto conhecido ou um sistema de coordenadas.
16
Um conceito importante quando se trata de localizao geogrfica o datum planimtrico. Resumidamente, o datum uma superfcie de referncia elipsoidal posicionada com respeito a uma certa regio. Sobre esta superfcie realizam-se as medies geodsicas que do vida rede geodsica planimtrica da regio (Cmara, et al., 2001). Em sntese, o datum planimtrico, Figura 1, um modelo matemtico utilizado para representar a superfcie terrestre. Ele determinado por 2 parmetros para definir o elipside de referncia e 3 para definir o vetor de translao entre o centro da Terra real e o do elipside.
Figura 1. Parmetros do Datum Fonte: (Google, 2010)
Pelo exposto, no existe uma posio absoluta para localizar um objeto na superfcie terrestre, visto que a posio sempre ser relativa ao datum ponto de referncia escolhido.
17
2.1.1 Sistemas de coordenadas
Na matemtica, um sistema de coordenadas um sistema utilizado para representar um ponto no espao. Utilizando esta descrio para a geografia, o sistema de coordenadas indispensvel para expressar a posio geogrfica de um ponto. O sistema de coordenadas mais antigo e conhecido o sistema de coordenadas geogrficas, Figura 2. Neste sistema, existem 2 linhas imaginrias que dividem a Terra em 4 quadrantes. Estas linhas so o meridiano de Greenwich e paralelo do Equador.
Figura 2. Sistema de coordenadas geogrficas Fonte: Adaptado de (Amarante, 2008)
Meridiano uma linha imaginria vertical, de forma que o meridiano de Greenwich divide a Terra em leste e oeste. J o paralelo a linha imaginria horizontal, de tal maneira que o paralelo do Equador divide a Terra em norte e sul. 18
Tanto o meridiano de Greenwich quanto o paralelo do Equador so considerados os marcos iniciais no sistema de coordenadas geogrficas. Os meridianos assumem valores entre 180 e -180, respectivamente leste e oeste, e os paralelos entre 90 e -90, respectivamente norte e sul. Para localizar um objeto na superfcie terrestre utilizando o sistema de coordenadas geogrficas, necessrio saber sua latitude e longitude. Latitude est relacionada distncia angular entre o objeto e o meridiano de Greenwich e longitude est relacionada distncia angular entre o objeto e o paralelo do Equador. Outro sistema bastante utilizado o sistema de coordenadas planas, tambm conhecido como sistema de coordenadas cartesianas, cuja representao pode ser vista na Figura 3. Neste sistema, so utilizados 2 nmeros reais para expressar a posio do ponto nos eixos X horizontal e Y vertical.
Figura 3. Sistema de coordenadas planas Fonte: (Geoprocessamento para Linux, 2010)
19
Existem outros sistemas de coordenadas no citados neste trabalho, cujo estudo detalhado foge do escopo desta monografia e pode ser realizado em Cmara, et al. (2001).
2.1.2 Projees cartogrficas
As projees cartogrficas surgiram devido ao problema da deformao gerada ao tentar representar a superfcie terrestre em um plano. A projeo cartogrfica est relacionada com a forma que o mapa ser exibido. A produo de um mapa uma tarefa que:
[...] requer um mtodo que estabelea uma relao entre os pontos da superfcie da Terra e seus correspondentes no plano de projeo do mapa. Para obter essa correspondncia, utilizam-se os sistemas de projees cartogrficas (Cmara, et al., 2001).
As projees podem ser classificadas de acordo com suas propriedades de deformao em conforme, equivalente ou equidistante. Projees conformes mantm os ngulos e as formas de pequenos objetos, porm deforma as reas dos demais objetos. Projees equivalentes mantm as reas, porm alteram os ngulos. J as projees equidistantes alteram os ngulos e as reas. A classificao relacionada ao tipo de superfcie empregada pode ser dividida em planas ou azimutais, cilndricas, cnicas e polidricas. 20
Figura 4. Projeo plana Fonte: (Curso Objetivo, [s.d])
Figura 5. Projeo cnica equivalente de Albers Fonte: (Google, 2010)
Para uma melhor compreenso dos conceitos, as Figuras 4 e 5 ilustram, respectivamente, exemplos de projees plana e cnica.
21
2.2 Sistema de Informao Geogrfica
Segundo Cmara, et al. (2001), o problema fundamental da Cincia da Geoinformao o estudo e a implementao de diferentes formas de representao computacional do espao geogrfico . Sistema de Informao Geogrfica (SIG), ou Geographic Information Systems (GIS), um sistema que manipula dados geogrficos, isto , realiza o tratamento computacional de dados geoespaciais e recupera informaes no apenas com base em suas caractersticas alfanumricas, mas tambm atravs de sua localizao espacial. Barbosa (1997) descreve um SIG como uma ferramenta automtica e computadorizada para manipulao de informaes geogrficas. As principais caractersticas de um SIG so: Armazenar e integrar informaes espaciais provenientes de dados censitrios, de GPS, de imagens de satlite, de cadastros urbanos e rurais; Disponibilizar recursos para anlise e combinao das informaes armazenadas, alm de permitir a consulta, recuperao e visualizao do contedo da base de dados geogrfica. Portanto, a diferena mais marcante entre um SIG e um sistema de informao convencional sua capacidade de armazenar tanto os atributos descritivos como as geometrias dos diferentes tipos de dados geogrficos (Cmara, et al., 2001). Como qualquer outro sistema, cada SIG possui suas funcionalidades particulares, pois cada um foi construdo para solucionar problemas especficos, tendo assim maior robustez para tratar alguns problemas. Porm, possvel citar e agrupar 22
algumas funcionalidades que esto presentes na maioria dos SIGs, as quais podem ser divididas em: Entrada de dados; Gerenciamento e recuperao de informao; Manipulao e anlise de dados; Produo cartogrfica e exibio de resultados.
2.2.1 Representao computacional de dados geogrficos
Os dados geoespaciais podem ser representados por 2 estruturas de dados: vetorial ou matricial. As estruturas vetoriais, Figura 6, armazenam as fronteiras das entidades geogrficas, utilizando pontos, linhas e polgonos.
Figura 6. Exemplo de representao vetorial em duas dimenses Fonte: (Cmara, 2005)
Um ponto um par ordenado (x, y) que alm das coordenadas, podem armazenar atributos descritivos no espaciais. Uma linha um conjunto de pontos conectados, e de modo anlogo ao ponto, pode armazenar atributos. Um polgono a regio ou rea fechada do plano limitada por mais de 2 linhas conectadas umas as
23
outras, de tal forma que o ltimo ponto da ltima linha seja igual ao primeiro ponto da primeira linha. Para Cmara, et al. (2001), na representao matricial o espao representado como uma matriz P(m, n) composto de m colunas e n linhas, onde cada clula possui um nmero de linha, um nmero de coluna e um valor correspondente ao atributo estudado, sendo que cada clula individualmente acessada pelas suas coordenadas. Para utilizar esta representao, o espao deve ser tratado como uma superfcie plana.
Figura 7. Mapa representado com resolues diferentes Fonte: (Cmara, et al., 2001)
A Figura 7 mostra como um mesmo mapa pode ser representado utilizando diferentes resolues. A resoluo do mapa do lado esquerdo 4 vezes menor e assim, o espao necessrio para armazenar esta matriz tambm 4 vezes menor. Entretanto, a preciso dos dados coletados ser 4 vezes maior no mapa do lado direito.
24
A estrutura matricial pode representar uma grade regular ou matriz temtica. Na grade regular, cada elemento est associado a um valor numrico. J na matriz temtica, cada elemento um cdigo que representa um fenmeno, como 1 = caatinga e 2 = mata atlntica. O espao celular uma estrutura que pode armazenar diversos atributos. Com a possibilidade de utilizar uma nica matriz para representar vrios atributos, possvel economizar espao de armazenamento e facilitar o manuseio dos dados.
2.2.2 Entrada de dados
De nada adianta ter um sistema se no possvel inserir novos dados. O que difere um SIG de sistemas convencionais que aquele pode manipular dados como imagens, vetores, dados geogrficos e tambm dados comuns aos sistemas tradicionais. A entrada de dados, por demandar muito tempo e ser bastante sensvel a erros, deve ser o mais automatizado possvel. Mesmo existindo algoritmos para solucionar tais erros, esta soluo lenta e falvel. Imagine um SIG que deve mapear todos os rios de uma determinada regio. Caso este trabalho seja feito de formal manual, haver uma grande probabilidade de existirem erros na hora da insero dos dados, alm do custo para manter uma equipe realizando a tarefa de geolocalizar o curso dos rios. Com um procedimento automatizado, seria muito mais rpido, barato e seguro realizar o mapeamento. As funcionalidades de entrada de dados comumente encontradas nos SIGs so:
25
Admitir a entrada de dados por meio de teclado e/ou mouse, permitindo ao usurio inserir informaes alfanumricas (descritivas), coordenadas geogrficas e pontos no formato vetorial, possibilitando a criao de polgonos e retas no mapa;
Analisar a consistncia dos polgonos para evitar erros, tais como o no fechamento da rea ou sobreposio de polgonos;
Realizar procedimentos de correo sobre os dados inseridos, verificando vrtices desnecessrios.
2.2.3 Gerenciamento e recuperao de informao
Qualquer sistema que utiliza um SGBD (Sistema Gerenciador de Banco de Dados) precisa realizar o gerenciamento da base de dados, no sendo diferente nos Sistema de Informao Geogrfica. Alm das tradicionais tarefas associadas aos SGBDs, tais como controlar o acesso concorrente, manter a consistncia da base de dados, proteger o acesso no autorizado e garantir a recuperao e tolerncia a falhas, um SGBD para uso em SIGs deve ser capaz de garantir a integridade entre os dados alfanumricos tradicionais e os dados geogrficos. Uma questo importante no acesso da informao garantir a recuperao de modo eficiente, atravs de recursos de indexao dos dados o que, em se tratando de SIG, precisa realizar tambm a indexao espacial por meio de tcnicas como B-Tree, R-Tree, Quad-Tree, GiST e HASH, por exemplo.
26
Figura 8. Processamento de consultas espaciais Fonte: (Jr., et al., 2005) adaptado de (Gaede, et al., 1997)
A Figura 8 elucida como realizado o processamento de consultas espaciais. O ndice espacial, tal como o ndice tradicional, possui representaes simplificadas dos objetos, o que reduz drasticamente o tamanho do ndice e, por consequncia, aumenta o desempenho da consulta. Comumente, o processamento da consulta dividido em filtragem e refinamento. Na filtragem, utilizado o ndice espacial com intuito de restringir rapidamente os possveis candidatos. Estes passam por testes geomtricos atravs de algoritmos computacionalmente complexos e custosos, que so aplicados a geometria dos candidatos selecionados. Apesar do nvel de desenvolvimento tecnolgico dos SGBDs atuais, muitos SIGs ainda utilizam arquivos no formato texto como fonte de dados, o que acarreta uma srie de problemas e aumenta a complexidade de desenvolvimento do SIG, pois muitos dos recursos disponibilizados pelos SGBDs sero implementados no prprio SIG.
27
O SIG deve fornecer uma interface para permitir, de maneira fcil, intuitiva e rpida, que o usurio possa recuperar todos os dados de que precisa.
2.2.4 Manipulao e anlise de dados
A forma de analisar e manipular os dados varia de um SIG para outro, seja pela diferena na implementao ou diferena do tipo de dado que trabalhado. Como supracitado, cada SIG concebido para resolver um problema especfico e, por isso, tem um modo nico de manipular e analisar os dados, sendo esta uma caracterstica essencial. Com o uso cada vez maior de imagens de alta resoluo obtidas por satlites, os SIGs da rea de processamento digital de imagens precisam equalizar a imagem pela anlise do histograma, realizar segmentao de imagem, transformao entre espaos de cores, entre outras tcnicas que podem ser empregas em imagens digitais. SIGs que se encaixam nesta categoria so aqueles responsveis por analisarem fotos em busca de ocorrncias ou padres que denotem uma caracterstica ou evento especfico, tais como focos de incndio e desmatamento ilegal. A anlise dos dados para extrao de informao pode ser realizada no momento da entrada dos dados, em rotinas de background ou no momento da realizao de uma consulta. Cabe a cada desenvolvedor analisar qual a melhor estratgia para o SIG que ser concebido.
28
2.2.5 Produo cartogrfica e exibio de resultados
Aps a fase da anlise de dados, o SIG deve retornar algum resultado ao usurio, que vai da finalidade do SIG e da necessidade do usurio. Alguns SIGs so capazes de gerar mapas com legenda, imprimir atravs de dispositivos diversos para a confeco de mapas com alta qualidade, gerar relatrios, plotar mapas, entre outros. A grande maioria dos SIGs encontrados exibem seus resultados em mapas plotados na tela do usurio, como mostrado na Figura 9.
Figura 9. Exemplo de SIG com informaes plotadas no mapa
2.3 Georreferenciamento
O georreferenciamento, imprescindvel para a construo de SIGs, a tcnica que localiza um objeto na superfcie terrestre e o representa em uma projeo 29
cartogrfica. Barbosa (1997) explica que o georreferenciamento descreve um objeto do mundo real em termos de sua posio em relao a um sistema de coordenadas conhecidas (localizao geogrfica) e de suas relaes espaciais com outros objetos como pertinncia, vizinhana e distncia (relacionamentos espaciais).
Figura 10. Exemplos de relacionamentos espaciais Fonte: Adaptado de (Oliveira, 2009)
30
A Figura 10 ilustra exemplos de pertinncia, vizinhana e distncia. Em (a) exposto a relao B pertence A, em (b) A vizinho B e em (c) A est a uma distncia D de B.
2.3.1 Mtodos de georreferenciamento
As aplicaes que tratam de georreferenciamento esto ganhando cada vez mais espao e importncia. Por outro lado, o processo atual para georreferenciamento de objetos (ruas, rios, florestas, etc) usualmente executado de forma manual, haja vista a escassez de ferramentas disponveis. Este processo bastante oneroso, demorado e relativamente mecnico quando executado por pessoas. Mtodos atuais, como os propostos por Vieira, et al. (2008) e Folador, et al. (2008), ainda apresentam baixo nvel de automao no processo de georreferenciamento dos objetos, sendo necessrio usar um agente em campo dotado de um aparelho GPS (Global Positioning System) para coletar a posio geogrfica dos vrtices do polgono, delimitando assim a rea do objeto a ser georreferenciado. Por serem os mtodos atuais bastante onerosos, demorados e com baixo grau de automatizao, a proposta deste trabalho criar um mtodo capaz de acrescer o grau de automatizao no processo de georreferenciamento de objetos e que possibilite maior velocidade e segurana, bem como reduo nos custos associados entrada de tais dados nos SIGs. Apesar da extensa reviso bibliogrfica realizada, no foi encontrado nenhum trabalho com a finalidade de automatizar o processo, permitindo um mtodo
31
para o georreferenciamento de objetos a partir do reconhecimento de padres na imagens.
2.4 Consideraes Finais
Embora o tema deste trabalho seja pouco explorado na literatura acadmica, a reviso bibliogrfica pde prover informaes bastante importantes acerca de tpicos relevantes para a obteno de um mtodo automatizado para o georreferenciamento de objetos a partir de imagens. No que tange o georreferenciamento, foi possvel determinar que os mtodos atuais possuem baixo grau de automatizao e utilizam agentes que fazem o processo do georreferenciamento, o que torna relevante propor um mtodo baseado no reconhecimento de imagens.
3 SEGMENTAO DE IMAGEM
Sobre segmentao de imagem, Saldanha, et al. (2009) explicam que:
Um dos grandes desafios na rea de processamento de imagens digitais a extrao rpida de informaes a partir das imagens para a realizao de anlise. Uma questo fundamental na extrao a simplificao da imagem, reduzindo as informaes a regies homogneas, permitindo uma representao mais adequada. Essa tarefa consiste o problema da segmentao (Saldanha, et al., 2009).
32
Na rea de processamento digital de imagens de sensoriamento remoto, a segmentao pode ser definida, segundo Moik (1980), como uma anlise que trata da definio de objetos geogrficos ou regies em imagens. Na anlise de imagens, a primeira etapa geralmente a segmentao da imagem, que tem como funo extrair informao da imagem digital. A segmentao divide a imagem em partes ou objetos, reduzindo assim a quantidade de informao na imagem, como ilustrado na Figura 11.
Figura 11. Exemplo de imagem segmentada Fonte: (Cardoso, 2009)
A segmentao realizada na Figura 11 desejava separar o cu azul dos demais materiais presentes na imagem. Neste contexto, a regio de cor preta significa que no processo de segmentao, o material foi identificado como no sendo cu azul. Em contrapartida, a regio marcada com a cor branca significa que o material foi identificado como cu azul.
33
A reduo da quantidade de informao na imagem um ponto chave para a extrao de informao. Reduzir a quantidade de informao na imagem em regies aproximadamente homogneas permite uma anlise mais eficaz. Por tal motivo, o sucesso da extrao das informaes est intrinsecamente ligado qualidade do tratamento realizado, sendo a segmentao uma das etapas. Os autores Gonzalez, et al. (2000) e Saldanha, et al. (2009) comentam que o desenvolvimento de algoritmos com a finalidade de automatizar o processo de segmentao de imagem um das tarefas mais complexas na rea de processamento de imagens. Yong, et al. (2004) esclarecem que para alcanar um resultado aceitvel, o algoritmo deve ser dotado de heursticas que abranjam tanto informao semntica, como conhecimento a priori sobre as imagens que esto sendo processadas.
3.1 Espao de Cores
O espao de cores uma especificao de um sistema de coordenadas tridimensionais e um subespao dentro deste sistema onde cada cor representada por um nico ponto (Gonzalez, et al., 2000). Nem todo espao de cores tridimensional, como o caso do CMYK Cyan, Magenta, Yellow and Key Black , Figura 12, que formado por Ciano, Magenta, Amarelo e Preto.
34
Figura 12. Decomposio de imagem no modelo de cor CMYK Fonte: (Wikipedia, 2009)
Um modelo ou espao de cor foi criado com a finalidade de padronizar e facilitar a especificao das cores, deste modo, a notao 0, 0, 0 em RGB Red (Vermelho), Green (Verde), Blue (Azul) entendida como a cor preta. Sabe-se que as cores podem ser modeladas em canais, e especificamente no espao de cores HSV, estes canais so matiz, saturao e valor, como ilustrado na Figura 13. Existem diversos modelos de cores, alguns deles so: RGB Red, Green, Blue (Vermelho, Verde, Azul); Grayscale (Escala de cinza); HLS Hue, Lightness, Saturation (Matiz, Luminosidade, Saturao); HSV Hue, Saturation, Value (Matiz, Saturao, Valor); YCbCr Luminance, Chrominance Blue, Chrominance Red
(Luminncia, Crominncia de azul, Crominncia de Vermelho).
35
Figura 13. Espao de cores HSV visualizado como um cone Fonte: (Microsoft, [s.d])
O espao de cores mais utilizado o RGB, amplamente utilizado em monitores com tubos de raios catdicos televises e monitores tradicionais e foi baseado na viso humana, que possui cones sensveis as luzes vermelha, azul e verde. O modelo RGB pode ser visualizado como um cubo com as 3 cores primrias que misturadas do origem a uma diversidade de cores, como ilustrado na Figura 14.
Figura 14. Espao de cores RGB visualizado como um cubo Fonte: (Microsoft, [s.d])
36
Cada espao de cores tem vantagens e desvantagens para cada situao, o que pode influenciar na segmentao da imagem. A depender das caractersticas da imagem, de grande valia realizar uma transformao no espao de cores para assim, garantir um melhor resultado na segmentao.
3.2 Profundidade de Cor
Alm do espao de cores, outro conceito importante para a segmentao de imagens a profundidade de cor. Cada canal, independente do espao de cores utilizado, pode ser codificado utilizando uma quantidade N de bits. Tendo como exemplo uma imagem de 24 bits no espao de cores RGB, cada pixel ser composto pelos canais vermelho, verde e azul. Um pixel qualquer poderia ser representado da seguinte maneira:
R 10010111
G 11110101
B 01001010
Quadro 1. Pixel codificado no espao de cores RGB com 24 bits de profundidade
O modelo de cor RGB, Quadro 1, normalmente utiliza 24 bits para codificao das cores, 8 bits para cada canal. notrio que uma quantidade maior de bits poder representar mais cores e assim mais informaes existiro na , como mostrado no Quadro 2. Cardoso (2009) explica que a reduo da profundidade de cor tende a homogeneizar as cores, visto que cores semelhantes em 8 bits sero
37
consideradas cores iguais em codificaes de menor profundidade. Este efeito pode ser visto nas Figuras 15, 16, 17, 18 e 19.
Profundidade de cor 1 2 4 8 16 24
Nmero de cores representadas 2 4 16 256 65.536 16.777.216
Quadro 2. Quantidade de cores representadas por profundidade
A Figura 15 a imagem original obtida da cmera digital com profundidade de 24 bits.
Figura 15. Imagem com 24 bits de profundidade
38
As imagens das Figuras 15 e 16 so bastante semelhantes para o olho humano. A codificao de 24 para 16 bits no resulta em uma perda considervel de qualidade.
39
Entre as Figuras 16 e 17 (16 e 8 bits, respectivamente) j existe uma homogeneizao relevante nas cores.
Com apenas 4 bits na imagem, Figura 18, fica difcil representar as cores, haja vista a pequena quantidade de cores possveis de se representar. Por fim, a Figura 19 mostra a imagem com apenas 1 bit de profundidade, sendo possvel representar apenas as cores branca e preta.
40
Figura 19. Imagem com 1 bit de profundidade
O Quadro 3 mostra o tamanho das imagens das Figuras 15 a 19 e a perda de informao quando comparada com a imagem da Figura 15, codificada com 24 bits de profundidade.
Profundidade de cores 24 16 8 4 1
Quantidade de cores 16.777.216 65.536 256 16 2
Tamanho do arquivo sem compresso 746 KB 498 KB 251 KB 125 KB 31,3 KB
Perda de informao (%) --33,24% 66,35% 83,24% 95,80%
Quadro 3. Efeito da reduo da profundidade de cores no tamanho do arquivo
Assim como o espao de cores, a profundidade de cores tambm tem influncia no resultado da segmentao da imagem. Na deteco de pele humana em fotografias realizada no trabalho de Cardoso (2009), houve uma variao da Medida-F 41
(mdia harmnica entre a taxa de deteco e a preciso) de 3,05% at 58,95% utilizando o espao de cores YCbCr. O Quadro 4 detalha o resultado obtido.
Profundidade de Cor 1 bit por canal (2 nveis) 2 bits por canal (4 nveis) 3 bits por canal (8 nveis) 4 bits por canal (16 nveis) 5 bits por canal (32 nveis) 6 bits por canal (64 nveis) 7 bits por canal (128 nveis) 8 bits por canal (256 nveis)
Medida-F (Fm) 3,05% 1,52% 44,87% 52,60% 57,42% 58,95% 58,11% 57,02%
Quadro 4. Influncia da profundidade de cor na deteco de pele humana em fotografias Fonte: Adaptado de (Cardoso, 2009)
O resultado do Quadro 4 mostra que uma maior quantidade de bits por canal no aumenta a Medida-F na deteco de pele humana e comprova a influncia da profundidade de cores no resultado da segmentao.
3.3 Textura
Cada pesquisador define textura de forma diferente, dependendo da aplicao especfica em que utilizada. Tuceryan, et al. (1999) definem textura como a function of the spatial variation in pixel intensities e pode ser entendido como uma funo de variao espacial de intensidades de pixels. O autor Cardoso (2009) explica que textura um padro homogneo resultante da presena de pequenas variaes de uma intensidade de cor que caracterizam certos tipos de materiais. 42
A textura outro fator importante no processo de segmentao de imagens, haja vista que tons acinzentados podem estar presentes em asfalto e telhados, por exemplo. Um segmentador que leva em considerao apenas a cor pode ser ludibriado mais facilmente que outro segmentador que analisa tambm a textura.
Figura 20. Comparao visual entre diferentes texturas Fonte: (Cardoso, 2009)
A Figura 20 ilustra um exemplo de tons de verde com textura de grama e sem textura. O reconhecimento de textura pela viso um humana um processo relativamente fcil, porm o mesmo no se aplica para os computadores, pois estes devem executar tcnicas computacionais implexas e custosas.
Material Grama Cu azul
Segmentador com informao de cor (Medida-F) 96,76% 78,42%
Segmentador com informao de textura e cor (Medida-F) 95,85% 96,18%
Quadro 5. Influncia da textura na deteco de materiais Fonte: Adaptado de (Cardoso, 2009)
43
O Quadro 5 mostra a influncia da textura na segmentao de imagem. Na deteco de cu azul realizada por Cardoso (2009), houve um aumento na medida-F, porm na deteco de grama houve uma diminuio desta medida. A utilizao da textura para realizao da segmentao de imagens deve ser avaliada em cada caso especfico para verificar qual o melhor mtodo para deteco do material estudado.
3.4 Inteligncia Artificial
Existem vrias definies para Inteligncia Artificial IA. Cada autor segue uma linha diferente de pensamento. Para Haugeland (1985), IA o esforo para fazer os computadores pensarem utilizando-se a mente, no sentido literal e total. A definio de Araribia (1988) para IA um campo que usa tcnicas de programao que procuram, por intermdio de mquinas, resolver problemas do mesmo modo que um ser humano os resolveria. Kurzweil (1990) entende que mquinas que executam funes que exigem inteligncia quando executadas por pessoas uma forma de IA. No trabalho de Charniak, et al. (1985), explicado que inteligncia artificial o estudo das faculdades mentais pelo uso de modelos computacionais. Dentre as vrias definies, destaca-se a explicao dada por Nikolopoulos (1997). O autor diz que a IA:
[...] um campo de estudos multidisciplinar, originado da computao, da engenharia, da psicologia, da matemtica e da ciberntica, cujo principal
44
objetivo construir sistemas que apresentem comportamento inteligente e desempenhem tarefas com um grau de competncia equivalente ou superior ao grau com que um especialista humano as desempenharia (Nikolopoulos, 1997).
A IA possui 2 paradigmas principais: simbolista e conexionista. Na IA simbolista, os processos inteligentes so simulados a partir da lgica booleana. J a IA conexionista diz que a inteligncia artificial verdadeira deve simular o processo da inteligncia natural, pois existem problemas que so impossveis de serem deduzidos em algoritmos, no tendo assim uma soluo computvel. Existem algumas tcnicas para a resoluo de problemas utilizando inteligncia artificial. Algumas destas tcnicas so: buscas, sistemas baseados em regras, raciocnio baseado em casos e lgica fuzzy. A busca uma tcnica utilizada quando no h uma abordagem direta nem uma estrutura que possibilite outras tcnicas serem usadas. A partir de todas as possveis solues, o agente ir percorrer uma a uma at uma soluo satisfatria seja encontrada. Sistemas baseadas em regras so aqueles, como o prprio nome sugere, sistemas baseados em regras do tipo Se... Ento.... Estes sistemas so muito utilizados, pois do origem aos sistemas especialistas. Um sistema especialista um software que tem a capacidade de aconselhar ou encontrar solues para problemas de uma rea especfica. A tcnica do raciocnio baseado em casos tem por objetivo utilizar a experincia adquirida com problemas passados para resolver problemas futuros. Sistemas que utilizam esta tcnica armazenam problemas e suas respectivas solues, 45
assim, quando existe um problema a ser solucionado, o sistema verifica se existe algum problema simular que j tenha sido resolvido e caso exista em sua base de dados, aplica a soluo ao problema atual. A lgica fuzzy baseada na lgica booleana, onde uma premissa ou falsa ou verdadeira, sendo representada pelos nmeros 0 ou 1. Na lgica fuzzy, uma premissa pode variar de 0 a 1, adicionando assim a caracterstica da probabilidade. Esta lgica permite expressar o conhecimento e as solues de modo semelhante linguagem natural e por isto utilizada nas redes neurais artificiais.
3.4.2 Redes neurais artificiais
Haykin (1999) explica que:
O crebro um computador (sistema de processamento de informao) altamente complexo, no-linear e paralelo. Ele tem a capacidade de organizar seus constituintes estruturais, conhecidos por neurnios, de forma a realizar certos processamentos [...] muito mais rapidamente que o mais rpido computador digital hoje existente (Haykin, 1999).
A rede neural artificial RNA um modelo computacional que tem inspirao na rede neural natural, ou seja, a RNA tenta reproduzir o funcionamento do crebro humano. Como o conhecimento acerca do funcionamento do crebro humano ainda bastante limitado, as RNAs so um modelo grosseiro de representao da rede neural humana. 46
O crebro humano caracterizado pela grande quantidade de elementos processadores neurnios interligados a vrios outros neurnios. Estes neurnios so responsveis pelo processamento paralelamente distribudo. Para Haykin (1999), as RNAs assemelham-se ao crebro humano por 2 motivos: O conhecimento adquirido atravs de um processo de aprendizagem; Os pesos sinpticos, ou foras de conexo entre neurnios, so responsveis por armazenar o conhecimento adquirido. O poder computacional das RNAs, na tica de Haykin (1999), se d por 2 motivos: a estrutura paralelamente distribuda e a habilidade de aprender generalizar. Estas caractersticas do rede neural artificial a capacidade de resolver problemas complexos que so atualmente intratveis.
Parmetro Sinal Dados Programas Processamento Resultados Memria Controle processos
Computao tradicional Digital Completos e Estruturados Dependentes de instrues Matemtico e lgico Previsveis Separada do processamento de Centralizado Analgico
Computao neural Incompletos e nebulosos Formulam mtodos de processamento de maneira independente Sinais ponderados Geralmente imprevisveis Geralmente memria e processamento esto combinados Distribudo
Quadro 6. Comparao entre computao tradicional e neural Fonte: Adaptado de (Cardoso, 2009)
O Quadro 6 exibe as principais diferenas entre a computao tradicional e neural.
47
A unidade bsica da rede neural natural, e tambm artificial, o neurnio. Ele responsvel por realizar o processamento dos sinais. Esta unidade bsica recebe impulsos de outros neurnios, combina e processa as entradas e envia um sinal.
Figura 21. Representao de um neurnio biolgico Fonte: Adaptado de (University of Texas, 2006)
Como no o foco deste trabalho a biologia do neurnio, Figura 21, ele ser dividido em 3 partes distintas: dendritos, corpo celular e axnio. Os dendritos so responsveis por receberem os impulsos nervosos sinais eltricos dos outros neurnios. no corpo celular onde ocorre o processamento dos impulsos recebidos pelos dendritos, dando origem a um novo impulso. Este impulso, processado pelo soma, passa pelo axnio e transmitido por meio das terminaes do axnio para os neurnios vizinhos.
48
O processamento de informao no neurnio inicia-se com o recebimento dos impulsos gerados pelos neurnios vizinhos, que segundo Barreto (2002), chega a aproximadamente 1.000 neurnios. Estes sinais so enviados ao corpo celular soma que realiza o processamento e gera um novo sinal eltrico que dependente dos sinais recebidos e do prprio limiar do corpo celular. O sinal processado passa pelo axnio at chegar s suas terminaes, onde ocorrem as sinapses.
Figura 22. Representao de uma sinapse Fonte: Adaptado de (Ballone, 2006)
A sinapse, ilustrada na Figura 22, uma espcie de conexo entre os neurnios que possibilita a transmisso do sinal eltrico do axnio de um neurnio para o dendrito do seu vizinho. A terminao do axnio no toca o dendrito do neurnio vizinho, a transmisso possvel graas presena de substncias chamadas
49
neurotransmissores e neurorreceptores. Os neurotransmissores esto presentes nas terminaes nervosas dos axnios e os neurorreceptores nos dendritos. A reao qumica entre neurotransmissores e neurorreceptores possibilita a transmisso do impulso entre os neurnios vizinhos. A quantidade de neurotransmissores depende da eficincia da sinapse e da intensidade do impulso nervoso do neurnio gerador, explica Cardoso (2009), fazendo com que o sinal transmitido seja mais ou menos intenso.
Figura 23. Neurnio artificial Fonte: Adaptado de (Schamel, 2007)
Para simular o funcionamento do neurnio biolgico, foi criado o neurnio artificial, ilustrado na Figura 23, que utilizado na rede neural artificial. O neurnio artificial anlogo ao neurnio natural, pois recebe sinais atravs das suas entradas, calcula o somatrio dos produtos das entradas com seus respectivos pesos, o somatrio passa por uma funo de ativao no linear que resulta em um sinal de sada.
Existe ainda uma entrada com valor fixo 1, denominada bias, onde seu peso serve para o ajuste da sada.
50
Analisando o neurnio artificial, possvel identificar os dendritos, corpo celular e axnio. As entradas do neurnio artificial equivalem aos dendritos, o somatrio das entradas e a funo de ativao equivalem ao corpo celular e a sada tem a funo do axnio. Ainda possvel comparar o peso das entradas com as fora de cada sinapse. O uso do neurnio artificial permite criar a RNA de forma semelhante rede neural humana. O modelo mais empregado para problemas de classificao de padres a da rede neural artificial Perceptron de Mltiplas Camadas (MLP Multilayer Perceptron), que pode ser vista na Figura 24.
Figura 24. Rede neural artificial do tipo MLP Fonte: Adaptado de (Cardoso, 2009)
51
As MLPs tm 3 tipos de camadas: entrada, oculta e sada. Os neurnios da camada de entrada recebem sinais do exterior, os das camadas ocultas realizam o processamento da RNA MLP e os da camada de sada devolvem os sinais para o exterior. A quantidade de camadas ocultas e de neurnios em cada uma destas camadas varivel. Redes neurais MLP utilizam o paradigma de aprendizado supervisionado, ilustrado na Figura 25. Neste paradigma, o professor indica de forma explicita se as respostas dadas pela RNA esto corretas ou no. Para cada vetor de entradas apresentado a rede, gerada uma resposta que analisada pelo professor e caso a resposta esteja errado, o supervisor informa a sada correta. Comparando-se a resposta da rede com a do professor, possvel computar o sinal de erro, definido como a diferena entre a resposta do professor e da rede.
Figura 25. Paradigma de aprendizado supervisionado Fonte: (Cardoso, 2009) adaptado de (Haykin, 1999)
52
Sobre o ajuste dos pesos, Haykin (1999) explica que:
[...] realizado passo a passo, iterativamente, com o objetivo de fazer a rede neural emular o professor [...] Desta forma, o conhecimento do ambiente disponvel ao professor transferido para a rede neural atravs de treinamento, da forma mais completa possvel (Haykin, 1999).
Quando a quantidade de iteraes atinge um determinado limiar ou o erro mdio quadrtico computacionalmente aceitvel, o processo de treinamento finalizado. Dentre os vrios algoritmos de treinamento existentes so exemplos: aprendizado Hebbiano, regra delta, retropropagao e algoritmos genticos , o mais utilizado o de retropropagao, ou backpropagation. No algoritmo backpropagation, os ajustes dos pesos so realizados da camada de sada para a de entrada, ou seja, de trs para frente. Para um estudo mais aprofundado, recomenda-se a leitura de Barreto (2002), Cardoso (2009) e Haykin (1999).
3.5 Tcnicas de Segmentao de Imagem
As tcnicas de segmentao de imagem baseadas em computao visual podem ser classificadas de maneira macro em: deteco de descontinuidades e similaridade entre regies e limiarizao.
53
Na deteco de descontinuidades, mudanas bruscas nos tons de cinza da imagem so assinaladas pelos algoritmos. Esta tcnica pode ser utilizada para detectar pontos, linhas e bordas. Saldanha, et al. (2009) comentam que a grande maioria dos algoritmos utiliza a convoluo, aplicando mscaras para detectarem descontinuidades na imagem. Como na deteco de descontinuidade, principalmente na deteco de linhas e bordas, apresentam falhas devido ao rudo e quebras na fronteira, posteriormente so utilizados algoritmos para ligao e composio das fronteiras, explanam Cardoso (2009), Gonzalez, et al. (2000), Saldanha, et al. (2009) e Venturieri (1996). Diferentemente da deteco de descontinuidade que buscava mudanas bruscas nos pixels, a deteco de similaridade entre regies tem como fundamento a observao do interior dos objetos e no as fronteiras que os delimitam (Saldanha, et al., 2009). Os autores Saldanha, et al. (2009) elucidam ainda que este tipo de deteco parte da idealizao que os pixels que compe um objeto tm propriedades similares enquanto que pixels de objetos distintos tm propriedades distintas. Cardoso (2009) esclarece em seu trabalho que este tipo de deteco utiliza algoritmos de crescimento de regio, como o floodfill,para separar a imagem em regies de cor similar, alm disto, a diviso e fuso de regies so tcnicas que podem sem empregadas para aprimorar a segmentao. Para Gonzalez, et al. (2000), a limiarizao de imagens uma das abordagens mais importantes para a segmentao. Como o nome sugere, a limiarizao utiliza limiares, ou seja, limites para identificar a qual regio um pixel pertence. A limiarizao pode utilizar 1 ou mais limites para classificao dos pixels em regies. Um exemplo simples classificar pixels com intensidade menor que 127 como
54
pertencentes regio A e pixels com intensidade maior ou igual a 127 como pertencentes regio B. Uma tcnica mais atual utilizao de redes neurais artificiais para segmentao de imagem. As RNAs, aps a aquisio de conhecimento, podem resolver problemas computacionalmente complexos, como o caso da segmentao de imagens. Muitos estudos esto sendo feitos nos ltimos anos na referida rea, com destaque para o mtodo desenvolvido por (Cardoso, 2009). Em seu trabalho, Cardoso (2009) props um mtodo que utilizando uma RNA do tipo MLP, foi capaz de segmentar tipos diferentes de materiais em imagens digitais, sendo necessrio para isso realizar o treinamento da rede. Por utilizar uma rede neural artificial, no preciso desenvolver um algoritmo especfico para cada tipo de material que se deseje detectar. Deste modo, possvel criar um segmentar genrico de materiais, viabilizando a construo de uma soluo para o georreferenciamento de objetos, foco do presente trabalho. Para utilizar o mtodo desenvolvido por Cardoso (2009), necessrio ter um conjunto de imagens segmentadas manualmente para a aquisio de conhecimento, bem como para validao e medio das respostas fornecidas pela RNA. Nos experimentos realizados pelo autor, o segmentador atingiu Medida-F de 97,11%, 51,01% e 92,84% na segmentao de grama, pele humana e cu azul, respectivamente. Um estudo mais aprofundado a respeito das tcnicas de segmentao de imagem pode ser realizado com a leitura de Cardoso (2009), Gonzalez, et al. (2000), Saldanha, et al. (2009) e Venturieri (1996).
55
Este captulo abordou temas introdutrios a cerca da segmentao de imagens, inteligncia artificial e redes neurais artificiais, como tambm fez uma breve explanao sobre as principais tcnicas utilizadas na segmentao de imagem. A segmentao um tema bastante conhecido e com grande quantidade de estudos realizados, apesar disso, esta rea tem bastante potencial para o desenvolvimento de novas tcnicas, como exemplo, o estudo e emprego de redes neurais artificiais. No que tange as tcnicas de segmentao de imagens, destaca-se o mtodo proposto por Cardoso (2009) que foi capaz de segmentar diferentes materiais em imagens de maneira automatizada utilizando uma rede neural artificial do tipo MLP.
4 MTODO PROPOSTO
Este captulo apresenta o mtodo proposto para automatizao do georreferenciamento de objetos a partir de ortofotos imagens de tomada area na qual possvel calcular a posio geogrfica de qualquer ponto. Inicialmente fornecida uma viso geral das principais fases do mtodo proposto, prosseguindo com o detalhamento de cada uma delas e por fim a implementao do prottipo de software.
56
4.1 Viso Geral
A Figura 26 contempla a viso geral do mtodo proposto.
Figura 26. Viso geral do mtodo proposto
O mtodo pode ser dividido em 3 fases principais: 1. Segmentao da imagem: nesta fase realizada a deteco do material desejado na imagem; 2. Gerao do polgono: utilizando como insumo a imagem segmentada na fase anterior, gerado o polgono correspondente a regio segmentada; 3. Georreferenciamento do polgono: utilizando como insumo o polgono gerado na fase anterior, realizado o georreferenciamento do polgono da imagem. Vale ressaltar que a fase da gerao do polgono utiliza como insumo o resultado da fase anterior, ou seja, quanto melhor for o resultado da segmentao da imagem, melhor tambm ser o da fase seguinte.
57
4.2 Segmentador Neural Baseado em Informao de Textura e Cor
Os trabalhos de Gonzalez, et al. (2000) e Saldanha, et al. (2009) explicam que o desenvolvimento de algoritmos com a finalidade de automatizar o processo de segmentao de imagem uma das tarefas mais complexas na rea de processamento de imagens, alm disto, Yong, et al. (2004) esclarecem que para alcanar um resultado aceitvel, o algoritmo deve ser dotado de heursticas que abranjam tanto informao semntica, como conhecimento a priori sobre as imagens que esto sendo processadas. Baseado na informao de Yong, et al. (2004), conclui-se que para segmentar imagens de maneira satisfatria, preciso desenvolver um algoritmo especfico para cada tipo de material que ser manipulado. Como este trabalho teve a pretenso de elaborar uma soluo para automatizao do georreferenciamento de objetos, isto , detectar variados tipos de materiais, tornar-se-ia invivel utilizar um mtodo de segmentao de imagem baseado em tcnicas tradicionais de computao visual. sabido que uma forma de passar conhecimento para um programa de computador utilizando as redes neurais artificiais, por isto inicialmente optou-se pelo mtodo proposto por Cardoso (2009) para a segmentao das ortofotos. Este mtodo foi capaz de segmentar com alta preciso diferentes tipos de materiais em imagens de maneira automatizada, utilizando para isto uma rede neural artificial do tipo MLP.
58
Figura 27. Viso geral do segmentador neural baseado em informao de textura e cor Fonte: (Cardoso, 2009)
A viso geral do segmentador, ilustrada na Figura 27, e a ideia macro do seu funcionamento so simples. Resumidamente, apresentada uma base de treinamento para a rede MLP, gera-se ento o segmentador baseado em informao de cor, posteriormente gera-se o segmentador baseado em informao de textura e cor e por fim feita a expanso das regies fornecidas na etapa anterior. De maneira simplria, o software treina a rede neural artificial mediante as imagens de treinamento. No processo de treinamento preciso informar parmetros como quantidade de neurnios da camada oculta, tamanho da janela a ser utilizada na imagem, espao de cores, profundidade da imagem e quantidade de pocas. Concluda esta etapa, possvel fornecer uma imagem para que a rede neural faa a segmentao de maneira automatizada. A etapa de treinamento foi realizada diversas vezes com as mais variadas configuraes a fim de obter um melhor segmentar baseado em informao de cor. Percebeu-se que o resultado deste segmentador na segmentao de asfalto no teria grande xito, visto que a medida-F do segmentador estava baixa.
59
Figura 28. Segmentador baseado na informao de cor executada para deteco de asfalto
A medida-F abaixo das expectativas pode ser explicada por 2 principais motivos: semelhana de textura e cor do asfalto com outros materiais e no uniformidade das caractersticas do asfalto. Em Aracaju, como tambm em demais cidades no Brasil, o asfalto no possui uma cor e textura semelhantes. comum encontrar asfalto com colorao bem escura prximo ao preto , e bem clara prximo ao branco. Uma justificativa para este fenmeno o tempo de vida do asfalto. Tendo assim tons que variam do branco ao preto, a cor e textura do asfalto em muitos casos foram semelhantes a alguns tipos de telhados, dificultando assim a deteco do asfalto nas imagens. A Figura 29 ilustra os problemas citados. Percebe-se que a cor do asfalto (f) bastante diferente dos demais e que as texturas de (c) e (e) no se assemelham com as texturas de (a) e (f). A identificao do asfalto sem informao semntica do restante da imagem um desafio at mesmo para os humanos, tornando-se muito mais complexa quando executada por um sistema computacional. 60
Figura 29. Diferentes tipos de materiais
Analisando a cor e textura dos materiais e a medida-F, chegou-se a concluso que o segmentador neural no alcanaria a preciso desejada e por tal motivo, no foi dado prosseguimento na obteno dos demais segmentadores. Como o resultado da segmentao no foi satisfatrio, houve a necessidade da utilizao de um novo mtodo de segmentao de imagens, abordado no tpico 4.3.
4.2.1 Gerao de polgonos a partir de imagens segmentadas

A segunda etapa recebe como entrada a imagem obtida do segmentador neural e tem por finalidade gerar o polgono da regio segmentada na imagem. Alm da
61
imagem de entrada, esta fase aceita 2 parmetros: nmero de pixels a ser pulado e limite da distncia entre os pixels. O nmero de pixels a ser pulado informa quantos pixels sero ignorados na busca por um pixel vizinho. O parmetro referente ao limite da distncia entre os pixels informa o maior valor aceito na diferena entre a distncia das coordenadas X e Y dos pixels 1 e 2 e pixels 1 e 3. Este limite permite ajustar a sensibilidade do mtodo, onde um menor limite ocasionar uma tolerncia menor na mudana de direo dos pixels e, por conseguinte maior quantidade de pontos para formar o polgono.
Figura 30. Polgono gerado com configurao 19-1
A Figura 30 mostra uma imagem segmentada, onde a regio branca representa asfalto e a regio preta no asfalto. Os pontos em vermelho so os vrtices do 62
polgono e as linhas em amarelo so as arestas. O polgono foi gerado com os parmetros nmero de pixels a ser pulado igual a 19 e limite da distncia entre os pixels igual a 1.
Figura 31. Polgono 19-1 com rea destacada
Na Figura 31, a rea do polgono foi preenchida em azul para mostrar a preciso do algoritmo. As pequenas regies em branco representam as reas que no foram marcadas como pertencentes ao polgono por causa da configurao escolhida. Quanto menor o limite da distncia e os pixels pulados, menor ser a rea branca e maior ser a preciso do polgono.
63
Figura 32. Polgono com configurao 15-7
A Figura 32 mostra o polgono gerado a partir da mesma imagem segmentada, porm com configurao 15-7. As regies em branco erroneamente no pertencem ao polgono, enquanto as regies verdes incorretamente pertencem ao polgono. O polgono gerado na Figura 33 ilustra a maior preciso que o mtodo permite. Percebe-se que no existem as regies brancas ou verdes, visto que todos os pixels foram analisados e no foi tolerada mudana de direo dos pixels.
64
Figura 33. Polgono com configurao 1-0
As Figuras 30, 31, 32 e 33 foram obtidas a partir de uma imagem de treinamento apresentada ao segmentador neural. notrio que o mtodo para gerao dos polgonos vlido e proporciona alta preciso, entretanto sensvel a imagens segmentadas incorretamente. A Figura 34 exemplifica a sensibilidade do mtodo a imagens segmentadas incorretamente. De maneira proposital, foi apresentada como entrada a mesma ortofoto, porm obtida do segmentador neural. A sensibilidade justificada pela forma de funcionamento do mtodo que gera o polgono.
65
Figura 34. Polgono gerado a partir de imagem obtida do segmentador neural
O mtodo procura um pixel de cor preta que faz fronteira com um pixel de cor branca, ou seja, um pixel pertencente fronteira entre no asfalto e asfalto. Com o primeiro pixel aceito pelo critrio de busca, o mtodo obtm o pixel vizinho no visitado tambm pertencente ao mesmo critrio. Quando no encontrado nenhum pixel vizinho no visitado que atenda ao critrio, feita uma varredura na imagem procurando por algum pixel no visitado e que atenda ao critrio. Este processo realizado, visto que as caladas das ruas no so conectadas, deste modo, preciso realizar uma busca na imagem para localizar novos pontos de interesse. O resultado visto na Figura 34 corrobora a afirmao de que o segmentador neural no funcionou como esperado na deteco de asfalto, bem como o mtodo para 66
gerao dos polgonos s pode ser aplicado a imagens segmentadas de maneira bem controlada.
4.3 Segmentador Baseado no Crescimento de Regies
No surtindo o efeito desejado na segmentao das imagens, optou-se por implementar o algoritmo floodfill, que um mtodo de segmentao de imagens baseado no crescimento de regies. O floodfill busca por similaridades na imagem a partir de uma semente, ou seja, pixel de referncia. O algoritmo implementado recebe como parmetros a semente e um limiar. A segmentao iniciada pela semente e a comparao da similaridade entre os pixels utiliza como referncia a semente. Para cada pixel no visitado adjacente a semente, verificado se cada canal do espao cores RGB sofre uma variao aceitvel pelo limiar informado, sendo a variao menor ou igual ao limiar, o vizinho adicionado na fila. Este processo se repete at no haver mais pixels na fila. Os pixels adjacentes so adicionados na fila em sentido horrio, de tal modo que o segmentador realiza o crescimento da regio em espiral.
67
Figura 35. Resultado da segmentao baseada no crescimento de regies
A Figura 35 exibe o resultado do segmentador com semente (265, 755) e limiar 40. A Figura 36 ilustra a mudana de comportamento na segmentao quando o limiar reduzido de 40 para 10 e a semente mantida.
Figura 36. Segmentao realizada com semente (265, 755) e limiar 10
68
O mtodo alm de segmentar a imagem, devolve as coordenadas X e Y mais externas dos pixels adicionados na fila. Estes valores so utilizados na etapa seguinte da gerao do polgono. O segmentador que utiliza o algoritmo floodfill mostrou-se mais eficaz para os objetivos deste trabalho que o segmentador neural na deteco de asfalto.
4.3.1 Gerao de polgonos a partir de imagens segmentadas

A fase da gerao de polgonos a partir do segmentador baseado no crescimento de regies tem seu funcionamento bastante diferente da gerao de polgonos discutido no tpico 4.2.1. A gerao de polgonos atual recebe 5 parmetros: 1 parmetro para informar a orientao da rua e 4 com informaes sobre as extremidades das coordenadas X e Y. A orientao da rua pode ser horizontal, vertical ou ainda automtica. Os parmetros das extremidades das coordenadas X e Y so utilizados para ajudar na gerao do polgono, informando o X mais a esquerda e direita e o Y superior e inferior dos pixels segmentados. Estes parmetros so obtidos da fase anterior e dizem respeito aos pixels que fazem parte da regio expandida. Quando a orientao da rua informada como automtica, o mtodo verifica qual a rua de maior extenso, entretanto nem sempre esta pode ser a regio que se deseja georreferenciar. As Figuras 37 e 38 legitimam a importncia deste parmetro para a gerao do polgono.
69
Figura 37. Polgono gerado com orientao horizontal
Caso seja utilizada a orientao horizontal ou automtica na Figura 37, o mtodo ir criar o polgono da rua que est na horizontal. Neste caso especfico, a orientao automtica detecta que a rua horizontal, haja vista que a rua vertical na imagem possui menor extenso que a rua na horizontal. Em casos como os das Figuras 37 e 38, importante informar ao mtodo qual a orientao que se deseja utilizar para gerar o polgono que representa a rua de interesse.
70
Figura 38. Polgono gerado com orientao vertical
Com as extremidades da regio segmentada e a orientao da rua, o mtodo procura os lados da rua e deste modo possvel gerar um polgono que a represente, mesmo que a segmentao detecte mais de uma rua ou avenida, como no caso das Figuras 37 e 38, na qual apenas a rua ou a avenida foram representadas no polgono. Apesar deste mtodo ser menos sensvel que o mtodo que gera o polgono a partir do segmentador neural, vale ressaltar que quanto melhor for a segmentao da imagem, melhor ser o resultado do polgono gerado. A utilizao de uma boa semente e limiar adequado resulta em um melhor resultado na fase da segmentao da imagem.
71
4.4 Georreferenciamento de Ruas e Avenidas
A ltima fase, mas no menos importante, o georreferenciamento do polgono que representa uma rua ou avenida. nesta fase que o polgono desenhado na imagem georreferenciado, possibilitando sua visualizao em SIGs. Para tornar possvel a obteno da posio geogrfica de um ponto (X, Y) na imagem um ponto geoespacial, se faz necessrio possuir algumas informaes a cerca da ortofoto. Estas informaes so: escala dos eixos X e Y, rotao dos eixos X e Y e posio do pixel superior esquerdo da imagem em uma projeo. Com conhecimento destas informaes possvel localizar qualquer pixel da imagem na superfcie terrestre. As ortofotos obtidas da Secretaria Municipal de Planejamento de Aracaju possuem as informaes na projeo cartogrfica UTM Universal Transverse Mercator e datum planimtrico SAD-69 (South American Datum). Com o polgono gerado na segunda fase do mtodo, feito o georreferenciamento dos vrtices do objeto geomtrico. Cada vrtice nada mais que um ponto (X, Y) posicionado na imagem. Partindo do vrtice, calculada sua localizao geogrfica com base nas informaes da ortofoto. A localizao calculada na projeo UTM e datum planimtrico SAD-69. Para facilitar a manipulao dos dados, realizada uma converso do sistema de coordenadas planas para o sistema de coordenadas geogrficas, o que possibilita trabalhar com a latitude e longitude do ponto. A converso do sistema de coordenadas foi realizada com uso da classe CoordinateConversion desenvolvida por Salkosuo (2007). 72
Apesar da classe CoordinateConversion realizar a converso de UTM para coordenadas geogrficas, ela utiliza o datum planimtrico WGS-84 (World Geodetic System), entretanto as informaes das ortofotos esto em SAD-69. Por tal motivo, a classe CoordinateConversion foi adaptada para trabalhar com o datum SAD-69. Realizada a converso, o polgono representado no formato WKT WellKnown Text . Deste ponto em diante, todos os softwares que aderem ao padro WKT, que regulamentado pela organizao Open Geospatial Consortium (OGC), so aptos a manipular o polgono.
4.5 Detalhes da Implementao do Prottipo

Com exceo do segmentador neural, desenvolvido por Cardoso (2009) e implementado na linguagem de programao C++, todos os mdulos do prottipo foram desenvolvidos em Java. A adoo desta linguagem justificada por ser orientada a objetos, o que o que facilita importantes aspectos no mbito da engenharia de software (reusabilidade, extensibilidade, manutenibilidade, entre outros), possuir boas IDEs Integrated Development Environments que facilitam o desenvolvimento, ser padro de mercado e ser executada nos mais diversos sistemas operacionais. Alm disto, o projeto OL4JSF OpenLayers For JSF , desenvolvido por Vasconcelos, et al. (2010), foi implementado na linguagem Java seguindo o padro JSF JavaServer Faces . O OL4JSF um conjunto de componentes JSF que facilita o desenvolvimento de SIGs Web. Os testes realizadas para compor a avaliao experimental foram executados em um computador equipado com processador Intel Core2 Quad com 2,4 GHz Giga
73
Hertz , 4 GB Giga Bytes de memria RAM (Random Access Memory), 500 GB de disco rgido e que executa o sistema operacional Microsoft Windows 7 Ultimate 64 bits. Para executar o segmentador neural, foi utilizado o software de virtualizao Sun VirtualBox 3.1.8 com uma mquina virtual preparada com o sistema operacional Ubuntu 10.04, 3 ncleos do processador Intel Core2 Quad com 2,4 GHz, 1 GB de memria RAM e 20 GB de disco rgido.
Este captulo descreveu o mtodo proposto neste trabalho para automatizar o georreferenciamento de ruas e avenidas a partir do reconhecimento de imagens. A principal caracterstica do mtodo no precisar que agentes em campo faam coletas com dispositivos GPS, reduzindo assim o custo e o tempo do processo e ainda acrescendo o nvel de automatizao do processo. Apesar do segmentador no prover os resultados esperados, o segmentador baseado no crescimento de regies foi capaz de segmentar avenidas e ruas de maneira satisfatria, o que possibilitou a gerao dos polgonos e posteriormente o georreferenciamento. No prximo captulo, so descritos os resultados experimentais da utilizao do mtodo proposto em problemas reais de deteco de asfalto em ruas e avenidas.
74
5 AVALIAO EXPERIMENTAL
Com o intuito de avaliar experimentalmente o mtodo de automatizao do georreferenciamento de objetos proposto neste trabalho, foi desenvolvido um estudo de caso envolvendo a deteco de ruas e avenidas em ortofotos. Este captulo dedicado a descrever o estudo de caso, apresentando e discutindo os resultados obtidos.
5.1 Deteco de Ruas e Avenidas em Ortofotos
O problema da deteco de objetos em ortofotos consiste em utilizar como entrada ortofotos de cidades de Aracaju, cedidas pela Secretaria de Planejamento do Municpio, para detectar as ruas ou avenidas de interesse. O georreferenciamento de ruas e avenidas pela deteco automtica na imagem tem utilidade em uma variedade de aplicaes, desde SIGs at sistemas de navegao baseados em GPS. SIGs que trabalham com a localizao de imveis ou com o trfego de automveis so exemplos de sistemas que necessitam das ruas e avenidas georreferenciadas. Um sistema de navegao terrestre de GPS no pode informar
possveis rotas sem o conhecimento das ruas e avenidas disponveis. Mtodos atuais, como os propostos por Vieira, et al. (2008) e Folador, et al. (2008), necessitam usar um agente em campo dotado de um aparelho GPS para coletar a posio geogrfica dos vrtices do polgono, delimitando assim a rea do objeto a ser georreferenciado. 75
5.1.1 Segmentador neural

Para utilizar o segmentador neural na deteco das ruas e avenidas, foi utilizada uma base de treinamento que apresenta regies de indeterminao. A Figura 39 um exemplo de imagem de treinamento com sua respectiva mscara.
Figura 39. Exemplo de imagem do conjunto de treinamento para deteco de asfalto, com sua respectiva segmentao manual
A base contm 5 ortofotos de reas diferentes da cidade de Aracaju com resoluo de 1024 x 768 pixels. Destas imagens, 3 foram destinadas a compor o conjunto de treinamento para obteno do segmentador neural. Ao todo, foram 1.786.370 pixels de no asfalto e 407.991 pixels de asfalto da base de treinamento. Na avaliao do segmentador neural so utilizadas 3 mtricas: taxa de deteco, preciso e medida-F. A taxa de deteco de um segmentador a medida que indica a relao entre a rea da imagem corretamente classificada como sendo pertencente ao material que se deseja detectar e a rea total deste material (Cardoso, 2009). Como a taxa de 76
deteco s mede a rea do material de interesse, utilizada a preciso para indicar a relao entre a rea da imagem corretamente classificada como sendo pertencente ao material que se deseja detectar e a rea total aceita pelo segmentador (Cardoso, 2009). Por fim, utilizada a medida-F que a mdia harmnica entre a taxa de deteco e a preciso do segmentador neural. O treinamento do segmentador neural foi realizado em uma primeira etapa variando os espaos de cores para definir o melhor deles. Na segunda etapa, variou-se o tamanho da janela. Em ambos os casos foram utilizados 8 bits de profundidade em cada canal, 1.000 pocas e 12 neurnios na camada oculta.
Espao de cores RGB HSV YCbCr XYZ HLS Lab Luv Taxa de deteco 66,35% 65,34% 59,26% 40,63% 69,04% 54,27% 45,95% Preciso 45,39% 45,36% 48,67% 52,74% 44,96% 46,84% 34,20% Medida-F 53,90% 53,54% 53,45% 45,90% 54,46% 50,28% 39,22%
Quadro 7. Determinao do melhor espao de cores para segmentao de asfalto
Diante do Quadro 7, conclui-se que o melhor espao de cores para a segmentao de asfalto o espao HSL, visto que possui a maior medida-F entre os demais avaliados. O melhor tamanho de janela para a segmentao de asfalto utilizando o espao de cores HLS e profundidade de 8 bits por canal foi a janela 15 x 15, como pode ser comprovado no Quadro 8. As Figuras 40 e 41 ilustram o melhor e pior caso, respectivamente, do segmentador neural obtido.
77
Tamanho da janela 1x1 3x3 5x5 7 x7 9x9 11 x 11 13 x 13 15 x 15 17 x 17 19 x 19 21 x 21 23 x 23 25 x 25 27 x 27 29 x 29
Taxa de deteco 85,24% 69,04% 58,23% 63,52% 55,98% 72,66% 61,76% 81,06% 84,60% 71,41% 82,64% 90,37% 89,82% 90,81% 74,40%
Preciso 38,08% 44,96% 46,78% 47,97% 46,15% 48,93 47,33% 48,93% 47,66% 34,94% 39,28% 45,45% 45,28% 43,74% 44,01%
Medida-F 52,65% 54,46% 51,88% 54,66% 50,59% 58,48% 53,59% 61,03% 60,97% 46,92% 53,25% 60,48% 60,21% 59,04% 55,31%
Quadro 8. Determinao do melhor tamanho de janela para segmentao de asfalto (HSL, 8 bits por canal)
Figura 40. Melhor caso obtido da aplicao do segmentador neural para deteco de asfalto (asfalto em branco e demais regies em preto)
78
Figura 41. Pior caso obtido da aplicao do segmentador neural para deteco de asfalto (asfalto em branco e demais regies em preto)
Como a melhor medida-F encontrada foi de apenas 61,03% e o mtodo para gerao do polgono no foi capaz de obter resultados aceitveis com esta taxa, resolveu-se no continuar o treinamento do segmentador neural, partindo para outra estratgia de segmentao das ortofotos.
5.1.2 Segmentador baseado no crescimento de regies
O segmentador baseado no crescimento de regies, diferentemente do segmentador neural, no precisa de uma fase de treinamento, visto que no utiliza uma rede neural artificial MLP.
Limiar 30 40 50 Taxa de deteco 46,66% 84,98% 92,15% Preciso 95,95% 91,37% 62,37% Medida-F 62,81% 85,73% 74,39%
Quadro 9. Resultados do segmentador baseado no crescimento de regies na deteco de asfalto
79
O Quadro 9 mostra os resultados obtidos do segmentador baseado no crescimento de regies. Em todas as imagens as sementes foram mantidas, variando-se apenas o limiar. Os resultados confirmam a importncia que o limiar tem no processo de segmentao, o que no elimina a importncia da semente no mtodo. Este segmentador com limiar 30, pior resultado dentre os testes realizados, obteve uma medida-F maior do que o segmentador neural em sua melhor configurao. As Figuras 42 e 43 ilustram o melhor e o pior caso, respectivamente. O melhor caso foi obtido com o limiar 40, j o pior, com o limiar 30.
Figura 42. Melhor caso do segmentador baseado no crescimento de regies na deteco de asfalto com limiar 40 (asfalto em vermelho)
Figura 43. Pior caso do segmentador baseado no crescimento de regies na deteco de asfalto com limiar 30 (asfalto em vermelho)
80
Nos casos em que o asfalto pouco homogneo, Figura 43, a escolha da semente tem um peso maior no resultado final da segmentao, pois a seleo de um pixel de tonalidade branca na parte inferior esquerda da Figura 43, por exemplo, acarretar uma baixa deteco do asfalto e, por conseguinte baixa medida-F na segmentao. Uma boa candidata a semente aquela que representa de maneira mais uniforme o material a ser detectado.
5.1.3 Resultados obtidos

A deteco de ruas e avenidas obteve melhores resultados quando empregado o segmentador baseado no crescimento de regies. Nos testes realizados, este segmentador obteve medida-F de 85,73% com uso do limiar igual a 40. J o segmentador neural atingiu medida-F de 61,03%. Apesar do segmentar neural no ser capaz de detectar asfalto de maneira satisfatria nos testes realizados neste trabalho, possvel que, com uma base de treinamento maior e novas configuraes do mtodo avaliadas, o segmentador neural seja capaz de detectar asfalto em ortofotos com alta medida-F. O segmentador baseado no crescimento de regies possibilitou que a etapa seguinte, da gerao de polgonos, pudesse ser executada. So 2 os motivos principais: melhores mtricas alcanadas taxa de deteco, preciso e medida-F e as informaes sobre o posicionamento das extremidades do objeto segmentado. A obteno de melhores mtricas informa que houve uma melhor segmentao do material, o que torna mais eficaz o processamento da imagem. Alm de
81
utilizar como insumo a imagem segmentada, a gerao do polgono faz uso das informaes a cerca das extremidades das ruas e avenidas, como exposto na seo 4.3.1.
5.2 Resultado Obtido da Gerao de Polgonos
O segmentador neural no obteve os resultados esperados, o que inviabilizou a gerao de polgonos com base nas imagens segmentadas por este mtodo, vide Figura 34. Pelo exposto, os resultados obtidos da gerao de polgonos so referentes apenas s imagens que foram processadas pelo segmentador baseado no crescimento de regies.
5.2.1 Resultado a partir do segmentador baseado no crescimento de regies

O resultado obtido da gerao de polgonos est intimamente ligado com o resultado da segmentao da imagem. Normalmente, quanto maior a medida-F na segmentao, melhor ser o resultado do polgono. As mtricas utilizadas so as mesmas da fase de segmentao, visto que o polgono nada mais que uma rea representada na imagem.
Limiar da segmentao 40 Taxa de deteco 88,42% Preciso 93,79% Medida-F 91,03%
Quadro 10. Resultado da gerao dos polgonos
82
Sendo 40 o limiar que obteve a melhor medida-F na segmentao das imagens, o mesmo valor foi utilizado para avaliao da gerao dos polgonos a partir das imagens segmentadas e o resultado exposto no Quadro 10. Foi observado que o mtodo de gerao de polgonos mais sensvel a falhas de segmentao nas regies das extremidades da rua, sendo bastante robusto em relao a falhas nas demais regies.
Figura 44. Melhor caso da gerao do polgono (rea de interesse em vermelho)
O melhor caso mostrado na Figura 44, onde a medida-F foi de 99,25%. Em (b) mostrada a rea criada manualmente que representa a avenida e (c) a rea que representa o polgono gerado. A imagem obtida do segmentador vista na Figura 42 83
(b), onde possvel notar que as falhas da segmentao nas extremidades da avenida foram mnimas. A Figura 45 mostra o pior caso obtido na gerao do polgono, onde foi obtida a medida-F de 71,65%. Apesar da segmentao da imagem ter classificado parte da rua adjacente a de interesse e algumas regies que no so asfalto como amostras positivas, este erro no influenciou o resultado final do polgono, visto que erros em posies intermedirias da rua no afetam significativamente o processo de gerao.
Figura 45. Pior caso da gerao do polgono (rea de interesse em vermelho)
O principal motivo da diminuio da medida-F foi a falha na segmentao da poro superior da rua, que pode ser observado com mais detalhes na Figura 46. A 84
sombra do poste de energia do lado esquerdo causa uma falha na segmentao localizada na regio mais superior da ortofoto, que por sua vez causa um erro no polgono gerado.
Figura 46. Falhas em destaque da segmentao da imagem e gerao do polgono
O fenmeno acontecido na Figura 46 exibe a regio de maior sensibilidade do mtodo. O algoritmo que gera o polgono procura as extremidades da rua na imagem segmentada, e um erro na segmentao desta regio causa uma queda mais brusca na medida-F do polgono que gerado.
5.3 Resultado do Georreferenciamento de Ruas e Avenidas
Como no georreferenciamento do polgono realizada uma converso de UTM para coordenadas geogrficas, foi medido o erro da classe CoordinateConversion adaptada para manipular dados utilizando o datum SAD-69. Para estimar o erro na converso de UTM para lon/lat, utilizou-se a extenso espacial PostGIS, verso 1.5.1, do banco de dados PostgreSQL na verso 8.4, o site
85
speciesLink (speciesLink, [s.d]) que utiliza o software CS2CS (PROJ.4, 2008) e a prpria classe CoordinateConversion adaptada. De posse das coordenadas de pontos das ortofotos em UTM, foi realizada a converso para o sistema de coordenadas geogrficas com uso do PostGIS, speciesLink e da classe CoordinateConversion adaptada. Com as coordenadas convertidas, foi calculado o erro mdio da longitude e latitude utilizando como referencial o PostGIS e o site speciesLink. De posse do erro mdio de cada coordenada, utilizou-se o PostGIS para calcular a distncia entre um ponto referencial e outro ponto com o erro mdio obtido em cada eixo.
Referncia PostGIS 1.5.1 speciesLink Erro mdio na longitude () 5,56332 x 10-9 7,76074 x 10-9 Erro mdio na latitude () 7,38885 x 10-6 8,07325 x 10-6 Erro mdio do ponto (metros) 1,18 1,29
Quadro 11. Erro estimado no georreferenciamento das ruas e avenidas
O Quadro 11 traz os resultados obtidos no experimento. O erro no georreferenciamento foi menor quando foi tomada como base a converso realizada pelo PostGIS. Por ser uma extenso geoespacial bastante utilizada e robusta, a confiabilidade na converso em relao ao programa utilizado no site speciesLink maior, o que favorece o resultado do georreferenciamento realizado neste trabalho. Foi estimado um erro de 1,18 metros quando considerada como correta a converso do PostGIS e 1,29 metros quando utilizado o site speciesLink como referncia. Conclui-se que cada vrtice da rua ou avenida tem um erro mdio associado de 1,18 metros ou 1,28 metros em qualquer direo. Considerando a largura e extenso das ruas e avenidas, este um erro aceitvel.
86
A Figura 47 exibe o resultado do georreferenciamento de uma avenida da cidade de Aracaju utilizando 2 camadas do Google Maps (Google, [s.d]) no mapa plotado. Em (a) e (b) exibida a avenida no mapa que utiliza as camadas do Google Maps e em (c) a ortofoto segmentada que foi georreferenciada. Nota-se que apenas o lado direito da avenida foi georreferenciado neste caso, o que pode ser visualizado em (a) e (b).
Figura 47. Resultado do georreferenciamento de uma avenida
87
Vale ressaltar ainda que pode haver distores entre a avenida georreferenciada e a camada de visualizao escolhida, j que o Google Maps utiliza o datum planimtrico WGS-84 em sua projeo e este fator no foi tratado na exibio do mapa.
Observando os resultados obtidos com a aplicao do mtodo proposto para o georreferenciamento de ruas e avenidas, percebe-se que possvel automatizar o processo do georreferenciamento de objetos. Os resultados sumarizados das fases de segmentao da imagem e gerao do polgono so mostrados no Quadro 12.
Fase Segmentao Gerao do polgono Taxa de deteco 84,98% 88,42% Preciso 91,37% 93,79% Medida-F 85,73% 91,03%
Quadro 12. Resumo dos resultados na imagem
A gerao do polgono apresentou mtricas melhores que a segmentao, pois alguns erros na fase de segmentao no afetam o resultado final do polgono, como elucidado na seo 5.2.1. O resultado da fase do georreferenciamento do polgono pode ser analisado no Quadro 11 e visto na Figura 47. Entretanto, o mtodo de georreferenciamento apresentou um erro mdio de 1,18 metros em cada vrtice da regio segmentada. Com uso do dispositivo mvel iPaq 610c Business Navigator, da empresa HP, equipado com o Sistema Operacional Windows Mobile 6 e um receptor GPS, o erro, no melhor caso, foi de 2,5 metros, maior que o erro do mtodo proposto.
88
Vale ressaltar que apesar do segmentador neural proposto por Cardoso (2009) no conseguir segmentar asfalto com uma medida-F aceitvel, possvel que com a realizao de um treinamento mais elaborado, ele tambm seja eficiente na deteco deste material. O mtodo proposto neste trabalho foi capaz de georreferenciar ruas e avenidas a partir do reconhecimento de imagens, sem necessidade da realizao de coletas em campo com dispositivos de GPS.
6 CONCLUSO
Neste trabalho, foi apresentada uma soluo para a automatizao do georreferenciamento de objetos a partir do reconhecimento de imagens, mais especificamente ortofotos. Atravs do mtodo proposto, principal objetivo e contribuio desta monografia, o georreferenciamento de ruas e avenidas passa a ser uma tarefa mais simples, rpida e barata. possvel afirmar que o objetivo central do trabalho foi atingido, j que: (i) os resultados obtidos pela implementao do mtodo proposto comprovam a capacidade na automatizao do georreferenciamento de ruas e avenidas em SIGs a partir do reconhecimento de imagens; (ii) o mtodo proposto pode ser expandido para o georreferenciamento de outros objetos, com uso de segmentadores apropriados e adaptao na fase da gerao do polgono; e (iii) a eficcia do georreferenciamento foi corroborado pelos resultados obtidos.
89
Tambm figuram como contribuies desta monografia o desenvolvimento de uma aplicao Web para automatizar o georreferenciamento de ruas e avenidas, bem como possibilitar a visualizao dos objetos j georreferenciados. Dentre os pontos positivos da proposta apresentada neste trabalho, destacase o fato dela no exigir que o usurio tenha conhecimento prvio sobre tcnicas de segmentao e georreferenciamento.
TRABALHOS FUTUROS
Apesar de todos os objetivos do trabalho terem sido alcanados, ainda h uma srie de propostas de trabalhos futuros que agregaro muito valor ao mtodo aqui apresentado. O primeiro destes trabalhos seria adaptar a segmentao para trabalhar com mais de uma semente, ocasionando um aumento na medida-F, principalmente em materiais com grande variao de cor. Isto possibilitar que ruas ou avenidas com asfalto pouco homogneo possam ser georreferenciadas com melhores resultados. Outra sugesto de trabalho futuro o estudo mais aprofundado de mtodos para a gerao de polgonos a partir das imagens segmentadas, com intuito de permitir que ruas e avenidas que em algum momento de sua extenso possuam curvas sejam georreferenciadas com sucesso. A expanso dos tipos de objetos georreferenciados ser de grande valia para o mtodo proposto. O georreferenciamento de florestas, por exemplo, permitir criar um software capaz de identificar desmatamento ilegal, o que muito importante em tempos onde a preservao ambiental uma prioridade. 90
Uma melhoria realizar o georreferenciamento sem uso da transformao de coordenadas, ou atravs de um mtodo mais preciso que reduza o erro. O aumento na preciso permitir que o mtodo proposto seja empregado para georreferenciar objetos que necessitem de grande preciso. Por fim, criar uma aplicao na qual o usurio possa apontar no mapa, ou imagem, a regio que deseja georreferenciar, o que tornar mais gil e intuitivo para o usurio.
91
REFERNCIAS
Amarante, Dora. 2008. COORDENADAS GEOGRFICAS. GEOGRAFIA GERAL & BBLICA. [Online] Abril 01, 2008. [Citado: Junho 04, 2010.] http://geografiageralebiblica.blogspot.com/2008/04/coordenadas-geogrficas.html. Andrade, Guilherme Agostinho Pletikoszits de, et al. 2007. Desenvolvimento de aplicativos de geoprocessamento para Planos Diretores Municipais em Minas Gerais, Brasil. Anais XIII Simpsio Brasileiro de Sensoriamento Remoto, Florianpolis, Brasil. 2007, INPE, p. 5075-5082. Araribia, G. 1988. Inteligncia Artificial: Um curso prtico. Rio de Janeiro : Livros Tcnicos e Cientficos, 1988. ISBN 8521605319. ArcGIS. 2009. ArcGIS Desktop Help 9.3 - World files for raster datasets. Web-based Help | ArcGIS Resource Centers. [Online] Environmental Systems Research Institute, Novembro er_datasets. Ballone, Geraldo Jos. 2006. Tratamento da Depresso. PsiqWeb - Portal de Psiquiatria. [Online] Janeiro 31, 2006. [Citado: Abril 06, 2010.] http://virtualpsy.locaweb.com.br/index.php?art=209&sec=39. Barbosa, Cludio C. F. 1997. lgebra de mapas e suas aplicaes em sensoriamento remoto e geoprocessamento. Ministrio da Cincia e Tecnologia. [Online] 1997. [Citado em: 21 de abril de 2009.] http://www.obt.inpe.br/pgsere/1997Barbosa_C_C_F/barbosa1997.pdf. Barreto, Jorge M. 2002. Introduo s Redes Neurais Artificiais. [Online] Maio 16, 2002. [Citado: Fevereiro 09, 2010.] www.inf.ufsc.br/~barreto/tutoriais/Survey.pdf. Beale, Russell e Jackson, Tom. 1990. Neural Computing - An Introduction. Bristol : Institute of Physics Publishing, 1990. ISSN 0852742622. 92 12, 2009. [Citado: Maio 12, 2010.] http://webhelp.esri.com/arcgisdesktop/9.3/index.cfm?TopicName=World_files_for_rast
Belman, R. E. 1978. An Introductionto Artificial Intelligence: Can Computers Think? San Francisco : Body & Fraser Publishing Company, 1978. Camara, G, et al. 1996. SPRING: Integrating remote sensingand GIS by objectoriented data modelling. [Online] 1996. [Citado: junho 24, 2009.] http://www.dpi.inpe.br/geopro/trabalhos/spring.pdf. Cmara, Gilberto e Monteiro, Antnio Miguel Vieira. 2001. Conceitos Bsicos da Cincia da Geoinformao. Introduo Cincia da Geoinformao. [Online] 2001. [Citado: Abril 14, 2009.] http://www.dpi.inpe.br/gilberto/livro/introd/cap2conceitos.pdf. Cmara, Gilberto. 2005. Representao computacional de dados geogrficos. Bancos de Dados Geogrficos. [Online] 2005. [Citado em: 31 de maro de 2009.] http://www.dpi.inpe.br/livros/bdados/cap1.pdf. Cmara, Gilberto, Davis, Clodoveu e Monteiro, Antnio Miguel Vieira. 2001. Geoprocessamento Teoria e Aplicacoes. Introduo Cincia da Geoinformao. [Online] 2001. [Citado: Abril 14, 2009.] http://www.dpi.inpe.br/gilberto/livro/introd/. Cmara, Gilberto, et al. 2005. Bancos de Dados Geogrficos. Curitiba : MundoGEO, 2005. Cardoso, Fernando Henrique Bezerra. 2009. Um Mtodo Automtico para o Ajuste de Segmentadores de Imagens Baseados em Informao de Textura e Cor. [Online] Agosto 13, 2009. [Citado: Janeiro 26, 2010.] http://pixel.dsc.ufcg.edu.br/~fernando/wiki/lib/exe/fetch.php?id=mestrado&cache=cach e&media=completa.pdf. . 2009. Um Mtodo Automtico para o Ajuste de Segmentadores de Imagens Baseados em Informao de Textura e Cor. [Online] Agosto 13, 2009. [Citado: Janeiro 26, e&media=completa.pdf. Cazella, Slvio Csar, et al. 2006. Lgica Fuzzy. Universidade do Vale do Rio dos Sinos. [Online] Abril 12, 2006. [Citado: Fevereiro 04, 2010.] http://www.inf.unisinos.br/~cazella/dss/200601/lf.pdf. 93 2010.] http://pixel.dsc.ufcg.edu.br/~fernando/wiki/lib/exe/fetch.php?id=mestrado&cache=cach
Charniak, Eugene e McDermott, Drew. 1985. Introduction to Artificial Intelligence. Massachusetts : Addison-Wesley, 1985. ISBN 9780201119459. Cryer, Brian. [s.d]. All about the .tfw file extension. Brian Cryer's Web Resources. [Online] [s.d]. [Citado: Maio 12, 2010.] http://www.cryer.co.uk/file-types/t/tfw.htm. Curso Objetivo. [s.d]. Projees Cartogrficas. Curso Objetivo. [Online] [s.d]. [Citado: Maio 2010, 21.] http://www.cursoobjetivo.br/vestibular/roteiro_estudos/projecoes_cartograficas.aspx. Druck, Suzana, et al. 2004. Anlise Espacial de Dados Geogrficos. Braslia : EMBRAPA, 2004. ISBN: 85-7383-260-6. . 2004. Anlise Espacial de Dados Geogrficos. [Online] 2004. [Citado: Abril 23, 2009.] http://www.dpi.inpe.br/gilberto/livro/analise/. ESRI. 2000. ArcGIS: A Complete Integrated System. [Online] 2000. [Citado em: 24 de junho de 2009.] http://www.esri.com/software/arcgis/. Folador, Benice, Gomes, Tayon Cristina e Pereira, Helene. 2008.
Georreferenciamento de Imveis Rurais. Mundo Geo. [Online] 2008. [Citado: Maro 16, 2010.] http://www.mundogeo.com.br/revistas-interna.php?id_noticia=13536. Gaede, Volker e Gnther, Oliver. 1997. Multidimensional access methods. ACM Computing Surveys. 1997, Vol. 30. Geoprocessamento para Linux. 2010. Criar grid de coordenadas em um mapa no gvSIG 1.9 Geoprocessamento para Linux. Geoprocessamento para Linux. [Online] Janeiro no-gvsig-1-9/. Gome, J e Velho, L. 1995. Abstraction Paradigms for Computer Graphics. The Visual Computer. 1995, Vol. 11, 5, pp. 227-239. Gonzalez, Rafael C. e Woods, Richard E. 2000. Processamento de Imagens Digitais. So Paulo : Edgard Blcher, 2000. . 2000. Processamento de Imagens Digitais. : Edgard Blcher, 2000. 94 11, 2010. [Citado: Junho 2010, 04.] http://geoparalinux.wordpress.com/2010/01/11/criar-grid-de-coordenadas-em-um-mapa-
Google. [s.d]. Google Maps. [Online] Google, [s.d]. [Citado: Maro 5, 2010.] http://www.google.com.br/maps. . 2010. Guia do Usurio do Google Earth. Google Earth. [Online] Google, Maro 25, 2010. [Citado: Maio 2010, 21.] http://earth.google.com/intl/ptBR/userguide/v4/ug_importdata.html. Governo Federal. [s.d]. A Comunidade de Software Livre do Governo Federal. [Online] [s.d]. [Citado em: 6 de agosto de 2009.] http://www.softwarelivre.gov.br/comunidade-no-governo. Haugeland, J. 1985. Artificial Intelligence: The Very Idea. Cambridge : MIT Press, 1985. Haykin, Simon. 1999. Neural Network: A comprehensive foundation 2nd ed. Upper Saddle River : Prentice Hall, 1999. ISBN 0-13-273350-1. Jr., Clodoveu Davis e Queiroz, Gilberto Ribeiro de. 2005. Mtodos de acesso para dados espaciais. [book auth.] Gilberto Cmara, Clodoveu Davis, Lbia Vinhas, Gilberto Ribeiro de Queiroz Marco Casanova. Bancos de Dados Geogrficos. Curitiba : MundoGEO, 2005. Junges, Lus Carlos Dill. 2006. Introduo a Lgica Fuzzy. S2i - Sistemas Industriais Inteligentes - UFSC. [Online] Novembro 13, 2006. [Citado: Favereiro 26, 2010.] http://s2i.das.ufsc.br/tikiwiki/apresentacoes/logica-fuzzy.pdf. Kishimoto, Andr. 2004. Inteligncia Artificial em Jogos Eletrnicos. [Online] 2004. [Citado: Maro 06, 2010.] http://www.programadoresdejogos.com/trab_academicos/andre_kishimoto.pdf. Kurzweil, R. 1990. The Age of Intelligent Machines. Cambridge : MIT Press, 1990. Maia, Leticia Toledo. 2007. Um estudo sobre aplicao de tcnicas de inteligncia artificial e engenharia de software construo de um sistema de superviso e controle. UnB. ia.pdf. [Online] 2007. [Citado: Maro 05, 2010.] http://repositorio.bce.unb.br/bitstream/10482/1453/1/Dissert_Leticia%20Toledo%20Ma
95
Medeiros, Jos Simeo de. 1999. Bancos de Dados Geogrficos e Redes Neurais Artificiais: Tecnologias de Apoio Gesto de Territrio. [Online] Agosto 27, 1999. [Citado: Fevereiro 09, 2010.] http://www.dpi.inpe.br/teses/simeao/. Microsoft. [s.d]. Color. MSDN: Microsoft Development. [Online] Microsoft, [s.d]. [Citado: Fevereito 30, 2010.] http://msdn.microsoft.com/en-us/library/aa511283.aspx. Moik, Johannes G. 1980. Digital processing of remotely sensed images . Scientific and Technical Information Branch, National Aeronautics and Space Administration (NASA). 1980, Vol. vii. Nikolopoulos, Chris. 1997. Expert Systems. New York : CRC Press, 1997. ISBN 0824799275. Oliveira, Robert Anderson Nogueira de. 2009. Introduo ao PostGIS. Seminfo. Aracaju : s.n., 2009. 6. OpenGIS. 1994. Open Geospatial Consortium, Inc. [Online] 1994. [Citado em: 31 de maro de 2009.] http://www.opengeospatial.org. PostGis. [s.d]. Chapter 4. Using PostGIS: Data Management and Queries. PostGIS. [Online] PostGis, [s.d]. [Citado: Maio 12, 2010.] http://postgis.refractions.net. PostGIS. [s.d]. PostGIS Manual. [Online] [s.d]. [Citado em: 31 de maro de 2009.] http://postgis.refractions.net/documentation/manual-1.3/. PostgreSQL. [s.d]. PostgreSQL Manual. [Online] [s.d]. [Citado em: 31 de maro de 2009.] http://www.postgresql.org/docs/8.3/static/index.html. PROJ.4. 2008. cs2cs - cartographic coordinate system filter. PROJ.4 - Cartographic Projections Library. [Online] Edgewall Software, Maio 16, 2008. [Citado: Maio 20, 2010.] http://trac.osgeo.org/proj/wiki/man_cs2cs. Russel, Stuart e Norvig, Peter. 2004. Inteligncia Artificial. Rio de Janeiro : Campus, 2004. ISBN 85-352-1177-2. Saldanha, Marcus F. S. e Freitas, Corina da Costa. 2009. Segmentao de Imagens Digitais: Uma Reviso. [Online] 2009. [Citado: Fevereiro 4, 2010.] www.lac.inpe.br/cap/arquivos/pdf/P19.pdf. 96
Salkosuo, Sami. 2007. Coordinate conversions made easy. IBM - United States. [Online] IBM, Agosto 28, 2007. [Citado: Maio 12, 2010.] http://www.ibm.com/developerworks/java/library/j-coordconvert/. Schamel, Jay. 2007. The World's Second Computing Architecture: The Brain. Department of Computer Science - University of Alaska Fairbanks. [Online] University of Alaska Fairbanks, Outubro 10, 2007. [Citado: Fevereiro 08, 2010.] http://www.cs.uaf.edu/2007/fall/cs441/proj1notes/schamel/. Scott, Davis. 2007. GIS For Web Developers: Adding Where to Your Web Application. s.l. : The Pragmatic Programmers LLC, 2007. Sellitto, Miguel Afonso. 2002. Inteligncia Artificial: uma aplicao em uma indstria de processo contnuo. Scielo. [Online] 2002. [Citado: Maro 06, 2010.] http://www.scielo.br/scielo.php?script=sci_arttext&pid=S0104530X2002000300010&lng=en&nrm=iso. ISSN 0104-530X. Silva, Renato Afonso Cota. 2005. Inteligncia Articial Aplicada a Ambientes de Engenharia de Software - Uma viso geral. [Online] Agosto 03, 2005. [Citado: Maro 06, 2010.] www.dcc.ufla.br/infocomp/artigos/v4.4/art04.pdf. speciesLink. [s.d]. speciesLink: Dados e ferramentas: conversor. speciesLink: Sistema de Informao Distribudo para Colees Biolgicas. [Online] speciesLink, [s.d]. [Citado: Maio 12, 2010.] http://splink.cria.org.br/conversor. Stevens, S. S. 1946. On the Theory of Scales of Measurement. [Online] 1946. [Citado em: 23 de abril de 2009.] http://courses.essex.ac.uk/gv/gv200/stevensarticle.pdf. Teixeira, Joo de Fernandes. 1990. O Que Inteligncia Artificial. : Brasiliense, 1990. ISBN: 8511012303. Tuceryan, Mihran e Jain, Anil K. 1999. Texture Analysis. [book auth.] C. H. Chen, L. F. Pau and P. S. P. Wang. Handbook of pattern recognition & computer vision (2nd Edition). River Edge : World Scientific Publishing Co, 1999. University of Texas. 2006. BIO365- About Neuroscience. The University of Texas at Austin Web Central. [Online] 2006. [Citado: Fevereiro 09, 2010.] http://www.utexas.edu/courses/bio365r/documents/about/about.php. 97
Vasconcelos, Rafael Oliveira, Oliveira, Robert Anderson Nogueira de e Silva, Fbio Soares. 2010. OL4JSF: Uma biblioteca de componentes para elaborao de aplicaes geoespaciais. XXIV Congresso Brasileiro de Informtica. 2010. Venturieri, Adriano. 1996. Segmentao de imagens e lgica nebulosa para treinamento de uma rede neural artificial na caracterizao do uso da terra na regio de Tucuru (PA). Instituto Nacional de Pesquisas Espaciais. INPE-6645-TDI/622, 1996. Vieira, Valci Francisco e Zamparetti, Adilson de Freitas. 2008. Um Mtodo para o Georreferenciamento dos Vinhedos. Mundo Geo. [Online] 2008. [Citado: Maro 16, 2010.] http://www.mundogeo.com.br/revistas-interna.php?id_noticia=13535. WebGIS. [s.d]. Usando PostGIS. [Online] [s.d]. [Citado em: 12 de junho de 2009.] http://www.webgis.com.br/postgis/docs/. Wikipedia. 2009. Quadricromia. Wikipedia. [Online] Maio 5, 2009. [Citado: Maro 10, 2010.] http://pt.wikipedia.org/wiki/Quadricromia. Winston, Patrick Henry. 1992. Artificial Intelligence. Massachusets : AddisonWesley, 1992. ISBN 0201533774. Yong, Xia, Feng, Dagan e Rongchun, Zhao. 2004. Optimal selection of image segmentation algorithms based on performance prediction. ACM International Conference Proceeding Series. 2004, Vol. 100.
98

Automatizacao Do Georreferenciamento

Enviado por

Dados do documento

Direitos autorais

Formatos disponíveis

Compartilhar este documento

Compartilhar ou incorporar documento

Opções de compartilhamento

Você considera este documento útil?

Este conteúdo é inapropriado?

Direitos autorais:

Formatos disponíveis

Automatizacao Do Georreferenciamento

Enviado por

Direitos autorais:

Formatos disponíveis

UNIVERSIDADE TIRADENTES

RAFAEL OLIVEIRA VASCONCELOS

RAFAEL OLIVEIRA VASCONCELOS

ORIENTADOR: FBIO SOARES SILVA CO-ORIENTADOR: FERNANDO HENRIQUE BEZERRA CARDOSO

RAFAEL OLIVEIRA VASCONCELOS

Aprovada em 12/06/2010. Banca Examinadora

____________________________________________ Fbio Soares Silva Universidade Tiradentes

___________________________________________ Fernando Henrique Bezerra Cardoso Universidade Tiradentes

___________________________________________ Robert Anderson Nogueira de Oliveira Universidade Tiradentes

6 CONCLUSO ................................................................................................................. 89 REFERNCIAS ................................................................................................................. 92

1.1 Descrio do Problema

Desenvolver um componente de software capaz de implementar o mtodo sugerido;

Validar a eficcia do processo em situaes reais.

1.4 Organizao do Trabalho

A opinio de Cmara, et al. (2001) a cerca do geoprocessamento que:

Figura 1. Parmetros do Datum Fonte: (Google, 2010)

2.1.1 Sistemas de coordenadas

Figura 2. Sistema de coordenadas geogrficas Fonte: Adaptado de (Amarante, 2008)

Figura 3. Sistema de coordenadas planas Fonte: (Geoprocessamento para Linux, 2010)

2.1.2 Projees cartogrficas

Figura 4. Projeo plana Fonte: (Curso Objetivo, [s.d])

Figura 5. Projeo cnica equivalente de Albers Fonte: (Google, 2010)

2.2 Sistema de Informao Geogrfica

2.2.1 Representao computacional de dados geogrficos

Figura 6. Exemplo de representao vetorial em duas dimenses Fonte: (Cmara, 2005)

2.2.2 Entrada de dados

Realizar procedimentos de correo sobre os dados inseridos, verificando vrtices desnecessrios.

2.2.3 Gerenciamento e recuperao de informao

2.2.4 Manipulao e anlise de dados

2.2.5 Produo cartogrfica e exibio de resultados

Figura 9. Exemplo de SIG com informaes plotadas no mapa

Figura 10. Exemplos de relacionamentos espaciais Fonte: Adaptado de (Oliveira, 2009)

2.3.1 Mtodos de georreferenciamento

para o georreferenciamento de objetos a partir do reconhecimento de padres na imagens.

2.4 Consideraes Finais

Sobre segmentao de imagem, Saldanha, et al. (2009) explicam que:

Figura 11. Exemplo de imagem segmentada Fonte: (Cardoso, 2009)

3.1 Espao de Cores

(Luminncia, Crominncia de azul, Crominncia de Vermelho).

3.2 Profundidade de Cor

Quadro 1. Pixel codificado no espao de cores RGB com 24 bits de profundidade

Nmero de cores representadas 2 4 16 256 65.536 16.777.216

Quadro 2. Quantidade de cores representadas por profundidade

A Figura 15 a imagem original obtida da cmera digital com profundidade de 24 bits.

Figura 15. Imagem com 24 bits de profundidade

Figura 16. Imagem com 16 bits de profundidade

Figura 17. Imagem com 8 bits de profundidade

Figura 18. Imagem com 4 bits de profundidade

Figura 19. Imagem com 1 bit de profundidade

Quantidade de cores 16.777.216 65.536 256 16 2

Tamanho do arquivo sem compresso 746 KB 498 KB 251 KB 125 KB 31,3 KB

Perda de informao (%) --33,24% 66,35% 83,24% 95,80%

Quadro 3. Efeito da reduo da profundidade de cores no tamanho do arquivo

Material Grama Cu azul

Segmentador com informao de cor (Medida-F) 96,76% 78,42%

Segmentador com informao de textura e cor (Medida-F) 95,85% 96,18%

Quadro 5. Influncia da textura na deteco de materiais Fonte: Adaptado de (Cardoso, 2009)

3.4 Inteligncia Artificial

3.4.2 Redes neurais artificiais

Haykin (1999) explica que:

Parmetro Sinal Dados Programas Processamento Resultados Memria Controle processos

O Quadro 6 exibe as principais diferenas entre a computao tradicional e neural.

Figura 22. Representao de uma sinapse Fonte: Adaptado de (Ballone, 2006)

Figura 23. Neurnio artificial Fonte: Adaptado de (Schamel, 2007)