Escolar Documentos
Profissional Documentos
Cultura Documentos
Alegre - ES
2010
S237s
Santos, Alexandre Rosa dos, 1974SPRING 5.1.2 : passo a passo : aplicaes prticas / Alexandre Rosa dos Santos,
Telma Machado de Oliveira Peluzio, Nathlia Suemi Saito. Alegre, ES : CAUFES,
2010.
153 p. : il. ; 30 cm.
ISBN 978-85-61890-06-3
1. Sensoriamento remoto. 2. Geomtica. 3. Sistemas de coleta automtica de
dados. 4. Cartografia Processamento de dados. 5. Geografia Servios de
informao. I. Peluzio, Telma Machado de Oliveira. II. Saito, Nathlia Suemi. III.
Ttulo. IV. Ttulo: Passo a passo : aplicaes prticas.
CDU: 528.8
DEDICATRIA
Ns, autores, dedicamos este livro aos familiares que sempre acreditaram em nossos
trabalhos.
AGRADECIMENTOS
Universidade Federal do Esprito Santo (UFES), em especial ao Programa de Ps-graduao
em Cincias Florestais da UFES (PPGCF/UFES) e Departamento de Engenharia Rural da
UFES (ERU/UFES).
Aos professores do Programa de Ps-graduao em Cincias Florestais da UFES PPGCF/UFES pela contribuio e apoio para elaborao deste livro.
Prefeitura Municipal de Alegre por ter disponibilizado parte da base de dados, alm de
fornecer apoio logstico para a coleta de informaes em campo.
Aos rgos Instituto Nacional de Pesquisas Espaciais (INPE), Instituto Estadual de Meio
Ambiente e Recursos Hdricos (IEMA) e Ncleo de Estudos e de Difuso de Tecnologia em
Floresta, Recursos Hdricos e Agricultura Sustentvel (NEDTEC), que disponibilizaram parte do
banco de dados espaciais para a elaborao dos exerccios deste livro.
Em especial, a todos que, direta ou indiretamente, contriburam para o desenvolvimento deste
livro.
COLABORADORES
UFES - Universidade Federal do Esprito Santo.
PPGCF/UFES - Programa de Ps-Graduao em Cincias Florestais da UFES.
NEDTEC/UFES - Ncleo de Estudos e de Difuso de Tecnologia em Floresta, Recursos
Hdricos e Agricultura Sustentvel.
IJSN - Instituto Jones dos Santos Neves.
ERU/UFES - Departamento de Engenharia Rural da UFES.
PMA - Prefeitura Municipal de Alegre, ES.
IEMA - Instituto Estadual de Meio Ambiente e Recursos Hdricos.
INPE - Instituto Nacional de Pesquisas Espaciais.
REFLEXO
SATLITE
Fim de tarde.
No cu plmbeo
A Lua baa
Paira
Muito cosmograficamente
Satlite.
Desmetaforizada,
Desmitificada,
Despojada do velho segredo de melancolia,
No agora o golfo de cismas,
O astro dos loucos e dos enamorados.
Mas to-somente
Satlite.
Ah Lua deste fim de tarde,
Demissionria de atribuies romnticas,
Sem show para as disponibilidades sentimentais!
Fatigado de mais-valia,
Gosto de ti assim:
Coisa em si,
- Satlite.
Manuel Bandeira
FABRICANTE
Produto: SPRING: Sistema de Informaes Georeferenciadas
Com o objetivo de disseminar amplamente as tcnicas de Geoprocessamento e Sensoriamento
Remoto, o SPRING, nas verses Linux e Windows 95/98/NT/ME/2000/XP/Vista, pode ser
obtido livremente ("freeware") via Internet.
Voc poder copiar e redistribuir livremente o sistema, mas o INPE mantm o copyright. No
se pode modificar, vender ou emprestar o software.
O SPRING um SIG (Sistema de Informaes Geogrficas) no estado-da-arte com funes de
processamento de imagens, anlise espacial, modelagem numrica de terreno e consulta a
bancos de dados espaciais.
O SPRING um projeto do INPE / DPI (Diviso de Processamento de Imagens) com a
participao de:
EMBRAPA/CNPTIA - Centro Nacional de Pesquisa Tecnolgica em Informtica para
Agricultura.
IBM Brasil - Centro Latino-Americano de Solues para Ensino Superior e Pesquisa.
TECGRAF - PUC Rio - Grupo de Tecnologia em Computao Grfica da PUC-Rio.
PETROBRS/CENPES - Centro de Pesquisas "Leopoldo Miguez".
O projeto contou com substancial apoio financeiro do CNPq, atravs dos programas RHAE e
PROTEM/CC (projeto GEOTEC).
Home-page: http://www.dpi.inpe.br/spring/
PREFCIO
Ns temos trabalhado com o aplicativo SPRING desde as verses anteriores e, cada verso
lanada, nos impressionava ainda mais. Atualmente, as caractersticas tcnicas do SPRING
5.1.2. so consideradas imprescindveis, possibilitando a coleta, edio, armazenamento e
gerncia de dados espaciais, assim como a explorao, anlise geogrfica e a visualizao
destes dados.
Um dos pontos fortes do SPRING 5.1.2. a sua diversidade de aplicaes em diferentes reas
do conhecimento, apresentando um carter multidisciplinar, possibilitando o uso de
ferramentas especficas para cada atividade a ser executada, sendo dispensvel a utilizao
de outros aplicativos computacionais concorrentes.
Este livro foi idealizado a partir da necessidade de se criar um material prtico, inteligente,
objetivo, rpido e de fcil entendimento a todos os leitores.
Apresentando exerccios aplicveis para dados espaciais, este livro tem por objetivo atingir
diferentes faixas de usurios do mercado porque no se limita a ensinar comandos ou funes
complexas. O livro apresenta ao leitor, claramente, o tipo de atividade que ele ir desenvolver e
explica passo a passo todos os procedimentos necessrios para a sua execuo.
NDICE ANALTICO
DEDICATRIA..................................................................................................................................
AGRADECIMENTOS.........................................................................................................................
COLABORADORES...........................................................................................................................
REFLEXO........................................................................................................................................
FABRICANTE.....................................................................................................................................
REQUISITOS BSICOS DE HARDWARE .......................................................................................
PREFCIO.........................................................................................................................................
NDICE ANALTICO...........................................................................................................................
NDICE DE FIGURAS........................................................................................................................
NDICE DE TABELA..........................................................................................................................
CAPTULO 1 - VISUALIZANDO IMAGENS DE SATLITES E AEROFOTOS DIGITAIS...............
1.1. CONHECENDO O SPRING 5.1.2..........................................................................................
1.2. HISTRICO DO SPRING 5.1.2.............................................................................................
1.3. AQUISIO GRATUITA DO SPRING 5.1.2..........................................................................
1.4. VISUALIZANDO IMAGENS DOS SATLITES CBERS, LANDSAT E IKONOS....................
1.5. VISUALIZANDO AEROFOTOS DIGITAIS DA CIDADE DE ALEGRE, ES............................
CAPTULO 2 - CONTRASTE DE IMAGENS DIGITAIS....................................................................
2.1. INTRODUO AO PROCESSAMENTO DIGITAL DE IMAGENS........................................
2.2. CONTRASTE DE IMAGENS..................................................................................................
CAPTULO 3 - TRANSFORMAO IHS <- > RGB DE IMAGENS..................................................
3.1. TRANSFORMAO IHS < - > RGB DE IMAGENS...............................................................
CAPTULO 4 - FILTRAGEM DE IMAGENS DIGITAIS.....................................................................
4.1. FILTRAGEM DE IMAGENS...................................................................................................
CAPTULO 5 - OPERAES ARITMTICAS ENTRE IMAGENS...................................................
5.1. NORMALIZAO RADIOMTRICA DE IMAGENS DO SATLITE CBERS PARA O
QUADRANTE REPRESENTATIVO DA BACIA HIDROGRFICA DO RIO ALEGRE,
ES..................................................................................................................................................
CAPTULO 6 - NDICES DE VEGETAO......................................................................................
6.1. NDICE DE VEGETAO.....................................................................................................
CAPTULO 7 - CLASSIFICAO DE IMAGENS DE SATLITE.....................................................
7.1. CLASSIFICAO DE IMAGENS DIGITAIS..........................................................................
7.2. CLASSIFICAO PIXEL A PIXEL E POR REGIO..........................................................
7.3. CLASSE INFORMAL E CLASSE ESPECTRAL....................................................................
7.4. CLASSIFICAO SUPERVISIONADA E NO-SUPERVISIONADA...................................
7.5. ALGORITMOS DE CLASSIFICAO...................................................................................
7.6. MAPEAMENTO DO USO E OCUPAO DO SOLO USANDO O MTODO DE
CLASSIFICAO SUPERVISIONADA DE MXIMA VEROSSIMILHANA (MAXVER)............
7.7. MAPEAMENTO DO USO E OCUPAO DO SOLO USANDO O MTODO DE
CLASSIFICAO SUPERVISIONADA DE BHATTACHARYA..............................................
7.8. MAPEAMENTO DO USO E OCUPAO DO SOLO USANDO O MTODO DE
CLASSIFICAO NO-SUPERVISIONADA ISOSEG................................................................
7.9. TRABALHOS CIENTFICOS RELACIONADOS COM CLASSIFICAO DE IMAGENS...
CAPTULO 8 ANLISE DE COMPONENTES PRINCIPAIS
8.1. INTRODUO......................................................................................................................
8.2. ELABORAO DE IMAGENS DE COMPONENTES PRINCIPAIS......................................
8.3. EXEMPLO DE APLICAO..................................................................................................
3
3
3
4
4
5
5
6
7
9
10
10
10
11
12
33
38
38
39
51
51
60
60
77
77
90
90
98
98
99
100
100
101
108
128
136
140
142
142
142
146
NDICE DE FIGURAS
Figura 1.1 - Home-page do Programa CBERS................................................
Figura 1.2 - Home-pages: a) Mundo da Geomtica e b) Livro Spring 5.1.2: aplicaes prticas.......
Figura 1.3 - Pasta Livro_Spring_Alegre_ES extrada dentro da Unidade C.......................................
Figura 1.4 - Locais importantes da cidade de Alegre, ES sobre a imagem IKONOS..........................
Figura 1.5 - Parque de exposio da cidade de Alegre.......................................................................
Figura 1.6 - Centro de Cincias Agrrias da UFES CCA-UFES.......................................................
Figura 1.7 - Regio central da cidade de Alegre..................................................................................
Figura 1.8 - Cobertura de imagens CBERS para o municpio de Cachoeiro de Itapemirim, ES.........
Figura 1.9 - Amostras de categorias de uso e ocupao de solo extradas de uma imagem do
satlite QUICK BIRD com resoluo espacial de 60 cm em composio normal e falsa-cor..............
Figura 2.1 - Etapas do processamento digital de imagens..................................................................
Figura 2.2 - rea 1 - quadrante representativo do Campus da Universidade Federal do Esprito
Santo (UFES) Imagem do satlite QUICKBIRD em composio
falsa cor resoluo espacial de 2,4 m...............................................................................................
Figura 2.3 - Histograma e imagem antes (a) e aps (b) a aplicao do contraste (contraste linear)
no SPRING 5.1.2...................................................................................................................................
Figura 2.4 - Histograma e imagem antes (a) e aps (b) a aplicao do contraste (contraste linear)
no SPRING 5.1.2...................................................................................................................................
Figura 2.5 - Funo de mapeamento...................................................................................................
Figura 3.1 - Relao espacial entre o sistema RGB e IHS..................................................................
Figura 3.2 - Comparao entre imagens em falsa cor do satlite QUICBIRD antes e aps a
transformao IHS................................................................................................................................
Figura 3.3 - ltima imagem em falsa-cor exibida no Captulo 2..........................................................
Figura 3.4 - Ampliao de imagens em falsa cor da rea central da UFES (biblioteca central). a)
resoluo espacial de 0,6 m oriunda da transformao IHS <-> RGB e, b) resoluo espacial de
2,4 m antes da transformao IHS <-> RGB........................................................................................
Figura 3.5 - Ampliao de uma imagem em falsa cor (resoluo de 0,6 m) oriunda de uma
transformao IHS <-> RGB da rea representativa do Campus da UFES Central, Vitria, ES.........
Figura 3.6 - Transformao IHS <-> RGB - Composio Normal Bandas do azul, verde e
vermelho................................................................................................................................................
Figura 4.1 - Mscaras dos filtros de Passa Baixa-Mdia 3x3, 5x5 e 7x7.............................................
Figura 4.2 - Comparao entre diferentes filtros Passa Baixa-Mdia sobre a banda infravermelho
do satlite IKONOS representativa do Parque de Exposio da cidade de Alegre, ES.......................
Figura 4.3 - Mscaras dos filtros de Passa Baixa Mdia Ponderada 3x3............................................
Figura 4.4 - Aplicao do filtro de passa baixa mdia ponderada (3 x 3) sobre a banda
infravermelho do satlite IKONOS representativa do Parque de Exposio da cidade de Alegre,
ES..........................................................................................................................................................
Figura 4.5 - Exemplos de mscaras de filtros de Passa Alta 3 x 3......................................................
Figura 4.6 - Aplicao do filtro de passa-alta (3 x 3) sobre a banda infravermelho do satlite
IKONOS representativa do Parque de Exposio da cidade de Alegre, ES........................................
Figura 4.7 - Principais mscaras direcionais de realce de bordas.......................................................
Figura 4.8 - Aplicao do filtro direcional de realce de bordas Norte (3 x 3) sobre a banda
infravermelho do satlite IKONOS representativa do Parque de
Exposio da cidade de Alegre, ES......................................................................................................
Figura 4.9 - Exemplos de mscaras de filtros no direcionais de realce de bordas............................
Figura 4.10 - Aplicao do filtro no-direcional de realce de bordas baixa (3 x 3) sobre a banda
infravermelho do satlite IKONOS representativa do Parque de Exposio da cidade de Alegre,
ES..........................................................................................................................................................
Figura 4.11 - Mscara de realce para imagens do satlite TM/LANDSAT..........................................
Figura 4.12 - Aplicao do filtro de realce para imagens do satlite TM/LANDSAT (4 x 4) sobre a
banda infravermelho do satlite TM/LANDSAT representativa do municpio de Alegre, ES................
Figura 4.13 - Mscara representativa do operador de Roberts...........................................................
Figura 4.14 - Aplicao da filtragem no linear para deteco de bordas utilizando o operador de
Roberts sobre a banda infravermelho do satlite IKONOS representativa do Parque de Exposio
da cidade de Alegre, ES.......................................................................................................................
Figura 4.15 - Mscaras do operador de Sobel.....................................................................................
Figura 4.16 - Aplicao da filtragem no linear para deteco de bordas utilizando o operador de
Sobel sobre a banda infravermelho do satlite IKONOS representativa do Parque de Exposio da
cidade de Alegre, ES............................................................................................................................
Figura 4.17 - Exemplo para aplicao dos filtros morfolgicos............................................................
Figura 4.18 - Aplicao da filtragem no linear morfolgica de mediana sobre a banda
infravermelho do satlite IKONOS representativa do Parque de Exposio da cidade de Alegre,
ES..........................................................................................................................................................
Figura 4.19 - Aplicao da filtragem no linear Morfolgico-Eroso sobre a banda infravermelho do
12
14
14
32
34
34
34
36
37
38
40
41
41
41
52
53
53
58
58
59
61
61
61
62
62
62
63
63
63
64
64
64
65
65
65
66
66
67
67
68
68
69
69
72
72
73
73
73
75
76
79
89
89
95
96
96
97
98
99
100
103
104
105
105
120
127
132
136
140
143
145
145
146
153
154
154
NDICE DE TABELAS
Tabela 1.1 - Imagens dos satlites CBERS, LANDSAT 7 e IKONOS correspondentes rea de
estudo...................................................................................................................................................
Tabela 1.2 - Modelos de dados disponveis no Spring........................................................................
Tabela 1.3 - Imagens dos satlites LANDSAT e IKONOS representativas da rea estudo................
Tabela 1.4 - Composio colorida normal das aerofotos digitais representativas da rea estudo.....
Tabela 2.1 -. Imagens do satlite QUICKBIRD oriundas do quadrante representativo do Campus
da Universidade Federal do Esprito Santo (UFES)............................................................................
Tabela 2.2 - Caractersticas dos mtodos de realce de contraste disponibilizados no SPRING
5.1.2.....................................................................................................................................................
Tabela 2.3 -. Bandas espectrais do satlite QUICKBIRD disponibilizadas no banco de dados
[UFES]..................................................................................................................................................
Tabela 2.4 - Mtodos de realce de imagem a serem utilizados no SPRING .....................................
Tabela 3.1 -. Imagens do satlite QUICKBIRD oriundas do quadrante representativo do Campus
da Universidade Federal do Esprito Santo (UFES)............................................................................
Tabela 5.1 - Comparao dos valores de mdia e varincia das imagens de referncia, ajuste e
normalizada..........................................................................................................................................
Tabela 7.1 - Algoritmos de classificao mais comuns.......................................................................
Tabela 7.2 - Resultado estatstico de cinco classes nas bandas 4 e 5...............................................
Tabela 7.3 - Nome e cor das amostras de treinamento a serem criadas............................................
Tabela 7.4 - Intervalo de aceitao dos resultados do ndice Kappa..................................................
Tabela 7.5 - Nome e cor das classes a serem criadas........................................................................
Tabela 7.6 - Temas e suas classes respectivas de associao..........................................................
Tabela 7.7- Resultados estatsticos da classificao supervisionada usando o mtodo da Mxima
Verossimilhana (MAXVER)................................................................................................................
Tabela 7.8- Nome e cor das amostras de treinamento a serem criadas.............................................
Tabela 7.9- Resultados estatsticos da classificao supervisionada usando o mtodo de
Bhattacharya........................................................................................................................................
Tabela 7.10- Temas e suas respectivas classes.................................................................................
Tabela 7.11- Resultados estatsticos da classificao no-supervisionada pelo mtodo Isoseg.......
Tabela 8.1 - Imagens do satlite IKONOS do quadrante representativo do Parque de Exposio
da cidade de Alegre, ES......................................................................................................................
Tabela 8.2 - Observaes relativas a duas variveis (X1 e X2) avaliadas em 9 indivduos
(tratamentos)........................................................................................................................................
Tabela 8.3 - Escores relativos aos 9 tratamentos obtidos em relao aos 2 componentes
principais..............................................................................................................................................
Tabela 8.4 - Componentes principais obtidos da anlise de duas variveis.......................................
13
19
30
33
39
42
50
50
52
88
101
107
110
113
117
118
120
132
136
138
139
142
147
152
153
01
CAPTULO
Este captulo tem como objetivo principal apresentar o aplicativo SPRING 5.1.2 queles que
ainda no conhecem essa fabulosa ferramenta para se trabalhar com dados espaciais. As
informaes descritas neste captulo foram extradas do prprio SISTEMA DE AJUDA DO
SPRING 5.1.2, aliadas descrio das atividades prticas de sensoriamento remoto
desenvolvidas para o quadrante representativo da bacia hidrogrfica do Rio Alegre, ES, situada
no municpio de Alegre, extremo Sul do Estado do Esprito Santo.
Os assuntos abordados neste captulo sero:
Opera como um banco de dados geogrficos sem fronteiras e suporta grande volume de
dados (sem limitaes de escala, projeo e fuso), mantendo a identidade dos objetos
geogrficos ao longo de todo banco;
Administra tanto dados vetoriais como dados matriciais (raster), e realiza a integrao de
dados de Sensoriamento Remoto num SIG;
Prove um ambiente de trabalho amigvel e poderoso, atravs da combinao de menus e
janelas com uma linguagem espacial facilmente programvel pelo usurio (LEGAL Linguagem Espao-Geogrfico baseada em lgebra);
Consegue escalonabilidade completa, isto , ser capaz de operar com toda sua
funcionalidade em ambientes que variem desde microcomputadores a estaes de trabalho
RISC de alto desempenho.
Para alcanar estes objetivos, o SPRING baseado num modelo de dados orientado a objetos, do qual so
derivadas sua interface de menus e a linguagem espacial LEGAL. Algoritmos inovadores, como os
utilizados para indexao espacial, segmentao de imagens e gerao de grades triangulares, garantem o
desempenho adequado para as mais variadas aplicaes.
Outra caracterstica, considerada extremamente importante, que a base de dados nica, isto , a
estrutura de dados a mesma quando o usurio trabalha em um microcomputador (IBM-PC) e em uma
mquina RISC (Estaes de Trabalho UNIX), no havendo necessidade alguma de converso de dados. O
mesmo ocorre com a interface, a qual exatamente a mesma, de maneira que no existe diferena no
modo de operar o produto SPRING.
Dados espaciais (imagens matriciais e vetoriais) disponibilizados pelo INPE, IEMA-ES, NEDTEC-UFES e IJSN
10
O SPRING tem se mostrado uma opo altamente atrativa na rea de geoprocessamento, pois um
software de domnio pblico, podendo ser adquirido pela internet ("http://www.dpi.inpe.br/spring"),
bastando se cadastrar na prpria "home-page".
1
2
3
5
Dados espaciais (imagens matriciais e vetoriais) disponibilizados pelo INPE, IEMA-ES, NEDTEC-UFES e IJSN
11
As bandas espectrais dos satlites CBERS, LANDSAT 7 e IKONOS (imagens de 42,21 KB)
correspondentes rea de estudo, que sero utilizadas neste captulo, so as descritas na
Tabela 1.1. Estas so representativas das seguintes datas:
Dados espaciais (imagens matriciais e vetoriais) disponibilizados pelo INPE, IEMA-ES, NEDTEC-UFES e IJSN
12
BANDAS ESPECTRAIS
CMERA CCD
Banda1_210708
Banda2_210708
Banda3_210708
Banda4_210708
Banda5_210708
0.45 - 0.52 (4 m)
0.52 - 0.60 (4 m)
0.63 - 0.69 (4 m)
0.76 - 0.90 (4 m)
FAIXA ESPECTRAL
Azul
Verde
Vermelho
Infravermelho prximo
Pancromtica
FAIXA ESPECTRAL
Azul
Verde
Vermelho
Infravermelho prximo
Infravermelho mdio
Infravermelho termal
Infravermelho mdio
Pancromtica
FAIXA ESPECTRAL
Azul
Verde
Vermelho
Infravermelho
OBSERVAO
O satlite IKONOS II foi lanado no dia 24 de setembro de 1999, est operacional desde o
incio de janeiro de 2000 sendo operado pela SPACE IMAGING que detm os direitos de
comercializao em todo o mundo fora da ndia. Portanto, visando no comprometer os
direitos de comercializao da SPACE IMAGING, neste livro, as imagens dos satlites
IKONOS so disponibilizadas num tamanho reduzido (pequena amostra equivalente a uma
rea de 0,7 km) com tamanho de 42,21 KB. Abaixo, seguem os contatos comerciais da
SPACE IMAGING do Brasil:
Endereo: Rua da Assembleia 10 S1. 4015 Centro - CEP: 20011-901 Rio de Janeiro, RJ
Telefones: (55) ** 21 2102-7070 / (55) ** 21 2102-7080 (FAX)
Home-page: http://www.spaceimaging.com.br
Dados espaciais (imagens matriciais e vetoriais) disponibilizados pelo INPE, IEMA-ES, NEDTEC-UFES e IJSN
13
3
2
4
Dados espaciais (imagens matriciais e vetoriais) disponibilizados pelo INPE, IEMA-ES, NEDTEC-UFES e IJSN
14
15
3
5
CRIAO DO PROJETO
Para definir um projeto no Spring necessrio estabelecer o limite geogrfico da rea em
estudo (retngulo envolvente) e a projeo cartogrfica mais adequada aos dados geogrficos
que sero manipulados na rea de trabalho.
Um Projeto contm Planos de Informao (PI) dentro do retngulo envolvente definido e estes
herdaro o seu sistema de projeo.
Um projeto corresponde fisicamente a um subdiretrio debaixo do diretrio do banco de dados
ao qual pertence. Os dados (PI's) deste projeto estaro debaixo deste subdiretrio.
Siga os passos abaixo para voc criar o projeto a ser trabalhado nas atividades prticas deste
Captulo.
1. No menu Arquivo, aponte para a opo Projeto e, novamente, clique na opo Projeto.
2. Na caixa de entrada Nome digite BHR_Alegre.
Dados espaciais (imagens matriciais e vetoriais) disponibilizados pelo INPE, IEMA-ES, NEDTEC-UFES e IJSN
16
X2: 243050.000000
Y2: 7710137.000000
Observao: caso voc necessite utilizar coordenadas geogrficas, a sintaxe deve ser
conforme o exemplo a seguir:
Exemplo:
Long1: o 40 41 13.915902
Lat1: s 20 55 9.833018
Long2: o 40 28 0.231653
Lat2: s 20 41 14.311944
5
6
8
9
10
Dados espaciais (imagens matriciais e vetoriais) disponibilizados pelo INPE, IEMA-ES, NEDTEC-UFES e IJSN
17
Finalmente, vamos criar um atalho visando possibilitar uma abertura rpida e eficiente de
nosso projeto criado, disponibilizando-o na rea de trabalho do Windows.
11. No menu Arquivo, aponte para a opo Projeto e clique na opo Criar atalho.
12. Na caixa de entrada da opo Nome do arquivo, digite BHR_Alegre.
13. Clique no boto Gravar. Clique no boto OK da caixa de mensagem Atalho gravado com
sucesso.
14. No menu Arquivo, clique na opo Sair.
15. Na caixa de mensagem Sair, clique no boto Sim.
16. No Windows Explorer, v para o diretrio C:\Livro_Spring_Alegre_ES e clique com o
boto direito do mouse sobre o arquivo BHR_Alegre.spring e envie para a rea de
trabalho do Windows.
17. Na rea de Trabalho do Windows, d um clique duplo sobre a opo Atalho para
BHR_Alegre.
Observe que o projeto BHR_Alegre.spring ser carregado rapidamente facilitando os novos
procedimentos a serem executados.
Tambm possvel carregar um atalho de projeto, clicando no menu Arquivo / Projeto /
Carregar Atalho.
11
12
Dados espaciais (imagens matriciais e vetoriais) disponibilizados pelo INPE, IEMA-ES, NEDTEC-UFES e IJSN
13
18
15
14
16
17
NUMRICO
TEMTICO
CLASSES
OBJETO
DESCRICO
Categoria do modelo Imagem refere-se a dados provenientes de sensoriamento
remoto em formato matricial. Exemplos: imagens TM/LANDSAT, SPOT, NOAA,
fotografias areas transformadas em imagens digitais atravs de scanners etc.
Categoria do modelo Numrico refere-se a dados que possuem uma variao
contnua de seus valores numricos em funo de sua posio na superfcie.
Exemplos: altimetria, pH do solo, magnetometria, temperatura de superfcie etc.
Categoria do modelo Temtico refere-se a dados que classificam uma posio
geogrfica quanto a um determinado tema. Ex: tipos de solo, classificao de
vegetao etc.
Para as categorias de dados do modelo temtico necessrio definir as Classes
Temticas, as quais so especializaes da categoria. Tomando-se como exemplo
uma categoria tipos de solo, cada um dos diferentes tipos de solos constituiro as
classes. Por exemplo, latossolo roxo, podzlico e litossolo.
Categoria de dados do modelo Objeto refere-se especializao de um tipo de
objeto geogrfico. Exemplo: municpios, logradouros, propriedades etc.
Dados espaciais (imagens matriciais e vetoriais) disponibilizados pelo INPE, IEMA-ES, NEDTEC-UFES e IJSN
19
CADASTRAL
REDE
NO-ESPACIAL
3
1
4
5
20
Verde
banda3_210708.tif
Vermelho
banda4_210708.tif
Infravermelho prximo
banda5_210708.tif
Pancromtica
3
8
6
4
Dados espaciais (imagens matriciais e vetoriais) disponibilizados pelo INPE, IEMA-ES, NEDTEC-UFES e IJSN
21
9
10
11
Azul
Verde
Vermelho
Infravermelho prximo
Pancromtica
Tela 2
Tela 3
Tela 4
Tela 5
Tela 6
Dados espaciais (imagens matriciais e vetoriais) disponibilizados pelo INPE, IEMA-ES, NEDTEC-UFES e IJSN
22
Agora, voc est pronto para iniciar a visualizao da imagem banda1_210708 em tons de
cinza.
2. Na parte inferior do Spring, clique na guia Tela 2.
3. No Painel de Controle, selecione a imagem intitulada banda1_210708.
4. Na parte inferior do Spring, marque a caixa representativa da letra M (nveis de cinza).
Verde
Tela 3
banda3_210708
Vermelho
Tela 4
banda4_210708
Infravermelho prximo
Tela 5
banda5_210708
Pancromtica
Tela 6
Nveis de
cinza
(M)
4
2
Dados espaciais (imagens matriciais e vetoriais) disponibilizados pelo INPE, IEMA-ES, NEDTEC-UFES e IJSN
23
Tela 4: banda3_210708
Tela 5: banda4_210708
Tela 6: banda5_210708
Nesta prxima etapa, voc ir elaborar uma composio normal e uma falsa-cor utilizando as
imagens do satlite CBERS.
Inicialmente, voc ir elaborar uma composio normal utilizando a seguinte combinao entre
bandas:
Banda1_210708
banda2_210708
banda3_210708
5.
6.
7.
8.
9.
10.
11.
COMPOSIO NORMAL
0,45 - 0,52 (20 m)
azul
0,52 - 0,59 (20 m)
Verde
0,63 - 0,69 (20 m)
Vermelho
B
G
R
Dados espaciais (imagens matriciais e vetoriais) disponibilizados pelo INPE, IEMA-ES, NEDTEC-UFES e IJSN
24
6
8
10
11
5
Agora, voc ir elaborar uma composio falsa cor utilizando a combinao entre bandas
mostrada abaixo. Neste tipo de composio, fica clara e evidente a diferenciao entre os
recursos naturais, priorizando a identificao da vegetao e corpos dgua.
COMPOSIO FALSA-COR
0,45 - 0,52 (20 m)
Azul
Banda4_210708
Infravermelho prximo
banda3_210708
Vermelho
banda2_210708
12.
13.
14.
15.
16.
17.
18.
Dados espaciais (imagens matriciais e vetoriais) disponibilizados pelo INPE, IEMA-ES, NEDTEC-UFES e IJSN
25
13
15
17
18
12
Cursor de Voo
O Cursor de Voo utilizado para funes do Spring em que se necessita realizar a
movimentao da imagem dentro da tela de visualizao.
5. Clique no menu Exibir / Cursor de Voo ou na ferramenta Cursor de Voo .
6. Mantenha pressionado o boto esquerdo do mouse e arraste a imagem na tela de
visualizao.
7. Para visualizar, novamente, toda a imagem, clique na ferramenta Zoom PI .
Dados espaciais (imagens matriciais e vetoriais) disponibilizados pelo INPE, IEMA-ES, NEDTEC-UFES e IJSN
26
4
1
3
2
Cursor de Informao
O Cursor de Informao utilizado para funes do Spring em que se necessita realizar a
obteno de informaes sobre a imagem dentro da tela de visualizao.
8. Clique no menu Exibir / Cursor de Informao ou na ferramenta Cursor de
Informao .
9. Clique sobre qualquer ponto sobre a imagem para obter as informaes a respeito da
mesma.
10. Na caixa de dilogo Relatrio de Dados, clique no boto Fechar.
10
Dados espaciais (imagens matriciais e vetoriais) disponibilizados pelo INPE, IEMA-ES, NEDTEC-UFES e IJSN
27
12
13
15
14
AMPLIAO DA TELA 5
16
28
20
19
OUTRAS FERRAMENTAS
Nesta etapa, voc ir aprender a alterar a escala da imagem da tela principal e alterar seu
sistema de coordenadas.
Inicialmente, voc ir mostrar a imagem com mais detalhes, alterando a escala para 1:25.000.
Posteriormente, a imagem j com a escala alterada ser visualizada com coordenadas planas
e geogrficas.
1. No dropdown da ferramenta Amostragem escolha a opo Escala.
2. Na caixa de entra Escala, entre com o valor 25000.
3. Para visualizar a imagem com a nova escala, clique na ferramenta Zoom PI
Dados espaciais (imagens matriciais e vetoriais) disponibilizados pelo INPE, IEMA-ES, NEDTEC-UFES e IJSN
29
Dados espaciais (imagens matriciais e vetoriais) disponibilizados pelo INPE, IEMA-ES, NEDTEC-UFES e IJSN
30
Tela 14: Bandas verde (B) + verm. (R) + Infrav. prx. (R)
Dados espaciais (imagens matriciais e vetoriais) disponibilizados pelo INPE, IEMA-ES, NEDTEC-UFES e IJSN
31
A Figura 1.4 mostra alguns locais importantes da cidade de Alegre, ES sobre a imagem
IKONOS em composio normal e em composio falsa-cor.
Parque de Exposio
Parque de Exposio
Curva do Bico
Rio Alegre
a) Composio falsa-cor
Curva do Bico
Rio Alegre
b) Composio normal
Dados espaciais (imagens matriciais e vetoriais) disponibilizados pelo INPE, IEMA-ES, NEDTEC-UFES e IJSN
32
Tabela 1.4. Composio colorida normal das aerofotos digitais representativas da rea estudo.
AEROFOTOS DIGITAIS DO ANO DE 2007
(QUADRANTE REPRESENTATIVO DA BACIA HIDROGRFICA DO RIO ALEGRE, ES)
AEROFOTOS IMPORTADAS
Aerofoto_Alegre_2007.tif
NOME
TELAS DO SPRING
FAIXA ESPECTRAL
Aerofoto_Alegre_2007_1 (R)
Vermelho
Tela 21
Aerofoto_Alegre_2007_2 (G)
Verde
Aerofoto_Alegre_2007_3 (B)
Azul
As Figuras 1.5, 1.6 e 1.7 mostram algumas ampliaes da aerofoto digital em composio
normal sobre a cidade de Alegre, ES.
Dados espaciais (imagens matriciais e vetoriais) disponibilizados pelo INPE, IEMA-ES, NEDTEC-UFES e IJSN
33
Parque de
exposio
CCA-UFES
Centro da cidade de
Alegre
Dados espaciais (imagens matriciais e vetoriais) disponibilizados pelo INPE, IEMA-ES, NEDTEC-UFES e IJSN
34
EXERCCIOS
Exerccios tericos
Exerccios prticos
BANDAS ESPECTRAIS
SENSOR ETM+
05/08/2002
b1_050802.tif
b2_050802.tif
b3_050802.tif
b4_050802.tif
b6_050802.tif
b8_050802.tif
SATLITE LANDSAT 7
INTERVALO DE
COMPRIMENTO DE
ONDA ( m )
0.45 - 0.52 (30 m)
0.53 - 0.61 (30 m)
0.63 - 0.69 (30 m)
0.78 - 0.90 (30 m)
10.4 - 12.5 (60 m)
0.52 - 0.90 (15 m)
FAIXA ESPECTRAL
Azul
Verde
Vermelho
Infravermelho prximo
Infravermelho termal
Pancromtica
Utilize os conhecimentos adquiridos neste captulo para importar essas imagens e visualizar
uma:
a) COMPOSIO COLORIDA NORMAL (tela auxiliar).
b) COMPOSIO COLORIDA EM FALSA-COR (tela principal).
Observao: durante a importao, fique atento com a resoluo espacial das bandas espectrais do satlite LANDSAT
que, dependendo da banda, pode ser de 15, 30 e 60 m.
Dados espaciais (imagens matriciais e vetoriais) disponibilizados pelo INPE, IEMA-ES, NEDTEC-UFES e IJSN
35
Figura 1.8. Cobertura de imagens CBERS para o municpio de Cachoeiro de Itapemirim, ES.
a) Crie um diretrio chamado Imagens_Cachoeiro_Itapemirim na unidade C: de seu
computador.
b) Extraia suas imagens para dentro deste diretrio.
c) No Spring, crie um banco de dados dentro deste diretrio de trabalho com projeto e modelo
de dados do tipo imagem.
d) Faa importao das imagens CBERS utilizando a opo Abrir Imagens CBERS localizado
no menu Arquivo do Spring.
e) Observe as diferentes tonalidades de colorao em falsa-cor das imagens obtidas,
interpretando a rea urbana da cidade de Cachoeiro de Itapemirim, a vegetao e o Rio
Itapemirim que passa por este municpio.
Observao: para melhor compreenso de como fazer o download de imagens gratuitas CBERS ou LANDSAT na
home-page do programa CBERS, voc pode visualizar o manual do usurio disponibilizado no endereo eletrnico
http://www.dgi.inpe.br/Suporte/files/manual_usuario_PT.htm.
Dados espaciais (imagens matriciais e vetoriais) disponibilizados pelo INPE, IEMA-ES, NEDTEC-UFES e IJSN
36
rea agricultada
rea degradada
rea edificada
rea urbana
Caf
Campo sujo
Capoeira
Corpos d'gua
Estrada no
pavimentada
Estrada
pavimentada
Formao
rochosa
Fragmento
florestal
Pastagem
Reflorestamento
Reservatrio
Solo exposto
Vrzea
Vegetao rala
Figura 1.9. Amostras de categorias de uso e ocupao de solo extradas de uma imagem do
satlite QUICK BIRD com resoluo espacial de 60 cm em composio normal e falsa-cor.
REFERNCIAS BIBLIGRFICAS
SPRING: Integrating remote sensingand GIS by object-oriented data modelling. Camara
G, Souza RCM, FreitasUM, Garrido J Computers & Graphics, 20: (3) 395-403, May-Jun 1996.
Disponvel em: http://www.dpi.inpe.br/spring. Acesso em 10/12/2009.
Dados espaciais (imagens matriciais e vetoriais) disponibilizados pelo INPE, IEMA-ES, NEDTEC-UFES e IJSN
37
02
CAPTULO
Este captulo tem por objetivo realizar uma introduo ao processamento digital de imagens e
apresentar diferentes tcnicas de realce de contraste de imagens, objetivando melhorar a
qualidade das imagens sob a percepo do olho humano, consistindo numa transferncia
radiomtrica em cada "pixel", possibilitando aumentar a discriminao visual entre os objetos
presentes na imagem, independente da vizinhana.
Os assuntos abordados neste captulo sero:
Processamento digital de imagens.
Contraste de Imagens.
2.1. INTRODUO AO PROCESSAMENTO DIGITAL DE IMAGENS
As tcnicas de processamento digital de imagem podem ser divididas em 3 etapas mostradas
na Figura 2.1:
IMAGEM DIGITAL
CORREO RADIOMTRICA
PR-PROCESSAMENTO
CORREO GEOMTRICA
REGISTRO
REALCE DE CONTRASTE
FILTRAGEM
REALCE DE IMAGENS
TRANSFORMAO IHS
OPERAES ARITMTICAS
COMPONENTES
EXTRAO DE ATRIBUTOS
ANLISE DE IMAGENS
SEGMENTAO
CLASSIFICAO
MAPAS
DESCRIO
REPRESENTAO GRFICA
PROPRIEDADES DO OBJETO
Dados espaciais (imagens matriciais e vetoriais) disponibilizados pelo INPE, IEMA-ES, NEDTEC-UFES e IJSN
38
INTERVALO DE COMPRIMENTO DE
ONDA ( m )
FAIXA ESPECTRAL
Azul
Verde
Vermelho
Infravermelho prximo
Pancromtica
TAMANHO DAS
IMAGENS
17,80 KB
281,65 KB
OBSERVAO
O satlite QUICKBIRD foi lanado no dia 18 de outubro de 2001, sendo operado pela
DIGITALGLOBE que detm os direitos de comercializao em todo o mundo. Portanto,
visando no comprometer os direitos de comercializao da DIGITALGLOBE, neste livro, as
imagens dos satlites QUICKBIRD so disponibilizadas num tamanho reduzido (pequena
amostra equivalente a uma rea de 0,1 km) com tamanho de 17,80 KB (bandas espectrais
do azul, verde, vermelho e infravermelho prximo) e 281,65 KB (banda pancromtica).
Abaixo, seguem os contatos comerciais da empresa IMAGEM (representante da
DIGITALGLOBE no Brasil):
Endereo: Rua
12.216-440.
Telefones: (55)
Dados espaciais (imagens matriciais e vetoriais) disponibilizados pelo INPE, IEMA-ES, NEDTEC-UFES e IJSN
39
A tcnica de realce de imagens tem por objetivo melhorar a qualidade visual da imagem,
aumentando a interpretao e a quantidade de informao. Geralmente utilizada como uma
etapa de pr-processamento de imagens.
Na prtica, a tcnica de realce de uma imagem modifica sua escala de cinza, sendo uma
operao pontual, em que o novo valor do ponto depende apenas do valor antigo deste ponto.
Para tanto, o usurio deve manipular o histograma original de uma imagem, distribuindo melhor
os nveis de cinza ao longo de sua escala (Figura 2.3). J a Figura 2.4 mostra a ampliao de
uma imagem em falsa-cor realada com contraste linear.
O realce de contraste pode ser feito mapeando as variaes dentro do intervalo de tons de
cinza [Vmin Vmax] da imagem original para a variao mxima do dispositivo de visualizao
que, geralmente, [0, 255]. Vmin e Vmax so os valores de nveis de cinza (NCs) mnimos e
mximos, respectivamente, presentes na imagem original. O mapeamento realizado por meio
de uma funo de mapeamento (Figura 2.5). Cada valor do nvel de cinza na imagem original
mapeada para um novo valor de acordo com uma funo de transferncia, que pode ser
definida como:
y = f (x )
Em que,
y: novo valor correspondente;
x: nvel de cinza original.
Dados espaciais (imagens matriciais e vetoriais) disponibilizados pelo INPE, IEMA-ES, NEDTEC-UFES e IJSN
40
h(y )
do contraste (contraste
do contraste (contraste
f (x )
h(x )
Dados espaciais (imagens matriciais e vetoriais) disponibilizados pelo INPE, IEMA-ES, NEDTEC-UFES e IJSN
41
MTODO
CARACTERSTICA
y = ax + b
Linear
Entrada
Sada
y = ax + b
NC mximo
Mnimo
mximo
NC mnimo
y =a x
Utiliza-se a opo de transformao por raiz quadrada para
aumentar o contraste das regies escuras da imagem original. A
funo de transformao representada pela curva, como
mostra a figura ao lado. Observe que a inclinao da curva
tanto maior quanto menores os valores de nveis de cinza.
Raiz Quadrada
y = ax 2
Utiliza-se este mapeamento quando se deseja aumentar o
contraste de feies claras (altos nveis de cinza da imagem).
Observe, na figura ao lado que o aumento de contraste maior a
partir da mdia do histograma, mesmo havendo um
deslocamento geral para a regio de nveis mais escuros.
Quadrado
y = a log( x + 1)
O mapeamento logartmico de valores de nveis de cinza til
para aumento de contraste em feies escuras (valores de cinza
baixos). Equivale a uma curva logartmica como mostrado na
figura ao lado.
Logaritmo
y = (ax + b )
Negativo
Dados espaciais (imagens matriciais e vetoriais) disponibilizados pelo INPE, IEMA-ES, NEDTEC-UFES e IJSN
42
y =
Equalizao
de Histograma
faxi 255
Pt
Em que,
faxi: frequncia acumulada para o
nvel de cinza xi;
Pt: populao total (nmero total de
pixel).
Fatiamento
Fatiamento equidistribuio com 16
fatias
Edio
Agora, voc ir aplicar a tcnica de realce de contraste de imagem (mtodo linear) sobre as
seguintes imagens:
IMAGENS
ufes_pan
Ufes_2 (B)
Ufes_4 (G)
Ufes_3 (R)
COR
Pancromtica
REALCE DE IMAGEM
Falsa-cor
Linear
Dados espaciais (imagens matriciais e vetoriais) disponibilizados pelo INPE, IEMA-ES, NEDTEC-UFES e IJSN
43
Dados espaciais (imagens matriciais e vetoriais) disponibilizados pelo INPE, IEMA-ES, NEDTEC-UFES e IJSN
44
8.
9.
10.
11.
10
11
8
Dados espaciais (imagens matriciais e vetoriais) disponibilizados pelo INPE, IEMA-ES, NEDTEC-UFES e IJSN
45
13
14
12
15.
16.
17.
18.
19.
20.
21.
Agora voc ir aplicar um contraste linear sobre o canal Vermelho da seguinte forma:
22.
23.
24.
25.
Dados espaciais (imagens matriciais e vetoriais) disponibilizados pelo INPE, IEMA-ES, NEDTEC-UFES e IJSN
46
20
21
22
15
24
23
25
26
27
Dados espaciais (imagens matriciais e vetoriais) disponibilizados pelo INPE, IEMA-ES, NEDTEC-UFES e IJSN
da
do
da
do
47
29
30
31
28
33
34
35
32
Agora, voc ir salvar a composio colorida em falsa-cor como uma imagem sinttica,
mantendo o contraste linear aplicado sobre os canais vermelho, verde e azul.
36.
37.
38.
39.
40.
Dados espaciais (imagens matriciais e vetoriais) disponibilizados pelo INPE, IEMA-ES, NEDTEC-UFES e IJSN
48
38
39
36
37
40
42
43
41
Dados espaciais (imagens matriciais e vetoriais) disponibilizados pelo INPE, IEMA-ES, NEDTEC-UFES e IJSN
49
EXERCCIOS
BANDAS ESPECTRAIS
ufes_1
ufes_2
ufes_3
ufes_pan
FAIXA ESPECTRAL
Azul (B)
Verde (G)
Vermelho (R)
Pancromtica
A SEREM EXECUTADOS
Logaritmo
Negativo
Equalizao de Histograma
b) Satlite CBERS:
Composio
colorida
falsa-cor:
bandas
verde
(banda3_210708) e infravermelho (banda4_210708);
(banda2_210708),
vermelho
c) Satlite LANDSAT:
Aps a aplicao de cada contraste linear, capture seu respectivo histograma na forma de
imagem. Posteriormente, compare os histogramas de cada imagem elaborada (diferentes
satlites) e descreva seu comportamento.
REFERNCIAS BIBLIGRFICAS
Dados espaciais (imagens matriciais e vetoriais) disponibilizados pelo INPE, IEMA-ES, NEDTEC-UFES e IJSN
50
03
CAPTULO
Neste captulo, voc ir aplicar uma transformao IHS < - > RGB sobre as bandas multiespectrais do satlite QUICKBIRD que apresentam resoluo espacial de 2,4 m, visando obter
uma imagem em falsa-cor com resoluo espacial de 0,6 m melhorando a qualidade de
fotointerpretao das imagens de satlites.
O assunto abordado neste captulo ser:
Transformao IHS < - > RGB de imagens.
LETRA
R
G
B
INGLS
Red
Green
Blue
PORTUGUS
Vermelho
Verde
Azul
Neste tpico, ser abordada a tcnica de transformao no espao de cores ou, mais
precisamente, a transformao IHS que apresentam os seguintes significados:
LETRA
I
H
S
INGLS
Intensity
Hue
Saturation
PORTUGUS
Intensidade
Matiz
Saturao
LETRA
I
H
S
PORTUGUS
Intensidade
Matiz
Saturao
SIGNIFICADO
representa o brilho ou a energia total da imagem
representa o comprimento de onda dominante da cor
representa a pureza da cor
Alm disso, a transformao para o espao IHS permite um maior controle individual sobre os
componentes cromticos (matiz) e acromticos (saturao) da imagem.
A relao espacial entre o espao RGB e IHS mostrada na Figura 3.1. Observa-se que o
sistema IHS pode ser graficamente representado por um cone.
Dados espaciais (imagens matriciais e vetoriais) disponibilizados pelo INPE, IEMA-ES, NEDTEC-UFES e IJSN
51
Seo do
cone IHS
BANDAS ESPECTRAIS
ufes_1
ufes_2
ufes_3
ufes_4
ufes_pan
FAIXA ESPECTRAL
Azul
Verde
Vermelho
Infravermelho prximo
Pancromtica
Dados espaciais (imagens matriciais e vetoriais) disponibilizados pelo INPE, IEMA-ES, NEDTEC-UFES e IJSN
52
Figura 3.2. Comparao entre imagens em falsa-cor do satlite QUICBIRD antes e aps a
transformao IHS.
Inicialmente, voc dever abrir o SPRING 5.1.2 e ativar o Banco de Dados e o Projeto, ambos
intitulados IMAGEM_UFES:
Dados espaciais (imagens matriciais e vetoriais) disponibilizados pelo INPE, IEMA-ES, NEDTEC-UFES e IJSN
53
_
8.
9.
10.
11.
12.
3
4
11
10
11
12
Dados espaciais (imagens matriciais e vetoriais) disponibilizados pelo INPE, IEMA-ES, NEDTEC-UFES e IJSN
54
Agora, voc ir visualizar cada uma das imagens geradas: Ufes_I, Ufes_H e Ufes_S.
13.
14.
15.
16.
Repita os passos anteriores (de 13 a 16) para as imagens Ufes_H (usando a Tela 3) e Ufes_S
(usando a Tela 4).
13
14
16
15
Agora, voc ir aplicar uma transformao IHS->RGB, visando elaborar uma imagem em falsa
cor com resoluo espacial de 0,6 m.
17. No menu Imagem, clique em Transformao IHS <-> RGB.
18. Na caixa de dilogo Transformao IHS <-> RGB, marque a opo IHS <-> RGB do
painel Transformaes.
19. Marque a opo I (intensidade) e selecione a imagem ufes_pan (banda pancromtica de
0,6 m).
20. Marque a opo H (matiz) e selecione a imagem Ufes_H (imagem discretizando o matiz).
21. Marque a opo S (saturao) e selecione a imagem Ufes_S (imagem discretizando a
saturao).
22. Na caixa de entrada PI de Sada, digite Ufes60cm.
23. Marque a opo I para aceitar 0,6 m para o Tamanho do Pixel de Sada.
24. Clique no boto Executar.
Dados espaciais (imagens matriciais e vetoriais) disponibilizados pelo INPE, IEMA-ES, NEDTEC-UFES e IJSN
55
19
18
20
21
22
23
24
17
Agora, voc est pronto para elaborar uma composio em falsa-cor com as imagens geradas
com resoluo de 0,6 m mostradas abaixo:
Imagens
Ufes60cm_B
Ufes60cm_G
Ufes60cm_R
25.
26.
27.
28.
29.
30.
31.
32.
Resoluo espacial
0,6 m
Cor
B
G
R
Como demonstrado no captulo 1, utilize a tela auxiliar para visualizar uma imagem em falsacor com as imagens antes da transformao IHS, ou seja:
Imagens
ufes_2
ufes_4
ufes_3
Resoluo espacial
2,4 m
Cor
B
G
R
Dados espaciais (imagens matriciais e vetoriais) disponibilizados pelo INPE, IEMA-ES, NEDTEC-UFES e IJSN
56
32
26
28
30
31
25
35
34
33
A letra a da Figura 3.4 mostra a Biblioteca Central da UFES (tela principal) ampliada com a
imagem falsa-cor oriunda da transformao IHS <-> RGB com resoluo espacial de 0,6 m
com aplicao do realce de contraste linear. J a letra b mostra a Biblioteca Central da UFES
(tela auxiliar) ampliada com a imagem falsa-cor com resoluo espacial de 2,4 m antes da
transformao IHS-><-RGB com aplicao do realce de contraste linear.
Dados espaciais (imagens matriciais e vetoriais) disponibilizados pelo INPE, IEMA-ES, NEDTEC-UFES e IJSN
57
Figura 3.4. Ampliao de imagens em falsa-cor da rea central da UFES (biblioteca central). a)
resoluo espacial de 0,6 m oriunda da transformao IHS <-> RGB e, b) resoluo espacial
de 2,4 m antes da transformao IHS <-> RGB.
A Figura 3.5 mostra algumas localizaes dentro Campus da UFES Central, Vitria, ES.
BIBLIOTECA CENTRAL
DA UFES
LAGOA DA UFES
Figura 3.5. Ampliao de uma imagem em falsa-cor (resoluo de 0,6 m) oriunda de uma
transformao IHS <-> RGB da rea representativa do Campus Central da UFES, Vitria, ES.
Dados espaciais (imagens matriciais e vetoriais) disponibilizados pelo INPE, IEMA-ES, NEDTEC-UFES e IJSN
58
EXERCCIOS
1. De posse das imagens do satlite QUICKBIRD disponibilizadas no Banco de Dados
[UFES] e Projeto [Imagem_UFES] execute uma transformao IHS <-> RGB visando
elaborar uma composio colorida normal [bandas azul (B), verde (G) e vermelho (R)] com
as seguintes imagens:
BANDAS ESPECTRAIS
ufes_1
ufes_2
ufes_3
ufes_pan
FAIXA ESPECTRAL
Azul (B)
Verde (G)
Vermelho (R)
Pancromtica
Veja na Figura 3.6 abaixo o resultado da transformao IHS <-> RGB que voc dever
alcanar.
Figura 3.6. Transformao IHS <-> RGB - Composio Normal Bandas do azul, verde e
vermelho.
2. Procure na literatura informaes a respeito de outros mtodos de transformao
semelhantes ao IHS <-> RGB, discutindo suas modificaes.
Dados espaciais (imagens matriciais e vetoriais) disponibilizados pelo INPE, IEMA-ES, NEDTEC-UFES e IJSN
59
04
CAPTULO
Dados espaciais (imagens matriciais e vetoriais) disponibilizados pelo INPE, IEMA-ES, NEDTEC-UFES e IJSN
60
FILTRAGEM LINEAR
Pode ser realizada no domnio do espao atravs da operao de convoluo e no domnio da
frequncia pela operao produto. Suavizam e realam detalhes da imagem e minimizam
efeitos de rudo, sem alterar a mdia da imagem. Alguns filtros so descritos a seguir.
Passa Baixa: suaviza a imagem atenuando as altas frequncias, que correspondem s
transies abruptas. Tende a minimizar rudos e apresenta o efeito de borramento da
imagem. A Figura 4.1 mostra as mscaras dos filtros de Passa Baixa-Mdia 3x3, 5x5 e 7x7.
J a Figura 4.2 exibe uma comparao entre diferentes filtros de Passa Baixa-Mdia sobre a
banda infravermelho do satlite IKONOS representativa do Parque de Exposio da cidade
de Alegre, ES.
3x3
5x5
7x7
Figura 4.1. Mscaras dos filtros de Passa Baixa-Mdia 3x3, 5x5 e 7x7.
Banda
infravermelha do
satlite IKONOS
5x5
7x7
Figura 4.2. Comparao entre diferentes filtros Passa Baixa-Mdia sobre a banda
infravermelho do satlite IKONOS representativa do Parque de Exposio da
cidade de Alegre, ES.
Passa Baixa de Mdia Ponderada: so usados quando os pesos so definidos em funo
de sua distncia do peso central. Neste filtro, o efeito da suavizao menor, pois o peso do
pixel central maior do que no filtro de mdia. A Figura 4.3 exibe dois exemplos de uma
mscara 3x3 de um filtro de Passa Baixa Mdia Ponderada. J a Figura 4.4 mostra uma
aplicao do filtro de Passa Baixa Mdia Ponderada (3 x 3) sobre a banda infravermelho do
satlite IKONOS representativa do Parque de Exposio da cidade de Alegre, ES.
3x3
3x3
Figura 4.3 Mscaras dos filtros de Passa Baixa Mdia Ponderada 3x3.
Dados espaciais (imagens matriciais e vetoriais) disponibilizados pelo INPE, IEMA-ES, NEDTEC-UFES e IJSN
61
Banda
infravermelho do
satlite IKONOS
Mscara utilizada
Imagem filtrada
(Passa Baixa
Mdia Ponderada
3 x 3)
Figura 4.4 Aplicao do filtro de passa baixa mdia ponderada (3 x 3) sobre a banda
infravermelho do satlite IKONOS representativa do Parque de
Exposio da cidade de Alegre, ES.
Passa Alta: a filtragem Passa Alta reala detalhes, produzindo uma "agudizao"
("sharpering") da imagem, isto , as transies entre regies diferentes tornam-se mais
ntidas. Estes filtros podem ser usados para realar certas caractersticas presentes na
imagem, tais como bordas, linhas curvas ou manchas, mas enfatizam o rudo existente na
imagem. Alguns exemplos destas mscaras so mostradas na Figura 4.5. J a Figura 4.6
mostra uma aplicao do filtro de Passa Alta (3 x 3) sobre a banda infravermelho do satlite
IKONOS representativa do Parque de Exposio da cidade de Alegre, ES.
Banda
infravermelho
do satlite
IKONOS
Mscara
utilizada
Imagem filtrada
(Passa Alta 3 x
3)
Dados espaciais (imagens matriciais e vetoriais) disponibilizados pelo INPE, IEMA-ES, NEDTEC-UFES e IJSN
62
Norte
Nordeste
Leste
Sudeste
Sul
Sudoeste
Oeste
Noroeste
Banda
infravermelho
do satlite
IKONOS
Mscara Norte
Imagem filtrada
(direcional de
realce de bordas
Norte)
Figura 4.8. Aplicao do filtro direcional de realce de bordas Norte (3 x 3) sobre a banda
infravermelho do satlite IKONOS representativa do Parque de
Exposio da cidade de Alegre, ES.
Filtros no-direcionais de realces de bordas: utilizado para realar bordas,
independentemente da direo. As trs mscaras mais comuns diferem quanto intensidade
de altos valores de nveis de cinza presentes na imagem resultante. A mscara alta deixa
passar menos os baixos nveis de cinza, isto , a imagem fica mais clara. A mscara baixa
produz uma imagem mais escura que a anterior. A mscara mdia apresenta resultados
intermedirios. A Figura 4.9 mostra as principais mscaras no-direcionais de realce de
bordas. J a Figura 4.10 mostra uma aplicao do filtro no direcional de bordas baixa (3 x 3)
sobre a banda infravermelho do satlite IKONOS representativa do Parque de Exposio da
cidade de Alegre, ES.
Baixa
Mdia
Alta
Dados espaciais (imagens matriciais e vetoriais) disponibilizados pelo INPE, IEMA-ES, NEDTEC-UFES e IJSN
63
Banda
infravermelho do
satlite IKONOS
Mscara Baixa
Imagem filtrada
(no-direcional
de realce de
bordas baixa)
Figura 4.10. Aplicao do filtro no-direcional de realce de bordas baixa (3 x 3) sobre a banda
infravermelho do satlite IKONOS representativa do Parque de Exposio da
cidade de Alegre, ES.
Filtros de realce de imagens: utiliza mscaras apropriadas ao realce de caractersticas de
imagens obtidas por um sensor especfico. Para imagens TM/LANDSAT o realce compensa
distores radiomtricas do sensor. O pixel que ter seu valor de nvel de cinza substitudo
pela aplicao da mscara corresponde posio sombreada. A Figura 4.11 mostra a
mscara utilizada para realar imagens LANDSAT. J a Figura 4.12 mostra uma aplicao do
filtro da imagem LANDSAT sobre a banda infravermelho (b4_300501) do satlite LANDSAT
representativa do municpio de Alegre, ES.
Banda
Mscara
Imagem filtrada
infravermelho do
satlite
TM/LANDSAT
(filtroTM/LANDSAT)
TM/LANDSAT
Figura 4.12. Aplicao do filtro de realce para imagens do satlite TM/LANDSAT
(4 x 4) sobre a banda infravermelho do satlite TM/LANDSAT
representativa do municpio de Alegre, ES.
FILTROS NO-LINEARES
Tm o objetivo de minimizar e realar rudos e suavizar e realar bordas, alterando a mdia da
imagem. Os principais filtros so:
Filtros para deteco de bordas: detecta caractersticas, como bordas, linhas, curvas e
manchas, sendo os mais comuns os operadores de Roberts e Sobel.
a) Operador de Roberts: apresenta a desvantagem de certas bordas serem mais realadas do
que outras dependendo da direo, mesmo com magnitude igual. Como resultado de sua
aplicao, obtm-se uma imagem com altos valores de nvel de cinza, em regies de
limites bem definidos e valores baixos em regies de limites suaves, sendo 0 (zero) para
regies de nvel de cinza constante. A Figura 4.13 mostra a mscara representativa do
operador de Roberts.
Dados espaciais (imagens matriciais e vetoriais) disponibilizados pelo INPE, IEMA-ES, NEDTEC-UFES e IJSN
64
(a') = (a - d) + (c - b)
Em que,
a': nvel de cinza correspondente localizao a ser substitudo;
a, b, c, d: localizaes cujos valores sero computados para a operao.
A Figura 4.14 mostra uma aplicao da filtragem no-linear para deteco de bordas utilizando
o operador de Roberts sobre a banda infravermelho do satlite IKONOS representativa do
Parque de Exposio da cidade de Alegre, ES.
Banda
infravermelho do
satlite IKONOS
Mscara de
Roberts
Imagem filtrada
(deteco de
bordas - operador
de Roberts)
Figura 4.14. Aplicao da filtragem no linear para deteco de bordas utilizando o operador de
Roberts sobre a banda infravermelho do satlite IKONOS representativa do Parque de
Exposio da cidade de Alegre, ES.
b) Operador de Sobel: reala linhas verticais e horizontais mais escuras que o fundo, sem
realar pontos isolados. Consiste na aplicao de duas mscaras, descritas na Figura 4.15,
que compem um resultado nico.
Mscara (a)
Mscara (b)
a' = a 2 + b 2
Em que,
a': valor de nvel de cinza correspondente localizao do elemento central da mscara.
Dados espaciais (imagens matriciais e vetoriais) disponibilizados pelo INPE, IEMA-ES, NEDTEC-UFES e IJSN
65
A Figura 4.16 mostra uma aplicao da filtragem no-linear para deteco de bordas utilizando
o operador de Sobel sobre a banda infravermelho do satlite IKONOS representativa do
Parque de Exposio da cidade de Alegre, ES.
Banda infravermelho
do satlite IKONOS
Mscaras de Sobel
Imagem filtrada
(deteco de bordas
- operador de Sobel)
Figura 4.16. Aplicao da filtragem no-linear para deteco de bordas utilizando o operador
de Sobel sobre a banda infravermelho do satlite IKONOS
representativa do Parque de Exposio da cidade de Alegre, ES.
Filtros morfolgicos: exploram as propriedades geomtricas dos sinais (nveis de cinza da
imagem). Para filtros morfolgicos, as mscaras so denominadas elementos estruturantes e
apresentam valores 0 ou 1 na matriz que correspondem ao pixel considerado. Os filtros
morfolgicos bsicos so: da mediana, eroso e dilatao.
Banda
infravermelho do
satlite IKONOS
Mscara de
mediana M+
Imagem filtrada
(filtro de
mediana)
Dados espaciais (imagens matriciais e vetoriais) disponibilizados pelo INPE, IEMA-ES, NEDTEC-UFES e IJSN
66
b) Filtro Morfolgico-Eroso: provoca efeitos de eroso das partes claras da imagem (altos
nveis de cinza), gerando imagens mais escuras. Considerando o exemplo mostrado na
Figura 4.17, o valor a ser substitudo no pixel central corresponde ao menor valor da
ordenao, que igual a 2.
A Figura 4.19 mostra uma aplicao da filtragem no-linear Morfolgico-Eroso sobre a banda
infravermelho do satlite IKONOS representativa do Parque de Exposio da cidade de Alegre,
ES.
Banda
infravermelho do
satlite IKONOS
Mscara de
eroso M+
Imagem filtrada
(filtro de eroso)
Banda
infravermelho do
satlite IKONOS
Mscara de
dilatao M+
Imagem filtrada
(filtro de
dilatao)
Dados espaciais (imagens matriciais e vetoriais) disponibilizados pelo INPE, IEMA-ES, NEDTEC-UFES e IJSN
67
Banda
infravermelho do
satlite IKONOS
Imagem filtrada
(filtro de eroso)
Imagem aberta
oriunda de nova
filtragem (filtro
de dilatao)
Figura 4.22. Abertura de uma imagem: aplicao encadeamento de filtros (eroso seguido de
dilatao) sobre a banda infravermelho do satlite IKONOS representativa do Parque de
Exposio da cidade de Alegre, ES.
Banda
infravermelho do
satlite IKONOS
Imagem filtrada
(filtro de
dilatao)
Imagem fechada
oriunda de nova
filtragem (filtro de
eroso)
Agora que voc assimilou conceitos tericos sobre as tcnicas de filtragem, sero
demonstradas algumas aplicaes prticas no SPRING 5.1.2.
68
3
4
Dados espaciais (imagens matriciais e vetoriais) disponibilizados pelo INPE, IEMA-ES, NEDTEC-UFES e IJSN
69
13
6
8
7
11
9
12
10
Dados espaciais (imagens matriciais e vetoriais) disponibilizados pelo INPE, IEMA-ES, NEDTEC-UFES e IJSN
70
Local de teste do
tipo de filtro
Long: -41:31:35,91
Lat: -20:45:42,61
Figura 4.25. Coordenadas geogrficas do pixel a ser testado aps a filtragem de Passa BaixaMdia.
Dados espaciais (imagens matriciais e vetoriais) disponibilizados pelo INPE, IEMA-ES, NEDTEC-UFES e IJSN
71
152
63
88
59
57
152 161
116
Figura 4.27. Valores nos nveis de cinza dos pixels vizinhos e central: a) mscara da imagem
de origem e b) da imagem filtrada.
Abaixo apresentado um esquema contendo as seguintes informaes (Figura 4.28): a)
Mscara do Filtro de Passa Baixa-Mdia 3 x 3, b) Valor do pixel central na imagem original e c)
Valor do pixel aps a filtragem de Passa Baixa-Mdia 3 x 3.
a) Mscara
72
1049
9
3
1
13
6
8
11
7
9
12
10
Dados espaciais (imagens matriciais e vetoriais) disponibilizados pelo INPE, IEMA-ES, NEDTEC-UFES e IJSN
73
Dados espaciais (imagens matriciais e vetoriais) disponibilizados pelo INPE, IEMA-ES, NEDTEC-UFES e IJSN
74
13
8
11
7
9
12
10
Dados espaciais (imagens matriciais e vetoriais) disponibilizados pelo INPE, IEMA-ES, NEDTEC-UFES e IJSN
75
05
CAPTULO
Este captulo tem por objetivo apresentar o potencial do SPRING 5.1.2 para a realizao de
operaes aritmticas do tipo: soma, subtrao, multiplicao e diviso.
As operaes aritmticas so operaes "pixel" a "pixel" entre imagens de bandas diferentes,
atravs de uma regra matemtica definida, tendo como resultado uma banda representando a
combinao das bandas originais.
Em geral, a operao de adio utilizada para realar a similaridade entre bandas ou
diferentes imagens; e a subtrao, a multiplicao e a diviso, para realar as diferenas
espectrais.
76
quando aplicada imagem de ajuste, a imagem resultante tenha a mesma mdia e varincia
da imagem de referncia.
O clculo do ganho e offset so baseados na funo de transformao f(x) = ax + b, ou seja:
R = ganho MS + offset
e
R2 = ganho 2 s2
O que pode ser reescrito da seguinte forma:
ganho =
R2
s2
offset = R
R2
S
s2
Em que,
Dados espaciais (imagens matriciais e vetoriais) disponibilizados pelo INPE, IEMA-ES, NEDTEC-UFES e IJSN
77
Aps a apresentao do mtodo de uniformizao das mdias e varincias (UMV), voc j est
pronto para iniciar uma aplicao prtica no SPRING 5.1.2.
10.
11.
12.
13.
Dados espaciais (imagens matriciais e vetoriais) disponibilizados pelo INPE, IEMA-ES, NEDTEC-UFES e IJSN
78
13
9
10
11
12
14
Dados espaciais (imagens matriciais e vetoriais) disponibilizados pelo INPE, IEMA-ES, NEDTEC-UFES e IJSN
79
16
15
3.
4.
5.
6.
Dados espaciais (imagens matriciais e vetoriais) disponibilizados pelo INPE, IEMA-ES, NEDTEC-UFES e IJSN
80
5
4
3
6
7
8
13
9
11
10
12
Dados espaciais (imagens matriciais e vetoriais) disponibilizados pelo INPE, IEMA-ES, NEDTEC-UFES e IJSN
81
14
16
15
MDIA
77,37
28,64
VARINCIA
353,79
22,38
Dados espaciais (imagens matriciais e vetoriais) disponibilizados pelo INPE, IEMA-ES, NEDTEC-UFES e IJSN
82
ganho =
353,79
R2
=
2
22,38
s
ganho = 3,976
e
offset = R
R2
S = 77,37 3,976 28,64
s2
offset = 36,503
S: imagem uniformizada.
S: imagem de ajuste.
1.
2.
3.
4.
5.
6.
7.
8.
Dados espaciais (imagens matriciais e vetoriais) disponibilizados pelo INPE, IEMA-ES, NEDTEC-UFES e IJSN
83
4
5
6
3
9.
10.
11.
12.
13.
14.
12
10
11
13
14
15
Dados espaciais (imagens matriciais e vetoriais) disponibilizados pelo INPE, IEMA-ES, NEDTEC-UFES e IJSN
84
_
16.
17.
18.
19.
18
17
16
19
20
21
26
22
23
25
24
85
Varincia: 357,20.
27. Na caixa de dilogo Estatstica de Amostras, clique no boto Fechar.
28. Na caixa de dilogo Aquisio de Amostras, clique no boto Fechar.
29. Na caixa de dilogo Anlise Estatstica de Amostras, clique no boto Fechar.
27
28
29
A Tabela 5.1 mostra o resumo das operaes que envolveram a aplicao do mtodo de
uniformizao das mdias e varincias (UMV).
Tabela 5.1 Comparao dos valores de mdia e varincia das imagens de referncia, ajuste e
normalizada.
IMAGEM
REFERNCIA
AJUSTE
NORMALIZADA
MDIA
77,37
28,64
76,55
VARINCIA
353,79
22,38
357,20
Dados espaciais (imagens matriciais e vetoriais) disponibilizados pelo INPE, IEMA-ES, NEDTEC-UFES e IJSN
86
Concluso: de acordo com os resultados da Tabela 5.1, os valores de mdia e varincia das
imagens de referncia e normalizada esto prximos estatisticamente.
A Figura 5.2 mostra uma comparao entre as imagens de referncia, ajuste e normalizada.
Observa-se que, aps a aplicao do mtodo de uniformizao das mdias e varincias
(UMV), o contraste da imagem de referncia muito parecido com o da imagem normalizada.
Esta afirmao pode ser comprovada pela comparao entre o histograma das imagens de
referncia, ajuste e normalizada, demonstrada na Figura 5.3. Observe que o histograma da
imagem de referncia se assemelha com o histograma da imagem normalizada.
IMAGEM DE REFERNCIA
banda4_210708
IMAGEM DE AJUSTE
banda3_210708
IMAGEM NORMALIZADA
banda3_210708_normalizada-(OP1)
IMAGEM DE REFERNCIA
banda4_210708
IMAGEM DE AJUSTE
banda3_210708
IMAGEM NORMALIZADA
banda3_210708_normaliza
da-(OP1)
Figura 5.3. Comparao entre o histograma das imagens de referncia, ajuste e normalizada.
Dados espaciais (imagens matriciais e vetoriais) disponibilizados pelo INPE, IEMA-ES, NEDTEC-UFES e IJSN
87
ndices de Vegetao
06
CAPTULO
Este captulo tem por objetivo determinar ndices de vegetao utilizando operaes
aritmticas para manipulao de imagens de satlite.
A atividade executada neste captulo ser:
Dados espaciais (imagens matriciais e vetoriais) disponibilizados pelo INPE, IEMA-ES, NEDTEC-UFES e IJSN.
88
RATIO =
IV
VM
Em que:
RATIO: ndice de Razo de Vegetao.
IV: Banda correspondente ao Infravermelho Prximo.
VM: Banda correspondente ao vermelho.
Um dos ndices de vegetao baseado na razo entre bandas mais amplamente usado o
ndice conhecido como ndice de Vegetao da Diferena Normalizada (do ingls Normalized
Difference Vegetation Index) (NDVI) desenvolvido por Rouse et al., (1973), citado por Jansen
(1986) dado pela seguinte equao:
NDVI =
(IV VM )
(IV + VM )
Em que,
NDVI: ndice de vegetao por diferena normalizada.
IV: Banda do infravermelho Prximo.
VM: Banda do vermelho.
O NDVI foi introduzido para produzir um IV espectral que separa vegetao verde do brilho do
solo de fundo, utilizando, primeiramente, dados digitais do satlite Landsat MSS. Este o
ndice de vegetao mais comumente empregado, que minimiza efeitos topogrficos. Possui a
propriedade de variar entre 1 a +1, sendo que quanto mais prximo de 1, maior a densidade
de cobertura vegetal. O 0 (zero) representa valor aproximado para ausncia de vegetao, ou
seja, representa superfcies no vegetadas.
Dering et al., (1975), citado por Jansen (1986), utilizou outro tipo de ndice de vegetao
adicionando 0,5 ao NDVI e extraindo sua raiz quadrada. Tem sido extensivamente utilizado
para medir a quantidade de vegetao. Este ndice foi denominado de ndice de Vegetao
Transformado (do ingls Transformed Vegetation Index) (TVI), cuja equao a seguinte:
Em que,
TVI: ndice de vegetao transformado.
Na equao do TVI, a constante 0,50 introduzida para evitar operaes com valores
negativos de NDVI. O clculo da raiz quadrada pretende corrigir os valores do NDVI
introduzindo uma distribuio normal.
Outro tipo de ndice o denominado de ndice de Correo Transformada da Vegetao (do
ingls Corrected Transformed Vegetation Index) (CTVI) proposto por Perry & Lautenschlager
(1984), citado por Jansen (1986), a fim de corrigir o TVI, cuja equao a seguinte:
Dados espaciais (imagens matriciais e vetoriais) disponibilizados pelo INPE, IEMA-ES, NEDTEC-UFES e IJSN.
89
_
CTVI =
(NDVI + 0,5 )
ABS (NDVI + 0,5 )
ABS(NDVI + 0,5 )
Em que,
CTVI: ndice de Correo Transformada da Vegetao.
ABS: Valor absoluto.
O CTVI pretende corrigir o TVI adicionando a constante de 0.50 para todos os valores NDVI,
nem sempre eliminando todos os valores negativos de NDVI, podendo ter um alcance de -1 a
+1. Valores menores que -0.50 tornam-se valores negativos menores depois da operao de
adio. Assim, o CTVI elaborado para resolver essa situao dividindo o (NDVI + 0.50) por
seu valor absoluto ABS (NDVI + 0.50) e multiplicando pela raiz quadrada do valor absoluto,
suprimindo o sinal negativo.
Thiam (1997), apud Eastman (1998), indicou que o resultado imagem do CTVI pode ser muito
ruidoso devido a uma superestimao da vegetao verde. Para obter melhores resultados,
Thiam sugeriu ignorar o primeiro termo da equao do CTVI e adicionar, simplesmente, a raiz
quadrada dos valores absolutos para o NDVI e TVI, para se apresentar um novo ndice
conhecido como ndice de Vegetao Transformado de Thiams (do ingls Thiams
Trasnformed vegetation Index) (TTVI), expresso pela seguinte equao:
IV VM
TTVI = ABS
+ 0,5
IV
+
VM
Em que,
TTVI: ndice de vegetao transformado de Thiams.
IV: Banda do infravermelho.
VM: Banda do vermelho.
ABS: valor absoluto.
Eastman (1998), em sua reviso bibliogrfica, descreve sobre outras equaes de ndice de
vegetao.
DETERMINAO
DO
NDICE DE VEGETAO
DE DIFERENA
NORMALIZADA (NDVI) PARA O QUADRANTE REPRESENTATIVO DA BACIA
HIDROGRFICA DO RIO ALEGRE, ES.
A fim de determinar o NDVI para o ano de 2008 do quadrante representativo da bacia
hidrogrfica do rio Alegre, ES, sero utilizadas as seguintes imagens do satlite CBERS:
a) banda4_210708 BANDA DO INFRAVERMELHO PRXIMO.
b) banda3_210708 BANDA DO VERMELHO.
Dados espaciais (imagens matriciais e vetoriais) disponibilizados pelo INPE, IEMA-ES, NEDTEC-UFES e IJSN.
90
5
6
3
9
8
Dados espaciais (imagens matriciais e vetoriais) disponibilizados pelo INPE, IEMA-ES, NEDTEC-UFES e IJSN.
91
Logo, com a aplicao do Ganho e Offset sobre o NDVI ORIGINAL que, neste caso, negativo
(-0,532), obtm-se um novo valor de NDVI (73,4) com valor positivo, de mais fcil interpretao
visual.
1
2
Dados espaciais (imagens matriciais e vetoriais) disponibilizados pelo INPE, IEMA-ES, NEDTEC-UFES e IJSN.
92
rea vegetada
>NDVI (verde mais claro)
rea no vegetada
<NDVI (colorao mais escura)
Figura 6.1. Comparao entre o NDVI de reas vegetadas (a) e no vegetadas com presena
de edificaes (b).
Dados espaciais (imagens matriciais e vetoriais) disponibilizados pelo INPE, IEMA-ES, NEDTEC-UFES e IJSN.
digite
93
10
9
8
7
11
12
Figura 6.2. NDVI na Floresta Nacional de Pacotuba, Cachoeiro de Itapemirim, ES, para os anos
de 1985 e 2007.
Dados espaciais (imagens matriciais e vetoriais) disponibilizados pelo INPE, IEMA-ES, NEDTEC-UFES e IJSN.
94
REFERNCIAS BIBLIOGRFICAS
EASTMAN, J. R. Idrisi for Windows: Introduo e Exerccios Tutorais. J. Ronald Eastman.
Editores da verso em portugus, Heinrich Hasenack e Eliseu Weber. Porto Alegre: UFRGS,
Centro de recursos Idrisi, 1998.
JENSEN, J. R. Introductory digital image processing: a remote sensing perspective. New
Jersey : Prentice-Hall, 1986. 379 p.
ROUSE, J.W.; HAAS, R.H.; SCHELL, J.A.; DEERING, D.W.,1973. Monitoring vegetation
systems in the Great Plains with ERTS. Third Symposium of ERTS, Greenbelt, Maryland,
USA. NASA SP-351, V1:309-317.
LOUZADA, F.L.R.O.; COUTINHO, L.M.; ANDRADE, C.C.; OLIVEIRA, V.A.S.; BREDA, P.H.M.;
SANTOS, A.R. Anlise da Cobertura Florestal por meio da subtrao de imagem NDVI na
Floresta Nacional de Pacotuba, Cachoeiro de Itapemirim, ES. Anais..., INPE, p. 3995-4001,
2009. Disponvel em:
http://marte.dpi.inpe.br/col/dpi.inpe.br/sbsr@80/2008/11.17.11.48/doc/3995-4001.pdf
Dados espaciais (imagens matriciais e vetoriais) disponibilizados pelo INPE, IEMA-ES, NEDTEC-UFES e IJSN.
95
_____________
CLASSIFICAO DE IMAGENS DE
SATLITE
07
CAPTULO
Alexandre Rosa dos Santos, Nathlia Suemi Saito, Telma Machado de Oliveira Peluzio, Alexandre
Cndido Xavier, Geraldo Rgis Mauri.
Este captulo tem por objetivo apresentar os processos de classificao de imagens de satlite,
visando elaborao de mapas de uso e ocupao do solo de uma rea pertencente ao bairro
Pavuna, Alegre, ES.
As seguintes atividades sero elaboradas:
Elaborao do mapa de uso e ocupao do solo utilizando os algoritmos de classificao da
mxima verossimilhana (Maxver), Bhattacharya e Isoseg.
Elaborao do layout do mapa de uso e ocupao do solo gerado pelo algoritmo de
classificao da mxima verossimilhana (Maxver) (Figura 7.1).
Figura 7.1. Uso e ocupao do solo gerado pelo algoritmo de classificao da mxima
verossimilhana (Maxver) de uma rea pertencente ao bairro Pavuna, Alegre, ES.
96
_____________
B (gua)
A (urbanizao)
b) Imagem classificada
Figura 7.2. Imagem numrica oriunda da composio colorida em falsa-cor (a) e imagem
classificada (b).
A imagem classificada definida a partir da anlise da imagem numrica, de forma que
aqueles pixels que tm valores espectrais semelhantes so agrupados em classes
espectralmente similares. Neste exemplo, a classe A (urbanizao) formada por pixels
claros (altos valores de cinza) que variam de 70 a 130, e a classe B (gua) formada por
pixels escuros (baixos valores de cinza) variando de 5 a 40. Geralmente, existe um maior
nmero de classes e no mnimo trs ou quatro bandas espectrais.
A classificao de imagens digitais tem se constitudo em um dos mais importantes campos de
sensoriamento remoto. Em alguns casos, a classificao pode ser o prprio objeto final de
anlise.
O termo classificador digital refere-se a um programa de computador que implementa um
procedimento especfico para a classificao de uma imagem digital. Ao longo dos anos, os
cientistas tm desenvolvido vrias estratgias de classificao; de forma que o analista precisa
selecionar, a partir dessas alternativas, qual o classificador a ser usado em tarefas especficas.
Atualmente, impossvel dizer que um dado classificador melhor para todas as situaes,
porque as caractersticas de cada imagem e as circunstncias para cada estudo esto sempre
variando. Portanto, essencial que o analista compreenda as estratgias alternativas para a
classificao de imagens, para que ele possa estar preparado para selecionar o classificador
mais apropriado para determinada tarefa.
Dados espaciais (imagens matriciais e vetoriais) disponibilizados pelo INPE, IEMA-ES, NEDTEC-UFES e IJSN
97
_____________
Dados espaciais (imagens matriciais e vetoriais) disponibilizados pelo INPE, IEMA-ES, NEDTEC-UFES e IJSN
98
_
_____________
TIPO
ALGORITMO
paraleleppedo
Supervisionada
No-supervisionada
Pixel a pixel
distncia mnima
mxima verossimilhana
Por regio
Bhattacharya
Mahalanobis (Isoseg)
Dados espaciais (imagens matriciais e vetoriais) disponibilizados pelo INPE, IEMA-ES, NEDTEC-UFES e IJSN
99
_____________
LI ck VBijk LS ck
Em que,
baixa preciso;
OBS: muitos pixels no so classificados por no atenderem o intervalo dos limites. Uma
soluo seria aumentar o intervalo por meio do desvio padro, porm, isto provocaria uma
maior superposio.
Dados espaciais (imagens matriciais e vetoriais) disponibilizados pelo INPE, IEMA-ES, NEDTEC-UFES e IJSN
100
_____________
u u
ff f
u u u
f
f
u u
u
f
u u
u u
u u u
u
u
BANDA DO VERMELHO
s
s s
s s s
p
s s s p
s s
p p
p
p
p
p p p
p
a
a a
a a
a
BANDA DO INFRAVERMELHO
VALORES DE REFLECTNCIA
DAS ASSINATURAS
u = urbanizao
f = fragmentao florestal
s = solo exposto
a = gua
p = pastagem
MDIAS ESPECTRAIS
= urbanizao
= fragmentao
= solo exposto
= gua
= pastagem
PIXELS QUE ESTO SENDO
COMPARADOS
1e2
DIST =
(VB
ijk
xck
)2
Em que,
Dados espaciais (imagens matriciais e vetoriais) disponibilizados pelo INPE, IEMA-ES, NEDTEC-UFES e IJSN
101
_____________
BANDA DO VERMELHO
No diagrama heurstico da Figura 7.5, o pixel 1 est mais prximo da mdia do solo exposto (s)
e , por isso, atribudo categoria solo exposto. A desvantagem deste classificador ilustrada
pelo pixel 2, que est mais prximo mdia da fragmentao florestal (f), mesmo parecendo
estar dentro do intervalo de reflectncia com maior probabilidade de ser urbanizao (u).
u u
f
ff
u u u
f
f
u u
u
f
u u
u u
u u u
u
u
s
s s
s s
s
p
s s
s
p
s s
p p
p
p
p
p
p
p
p
a
a a
a a
a
BANDA DO INFRAVERMELHO
VALORES DE REFLECTNCIA
DAS ASSINATURAS
u = urbanizao
f = fragmentao florestal
s = solo exposto
a = gua
p = pastagem
MDIAS ESPECTRAIS
= urbanizao
= fragmentao
= solo exposto
= gua
= pastagem
PIXELS QUE ESTO SENDO
COMPARADOS
1e2
Dados espaciais (imagens matriciais e vetoriais) disponibilizados pelo INPE, IEMA-ES, NEDTEC-UFES e IJSN
102
_____________
BANDA DO VERMELHO
No diagrama heurstico da Figura 7.7, pelo fato da distribuio dos valores de reflectncia em
uma amostra de treinamento ser descrita por uma funo de densidade de probabilidade, este
classificador tende a apresentar resultados mais acurados. Logo, os pixels 1 e 2 sero
classificados corretamente, sendo atribudos s categorias urbanizao (u) e solo exposto (s),
respectivamente.
u u
ff f
u u u
f
f
u u
u
f
u u
u u
u u u
u
u
a
a a
a a
a
s
s s
s s
s
p
s s
s
p
s s
p p
p
p
p
p
p
p
p
BANDA DO INFRAVERMELHO
VALORES DE REFLECTNCIA
DAS ASSINATURAS
u = urbanizao
f = fragmentao florestal
s = solo exposto
a = gua
p = pastagem
MDIAS ESPECTRAIS
= urbanizao
= fragmentao
= solo exposto
= gua
= pastagem
PIXELS QUE ESTO SENDO
COMPARADOS
1e2
Dados espaciais (imagens matriciais e vetoriais) disponibilizados pelo INPE, IEMA-ES, NEDTEC-UFES e IJSN
103
_____________
B pi , p j =
1
(m1 m2 )T
2
(m m ) + 2 ln
1
(m m )
i j
i
Em que,
B = distncia de Bhattacharya;
pi e p j = pixels nas classes i e j ;
mi e m j = mdias das classes i e j ;
T = matriz transposta;
ln = logaritmo neperiano;
i e j = classes dentro do contexto.
D=
1
( X mi )T Ci1 X m j
2
Em que,
D = distncia de Mahalanobis;
T = matriz transposta;
Ci = matriz de covarincia;
mi e m j = vetor de mdia das classes i e j ;
X = regio de anlise.
Dados espaciais (imagens matriciais e vetoriais) disponibilizados pelo INPE, IEMA-ES, NEDTEC-UFES e IJSN
104
_____________
x na banda 4
s na banda 4
x na banda 5
s na banda 4
36,5
54,8
20,2
39,1
9,3
4,53
3,88
1,88
5,11
0,56
55,7
77,4
28,2
35,5
5,2
10,72
11,16
4,31
6,41
0,71
Residencial
Comercial
Pntano
Floresta
gua
Em que,
DIST =
(VB
ijk
xck
)2 + (VBijl xcl )2
Em que,
VBijk e VBijl = valores numricos dos pixels desconhecidos na linha i, coluna j, bandas K e L
xck e xcl = mdias para a classe C nas bandas K e L
Abaixo segue o exemplo da lgica de classificao do algoritmo da distncia mnima at a
mdia das 5 classes para os dois pixels desconhecidos A (40,40) e B (10,40).
PIXELS DESCONHECIDOS
CLASSE
A (40, 40)
B (10,40)
residencial
comercial
Pntano
Floresta
gua
Dados espaciais (imagens matriciais e vetoriais) disponibilizados pelo INPE, IEMA-ES, NEDTEC-UFES e IJSN
105
_____________
No difcil perceber que o pixel desconhecido A ser assinalado classe de floresta por
apresentar a menor distncia entre eles de 4,59. Por outro lado, o pixel desconhecido B ser
assinalado classe de pntano, cuja menor distncia foi 15,75.
Muitos algoritmos de distncia mnima permitem ao analista especificar uma distncia limite
(limiar) da mdia da classe a partir da qual o pixel no ser assinalado a uma classe, mesmo
que ele esteja prximo da mdia daquela classe. Por exemplo, se um limiar de 10 fosse
especificado, o pixel desconhecido A ainda seria classificado como floresta por ter uma
distncia mnima de 4,59, que est abaixo do limiar. J o pixel desconhecido B no seria
assinalado classe de pntano porque sua distncia mnima de 15,75 foi superior ao limiar
estabelecido de 10. Neste caso, esse pixel seria assinalado a uma classe desconhecida.
Verde
ikonos_band_3.tif
Vermelho
ikonos_band_4.tif
Infravermelho prximo
Dados espaciais (imagens matriciais e vetoriais) disponibilizados pelo INPE, IEMA-ES, NEDTEC-UFES e IJSN
106
_____________
6
9
20
21
16
11
22
17
18
19
2
1
Dados espaciais (imagens matriciais e vetoriais) disponibilizados pelo INPE, IEMA-ES, NEDTEC-UFES e IJSN
107
_____________
4
5
6
7
13
11
8
12
14
9
10
Repita os passos de 11 a 14 para criar as classes e cores mostradas na Tabela 7.3, com
exceo da classe Agua j criada anteriormente.
Tabela 7.3. Nome e cor das amostras de treinamento a serem criadas.
NOME
Agua
Estrada_Pavimentada
Fragmento
Solo_Exposto
Pastagem
Urbanizacao
COR
azul
cinza
verde escuro
marron
verde claro
vermelho
Dados espaciais (imagens matriciais e vetoriais) disponibilizados pelo INPE, IEMA-ES, NEDTEC-UFES e IJSN
108
_____________
do mouse para iniciar a digitalizao. Para fechar o polgono, clique com o boto direito
do mouse.
17. Aps o fechamento do polgono, clique sobre o boto Adquirir.
18. Clique sobre o boto Salvar.
15
16
Amostras de
treinamento da classe
Agua
18
17
109
_____________
2
4
OBS: Caso necessrio, voc pode salvar os resultados da anlise das amostras, clicando
sobre o boto Salvar. Abaixo, demonstrado o resultado do salvamento com extenso .txt
aberto no Bloco de notas do Windows.
116
117
Estrada_Pavim.
607
16
51
Fragmento
3667
276
687
3953
Pastagem
213
4478
90
Solo_Exposto
24
542
15
4783
581
Urbanizacao
97
24
541
663
Soma Col.
130
705
3883
4780
676
610
10784
Agua
Dados espaciais (imagens matriciais e vetoriais) disponibilizados pelo INPE, IEMA-ES, NEDTEC-UFES e IJSN
110
_____________
D
T
DG =
Em que,
DG =
O clculo do ndice Kappa (K) efetuado por meio da seguinte relao (CONGALTON;
GREEN,1998):
K=
DQ
onde Q =
T Q
i + X +i
i =1
em que,
De acordo com Congalton & Green (1998), as classificaes das imagens geradas em
sensoriamento remoto so identificadas em determinados intervalos de valores, conforme os
nveis de aceitao na Tabela 7.4.
CARACTERSTICAS
Pobre
Razovel
Excelente
T = 10784
D = 116 + 607 + 3667 + 4478 + 542 + 541 = 9951
r
i + X +i
130 *117 + 705 * 687 + 3883 * 3953 + 4780 * 4783 + 676 * 581 + 610 * 663
= 3663,66
T
10784
D Q 9951 3663,66 6287,34
=
=
= 0,883 = 88,30%
K=
T Q 10784 3663,66 7120,34
Q=
i =1
Conclui-se ento que para nossa amostragem, o ndice Kappa apresentou valor de 88,30 %,
enquadrando-se como excelente.
Dados espaciais (imagens matriciais e vetoriais) disponibilizados pelo INPE, IEMA-ES, NEDTEC-UFES e IJSN
111
_____________
CLASSIFICAO SUPERVISIONADA
VEROSSIMILHANA (MAXVER)
USANDO
MTODO
DA
MXIMA
1
2
6
5
4
3
Dados espaciais (imagens matriciais e vetoriais) disponibilizados pelo INPE, IEMA-ES, NEDTEC-UFES e IJSN
112
_____________
EXEMPLO:
Para a janela de uma imagem classificada ser avaliado o "pixel" central pertencente classe
2. Considera-se que:
a) peso = 3
b) limiar = 3
3
Frequncia
A tabela acima indica que a classe 1 ocorre uma vez; a classe 3 ocorre trs vezes e a classe 5,
quatro vezes. A frequncia da classe 2 considerada 3, pelo fato do peso definido ser 3. O
limiar igual a 3 far com que o ponto central (de classe 2) seja atribudo classe 5, cuja
frequncia (4) maior que o limiar definido.
A janela classificada com seus temas uniformizados torna-se:
3
3
1
2
Dados espaciais (imagens matriciais e vetoriais) disponibilizados pelo INPE, IEMA-ES, NEDTEC-UFES e IJSN
113
_____________
2
3
Dados espaciais (imagens matriciais e vetoriais) disponibilizados pelo INPE, IEMA-ES, NEDTEC-UFES e IJSN
114
_
5.
6.
7.
8.
_____________
4a
5
4b
Repita os passos de 5 a 8 para criar as classes e cores demonstradas na Tabela 7.5, com
exceo da classe Agua j criada anteriormente.
COR
azul
cinza
verde escuro
marron
verde claro
vermelho
Fragmento
Estrada_Pavimentada
Pastagem
Solo_Exposto
Urbanizacao
Dados espaciais (imagens matriciais e vetoriais) disponibilizados pelo INPE, IEMA-ES, NEDTEC-UFES e IJSN
115
_____________
9. Aps a criao das classes temticas com suas respectivas apresentaes grficas, na
caixa dilogo Modelo de Dados, clique sobre o boto Executar.
CLASSES
azul
Estrada_Pavimentada
Fragmento
Solo_Exposto
Pastagem
Urbanizacao
2
4
1
Dados espaciais (imagens matriciais e vetoriais) disponibilizados pelo INPE, IEMA-ES, NEDTEC-UFES e IJSN
116
_____________
Veja que a classe Pastagem apresenta a maior rea de uso que equivale a 35,50 ha.
5. Clique sobre o boto Fechar.
3
2
Dados espaciais (imagens matriciais e vetoriais) disponibilizados pelo INPE, IEMA-ES, NEDTEC-UFES e IJSN
117
_____________
REA (ha)
1,1
3,0
17,0
5,8
35,5
6,2
0,7
69,2
PORCENTAGEM (%)
1,6
4,3
24,6
8,3
51,3
8,9
1,0
100,0
60,0
51,3
PORCENTAGEM (%)
50,0
40,0
30,0
24,6
20,0
10,0
8,9
8,3
4,3
1,6
1,0
0,0
gua
Estrada
pavimentada
Fragmento
Solo exposto
Pastagem
Urbanizao
rea no
classificada
CLASSES
Figura 7.8. Resultados estatsticos da classificao supervisionada usando o mtodo da
Mxima Verossimilhana (MAXVER).
Dados espaciais (imagens matriciais e vetoriais) disponibilizados pelo INPE, IEMA-ES, NEDTEC-UFES e IJSN
118
_____________
4
3
2
1
11. Na caixa de dilogo Banco de Dados, clique no boto Diretrio e ative o diretrio
C:\Livro_Spring_Alegre_ES.
12. No painel Banco de Dados, selecione Bacia_Rio_Alegre.
13. Clique no boto Ativar.
14. No menu Arquivo, clique sobre a opo Carregar Projeto .
15. Na caixa de dilogo Projeto, clique sobre o boto Ativar.
16. No menu Arquivo, clique sobre a opo Criar Carta .
6
7
8
9
10
11
Dados espaciais (imagens matriciais e vetoriais) disponibilizados pelo INPE, IEMA-ES, NEDTEC-UFES e IJSN
119
_____________
17. Na caixa de dilogo Criar Carta, na caixa de entrada da opo Nome, digite
Uso_Solo_Alegre.
18. Clique sobre o boto Criar.
19. Na caixa de dilogo Caracterstica da Carta, no dropdown da opo Tamanho, selecione
A4.
20. Na caixa de entrada da opo Escala, digite 5000.
21. Em Posicionamento, marque a opo Coordenadas.
22. Em Coordenadas, marque a opo Planas.
23. Em X1, digite 2.
24. Em Y1, digite 1.
25. Clique sobre o boto Fechar.
26. Na janela Painel de Controle, em Categorias, selecione Uso_Solo.
27. Em Planos de Informao, selecione Class_Super_Maxver_pos-T.
28. Marque a opo Matriz.
29. Clique sobre o boto Desenhar .
30. Clique sobre o boto Fechar.
15
16
14
21
12
13
22
23
17
18
25
19
20
24
Dados espaciais (imagens matriciais e vetoriais) disponibilizados pelo INPE, IEMA-ES, NEDTEC-UFES e IJSN
120
_____________
27
29
31
33
30
32
Dados espaciais (imagens matriciais e vetoriais) disponibilizados pelo INPE, IEMA-ES, NEDTEC-UFES e IJSN
121
_____________
39
34
35
37
36
40
41
42
43
49. Na caixa de dilogo Editor de Elementos da Carta, no menu Inserir, clique na opo
Legenda.
50. D um clique duplo na parte central direita do layout. Observe que os valores de X e Y
sero modificados, automaticamente; sendo que, nessa posio, a legenda do layout ser
inserida.
51. Na caixa de dilogo Inserir Legendas na Carta, no painel Categorias, selecione a
categoria temtica Uso_Solo.
52. Na caixa de entra Espaamento, digite 10.
53. Na caixa de dilogo Caractersticas dos Elementos da Carta, na caixa de entrada Altura,
digite 4.
54. No painel Legenda, na caixa de entrada Altura (altura da caixinha da legenda), digite 4.
55. No painel Legenda, na caixa de entrada Largura (largura da caixinha da legenda), digite 5.
56. No painel Legenda, na caixa de entrada distncia (distncia da primeira letra at a
caixinha da legenda), digite 3.
57. Clique sobre o boto Atualizar.
58. De volta a caixa de dilogo Inserir Legendas na Carta, no menu Inserir, clique sobre a
opo Todas as classes.
59. No painel Itens de Legenda, selecione a classe Agua.
60. Na caixa de entrada Texto, digite o nome correto da classe que gua (com acento
agudo na letra A).
61. Clique sobre o boto CR.
Repita os passos de 54 a 56 para as outras classes.
Dados espaciais (imagens matriciais e vetoriais) disponibilizados pelo INPE, IEMA-ES, NEDTEC-UFES e IJSN
122
_____________
46
44
47
48
50
49
54
56
55
52
51
53
62. Na caixa de dilogo Editor de Elementos da Carta, no menu Inserir, clique sobre a opo
Escala.
63. D um clique duplo na parte inferior direita do layout. Observe que os valores de X e Y
sero modificados automaticamente, sendo que nesta posio a escala do layout ser
inserida.
64. Na caixa de dilogo Caractersticas dos Elementos da Carta, na caixa de entrada da
opo Altura (altura da escala), digite 3.
65. Clique sobre o boto Atualizar.
66. Na caixa de dilogo Editor de Escalas, selecione o tipo de escala tipo-7.
67. Clique sobre o boto Inserir.
Veja o ttulo, seta de Norte, legenda e escala j inseridos no layout.
59
57
60
Dados espaciais (imagens matriciais e vetoriais) disponibilizados pelo INPE, IEMA-ES, NEDTEC-UFES e IJSN
123
_____________
61
62
68. Finalmente, vamos inserir a grade do mapa do layout. Logo, no Scarta, no menu Editar,
clique sobre a opo Grade.
69. Na caixa de dilogo Definio de Grade, na opo Grade em Coordenadas, selecione
Planas.
70. Na caixa de entrada |dx| digite 300.
71. Na caixa de entrada |dy| digite 300.
72. Clique no boto Definir.
73. Na caixa de dilogo Grade Plana, aceite as opes j padronizadas e clique sobre o boto
Executar.
74. De volta a caixa de dilogo Definio de Grade, clique sobre o boto Executar.
64
63
65
66
67
68
69
Dados espaciais (imagens matriciais e vetoriais) disponibilizados pelo INPE, IEMA-ES, NEDTEC-UFES e IJSN
124
_____________
72
71
70
74
73
A Figura 7.9 mostra o layout final elaborado aps a execuo das etapas anteriores.
Dados espaciais (imagens matriciais e vetoriais) disponibilizados pelo INPE, IEMA-ES, NEDTEC-UFES e IJSN
125
_____________
SEGMENTAO DE IMAGENS
O processo de segmentao representa, geralmente, o primeiro passo no sentido de preparar
as imagens de satlite para uma futura classificao temtica, passo este que pode determinar
o eventual sucesso ou fracasso de uma anlise. O ato de segmentar uma imagem consiste em
agrupar pixels com caractersticas similares em termos tonais e texturais, formando regies
homogneas. Essas regies so correspondentes s feies da superfcie terrestre e iro
servir de base para a anlise e cartografia temtica (DLUGOSZ et al., 2008).
A segmentao automtica, em geral, baseia-se nas caractersticas de descontinuidade e
similaridade dos tons de cinza de uma imagem. O mtodo que avalia a descontinuidade
considera a mudana abrupta dos valores de cinza e o mtodo por similaridade fundamenta-se
na agregao de pixels em funo da sua semelhana com os pixels vizinhos (GONZLES;
WINTZ, 1987). A segmentao por crescimento de regies se baseia nesse segundo mtodo.
Conforme Venturieri e Santos (1998), citado por Corte et al., 2008, a operao de segmentao
por crescimento de regies consiste em agrupar pixels com caractersticas similares em termos
tonais e texturais, formando regies homogneas. Desta forma, a imagem particionada em
um conjunto de regies correspondentes s feies da superfcie terrestre, que iro servir de
base para a anlise e cartografia temtica. Os resultados desse processo so reas com
aspecto contnuo, onde cada rea possui caractersticas espectrais bem diferentes das
vizinhas que a cercam.
De acordo com Gonzles & Woods (2000), citado por Dlugosz et al., 2008, a seleo de
critrios de similaridade dependente do problema em considerao e tambm do tipo de
dados (imagens) disponveis. Para Coutinho (1997), citado por Dlugosz et al.2008, a definio
de valores para os limiares na segmentao de imagens depende, principalmente, do
conhecimento dos padres de repartio espacial dos objetos de cada rea e da definio da
generalizao cartogrfica ideal, em funo da escala cartogrfica da abordagem realizada.
Contempla uma etapa que exige maior ateno devido inexistncia de valores padronizados
para as variveis do algoritmo e, tambm, pode influenciar diretamente na acurcia dos
resultados da segmentao.
Se os valores dos limiares forem muito baixos, o processo no atribuir pixels s classes
(fragmentao excessiva). Por outro lado, se forem muito altos, pixels representativos de
diferentes classes sero incorretamente agrupados (NASCIMENTO; ALMEIDA FILHO, 1996,
citado por DLUGOSZ et al.2008).
Com o objetivo de realizar a segmentao automtica de bandas espectrais do satlite
IKONOS para nossa rea de estudo, execute os passos a seguir:
1.
2.
3.
4.
Dados espaciais (imagens matriciais e vetoriais) disponibilizados pelo INPE, IEMA-ES, NEDTEC-UFES e IJSN
126
_____________
das quais duas regies so consideradas similares e, ento, agrupadas. J o limiar de rea o
nmero mnimo de pixels para que uma regio seja individualizada, sendo portanto, o tamanho
mnimo que cada segmento deve possuir na operao de segmentao.
6.
7.
8.
9.
10.
11.
12.
13.
14.
11
4
5
7
8
9
10
Dados espaciais (imagens matriciais e vetoriais) disponibilizados pelo INPE, IEMA-ES, NEDTEC-UFES e IJSN
127
_____________
14
15
13
12
16
17
18
19
20
Dados espaciais (imagens matriciais e vetoriais) disponibilizados pelo INPE, IEMA-ES, NEDTEC-UFES e IJSN
128
_____________
21
26
23
22
24
25
27
28
29. Na caixa de dilogo Spring, clique sobre o boto OK para iniciar a aquisio das amostras
de treinamento.
30. Na caixa de dilogo Treinamento, na caixa de entrada Nome, digite gua.
31. Clique no boto Criar.
32. Clique no boto Cor.
33. Na caixa de dilogo Selecionar Cor, selecione a cor Azul.
32
29
30
31
33
Dados espaciais (imagens matriciais e vetoriais) disponibilizados pelo INPE, IEMA-ES, NEDTEC-UFES e IJSN
129
_____________
COR
azul
cinza
verde escuro
marron
verde claro
vermelho
35
36
34
37
38
Dados espaciais (imagens matriciais e vetoriais) disponibilizados pelo INPE, IEMA-ES, NEDTEC-UFES e IJSN
130
_____________
2
3
4
1
6
da
imagem
Dados espaciais (imagens matriciais e vetoriais) disponibilizados pelo INPE, IEMA-ES, NEDTEC-UFES e IJSN
classificada
131
_____________
3
2
1
5
6
4
Dados espaciais (imagens matriciais e vetoriais) disponibilizados pelo INPE, IEMA-ES, NEDTEC-UFES e IJSN
132
_____________
Dados espaciais (imagens matriciais e vetoriais) disponibilizados pelo INPE, IEMA-ES, NEDTEC-UFES e IJSN
133
_____________
REA
3,0
3,6
24,4
5,6
27,2
4,5
0,8
69,2
PORCENTAGEM
4,4
5,2
35,3
8,1
39,4
6,5
1,1
100,0
45,0
39,4
40,0
PORCENTAGEM (%)
35,3
35,0
30,0
25,0
20,0
15,0
10,0
8,1
6,5
5,0
4,4
5,2
1,1
0,0
gua
Estrada
pavimentada
Fragmento
Solo exposto
Pastagem
Urbanizao
rea no
classificada
CLASSES
Figura 7.11. Resultados estatsticos da classificao supervisionada usando o mtodo de
Bhattacharya.
Dados espaciais (imagens matriciais e vetoriais) disponibilizados pelo INPE, IEMA-ES, NEDTEC-UFES e IJSN
134
_____________
2
3
4
6
5
da
imagem
classificada
135
_____________
CLASSE
Pastagem
Estrada Pavimentada
Fragmento
Solo exposto
Solo exposto
gua
Urbanizao
Pastagem
Pastagem
Urbano
Dados espaciais (imagens matriciais e vetoriais) disponibilizados pelo INPE, IEMA-ES, NEDTEC-UFES e IJSN
136
_____________
Veja que a classe Pastagem apresenta a maior rea de uso que equivale a 27,2 ha.
5. Clique sobre o boto Fechar.
REA
11,5
4,2
13,4
14,9
20,9
3,7
0,7
69,2
PORCENTAGEM
16,6
6,1
19,3
21,5
30,3
5,3
1,0
100,0
Dados espaciais (imagens matriciais e vetoriais) disponibilizados pelo INPE, IEMA-ES, NEDTEC-UFES e IJSN
137
_____________
35,0
30,3
PORCENTAGEM (%)
30,0
25,0
21,5
19,3
20,0
16,6
15,0
10,0
6,1
5,3
5,0
1,0
0,0
gua
Estrada
pavimentada
Fragmento
Solo exposto
Pastagem
Urbanizao
rea no
classificada
CLASSES
Figura 7.12. Resultados estatsticos da classificao no-supervisionada pelo mtodo Isoseg.
REFERNCIAS BIBLIGRFICAS
CONGALTON, R. G.; GREEN, K. Assessing the accuracy of remotely sensed data:
principles and practices. New York: Lewis Publishers, 1998. 137 p.
CORTE, A. P. D. ; DLUGOSZ, F. L. ; CENTENO, J. A. S. . Testes de limiares para a
segmentao de imagens SPOT-5 visando a deteco de plantios florestais. Revista
Acadmica. Cincias Agrrias e Ambientais, v. 6, p. 249-257, 2008.
CROSTA, A. P. Processamento Digital de Imagens de Sensoriamento Remoto. ed. ver.
Campinas. SP: IG/UNICAMP, 1993. 170p.
DLUGOSZ, F. L.; ROSOT, N. C. ; ROSOT, M. A. D. ; OLIVEIRA, Y. M. M. de . ndice para a
avaliao de segmentao de imagens. Floresta (UFPR. Impresso), v. 39, p. 131-143, 2009.
EASTMAN, J. R. Idrisi for Windows: Introduo e Exerccios Tutorais. J. Ronald Eastman.
Editores da verso em portugus, Heinrich Hasenack e Eliseu Weber. Porto Alegre, UFRGS,
Centro de recursos Idrisi, 1998.
Dados espaciais (imagens matriciais e vetoriais) disponibilizados pelo INPE, IEMA-ES, NEDTEC-UFES e IJSN
138
_____________
GONZALES, R. C.; WINTZ, P. Digital image processing. Boston: Prodding, Addison Wesley,
1987.
LILLESAND, T. M.; KIEFER, R. W. Remote sensing and image interpretation. 2. ed.
Chichester: John Wiley & Sons, 1994. 750 p.
MOREIRA, M. A. Fundamentos do sensoriamento remoto e metodologias de aplicao. 2.
ed.Viosa: UFV, 2005. 307 p.
Dados espaciais (imagens matriciais e vetoriais) disponibilizados pelo INPE, IEMA-ES, NEDTEC-UFES e IJSN
139
ANLISE DE COMPONENTES
PRINCIPAIS
08
CAPTULO
Alexandre Rosa dos Santos, Telma Machado de Oliveira Peluzio, Nathlia Suemi Saito, Joo Batista
Esteves Peluzio, Gilson Fernandes da Silva, Maristela de Oliveira Bauer
8.1. INTRODUO
As bandas individuais de uma imagem multiespectral tendem, frequentemente, a serem
altamente correlacionadas, visualmente e numericamente. Estas correlaes podem ser
causadas pelo efeito das sombras resultantes da topografia, da sobreposio das janelas
atmosfricas entre bandas adjacentes e do prprio comportamento espectral do objeto. Dessa
forma, a anlise das bandas espectrais individuais pode ser ineficiente devido informao
redundante presente em cada uma dessas. Para lidar com problemas dessa natureza, pode-se
utilizar a tcnica dos componentes principais, criando novas imagens onde as bandas
individuais so independentes, isto , no-correlacionadas.
A correlao entre duas bandas verificada quando dada a intensidade de um determinado
pixel em uma delas, pode-se deduzir com razovel aproximao a intensidade do pixel
correspondente da outra imagem. Sendo duas imagens idnticas, essas so ditas 100%
correlacionadas, sendo uma imagem negativa da outra, diz-se que so -100% correlacionadas
(CRSTA, 1993).
O novo conjunto de imagens, independentes entre si, resulta da transformao derivada da
matriz de covarincia dos valores originais. Os componentes principais so gerados em
nmero igual ao de bandas espectrais, sendo ordenados, decrescentemente, em funo da
variao do nvel de cinza.
Dados espaciais (imagens matriciais e vetoriais) disponibilizados pelo INPE, IEMA-ES, NEDTEC-UFES e IJSN
140
Dados espaciais (imagens matriciais e vetoriais) disponibilizados pelo INPE, IEMA-ES, NEDTEC-UFES e IJSN
141
2
3
8
7
10
9
11
12
13
Dados espaciais (imagens matriciais e vetoriais) disponibilizados pelo INPE, IEMA-ES, NEDTEC-UFES e IJSN
142
Tela 2: Ikonos-PC1
Tela 3: Ikonos-PC2
Tela 4: Ikonos-PC3
Tela 5: Ikonos-PC4
Figura 8.2. Telas no SPRING representativas das imagens dos componentes principais
processados.
No Windows abra com o Bloco de Notas o arquivo CP_Ikonos_Alegre.txt (Figuras 8.3) contido
no diretrio C:\Livro_Spring_Alegre_ES. A Figura 8.4 mostra uma adaptao didtica da
Figura 8.3.
Dados espaciais (imagens matriciais e vetoriais) disponibilizados pelo INPE, IEMA-ES, NEDTEC-UFES e IJSN
143
PLANO DE INFORMAO
Ikonos_band_1
Ikonos_band_2
Ikonos_band_3
Ikonos_band_4
COMPONENTES PRINCIPAIS (PC)
P1
P2
P3
P4
MDIA
56,78
59,80
53,38
115,74
AUTO-VALOR
1073,06
687,36
30,31
2,21
VARINCIA
177,16
325,30
603,69
686,79
PORCENTAGEM (%)
59,85
38,34
1,69
0,12
Ikonos_band_1
Ikonos_band_2
Ikonos_band_3
Ikonos_band_4
MATRIZ DE COVARINCIA
Ikonos_band_1
Ikonos_band_2
Ikonos_band_3
177,16
233,94
297,58
233,94
325,30
425,75
297,58
425,75
603,69
-31,79
7,40
-11,95
Ikonos_band_4
-31,79
7,40
-11,95
686,79
Ikonos_band_1
Ikonos_band_2
Ikonos_band_3
Ikonos_band_4
MATRIZ DE CORRELAO
Ikonos_band_1
Ikonos_band_2
Ikonos_band_3
1,000
0,974
0,910
0,974
1,000
0,961
0,910
0,961
1,000
-0,091
0,016
-0,019
Ikonos_band_4
-0,091
0,016
-0,019
1,000
Ikonos_band_1
Ikonos_band_2
Ikonos_band_3
Ikonos_band_4
MATRIZ DE AUTO-VETORES
Ikonos_band_1
Ikonos_band_2
Ikonos_band_3
0,39
0,54
0,74
-0,02
0,05
0,03
0,65
0,41
-0,64
0,65
-0,73
0,19
Ikonos_band_4
-0,04
1,00
0,02
0,04
PERGUNTA 2
RESPOSTA
Que bandas se correlacionam mais com a banda 4? Como isso se compara sua
resposta pergunta 1?
Como observado da Figura 8.4 (Letra D), a banda que mais se correlaciona com a
banda 4 a banda 1 (-0,091) seguida da banda 3 (-0,019) e da banda 2 (0,016).
Como observado, inicialmente, na pergunta 1, realmente a banda 1 a que mais
parece com a banda 4, porm a banda 3 tambm muito parecida.
PERGUNTA 3
RESPOSTA
PERGUNTA 4
RESPOSTA
Dados espaciais (imagens matriciais e vetoriais) disponibilizados pelo INPE, IEMA-ES, NEDTEC-UFES e IJSN
144
T1
T2
T3
36
33
33
T4
T5
T6
44
43
31
T7
T8
T9
43
44
35
T1
T2
T3
116 121
T4
129
T5
T6
119 123
T7
134
T8
T9
126 120
a) BANDA 3 (VERMELHA)
143
b) BANDA 4 (INFRAVERMELHO)
Figura 8.5. Amostra de uma imagem do satlite IKONOS. a) Banda 3 (Vermelho) e b) Banda 4
(Infravermelho). T1 a T9 tratamentos.
Tabela 8.2. Observaes relativas a duas variveis (X1 e X2) avaliadas em 9 tratamentos.
TRATAMENTOS
o
(n = 9)
1
2
3
4
5
6
7
8
9
VARIVEIS
X1
X2
36
116
33
121
33
129
44
119
43
123
31
134
43
126
44
120
35
143
(X i1 X 1 )2 (X i 2 X 2 )2
( X i1 )2
( X i 2 )2
X i1 X i 2
4,00
25,00
25,00
36,00
25,00
49,00
25,00
36,00
9,00
93,51
21,81
11,09
44,49
7,13
69,39
0,11
32,15
300,33
1296
1089
1089
1936
1849
961
1849
1936
1225
13456
14641
16641
14161
15129
17956
15876
14400
20449
4176
3993
4257
5236
5289
4154
5418
5280
5005
142709
42808
342
1131
234,00
580,01
13230
38,00
125,67
Baseado nos dados da Tabela 8.1, podemos calcular a VARINCIA ( Var ) e a COVARINCIA
( Cov ) de cada uma das variveis X1 e X2 como demonstrado abaixo:
Dados espaciais (imagens matriciais e vetoriais) disponibilizados pelo INPE, IEMA-ES, NEDTEC-UFES e IJSN
145
(X
n
Var ( X 1 ) =
i1
X1
)2
i =1
n 1
234
= 29,25
9 1
ou
Var ( X 1 ) =
i =1
X i1
X i12 i =1
n
n 1
13230
(342)2
9 1
= 29,25
e
n
Var ( X 2 ) =
(X
i =1
X2)
i2
n 1
580,01
= 72,50
9 1
ou
Var ( X 2 ) =
X i22
i =1
i =1
X i2
n 1
142709
(1131)2
9 1
= 72,50
Cov( X 1 , X 2 ) =
X
i =1
n
n
X i1
X i2
i =1
i =1
i1
X i2
n 1
42808 =
(342)(1131)
9
9 -1
= 21,25
MATRIZ DE COVARINCIA
De posse dos valores de VARINCIA ( Var ) e a COVARINCIA ( Cov ), podemos obter os
componentes principais das variveis X1 e X2, cuja matriz de covarincia estimada, S, :
ar(X )
V
Cov(X 1 , X 2 ) 29,25 - 21,25
1
S=
=
ar(X ) - 21,25 72,50
V
2
Cov(X 1 , X 2 )
Resoluo:
A equao caracterstica :
S I = 0
Dados espaciais (imagens matriciais e vetoriais) disponibilizados pelo INPE, IEMA-ES, NEDTEC-UFES e IJSN
146
- 21,25
- 21,25
=0,
72,50 -
isto :
= =
2
b b 4ac (101,75) (101,75) 4(1)(1669,0625)
=
2a
2(1)
==
101,75 60,637
2
1 = 81,194
2 = 20,557
A soma dessas duas razes d 101,75, que exatamente o coeficiente do segundo termo da
equao do segundo grau com sinal trocado.
Pode-se observar tambm que:
81,194
100 = 79,80% para 1
101,75
20,557
100 = 20,20% para 2
101,75
Ento, o componente principal, relativo a 1 , explica 79,80% da variao total, enquanto o
outro componente principal, relativo a 2 , explica 20,20%.
[S 1I ]a* =
~1
Dados espaciais (imagens matriciais e vetoriais) disponibilizados pelo INPE, IEMA-ES, NEDTEC-UFES e IJSN
147
* =
- 21,25
*
51,944 - 21,25 a11
0
- 21,25 8,694
*
a12 0
51,944 - 21,25
=0
- 21,25 8,694
Podemos, pois, abandonar uma das equaes (por exemplo, a equao 2) e dar um valor
*
arbitrrio, no nulo, a uma das incgnitas (por exemplo a12
= 1 ). Assim temos:
*
51,944a11
21,25 1 = 0
*
51,944a11
= 21,25
*
a11
= 0,409
0,409
a* =
~1
1
a* = (0,409) 2 + (1) 2
~1
a* = 1,080
~1
O autovetor normalizado :
a*
1
1 0,409
a = 11
a* =
=
*
~1
a12 a* ~ 1 1,080 1
~1
0,379
a =
~1
0,926
Logo:
[ 0,379
0,379
0,926]
=1
0,926
Dados espaciais (imagens matriciais e vetoriais) disponibilizados pelo INPE, IEMA-ES, NEDTEC-UFES e IJSN
148
1=1
Logo, o primeiro componente principal :
Y1 = 0,379 X 1 + 0,926 X 2
Este componente responsvel por 79,80% da variao.
[S 2 I ]a* =
~2
*
- 21,25 a21
0
29,25 - 20,557
- 21,25
*
72,50 - 20,557 a22 0
*
0
8,693 - 21,25 a21
- 21,25 51,943 * = 0
a22
8,693 - 21,25
=0
- 21,25 51,943
Podemos, pois, abandonar uma das equaes (por exemplo, a equao 2) e dar um valor
*
arbitrrio, no nulo, a uma das incgnitas (por exemplo a22
= 1 ). Assim temos:
*
8,693a21
21,25 1 = 0
*
8,693a21
= 21,25
*
a21
= 2,444
2,444
a* =
~2
1
Dados espaciais (imagens matriciais e vetoriais) disponibilizados pelo INPE, IEMA-ES, NEDTEC-UFES e IJSN
149
a* = 2,6406
~2
O autovetor normalizado :
a*
1
1 2,444
a = *21 =
a* =
~2
a22 a* ~ 2 2,6406 1
~2
0,926
a =
~2
0,379
Logo:
[0,926
0,926
0,379]
=1
0,379
(0,926)(0,926) + (0,379)(0,379) = 1
0,856 + 0,144 = 1
1=1
Logo, o segundo componente principal :
Y2 = 0,926 X 1 + 0,379 X 2
Este componente responsvel por 20,20% da variao total.
OBSERVAES IMPORTANTES
a' a = 0
~1 ~ 2
[ 0,379
0,926
0,926]
=0
0,379
(0,379)(0,926) + (0,926)(0,379) = 0
0,351 + 0,351 = 0
0=0
b) Cada componente admite na realidade duas solues, cada uma delas obtida da outra pela
multiplicao de seu segundo membro por (-1). Por exemplo, Y2 tambm poderia ter o
seguinte valor:
Dados espaciais (imagens matriciais e vetoriais) disponibilizados pelo INPE, IEMA-ES, NEDTEC-UFES e IJSN
150
Tabela 8.3. Escores relativos aos 9 tratamentos obtidos em relao aos 2 componentes
principais.
ESCORES PARA OS
COMPONENTES
Y
Y
VARIVEIS
TRATAMENTOS
(n = 9)
1
2
3
4
5
6
7
8
9
X1
X2
36
33
33
44
43
31
43
44
35
116
121
129
119
123
134
126
120
143
Y1 = 0,379 X 1 + 0,926 X 2
Y2 = 0,926 X 1 + 0,379 X 2
93,772
99,539
106,947
93,518
97,601
112,335
100,379
94,444
119,153
77,300
76,417
79,449
85,845
86,435
79,492
87,572
86,224
86,607
Com os escores dos dois componentes principais, podemos localizar cada tratamento em um
plano cartesiano no qual os eixos representam os componentes (Figura 8.6).
90
85
7
9
80
1
75
85
90
95
2
100
105
110
115
120
125
Dados espaciais (imagens matriciais e vetoriais) disponibilizados pelo INPE, IEMA-ES, NEDTEC-UFES e IJSN
151
COVARINCIAS DE X
Cov(X 1 , X 2 ) = 21,25
COEFICIENTE DE
PONDERAO
ASSOCIADO S
VARIVEIS
X1
X2
PERCENTAGEM
DA VARINCIA
DE Yi
PERCENTAGEM
ACUMULADA
DA VARINCIA
DE Yi
COMPONENTE
PRINCIPAL
VARINCIA
(AUTOVALOR)
( Yi )
( i = Var (Yi ) )
Y1
Y
81,194
-0,379
0,926
79,80
79,80
20,557
0,926
0,379
20,20
100,00
(%)
X1
X2
rX1Y1 = -0,631
rX 2Y1 = 0,982
rX1Y2 = 0,775
rX 2Y2 = 0,204
a11
rX1Y1 = 1
Var ( X 1 )
= 81,194
a12
r X 2Y1 = 1
Var ( X 2 )
a 21
rX1Y2 = 2
Var ( X 1 )
rX 2Y2 = 2
a 22
Var ( X 2 )
0,379
29,25
= 81,194
0,926
= 20,557
0,926
= 20,557
= 0,631
72,50
= 0,982
29,25
0,379
72,50
= 0,775
= 0,204
Como a importncia relativa das variveis pode ser avaliada pela magnitude da correlao
destas variveis a partir dos ltimos componentes, no exemplo em considerao, identifica-se
a varivel X 1 , com maior correlao em Y2 (0,775), como a de menor importncia no estudo
realizado.
A Figura 8.7 mostra os valores digitais (nveis de cinza) das bandas espectrais do vermelho
(banda 3)(X1) e infravermelho (banda 4) (X2) e da componente principal 1 ( Y1 ).
Banda 3 (vermellho)
(X1)
Banda 4 (infravermelho)
(X2)
Componente principal 1
( Y )
1
Figura 8.7. Valores digitais (nveis de cinza) das bandas espectrais do vermelho (banda 3)(X1)
e infravermelho (banda 4) (X2) e da componente principal 1 ( Y1 ).
Dados espaciais (imagens matriciais e vetoriais) disponibilizados pelo INPE, IEMA-ES, NEDTEC-UFES e IJSN
152
Banda 3 (vermellho)
(X1)
Banda 4 (infravermelho)
(X2)
Figura 8.8. Valores digitais (nveis de cinza) das bandas espectrais do vermelho (banda 3)(X1)
e infravermelho (banda 4) (X2).
REFERNCIAS BIBLIOGRFICAS
CROSTA, A. P. Processamento Digital de Imagens de Sensoriamento Remoto. ed. ver.
Campinas. SP: ig/unicamp, 1993. 170P.
Dados espaciais (imagens matriciais e vetoriais) disponibilizados pelo INPE, IEMA-ES, NEDTEC-UFES e IJSN
153
Dados espaciais (imagens matriciais e vetoriais) disponibilizados pelo INPE, IEMA-ES, NEDTEC-UFES e IJSN
140