UNIVERSIDADE FEDERAL DE MINAS GERAIS

Departamento de Cartografia IGC

GEOPROCESSAMENTO 2000
INTRODUO AO PROCESSAMENTO DIGITAL DE IMAGENS
O Processamento Digital de Imagens ou PDI tipicamente uma sub-disciplina associada ao Processamento de Dados que
freqentemente associado Informtica. Porm, a Engenharia Eltrica a responsvel por ter criado uma tradio nesta rea e , ainda
hoje, responsvel por uma grande parte dos desenvolvimentos.

Mais recentemente, a programao orientada por objetos e as linguagens de alto nvel como Java, renderam a programao
acessvel a um pblico muito mais amplo, do que a uns 20 ou mesmo 10 anos atrs. Nos anos 90, a grande maioria dos sistemas de
PDI adotaram o uso de equipamentos (hardware) padro e deixaram de demandar perifricos especficos e geralmente caros. Tais
sistemas ainda existem, mas so apenas usados por empresas especializadas que precisam processar grandes volumes de imagens.

Este aspecto multidisciplinar do PDI dificultou a existncia de uma nica definio do termo; podemos portanto propor uma definio
mais genrica: a disciplina que envolve o desenvolvimento e uso de equipamentos, tcnicas e algoritmos de processamento de

imagens digitais afim de melhorar ou modificar o aspecto visual das imagens ou de interpretar seu o contedo dessas
imagens atravs de mquinas.

Voc consegue pensar em quantas aplicaes tem o PDI?

2001 Philippe Maillard

CONCEITOS BSICOS DO PDI: uma imagem digital

Apesar do PDI se concentrar no processamento de imagens digitais, devemos lembrar que a maioria das imagens digitais so, na
realidade, nada mais do que uma discretizao de imagens analgicas.

Tipicamente, uma imagem representada

por uma funo em duas dimenses para
imagens monocromticas ou mais para
imagens coloridas ou multiespectrais. Por
conveno, esta funo representada pela
funo f ( x, y ) onde o eixo y invertido
como mostrado ao lado.

Uma imagem digital a discretizao de uma cena ou

de uma imagem em formato analgico (foto, sinal de
televiso ou de vdeo) e geralmente representada
atravs de uma matriz bidimensional (ou com mais
dimenses para imagens coloridas ou multiespectrais)
de valores numricos.

121
120
96
113
117
114
115
107
104
116
120
117
120
117
109
113
126
131
123
120

124
119
129
119
102
120
126
110
113
112
119
120
108
117
99
109
133
123
119
116

118
122
120
122
125
117
107
104
106
115
120
124
113
117
101
111
134
127
122
118

108
116
131
138
155
132
112
118
114
123
117
127
120
117
103
110
127
125
124
120

112
122
115
119
139
136
121
119
113
114
87
106
116
113
105
114
127
128
122
119

102
99
119
114
121
132
95
47
35
28
42
72
104
107
107
120
131
134
119
116

94
104
112
103
115
141
94
25
22
26
24
58
106
107
105
117
125
124
117
115

130
110
116
89
104
128
84
24
16
26
24
56
114
111
103
115
123
119
119
117

127
174
162
110
120
129
91
46
20
24
16
48
114
112
105
123
135
132
122
119

110
116
121
175
166
112
143
126
29
30
23
49
106
117
105
114
122
138
139
111

117
118
111
103
129
149
166
138
88
117
73
86
113
120
114
116
126
141
144
134

117
113
127
96
118
133
134
139
144
178
142
131
107
99
98
98
122
146
130
140

106
104
104
107
123
113
110
119
117
134
164
163
132
126
122
105
129
158
99
113

97
102
96
103
122
130
129
111
98
120
104
148
160
168
150
113
134
177
108
106

98
107
106
100
110
117
111
109
119
132
128
116
90
109
154
162
156
160
114
108

103
109
115
116
122
119
112
124
137
127
123
136
132
108
102
111
140
194
110
117

104
107
120
113
109
118
118
113
119
123
125
133
137
111
103
102
94
119
151
167

119
117
112
113
118
125
131
132
128
123
123
123
128
133
127
116
110
112
116
128

115
115
114
115
119
125
131
133
130
127
125
124
127
135
137
134
136
141
125
116

111
113
115
116
118
123
128
131
131
130
130
126
128
135
138
135
134
138
122
125

Quais so os elementos que caracterizam uma imagem digital e como eles podem ser nela incorporados?

2001 Philippe Maillard

CONCEITOS BSICOS DO PDI: as etapas

As etapas do PDI so muitas mas nem sempre em todas as aplicaes essas etapas so todas necessrias. Essas etapas podem ser
resumidas pelo fluxograma que segue. Podemos pensar em um exemplo de Sensoriamento Remoto:
domnio do problema , digamos, a pesquisa hidrogrfica e o resultado um mapa dos cursos dgua com as suas caractersticas.
A aquisio das imagens feita via satlite de observao da Terra, que fornece imagens diretamente em formato digital,
eliminando-se a fase de digitalizao.
o pre-processamento envolve a correo geomtrica, o georeferenciamento, a eliminao dos efeitos atmosfricos, a eliminao do
rudo sistemtico e a criao de um mosaico, se mais de uma imagem so necessrias.
A segmentao pode ser feita usando-se a banda infravermelha (que absorvida a quase 100% pela gua) atravs de um processo
de limiarizao.
o resultado da limiarizao dever ser limpado e filtrado afim de ser transformado em objetos hidrogrficos, aos quais uma
interpretao poder ser atribuda afim de se produzir o mapa final.
SEGMENTAO

REPRESENTAO
E DESCRIO

PRPROCESSAMENTO
BASE DE
CONHECIMENTO

DOMNIO
DO
PROBLEMA

RECONHECIMENTO
E INTERPRETAO

RESULTADO

AQUISIO
DE IMAGENS

Voc pode pensar em uma outra aplicao: industrial, mdica, arqueolgica, meteorolgica?

2001 Philippe Maillard

CONCEITOS BSICOS DO PDI: amostragem e quantizao

Afim de ser processada, uma imagem precisa ser digitalizada nas suas duas componentes: espacial e de amplitude. A digitalizao ou
discretizao da componente espacial de uma imagem feita por um processo chamado de amostragem: a imagem representada, na
sua forma mais simples, como uma funo contnua e infinita, que ser transformada em uma matriz finita de elementos de tamanho
igual chamados pixels ou elementos picturais. A discretizao da amplitude denominada de quantizao corresponde a transformao
de uma funo contnua de amplitude, em uma quantidade limitada de nveis de cinza; esse processo chamado, em Sensoriamento
Remoto, de Resoluo radiomtrica. A figura abaixo ilustra este processo.
Imagem original

Imagem amostrada (50x46) e quantizada

Representao grfica da matriz

em 4 nveis de cinza (0, 79, 177 e 255)

300
200
S49

100

S37
0

S1
46

37

S13
28

19

10

S25

Amostragem e quantizao so ou no sinnimos de perda de informao? Quantos nveis de cinza o olho humano capaz de
separar? Qual a resoluo espacial das imagens formadas no olho humano?

2001 Philippe Maillard

REALCE DE IMAGEM PONTO A PONTO

Afim de se entender os realces do tipo ponto a ponto, preciso conhecer alguns conceitos bsicos sobre a representao do
histograma unidimensional de uma imagem e sobre as funes de transformao de nveis de cinza. Para demostrar o efeito
comparativo de todas as transformaes, a mesma imagem ser usada.

Imagem original sendo parte de uma

imagem do satlite SPOT, da cidade de
Montral. Nota-se que a imagem j foi
realada e, por isso, exibe um bom
contraste.

0
255
Histograma de freqncias; o eixo vertical
comea no zero e vai at 3500
aproximadamente, sendo que o nmero de
pixel tem o valor da moda.

Funo de transformao dos nveis de

cinza. Para simplificar, consideramos
apenas funes onde os mnimos e
mximos so os mesmos, para entrada e
sada.

Observem a imagem de Montral e o seu histograma e tentem associar cada pico do histograma com um tipo de superfcie; O
histograma parece acabar abruptamente no valor 255 com um pico muito fino, o que isso significa?

2001 Philippe Maillard

REALCE DE IMAGEM PONTO A PONTO:

uma forma simplificada de representar o histograma, a funo
de transformao e o histograma aps transformao
Afim de economizar espao (e entender a forma pela qual o software ER Mapper representa os realces ponto a ponto), o histograma, a
funo de transformao e o histograma resultante (aps transformao da imagem) podem ser todos justapostos, em um nico grfico
como demostrado abaixo.
Alm disso, usaremos a notao f ( x, y ) para a imagem de entrada e g ( x, y ) para a imagem de sada

Histograma original ou:

f ( x, y )

Funo de transformao; eixo Histograma da imagem aps Justaposio dos trs grficos
horizontal: imagem de entrada; transformao ou: g ( x, y )
em uma nica figura.
eixo vertical: imagem de sada
A ttulo de exemplo, a funo representada acima pode ser descrita pela seguinte notao:

f ( x, y) *1.5 _ se _ 0 f 116
g ( x, y) =
104 + ( f ( x, y ) * 0.6) _ se _ f > 116
2001 Philippe Maillard

REALCE DE IMAGEM PONTO A PONTO: realce linear simples

As operaes lineares simples consistem basicamente na soma de uma constante ou da multiplicao por uma constante ou ainda de
qualquer combinao das duas operaes. Nota-se que os histogramas resultantes so reamostrados para caberem dentro do grfico.
Portanto, suas escalas verticais so diferentes das escalas verticais do histograma original.
g ( x, y ) = f ( x, y ) + 20
g ( x, y ) = f ( x, y ) + (20)
SOMA
SUBTRAO

MULTIPLICAO

g ( x, y ) = f ( x, y ) * 1.25

DIVISO

g ( x, y ) = f ( x, y ) * 0.75

O que acontece com os valores que acabam fora das escalas dos grficos e o que isso significa em termos de informao?
2001 Philippe Maillard

REALCE DE IMAGEM PONTO A PONTO: funo de espalhamento de histograma

A funo de espalhamento de histograma permite beneficiar-se de toda escala de cinza disponvel. As vezes, as imagens no cobrem
toda escala de cinza: o valor mnimo maior que 0 e o valor mximo menor que 255 (no caso de dados de 8 bits). Alm disso, muitas
vezes h muitos poucos dados nos extremos do histograma e um tipo de realce consistir em cortar essas extremidades na base da
porcentagem de pixels pertencentes a essas extremidades (p. ex. cortando 1%, 5% ou 10%). A operao de espalhamento de
histograma combina as operaes de soma de uma constante (o deslocamento ou offset) e de multiplicao (o ganho ou gain).
Na imagem a direita, o valor mnimo encontrado de 30 e o valor mximo de
252 portanto, somente 222 (252-30) tons de cinza so usados e podemos
espalhar o histograma da seguinte maneira:
Multiplicao (ganho): 255 / 222 = 1.15 Subtrao (deslocamento): 30
Temos:

g ( x, y) = ( f ( x, y) 30) * 1.15

Uma outra possibilidade envolve uma pequena parte da informao: o

histograma revela que 95% dos pixels esto entre os valores 38 e 121 o que
produz a seguinte transformao:
Multiplicao (ganho): 255 / (121-38) = 3.07 Subtrao (deslocamento): 38
Temos:

g ( x, y ) = ( f ( x, y ) 38) * 3.07

Resultado do espalhamento do histograma a 100% Resultado do corte do histograma a 95%

Porque
a
imagem resultante do
espalhamento
do
histograma a 100%,
parece ter um pior
contraste do que a
imagem original?

2001 Philippe Maillard

REALCE DE IMAGEM PONTO A PONTO: funes logartmicas e exponenciais

Estas funes so geralmente usadas para configuraes assimtricas do histograma, ou ento, para realarem aspectos especiais dos dados como anomalias em
dados geofsicos. No exemplo abaixo, os dados de magnetismo mostram pouco contraste. Mesmo com uma funo de espalhamento de 100% (figura superior
esquerda) e mesmo com um corte a 95%, o resultado visual continua com pouco contraste (figura superior direita). Usando uma funo logartmica, os dados
revelam muito mais detalhes e o histograma se desloca para valores altos (figura inferior esquerda). Finalmente, uma funo exponencial parece estar exprimindo
o histograma nos valores baixos, mas tem o efeito de realar visualmente os valores altos, possivelmente associados a anomalias.

Imagem de magnetismo com espalhamento do histograma (100%)

Espalhamento do histograma com corte a 99%

Funo logartmica reala os valores baixos

Funo exponencial reala os valores altos (anomalias?)

Essas transformaes provocam ou no perdas de informao?

2001 Philippe Maillard

REALCE DE IMAGEM PONTO A PONTO: funes no lineares complexas

Funes no lineares tm a desvantagem de no serem reversveis, ou seja, uma vez salvos, os dados no podem ser restaurados no
seu estado original. Estas funes tm por objetivo s o realce visual das imagens. Elas no deveriam ser usadas para anlises
posteriores dos dados (segmentao, classificao, componentes principais, etc.). Iremos aqui analisar algumas dessas funes
padronizadas.
Afim de se poder comparar os
resultados dessas funes, a
imagem direita ilustrada no
seu estado bruto (direita) e com
um realce de espalhamento de
histograma com corte a 99% (no
meio) e o seu histograma com a
funo de transformao linear
( extrema direita).

A Equalizao de histograma um mtodo de realce visual bastante

usado. Ele consiste em transformar a curva do histograma, em uma
funo reta e horizontal; ou seja, a imagem transformada de maneira
que a probabilidade para todos os tons de cinza seja a mesma:
k

nj

j =0

sk =

= pr (rj ) 0 rk 1 e k = 0,1,..., L 1
j =0

Se temos uma imagem de 200 x 200 pixels, e 10 nveis de cinza,

ento, no histograma equalizado, cada tom de cinza deveria ser
representado por 4000 pixels (200x200/10). Como no possvel
mudar o valor de parte dos pixels, tendo um certo valor, o excesso
compensado afastando-se o prximo nvel de cinza como verificado no histograma extrema direita.

2001 Philippe Maillard

10

REALCE DE IMAGEM PONTO A PONTO: funes no lineares complexas

A equalizao de histograma tem geralmente um efeito bastante dramtico sobre a aparncia da imagem; um efeito freqentemente
considerado forte demais. Em vez de simplesmente uniformizar o histograma, podemos especificar sua aparncia resultante e faz-lo
se encaixar nesta funo.
O melhor exemplo da especificao de histograma chamado de
equalizao Gaussiana que consiste em dar uma forma de curva de
Gauss a ele. Esta funo bastante til para processamentos
estatsticos que assumem uma populao de valores de pixels normal.
Esta funo tambm denominada de normalizao de histograma.
Geralmente o efeito da normalizao do histograma mais suave que
a equalizao e visualmente melhor. Todo tipo de especificao de
histograma possvel, inclusive faz-lo ter a mesma forma que um
histograma de uma outra imagem: funo til para construir mosaicos.

O fatiamento de intensidade usado para reduzir o nmero de valores

de pixels. Ele bastante adotado como forma simples de associar
uma cor aos grandes conjuntos de ocupao do solo, ou ainda, aos
tipos de superfcies, presentes numa imagem. Na imagem a direita,
apenas quatro valores persistem aps a transformao. Esta tcnica
tambm pode ser usada como forma de compresso dos dados: uma
imagem com quatro tons de cinza pode ser codificada com pixels de 2
bits enquanto 255 nveis precisam de 8 bits.

Quais outras utilidades a especificao de histograma e o fatiamento de intensidades podem ter para correo radiomtrica,
para a classificao de uso do solo, para estudos especficos?

2001 Philippe Maillard

11

PROCESSAMENTO DA COR: o modelo RGB

A cor um elemento primordial da interpretao visual humana. Como ela o resultado da combinao da resposta de trs tipos de
clulas s faixas especficas da luz, a quantidade de informao que ela gera pode ser considerada como exponencialmente maior do
que os tons de cinza de uma imagem P&B. Existem vrios modelos da cor e iremos investigar os 3 principais afim de entender como ela
pode ajudar o processo de interpretao visual.
O MODELO RGB provavelmente o mais simples dos modelos de cores; ele
baseado na construo de um cubo, onde cada eixo representa uma faixa
espectral: R vermelho no eixo X; G verde no eixo Y; e B azul no eixo Z.
Neste modelo, todas as cores so representadas como sendo uma mistura dessas
trs cores primrias. Ao longo dos eixos, cada uma das 3 cores primrias
mantida pura, porm com uma intensidade varivel. Por exemplo, a coordenada
(1,1,0) representa o amarelo de maior intensidade possvel, enquanto a
coordenada (0,0,0.3) um azul de intensidade baixa.
Este modelo tem uma correspondncia direta com o nosso sistema visual mas no
leva em conta o aspecto psicolgico da cor. Finalmente, deve se ressaltar que
nem todo volume definido pelo cubo RGB representa cores identificveis pelo olho
humano. O sistema RGB habitualmente empregado para telas de computadores.
A decomposio dos 3 canais do modelo RGB est ilustrada abaixo.
RGB
R

Apesar de no enxergar as cores da figura RGB, voc consegue adivinhar as cores dos diversos elementos?
2001 Philippe Maillard

12

PROCESSAMENTO DA COR: o modelo CMYK

O modelo CMYK no muito diferente do modelo RGB e, apesar de ser representado por quatro variveis, somente trs so
absolutamente necessrias: CMY. CMYK um acrnimo que significa Cyan, Magenta, Yellow e Black; as 3 primeiras variveis
equivalem s cores complementares do sistema RGB (C do R; M do G e Y do B) enquanto o K (preto) representa a quantidade de preto
na cor e foi acrescentado principalmente por causa do sistema de prensas no papel branco.
A relao entre as coordenadas CMY e RGB pode ser resumida a uma operao matricial simples:

C 1 R
M = 1 G

Y 1 B
No sistema CMYK, os CMY so apenas propores dos 3 canais de cores complementares e o K representa o inverso da intensidade
dessa cor: quanto mais clara a cor (independentemente da saturao), menor o valor de K.
C

Qual a vantagem de ter o preto (K) em um canal separado?

2001 Philippe Maillard

13

PROCESSAMENTO DA COR: o modelo HSI

O modelo HIS baseado em um princpio muito diferente dos dois primeiros modelos mas tem uma melhor correspondncia muito
melhor com o aspecto psicolgico da cor: o matiz (H ou hue), a saturao (S ou saturation) e a intensidade (I ou intensity). O matiz
corresponde ao nosso conceito da cor no estado puro, enquanto a saturao representa a proporo de luz branca na cor e a
intensidade pode ser definida como a distncia do preto ou a ausncia de cor. O modelo HIS tambm um sistema apoiado em
coordenadas mas no em um sistema cartesiano. A figura abaixo ilustra esse sistema de coordenadas.
O Matiz representa uma coordenada angular em
relao ao vermelho e no sentido anti-horrio (ver
figura). Neste sistema, um ngulo de 0
representa a cor vermelha, 60 o amarelo, 120 o
verde, 180 o ciano, 240 o azul e 300 o
magenta:
1

[( R G ) + ( R B)]
2
H = cos
( R G ) 2 + ( R B)(G B)
1

1
2

A Saturao representada pela distncia at o centro do A Intensidade se define como a distncia de afastamento do preto
tringulo formado pelas 3 cores, sendo a mistura perfeita das cores ou a ausncia de cor; a intensidade deve ser representada como o
primrias que representa a cor branca. As cores definidas no eixo de profundidade do prisma.
contorno do tringulo so completamente saturadas:

3
S =1
[min( R, G, B )]
( R + G + B)

I=

( R + G + B)

Quais seriam as coordenadas HIS das rvores, das flores e da roupa do piloto, na foto da pgina anterior?

2001 Philippe Maillard

14

PROCESSAMENTO DA COR: o modelo HSI

MATIZ (H)

SATURAO (S)

INTENSIDADE (I)

Por que a imagem do matiz tem um aspecto to estranho e por que o bordo de ataque da asa parece ser uma mistura de preto
e de branco; o que aconteceria se se acrescentasse o valor 1,0 saturao; qual efeito a equalizao de histograma da intensidade ir
provocar; como podemos manipular o matiz?

2001 Philippe Maillard

15

LGEBRA DE IMAGEM
A lgebra de imagem pode ser considerada como uma tcnica de processamento Ponto a Ponto, como os realces de histograma.
Iremos aqui examinar principalmente as operaes de lgebra envolvendo mais de uma imagem (ou canal para imagens coloridas ou
bandas para imagens multiespectrais de Sensoriamento Remoto). Com essas tcnicas, o PDI fica muito mais interessante e poderoso,
tanto para criar efeitos especiais, quanto para criar mscaras ou at informaes novas a partir de vrias bandas espectrais. Por
exemplo, a transformao RGB HIS nada mais do que 3 operaes de lgebra sobre os 3 canais da imagem original colorida.
Na primeira e segunda linhas desta figura, duas
imagens so somadas s imagens construdas de
maneira a saturar parcialmente parte dessa: a parte
direita da imagem de cima e a parte esquerda da
imagem de baixo. Os resultados so multiplicados afim
de se fundir e o texto tambm acrescentado atravs
de uma multiplicao.

O resultado da multiplicao deve ser dividido pelo

valor mximo da escala de cinza (255 no caso).

O que aconteceria se fosse trocada a operao de soma por uma de multiplicao?

2001 Philippe Maillard

16

LGEBRA DE IMAGEM E OPERAES BOOLEANAS

A lgebra de imagens de Sensoriamento Remoto normalmente usada apenas entre bandas de uma mesma imagem, visando realar
aspectos particulares, e se baseiam no conhecimento prvio do comportamento espectral dos alvos procurados. As operaes
booleanas so freqentemente consideradas em conjunto por serem teis criao de algoritmos. Os operadores mais trabalhados
so:

+ soma; - subtrao; / diviso; * multiplicao; % mdulo; = igual a; != no igual; < menor

que; > maior que; menor ou igual a; maior ou igual a; AND e lgico; OR ou lgico;
NOT negao lgica
Eis alguns exemplos de operaes algbricas comuns:
Mdia entre duas bandas
(Banda 1 + Banda 2) / 2
Albedo (Landsat TM)
(Banda 1 + Banda 2 + Banda 3) / (3*255)
ndice de vegetao (Landsat TM)
Banda 4 / (Banda 3 + 1)
ndice de vegetao normalizado (Landsat TM)
(Banda 3 Banda 4) / (Banda 3 + Banda 4)
xido de ferro (Landsat TM)
(Banda 3 Min(3)) / (Banda 2 Min(2))
Argila (Landsat TM)
(Banda 5 Min(5)) / (Banda 7 Min(7))
RGB -> HUE (algoritmo)
IF (MAX(R,G,B) = MIN(R,G,B)) THEN 0
ELSE
((IF (R = MAX(R,G,B))
THEN ((G - B) / (MAX(R,G,B) - MIN(R,G,B)))
ELSE IF (G = MAX(R,G,B))
THEN 2 + ((B - G) / (MAX(R,G,B) - MIN(R,G,B)))
ELSE 4 + ((R - G) / (MAX(R,G,B) - MIN(R,G,B))) ) * 60 + 360) % 360
Tasseled Cap: Brilho
B1*0.3037 + B2*0.2793 + B3*0.4743 + B4*0.5585 + B5*0.5082 + B7*0.1863
Tasseled Cap: Umidade
B1*0.1509 + B2*0.1973 + B3*0.3279 + B4*0.3406 + B5*-0.7112 + B7*-0.4572
Tasseled Cap: Verde
B1*-0.2848 + B2*-0.2435 + B3*-0.5436 + B4*0.7243 + B5*0.0840 + B7*-0.1800

Qual seria a frmula para se calcular a diferena de albedo entre duas imagens de datas diferentes?
2001 Philippe Maillard

17

LGEBRA DE IMAGEM E OPERAES BOOLEANAS: exemplos

As imagens abaixo foram criadas a partir das frmulas exibidas na pgina anterior, a partir de uma imagem Landsat TM, da regio de
Sete Lagoas. Deve-se ressaltar que somente uma operao algbrica possivelmente capaz de gerar uma nova informao em
termos estatsticos: a Razo.
Albedo

ndice de vegetao normalizado

ndice de xido de ferro

ndice de argila

Landsat -> SPOT Pan

Tasseled cap: brilho

Tasseled cap: umidade

Tasseled cap: verde

De que maneira voc iria monitorar o desenvolvimento humano de uma regio?

2001 Philippe Maillard

18

LGEBRA DE IMAGEM APLICADA S CORREES RADIOMTRICAS

Qualquer estudo de Sensoriamento Remoto, baseado em valores de calibragem adquiridos no campo, com sensores pontuais ou
mesmo estudos multi temporais deve, idealmente, transformar os valores de nvel de cinza, em valores de radincia-sensor (o valor
captado pelo sensor e sem correo atmosfrica) L (mW cm 2 steradian 1 m 1 ) .
Quando os valores adquiridos pelo sensor so transmitidos estao de recepo (em Cuiab, no caso dos dados Landsat, no Brasil),
esses so transformados para caber no tipo de dados digitais usado (8 bits). Esta transformao baseada numa calibrao do tipo
Ganho Deslocamento (Gain Offset) cujos valores para cada banda so disponibilizados pelo INPE. Os seguintes valores so
aqueles usados pela NASA (Goddard Space Flight Facility) e o EROS (Earth Ressources Observation Sattelites):

L = ( DN Offset ) / Gain
Bandas TM:
Ganho:
Deslocamento:

1
15,553
1,8331

2
7,86
1,6896

3
10,203
1,885

4
10,821
2,2373

5
78,751
3,2905

7
147,719
3,2117

O resultado desta operao no pode ser codificado, em dados do tipo Inteiros de 8 bits, mas devero ser codificados em valores Reais
(ponto flutuante) de preciso simples (8 bytes para sistemas operacionais de 32 bits). O efeito imediato desta operao que a imagem
ocupar 8 vezes mais espao de disco.
Para transformar esses valores em refletncia, devemos aplicar o seguinte modelo:

p = ( L d 2 ) ( ESOL cos s )
onde:

L
=
d
=
ESOL =
s
=

radincia espectral da banda

distncia entre a Terra e o Sol (entre 147255000km e 152083000km)
radincia solar mdia extra atmosfrica (em tabela)
ngulo zenital do sol em graus

Voc consegue fazer essas transformaes com o editor de frmula do ER Mapper?

2001 Philippe Maillard

19

O CONCEITO DE FREQNCIA ESPACIAL

A noo de freqncia habitualmente relacionada ao tempo. Com imagens, a freqncia associada ao espao. Podemos considerar
os valores digitais de uma imagem como sendo um sinal que varia no espao. Desta maneira, variaes freqentes so associadas s
variaes locais de propriedades da superfcie, ou at mesmo de rudo; essas freqncias so chamadas de freqncias altas.
Variaes graduais se espalham muito mais no espao e, portanto, so sempre menos freqentes elas correspondem s freqncias
baixas. Reunindo esses conceitos, podemos pensar numa imagem como a soma de freqncias altas, mdias e baixas.
Na imagem direita aparecem dois grandes
tipos
de
freqncias:
as
baixas,
representadas
pelas
variaes
de
tonalidade causadas pela iluminao
diferencial das colinas e pelas diferenas no
solo;
e
as
baixas
representadas
principalmente pela disposio das rvores
e arbustos. Esses dois grupos de
freqncias foram separados com a ajuda
de um filtro no domnio espacial.

Imagem original

Freqncias baixas

Freqncias altas

Neste exemplo, um filtro foi aplicado para apagar as freqncias altas, na imagem do centro, e a imagem da direita foi obtida por um
simples processo de subtrao (a imagem original menos as freqncias baixas).

Voc consegue separar freqncias altas e baixas no grfico seguinte?

Cada freqncia associada a qual tipo de objeto?
Quais so os fatores que controlam as freqncias espaciais?

2001 Philippe Maillard

20

FILTROS DE CONVOLUO, MSCARAS E OPERADORES FOCAIS

Quase todo tipo de filtros (exceto aqueles operando no domnio das freqncias) so baseados no mesmo princpio de janela mvel.
As freqncias espaciais, de um ponto qualquer, em uma imagem dependem da vizinhana deste ponto e esta vizinhana
considerada atravs de uma janela sobrepondo vrios pixels. Imagine as duas situaes seguintes:
2 2 2 3 4 2 0 1 1
2 2 2 3 4 2 0 1 1
Ao
contrrio
do
primeiro
caso,
Nesta posio, os valores
2 2 3 4 4 3 1 2 1
2 2 3 4 4 3 1 2 1
os valores dentro da janela
dentro da janela variam muito
2 3 4 4 4 1 4 3 2
2 3 4 4 4 1 4 3 2
variam muito. Essas variaes
pouco. Podemos concluir que
3 4 4 4 4 5 3 3 2
3 4 4 4 4 5 3 3 2
so consideradas do tipo
as variaes so do tipo
freqncia alta.
gradual e de freqncia baixa.
3 4 4 4 3 2 6 3 3
3 4 4 4 3 2 6 3 3
2 3 3 3 2 5 2 3 2
2 3 3 3 2 5 2 3 2
Um filtro construdo para
Um filtro construdo para
2 2 2 2 2 1 1 2 4
2 2 2 2 2 1 1 2 4
reduzir as freqncias altas
reduzir as freqncias altas
teria bastante efeito sobre essa
no teria muito efeito sobre
2 2 2 1 1 1 1 2 2
2 2 2 1 1 1 1 2 2
poro da imagem.
essa poro da imagem.
2 2 1 1 1 1 1 1 1
2 2 1 1 1 1 1 1 1
A idia da janela mvel justamente a de desliz-la sobre a imagem,
considerando no apenas cada pixel independentemente, mas cada pixel com a
0 0 0 0 0 0 0 0 0
sua vizinhana.
0 2 3 4 3 3 2 2 0
1 1 1
0 3 4 4 4 3 3 2 0
Imagine a criao de uma nova imagem onde as freqncias altas foram 19 1 1 1
0 3 4 4 3 4 3 3 0
removidas: cada pixel desta imagem seria o resultado da aplicao de um filtro
1 1 1
para suavizar os valores da imagem original, observando cada uma de suas
0 3 4 3 4 4 4 3 0
vizinhanas.
0 3 3 3 3 3 3 3 0
0 ? ? ? ? ? ? ? 0
Tal filtro existe e sua verso mais simples consiste em trocar-se o valor do pixel
central da janela, por sua mdia e a dos seus 8 vizinhos mais prximos. O
0 ? ? ? ? ? ? ? 0
resultado deste filtro mostrado a direita. Repare que os valores extremos (1 e 6)
0 0 0 0 0 0 0 0 0
foram trocados por valores mais prximos dos valores prximos imediatos.

Voc consegue completar os valores da imagem resultando da suavizao? Qual o papel do 1/9 e o que aconteceria se este
fosse trocado, for trocar este por um outro valor?
2001 Philippe Maillard

21

FILTROS DE SUAVIZAO (passa baixas)

Todo filtro de suavizao tem por conseqncia a reduo das freqncias altas, mas ele pode ter graus diferentes de efeito,
dependendo dos pesos usados na janela de convoluo e principalmente do tamanho desta janela.
O efeito dos pesos: veja abaixo o efeito do uso da mdia simples e de uma mdia ponderada, em funo da distncia dos elementos da
janela mvel, em relao ao pixel central.
Imagem original

Filtro da mdia
1 1 1
1 1 1 1
9
1 1 1

Imagem aps filtragem

Filtro da mdia ponderada

1,5 2,0 1,5
1 2,0 4,0 2,0
18
1,5 2,0 1,5

Imagem aps filtragem

O efeito do tamanho da janela mvel: veja abaixo o efeito da aplicao de um filtro da mdia com uma janela mvel de 5, 9, 13 e 25
pixels.
Filtro da mdia de 5X5
Filtro da mdia de 9X9
Filtro da mdia de 13X13
Filtro da mdia de 25X25

2001 Philippe Maillard

22

FILTROS DE AGUAMENTO E DETECO DE BORDAS (passa altas)

Ao contrrio do filtro de suavizao, os filtros de aguamento procuram realar (aumentar) as pequenas diferenas locais, associadas s
freqncias espaciais altas. Filtros de deteco de bordas procuram apagar as freqncias baixas (variaes graduais) e deixarem
apenas as freqncias altas (variaes abruptas).
2
2
Filtros de aguamento: Eles no apagam
0 1 0
1 1 1
1 2 1
1 0 1
as freqncias altas apenas realam as
Aguar: 1 9 1
Laplace: 1 5 1
Sobel:
0
0
0 + 2 0 2
freqncias altas. Nas verses lineares (os
0 1 0
1 1 1
dois primeiros filtros da esquerda), a soma
1
2
1
1 0 1
dos pesos de 1, o que significa que a
imagem original mantida.
Filtros no lineares (como o do Sobel)
podem combinar as freqncias altas em
vrias direes (tipicamente 2 ou 4) para se
produzir um efeito visualmente melhor.

Laplace:
0 1 0
1 4 1
0 1 0

Deteco de bordas:
1 1 1
1 8 1
1 1 1

Subtrao: Imagem original -

1
1
1
1

1
1
1
1

1
1
1
1

1
1
1
1

1
1
1
1

1
1
1
1

1
1
1
1

1 1 1 1 1 1 1
1 1 1 1 1 1 1
1 1 1 1 1 1 1

Filtros de deteco de bordas: eles so

filtros passa-altas falsos no sentido de
no controlarem bem as freqncias
espaciais que so apagadas. Eles do
uma aproximao de filtragem no domnio
das freqncias.
Nos filtros lineares deste tipo, a soma dos
pesos sempre 0, significando que as
variaes graduais sero eliminadas,
mantendo-se somente as bordas.
Uma tcnica alternativa consiste em
subtrair uma imagem suavizada, da
imagem original deixando apenas as
freqncias altas.

2001 Philippe Maillard

23

FILTROS DIRECIONAIS
Esses filtros servem para o realce ou a deteco de elementos lineares orientados em direes especficas. Tais filtros, especialmente
usados em Geologia e Geomorfologia buscam detectar orientaes preferenciais que informam sobre as estruturas do terreno ou os
processos de formao das formas de relevo.
Considere a imagem original de alta resoluo direita e
verifique a orientao das bordas. A aplicao de oito filtros
direcionais reala cada orientao particularmente.
Agrupando os resultados de todos os filtros consegue-se uma
boa extrao das bordas da imagem. Essa tcnica de
extrao, mais demandante em termos de processamento
fornece melhores resultados do que a aplicao de um nico
filtro para todas as direes.
Norte:

Sul:

1
1
1
1 2 1
1 1 1

1 1 1
1 2 1
1
1
1

2001 Philippe Maillard

Nordeste:

Sudoeste:

1
1 1
1 2 1
1 1 1

1 1 1
1 2 1
1 1
1

Leste:

Oeste:

1 1 1
1 2 1
1 1 1

1 1 1
1 2 1
1 1 1

Sudeste:

Noroeste:

1 1 1
1 2 1
1
1 1

1 1
1
1 2 1
1 1 1

24

FILTROS ALGORITMICOS (operadores focais)

Certos filtros no so do tipo Convoluo, ou seja, no resultam da simples multiplicao do pesos de uma janela mvel, aos valores de
pixels de uma vizinhana. Esses filtros so programados atravs de algoritmos, que consideram a vizinhana de um pixel, para achar o
valor do pixel da imagem filtrada. Por exemplo, o filtro da mediana e da moda no podem ser construdos a partir de pesos numa janela
mvel. Da mesma forma, certas funes podem ser usadas para produzir efeitos especiais: mximo, varincia, entropia, inrcia, etc.
Mediana: filtro til para remoo de rudo Varincia: operador focal til
para Moda: filtro til para remover pixels isolados
sem alterar muito a definio das bordas
caracterizar de maneira simples a textura.
numa classificao.

Realce local: filtro de realce local da textura; Passa banda: filtro que deixa passar apenas Mximo: operador focal usado em
esse filtro reduz as freqncias baixas.
algumas freqncias; de 3 a 5 pixels neste conjuno com o mnimo para certos
caso.
mtodos de extrao de informao.

2001 Philippe Maillard

25

CLASSIFICAO E SEGMENTAO
Uma imagem nada mais , do que uma srie de valores resultantes da resposta de um sensor, a uma fonte de excitao externa, em
geral eletromagntica (refletida, retroespalhada ou emitida). a nossa percia em interpretar essas informaes, que nos permite
transformar esses valores, em informaes teis. Ultimamente, o objetivo da maioria das aplicaes do Processamento digital de
imagem e do Sensoriamento Remoto o de: transformar dados espectrais em informaes teis sobre objetos verdadeiros ou
conceituais.
O PDI possibilita um certo grau de automatizao deste processo. A subdisciplina em PDI voltada a esta temtica chamada de
Reconhecimento de formas e ferramentas desenvolvidas para tal tarefa. Elas possuem um nvel de complexidade relativamente alto,
ligadas as tcnicas de Segmentao, Classificao, Representao e Descrio.
No contexto desta disciplina, nos
concentraremos na Classificao, por ser
uma tcnica muito usada na rea de
Sensoriamento remoto. A classificao da
cobertura do solo (e at do uso em certos
casos) um tipo comum de mapa temtico
produzido a partir de imagens de satlite.
A idia criar um nico nvel de
informao temtica (categorias ou
classes) a partir de vrios nveis de
informao espectral. Algoritmos de
classificao so adotados para extrai as
feies de interesse a partir de um espao
multi-dimensional
geralmente
representado pelas bandas da imagem.
Na figura a direita, primeiro temos uma
imagem de 3 bandas que aps
classificao,
tornou-se
um
mapa
temtico.

2001 Philippe Maillard

26

PRINCPIOS DA CLASSIFICAO
A classificao supervisionada considera que j detemos um conhecimento parcial da regio que estamos estudando, ou seja,
possumos dados de campo sobre essa. O princpio empregar esses dados de campo (verdade campo) em uma generalizao ao
nvel de toda imagem. Estamos pedindo para o algoritmo: sei que tenho a classe de cobertura do solo A, nesta localizao 1, e a
classe B, no local 2, assim, procure todos os locais onde tenho essas classes e marque-os com a letra A ou B conforme o caso.
O programa emprega as estatsticas dessas classes (ou categorias, ou superfcies, ou objetos) para as identificar no resto da imagem.
Os algoritmos de classificao tradicionais, apenas consideram as caractersticas espectrais de cada pixel para decidir se ele pertence
uma ou outra classe. Existem vrios critrios para se decidir sobre qual a classe mais prxima. Considere uma classificao
simples com apenas uma banda e duas classes com as estatsticas seguintes:
Classe 1:
Cerrado
Classe 2:
Campo sujo
Mnimo:
20
Mnimo:
29
Mximo:
32
Mximo:
38
Mdia:
25
Mdia:
34
Desvio Padro: 4
Desvio Padro:
2
Considere um pixel com o valor 30 dependendo do critrio de atribuio: ele no ser associado nenhuma classe (paraleleppedo) ou
ser associado classe Cerrado (distncia mnima) ou classe Campo sujo (mxima verisemelhana) conforme o mtodo adotado.
Classificao por paraleleppedo; no h
uma maneira de se atribuir uma classe aos
pixels na rea de superposio (mtodo no
paramtrico).

2001 Philippe Maillard

Classificao por distncia mnima: todos

os pixels so facilmente classificados mas a
classificao desconsidera a distribuio
das classes (mtodo no paramtrico).

Classificao por mxima verisemelhana:

os pixels so ordenados de acordo com a
maior
probabilidade
considerando
a
distribuio
das
classes
(mtodo
paramtrico).

27

PRINCPIOS DA CLASSIFICAO
A classificao multiespectral utiliza-se deste mesmo princpio, porm, com a vantagem de ter um espao espectral em vrias
dimenses. Da mesma forma, que os objetos so mais facilmente reconhecidos com a cor, do que em preto & branco, quanto mais
bandas so usadas, maiores sero as chances dos diversos objetos apresentarem um comportamento diferenciado.
O histograma bidimensional seguinte mostra as classes da imagem Landsat TM de San Diego de acordo com duas bandas espectrais: o
vermelho (banda 3) e o infravermelho prximo (banda 4). Constata-se que com apenas essas duas bandas (variveis), j se diferenciam
vrias classes neste espao espectral reduzido.
Neste grfico, os pontos coloridos representam os
pixels: o azul significa freqncias baixas de pixels,
com esses valores combinados e o vermelho,
freqncias altas. As elipses referem-se as reas de
trenamento com suas varincias respectivas.
Softwares com algoritmos de classificao possibilitam
a determinao das classes, atravs do espao
espectral no lugar da imagem, no seu espao grfico
normal.
Com este software por exemplo, voc pode escolher
uma rea do espao espectral e observar os pixels
correspondentes na imagem.
Softwares mais poderosos no usam apenas as
caractersticas espectrais dos objetos. Eles podem
considerar feies de nvel maior de interpretao
como vizinhana, textura, tamanho, forma, contexto
demandando um custo de tempo de processamento
maior.

Voc consegue ver a relao com o exerccio

do Alfldi?
2001 Philippe Maillard

28

UM EXEMPLO DE CLASSIFICAO
Esta figura resume as etapas de uma classificao multiespectral, aplicando o algoritmo de mximo de verisemelhana.
1. Adquirir uma intimidade com a imagem
2. Criar as reas de trenamento

3. Conferir a separabilidade das classes

2001 Philippe Maillard

4. Classificar a imagem e quantificar a porcentagem de erros

29

5. Corrigir e refinar a classificao para a produo de um mapa temtico final

C BOA SORTE!
2001 Philippe Maillard

30