Escolar Documentos
Profissional Documentos
Cultura Documentos
Peter Zeilhofer
ndice
3. Radiao eletromagntica 4
3.1 Princpios fsicos 4
3.2 Espectro eletromagntico 5
3.3 Interaes da radiao na atmosfera e superfcie da terra 8
3.4 Assinaturas espectrais 9
4. Foto areas 10
7. Bibliografia selecionada 41
_______________
Obs.: a maioria das figuras e parte dos textos explicativos desta apostila baseada em FUNCATE (1997),
Tutorial of Remote Sensing (CCRS), e o Tutorial SPRING 3.3 (INPE) e no so separadamente citadas.
Introduo ao Geoprocessamento e Sensoriamento Remoto 1
________________________________________________________________________
Alm das publicaes tradicionais (livros, revistas, anais de congressos) a Internet uma
fonte quase infinita de dados e informaes sobre Sensoriamento Remoto. Confira por
exemplo:
A histria do sensoriamento remoto pode ser dividida em dois perodos: o primeiro entre
1860 e 1960, no qual este era baseado na utilizao de fotografas areos, e o perodo de
1960 at hoje, caracterizado pela multiplicidade de sistemas sensores (Novo 1989).
Dois grandes eventos que marcaram o segundo perodo dessa hist6ria foram: a primeira
fotografia orbital, tirada a bordo da nave Mercury, em 1960; e o primeiro satlite de
recursos terrestres (ERTS-1) colocado em orbita, em 1972.
Figura 1: Elementos de
Sensoriamento Remoto.
2. Conceitos,termos tcnicos e aplicaes 3
________________________________________________________________________
Geologia e pedologia
explorao/minerao
caractersticas do solo
mapeamento de litologia, estruturas geolgicas
Meteorologia/Climatologia
balano de radiao
anlise da concentrao de ozone
previso do tempo
direo e velocidade do vento
Recursos hdricos
monitoramento de inundaes
qualidade de gua
temperatura da superfcie do mar
umidade do solo
delineao de bacias hidrogrficas
concentrao de fitoplncton
evaporao
3. Radiao eletromagntica 4
________________________________________________________________________
3. Radiao eletromagntica
3.1 Princpios fsicos
Um sensor registra a quantidade de energia radiante refletida ou emitida pelos objetos.
Esta radiao (ondas) eletromagntica constituda por diversas caractersticas fsicas
(intensidade, comprimento de onda, freqncia, energia, polarizao, etc...).
=v/f
A faixa de comprimentos de onda ou freqncias em que se pode encontrar a radiao
eletromagntica ilimitada. Com a tecnologia atualmente disponvel, pode-se gerar ou
detectar a radiao eletromagntica numa extensa faixa de freqncia, que se estende de 1
a 1024 Hz, ou comprimentos de onda na faixa de 108 metros a 0.01A.
A radiao eletromagntica total (M) emitida por um corpo uma funo da temperatura
(T) deste corpo. Esta relao expressa pela lei de Stefan-Boltzmann
3. Radiao eletromagntica 6
________________________________________________________________________
M = T4
m = A / T
A = 2898 m oK
A figura 4 mostra a distribuio espectral da radiao emitida por diferentes corpos, entre
outros do sol (mximo de energia emitida no comprimento de onda ~ 0.5 m) e da
prpria terra (mximo de energia no comprimento de onda ~ 10 m).
A figura 5 mostra mais detalhada as caratersticas espectrais da radiao emitida pelo sol
e a terra, como a atmosfera interfere na radiao proveniente do sol e em quais faixas os
diferentes sistemas sensores trabalham. So diferenciadas as faixas espectrais do
Ultravioleta (UV), Visvel e Infravermelho. Observa-se que a atmosfera absorve
diferenciadamente as faixas espectrais. Faixas nas quais a transmisso da atmosfera
quase total (ex. luz visvel, infravermelho entre 8 e 12 m) se chamam janelas
atmosfricas nas quais a maioria dos sistemas sensores trabalham (Fotografia
convencional, Escaneadores multiespectrais e termais). Sistemas de radar (microondas)
so sensveis a uma radiao de um comprimento de onda bem maior, uma faixa onde a
transmisso da atmosfera quase total.
Sensor no
satlite
Insolao
Absoro por
vapor, poeira,
CO2 e O3
Difuso por Difuso
partculas do ar
Reflexo
nas nuvens
Radiao
do ceu
Emisso por
vapor, CO 2 e
outros gases
Reflexo
difusa Reflexo
especular
Emisso de calor
Absoro, emisso
e aquecimento
O sensor registra ento a reflexo mdia (ou mais exatamente integra a reflexo) nestas
faixas espectrais e grava estas quatro informaes sobre o alvo.
4. Fotos areas
Fotos areas e os mtodos da sua interpretao no so sempre mencionados nos cursos
de Sensoriamento Remoto. Mas devido a sua escala normalmente grande (bom
detalhamento) e sua geometria especfica, as fotos areas so uma fonte extremamente
importante para mapeamentos e para a calibragem e controle de classificaes de
imagens de satlite.
A figura 9 mostra a trajetria tpica de uma campanha de levantamento areo-
fotogramtrico. Na direo do vo a sobreposio das fotos cerca de 60%, entre duas
faixas de cerca de 35%.
4. Fotos areas 11
________________________________________________________________________
Este efeito pode ser valorizado para a melhor interpretao dos objetos (ex. engenheiros
florestais podem diferenciar algumas espcies de rvores devido a sua altura) ou
diretamente para a mensurao do relevo. Para conseguir a impresso tridimensional so
necessrios alguns passos preparativos (Figura 12).
Figura 12: Preparao das fotografias para interpretao num estereoscpio (Localizao
e transferncia dos pontos principais sobre e entre as fotografias).
Para a avaliao dos fotos j existem chaves de interpretao prontas para as diferentes
aplicaes. A figura 14 mostra um exemplo de um manual de interpretao de unidades
geomorfolgicas ( IBGE 1995).
Em diversos casos so predefinidos os smbolos para a representao das diferentes
classes no mapeamento resultante (p. ex. mapa geomorfolgico).
CARVER, A.J. (1988): Fotografia area para planejadores de uso da terra. Ministrio de
Agricultura, Brasilia.
5. Sistemas sensores orbitais 16
________________________________________________________________________
Passivo Ativo
Sensores que operam na regio ptica do espectro, sendo que esses dividem-se em:
+ sensores termais, que operam na faixa do espectro entre 7 e 15 m, e
+ sensores de energia solar refletida, que operam entre 0,38 e 3 m;
+ sensores de microondas (radar)
+ sistemas sensores no-imageadores: no fornecem uma imagem da superfcie
sensoriada;
+ Sistemas sensores imageadores: fornecem como resultado uma imagem da superfcie
sensoriada, podendo ser classificados em razo do processo utilizado na formao da
imagem:
- sistemas de quadro, que adquirem a linha da imagem num mesmo instante,
- sistemas de varredura, em que as linhas da imagem so formadas pela aquisio
seqencial de elementos de resoluo ('pixel', abreviao de picture element)
5.2 rbitas
Os sistemas sensores instalados em satlites so chamados sistemas orbitais. Eles podem
ser classificados conforme suas rbitas (Figura 16). Sistemas sensores geoestacionrios se
movimentam com a mesma velocidade do que a rotao da terra e eles monitoram
5. Sistemas sensores orbitais 17
________________________________________________________________________
Geoestacionrio Hliosincrono
Para aplicaes que exigem um maior detalhamento (uso e ocupao do solo, cobertura
vegetal, mapeamento geolgico etc.) so usados sistemas com rbitas muito mais baixas
(700-850 km). As rbitas destes sistemas sensores tem as seguintes caratersticas:
5.3.1 LANDSAT
O sistema LANDSAT compe-se at o momento de 6 satlites, que foram desenvolvidos
pela NASA (National Aeronautics and Space Administration, recebendo inicialmente o
nome de Earth Resouces Technology Satellite-1 (ERST-1), que passou a ser chamado de
LANDSAT em janeiro de 1975.
O Landsat 1 e 2 carregaram a bordo dois sistemas sensores com a mesma resoluo
espacial, mas com diferentes concepes de imageamento: o sistema RBV, com
imageamento instantneo de toda a cena e o sistema MSS, com imageamento do terreno
por varredura de linhas (line-scanner).
Ambos os sistemas propunham-se aquisio de dados multespectrais, mas o
desempenho do sistema MSS, em termos de fidelidade radiomtrica, fez com que o 3
satlite da srie tivesse seu sistema RBV modificado, de modo a prover dados com
melhor resoluo espacial em uma nica faixa do espectro. Por outro lado, foi
acrescentada uma faixa espectral ao sistema MSS, para operar na regio do infravermelho
termal.
A partir do Landsat 4, ao invs do sensor RBV, a carga til do satlite passou a contar
com o sensor TM (Thematic Mapper), operando em 7 faixas espectrais. Esse sensor
conceitualmente semelhante ao MSS pois um sistema de varredura de linhas (line-
scanner). Incorprora, entretanto, uma srie de aperfeioamentos, quer nos seus
componentes pticos, quer nos seus componentes eletrnicos. O recm lanado Lansat 7
(o lanamento do Landsat 6 no tive sucesso) possua alm das bandas multiespectrais um
canal pancromtico com uma resoluo espacial de 15 metros.
IMAGEADOR MSS
MSS (Multispectral Scanner): um sistema sensor que permite o imageamento de linhas
do terreno numa faixa de 185 km, perpendicularmente rbita do satlite. A varredura do
terreno realizada com auxlio de um espelho que oscila perpendicularmente ao
deslocamento do satlite. Durante a oscilao do espelho, a imagem do terreno, ao longo
da faixa, focalizada sobre uma matriz de detectores. A dimenso de cada detector que
compe a matriz de detectores, responsvel pelo seu campo de visada instantneo (rea
observada por cada detector na superfcie da Terra). A energia registrada por cada
detector transformada em um sinal eltrico e este transmitido para as estaes em terra.
A cada oscilao do espelho, o satlite desloca-se ao longo da rbita, para proporcionar o
imageamento contnuo do terreno. Entretanto, o movimento de rotao da Terra provoca
um pequeno deslocamento do ponto inicial da varredura para oeste a cada oscilao do
espelho, ou seja, a cada seis linhas imageadas. Se considerarmos o deslocamento de 185
km ao longo da rbita do satlite, h um deslocamento de 12,5 cm entre a primeira e a
ltima coluna de pixels.
IMAGEADOR TM
TM (Thematic Mapper): um sistema avanado de varredura multiespectral concebido
para proporcionar: resoluo espacial mais fina, melhor discriminao espectral entre
objetos da superfcie terrestre, maior fidelidade geomtrica e melhor preciso
radiomtrica em relao ao sensor MSS.
5. Sistemas sensores orbitais 19
________________________________________________________________________
5.3.2 SPOT
O sistema SPOT um programa espacial francs semelhante ao programa Landsat, que
foi concebido pelo Centre National d'Etudes Spatiales (CNES) e leva a bordo dois
sensores de alta resoluo (HRV - HAUT Resolution Visible). Estes sensores foram
concebidos para operarem em dois diferentes modos.
O modo multiespectral permite a aquisio de dados em trs faixas do espectro
eletromagntico com uma resoluo espacial de 20 metros. E o modo pancromtico com
uma banda de resoluo espacial de 10 metros.
Uma das caractersticas marcantes dos instrumentos a bordo do SPOT a possibilidade
de observao "off-nadir" (apontamento direcional). O sensor poder ser direcionado de
modo a observar cenas laterais rbita em que se encontra inserido o satlite em dado
momento. Esta possibilidade de observao "off-nadir" aumenta os meios de obter-se um
aumento no recobrimento repetitivo de determinadas reas. Outra vantagem da visada
"off-nadir" a possibilidade de serem obtidos pares estereoscpicos de determinadas
reas.
A luz proveniente da cena atinge um espelho plano, que pode ser controlado a partir das
estaes terrenas variando em ngulos de +/- 0,6 at 27o em relao ao eixo vertical.
A energia que atinge o espelho plano focalizada sobre uma matriz linear de detectores
do tipo CCD (Charge-Coupled Device). Cada matriz consiste em 6000 detectores
arranjados linearmente, formando o que se convenciona chamar de push-broom
scanner ou sistema de varredura eletrnica. Este sistema permite o imageamento
instantneo de uma linha completa no terreno, perpendicularmente direo de
deslocamento do satlite em sua rbita.
Figura 17: Cidade de Washington (EU) numa imagem do satlite IKONOS, banda
pancromtica.
Estas imagens sero uma forte concorrncia para as fotos areas em aplicaes como
planejamento urbano. Devido a sua alta resoluo (que resulta em arquivos extremamente
grandes) e o tamanho pequeno das cenas (ex. 8 * 8 km), imagens destes sistemas sensores
no so apropriadas para mapeamentos de escalas intermedirias.
Sistemas ativos de radar emitem radiao (B) em pulsos de uma seqncia definida (A)
atravs de uma prpria fonte de energia. Os sinais emitidos so refletidos pelos alvos (C)
e recebidos por uma antena.
As caractersticas de imagens de radar so influenciadas pelo comprimento de onda
(banda) utilizado, sua polarizao na emisso e recepo (Vertical ou Horizontal) e os
ngulos nos quais os sinais so emitidos. Cabe observar que so parmetros bem
diferentes dos quais de SR passivo que determinam a aparncia da imagem (Figura 19),
tais como rugosidade da superfcie do alvo (A), o ngulo de incidncia (B) e a umidade e
as propriedades eltricas do alvo.
A figura 20 mostra como alguns alvos refletem radar ativo. Superfcies lisas refletem
pouca radiao para a antena. Florestas com rvores de diferentes alturas e estruturas
refletem mais forte do que campo ou plantaes homogneas. Observa-se tambm uma
forte influncia do relevo na claridade da imagem. A reflexo de objetos lineares (p. ex.
construes) varia extremamente em funo da sua orientao.
5. Sistemas sensores orbitais 22
________________________________________________________________________
Figura 20:
Reflexo de
alguns alvos
numa imagem
de radar.
O(s) sensor(es) de cada banda medem o fluxo energtico integral recebido atravs da
reflexo de um alvo na respectiva faixa espectral. O fluxo energtico transferido em
valores digitais por banda. No caso de um formato banda intercalada por pixel esto
gravados os valores das quatro bandas (4, 5, 6, 7) do primeiro pixel da imagem na
localizao 1,1, depois os valores do segundo pixel etc.
A figura 22 mostra como os valores de uma destas bandas so organizados para formar
uma imagem. A imagem pode ser entendida como uma matriz de celas (= pixels). A
localizao dos pixels descrita por coordenadas e cada cela (pixel) tem um valor de
intensidade que tambm chamado tom (=nvel) de cinza.
6. Avaliao de imagens de satlite 24
________________________________________________________________________
canal vermelho do monitor) foi registrada uma alta reflexo, enquanto nas outras bandas
havia uma reflexo relativamente baixa.
importante lembrar que no somente uma banda representando a reflexo na luz
vermelha pode ser codificada com a cor vermelha. Codificando p. ex. a banda 4 do
Landsat TM do infravermelho prximo com vermelho, vegetao verde (para nossos
olhos) aparece vermelho na imagem.
Como veremos a seguir as tcnicas de PDI so realizadas sempre com os nveis de cinza
(NC) atribudos aos pixels de uma imagem. Dependendo da tcnica envolvida o usurio
trabalhar com uma nica imagem (banda ou PI) ou com vrias imagens, sendo est
ltima conhecida por tcnicas multi-espectrais, por tratar de vrias imagens da mesma
cena em regies diferentes do espectro eletromagntico.
6.3.2 Pr-processamento
As tcnicas de pr-processamento envolvem as correes radiomtricas e geomtricas das
imagens.
Os erros devidos ao sistema sensor causam rudos nas imagens. Estes rudos podem ser
pontuais ou apresentar-se em forma de linhas, e podem ser peridicos ou aleatrios. O
mtodo de correo a ser aplicado depender do tipo de erro. Por exemplo, se houver
perda de uma linha inteira, pode-se atribuir aos pixels dessa linha a mdia dos valores dos
pixels das linhas vizinhas.
Correes atmosfricas precisam ser aplicadas no caso da comparao dos nveis de cinza
de imagens de diferentes datas (p. ex. anlises de correlao regresso da concentrao
de sedimentos transportados em corpos de gua)
A segunda consiste no clculo por re-amostragem dos valores de nvel de cinza dos pixels
na imagem corrigida. Esta segunda etapa precisa ser efetuada, em muitos casos, pelo
usurio, e ser portanto mais detalhadamente explicada em seguida:
Utilizando um mapa como sistema de referencia, pode-se registrar uma imagem de forma
que seus pixels se tornem referenciados a esse sistema, ou seja, a valores de latitude e
longitude ou coordenadas UTM. Esse processo se chama Georeferenciamento.
6.3.3 Realce
6.3.3.1 Realce de Contraste
A tcnica de realce de contraste e tem por objetivo melhorar a qualidade das imagens sob
os critrios subjetivos do olho humano.
O contraste entre dois objetos pode ser definido como a razo entre os seus nveis de
cinza mdios. A manipulao do contraste consiste numa transferncia radiomtrica em
cada "pixel", com o objetivo de aumentar a discriminao visual entre os objetos
presentes na imagem. Realiza-se a operao ponto a ponto, independentemente da
vizinhana.
Esta transferncia radiomtrica realizada com ajuda de histogramas, que so
manipulados para obter o realce desejado. Veja mais sobre o que um Histograma:
Histogramas
A escolha do mapeamento direto adequado , em geral, essencialmente emprica.
Entretanto, um exame prvio do histograma da imagem pode ser til. O histograma
uma das formas mais comuns de se representar a distribuio dos nveis de cinza (NC) de
uma imagem, e a mais utilizada em PDI.
O histograma fornece a informao de quantos pixels na imagem possuem um
determinado NC, definido entre 0 (preto) a 255 (branco) para uma imagem quantificada
em 8 bits. Outra caracterstica que o histograma no apresenta nenhuma informao
espacial da imagem, e sim um funo de probabilidade de encontrar um NC referente a
um objeto qualquer da imagem. Normalmente tem-se no eixo X a distribuio dos NC e
no eixo Y a freqncia em que ocorrem (veja figura 26).
Figura 27: Histograma e imagem antes (A) e aps a aplicao de uma realce de contraste.
6. Avaliao de imagens de satlite 31
________________________________________________________________________
Figura 28: Funo de transferncia para aumento de contraste. Os valores originais (eixo
X) entre +/- 20 a 80 so transferidos para os valores resultantes entre +/- 40-255.
6.3.3.2 Filtragem
A aplicao de filtros amplamente discutida na literatura. Portanto a importncia prtica
destas operaes no trabalho com imagens de sistemas passivos limitada. Com a
crescente utilizao de imagens de Radar (que possuem um alto grau de rudo speckle),
as tcnicas de filtragem ganharam nova importncia.
As tcnicas de filtragem so transformaes da imagem "pixel" a "pixel", que no
dependem apenas do nvel de cinza de um determinado "pixel", mas tambm do valor dos
nveis de cinza dos "pixels" vizinhos, na imagem original.
Os filtros funcionam como janelas ou mscaras mveis que se deslocam sobre a imagem.
Por exemplo, uma janela de trs por trs pixels (nove ao todo) que percorre a imagem
6. Avaliao de imagens de satlite 32
________________________________________________________________________
(Figura 29). Inicialmente ela colocada no canto superior esquerdo da imagem, sendo
que o valor do pixel central dessa janela na imagem dado pela soma dos valores do 9
pixels da imagem multiplicados pelas 9 celas da janela. Essa janela se desloca, pixel a
pixel, e essa operao repetida, atribuindo-se novos valores aos pixels.
Figura 29: Representao de uma janela de trs por trs pixels transposta sobre uma
imagem.
Filtro passa-baixa
O efeito visual de um filtro passa-baixa (Fig. 30) o de suavizao da imagem e a
reduo do nmero de nveis de cinza da cena. As altas freqncias, que
correspondem s transies abruptas so atenuadas. A suavizao tende a minimizar
rudos e apresenta o efeito de borramento da imagem.
* 1/9 * 1/25
(A) (B)
Algumas janelas que efetuam uma filtragem passa-baixa, numa vizinhana de dimenso
3x3, 5x5 ou 7x7 esto indicadas abaixo, estes filtros so conhecidos por filtros de mdia,
pois obtm a mdia entre pontos vizinhos.
6. Avaliao de imagens de satlite 33
________________________________________________________________________
Filtro Passa-Alta
A filtragem passa-alta tende a realar os detalhes, produzindo uma "agudizao"
(sharpering) da imagem, isto , as transies entre regies diferentes tornam-se mais
ntidas (Figura 31).
Para diminuir o rudo em imagens radar foram desenvolvidos filtros com um calculo mais
sofisticado. Entre outros podem ser citados os filtros Filtro de Frost (Frost 1982), Lee
(Lee 1981) ou Kuan/Nathan (Kuan et al. 1982). Figura 32 mostra os efeitos de vrios
filtros aplicados a uma banda de radar.
6. Avaliao de imagens de satlite 34
________________________________________________________________________
Frost Kuan
MSS7 - MSS5
VI = MSS7 + MSS5
(A) (B)
Figura 35: Espao de atributos de duas bandas espectrais contendo os intervalos de nveis
de cinza dos pixels de trs diferentes materiais.
A pois, embora encontra-se mais prximo do valor central (valor mdio) da banda B,
situa-se em faixa de maior probabilidade de pertencer banda A.
CARVER, A.J. (1988): Fotografia area para planejadores de uso da terra. Ministrio de
Agricultura, Brasilia.
T. T. Alfldi
Applications Division
Ottawa, Canada
1. Introduo
O Centro Canadense de Sensoriamento Remoto criou um exerccio que simula o tratamento digital de
imagens, afim de familiarizar o novato manipulao de dados digitais. No incio, este exerccio tinha
como objetivo principal permitir ao usurio sua iniciao aos princpios de funcionamento do sistema
IMAGE - 100 do Canada Centre for Remote Sensing (Centro Canadense de Sensoriamento Remoto).
Porm, as noes expostas no presente documento vo alm deste objetivo, podendo aplicar-se maioria
dos sistemas de tratamento digital de imagens. Se os estudantes se beneficiam com os servios de um
instrutor, o exerccio prtico deveria ser precedido de uma breve descrio das caractersticas espaciais,
temporais, espectrais e radiomtricas das imagens digitais.
Para permitir ao leitor imaginar uma simulao manual, unicamente com a ajuda de papel e lpis, as
imagens sofreram as seguintes simplificaes:
c) O nmero de intensidade que pode ser registrado por um detector se situa, habitualmente, entre 64
e 256. Como este nmero grande de mais para um tratamento manual, ns o reduzimos a 10 na
imagem proposta ao leitor.
As tcnicas manuais que vamos descrever assemelham-se muito s operaes executadas por um
computador. No entanto, dada sua grande velocidade de execuo, o computador capaz de tratar imagens
cobrindo superfcies bem maiores, bandas espectrais mais numerosas e numa escala radiomtrica mais
larga.
A figura 1 nos mostra os dados de um pequeno segmento de uma cena captada por um satlite em 2 bandas.
Em cada banda temos a intensidade luminosa subdividida em 10 nveis: de 0 a 9. Uma das bandas (A)
sensvel ao vermelho e a outra (B) cobre uma parte de infravermelho refletido. Nesta figura, os dados (de
cada banda) so intercalados por linha. No caso das imagens 7x7, representadas sobre fita magntica, os
sete primeiros nmeros correspondem intensidade dos pixels da primeira linha da Banda A, a partir do
lado esquerdo da imagem. Os sete nmeros seguintes se aplicam igualmente primeira linha, mas, desta
vez, da banda B. Os sete nmeros seguintes representam a segunda linha da banda A, e assim
sucessivamente. Portanto, para a superfcie da imagem 7x7, temos 2 bandas compostas de 7 linhas cada
uma e estas linhas constituidas de sete pixels cada uma, o que nos d 98 nmeros. Vamos agora dispor
estes nmeros sobre uma forma geomtrica til.
Etapa n 1
De incio, separe os grupos de 7 valores no sentido da seta, indicando banda A por cima dos 7
primeiros algarismos, a banda B por cima dos 7 seguintes, a banda A por cima dos 7 seguintes e
assim por diante.
A figura 2 representa de uma forma mais prtica a imagem digital. As bandas A e B representam a mesma
regio da superfcie terrestre, mas elas so codificadas separadamente porque correspondem a faixas
distintas no espectro eletromagntico (ou cores de luz).
Etapa n 2
Coloque cada um dos valores da banda magntica no quadrado apropriado no interior das grades.
Assim, os 7 primeiros valores da banda A ocuparo os pixels de 1 a 7 da primeira linha da matriz da
banda A, na figura 2. Os 7 valores seguintes correspondem aos pixels de 1 a 7 da primeira linha da
matriz da banda B. Continue assim at que todos os espaos sejam preenchidos.
As cartas digitais da figura 2 podem, agora, receber uma outra forma que torna possvel uma nova
apreciao visual da imagem. Produz-se uma "carta de nveis de cinza" afim de se visualizar os valores os
quais se dispem.
As cartas de nveis de cinza produzidas por computador apresentam, normalmente, um problema: o nmero
de intensidade (entre 64 e 256) ultrapassa largamente o nmero de tons de cinza disponveis que a
impressora capaz de produzir e o olho humano de distinguir. Cada pixel contido na imagem 7x7 recebe
um cdigo que vai de 0 a 9 e que corresponde a um dos 10 graus de intensidade. Convm, portanto, no
nosso exemplo, representar os 10 graus de intensidade por trs tons de cinza.
Etapa n 3
Para cada uma das imagens digitais das bandas A e B (figura 2), transforme o valor numrico de
cada pixel em um tom de cinza, baseando-se na seguinte escala de converso:
Valor numrico 0 1 2 3 4 5 6 7 8 9
Tons de cinza
Em seguida, transporte os pixels assim transformados at as grades da figura 3. Voc notar que
quanto menor as intensidades, mais escuros sero os tons.
Podemos observar semelhanas e diferenas nos desenhos das bandas A e B. Certas formas no meio da
imagem aparecam, mas claro que as cartas de cinza concentram muito menos informaes que as cartas
numricas. Abordaremos agora um certo nmero de tcnicas que nos permitaram aprofundar nosso
conhecimento sobre os dados tratados.
Um "perfil de intensidade" nos d uma viso unidimensional de apenas uma parte dos dados. Este
anlogo ao "perfil de densidade" ou densitometria, muito empregado em anlise fotogrfica.
Etapa n 4
Construiremos aqui um perfil de intensidade para a linha n 6 de cada imagem representada pelas
bandas A e B. Para isto, utilizaremos as grades da figura n 4. Para a linha n 6 da banda A,
determine a intensidade de cada pixel da carta digital e marque com um ponto cada posio
correspondente a um pixel e sua intensidade. Aps ter posto todos os pontos em sua posio, una-
os, atravs de uma linha, a partir do pixel n 1 at o pixel n 7. Faa o mesmo para a banda B.
Os grficos da figura 4 representam, agora, as intensidades da luz refletida pelo terreno que corresponde
linha n 6 da imagem. Podemos construir os perfis de intensidade para qualquer linha da imagem (qualquer
que seja o ngulo). Esta tcnica tem sempre limites que reduzem sua utilidade; existe outras formas de se
estruturar dados contendo muito mais informaes.
Por exemplo, um histograma unidimensional nos permite obter uma representao grfica da distribuio
de dados de uma nica banda. A curva (ver figura 5) indica o nmero de pixels que um dado nvel de
intensidade possui. Esta uma noo abstrata, mas importante. Inversamente, poderamos nos perguntar:
Qual zona da imagem corresponde a um dado nvel de intensidade ?.
Etapa n 5
Na banda A, calcule o nmero de pixels que tem uma intensidade nula (zero) utilizando a imagem
digital da figura 2. Escreva o nmero total no espao apropriado abaixo do grfico da Banda A da
figura 5. Agora, calcule o nmero de vezes que aparece o nvel de intensidade 1 e escreva o nmero
total obtido no espao apropriado abaixo da Banda A da figura 5. Repita o processo para todos os
nveis de intensidade. Assegure-se de que a soma destes valores seja igual a 49 (7 x 7). Transporte
estes valores para o grfico e una os pontos atravs de uma linha da esquerda para a direita.
Construa o histograma da banda B da mesma forma.
Vrias observaes podem ser feitas em relao a estes dois histogramas. Primeiro, os dois histogramas
obtidos se diferem sensivelmente. Isto significa que as 2 bandas nos fornecem informaes diferentes (e
que podem ser igualmente teis) em relao ao mesmo pixel (ou detalhe do terreno). Segundo, observe os
diversos picos dos histogramas; chamamos "moda" do histograma cada crista separada de seus vizinhos
pelas concavidades ou vales. Constatamos muitas vezes que uma "moda" corresponde a um tipo particular
de cobertura do solo. A presena de vrias modas (histograma multimodal) indica que vrios elementos
diferentes so representados na mesma imagem.
Veremos agora o histograma da Banda B. Este histograma contm duas modas maiores separadas por uma
concavidade que se acha ao nvel de intensidade 2. Como a banda B representa o infravermelho refletido,
um conhecimento das propriedades de reflectncia da terra e da gua no domnio do infravermelho pode ser
til identificao destas duas modas. A gua absorve muito o infravermelho e, consequentemente, tem
uma fraca reflectncia. Em compensao, os solos cobertos de vegetao tm uma reflectncia muito mais
forte durante os meses do vero. Podemos supor, portanto, que a moda da esquerda representa a gua e a
moda maior da direita, o solo coberto de vegetao. Contando o numero de pixels em cada moda, ja temos
uma ideia do tamahno relativo da zona de terra e agua na imagen.
A "assinatura espectral" de um pixel a combinao dos nveis de intensidade deste pixel representam nas
duas bandas. Esta caracterstica pode ser representada atravs de um histograma bidimencional. No
histograma de 2 dimenses, os 2 eixos representam os nveis de intensidade registrados nas duas bandas
(ver figura 6). Isto consiste na representao, atravs de uma curva, da frequncia de ocorrncia de uma
dada combinao de intensidades nas Banda A e B. Em outras palavras, um histograma bidimencional
indica o nmero de pixels na imagem que corresponde a uma dada combinao de intensidades das duas
bandas, isto , a uma assinatura espectral. Tomemos como exemplo o pixel n6 da linha n 2 (figura 2). Na
banda A este pixel tem a intensidade 4, e na banda B, a intensidade 6. Portanto, no grfico da figura 6 ele
ser representado pelas coordenadas 4,6 (4 para o eixo da banda A e 6 para o eixo da banda B). Uma vez
construido, o histograma mostrar simultaneamente a distribuio dos dados das duas bandas.
Etapa n 6
Neste exerccio voc dever transportar as coordenadas espectrais da imagem da figura 2 para o
histograma bidimencional. Para cada coordenada espectral de cada pixel, faa um trao na clula
apropriada da figura 6. Estes traos sero, em seguida, somados de maneira a nos dar o nmero total
em cada clula. Voc deve considerar somente os pixels que ocupam as 3 primeiras linhas da figura
2. Como podemos constatar na figura 6, as 4 ltimas linhas j foram feitas.
Etapa n 7
Remova os dados da figura 6 para a figura 7, adicionando os traos presentes em cada umas das
clulas e escrevendo o nmero na clula correspondente da figura 7.
A figura 8 representa um mapa de controle no campo de um elemento particular : a floresta. Trs lugares
foram reconhecidos no campo como sendo terrenos florestais e os especialistas, tendo recolhido dados
sobre esta regio, tm certeza que o conjunto representativo de todos os tipos de florestas podendo ser
encontrados na rea da imagem de sensoriamento remoto. O mapa de controle foi geometricamente
sobreposto imagem de maneira que um ponto no mapa possa ter uma coordenada linha-pixel que
corresponda imagem. Usando a assinatura espectral destas zonas florestais conhecidas, torna-se possvel
de encontrar todos os outros pixels da imagem associados floresta ou seja, ns iremos procurar todos os
outros pixels que tm a mesma assinatura espectral. A primeira etapa consiste, ento, na definio das
caractersticas espectrais das zonas de treinamento (assim chamadas a partir de agora).
Etapa n 8
Ache as intensidades correspondentes a cada zona de treinamento na banda A. Para conseguir, voc
deve anotar as coordenadas dos pixels das zonas de treinamento e achar as intensidades
correspondentes na figura 2 (banda A). Escreva estes valores na parte de baixo da figura 8. Podemos
ento supor que a categoria floresta est caracterizada pelo intervalo de intensidade registrado na
banda A da figura 2. Este intervalo definido pelo valor mnimo e mximo destas trs amostras
(zona de treinamento). Escreva estes valores no espao previsto na figura 8. Faa o mesmo para a
banda B.
A classificao consiste na procura de todos os pixels cuja a intensidade se situa dentro do intervalo de
intensidade registrado nas zonas de treinamento. Faremos tal processo separadamente para cada banda.
Etapa n 9
Utilizando a imagem digital da banda A na figura 2, anote todos os pixels que tm uma intensidade
dentro do intervalo definido para a banda A (etapa 8). Na figura 9A, escurea cada pixel
correspondendo a um pixel da banda A que tem uma intensidade dentro deste intervalo (inclusive o
mnimo e o mximo). Faa o mesmo para a imagem digital da banda B utilisando o intervalo
definido para esta banda e o diagrama da figura 9B.
Os dois mapas florestais das figuras 9A e 9B representam o mesmo objeto no terreno, isto , a floresta.
Porm, eles so difirentes por serem construidos a partir de dados de duas bandas diferentes. O mtodo para
produzir estes mapas poderia ser comparado a uma forma rudimentar da densitometria. Um intervalo de
intensidades foi extraido da dinmica completa da imagem. Podemos conseguir uma classificao melhor,
ou mais correta considerando, simutaneamente, as intensidades das duas bandas.
Para classificar uma imagem de modo multibandas (ou multiespectral), todas as bandas precisam ser
consideradas simultaneamente. Na figura 10A, a floresta est representada por uma zona sombreada, ou
seja, pelas intensidades 2 a 5 da banda A e 3 a 7 da banda B. A superposio destes dois intervalos de
intensidade est ilustrada por hachuras cruzadas ("crosshatch" em ingls) e representa a assinatura
multibandas da classe floresta. Para fazer uma classificao multibandas da floresta, basta anotar todos os
pixels cujas coordenadas espectrais entram dentro da rea retangular de hachuras cruzadas ilustrada na
figura 10A.
Etapa n 10
Usando as imagens digitais da figura 2, anotar todos os pixels da banda A que tm uma intensidade
de 2, 3, 4 ou 5. Para cada pixel encontrado, verificar se a sua intensidade na banda B de 3, 4, 5, 6
ou 7. Se um pixel satisfaz estas duas condies escurea o pixel correspondente na figura 10B. Basta
fazer apenas as ltimas quatro linhas; as trs primeiras j foram feitas.
No total, 21 pixels devem ter sido classificados como floresta; verificar se o nmero est certo. Verificar
tambm se a figura 10B representa o cruzamento lgico (unio) das figuras 9A e 9B.
Enfim, uma classificao multibandas, como foi executada aqui, precisa de amostras representativas do
terreno para ser confivel. As intensidades dos pixels representativos so mapeadas para cada banda. Os
intervalos de intensidades das duas bandas so representados num grfico bidimensional onde cada eixo
representa uma banda (espao objeto). O retngulo assim delimitado neste espao representa a assinatura
espectral do objeto considerado. Quando utiliza duas dimenses (centenas de bandas multiespectral
aerotransportados no fora do comun) n bandas podem produzir uma assinatura espectral de n dimenses
representadas por um paraleleppedo retangular similar ao retngulo bidimensional que produzimos aqui
(sendo que mais que trs dimenses no podem ser representadas no papel).
A assinatura espectral definida pela classificao multibandas retangular pode ser ainda melhorada. Para
isto, basta demonstrar a limitao mais fundamental da tcnica de classificao retangular (ou por
paraleleppedos).
Etapa n 11
O mapa florestal da figura 10B foi verificado por inspeco visual e populaes homognias de
conferas e de caduciflias foram identificadas. A figura 11A ilustra a distribuio espacial destes
dois tipos de florestas. Nosso trabalho consiste em delimitar as partes do espao espectral
correspondente a cada um destes tipos. Para cada pixel que identifica um tipo de floresta na figura
11A, voc deve achar as intensidades em banda A e B (figura 2). Registre estas coordenadas
espectrais na figura 11B usando o smbolo C para conferas e D para caduciflias. Depois, trace
um retngulo definindo a assinatura espectral da floresta de conferas. Os dois lados verticais deste
retngulo correspondem aos limites inferiores e superiores do intervalo de intensidades na banda A e
as linhas horizontais, aos limites do intervalo em banda B. Trace um retngulo similar para a
assinatura espectral das caduciflias. Observe que os dois retngulos se sobrepem parcialmente.
Esta superposio das assinaturas espectrais reduz bastante a eficincia do mtodo dos paraleleppedos. Se
um pixel qualquer tiver coordenadas espectrais que caem na rea de superposio, fica difcil saber se ele
pertencia classe conferas ou caduciflias.
A classificao multibandas vetorial permite scanear um retngulo do espao espectral e registrar cada
coordenada espectral (tambm chamada de clula ou de vetor) e o nmero de pixels associados a cada
uma. Ela define a distribuio das densidades no espao espectral.
O prximo exerccio consiste em utilizar um mtodo de classificao multibanda vetorial para mapear as
florestas de conferas e de caduciflias numa outra cena (imagem). A primeira cena foi utilizada nas figuras
11A e 11B para definir as assinaturas espectrais; esta primeira cena possui as zonas (ou reas) de
treinamento dos dois tipos de florestas que foram definidas. Entretanto, possvel extrapolar essas
assinaturas espectrais no outro meio (cena n 2) onde estamos procurando detalhes do terreno ou objetos
similares. bvio que um algoritmo e um computador vo apenas procurar objetos possuindo
caractersticas espectrais iguais. tarefa do pesquisador postular que assinaturas iguais refletem o mesmo
objeto, mesmo se a cena for outra. Neste nvel, preciso ser muito cuidadoso porque erros graves de
classificao podem ser induzidos com este mtodo se algumas das caractersticas-imagem mudam
(declinao do sol, condio atmosfrica, etc.) O pesquisador dever verificar se as assinaturas
correspondem a objetos idnticos. Se for preciso, ele dever aplicar uma correo radiomtrica imagem.
Etapa n 12
As figuras 12A e 12B ilustram as imagens digitais da banda A e da banda B da nova cena (n 2). A
figura 12C mostra a representao, no espao espectral, das assinaturas espectrais das florestas de
conferas (C) e de caduciflias (D), assim como fizemos anteriormente. Procure nas quatro primeiras
linhas da figura 12D (as ltimas trs j foram classificadas) os pixels que tm coordenadas
espectrais (nas figuras 12A e 12B) correspondendo a uma das classes (C ou D) da figura 12C e
coloque o smbolo apropriado na figura 12D. As coordenadas espectrais no devem apenas ser
incluidas no retngulo da assinatura mas devem coincidir tambm com um dos smbolos C ou D.
a nica maneira de evitar a ambiguidade da rea de superposio das duas assinaturas.
Um controle no campo essencial se queremos ter certeza da natureza dos elementos detectados na
imagem. Porm, possvel fazer dedues a respeito de elementos no verificados na base de
caractersticas espaciais e espectrais.
Etapa n 13
A figura 13B mostra os nveis de ocupao (populao de pixels) para os objetos da cena 2.
Identifique as 3 clulas de baixa intensidade correspondendo gua. Some o nmero de pixels
representativos destas 3 clulas e certifique-se de que o total corresponde ao nmero de pixels
identificados por um E na figura 12D.
7. Classificao no supervisionada
Os mtodos de classificao vistos at agora utilizam reas de treinamento para definir a assinatura
espectral, das quais o pesquisador j conhece suas caractersticas. Depois, extrapolamos esta assinatura
outras partes da imagem ou a uma outra imagem afim de se identificar outros elementos possuindo a
mesma caracterstica espectral. uma variao da classificao supervisionada.
Um pesquisador pode querer inverter o processo. De fato, frequentemente desejvel distinguir reas da
imagem possuindo caractersticas espectrais diferentes, mesmo sem saber nada sobre a natureza das
subdivises ou das classes resultantes. Estabelecemos cartas das classes resultantes e as levamos para o
campo afim de definir a natureza das subdivises criadas. Este mtodo conhecido como classificao
no-supervisionada, pois no se usa rea de treinamento. Sua principal vantagem de ser baseada nos
parmetros estatsticos das classes que cobrem geralmente grandes reas geogrficas no lugar de pequenas
amostras (reas de treinamento) que podem se revelar pouco representativas da variabilidade real da cena a
ser mapeada.
Existem vrios algoritmos matemticos, baseados em diversos mtodos, que permitem achar e distinguir
grupos estatisticamente representativos no espao espectral e que podem representar objetos importantes
da cena. A maioria destes algoritmos so baseados na procura de zonas de alta populao de pixels (no
espao espectral) separadas por reas de baixa populao. O exerccio seguinte ilustra este mtodo usando
um algoritmo menos complexo que aqueles que so usados na prtica.
Etapa n 14
A representao espectral da cena n 2 est representada na figura 14A. Copie na figura 14B as
clulas da figura 14A que tm uma populao de pixels igual ou superior a 3.
Podemos agora observar, na figura 14B, trs grupos de clulas de populao alta. Cada um deles
representa na realidade o ncleo de um grupo maior ainda. A prxima etapa consiste em delimit-
los. O ncleo de duas clulas ser chamado de grupo A no espao espectral e de classe A uma
vez que ele ser representado no espao imagem (espacial). Marque com um A na figura 14B
todas as clulas contguas ao grupo A inclusive aquelas encostadas apenas por uma quina (deve
haver 10).
Faa o mesmo para o grupo B (grupo de trs clulas) marcando um B e para o grupo C (grupo
de uma clula s) marcando um C. Se houver conflito, resolva pela atrao mais forte (dar clula
a etiqueta do grupo de populao maior).
Na figura 14B, delimite os trs grupos por um trao em negrito (cercando as clulas de mesma
etiqueta). O grupo A dever ter 11 clulas, 15 no B e 6 no C. Reproduzir estes limites na figura
14A tambm.
Vamos agora fazer a representao final do espao espectral dividido em grupos. Transfira para a
figura 14C as clulas da figura 14A que tm uma densidade igual ou superior a 1 dentro do grupo
A e marque-as com um A. Faa o mesmo com os grupos B e C.
Agora que o espao espectral foi subdividido em grupos uniformes usando um critrio pseudo-
estatstico, s falta trazer os grupos de volta s suas posies geogrficas. Para cada pixel da figura
14D, voc dever anotar as coordenadas espectrais nas duas bandas ilustradas nas figuras 12A e
12B, reporte estas coordenadas na figura 14C, e associe a etiqueta apropriada, ou seja, o smbolo
representativo (A, B ou C). S as ltimas trs linhas precisam ser classificadas, as quatro
primeiras j o foram.
A prxima etapa da classificao no supervisionada, ilustrada na figura 14D, consiste em identificar cada
uma das classes (A, B e C) em relao ao seu ambiente prprio. Para isto, podemos utilisar vrias tcnicas
como a interpretao de fotos areas ou, quando for possvel, a verificao com trabalhos de campo. Porm,
no ser necessrio cobrir a cena inteira mas apenas uma amostra de cada categoria. Uma outra vantagem
da classificao no supervisionada que ela permite a orientao do trabalho de campo (ou outra forma de
verificao) atravs da procura de lugares pequenos, prticos e representativos das classes estabelecidas.
Por exemplo, o lugar marcado por um asterisco na figura 14D timo por nos dar uma amostra de cada
classe. Geralmente, bastam alguns destes lugares para conferir a classificao e adquirir um nvel de
confiana para a cena inteira. Este mtodo pode ser usado tambm para estabelecer a preciso da
classificao.
Esta verificao pode tambm servir para a identificao de pixels que no foram classificados (como o
pixel n 4 da linha n 6 na figura 14D). A no-classificao de uma rea pode ser causada por uma falha da
tcnica ou por ruido na imagem; mas se esta rea for representativa, ela poder corresponder a um objeto
particular no terreno.
8. Otros Estudios
Grabau, W.E., "Pixel Problems", Miscellaneous Paper M-76-9 Mobility and Environmental Systems
Laboratory, U.S. Army Engineering Waterways Experiment Station, P.o. Box 631, Vicksburg,
Miss. 39180. May, 1976.
Landgrebe, D.A.. "Machine Processing for Remotely Acquired Data", LARS Information Note 031573,
Purdue University, West Lafayette, Indiana. 1973.
Lindenlaub, J. and J. Russell, "An Introduction to Quantitative Remote Sensing", LARS Information Note
ll0474, Purdue University, West Lafayette, Indiana, 1974.
Orhaug, T. and 1. Akersten, "A Workshop Introduction to Digital Image Processing, FOA Report
D-30053-El. Research Institute of Sweden National Defense, S-l04 50 Stockholm 80, Sweden.
September 1976.
Smith, J.A., L.D. Miller, and T. Ells, "Pattern Recognition Routines for Graduate Training in the Automatic
Analysis of Remote Sensing Imagery -- RECOGIl, Science Series No. 3A, Colorado State
University, Fort Collins, Colorado. February, 1972.
Temos que lembrar que esta lista foi compilada em 1978. Depois, um grande numero de documentos foram
publicados sobre o assunto. Podem se achar referencias nos jornais e livros de sensoriamento remoto, atas
de symposio e tamben no WWW.
INTRODUO S IMAGENS DIGITAIS
E S TECNICAS DE ANLISE DIGITAL:
T. T. Alfldi
Applications Division
Ottawa, Canada
FIGURA 1
Imagem digital, 2 bandas, 7 x 7, linhas intercaladas
Incio
5 3 4 5 4 5 5 5 5 4 6 7 7 7 2 2 3 4 4 4 6 2 4
6 5 5 6 5 2 2 3 3 6 6 8 5 3 5 7 6 6 8 2 2 6 6
9 8 7 3 4 5 6 8 8 7 3 6 8 8 8 7 4 3 5 8 8 8 7
1 3 6 8 7 2 3 2 4 5 8 7 1 0 0 4 6 7 3 3 2 1 3
6 7 0 0 0 0
Fim
FIGURA 2
Imagem digital na forma geomtrica apropriada.
PIXELS PIXELS
1 2 3 4 5 6 7 1 2 3 4 5 6 7
L 1 L 1
I 2 I 2
N 3 N 3
H 4 H 4
A 5 A 5
S 6 S 6
7 7
BANDA A BANDA B
FIGURA 3
Mapas de nveis de cinza.
PIXELS PIXELS
1 2 3 4 5 6 7 1 2 3 4 5 6 7
L 1 L 1
I 2 I 2
N 3 N 3
H 4 H 4
A 5 A 5
S 6 S 6
7 7
BANDA A BANDA B
FIGURA 4
Perfil de intensidade
I BANDA A I BANDA B
N 9 N 9
T 8 T 8
E 7 E 7
N 6 N 6
S 5 S 5
I 4 I 4
D 3 D 3
A 2 A 2
D 1 D 1
E 0 E 0
1 2 3 4 5 6 7 1 2 3 4 5 6 7
No do PIXELS No do PIXELS
FIGURA 5
Histograma unidimensional
BANDA A BANDA B
o
N 1 N 1
o
1 1
1 1
0 0
d 9 d 9
e 8 e 8
7 7
P 6 P 6
i 5 i 5
x 4 x 4
e 3 e 3
l 2 l 2
s 1 s 1
0 0
0 1 2 3 4 5 6 7 8 9 0 1 2 3 4 5 6 7 8 9
Nvel de intensidade Nvel de intensidade
Soma = Soma =
FIGURA 6
Histograma bidimencional
Banda B
Intensidade
9
//// /
8
////
7
//
6
///
5
/ /
4
/ / /
3
2
/ /
1
/ // ///
0
0 1 2 3 4 5 6 7 8 9
Banda A Intensidade
FIGURA 7
Histograma bidimencional
Banda B
Intensidade
9
8
7
6
5
4
3
2
1
0
0 1 2 3 4 5 6 7 8 9
Banda A Intensidade
FIGURA 8
Mapa de controle no campo: Mata
PIXELS
1 2 3 4 5 6 7
L 1 F
I 2 F
N 3
H 4 F
A 5
S 6
7
PIXELS
1 2 3 4 5 6 7
L 1
I 2
N 3
H 4
A 5
S 6
7
FIGURA 9B
Mapa florestal em Banda B
PIXELS
1 2 3 4 5 6 7
L 1
I 2
N 3
H 4
A 5
S 6
7
FIGURA 10A
Parte do espao espectral representando a mata
BandA B
Intensidade
9
8
7
6
5
4
3
2
1
0
0 1 2 3 4 5 6 7 8 9
Banda A Intensidade
FIGURA 10B
Representao da Mata em banda A e B
PIXELS
1 2 3 4 5 6 7
L 1
I 2
N 3
H 4
A 5
S 6
7
FIGURA 11A
Mapa de controle no campo: tipo de mata
PIXELS
1 2 3 4 5 6 7
L 1 D D D D D
I 2 C D
N 3 C C D
H 4 C C
A 5 C
S 6 C
7 C
C = conferas
D = caduciflias
FIGURA 11B
Identificao dos tipos de mata no espao espectral
Banda B
Intensidade
9
8
7
6
5
4
3
2
1
0
0 1 2 3 4 5 6 7 8 9
Banda A Intensidade
FIGURA 12A
Cena #2, Banda A
PIXELS
1 2 3 4 5 6 7
L 1 3 4 1 1 2 2 2
I 2 4 4 4 2 1 2 2
N 3 3 3 5 2 2 2 2
H 4 5 5 2 2 2 2 2
A 5 4 5 5 2 2 2 2
S 6 4 3 3 4 4 5 5
7 5 5 3 4 4 5 4
FIGURA 12B
Cena #2, Banda B
PIXELS
1 2 3 4 5 6 7
L 1 7 7 0 0 0 3 3
I 2 7 7 6 0 0 3 4
N 3 4 4 7 1 1 3 4
H 4 7 7 4 4 3 4 4
A 5 6 7 7 4 5 5 5
S 6 7 5 5 5 7 7 6
7 7 6 6 7 7 7 7
FIGURA 12C
Cena #2, Espao espectral
Banda B
Intensidade
9
8
7 D D D
6 D D
5 C D
4 C C Assinaturas
Espectrais
3 C C C Rectangular
2
1
0
0 1 2 3 4 5 6 7 8 9
Banda A Intensidade
FIGURA 12D
Cena #2, Theme Map xxx
PIXELS
1 2 3 4 5 6 7
L 1
I 2
N 3
H 4
A 5 D D D C C C C
S 6 D D D D
7 D D D D D D
C = conferas
D = caduciflias
FIGURA 13A
Cena #2, Banda B, Histograma unidimencional
17
16
N 15
o
14
d 13
e 12
11
P 10
i 9
x 8
e 7
l 6
s 5
4
3
2
1
0 1 2 3 4 5 6 7 8 9
Banda B Intensidade
FIGURA 13B
Cena #2, Histograma bidimencional.
Banda B
Intensidade
9
caduciflia
8
7 1 8 8
6 1 2 2
5 3 2 1
4 7 2
3 5
2
conferas
1 2
0 3 2
0 1 2 3 4 5 6 7 8 9
Banda A Intensidade
FIGURA 14A
Cena #2, Espao espectral
Banda B
Intensidade
9
8
7 1 8 8
6 1 2 2
5 3 2 1
4 7 2
3 5
2
1 2
0 3 2
0 1 2 3 4 5 6 7 8 9
Banda A Intensidade
FIGURA 14B
Cena #2, Espao espectral
Banda B
Intensidade
9
8
7
6
5
4
3
2
1
0
0 1 2 3 4 5 6 7 8 9
Banda A Intensidade
FIGURA 14C
Cena #2, Espao espectral.
Banda B
Intensidade
9
8
7
6
5
4
3
2
1
0
0 1 2 3 4 5 6 7 8 9
Banda A Intensidade
FIGURA 14D
Cena #2, Classificao no supervisionada
PIXELS
1 2 3 4 5 6 7
L 1 A A C C C B B
I 2 A A A C C B B
N 3 B B A C C B B
H 4 A A B B B B B *
A 5
S 6
7