Universidade de Brasília

Instituto de Geociências
Especialização em Geoprocessamento e Análises ambientais

Extração de rodovias pavimentadas em imagens

digitais de alta resolução de áreas urbanas baseada em
análise orientada a objeto

Lucas Tavares Sobral

Artigo de conclusão do Curso de Especialização

Orientador: Prof. Dr. Henrique Lacer Roig

Brasília, DF
2013

1
 EXTRAÇÃO DE RODOVIAS PAVIMENTADAS EM
IMAGENS DIGITAIS DE ALTA RESOLUÇÃO EM
ÁREAS URBANAS BASEADA EM ANÁLISE
ORIENTADA A OBJETO

Lucas Tavares Sobral

Instituto de Geociências, Universidade de Brasília – UnB, Brasília, Brasil –

lucasobral@gmail.com

Orientador: Henrique Lacer Roig

Abstract:

The automated processes of feature extraction in remote sensing images constitutes

on analysis tools that provide important informations on land cover management in
urban space. Based on simple routines it favor speed and efficiency strategies for
decision making and intervention in infrastructure.

It was performed an supervised classification of high resolution image-based object-

oriented analysis, combined with a vectoring axle of the extracted roads from the
resulting raster to create a shapefile from the road network of the high spatial resolution
image.

The metodology did not obtained accurate results, however methods that can refine the
process and produce more accurate results in future work were raised during research.

Resumo:

A automação dos processos de extração de feições em imagens de sensoriamento

remoto constitui uma das ferramentas de análise das informações sobre a cobertura
do solo importante para a gestão do espaço urbano. Baseada em rotinas simples,
favorecem a rapidez e a eficiência nas estratégias para tomada de decisão e
intervenção na infraestrutura.

Utilizando uma classificação de imagem de alta resolução baseada em análise

orientada a objeto, combinada com uma vetorização do eixo das rodovias extraídas a
partir do raster resultante, gerou-se um arquivo shapefile das linhas centrais de parte
das rodovias da imagem utilizada.

A metodologia utilizada não favoreceu a obtenção de resultados contundentes, no

entanto, foram levantados durante o processo de pesquisa, outros métodos que
podem refinar o processo e produzir resultados mais acurados em trabalhos futuros.

2
 1. Introdução discretização de objetos de menores
dimensões, informações sobre
Os processos de tomadas de decisão, características espectrais dos objetos
principalmente no âmbito da gestão urbanos podem contribuir para
pública, devem ser pautados por incrementar o processo de
análises que descrevem a situação classificação. Segundo Freitas (1997)
atual e possibilitam a integração de apud Meneses (2012), além de uma
diferentes dados para ações de resolução de 2 a 3 metros de pixel,
planejamento. No planejamento necessária para identificar uma
urbano, há a necessidade da construção residencial, uma boa
compilação de informações sobre resolução espectral contribui para a
infraestrutura, principalmente relativas diferenciação das diferentes feições no
à malha viária. Processos que facilitam espaço intra-urbano devido à alta
a aquisição desses tipos de dados diversidade dos materiais que
devem ser desenvolvidos a fim de constituem a cobertura do solo.
automatizar as rotinas de Alguns sensores de alta resolução
processamento. O presente trabalho se espacial funcionam com dois módulos
propõe a testar uma metodologia de de imageamento, um multiespectral
extração de feições lineares com resolução espacial de até 2 metros
correspondentes às rodovias e um pancromático com resolução
pavimentadas em um processo de submétrica.
análise orientada a objeto em imagens
digitais de alta resolução em um
cenário urbano.

1.1. Imagens de alta resolução

espacial

Com a evolução dos equipamentos

sensores, as imagens orbitais, com
resoluções espaciais submétricas,
proporcionaram uma nova abordagem
nos estudos de sensoriamento remoto Fig. 1. Composição RGB da cena em alta
resolução.
e processamento de imagens.
Principalmente nos estudos de áreas
A partir daí, existem inúmeras
urbanas, onde a complexidade do
técnicas para se extrair dados nas
cenário precisa ser resolvida com a
mais diferentes análises que, segundo

3
 Leonardi et all. (2005), combinam representando decisões quantitativas
imagens de diferentes características sobre padrões de cobertura de solo
espectrais e espaciais para sintetizar baseado em suas características
uma nova imagem que destaque espectrais, espaciais e temporais
melhor as feições de interesse. (Nóbrega 2007).
No caso particular de extração de
1.2. Extração de feições rodovias, surgiram alguns métodos na
literatura. Dal Poz (2007) cita
Dal Poz (2007) considera a tarefa de estratégias semi-automáticas baseadas
extração de feições, ser composta por em contorno ativo snakes, otimização
duas etapas: delineamento e por programação e programação
reconhecimento. Nos métodos de dinâmica; e automáticas, que utilizam
extração de feições automáticos, informações contextuais e
ambas as etapas são desempenhadas conhecimentos a priori sobre as
sem a necessidade de um analista e rodovias. Dados de altitude obtidos por
nos processos semi-automáticos seu sensores ativos como Radares ou
conhecimento sobre o objeto é Lasers podem ser integrados para
relevante para o reconhecimento do incorporar aos algoritmos de extração,
alvo. No entanto, nenhuma das modelos digitais de elevação e
técnicas semi ou automáticas provaram imagens digitais (Martins et all 2012).
ser mais acuradas do que a visão Nobrega (2007) descreve uma
humana. É desejável que os métodos metodologia baseada em classificação
de extração de feições tenham o maior orientada a objeto que considera não
nível de automação possível, já que é apenas a resposta espectral, mas
grande a quantidade de dados identifica objetos por similaridade na
envolvidos em análises de imagens resposta espectral dos pixels que os
digitais de alta resolução. Para que compõem e os correlaciona com
haja eficiência na atualização dos atributos espaciais como forma e
bancos de dados, têm-se desenvolvido vizinhança.
técnicas para que o tempo de
processamento dessas informações 1.3. Análise Orientada a
seja o menor possível, mantendo a Objeto
qualidade.
A partir da identificação dos alvos é Apesar das evoluções na qualidade e
possível agrupá-los em classes de precisão na aquisição dados de
interesse. A classificação é utilizada sensoriamento remoto, a classificação
para o mapeamento temático pontual baseada no padrão da

4
característica espectral do pixel remete especificação dos objetos de interesse,
a um conceito básico do começo do a segmentação, a definição de regras
desenvolvimento das técnicas de de classificação e a classificação em si,
processamento de imagem. Os fundamentada nas correlações intra e
modelos que recorrem a técnicas interobjetos (Nóbrega 2007).
baseadas em informações pontuais dos
pixels favorecem a definição de classes 2. Materiais e Métodos
descontínuas produzindo o efeito Salt
and Peper. Novas análises 2.1. Imagem do WorldView II
incorporando dados espaciais
incrementam o processo de Para testar a metodologia, foram
classificação na identificação de alvos utilizadas recortes de duas imagem de
no tecido urbano. Recentes trabalhos alta resolução espacial do sensor
apontam a análise de imagens orbital WorldView II: uma imagem
baseada em objetos, em inglês, Object pancromática (resolução espacial de
Based Image Analisys (OBIA), como 0,5 m) e uma imagem multiespectral
uma metodologia para se processar com quatro bandas espectrais: 450-
imagens multiespectrais de alta 510 nm (azul) ;510-580 nm (verde);
resolução pela sua capacidade de 630-690 nm (vermelho); e 770–895
discriminar elementos em cenários (infravermelho próximo) (resolução
complexos como o urbano (G.J. Hay & espacial de 2,0 m); de 12 de maio de
G. Castilla, 2006). 2007 na cidade de Ceilândia, DF.
G.J. Hay & G. Castilla (2006) também
definem que a OBIA é uma disciplina
que visa particionar imagens de
sensores remotos em objetos
relevantes e acessar suas
características em escalas espacial,
temporal e espectral. Seu objetivo é
desenvolver uma metodologia
apropriada o bastante para replicar a
capacidade da visão humana em Fig. 2. Recorte da imagem WordView II utilizado
reconhecer objetos de forma semi ou no trabalho (Composição RGB: 321).

automática, diminuindo o custo e o

tempo de processamento. A área original de imagem era de

A classificação orientada a objeto tem aproximadamente 52 quilômetros

como procedimentos básicos a quadrados, mas o recorte utilizado

5
compreende uma área de 3,5 EX para a filtragem de dados sobre
quilômetros quadrados. A área foi áreas que não seriam classificadas,
escolhida por representar uma diminuindo a confusão no delineamento
complexa cena urbana, um bom automático dos objetos de classes na
exemplo para verificar a robustez do classificação final.
método.

2.2. ENVI 4.8

O software ENVI 4.8 se apresenta

como uma solução para extração de
informação de imagens digitais
georreferencidas. Neste trabalho foi
utilizada a ferramenta NDVI do menu
Transforms para extrair uma máscara Fig. 3. Máscara aplicada sobre composição
da área coberta por vegetação RGB: 321.

fotossintéticamente ativa. As operações

de transformação consistem na
mudança dos valores dos dados da 2.3. ENVI Feature Extraction

imagem para melhorar a apresentação Module

da informação (ITT 2009). O NDVI é

um índice normalizado composto por Apesar de haver metodologias que

uma operação entre as bandas do apresentavam resultados melhores, o

vermelho (RED) e do infravermelho conhecimento necessário para

próximo (NIR) a fim de atribuir valores aplicação de tais modelos demandava

entre -1 e 1, correspondentes à uma pesquisa extensa e consulta a

presença, ou não, de vegetação. O especialistas familiarizados com tais

algoritmo padrão é representado pela linguagens. Optou-se pelo software

função: Envi EX pela praticidade da interface

NDVI= (NIR – RED / NIR + RED) na inserção de parâmetros para

Através de amostragem visual na diferenciar as classes de objetos e que

imagem multiespectral, pôde-se atribuir não demanda apurados conhecimentos

valores entre 0,2 e 1 como áreas de programação em SIG.

cobertas por vegetação. Foi então O ENVI Feature Extraction (FX) é um

exportada a máscara em formato Tiff módulo do software ENVI EX para

para ser utilizada no módulo de extração de informação de imagens de

extrações de feição do software ENVI alta resolução pancromáticas ou

6
multiespectrais baseado em definido pelo operador. (ITT 2008).
características espectrais, espaciais e Quanto maior o valor utilizado na
texturais. A interface intuitiva permite o segmentação, menor o número de
emprego de mais esforço interpretando segmentos gerados nesta etapa. O
resultados do que entendendo os valor estipulado para a segmentação,
detalhes de processamento. Na neste trabalho, foi de 35.0.
abordagem de análise orientada a
objeto para classificar imagens, o
software extrai múltiplas feições
definindo objetos como regiões de
interesse de acordo com suas
características espaciais, espectrais e
texturais (ITT 2008).
O processo de extração pode ser
simplificado pelo fluxograma abaixo:

Fig. 5. Janela de pré-visualização do ENVI FX.

durante segmentação.

O passo subsequente é a fusão de

segmentos menores relacionados, o
que resolve problemas onde há maior
heterogeneidade de textura, como
árvores ou campos (ITT 2008). Nesta
etapa, o parâmetro inserido foi um
merge de 80.0
Na fase de refinamento, a utilização de
um threshold na banda do
infravermelho próximo, filtrando valores
digitais acima de 95.0 e abaixo de 20.0,
possibilitou a construção de outra
Fig. 4. Workflow do módulo ENVI FX (ITT 2008).
máscara, filtrando alguns objetos das
classes de telhados brancos,
A segmentação da imagem em regiões
cerâmicos e solo exposto.
de pixels com valores similares é
A última etapa da fase de delineamento
realizada por um algoritmo de
de objetos é a computação de atributos
identificação de bordas que elimina as
que define, dentre os espaciais,
bordas fracas em função de parâmetro
espectrais e de textura, quais serão

7
utilizados para a classificação; assim O método de conjuntos de regras utiliza
como o color space que consiste nos operadores baseados em lógica fuzzy
atributos de matiz, saturação e que definem o grau de pertinência para
intensidade. cada objeto em relação cada classe
determinada e os classifica em função
da que houver maior valor de confiança
(ITT 2008).
A classificação supervisionada,
utilizada neste trabalho, consiste no
processo da utilização de conjuntos de
objetos com identidades conhecidas
para servirem referência para a
classificação dos outros objetos da
imagem e categoriza-los entre as
classes pré-definidas (ITT 2008).
Fig. 6. Passo de refinamento: Theshold na Após a filtragem de dados utilizando as
banda do infravermelho próximo. máscaras do NDVI e do refinamento
por threshold, as classes definidas
O band ratio, é uma razão normalizada
foram: rodovias pavimentadas,
entre duas bandas da imagem
rodovias sujas, estacionamentos, solo
multiespectral, definida pela equação:
exposto, sombra, telhado de concreto,
(B2 – B1)/ (B2 + B1 + eps),
telhado cerâmico e telhado metálico ou
onde eps é um valor pequeno para
branco.
evitar a divisão por zero (ITT 2008).
Como a máscara da vegetação já havia
sido inserida como dado auxiliar no
início do processo, o atributo de band
ratio não contribuiu significativamente
para diferenciar os objetos. No entanto,
todos os atributos foram computados.
A partir da computação de atributos e
delineamento dos objetos, a próxima
fase do workflow consiste na
Fig. 7. Classificação supervisionada: rodovias
classificação dos mesmos. O ENVI FX
pavimentadas (vermelho); rodovias sujas
apresenta dois métodos de (verde); solo exposto (amarelo);
classificação: supervisionada e estacionamentos (azul); telhados de

baseada em regras. concreto/amianto (rosa); telhados cerâmicos

8
(azul-escuro); telhados metálicos/brancos escaneados ou, neste caso, uma
(verde-escuro); sombras (ciano).
imagem reclassificada.

O algoritmo de classificação foi o K-

Nearest Neigbor, com parâmetro 3, que
se baseia na distância euclidiana dos
objetos mais próximos para definir por
voto majoritário a que classe o exemplo
desconhecido vai pertencer.

2.4. Módulo ArcScan para ArcGis

Fig. 8. Imagem reclassificada
Desktop 10

O módulo de Raster Cleanup consite

O raster resultante da classificação foi
em operadores morfológicos que
então reclassificado, utilizando a
processam o raster a fim de refinar os
ferramenta Reclassify da extensão
polígonos extraídos, diminuindo ruídos
Spatial Analyst que atribui novos
dentro e fora das rodovias
valores para os pixels de uma imagem
identificadas.
redefinindo o número digital de saída
Primeiramente, foi utilizado o operador
de acordo com definição do usuário.
Erosion para reduzir a largura das
Nesta etapa, aos pixels das classes
linhas mantendo a orientação original
com valores de 1 e 2, rodovias
das rodovias na imagem original (ESRI
pavimentadas e rodovias sujas,
2011). Com isso, alguns polígonos
respectivamente, foi atribuído valor
identificados como ruídos foram
igual a 1. Às outras classes, solo
eliminados. Em seguida, o operador
exposto (3), sombra (5),
Dilation foi utilizado para aumentar a
estacionamentos (4), e os três tipos de
espessura das feições lineares e fechar
telhados (5, 6 e 7) foi atribuído valor 0.
buracos na malha, geralmente
O resultado foi uma imagem binária, o
resultantes da confusão do
formato ideal para a extração das
classificador ou presença de veículos e
linhas centrais das rodovias extraídas.
vegetação que se projetam sobre as
O ArcScan é uma extensão do software
vias.
ArcGis Desktop 10 que traz uma
A vetorização automática foi feita a
variedade de operadores que editam
partir desta imagem binária tratada. O
raster datasets e convertem imagens
módulo de vetorização também requer
binárias em vetores (ESRI 2011). Pode
uma definição de parâmetros para
ser utilizada para vetorizar mapas
linearizar as feições do raster.

9
 o definido são classificados como
polígonos e excluídos da vetorização; o
nível de ruído do raster tratado; a
tolerância de compressão, relativa ao
número de vértices da linha resultante;
a suavização do traçado; a tolerância
de espaços entre as linhas; o ângulo de
busca para conexão de extremidades;
o tamanho de buracos a serem
Fig. 9. Operadores morfológicos utilizados
desconsiderados; e o tratamento das
(Nóbrega 2007).
esquinas que consistiu em definir o

A janela de Vectorization Settings começo e o final dos segmentos

permite a manipulação dos parâmetros concorrentes nos seus pontos de

de vetorização fornecendo uma intersecção.

conferência simultânea de cada

alteração de valor no resultado por uma 3. Resultados
pré-visualização, tornando o processo
interativo e dinâmico. Durante o processo de extração houve
constantes releituras dos resultados
parciais e retomada da definição
anterior de parâmetros das ferramentas
de processamento. No entanto, alguns
problemas não puderam ser
contornados com os dados utilizados.
Um deles foi o problema de
identificação de objetos. A similaridade
da resposta espectral de alvos distintos
como asfalto e telhados de concreto ou
amianto, vias sujas e solo exposto,
culminou no agrupamento de pixels de
identidades diferentes na fase de
Fig. 10. Aba de ajustes da vetorização do
ArcScan. delineamento dos objetos,
comprometendo a identificação da
Nesta janela define-se o modelo de descontinuidade dos alvos
generalização para intersecções; a relacionados a classes de objetos do
largura máxima das linhas a serem mundo real. Nos aglomerados
vetorizadas, onde valores maiores que residenciais ou nas éreas onde a via

10
estava coberta por sedimentos, a resultado, a resolução da imagem
segmentação misturou pixels de permite a discretizaçao dos objetos de
objetos vizinhos assim como a fusão interesse por análise visual nas
dos segmentos uniu objetos distintos, diferentes composições do espaço
alterando os padrões de formas dos RGB e índice normalizado de
alvos. vegetação para separar essa classe de
Outro fator que limitou o poder de cobertura do solo.
extração do processo foi o grande O processamento da imagem
número de sobreposições nas classificada, dentro da extensão
rodovias. Seja por árvores cujas copas ArcScan e extração das feições
avançam sobre as vias, carros ou lineares ficaram comprometidos em
sombras projetadas por edificações virtude da falta de consistência no dado
adjacentes, resultando, da classificação. Mesmo aumentando
inevitavelmente, em descontinuidades os parâmetros de busca de segmentos
e descaracterizações da malha viária próximos do programa para sanar
em diversas situações. problemas de descontinuidade da
malha, ainda sim, as falhas na
vetorização permaneciam.

Fig. 11. Descontinuidade na malha viária

causadas por sobreposição de sombra (a) e Fig. 12. Sobreposição do resultado da
árvores (b). vetorização do eixo das rodovias com a
composição RGB: 321.
A máscara de vegetação, gerada pela
subtração dos pixels que foram 4. Conclusão e estudos
identificados como algum tipo de futuros
vegetação provou ter sido eficiente na
filtragem de objetos que poderiam Em função dos resultados obtidos,
interferir na diferenciação entre ficou claro que a metodologia
classes. Apesar da falta de um dado desenvolvida não tem a capacidade de
primário que corrobore com o resolver uma cena urbana complexa

11
isolando um tipo de feição. As como análise de correlação linear para
informações compiladas não foram estimar a precisão da extração da
suficientes para separar as rodovias malha viária e quantificação dos erros
num cenário tão complexo. No entanto, de omissão e comissão, descritos em
a extração de feições baseada a Nóbrega (2007). A mera análise visual,
análise orientada a objetos pode ser neste artigo foi suficiente para
incrementada com a integração de desconsiderar a metodologia como
outros dados auxiliares. Assim como uma forma precisa na extração das
mencionado na fundamentação teórica, rodovias porque as áreas classificadas
modelos digitais de terreno agregam erroneamente foram muito
informações de textura e altitude (Dal significativas. Após o refinamento do
Poz et all, 2012). A utilização de processo, e se esse demonstrar maior
índices como o Indice normalizado de robustez em atingir a meta da análise,
rodovias (NRI – Normalized Road testes mais acurados podem ser
Index) ou Indicador de sombra , na fase necessários para avaliar o sucesso da
de pré-processamento (Nóbrega 2007). nova proposta, fator importante para
Um dos pontos onde houve confusão validar a qualidade do processamento.
por parte do algoritmo de separação de A ideia de testar uma rotina simples
objetos foi a confusão entre sombra e para aquisição de informações sobre o
rodovias mais emborrachadas, portanto espaço urbano mostrou-se ser uma
mais escuras. O realce destes objetos questão complexa em que há a
poderia ser utilizado em trabalhos necessidade de mais dados para
futuros para destacar as feições de explorar o universo multidimensional
interesse. O autor deste trabalho dos atributos dos objetos em uma
também propõe uma análise de imagem de alta resolução para ser
componentes principais da imagem eficiente.
multiespectral na definição de planos
de informação a fim de separar os Bibliografia
alvos por meio de classificação
orientada a objeto baseada em um DAL POZ, A. P. ; ZANIN, R. B. ; VALE,
conjunto de regras a cerca das G. M. Extração automática de
características espectrais, espaciais e feições rodoviárias em imagens
texturais dos objetos. Demandam-se digitais. SBA. Sociedade Brasileira
assim, mais conhecimentos do de Automática, v. 18, p. 44-54, 2007.
operador. ESRI. Arcgis 10 help. 2011.
Outros métodos de análise de FREITAS, M.A. O uso de imagens de
resultados podem ser empregados satélite na análise dos padrões de

12
 verticalização em áreas e um MDT. Boletim de Ciências
metropolitanas: estudo de caso: São Geodésicas (Online), Universidade
Paulo. 1997. In: Meneses, P. R.; de São Paulo, USP, Brasil, 2012. v.
Almeida, T. (Org.). Introdução ao 18, p. 446-463.
processasmnto de imagens de NOBREGA R. A. de A. Detecção da
sensoriamento remoto. Brasília: malha viária na periferia urbana
UNB, 2012, 266p. de São Paulo utilizando imagens
HAY, G. J.; CASTILLA, G.C. Object- de alta resolução espacial e
Based Image Analysis: strengths, classificação orientada a objetos.
weaknesses, opportunities and Tese de Doutorado. Escola
threats (SWOT). Bridging Remote Politécnica da Universidade de São
Sensing and GIS: International Paulo, São Paulo, 2007.
Symposium on Object-based Image
Analysis. Salzburg Center for
Geoinformatics. International
Archives of the Photogrammetry,
Remote Sensing and Spatial
Information Science, 2006. Com VI,
WG VI/4, 5p.
ITT: Visual information solution. ENVI
Feature Extraction Module User’s
guide. 2008.
ITT: Visual Information Solution. ENVI
EX User’s Guide. Dezembro, 2009.
LEONARDI, S. S.; ORTIZ, J. de O.;
FONSECA, L. M. G. Comparação
de técnicas de fusão de imagens
para diferentes sensores orbitais.
Anais XII Simpósio Brasileiro de
Sensoriamento Remoto, Goiânia,
Brasil, 16-21 abril 2005, INPE, p.
4111-4113.
MARTINS, E. F. de O; DAL POZ, A. P.;
ZANIN, R. B. Extração
semiautomática de rodovias no
espaço-objeto: uso integrado de
um estereopar de imagens aéreas

13