Apresentação IPI

INTRODUÇÃO AO
PROCESSAMENTO DE
IMAGENS DE
SENSORIAMENTO REMOTO
prof. Paulo Roberto Meneses IG/UnB

ALGUNS CONCEITOS BÁSICOS SOBRE
IMAGEM DIGITAL
1. PIXEL OU TAXA DE AMOSTRAGEM
2. DISCRETIZAÇÃO DA IMAGEM DIGITAL
3. QUANTIZAÇÃO DOS NÚMEROS DIGITAIS
4. RESOLUÇÕES E SUAS INTERRELAÇÕES

COMO DESIGNAR UM PIXEL NA IMAGEM
A imagem é um arranjo de números com índices i e j. Os valores destes
números são os pixels, arranjados em linhas e colunas,
convencionalmente numerados de (1,1) no canto superior esquerdo a
(N,M) no canto inferior direito, e só assume números inteiros reais
Por definição PIXEL é uma taxa de amostragem da intensidade da radiação
eletromagnética que deixa uma pequena área da superfície terrestre
colunas
12. . . . . M y
x
linhas 1
2
..
.
N
(0,0) x
y notação cartesiana contínua

IMAGEM DIGITAL DISCRETIZADA
SÓ ASSUME VALORES INTEIROS TANTO EM COORDENADAS
ESPACIAIS(x,y) COMO EM NÚMEROS DIGITAIS
45 49 46 92 96 93
função imagem f (x,y)
44 47 94 98 91 98
43 45 23 26 84 81 em todas as imagens
de sensoriamento
remoto um número
45 21 22 82 80 88
digital (ND) alto é
245 124
mostrado como um
43 44 82 80
pixel com nível de cinza
claro e um ND baixo
45 40 13 77 76 72
como um pixel escuro

TAXA DE AMOSTRAGEM
O PIXEL É NA REALIDADE UMA TAXA DE AMOSTRAGEM, MAS EM
IMAGENS ÓPTICAS TAMBÉM DEFINE A RESOLUÇÃO ESPACIAL
1m 2m
20 cm 50 cm

QUAL DEVE SER O NÍVEL DE QUANTIZAÇÃO DA
IMAGEM ?
O NÍVEL DE QUANTIZAÇÃO DE UMA IMAGEM DEPENDE DE

SUA RESOLUÇÃO ESPACIAL
NQ 8 28 = 256 níveis de cinza 0 – 255 0 0 1 0 1 1 0 1

(bit de 8 bits – 1 byte)
8 BITs é o nível de quantização para imagens com baixa resolução espacial

de dezenas de metros tipo LANDSAT : escala de observação regional
NQ 10 210 = 1024 níveis de cinza 0 – 1023 0 0 1 1 0 0 0 1 0 1
(bit de 10 bits – float point)
10 BITs é o nível de quantização para imagens com alta resolução espacial

de poucos metros tipo IKONOS : escala de observação detalhada

IMAGENS QUANTIZADAS EM DIFERENTES BITS
E COM A MESMA RESOLUÇÃO ESPACIAL
8 bits 6 bits
4 bits 2 bits

IMAGENS QUANTIZADAS EM DIFERENTES BITS
E COM DIFERENTES RESOLUÇÕES ESPACIAIS
11 BITS – 1m 10 BITS – 10m 8 BITS – 30m
IKONOS SPOT LANDSAT

FLUXO DO PROCESSAMENTO DE IMAGENS
IMAGEM
DIGITAL
PRÉ-PROCESSAMENTO
(correções radiométricas dos dados)
(correções geométricas dos dados)
TÉCNICAS DE TÉCNICAS DE
TRANSFORMAÇÃO CLASSIFICAÇÃO TEMÁTICA
(no domínio espectral) (supervisionadas)
(no domínio espacial) (não supervisionadas)

PRÉ-PROCESSAMENTO DE IMAGENS
TODAS AS IMAGENS DE SENSORIAMENTO REMOTO

POSSUEM DISTORÇÕES DOS DADOS EM MENOR OU MAIOR
GRAU
1- DISTORÇÕES RADIOMÉTRICAS - TÊM COMO PRINCIPAIS

FONTES A INTERFRÊNCIA DA ATMOSFERA
2- DISTORÇÕES GEOMÉTRICAS - TÊM COMO PRINCIPAL

FONTE DE DISTORÇÃO A VISADA NÃO VERTICAL DO
SENSOR.

CORREÇÃO DE DISTORÇÃO RADIOMÉTRICA
efeito do espalhamento atmosférico
O espalhamento da REM pela atmosfera adiciona um valor de brilho à

reflectância do alvo medida pelo sensor que diminui o contraste da
imagem
Lsensor = Lalvo + Latm

reflectância
aditiva da efeito aditivo
atmosfera
O2
reflectância alvo
fora campo visada

MÉTODO EMPÍRICO DE CORREÇÃO ATMOSFÉRICA
( dark subtract)
No pixel
visível azul
É assumido que cada banda
da imagem para uma dada Valor de brilho
cena deveria conter alguns
pixels próximo ou com
valores de brilho Zero, mas
visível verde
que devido aos efeitos
atmosféricos foi adicionado
um valor constante a cada
banda. Consequentemente,
se os histogramas de cada
visível vermelho
banda fossem vistos, os
mais baixos valores de brilho
não seriam zero.
Identificado o valor
adicionado os histogramas visível infravermelho
devem ser deslocados para a
origem.

CORREÇÃO DA DISTORÇÃO GEOMÉTRICA
(distorções na imagem devido a visada fora do nadir)
SN/TN = θ/Tanθ
θ
β
h
Δx = β h sec2 θ
N θ =7,5º pθ = 1,02 p
T p
pθ
psec2θ visada da linha de imageamento

com o β (IFOV) constante
psecθ

DISPLAY DA GRADE DE PIXELS E A COMPRESSÃO DA
LINHA COM O IFOV CONSTANTE
Quando os dados da imagem são arranjados para formar uma imagem
os pixels são todos escritos como do mesmo tamanho no display de
imagens. Desta forma, os pixels no display são iguais ao longo da
linha enquanto as áreas equivalentes cobertas no terreno não são.
pixels
posição do pixel
IFOV
Display de grid usado Cena no terreno Imagem compressão

para construir a imagem

DISTORÇÃO DA POSIÇÃO DO PIXEL
O scanner registra os pixels a um

incremento angular constante. Entretanto,
o espaçamento efetivo dos pixels no
terreno aumenta com o ângulo de
imageamento. Desta forma, no nadir os
Linha de imageamento
centros dos pixels são espaçados p . A um
ângulo de scaneamento θ os centros dos
psec2θ pixels são espaçados psec2θ . Colocando os
p pixels num display de grade uniforme a
imagem sofre uma compressão na linha.
psecθ O cálculo da compressão, i.e. distorção, é
feito computando o arco SN.
SN/TN = θ/tan θ
No Landsat (θ/tan θ)max = 0,9936
um pixel a 92,5km do nadir estará 314 m
deslocado da posição relativa no terreno

MÉTODO DE CORREÇÃO DA DISTORÇÃO
GEOMÉTRICA
O MODELO MAIS COMUM DE CORREÇÃO GEOMÉTRICA CONSISTE
EM ESTABELECER RELAÇÕES MATEMÁTICAS ENTRE AS POSIÇÕES
DOS PIXELS NA IMAGEM E AS CORRESPONDENTES COORDENADAS
DESTES PIXELS NO TERRENO, ATRAVÉS DE MAPAS (CARTAS
TOPOGRÁFICAS).
ISSO COMPREENDE DUAS ETAPAS:
1ª - Pontos de Controle : determinação da correta localização

espacial de um pixel na imagem distorcida comparado com a sua
posição no mapa.
2ª - Reamostragem : consiste em computar o novo valor de brilho

para o pixel na imagem de saída corrigida, o que é realizado por uma
reamostragem ou interpolação de pixels da imagem original.

PONTOS DE CONTROLE NA IMAGESM
X
PONTOS NO MAPA
 Os seguintes procedimentos são adotados. Define-se dois sistemas
de coordenadas cartesianas que definem a localização dos pontos
(x,y) no mapa, e um outro sistema para a localização dos pixels na
imagem (u,v) a ser corrigida. Estes dois sistemas de coordenadas
devem ser relacionados por uma função de mapeamento espacial
f e g (polinômio) tal que:
u = f (x,y)
v = g (x,y)
x u
v
y
mapa imagem
imagem

FUNÇÕES DE MAPEAMENTO POLINOMIAL
Como as formas explícitas das funções de

mapeamento u e v raramente são conhecidas, elas
são escolhidas como sendo simples polinômios de
1º, 2º ou 3º grau. Ex. polinômio de segundo grau
u = a0 + a1x + a2y + a3xy + a4x2 + a5y2

v = b0 + b1x + b2y + b3xy + b4x2 + b5y2

CONCEITO DE POLINÔMIO
Polinômio é uma expressão matemática consistindo de variáveis e

coeficientes. Um coeficiente é uma constante, a qual é multiplicada
por uma variável na expressão.
O maior expoente do polinômio determina a ordem do polinômio.
a + bx + cx2 + dx3 +... + zxt
a, b, c, d = coeficientes
t = ordem do polinômio
Exemplo de um polinômio de 3a ordem para x e y
x0 = 5 + 4x – 6y + 5xy + 10x2 + 1y2 + 3x3 + 7x2y – 11xy2 + 4y3

y0 = 13 + 12x + 4y + 21xy 1x2 + 1y2 – 1x3 + 2x2y + 5xy2 + 12y3
Número de coeficientes = (t+1) . (t+2)

USO DO POLINÔMIO PARA TRANSFORMAR AS
COORDENADAS DA IMAGEM
 As equações polinomiais são usadas para
converter as coordenadas de arquivo fonte
(imagens) em coordenadas de mapa,
retificadas. Dependendo da distorção da
imagem, o número de GCP’s usados, exige
que equações polinomiais complexas sejam
necessárias para a transformação.
 Normalmente, transformações de 1a e 2a coordenadas
GCP
ordem são usadas nas imagens de de referência
sensoriamento remoto de baixa resolução - mapa
espacial, visto quer as suas distorções
geométricas não são tão grandes
 A curva traçada na figura seria aquela que se
ajusta melhor aos pontos de controle. Como coordenadas
é uma parábola, a equação polinomial que a fonte- imagem
descreve seria de segunda ordem.
 A distância entre a coordenada de referência
do GCP e a curva é chamada de erro RMS
(root mean square)

SELEÇÃO DOS PONTOS DE CONTROLE
 SUFICIENTES PCs DEVEM SER SELECIONADOS PARA GARANTIR
QUE POLINÔMIOS DE MAPEAMENTO ACURADOS SEJAM GERADOS
 REGRA GERAL É QUE PCs SEJAM SELECIONADOS EM VOLTA DAS
MARGENS DA IMAGEM COM PONTOS ESPALHADOS NO INTERIOR
3ª ordem passa mais

melhor 3ª ordem próximas aos pontos. Mas se
melhor 1ª ordem mais valores de x fossem
plotados, é pressumível que a
melhor 2ª ordem tendência dos pontos
seguiria mais próxima à reta
da 1ª ordem, enquanto a
curva de 3ª ordem se
desviaria dessa tendência.
Isso é essencial na correção
dos dados da imagem

HISTOGRAMAS
Histograma descreve a distribuição estatística dos pixels das
imagens em termos do número de pixels de cada ND.
É calculado simplesmente contando o número de pixels em
cada ND e dividindo pelo número total de pixels da imagem
Histogramas de grandes
imagens são tipicamente
unimodais, com um extenso
rabo em direção aos ND mais
altos

FORMAS DE HISTOGRAMAS
SIMÉTRICO ASSIMÉTRICO BIMODAL

FORMAS DE AMPLIAÇÃO HISTOGRÂMICA PARA
REALÇAR O CONSTRASTE DAS IMAGENS
Há diferentes opções para se realçar o contraste dos níveis de

cinza das bandas de um sensor, o que é feito banda a banda
Normalmente denomina-se este tipo de realce de AMPLIAÇÃO
HISTOGRÂMICA, em inglês, CONTRAST STRETCH
1. LINEAR (função matemática)

2. LINEAR POR PARTES (função matemática)
3. GAUSSIÂNICO (função estatística)
4. EQUALIZAÇÃO (função estatística)
É uma forma de processamento interativa com o usuário

1- AMPLIAÇÃO LINEAR
Para melhorar o contraste da imagem que tenha um histograma com uma
forma mais simétrica, reescalona-se a amplitude de cada pixel por um
regra básica linear de modificação do histograma.
O número de pixels contínua igual, apenas expandido linearmente para o
intervalo de 0-255
f(x) = ax +b 255
y= ax + b
Vbs = 255 (Vbe - Min)

Max – Min imagem
de saída
Vbs = valor de brilho de saída
Vbe = valor de brilho de entrada
b
Max = valor de brilho máximo 0
a
Min = valor de brilho mínimo 0 40 185 255
imagem de entrada

CALCULANDO O REALCE LINEAR
valores brilho < 5 - - > fixados a 0 P/ f(x,y) < 5 – - > y = 0

valores brilho > 25 - - > fixados a 255 P/ f (x,y) > 25 - - > y = 255
valores brilho > 5 e < 25 - - > expandidos entre 0-255 P/ f(x,y) [ 5,25] y =__255__(Ve – 5)
25-5
Imagem entrada Transformação linear Imagem saída realçada E S

5 0
8 38
9 64
12 89
15 127
22 216
25 255
5 8 9 12 15 22 25 0 5 25 255 0 255

IMAGEM COM REALCE LINEAR
imagem original imagem realçada

3- AMPLIAÇÃO POR EQUALIZAÇÃO
Quando o histograma da imagem é razoavelmente assimétrico, é
impossível, simultaneamente, controlar o display dos Níveis de
Cinza medianos com maior população de pixels, e a quantidade
de saturação nos extremos do histograma com menores
populações de pixels, usando uma simples transformação linear
Para este tipo de histograma, uma transformação muito usada é a
EQUALIZAÇÃO utilizando a Função de Distribuição Cumulativa
da imagem. Equalização refere-se ao fato de que o histograma da
imagem processada é aproximadamente uniforme em densidade
(número de pixels/níveis de cinza)
A EQUALIZAÇÃO tende automaticamente a reduzir o contraste
em áreas muito claras e muitos escuras, enquanto expande os
níveis médios que terão maiores contrastes

Imagem 262144 pixels/16 classes = 16384 pixels por classe
No classes No pixel por No pixel Classe imagem No pixel imagem
imagem entrada classe cumulativo saida saida
0 1311 1311 0 9176

1 2622 3933 0 22284
2 5243 9176 0 0
3 9176 18352 1 24904
4 13108 31460 1 0
5 24904 56364 3 30146
6 30146 86510 5 0
7 45875 132385 8 0
8 58982 191367 11 45875
9 48496 239863 14 0
10 11796 251659 15 0
11 3932 255591 15 58982
12 3932 259523 15 0
13 2621 262144 15 0
14 0 262144 15 48496
15 0 262144 15 22281

REALCE DE IMAGEM POR EQUALIZAÇÃO

4- AMPLIAÇÃO GAUSSIÂNICA
NA MAIORIA DOS CAMPOS DAS CIÊNCIAS E DAS ENGENHARIAS É
CONVENIENTE, MATEMATICAMENTE, ASSUMIR UMA DISTRIBUIÇÃO
NORMAL (GAUSSIÂNICA) PARA AMOSTRAS INDEPENDENTES
IDENTICAMENTE DISTRIBUIDAS
APENAS AS IMAGENS DE SENSORIAMENTO REMOTO QUE MAIS SE

APROXIMAM DE UMA DISTRIBUIÇÃO NORMAL SÃO AS BANDAS
QUE POSSUEM UMA ALTA VARIÂNCIA, OU SEJA, ALTO CONTRASTE
E QUE APRESENTAM UM HISTOGRAMA DE FORMA UNIMODAL
A GAUSSIANIDADE DE IMAGEM É TAMBÉM ASSUMIDA NA MAIORIA

DOS ALGORÍTIMOS DE CLASSIFICAÇÃO DE IMAGENS

A CURVA GAUSSIÂNICA
μ-σ μ μ +σ
A distribuição normal não é um modelo

muito apropriado para a maioria das
imagens, mas é muito usado para modelar
a distribuição dos subconjuntos de pixels
que 2tem características similares na
imagem

REALCE DE IMAGEM POR AMPLIAÇÃO GAUSSIÂNICA
IMAGEM ORIGINAL IMAGEM REALÇADA

COMPOSIÇÕES COLORIDAS COM IMAGENS
MULTIESPECTRAIS
CONVERSOR
IMAGEM DIGITAL
LUT CDA
Banda 5 IMAGEM ANALÓGICA
Canal R
R
LUT CDA G
CDA
B
Banda 4 Canal G
LUT CDA
Banda 3
Canal B

TEORIA DE COR PADRÃO RGB PARA A
CONSTRUÇÃO DE COMPOSIÇÕES COLORIDAS
R + B = MAGENTA
R + G = AMARELO
B + G = CIANO
R + G + B = BRANCO
Imagem 8 bits
2563 = 16.777.216 cores

COMPOSIÇÃO DA COR DO PIXEL
A COR DO PIXEL É PROPORCIONAL AOS VALORES DOS NDs
banda 1 cor R banda 2 cor G banda 3 cor B
255 255 0
pixel no monitor
amarelo

CORES DOS PIXELS
Red Green Blue Cor percebida

255 255 255 Branco
255 255 0 Amarelo intenso
127 127 0 Amarelo médio
255 0 255 Magenta intenso
0 255 255 Ciano intenso
127 0 127 Magenta médio
127 127 127 Cinza médio
80 80 0 Amarelo escuro
255 180 120 Bege claro

COMPOSIÇÕES COLORIDAS COM 3 BANDAS
RGB/453 RGB/435 RGB/354
45
n!
RGB/345 RGB/534 RGB/543 nPr =
(n – r)!

ARITMÉTICA DE BANDAS
DAS QUATRO OPERAÇÕES ARITIMÉTRICAS SIMPLES (+, x, /, -) A

MAIS TULIZADA COMO TÉCNICA DE PROCESSAMENTO DE
IMAGENS DIGITAIS, A FIM DE MELHORAR O CONTRASTE DAS
IMAGENS E REALÇAR ALVOS OU MATERIAIS ESPECÍFICOS
CONTIDOS NAS IMAGENS É
DIVISÃO OU RAZÃO DE BANDAS

DIVISÃO DE BANDAS
O objetivo da divisão de bandas é realçar um alvo ou objeto
específico, como a vegetação ou um tipo de rocha, corrigindo a
variação dos NDs devido a influência da topografia no ângulo de
incidência (θ) da iluminação solar
normal à superfície
normal à superfície
θ1 ≠ θ2 Raio solar de
iluminação
θ2
θ1
B faces A e B mesmo material

porém NDA diferente NDB
A

DIVISÃO DE BANDAS
Divisão ou razão de bandas consiste em dividir o ND de uma banda pelo

correspondente ND de outra banda
banda 5
DNm (x,y)
Rm,n(x,y) =
DNn (x,y)
52
banda 1 = 1,44 valor do pixel da
36
imagem de saída
a divisão resulta em ND pequenos que

precisam ser multiplicados por um valor
escalar a para recolocar os ND entre 0 a 255
Rm = a DNm + b a = ganho (amplia intervalo para 255)
DNn b = offset

O SENTIDO GEOFÍSICO DA DIVISÃO DE
BANDAS
O ND numa banda é aproximadamente a função linear da reflectância do
alvo terrestre
DNb (x,y) = ab ρb(x,y) cos [θ (x,y)] + bb
am ρm (x,y) cos [θ (x,y)] + bb

Rmn(x,y) =
an ρn (x,y) cos [θ (x,y)] + bb
Como o cos θ nas bandas m e n são iguais, na divisão são anulados, eliminando
assim o efeito da topografia no valor ND das faces opostas do relevo.
Se a imagem puder ser calibrada e corrigida do valor atmosférico aditivo bb
ρm(x,y)
Rmn(x,y) =
ρn(x,y)

O SENTIDO GEOESPECTRAL DA DIVISÃO DE
BANDAS
banda 3 banda 4
A os alvos A, B, C, apresentam
B baixos contrastes de
C
reflectâncias nas bandas 3 e 4
ρ% D
Comprimento de onda
bandas 3 4 4/3 R 4/3
A 8 43 5,4 88 a= 15
B 6 40 6,6 106 b= 7
C 5 38 7,6 121
D 13 24 1,8 34

DIVISÃO DE BANDAS COMO ÍNDICE
DE VEGETAÇÃO
banda NIR (ETM4) Banda 4 banda 3
banda R (ETM3
Bandas ETM
3 4
65%
4/3
ρ% vegetação
solo exposto
0% água
0,63 0,69 0,76 0,90 μm

NORMALIZED DIFFERENCE VEGETATION INDEX
( NDVI )
Vantagem do NDVI é que valores normalizados variam de
–1 a +1 independente da área
DN4
NDVI= 0,5 0,33 0

NDNIR - NDR
VI = 3 2 1 NDVI =
NDNIR + NDR
vegetação
solo
DN3

COMPARAÇÃO ENTRE OS INDICES DIV – NDVI
DE IMAGENS LANDSAT ETM
b4
DVI b4 + b3
b3 NDVI
b4 – b3

CORRELAÇÃO DE BANDAS
Se duas variáveis x, y são y
perfeitamente correlacionáveis,
medidas simultâneas de x, y quando
plotadas traçam uma linha reta. Se
as duas variáveis não são
perfeitamente correlacionáveis,
haverá uma direção predominante
(AB) de variabilidade Se a direção x
CD contém somente uma pequena y B

proporção do total da variabilidade D
 
nos dados, ela pode ser ignorada 
 
sem muita perda da informação.   C
Neste contexto, variabilidade 
significa a variância, a qual é a A

medida da quantidade de informação x
contida em uma banda

EXEMPLOS DE CORRELAÇÃO ENTRE BANDAS
ESCATERGRAMAS
ρ = 0,98
Banda 1 2
ρ = 0,13
Banda 3 4
ρ = 0,324
Banda 5 7

REPRESENTAÇÃO DA CORRELAÇÃO DE BANDAS NO
ESPAÇO DE CORES RGB Imagem original
A correlação entre as bandas de

um sensor multiespectral não é
eliminada ao se efetuar realces
por ampliações histogrâmicas.
Embora sejam eficientes para
realçar as imagens, as
ampliações histogrâmicas
Imagem realçada
falham no sentido de não
promover uma redistribuição
equilibrada das cores entre
bandas que tenham um certo
grau de correlação entre si. A
proporção entre os eixos da
elipse se mantêm

USANDO O ESCATERGRAMA PARA MOSTRAR
A CORRELAÇÃO DAS BANDAS

ELIMINANDO A CORRELAÇÃO - (DECORRELAÇÃO)
A ROTAÇÃO DOS EIXOS

ACOMPANHADA DE UMA
TRANSFORMAÇÃO DA MATRIZ DE
AUSÊNCIA DE CORRELAÇÃO ELIMINA A
CORRELAÇÃO ENTRE CORRELAÇÃO QUE EXISTIA ENTRE
DUAS VARIÁVEIS AS DUAS BANDAS
Banda Y
Y
DEC 2
DEC 1
Banda X
X

APLICANDO A DECORRELAÇÃO
COMPOSIÇÃO COLORIDA COMPOSIÇÃO COLORIDA

DAS BANDAS 345 COM DAS BANDAS 345 COM
REALCE LINEAR DECORRELAÇÃO

ESPAÇO DE CORES IHS
I = intensidade de brilho da cor

H = hue, comprimento de onda dominante, i.e, a cor
S = saturação ou pureza da cor, que é a quantidade de branco

FUSÃO DE IMAGENS
res. espacial 30m
S
H
I Imagem alta
TEC
resolução
espacial 10m
SUBST. I
S
H
TEC I FUSÃO
HS + imagem
alta resolução

FLUXO DO PROCESSO DE CLASSIFICAÇÃO
cena classificador
Extração das feições
K-D feições imagem
atmosfera Treinamento K-D espaço feições
a
Seleção Determinar c
sensor áreas decisão
treinamento limites
b
Rotulação
a c
Mapa temático
b

0 ALGORÍTMO NÃO SUPERVISIONADO DE
CLUSTERIZAÇÃO ISODATA
É um algorítmo de otimização SSE=77

para encontrar clusters por
processos iterativos. O processo
inicia selecionando-se pontos de C
centros de clusters para servir
como candidatos a centros de Localização pixels
+ m2
clusters. Essa seleção é arbitrária (dois clusters)
+ m1
SSE=20 SSE=19 SSE=16

m2 m2
+ +
+m
2
m1
+ +m
+m1 1

CLASSIFICAÇÃO ISODATA DE IMAGENS ETM
7 CLUSTERS

CLASSIFICAÇÃO K-MÉDIAS DE IMAGENS ETM
7 K e 5 ITERAÇÕES

SELEÇÃO DE ÁREAS DE TREINAMENTO
SUPERVISIONADO
Selecionadas 4 áreas de
treinamento para 3 classes
distinguíveis na imagem
Água
Vegetação
Urbano

MATRIZ E COVARIÂNCIA GERADAS DE ÁREAS DE
TREINAMENTO
matriz de covariância
classe média b1 b2 b3 b4
água 44,27 14,36 9,55 4,49 1,19
b1
28,82 b2 9,55 10,51 3,71 1,11
22,77 b3 4,49 3,71 6,95 4,05
13,89 b4 1,19 1,11 4,05 7,65
vegetação 40,46 b1 5,56 3,91 2,04 1,43

30,92 b2 3,91 7,46 1,96 0,56
57,50 b3 2,04 1,96 19,75 19,71
57,68 b4 1,43 0,56 19,71 29,27
solo 63,14 b1 43,58 46,42 7,99 -14,86

6044 b2 46,42 60,57 17,38 -9,09
81,84 b3 7,99 17,38 67,41 67,57
72,25 b4 -14,86 -9,09 67,57 94,27

EXEMPLOS FILTROS CONVOLUÇÃO
Convolução descreve o efeito da função resposta do sistema na
solução dos dados. Em filtragem, nós especificamos a função
resposta e temos quase completa liberdade para usar qualquer
função de peso para a aplicação desejada.
Tipo Saída Exemplos Aplicação
Linear Soma dos Passa baixa Realce de

pesos Passa alta contraste
Detecção de
borda
Estatístico Com base na Mediana Remoção de
estatística Moda ruído
Gradiente Vetor gradiente Sobel, Roberts, Detecção de

Prewit borda

PESOS DO FILTRO PASSA BAIXA (BOX FILTER)
REALÇA AS BAIXAS FREQUÊNCIAS

Tamanho LPF
+1 +1 +1
3x3 1/9
+1 +1 +1
+1 +1 +1
+1 +1 +1 +1 +1
+1 +1 +1 +1 +1
1/25
5x5 +1 +1 +1 +1 +1
+1 +1 +1 +1 +1
+1 +1 +1 +1 +1

PESOS DO FILTRO PASSA ALTA (BOX FILTER
REALÇA ALTAS FREQUÊNCIAS
Tamanho HPF
-1 -1 -1
3x3 1/9
-1 +8 -1
-1 -1 -1
-1 -1 -1 -1 -1
-1 -1 -1 -1 -1
1/25
5x5 -1 -1 +24 -1 -1
-1 -1 -1 -1 -1
-1 -1 -1 -1 -1

PASSA ALTA BOX FILTER REFORÇADOS
Chamados de High-boost filters, a soma dos seus pesos é

igual a 1. Eles reforçam os componentes de alta frequência da
imagem, relativo aos componentes de baixa frequência.
K =1 K=2 K=3
-1 -1 -1 -2 -2 -2 -3 -3 -3
1/9 -1 +17 -1 1/9 -2 +25 -2 1/9 -3 +33 -3
-1 -1 -1 -2 -2 -2 -3 -3 -3

CONFIGURAÇÃO DE FILTROS DETECÇÃO DE
BORDAS
-1 -1 -1 -1 0 +1 0 +1 +1 +1 +1 0
0 0 0 -1 0 +1 -1 0 +1 +1 0 -1
+1 +1 +1 -1 0 +1 -1 -1 0 0 -1 -1
Horizontal Vertical Diagonal

DETECÃO DE BORDAS

Apresentação IPI

Enviado por

Dados do documento

Título original

Direitos autorais

Formatos disponíveis

Compartilhar este documento

Compartilhar ou incorporar documento

Opções de compartilhamento

Você considera este documento útil?

Este conteúdo é inapropriado?

Direitos autorais:

Formatos disponíveis

Apresentação IPI

Enviado por

Direitos autorais:

Formatos disponíveis

INTRODUÇÃO AO

prof. Paulo Roberto Meneses IG/UnB

2. DISCRETIZAÇÃO DA IMAGEM DIGITAL

3. QUANTIZAÇÃO DOS NÚMEROS DIGITAIS

4. RESOLUÇÕES E SUAS INTERRELAÇÕES

prof. Paulo Roberto Meneses IG/UnB

prof. Paulo Roberto Meneses IG/UnB

prof. Paulo Roberto Meneses IG/UnB

prof. Paulo Roberto Meneses IG/UnB

O NÍVEL DE QUANTIZAÇÃO DE UMA IMAGEM DEPENDE DE

NQ 8 28 = 256 níveis de cinza 0 – 255 0 0 1 0 1 1 0 1

8 BITs é o nível de quantização para imagens com baixa resolução espacial

NQ 10 210 = 1024 níveis de cinza 0 – 1023 0 0 1 1 0 0 0 1 0 1

(bit de 10 bits – float point)

10 BITs é o nível de quantização para imagens com alta resolução espacial

prof. Paulo Roberto Meneses IG/UnB

prof. Paulo Roberto Meneses IG/UnB

11 BITS – 1m 10 BITS – 10m 8 BITS – 30m

IKONOS SPOT LANDSAT

prof. Paulo Roberto Meneses IG/UnB

prof. Paulo Roberto Meneses IG/UnB

TODAS AS IMAGENS DE SENSORIAMENTO REMOTO

1- DISTORÇÕES RADIOMÉTRICAS - TÊM COMO PRINCIPAIS

2- DISTORÇÕES GEOMÉTRICAS - TÊM COMO PRINCIPAL

prof. Paulo Roberto Meneses IG/UnB

O espalhamento da REM pela atmosfera adiciona um valor de brilho à

Lsensor = Lalvo + Latm

prof. Paulo Roberto Meneses IG/UnB

prof. Paulo Roberto Meneses IG/UnB

psec2θ visada da linha de imageamento

prof. Paulo Roberto Meneses IG/UnB

Display de grid usado Cena no terreno Imagem compressão

prof. Paulo Roberto Meneses IG/UnB

O scanner registra os pixels a um

prof. Paulo Roberto Meneses IG/UnB

ISSO COMPREENDE DUAS ETAPAS:

1ª - Pontos de Controle : determinação da correta localização

2ª - Reamostragem : consiste em computar o novo valor de brilho

prof. Paulo Roberto Meneses IG/UnB

prof. Paulo Roberto Meneses IG/UnB

Como as formas explícitas das funções de

u = a0 + a1x + a2y + a3xy + a4x2 + a5y2

prof. Paulo Roberto Meneses IG/UnB

Polinômio é uma expressão matemática consistindo de variáveis e

O maior expoente do polinômio determina a ordem do polinômio.

a + bx + cx2 + dx3 +... + zxt

Exemplo de um polinômio de 3a ordem para x e y

x0 = 5 + 4x – 6y + 5xy + 10x2 + 1y2 + 3x3 + 7x2y – 11xy2 + 4y3

Número de coeficientes = (t+1) . (t+2)

prof. Paulo Roberto Meneses IG/UnB

prof. Paulo Roberto Meneses IG/UnB

3ª ordem passa mais

prof. Paulo Roberto Meneses IG/UnB

prof. Paulo Roberto Meneses IG/UnB

SIMÉTRICO ASSIMÉTRICO BIMODAL

prof. Paulo Roberto Meneses IG/UnB

Há diferentes opções para se realçar o contraste dos níveis de

1. LINEAR (função matemática)

É uma forma de processamento interativa com o usuário

prof. Paulo Roberto Meneses IG/UnB

Vbs = 255 (Vbe - Min)

prof. Paulo Roberto Meneses IG/UnB

valores brilho < 5 - - > fixados a 0 P/ f(x,y) < 5 – - > y = 0