Transformaes Multiespectrais

Operaes aritmticas
2
Operaes aritmticas

Entrada: imagens da mesma rea geogrfica
co-registradas
Sada: uma banda representando a
combinao das bandas originais
Operao "pixel" a "pixel
Aplicao: anlise de imagens multi-
espectrais e/ou multi-temporais



3
Adio de imagens
mais simples das operaes envolvendo duas
ou mais imagens
Observao: usar valores de ganho e offset
para normalizar os valores dos NCs no
intervalo [0-255]

Aplicaes:
Reduo de rudo
Redefinir uma nova banda espectral
Combinao de resultados de outros tipos de
processamento

4
Adio de imagens: Exemplo

adio de uma imagem original sua verso
submetida a um filtro de convoluo para
realce de bordas.
5
Adio de imagens: Exemplo
0 -1 0
-1 4 -1
0 -1 0
0 -1 0
-1 5 -1
0 -1 0
Soma (A + B) /2
B A
6
Subtrao de imagens

Identificao de diferenas sutis em
comportamento espectral de determinados
alvos em imagens multi-espectrais refletidas
pelas diferenas dos NCs

Equalizar a mdia e o desvio
padro das imagens antes da
subtrao
7
Subtrao de imagens: Exemplos


- Identificao de diferentes tipos de
cobertura vegetal MSS6-MSS7
- Quantidade de vegetao MSS7-
MSS5
- Deteco de padres de mudana da
cobertura em imagens ( desmatamento,
mudanas no uso do solo, diferenas
sazonais na vegetao, expanso de
reas urbanas, etc...)

8
Razo entre bandas
reduzir o efeito de iluminao

Hl
Hk
Hl i
Hk i
Rk = =
.
.
reduzir o efeito de espalhamento atmosfrico

Hi Hj
Hk Hj
c Hi i c Hj i
c Hk i c Hj i
Rjki

=
+ +
+ +
=
) . ( ) . (
) . ( ) . (
Calcular o ndice de vegetao


red NIR
red NIR
NDVI
+

red
NIR
RVI =
9
ndice de Vegetao
TM: R banda 3
NIR banda 4
informao de vegetao
(reas mais claras)
10
Razo de bandas:exemplos
razo d uma idia de correlao
+correlao contudo
Lansdat-5 TM
banda4/banda3 : informao de vegetao
NC + claro rea com vegetao
banda2/banda5 : identifica corpos dgua
informao sutil de terra molhada
vegetao + escura (+ reflectncia
na banda 2)
Componentes Principais
12
Imagem Multi-espectral
(K-dimensional)
Cada pixel na imagem multi-espectral representada
por K valores nveis de cinza (vetor espectral)
g
2

g
3

g
1

g
1
(P)
g
2
(P)
g
3
(P
)
g(M)
| |
3 para
) (
) (
) (

) ( ) ( ) ( ) (
3
2
1
3 2 1
=
(
(
(
(

=
=
K
M
M
M
M M M M g
g
g
g
g g g
T
13
Como visualizar dados bi or tri-
dimensionais?
Grfico de espalhamento (scatterplot)
NC
NC
NC
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
cada ponto vetor espectral
cada ponto representa um ou
mais pixels com um particular
vetor espectral
14
Espalhamento bi-dimensional
(espao de atributos)
Se o ponto indica o nmero (%) de pixels com com
um particular vetor espectral (scattergram)
cada ponto nvel de cinza
o grfico mostra a distribuio espacial dos vetores
espectrais da imagem (atributos)
.
54
46
128
15
Espao de atributos
O espalhamento bidimensional de pontos uma
indicao da correlao e qualidade da informao
associada com as duas bandas
16
Espaos de atributos para imagens
correlacionadas (bidimensional)
Imagem A
Imagem A
Imagens A e B totalmente
correlacionadas
Imagens A e B
correlacionadas
= 1
0 < < 1
17
Espaos de atributos para imagens
correlacionadas (bidimensional)
Imagem A
Imagem A
Imagens A e B altamente
correlacionadas
Imagens A e B
correlacionadas
~ -1
0 < < 1
18
Espaos de atributos para imagens
totalmente no correlacionadas
Imagem A Imagem A
No possvel estimar o valor do NC de um ponto
na Banda A conhecendo o NC do ponto na banda
B
~ 0 e V
A
=V
B
~ 0 e V
A
>V
B

19
Matrizes de Covarincia e Correlao

o
o
o
33 32 31
23 22 21
13 12 11
C C
C C
C C
Termos fora da diagonal grau de
correlao entre duas bandas distintas
Termos na diagonal varincia

1
1
1
32 31
23 21
13 12



20
Componentes principais
Geralmente as bandas de uma imagem
multiespectral so correlacionadas
(visualmente e numericamente similares)

Gera novas bandas descorrelacionadas (sem
redundncia de informao).

Baseada nas propriedades estatsticas da
imagem

21
Causas da existncia de correlao
Sobreposio das respostas espectrais entre
bandas adjacentes
Sombreamento topogrfico: o sombreamento
afeta todas as bandas da mesma maneira
baixa reflectncia de um alvo em uma
determinada faixa espectral (visvel):
assinatura espectral similar em todas as
bandas dentro da faixa espectral
22
Componentes Principais (TCP)
TCP
g=(g
1
,...,g
n
)
g=(g
1
,...,g
n
)
Bandas correlacionadas
Bandas descorrelacionadas
Vg
1
> Vg
2
...>Vg
n

Transformao do espao de atributos
para remover redundncia espectral
23
Rotao dos Eixos dos Atributos
NCs nos eixos canal1 e canal2 so redistribudos
sobre um novo sistema de eixos PC1 e PC2
PC1
PC2
24
Operao de rotao: transformao linear
,...,p , l
k
l
l
i,l
i
g
w
g
2 1
1
= =

'
=
eixos dos atributos das imagens
transformada e original
fatores de ponderao que
definem a contribuio de cada banda
original para uma CP em uma combinao
aditiva linear (rotao)
w
l i ,
, l i
25
Operao de rotao: transformao linear
,...,p , l
p
l
l
i,l
i
g
w
g
2 1
1
= =

'
=
| |
(
(
(

(
(
(

=
(
(
(

=
= =
3
2
1
33 32 31
23 22 21
13 12 11
3
,
2
,
1
,
,
,
w w
w w w
w w w
3
x .

g
g
g
w g
g
g
p
p p W W
w
g g
l i
Notao Matricial
26
Como calcular a matriz W?
diagonal) (matriz
0 0
0 0
0 0

33
22
11
,
(
(
(

= A
A = =

W K W K
g
g
W calculada a partir da matriz de covarincia de g, Kg
K
g
, : covarincia de g

W : autovetores de Kg

i : autovalores de Kg

27
Exemplo
(

=
82 , 0 57 , 0
57 , 0 82 , 0
W
g g
,

[2,2] [2,78 0,5)]
[4,3] [4,99 0,18]
[5 4] [6,38 0,43]
[5 5] [6,95 1,25]
[3 4] [4,74 1,57]
[2 3] [3,35 1,32]
0 1 2 3 4 5 6
6

5

4

3

2

1

0
e e
g
2 1
2
82 , 0 57 , 0 + =
e e
g
2 1
1
57 , 0 82 , 0 + =
) , ( . 82 , 0 ) , ( . 57 , 0 ) , (
) , ( . 57 , 0 ) , ( . 82 , 0 ) , (
2 1
,
2
2 1
,
1
j i j i j i
j i j i j i
g g g
g g g
+ =
+ =
(

=
1 , 1 1 , 1
1 , 1 9 , 1
K
g
(

=
33 , 0 0
0 67 , 2
,
K
g
CP1) na informao ( % 89
) 33 , 0 67 , 2 (
67 , 2
=
+
28
Componentes Principais: Observaes
- Esta transformao derivada da matriz de
covarincia entre as bandas
- O comprimento dos eixos das Cps representam as
varincias das CPs (auto-valores)
- Autovetores: definem a direo dos eixos das CPs em
termos do espao de coordenadas originais
- O nmero de CPs igual ao nmero de bandas
espectrais utilizadas e so ordenadas de acordo com
o decrscimo da varincia das CPs
- A soma das varincias das CPs igual a soma das
varincias das bandas originais
29
Componentes Principais: Observaes
- A primeira CP uma imagem
semelhante a uma vista "pancromtica"
da cena
- O contedo em informao decresce
para as ltimas CPs
- Pode-se selecionar as CPs que melhor
caracterizam as informaes que o
intrprete deseja extrair
- A composio colorida das CPs no
possui tons de cinza mas apenas cores
espectrais e intensamente saturadas

30
Componentes Principais
PC1 PC2 PC3
B3
B4
B5
31
Histograma bidimensional
32
Dados Estatsticos
Filename: brasil345
Banda Min Max Mdia Desvio Padro
1 7 218 27.2610 9.6278
2 0 151 39.2622 10.5101
3 0 255 67.0525 23.5065

Matriz de Covarincia

Banda Banda 3 Banda 4 Banda 5
3 92.694 41.471 167.116
4 41.471 110.462 163.436
5 167.116 163.436 552.554


33
Dados Estatsticos
nome: brasilcp
Banda Min Max Mdia Desvio P. Autoval.
1 0 255 127.4429 42.5612 1811.4580
2 21 250 127.5128 13.2782 176.3114
3 0 242 127.4984 9.6945 93.9817

Matriz covarincia
Banda Banda 1 Banda 2 Banda 3
1 1811.457 -0.418 1.317
2 -0.418 176.311 -0.098
3 1.317 -0.098 93.983




34
Aplicaes
pr-processamento para classificao
visualizao (falsa cor)
Reduo da dimensionalidade dos dados
as informaes podem ser representadas em
um nmero menor de componentes
Exemplo: TM CP1 95%


35
Aplicaes
realce por decorrelao (mxima expanso
cromtica)

TCP (W)

1
=
2
=
3

TCP
-1

g
,,,
= g
,,
W
-1

g
g
,
= Wg
36
Composies coloridas
Composio 543 TCP:123 Realce por decorrelao
37
Modelo de Mistura
Em geral a resoluo espacial do sensor
permite que um pixel inclua mais que um tipo
de cobertura do terreno na cena
A radincia observada dada pela mistura
das respostas de cada um dos componentes
da cena (ex. solo + sombra + vegetao)
MODELO DE MISTURA - modela essa
situao
38
Problemas de mistura de pixels
objeto
elemento
de cena
Objetos menores do que o elemento de cena
elemento de cena na fronteira dos objetos
39
Floresta
primria
Floresta
secundria
estrada
vegetao
casa
sol
o
40
Modelo de Mistura
Duas linhas de aplicaes relacionadas a
essa tcnica
substituio de modelos convencionais de
classificao no clculo de rea total por
tema
gerao de imagens sintticas que
representam a proporo de cada
componente dentro de um pixel da cena
(implementado no SPRING)


41
Modelo Linear de Mistura





Resposta do pixel na i-sima banda
Assinatura espectral conhecida da j-sima
componente na i-sima banda
Erro de estimao para a i-sima banda
Proporo estimada da j-sima componente
42
Modelo Linear de Mistura
Objetivo : encontrar propores cuja
combinao das assinaturas espectrais
melhor aproxime o valor do pixel
Mtodo dos mnimos quadrados: estimar as
propores miminizando a soma do quadrado
dos erros
Restries:

43
Assinatura espectral dos
componentes: mtodo 1
A escolha da assinatura espectral de cada
componente em cada banda crtica para
a estimao correta das propores
podem ser obtidos automaticamente de
bibliotecas digitais, digitados com base em
trabalhos previamente realizados. Ex:


Bandas Sombra Veget. Solo
TM 3 22 21 63
TM 4 11 106 64
TM 5 4 72 148
44
Assinatura espectral de cada
componente: mtodo 2
Podem vir de valores de pixels puros apontados
na imagem representativos das componentes. Ex:

45
Modelo de Mistura
(exemplo)
vegetao
solo
sombra
46
Exemplo
Componente Solo
reas escuras - florestas
reas claras -
desflorestamento
Componente sombra
reas escuras - no floresta
reas claras - floresta
Componente vegetao
reas escuras - no floresta
reas claras - floresta
Vegetao - rebrota
Sombra- diferencia floresta de no floresta
Solo - incrementa o que j foi cortado
no floresta = solo, pastagem, rebrota,cultura,
nuvem
47
reas Desflorestadas em 1997
Sombra 96 (R) Sombra 97 (G, B) Sombra 96 - Sombra 97
48
Imagem-Frao Sombra Segmentada
49
Linhas de Segmentao sobre imagem
Landsat TM
50
REAS DESFLORESTADAS EM 1992 E 1994