1. GEOPROCESSAMENTO
e fotointerpretação
Aula 5:
Processamento de imagens
Prof. Maigon Pontuschka
Prof. Paulo de Tarso da Fonseca Albuquerque
2012
2. Resumo
• Introdução
• Pré-Processamento
• Realce de imagens
• Segmentação e classificação
• Pós-Processamento
• Exatidão da classificação
3. Introdução
Uma imagem digital
obtida por
sensoriamento remoto
é uma representação
matricial dos valores
que correspondem à
intensidade de energia
refletida ou emitida
pelos objetos da
superfície terrestre.
4. Introdução
• Por meio de softwares especializados aplicamos
técnicas de processamento (operações ou
transformações numéricas) nas imagens.
• Cuidado para evitar perda de informação e erros
de interpretação
6. Pré-Processamento
• Tratamento preliminar de
dados brutos para calibrar a
radiometria da imagem.
• Atenuar efeitos da atmosfera
• Remover ruídos
• Corrigir distorções
geométricas por meio de
georreferenciamento.
7. Pré-Processamento
• Ajustar o posicionamento da
cena representada na
imagem à sua localização no
terreno.
• Cada pixel da imagem é
ajustado com um ponto da
superfície da Terra.
8. Pré-Processamento
• Datum: marco determinado por meios geodésicos
de alta precisão que serve como ponto de
referência para todo o levantamento da
superfície.
▫ No Brasil até o início de 2005 – Datum sul-
americano de 1969
▫ A partir de 2005 – SIRGAS – Sistema Geodésico de
Referência para as Américas – Datum utilizado
pelo GPS (Global Positioning System) é o WGS 84
9. Pré-Processamento
• Georreferenciamento
de imagens:
Uso de base cartográfica ou
pontos de controle obtidos com
equipamento GPS.
▫ Ou uso de mosaicos de imagens
Landsat da Nasa
10. Pré-Processamento
• Ortorretificação de imagens de satélite de
alta resolução espacial
• Spring – Permite refinar imagens com
resolução de 30m para resolução de 20 ou
15m permitindo analisar imagens em escalas
maiores e de até 1:25.000 e permite integrar
e sobrepor imagens de diferentes resoluções
espaciais.
11.
12. Realce de imagens
• Melhorar a qualidade visual e
facilitar interpretação.
• Técnicas:
▫ Ampliação linear de contraste
13. Consiste em expandir
a distribuição dos
dados originais
concentrados em um
pequeno intervalo
para todo o intervalo
possível, por exemplo
para 255 níveis.
14. Consiste em expandir
a distribuição dos
dados originais
concentrados em um
pequeno intervalo
para todo o intervalo
possível, por exemplo
para 255 níveis.
15. Consiste em expandir
a distribuição dos
dados originais
concentrados em um
pequeno intervalo
para todo o intervalo
possível, por exemplo
para 255 níveis.
16. Realce de imagens
• Técnica
▫ Operações aritméticas:
adição, subtração ,
multiplicação e divisão
de cores em imagens.
Servem para destacar
unidades de relevo e
drenagem ou destacar
cobertura e uso da
terra.
17. Realce de imagens
• Técnica
▫ Transformação por componentes principais:
Realce de componentes principais
▫ Filtragem espacial
Transformação da imagem filtrada depende dos
níveis de cinza dos pixels vizinhos. Serve para
limpar ruídos de imagem
18. Realce de imagens
• Técnica
▫ Geração de composições coloridas
Uso de duas ou três imagens em tons de cinza às
cores primárias azul, verde e vermelho.
19. Realce de imagens
• Técnica
▫ Integração de dados
Dados de sensoriamento remoto podem ser
integrados gerando imagens coloridas
multiespectrais, multisensores ou multitemporais.
Reunir em uma mesma imagem a informação .
20.
21. Segmentação e classificação
• Segmentação de imagens é um procedimento
computacional aplicado antes de um algoritmo
de classificação automática
• A segmentação permite dividir a imagem em
regiões homogêneas.
▫ Por similaridade
▫ Por área
22. Segmentação e classificação
• Técnicas de classificação visam o
reconhecimento automático de objetos em
função de determinado critério de decisão
agrupando em classes os objetos que
apresentam similaridade em suas respostas
espectrais.
• Resultado: mapa temático
23. Segmentação e classificação
• Técnicas de classificação :
▫ Supervisionada: classes definidas a priori
Uso de amostras ou áreas de treinamento.
▫ Não supervisionada: classes definidas a
posteriori como resultado da análise.
Algoritmo do sistema decide com base em regras
estatísticas o que deve ser separado e os pixels que
pertencem a cada grupo
24.
25.
26. Segmentação e classificação
• Técnicas de classificação :
▫ Híbridas entre Supervisionada e não
supervisionada:
Primeiro aplica-se a não supervisionada como base
para a seleção de amostras de treinamento e depois
a supervisionada.
27. Segmentação e classificação
• Técnicas de classificação :
▫ Classificação orientada a objeto
▫ Conceito de objeto. Não se considera o valor de
cada pixel mas o de cada conjunto de pixels da
imagem e as relações entre os objetos.
▫ Na classificação orientada a objeto é fundamental
o conhecimento temático (litologia, relevo, solos,
cobertura vegetal e uso da terra) e de
sensoriamento remoto do intérprete.
28. Segmentação e classificação
• Técnicas de classificação :
▫ Classificação orientada a objeto
▫ SPRING permite aplicar nas imagens digitais técnicas
de correção, realce, segmentação e classificação
automatizada.
▫ Permite a geração de um plano de informações e de
cartas temáticas
▫ Permite acessar, sobrepor e integrar à imagem
analisada uma grande variedade de dados
armazenados no sistema como curvas de nível,
drenagem, mapas temáticos, etc.
29. Pós-Processamento
▫ Corrigir erros resultantes da classificação
automática
▫ Spring -> Edição matricial´: um recurso
computacional disponível no sistema.
▫ Serve para classificar áreas que não foram
classificadas e agrupar classes.
30. Exatidão da classificação
▫ Confronto entre os mapas gerados com dados
provenientes de pesquisa de campo são
fundamentais para validar estes mapas.
▫ Procedimento necessário para verificar o quanto
o resultado de uma classificação é confiável
▫ Sorteio aleatório de determinado número de
pontos para coleta de dados no campo. Geração
de uma matriz de erros para fazer a verificação da
exatidão da classificação por meio de uma matriz
de erros.