Jaqueline Vicente Matsuoka 1 Vitor Haertel 1

Transcrição

1 Investigação do proesso de segmentação multiresolução utilizando o ritério de ponderação de formas e ores apliadas às imagens de áreas urbanas de alta resolução espaial do satélite Ikonos Jaqueline Viente Matsuoka 1 Vitor Haertel 1 1 Centro Estadual de Pesquisas em Sensoriamento Remoto e Meteorologia Universidade Federal do Rio Grande do Sul Av. Bento Gonçalves, Campus do Vale Caixa Postal Porto Alegre - RS - Brasil Fone: (051) Fax: (051) jaquematsuoka@gmail.om vitor.haertel@ufrgs.br Abstrat: The more reent developments in sensor tehnology have made available to the international ommunity a new generation of high spatial resolution image data. The analysis of these data requires, however, the development of new methodologies, partiularly with regard to the lassifiation proedure. An approah that has shown promising results onsists in performing a previous segmentation of the image followed by a lassifiation proess that takes the image segments as the patterns to be labeled rather than individual pixels. In this study we investigate the image segmentation methodology as implemented in the e-cognition software pakage. We start by ombining the 1 m spatial resolution panhromati data aquired by the IKONOS II sensor system with the 4 m spatial resolution multispetral data aquired by the same system. The ombined image merges the themati information aptured by the multispetral bands with the higher spatial resolution provided by the panhromati band. Segmentation proedures were then applied to this ombined image, using the riteria implemented in the ecognition software, showing promising results. Palavras-have: remote sensing, image proessing, urbans areas, multiresotlution segmentation, sensoriamento remoto, proessamento de imagens, áreas urbans, segmentação multiresolução. 1. Introdução Segmentação é a subdivisão de uma imagem em regiões homogêneas, onforme um determinado ritério. Durante muitos anos a segmentação de imagens foi alvo de muitas pesquisas na área de análise de imagens. Pouas abordagens onseguem obter resultados qualitativamente onvinentes, robustos e apliáveis as onfigurações operaionais. Uma razão é que a segmentação de uma imagem em um dado número de regiões é um problema que admite um número muito grande de soluções possíveis. O alto número de graus de liberdade deve ser reduzido para uma ou pouas soluções que satisfaçam dados requerimentos. Outra razão é que algumas regiões de interesse são extremamente heterogêneas, surgem então, ambigüidades e a neessidade de distinguir informações não são diretamente avaliadas. Tais requerimentos dizem respeito à qualidade, desempenho tamanho do onjunto de dados e tempo de proessamento. Existem muitos métodos para obter objetos da imagem, ada um om suas vantagens e desvantagens. Alguns são totalmente automátios e outros são apenas semi-automátios. As reentes pesquisas dividem os métodos de segmentação de imagens em dois grupos: métodos de onheimento dirigido (top-down) e métodos de dados dirigidos (bottom-up). A diferença básia entre ambas as abordagens é: o método top-down usualmente leva a resultados loais porque ele somente identifia pixels ou regiões que a desrição do modelo 589

2 enontra, e os métodos bottom-up fazem a segmentação da imagem ompleta. Eles agrupam pixels para agrupamentos espaiais om ertos ritérios de homogeneidade e heterogeneidade. O proedimento básio do software ecognition é segmentação multiresolução pelo grande onheimento livre da extração de primitivas de objetos da imagem. Isto foi desenvolvido para produzir objetos de imagens de diferentes resoluções e alta qualidade. A segmentação multiresolução é essenialmente um proedimento de otimização heurístia, que minimiza loalmente a média da heterogeneidade dos objetos da imagem para uma dada resolução sobre a ena inteira. Este trabalho mostra e analisa omo é realizado o proesso de segmentação multiresolução no software ecognition e quais são as suas vantagens, para isso foram realizados diferentes testes om diferentes imagens de alta resolução do satélite IKONOS, obtidas através de fusões das bandas PAN e multiespetrais. 2. Metodologia 2.1. Imagens Ikonos Com 1 m de resolução no modo PAN e PSM os dados imagem oletados pelo sistema sensor a bordo do satélite IKONOS oferee a mais fina resolução espaial entre as imagens orbitais atualmente disponíveis. Ele permite disriminar objetos de 1 m² de área ou maior. Uma interessante utilização destes dados onsiste na ombinação de imagens adquiridas no modo PANCROMÁTICO, P&B, om 1 m de resolução, om imagens multiespetrais oloridas de 4 m de resolução, para a geração de imagens oloridas om 1m de resolução, ombinando então as vantagens dos dois tipos de imagens. Como este sistema sensor adquire sistematiamente as imagens no modo PAN e MS para todas as áreas, esta fusão e o produto PSM podem ser gerados para todas as imagens adquiridas pelo IKONOS. As imagens de alta resolução espaial revoluionaram o modo de utilizar as imagens de satélites, pois se anteriormente um pixel ontinha vários objetos, agora, um objeto é omposto de vários pixels. Os algoritmos de interpretação mudam os níveis de detalhamento também. São inúmeras as apliações poteniais que vão se tornar reais utilizando as imagens de alta resolução espaial, em quase todos os ramos que já usam imagens de satélites, e muitos outros que sofriam da limitação da resolução, desde a gestão do espaço geográfio omplexo e extenso até a analise pontual Segmentação Multiresolução de Objetos das Imagens A segmentação é utilizada em análise de imagens para extração de objetos de interesse. Porém, em muitos asos as enas que ontém estes objetos podem ser bastante heterogêneas. Quando um proedimento de segmentação segue um ritério geral de homogeneidade, isto é, sem levar em onsideração o grau de heterogeneidade da ena, torna-se mais difíil a extração de objetos de interesse. O proedimento de segmentação do ecognition utiliza a abordagem orientada à objetos, a qual visa enontrar primitivas de objetos para servir omo informações adiionais para outras segmentações ou futuras lassifiações. Para a finalidade de segmentação multiresolução foi desenvolvida um novo proedimento, o qual permite a extração de grande parte do onheimento das primitivas de objetos de imagens homogêneas em algumas resoluções esolhidas, espeialmente levando em onsideração o ontraste do loal. Pode ser apliado a um grande número de tipos de dados; trabalha em um número arbitrário de anais simultaneamente e om altas variações de texturas ou baixo ontraste omo imagens de radar e VHR. 590

3 Com a finalidade de reeber material sem nenhum pré-proessamento para a análise de imagens orientada a objetos alguns ritérios foram seguidos para o desenvolvimento da segmentação multiresolução: Um proesso de segmentação deve produzir segmentos altamente homogêneos para a separação ótima e a representação de regiões da imagem; Como ada problema de análise de imagem trata as estruturas de uma determinada esala espaial baseada em dados espeífios, o tamanho médio dos objetos da imagem deve ser adaptado à esala de interesse; Quase todos os atributos de objetos das imagens (tom, textura, forma e relações de regiões adjaentes), são mais ou menos dependentes da esala. Assim, somente estruturas de esalas semelhantes são de qualidade omparável e tem atributos omparáveis. Por isso, os objetos da imagem resultantes devem ser aproximadamente da mesma magnitude; O proedimento de segmentação deve ser apliável a um número grande de diferentes tipos de dados; O resultado da segmentação deve ser reproduzível; O proesso de segmentação deve ser omputaionalmente efiiente, mesmo para grandes onjuntos de dados, omo oorre em imagens de satélite. Para que as ténias de segmentação sejam satisfatórias, é neessário que elas reproduzam a análise feita pelo olho humano, do ontrário nenhum proesso de segmentação será onvinente o bastante. Para atingir este objetivo, é preiso realizar a manipulação do ontraste loal da imagem, assim omo a segmentação da imagem em regiões om dimensões aproximadamente similares, produzindo então objetos da imagem om a mínima suavização da borda, mesmo em imagens om homogeneidade espetral e om alto grau de textura. A maioria do proesso faz a segmentação levando em onta as araterístias globais do espaço. Porém, as araterístias globais, dependem de um subonjunto partiular da ena. A mesma área da imagem que é parte de subonjuntos diferentes será segmentada diferentemente por meio de tais proedimentos, sempre dependendo das araterístias espaiais do respetivo subonjunto. Para evolução de uma ténia de segmentação é neessário, ainda, definir medidas e omparabilidade dos resultados do proesso de segmentação. Dada a definição de heterogeneidade e um tamanho médio para os objetos da imagem, o ritério utilizado para o desenvolvimento da segmentação multiresolução e o de que a heterogeneidade média dos pixels deve ser minimizada Cálulo do Critério de Heterogeneidade O proesso de segmentação multiresolução é uma ténia de fusão de regiões bottomup. A formação de um objeto é feita a partir de um pixel. Através de etapas subseqüentes, pequenas regiões da imagem são fundidas em uma grande região. Durante todo o proesso de agrupamento, o proedimento de otimização minimiza a heterogeneidade ponderada nh resultando em objetos da imagem, onde n é o tamanho do segmento e h é uma definição de heterogeneidade arbitrária. O objeto é inrementado até que o menor inremento exeda o limiar definido pelo parâmetro de esala, quando isso oorre o proesso é interrompido. Assim, a segmentação é um proedimento de otimização loal. O ecognition usa a soma dos desvios padrões dos valores espetrais em ada banda (layer), as quais são ponderadas de aordo om a importânia para a segmentação, para desrever a heterogeneidade espetral e da or: 591

4 h=. σ (01) onde w é o peso atribuído a ada banda. Em alguns asos o uso da minimização de heterogeneidade espetral leva a segmentos ramifiados ou objetos om bordas quebradas, o efeito pode ser mais forte em dados altamente texturados. Por isso, em muitos asos a mistura dos ritérios de heterogeneidade espetral e espaial é usada a fim de reduzir o desvio de formas suavizadas e ompatadas. Heterogeneidade de uma forma ompata é dada pela fórmula abaixo: w l h= (02) n onde l é o fator de omprimento da borda e n é o número de pixels que forma o objeto. Uma outra forma de desrever a heterogeneidade da forma: l h= (03) b onde b é o menor omprimento da borda possível dado por um retângulo limite do objeto. A apliação desta definição de heterogeneidade otimiza a suavização das formas dos objetos resultantes. A mistura dos ritérios de forma e espetral resulta em objetos mais ompatos e mostram bordas mais suavizadas. Embora não seja tão homogêneo om respeito à or, eles são mais satisfatórios ao olho humano. A fim de enontrar o melhor resultado para a segmentação, o usuário pode definir alguns parâmetros, tais omo esala, um únio layer a ser utilizado ou mesmo uma mistura dos layers e o peso para ada um deles. A omparação dos valores de uma fusão om o parâmetro de esala define o ritério de parada do algoritmo. Como menionado anteriormente, o parâmetro de esala é a medida para a variação máxima em heterogeneidade que pode oorrer na fusão de dois objetos. Internamente, esse valor é elevado ao quadrado e serve omo limiar que faz om que o algoritmo seja enerrado. O ritério de heterogeneidade é divido em duas partes: 1. Critério para tonalidade (ores, espetral): é a variação na heterogeneidade que oorre quando a fusão de dois objetos na imagem é desrita pelo peso dado os desvios padrões dos valores espetrais (bandas, layers); 2. Critério da forma: é o valor enontrado pelo melhor modelo, esolhido entre dois, para desrever as formas idealmente. Para enontrar a heterogeneidade global f, são levados em onta os ritérios de or e de forma. Primeiramente é alulada a heterogeneidade da or, por (04): obj1 obj 2 h olor = w ( nmerge. σ ( nobj. + n merge 1σ obj2. σ )) (04) e então a heterogeneidade da forma (07), a qual onsiste de dois sub-ritérios, ompaidade (05) e suavidade(06): lmerge lobj1 lobj 2 h mpt = nmerge. ( nobj1. + nobj 2. ) (05) n n n merge obj1 obj 2 592

5 lmerge lobj1 lobj 2 h smooth = nmerge. ( nobj1. + nobj 2. ) (06) b n n merge obj1 obj 2 h = w. h + (1 w ). h (07) shape mpt mpt onde n é o tamanho do objeto, l é o perímetro e b é o perímetro do retângulo limite do objeto. O ritério de suavidade é usado para otimizar objetos om bordas suaves. Para itar um exemplo, esse ritério deve ser usado quando se trabalho om dados muito heterogêneos, omo imagens de radar. Já o ritério de ompaidade é usado para otimizar objetos ompatos. Ou seja, deve ser usado quando em objetos de imagem um tanto quanto ompatos, mas separados de objetos não ompatos por um frao ontraste. Esse ritério pode ser utilizado para áreas urbanas, onde a resposta espetral é pareida, porém om forma bem diferentes. E finalmente é alulado f, pela equação (08): olor h shape mpt smooth f = w. h + (1 w). (09) onde w é o peso dado para or (ontrário a forma) om 0 w Vizinhança de pixels plana e diagonal O ecognition faz a distinção entre dois tipos de definição de vizinhança de pixels: vizinhança plana de 4 e vizinhança diagonal de 8, omo mostram as figuras 1 e 2 respetivamente. Figura 1 Vizinhança plana de 4. Figura 2 Vizinhança diagonal de Realização dos testes e análise dos resultados Para realização dos testes foram utilizadas imagens do satélite IKONOS de alta resolução fusionadas. Na fusão utilizou-se as bandas 1, 2 e 3 om resolução de 4 metros e a panromátia om resolução de 1m para aumentar a auráia espaial, portanto as imagens resultantes da fusão possuem resolução de 1 metro. Foram realizados alguns testes om diferentes imagens e diferentes parâmetros, omo serão mostrados a seguir. Cada imagem tem sua partiularidade, algumas tem formas bem definidas e ores diferentes o que failita o proesso. No primeiro teste foi utilizada a imagem mostrada na figura 3. Pode-se notar que a imagem possui algumas formas bem definidas, porém a resposta espetral (or) pode gerar alguma onfusão no proesso de segmentação. 593

6 Figura 3 Imagem de Abuja Nigéria Utilizando a onfiguração default do ecognition, omo mostra a tabela 1, tem-se uma segmentação ruim. Isso oorre porque o parâmetro de esala utilizado é muito pequeno para os objetos existentes na imagem. E também porque o valor dado à forma deveria ter sido maior que o valor dado a or, devido a grande semelhança das respostas espetrais dos objetos. Finalmente o ritério de ompaidade e suavidade estão orretos, estes não estão totalmente inorretos, pois o maior peso foi dado a suavidade, ou seja, os objetos que possuem similaridade espetral e não são tão ompatos são identifiados, porém isso pode ausar a segmentação de áreas que na realidade ompõem uma só. Observando a imagem na figura 4, pode-se observar que foram riados objetos muito pequenos, assim o polígonos são mostrados um a um individualmente. Tabela 1 Parâmetros default do ecognition Parâmetros Esala 10 Cor 0.8 Forma 0.2 Suavidade 0.9 Compaidade 0.1 Figura 4 Teste 1: Imagem segmentada 1 om parâmetros inorretos Alterando os valores para os parâmetros omo mostra a tabela 2, obtém-se a imagem segmentada ilustrada na figura 5. Utilizando estes valores na segmentação geraram-se objetos maiores, assim omo pequenas variações espetrais não foram segmentadas, isso oorreu porque a forma dos objetos teve um peso maior no proesso de segmentação. Ambos os testes utilizaram a vizinhança de quatro, ou seja, somente os pixels das vizinhanças planas (esquerda, direita, aima e abaixo) foram onsiderados omo vizinhos. Pode-se observar que o resultado obtido na segunda segmentação foi onsideravelmente melhor que na primeira. Tabela 2 Parâmetros utilizados no proesso de segmentação 2 Parâmetros Esala 40 Cor 0.4 Forma 0.6 Suavidade 0.5 Compaidade 0.5 Figura 5 teste1: Imagem segmentada 2 om parâmetros orretos e om polígonos. 594

7 A seguir, são analisados os resultados obtidos pela segmentação feita om os diferentes tipos de vizinhança. Na vizinhança de 4 obtém-se uma segmentação boa, porém as feições urvilíneas e diagonais na maioria das vezes são perdidas parialmente. Já na vizinhança de 8, podemos observar que tais feições são detetadas om boa exatidão. Comparando as imagens das figuras 6 e 7, pode-se notar nas regiões maradas por írulos vermelhos, que algumas feições detetadas na imagem da figura 6, om vizinhança de 8, foram perdidas na imagem da figura 7, om vizinhança de 4. Figura 6 Teste 1: Imagem segmentada 3 om parâmetros orretos, vizinhança de 8. Figura 7 Teste1: Imagem segmentada 4 om parâmetros orretos, vizinhança de 4. Em imagens bastante heterogêneas omo a mostrada na figura 8, o software também apresenta um bom desempenho, desde que os parâmetros exigidos sejam atribuídos orretamente, de aordo om a metodologia desrita anteriormente. Figura 8 Imagem de Aapulo Méxio Ao realizar-se a segmentação multiresolução na imagem da figura 8, om os parâmetros mostrados na tabela 3, obtem-se um exelente resultado, até mesmo os menores objetos, omo os barquinhos atraados no porto, são reonheidos, omo se pode observar pelas figuras 9 e 10. Tabela 3 Parâmetros utilizados na segmentação 1 e 2 do teste 2 Parâmetros Esala 35 Cor 0.4 Forma 0.6 Suavidade 0.8 Compaidade

8 Figura 9 Teste 2: Segmentação 1 (Vizinhança de 4) Figura 10 Teste2: Segmentação 2 (Vizinhança de 8) 4. Considerações Finais e Conlusões Atualmente a evolução das imagens multiespetrais exige que as apliações de proessamento de imagens sejam ada vez mais dinâmias. À medida que as araterístias de resolução espetral, espaial e radiométria das imagens evoluem, os softwares de proessamento digital e interpretação devem evoluir om elas, para que todas as informações possam ser retiradas e analisadas. A utilização do ritério de homogeneidade levando em onsideração somente às araterístias espetrais das imagens deixa muito a desejar, pois om o surgimento das imagens de alta resolução atributos espaiais omo forma e textura adquiriram resente importânia no proesso de interpretação. Assim, um software om as araterístias do ecognition, que utiliza ambos os ritérios e ainda o grau de heterogeneidade e as bandas que estão sendo utilizadas no proesso os resultados da segmentação se tornam onsideravelmente mais preisos e onfiáveis. Após a realização de alguns testes utilizando o software ecognition e imagens multiespetrais fusioandas nas bandas 1,2,3 e pan do satélite IKONOS, pode-se onluir que: O proesso de segmentação utilizando a mistura dos ritérios de or (espetral) e forma (ompaidade e suavidade) onsegue reonheer um grande número de objetos, mesmo em imagens heterogêneas; A segmentação multiresolução permite que imagens extremamente heterogêneas e om baixo ontraste sejam segmentadas, obtendo bons resultados; Até mesmo objetos muito pequenos existentes na imagem, onseguem ser identifiados, devido ao privilégio que o usuário possui de poder forneer o parâmetro de esala; As feições urvilíneas, omo estradas e rodovias, são melhores identifiáveis devido a utilização do tipo de vizinhança 8; Os resultados obtidos om a realização dos testes utilizando as imagens de alta resolução do IKONOS foram exelentes. Bibliografia GONZALEZ, R. C.; WOODS, R. E. (2000). Digital Image Proessing. Reading. Addison-Wesley, 509 p. SONKA, M. et al. (1999). Image Proessing, Analysis, anda Mahine Vision. Paifi Grove, ITP, 770 p. GOMES, J.; VELHO, L. (2002). Computação Gráfia: Imagem. Rio de Janeiro, IMPA / SBM. 596