GEOPROCESSAMENTO. Classificação de imagens de Sensoriamento Remoto. Prof. Luiz Rotta
|
|
- Maria Salvado
- 4 Há anos
- Visualizações:
Transcrição
1 GEOPROCESSAMENTO Classificação de imagens de Sensoriamento Remoto Prof. Luiz Rotta
2 CLASSIFICAÇÃO Processo de extração de informação em imagens para reconhecer padrões e objetos homogêneos Sensoriamento Remoto mapear áreas da superfície terrestre que correspondem aos temas de interesse.
3 EXTRAÇÃO DE INFORMAÇÃO EM SR Interpretação de imagens multiespectrais: 2 abordagens Análise quantitativa X análise visual Análise quantitativa ~ análise digital Uso de computadores para examinar individualmente cada pixel da imagem com o objetivo de categorizar esses pixels. Análise visual ~ interpretação visual Processo cognitivo realizado por um intérprete humano capaz de explorar efetivamente os elementos espaciais, espectrais e temporais de uma cena.
4 INTERPRETAÇÃO VISUAL X ANÁLISE QUANTITATIVA
5 EXTRAÇÃO DE INFORMAÇÃO EM SR 1º Passo: Definir as categorias a serem mapeadas feições, objetos, classes, tipos de cobertura da terra;
6
7 COBERTURA X USO Cobertura da terra representa a cobertura física observada sobre a superfície da terra - sua descrição deve se limitar às características da vegetação e de feições naturais e antrópicas; - a definição dos tipos de cobertura da terra está restrita ao observável. Uso da terra se caracteriza pelas atividades desenvolvidas pelas pessoas que ocupam um tipo de cobertura da terra específico e interagem para mantê-lo ou modificá-lo - sua definição procura estabelecer uma ligação direta entre cobertura da terra e as ações das pessoas sobre o ambiente. Exemplo: área de recreação é um termo que designa uso da terra, e pode se referir a diferentes tipos de cobertura da terra desde áreas verdes, até áreas construídas.
8 EXTRAÇÃO DE INFORMAÇÃO EM SR Os mapas temáticos apropriado para cada aplicação Organizar a informação espacial de maneira lógica e ordenada. Possibilita: para quem produz o mapa caracterizar as feições da paisagem para o usuário do mapa reconhecer essas feições
9 ANÁLISE DIGITAL DE IMAGENS MULTIESPESTRAIS -Utilização de sistemas computacionais que auxiliem o elemento humano na interpretação das informações contidas em imagens -Necessidade de processamento automático decorreu da grande quantidade de dados multiespectrais gerados pelos sistemas imageadores Quanto maior o número de bandas espectrais nas quais uma imagem é adquirida, mais complexa se torna sua interpretação A análise digital visa, também, eliminar a subjetividade inerente à interpretação visual.
10 ANÁLISE DIGITAL DE IMAGENS MULTIESPESTRAIS
11 ANÁLISE DIGITAL DE IMAGENS MULTIESPESTRAIS
12
13 REFLECTÂNCIA DIFERENTES CONCENTRAÇÕES DE SEDIMENTO NA ÁGUA (a) (b) Figura 5 - Reflectância espectral in situ da água limpa e com diferentes concentrações de sedimentos de argila em (a) e areia em (b). Fonte: Adaptado de Jensen (2000).
14 VEGETAÇÃO
15 VEGETAÇÃO
16 REFLECTÂNCIA - ÁGUA
17
18 BANDAS ESPECTRAIS QUE FORNECEM MELHOR DISCRIMINAÇÃO ENTRE OS OBJETOS (ALVOS) DE INTERESSE
19 CLASSIFICAÇÃO
20
21 CLASSIFICAÇÃO CLASSIFICAÇÃO envolve a caracterização de um pixel como pertencente a uma classe espectral ou classe de informação, usando os dados multiespectrais disponíveis e técnicas apropriadas de reconhecimento de padrões em imagens de SR. CLASSES ESPECTRAIS conjuntos de pixels que apresentam resposta similar no espaço espectral definem agregamentos espectrais ou clusters CLASSES DE INFORMAÇÃO agrupamentos de pixels associados a uma classe real de dados (tipo de cobertura da terra) que um aplicativo computacional específico foi treinado para reconhecer.
22 CLASSIFICAÇÃO DE DADOS DE SR RICHARDS (1986) Classificação: método usado para rotular pixels de uma cena a partir de suas características espectrais categorização implementada por um programa computacional habilitado a reconhecer os pixels espectralmente similares. NOVO (1989) Técnicas de classificação: implicam na implementação de um processo de decisão para que o algoritmo possa atribuir um certo conjunto de pontos (pixels) a uma determinada classe.
23 TIPOS DE CLASSIFICADORES Supervisionado: O usuário dispõe de informações (amostras/classes) que permitem caracterizar cada classe de interesse (Classes de Informação). Não supervisionado: Utiliza algoritmos para reconhecer as classes espectrais presentes na imagem
24 ABORDAGENS DE CLASSIFICAÇÃO - PIXEL A PIXEL usa isoladamente a informação espectral de cada pixel - POR REGIÕES usa a informação espectral de cada pixel e a informação espacial dos pixels vizinhos CLASSIFICAÇÃO POR REGIÕES Implica na definição prévia das regiões (segmentos) a serem classificados SEGMENTAÇÃO ESPECTRAL DA IMAGEM CLASSIFICAÇÃO
25 SEGMENTAÇÃO Anterior à fase de classificação por regiões Divide-se a imagem em regiões que devem corresponder às áreas de interesse da aplicação Regiões: conjunto de "pixels" contíguos, que se espalham bidirecionalmente e que apresentam uniformidade.
26 SEGMENTAÇÃO A segmentação prévia de uma imagem é uma etapa necessária em muitas das abordagens de classificação por regiões. A literatura especializada apresenta várias técnicas de segmentação de imagens, porém uma das mais utilizadas no contexto da análise multiespectral é o método baseado em crescimento de regiões.
27 CRESCIMENTO DE REGIÕES Técnica de agrupamento de dados, na qual somente as regiões adjacentes, espacialmente, podem ser agrupadas. Inicialmente, este processo de segmentação rotula cada "pixel" como uma região distinta. Critério: A e B são similares (teste das médias); a similaridade satisfaz o limiar estabelecido; A e B são mutuamente próximas (dentre os vizinhos de A, B é a mais próxima, e dentre os vizinhos de B, A é a mais próxima). Caso as regiões A e B satisfaçam estes critérios, estas regiões são agregadas, caso contrário o sistema reinicia o processo de teste de agregação.
28 SEGMENTAÇÃO: CRESCIMENTO DE REGIÕES
29 EXERCÍCIO 1 1. Abra o Banco de Dados no SPRING 2. Ative o Projeto 3. Imagem Segmentação 4. Na janela Segmentação a. Método: Crescimento de Regiões b. Selecione todas as bandas do TM/Landsat c. Similaridade: 5. Área (pixel): 5 d. Categoria: CAT_Imagem e. Nome do PI: Seg_S5P5 f. Execute
30 SIMILARIDADE E ÁREA (PIXEL) A medida de Similaridade está baseada na distância Euclidiana entre os valores médios dos níveis de cinza de cada região. Assim duas regiões são consideradas distintas se a distância entre suas médias for superior ao limite de Similaridade escolhido. Regiões com área menor que o mínimo escolhido são absorvidas pelas regiões adjacentes mais similares a estas.
31 SIMILARIDADE: 5 / ÁREA (PIXEL): 5
32 SIMILARIDADE: 5 / ÁREA (PIXEL): 5
33 EXERCÍCIO 2 1. Na janela Segmentação a. Método: Crescimento de Regiões b. Selecione todas as bandas do TM/Landsat c. Similaridade: 20. Área (pixel): 5 d. Categoria: CAT_Imagem e. Nome do PI: Seg_S20P5 f. Execute
34 SIMILARIDADE: 20 / ÁREA (PIXEL): 5
35 EXERCÍCIO 3 1. Na janela Segmentação a. Método: Crescimento de Regiões b. Selecione todas as bandas do TM/Landsat c. Similaridade: 20. Área (pixel): 100 d. Categoria: CAT_Imagem e. Nome do PI: Seg_S20P100 f. Execute
36 SIMILARIDADE: 20 / ÁREA (PIXEL): 100
37 CLASSIFICAÇÃO DE IMAGENS DE SR Não Supervisionada Supervisionada
38 CLASSIFICAÇÃO NÃO SUPERVISIONADA
39 CLASSIFICAÇÃO NÃO SUPERVISIONADA Agrupar pixels ou conjunto de pixels no espaço multiespectral, formando classes espectrais de identidade desconhecida Princípio: pixels pertencentes a um mesmo grupo tendem a ser próximos no espaço de atributos
40
41
42 CLASSIFICAÇÃO NÃO SUPERVISIONADA As classes espectrais devem ser associadas à classes de informação, para posterior representação temática.
43 CLASSIFICAÇÃO NÃO SUPERVISIONADA POR REGIÕES Classificação por regiões implica na segmentação prévia da imagem Classificação de Imagens Segmentadas
44 CLASSIFICAÇÃO NÃO SUPERVISIONADA POR REGIÕES A classificação das regiões de uma imagem segmentada realizada por algoritmo de agrupamento de dados não-supervisionado, aplicado sobre o conjunto de regiões, as quais são caracterizadas por seus atributos estatísticos (média, matriz de covariância, área, etc.) São técnicas de classificação que procuram agrupar regiões a partir de uma medida de similaridade entre elas que considera REGIÕES.
45 CLASSIFICAÇÃO NÃO SUPERVISIONADA POR REGIÕES No Spring: ISOSEG - Algoritmo de cluster que procura agrupar regiões a partir de uma medida de similaridade entre elas. - Medida de similaridade usada é a distância de Mahalanobis entre a classe analisada e cada uma das regiões candidatas, sendo definida como: d T 1 x, m ln x m x m i i i i i
46
47 ATIVIDADE PRÁTICA CLASSIFICAÇÃO NÃO SUPERVISIONADA POR REGIÕES Ativar Banco de Dados e Projeto
48 ATIVIDADE PRÁTICA Criar a Categoria Cobertura_Terra do modelo temático. Criar as seguintes Classes Temáticas: Área Urbana. Cor: Mata. Cor: Agric. & Past. Cor: Solo Exposto Cor:
49 ATIVIDADE PRÁTICA Realizar a segmentação Na janela Segmentação a. Método: Crescimento de Regiões b. Selecione todas as bandas do TM/Landsat c. Similaridade: 15. Área (pixel): 10 d. Categoria: CAT_Imagem e. Nome do PI: Seg_S15P10 f. Execute Analisar de a segmentação ficou adequada para as classes de interesse.
50 ATIVIDADE PRÁTICA Imagem Classificação... Criar contexto Nome: Regioes_seg1510 Tipo de Análise: Regiões Bandas: Todas Imagens segmentadas: Seg_S15P10 Executar Extração de atributos das regiões Classificação... Isoseg Testar os limiares de aceitação: 95% e 99.9% Nome: Isoseg95 e Isoseg999 Executar.
51 ATIVIDADE PRÁTICA Área Urbana. Mata. Agric. & Past. Solo Exposto
52 ATIVIDADE PRÁTICA Associar as Classes Espectrais às Classes de Informação
53 ATIVIDADE PRÁTICA
54 CLASSIFICAÇÃO NÃO SUPERVISIONADA POR PIXEL
55
56 CLASSIFICAÇÃO NÃO SUPERVISIONADA POR PIXEL - MÉDIAS MIGRANTES
57 CLASSIFICAÇÃO NÃO SUPERVISIONADA POR PIXEL K- MÉDIAS Um dos métodos de agregamento estatístico mais comumente usado algoritmo descrito primeiramente por Duda & Hart (1973) Concepção: considera uma amostra heterogênea de pixels da imagem para gerar sementes e realizar a CLASSIFICAÇÃO NÃO SUPERVISIONADA
58 K-MÉDIAS Definição de amostra heterogênea na imagem Geração de sementes Cada pixel é atribuído à semente (classe espectral) cujo centro estiver mais próximo no espaço multiespectral Média dos agregamentos (classes espectrais) é calculada e os pixels são reatribuídos às médias mais próximas Processo iterativo prossegue até que não haja mudança significativa entre as médias das classes espectrais formadas na iteração atual e na anterior Classificação de toda a imagem.
59 ATIVIDADE PRÁTICA Banco de Dados: Morro_Diabo PEMD Projeto: Projeção: UTM Datum: WGS 84 Zona UTM: 22 Retângulo envolvente: X 1 = ; X 2 = ; Y 1 = e Y 2 = Modelo de Dados: Imagem_ETM PI s: Banda_1, Banda_2, Banda_3, Banda_4, Banda_5, Banda_7 e Banda_pan.
60 ATIVIDADE PRÁTICA - Definir as classes de interesse (tipos de cobertura da terra identificáveis) 1 Mata 2 Cultura/Pastagem 3 Solo exposto 4 Corpo d água 5 Área urbana
61 ATIVIDADE PRÁTICA Em [IMAGEM] [CLASSIFICAÇÃO] Criar Arquivo de Contexto Nome: pixel Tipo de Análise: Pixel Bandas: 1, 2, 3, 4, 5 e 7 Selecionar o arquivo criado Classificação Criar nome para o novo PI da imagem classificada Classificador: K-Médias Especificar número de classes espectrais desejado (K) Temas = 5, 10 e 15 Informar número de iterações pretendido Iterações = 50 (nas 3 classificações) Executar Analisar a imagem resultante da classificação não supervisionada por pixel, selecionando aquela que você considera mais adequada. Realizar Pós-Classificação Associar as classes espectrais definidas na classificação não supervisionada (TEMAS) com classes de informação definidas no Modelo Temático.
62 CLASSIFICAÇÃO SUPERVISIONADA
63 CLASSIFICAÇÃO SUPERVISIONADA
64 CLASSIFICAÇÃO SUPERVISIONADA - Ferramenta analítica essencial usada na extração da informação quantitativa a partir de dados de sensoriamento remoto; - Implica no treinamento de algoritmo de classificação para definir classes de informação utilização de algoritmos apropriados para designar os pixels de uma imagem como representativos de um tipo específico de cobertura da terra;
65 CLASSIFICAÇÃO SUPERVISIONADA Tarefa de um Classificador: I Dividir apropriadamente o espaço de atributos em regiões de decisão cada região corresponde a uma classe discriminável específica; II Definir um classificador que possa associar um dado vetor de atributos à região de decisão correspondente à classe na qual ele pode estar inserido x 2 Solo Limites de decisão Água Vegetaçã o
66 CLASSIFICAÇÃO SUPERVISIONADA Frequentemente funções discriminantes são desconhecidas podem ser obtidas através de padrões de treinamento: -identidade conhecida -representativos de cada classe de interesse. TREINAMENTO: processo de projetar o classificador
67 CLASSIFICAÇÃO SUPERVISIONADA - ETAPAS Definição das classes de informação, com base no conhecimento in loco e sua correlação na cena: padrões que caracterizam as classes. - Identificar e adquirir na imagem áreas representativas de cada uma das classe de informação: aquisição de dados de treinamento (exemplos que representam as classes). - Utilizar as amostras de treinamento para: estimar os parâmetros de um modelo de classificação (classificadores paramétricos) ou; definir as equações para particionar adequadamente o espaço multiespectral (classificadores não paramétricos) - Usar o classificador treinado para classificar toda a imagem. - Representar o resultado da classificação na forma de mapa temático ou tabelas/gráficos que indiquem área/classe ou proporções.
68 CLASSIFICAÇÃO SUPERVISIONADA
69 CLASSIFICAÇÃO SUPERVISIONADA POR REGIÕES BATTACHARYA Classificador de Battacharya: Usa as amostras de treinamento para estimar os parâmetros da função densidade de probabilidade normal para cada classe de informação; Em seguida, avalia, para cada região, a distância de Battacharya entre as classes.
70
71 ATIVIDADE PRÁTICA Água com sedimentos 2
72
73
74 CLASSIFICAÇÃO SUPERVISIONADA POR PIXEL Classificação pelo método do parelelepípedo -Classificador não paramétrico que utiliza os valores de brilho (NDs) mínimos e máximos de cada banda espectral para definir o particionamento do espaço multiespectral; -esses valores de NDs (min e max) são obtidos diretamente dos dados de treinamento que caracterizam cada classe; -o treinamento pode ser feito a partir da análise dos histogramas dos componentes espectrais individuais (bandas) dos dados de treinamento. -os limites inferior e superior do histograma são identificados e usados para descrever os intervalo de NDs para cada banda, de modo a caracterizar cada classe. Juntos, os intervalos definidos em todas as bandas descrevem uma figura multidimensional ou paralelepípedo.
75 CLASSIFICAÇÃO SUPERVISIONADA POR PIXEL x 2 limite inferior limite superior x 1 x 2 x x 1 x 1
76 CLASSIFICAÇÃO SUPERVISIONADA POR PIXEL MÉTODO DE MÁXIMA VEROSSIMILHANÇA - Método de classificação baseado no teorema de Bayes; - Mais utilizado na classificação supervisionada de dados de Sensoriamento Remoto. O processo de classificação consiste em definir a classe mais provável para cada pixel da imagem.
77 MÁXIMA VEROSSIMILHANÇA - MAXVER Adotando-se o pressuposto de normalidade para descrever cada uma das classes de informação, pode-se assumir que a função discriminante de MAXVER é caracterizada pela função densidade de probabilidade normal. Após algumas simplificações a função discriminante de MAXVER pode ser escrita da seguinte forma: G i ( x) ln p( ) i 1 2 ln i 1 ( x mi ) 2 onde i = 1...m; sendo m i o vetor média e a matriz de covariância associados à classe ω i, e m o número de classes. Os parâmetros:vetor média m i e matriz de covariância i são estimados a partir dos dados de treinamento obtidos para as classes. i t 1 i ( x m i )
78 MAXVER Freqüentemente, não se dispõe de informações confiáveis sobre p( i ), assumindo-se que as probabilidades a priori para as classes são iguais. Com isso ln p( i ) pode ser removido da função discriminante já que p( i ) para ser o mesmo para todo i. A função discriminante adotada quando se assume que as classes têm probabilidades a priori iguais é simplificada para: g i ( x ) ln i t 1 x m x m i i i
79 MAXVER A estrutura ( x m 1 ( x t i ) m i i ) da função discriminante MAXVER é uma função quadrática de x as superfícies de decisão implementadas para classificação pelo método de máxima verossimilhança são quadráticas e assumem a forma de parábolas, círculos e elipses.
80 MAXVER - LIMIARES - Quando ocorrerem duas classes com distribuição de probabilidade com certo grau de superposição, - quando os pixels a serem classificados estão próximos do final (cauda) da distribuição é adequado aplicar limiares no processo de decisão Os pixels que apresentam, para todas as classes, uma probabilidade abaixo do limiar não serão classificados.
81 MAXVER - LIMIARES (a) (b) Classificado como 1 (questionável) Classificado como 2 (adequado) 2 x Classificado como 3 (questionável) Classificação pouco confiável para pixels localizados na cauda da distribuição 1 3 Limiar x Regiões não classificadas
82
83 Dados de treinamento/classe requeridos na classificação MAXVER - Deve ser o suficiente para permitir uma estimativa confiável do vetor média e da matriz de covariância. N+1 (N= número de bandas) para que a matriz não seja indeterminada - Amostra de tamanho maior implica em estimativas mais confiáveis dos parâmetros
84 CLASSIFICAÇÃO SUPERVISIONADA POR PIXEL MÉTODO DA DISTÂNCIA MÍNIMA DA MÉDIA O caso do número limitado de dados de treinamento O bom desempenho do classificador MAXVER depende de uma estimativa do vetor média e matriz de covariância para cada classe necessário dispor de um número suficiente de dados de treinamento para cada uma das classes. -Quando o número de amostras de treinamento por classe é limitado é mais adequado recorrer a um classificador que não use as informações da matriz de covariância dependa apenas das médias das classes -No classificador pela distância mínima da média, os dados de treinamento são usados para determinar apenas o vetor média de cada classe e a classificação é feita alocando o pixel à classe de média mais próxima.
85 CLASSIFICAÇÃO DE IMAGENS MULTIESPECTRAIS Abordagem por PIXEL - Não supervisionada classes espectrais Isodata (médias migrantes), K-médias - Supervisionada classes de informação Paralelepípedo (não paramétrico), Máxima Verossimilhança, Distância Mínima da Média (paramétricos)
86 CLASSIFICAÇÃO DE IMAGENS MULTIESPECTRAIS Abordagem por REGIÕES - Não supervisionada classes espectrais Isoseg - Supervisionada classes de informação Battacharya
87
88 PÓS CLASSIFICAÇÃO
Mapeamento do uso do solo para manejo de propriedades rurais
1/28 Mapeamento do uso do solo para manejo de propriedades rurais Teoria Eng. Allan Saddi Arnesen Eng. Frederico Genofre Eng. Marcelo Pedroso Curtarelli 2/28 Conteúdo programático: Capitulo 1: Conceitos
Leia maisClassificação de imagens de Sensoriamento Remoto. Disciplina: Geoprocessamento Profª. Agnes Silva de Araujo
Classificação de imagens de Sensoriamento Remoto Disciplina: Geoprocessamento Profª. Agnes Silva de Araujo Conteúdo programático e Objetivos Conceito de classificação e fotointerpretação Classificações
Leia maisSegmentação e Classificação. Prof. Herondino
Segmentação e Classificação Prof. Herondino Segmentação Neste processo, divide-se a imagem em regiões que devem corresponder às áreas de interesse da aplicação. Entende-se por regiões um conjunto de "pixels"
Leia maisCLASSIFICAÇÃO MULTIESPECTRAIS
CLASSIFICAÇÃO EM IMAGENS MULTIESPECTRAIS Classificação em imagens multiespectrais Imagens multiespectrais Padrão (vetor) Espaço de atributos Classificação Classificação em imagens multiespectrais Imagens
Leia maisMapeamento do uso do solo
Multidisciplinar Mapeamento do uso do solo para manejo de propriedades rurais Allan Arnesen Frederico T. Genofre Marcelo Pedroso Curtarelli CAPÍTULO 4 Técnicas de classificação de imagens e processamento
Leia maisSensoriamento Remoto
LABORATÓRIOS DIDÁTICOS DE GEOPROCESSAMENTO Sensoriamento Remoto Classificação Supervisionada de Imagens de Sensoriamento Remoto Elaboração: Cláudia Soares Machado Mariana Giannotti Rafael Walter de Albuquerque
Leia maisF- Classificação. Banda A
F- Classificação Classificação Digital é associar determinado pixel a determinada categoria por meio de critérios estatísticos Banda B? da d b dc Espaço dos Atributos Classes Banda A Classificação: ordenar,
Leia maisClassificação de imagens. Qgis Plugin Semi-Automatic Classification Tool. Engenharia Ambiental Geoprocessamento Profa. Ligia F. A.
Classificação de imagens Qgis Plugin Semi-Automatic Classification Tool Engenharia Ambiental Geoprocessamento Profa. Ligia F. A. Batista Espectro Eletromagnético 10-10 10-8 10-4 10-1 1 102 103 104 105
Leia maisTRATAMENTO DOS DADOS DE SATÉLITES
TRATAMENTO DOS DADOS DE SATÉLITES Fonte de radiação SISTEMA DE COLETA Trajetória ria PRODUTOS INTERAÇÃO SISTEMA TRATAMENTO AÇÕES Produto final Tratamento de imagem Consiste em aplicar determinadas técnicas
Leia maisSensoriamento Remoto: introdução ao Processamento Digital de Imagens. Patricia M. P. Trindade; Douglas S. Facco; Waterloo Pereira Filho.
Sensoriamento Remoto: introdução ao Processamento Digital de Imagens Patricia M. P. Trindade; Douglas S. Facco; Waterloo Pereira Filho. Organização de uma imagem As imagens de sensoriamento remoto são
Leia maisPROCESSAMENTO DIGITAL DE IMAGENS
UNIVERSIDADE DE SÃO PAULO ESCOLA SUPERIOR DE AGRICULTURA LUIZ DE QUEIROZ DEPARTAMENTO DE ENGENHARIA DE BIOSSISTEMAS DISCIPLINA: LEB450 TOPOGRAFIA E GEOPROCESSAMENTO II PROF. DR. CARLOS ALBERTO VETTORAZZI
Leia maisQuestões concursos
Questões concursos Grandezas radiométricas Índices de vegetação Classificação Concurso Público para Pesquisador do IMB Instituto Mauro Borges de Estatísticas e Estudos Socioeconômicos 25. A
Leia maisLição VI A CLASSIFICAÇÃO DA BACIA HIDROGRÁFICA DO RIO IBICUÍ
Lição VI A CLASSIFICAÇÃO DA BACIA HIDROGRÁFICA DO RIO IBICUÍ - 69 - Nesta lição estudaremos como se pode criar um mapa da bacia do rio Ibicuí, que nos mostre, por exemplo: água, vegetação e área agrícola.para
Leia maisCAPÍTULO 4 SEGMENTAÇÃO DE IMAGENS SAR
CAPÍTULO 4 SEGMENTAÇÃO DE IMAGENS SAR Segundo Gonzales e Wintz (1987), um dos primeiros passos do processo de análise de uma imagem digital consiste em particioná-la em seus elementos constituintes. O
Leia maisINTRODUÇÃO AO GEOPROCESSAMENTO
INTRODUÇÃO AO GEOPROCESSAMENTO Carina Regina de Macedo RELATÓRIO DE ATIVIDADES LABORATÓRIO Nº 1: MODELAGEM DA BASE DE DADOS Base de Dados Georeferenciados para Estudos Urbanos no Plano Piloto de Brasília.
Leia maisAprendizagem de Máquina
Problema do Agrupamento Aprendizagem de Máquina Alessandro L. Koerich Seja x = (x 1, x 2,, x d ) um vetor d dimensional de características Seja D um conjunto de x vetores, D = { x(1), x(2),, x(n) } Problema
Leia maisSensoriamento Remoto II
Sensoriamento Remoto II 2 Detecção de alterações UFPR Departamento de Geomática Prof. Jorge Centeno O problema de deteção de mudanças É possível detectar as alterações em uma série de imagens orbitais
Leia mais4 Método Proposto CR AD PA NDVI Descrição geral do modelo
34 4 Método Proposto 4.1. Descrição geral do modelo Neste trabalho, cada classe (cobertura vegetal) possui um HMM específico. Os estágios fenológicos correspondem a estados e os símbolos observáveis a
Leia maisEstatística: Aplicação ao Sensoriamento Remoto SER ANO Avaliação de Classificação
Estatística: Aplicação ao Sensoriamento Remoto SER 204 - ANO 2018 Avaliação de Classificação Camilo Daleles Rennó camilo@dpi.inpe.br http://www.dpi.inpe.br/~camilo/estatistica/ Classificação e Incerteza
Leia maisAlterações no padrão de cobertura da terra na Zona Oeste da cidade do Rio de Janeiro/RJ nos anos de 1985 e DOMINIQUE PIRES SILVA
Alterações no padrão de cobertura da terra na Zona Oeste da cidade do Rio de Janeiro/RJ nos anos de 1985 e 2010. DOMINIQUE PIRES SILVA Universidade Federal Rural do Rio de Janeiro E-mail: nique_rhcp@hotmail.com
Leia maisSegmentação local. geralmente baseados em análise de descontinuidade ou similaridade de valores digitais.
Segmentação Segmentação local 2 Segmentação local geralmente baseados em análise de descontinuidade ou similaridade de valores digitais. descontinuidade : a abordagem é dividir a imagem baseando-se em
Leia maisMETODOLOGIA PARA O LEVANTAMENTO PRELIMINAR DE ÁREAS DE SOLOS EXPOSTO UTILIZANDO O SATÉLITE LANDSAT 5 TM+
METODOLOGIA PARA O LEVANTAMENTO PRELIMINAR DE ÁREAS DE SOLOS EXPOSTO UTILIZANDO O SATÉLITE LANDSAT 5 TM+ Márcio Malafia Filho DEGEO - UFJF (marciomalafaia@gmail.com); Rafael Pitangui do Prado Faria DEGEO/UFJF
Leia maisClassificação Híbrida. Não permite mudar a escala de trabalho, ou seja, a escala original em que a imagem foi confeccionada.
Capítulo 17 Classificação Híbrida Nos Capítulos 14, 15 e 16 foram discutidas as técnicas visuais e digitais para interpretar imagens de satélites. No entanto, qual dessas duas metodologias deve ser usada
Leia maisMapeamento do uso do solo para manejo de propriedades rurais
1/55 Mapeamento do uso do solo para manejo de propriedades rurais Prática Eng. Allan Saddi Arnesen Eng. Frederico Genofre Eng. Marcelo Pedroso Curtarelli 2/55 Conteúdo programático: Capitulo 1: Conceitos
Leia maisPMR2560 Visão Computacional Detecção de cores e blobs. Prof. Eduardo L. L. Cabral
PMR2560 Visão Computacional Detecção de cores e blobs Prof. Eduardo L. L. Cabral Objetivos Detecção de cores; Detecção de blobs. Detecção de cores Cores são facilmente identificadas nas imagens. Cor a
Leia maisGeoprocessamento. Laboratório 1: Modelagem e Criação de Bancos de Dados
Geoprocessamento Laboratório 1: Modelagem e Criação de Bancos de Dados Tássia Alves Costa São José dos Campos Abril, 2014 Sumário 1. Objetivo... 3 2. Exercício 1 - Modelagem do Banco OMT-G p/ SPRING...
Leia maisSensoriamento Remoto Classificação. Jorge Centeno - UFPR
Sensoriamento Remoto Classificação Jorge Centeno - UFPR Sensoriamento Remoto: Classificação de imagens Jorge Centeno - UFPR Classificação: Por que classificar? Por que classificar? Se sabemos que esta
Leia maisAVALIAÇÃO DE TÉCNICAS CLASSIFICAÇÃO NA EXTRAÇÃO DE FEIÇÕES EM IMAGENS DE ALTA RESOLUÇÃO DO SENSOR AEROTRANSPORTADO ADS-80.
AVALIAÇÃO DE TÉCNICAS CLASSIFICAÇÃO NA EXTRAÇÃO DE FEIÇÕES EM IMAGENS DE ALTA RESOLUÇÃO DO SENSOR AEROTRANSPORTADO ADS-80. Marcelo Parise 1, Wandrevy Ribeiro dos Santos 2 1 Oceanólgo, Analista em C & T,
Leia maisCOMPARAÇÃO ENTRE OS MÉTODOS DE CLASSIFICAÇÃO SUPERVISIONADA MAXVER E DISTÂNCIA MÍNIMA NA ANÁLISE DO USO E COBERTURA DO SOLO NA REGIÃO DO ALTO ARAGUAIA
COMPARAÇÃO ENTRE OS MÉTODOS DE CLASSIFICAÇÃO SUPERVISIONADA MAXVER E DISTÂNCIA MÍNIMA NA ANÁLISE DO USO E COBERTURA DO SOLO NA REGIÃO DO ALTO ARAGUAIA Rodrigo Moura Pereira¹ (UEG) Gustavo Henrique Mendes
Leia maisCURSO BÁSICO DE SPRING
UNIVERSIDADE DE SÃO PAULO ESCOLA SUPERIOR DE AGRICULTURA LUIZ DE QUEIROZ CURSO BÁSICO DE SPRING Peterson Ricardo Fiorio Roberto Carlos Filho Piracicaba Outubro/2015 Sumário 01. Criando um Banco de dados...
Leia maisAvaliação de métodos de classificação para o mapeamento de remanescentes florestais a partir de imagens HRC/CBERS
http://dx.doi.org/10.12702/viii.simposfloresta.2014.131-592-1 Avaliação de métodos de classificação para o mapeamento de remanescentes florestais a partir de imagens HRC/CBERS Juliana Tramontina 1, Elisiane
Leia maisClustering (k-means, SOM e hierárquicos)
Clustering (k-means, SOM e hierárquicos) André Tavares da Silva andre.silva@udesc.br (Capítulo 10 de Duda e Hart) Clustering Introdução e tipos Roteiro Agrupamentos hierárquicos AGNES, DIANA e Dendogram
Leia maisGEOPROCESSAMENTO. MNT - Modelo Numérico de Terreno. Prof. Luiz Rotta
1 GEOPROCESSAMENTO MNT - Modelo Numérico de Terreno Prof. Luiz Rotta MNT Um Modelo Numérico de Terreno (MNT) é uma representação matemática computacional da distribuição de um fenômeno espacial que ocorre
Leia maisEcologia de Paisagem Conceitos e métodos de pesquisa 2012
Ecologia de Paisagem Conceitos e métodos de pesquisa 2012 Bases de sensoriamento remoto Cálculo de métricas com Fragstats Leandro Reverberi Tambosi letambosi@yahoo.com.br Sensoriamento Remoto Conjunto
Leia maisTadeu Corrêa Pinheiro. Orientador: Prof. Dr. Gilberto Pessanha Ribeiro
Tadeu Corrêa Pinheiro Orientador: Prof. Dr. Gilberto Pessanha Ribeiro 1 Tópicos 1. Introdução 2. Fundamentação teórica 3. Desenvolvimento do trabalho - Metodologia 4. Apresentação dos resultados 5. Análise
Leia maisProfa. Lidia Rodella UFPE-CAA
Profa. Lidia Rodella UFPE-CAA O que é estatística? É conjunto de técnicas que permite, de forma sistemática, coletar, organizar, descrever, analisar e interpretar dados oriundos de estudos ou experimentos,
Leia maisSENSORIAMENTO REMOTO APLICADO A ANÁLISE AMBIENTAL NO SEMIÁRIDO: A CLASSIFICAÇÃO DO USO E COBERTURA DA TERRA NO MUNICÍPIO DE FEIRA DE SANTANA-BA
Revista do CERES Volume 1, Número 2 2015 http://www.cerescaico.ufrn.br/ceres/ SENSORIAMENTO REMOTO APLICADO A ANÁLISE AMBIENTAL NO SEMIÁRIDO: A CLASSIFICAÇÃO DO USO E COBERTURA DA TERRA NO MUNICÍPIO DE
Leia maisProcessamento Digital de Imagens SER Prática de Laboratório
Processamento Digital de Imagens SER 413-4 - Prática de Laboratório Bruna Virginia Neves João Arthur Pompeu Pavanelli Vanessa Camphora Relatório Parcial da prática de laboratório da disciplina de Processamento
Leia maisINSTITUTO NACIONAL DE PESQUISAS ESPACIAIS PROGRAMA DE PÓS-GRADUAÇÃO EM SENSORIAMENTO REMOTO DIVISÃO DE PROCESSAMENTO DE IMAGENS
INSTITUTO NACIONAL DE PESQUISAS ESPACIAIS PROGRAMA DE PÓS-GRADUAÇÃO EM SENSORIAMENTO REMOTO DIVISÃO DE PROCESSAMENTO DE IMAGENS SER-300: INTRODUÇÃO AO GEOPROCESSAMENTO Laboratório I: Modelagem da Base
Leia maisReconhecimento de Padrões
Reconhecimento de Padrões André Tavares da Silva andre.silva@udesc.br Duda e Hart Capítulo 1 Reconhecimento de Padrões (imagem) Objetivo: Interpretar um conjunto de dados através de um mapeamento (classificação)
Leia maisCC-226 Aula 05 - Teoria da Decisão Bayesiana
CC-226 Aula 05 - Teoria da Decisão Bayesiana Carlos Henrique Q. Forster - Instituto Tecnológico de Aeronáutica 2008 Classificador Bayesiano Considerando M classes C 1... C M. N observações x j. L atributos
Leia maisINTRODUÇÃO AO PROCESSAMENTO DIGITAL DE IMAGENS SENSORIAMENTO REMOTO
INTRODUÇÃO AO PROCESSAMENTO DIGITAL DE IMAGENS SENSORIAMENTO REMOTO PROCESSAMENTO DE IMAGENS Introdução Conceitos básicos Pré-processamento Realce Classificação PROCESSAMENTO DE IMAGENS Extração de Informações
Leia maisUniversidade de São Paulo Instituto de Ciências Matemáticas e de Computação
Universidade de São Paulo Instituto de Ciências Matemáticas e de Computação Francisco A. Rodrigues Departamento de Matemática Aplicada e Estatística - SME Objetivo Dada M classes ω 1, ω 2,..., ω M e um
Leia maisARTIGO COM APRESENTAÇÃO BANNER - MONITORAMENTO AMBIENTAL
ARTIGO COM APRESENTAÇÃO BANNER - MONITORAMENTO AMBIENTAL ANÁLISE MULTITEMPORAL DA COBERTURA VEGETAL NO MUNICIPIO DE SÃO MIGUEL DO GUAMÁ, ESTADO DO PARÁ. RAYSSA CHAVES BRAGA, LAIS VIEIRA DE CARVALHO, MERILENE
Leia maisCLASSIFICAÇÃO DE UMA IMAGEM IKONOS UTILIZANDO AS TÉCNICAS PIXEL A PIXEL E A ANÁLISE ORIENTADA A REGIÃO
CLASSIFICAÇÃO DE UMA IMAGEM IKONOS UTILIZANDO AS TÉCNICAS PIXEL A PIXEL E A ANÁLISE ORIENTADA A REGIÃO Ítalo Cavassim Junior 1 Jorge Centeno 2 1 Universidade Federal do Paraná italo@geoc.ufpr.br 2 Universidade
Leia maisAnálise de Imagens com o ArcGIS for Desktop
Análise de Imagens com o ArcGIS for Desktop Duração: 2 dias (16 horas) Versão do ArcGIS: 10.x Material didático: Inglês Descrição Aprender as melhores práticas e fluxos de trabalhos para potencializar
Leia maisOtimização da Paleta de Cores
Otimização da Paleta de Cores Resumo O objetivo deste artigo é apresentar a técnica de otimização da paleta de cores utilizada no MSX Viewer 5 para encontrar a melhor paleta de cores do MSX 2 e do v9990,
Leia maisGEOPROCESSAMENTO. Bases conceituais e teóricas. Prof. Luiz Henrique S. Rotta
1 GEOPROCESSAMENTO Bases conceituais e teóricas Prof. Luiz Henrique S. Rotta GEOPROCESSAMENTO Disciplina do conhecimento que utiliza técnicas matemáticas e computacionais para o tratamento da informação
Leia maisSENSORIAMENTO REMOTO NA IDENTIFICAÇÃO E QUANTIFICAÇÃO DE ÁREAS ÚMIDAS NO DISTRITO FEDERAL
SENSORIAMENTO REMOTO NA IDENTIFICAÇÃO E QUANTIFICAÇÃO DE ÁREAS ÚMIDAS NO DISTRITO FEDERAL Andreia Maria da Silva França 1,2, Edson Eyji Sano 2, Allana de Oliveira Sousa 2,3, Rômulo Almeida Fonseca 2,3
Leia maisMapeamento do uso da terra baseado em imagem Ikonos II com a utilização de algoritmos classificadores por pixels e por regiões
Mapeamento do uso da terra baseado em imagem Ikonos II com a utilização de algoritmos classificadores por pixels e por regiões Luís Eduardo Ribeiro de Mendonça 1 Vicente Paulo Soares 1 José Marinaldo Gleriani
Leia maisUniversidade Federal do Paraná Departamento de Informática. Reconhecimento de Padrões. Tipos de Aprendizagem. Luiz Eduardo S. Oliveira, Ph.D.
Universidade Federal do Paraná Departamento de Informática Reconhecimento de Padrões Tipos de Aprendizagem Luiz Eduardo S. Oliveira, Ph.D. http://lesoliveira.net Objetivos Introduzir diferentes tipos de
Leia maisEstatística: Aplicação ao Sensoriamento Remoto SER ANO Introdução
Estatística: Aplicação ao Sensoriamento Remoto SER 204 - ANO 2017 Introdução Camilo Daleles Rennó camilo@dpi.inpe.br http://www.dpi.inpe.br/~camilo/estatistica/ Estudando um problema... Em geral, numa
Leia maisProcessamento de Imagens usando Grafos (MAC6903)
Processamento de Imagens usando Grafos (MAC6903) Prof. Dr. Paulo A. V. de Miranda pmiranda@vision.ime.usp.br Instituto de Matemática e Estatística (IME), Universidade de São Paulo (USP) P.A.V. Miranda,
Leia maisAula 8 - Reconhecimento e Interpretação. Prof. Adilson Gonzaga
Aula 8 - Reconhecimento e Interpretação Prof. Adilson Gonzaga Elementos de Visão Computacional: Visão Computacional Processamento de Baio Nível Processamento de Nível Intermediário Processamento de Alto
Leia maisOrganização. 1. Introdução 2. Medidas de Similaridade. hierárquicos, de partição) 4. Critérios numéricos para definir o número de clusters
Organização. Introdução 2. Medidas de Similaridade 3. Métodos de Agrupamento (métodos hierárquicos, de partição) 4. Critérios numéricos para definir o número de clusters Métodos de Partição Cada exemplo
Leia maisClassificação de Imagens
Universidade do Estado de Santa Catarina Departamento de Engenharia Civil Classificação de Imagens Profa. Adriana Goulart dos Santos Extração de Informação da Imagem A partir de uma visualização das imagens,
Leia maisJosé Alberto Quintanilha Mariana Giannotti
José Alberto Quintanilha jaquinta@usp.br Mariana Giannotti mariana.giannotti@usp.br Estrutura da Aula Momento Satélite (Apresentação de um novo satélite a cada aula) O que é uma imagem de satélite? O histograma
Leia maisProcessamento digital de imagens
Processamento digital de imagens Agostinho Brito Departamento de Engenharia da Computação e Automação Universidade Federal do Rio Grande do Norte 6 de outubro de 2016 Segmentação de imagens A segmentação
Leia maisDesempenho de classificadores de SIG em imagens do Landsat-8 da Bacia Hidrográfica do Rio São Francisco Verdadeiro Oeste do PR, no ano de 2015
https://eventos.utfpr.edu.br//sicite/sicite2017/index Desempenho de classificadores de SIG em imagens do Landsat-8 da Bacia Hidrográfica do Rio São Francisco Verdadeiro Oeste do PR, no ano de 2015 RESUMO
Leia maisMineração de Dados para Detecção de Padrões de Mudança de Cobertura da Terra. Padrões e processos em Dinâmica de uso e Cobertura da Terra
Mineração de Dados para Detecção de Padrões de Mudança de Cobertura da Terra Padrões e processos em Dinâmica de uso e Cobertura da Terra Introdução 1 2 3 4 Capacidade de Armazenamento X Análise e Interpretação
Leia maisReconhecimento de Padrões. Reconhecimento de Padrões
Reconhecimento de Padrões 0.9 0.8 0.7 0.6 0.5 0.4 0.3 0.2 0.1 0.1 0.2 0.3 0.4 0.5 0.6 0.7 0.8 0.9 Escola Superior de Tecnologia Engenharia Informática Reconhecimento de Padrões Prof. João Ascenso e Prof.
Leia maisAUTOCORRELAÇÃO ESPACIAL. Flávia F. Feitosa
AUTOCORRELAÇÃO ESPACIAL Flávia F. Feitosa BH1350 Métodos e Técnicas de Análise da Informação para o Planejamento Junho de 2015 AULAS ANTERIORES A importância analítica do espaço para o Planejamento Territorial
Leia maisAula 7 - Representação e Descrição de Estruturas Bi-dimensionais. Prof. Adilson Gonzaga
Aula 7 - Representação e Descrição de Estruturas Bi-dimensionais Prof. Adilson Gonzaga 1 Introdução Objetos ou Segmentos são representados como uma coleção de pixels em uma imagem. Para o reconhecimento
Leia maisGeoprocessamento e sensoriamento remoto como ferramentas para o estudo da cobertura vegetal. Iêdo Bezerra Sá
Geoprocessamento e sensoriamento remoto como ferramentas para o estudo da cobertura vegetal. Iêdo Bezerra Sá Engº Florestal, D.Sc. Sensoriamento Remoto/Geoprocessamento, Pesquisador Embrapa Semi-Árido
Leia mais1. Unidade Amostral de Paisagem Localização
ANEXO IV Modelo de Relatório com os Resultados do Mapeamento de Uso e Cobertura da terra de cada Unidade Amostral de Paisagem (UAP) e respectiva Avaliação da Acuracidade Temática RELATÓRIO UAP1214 Resultados
Leia maisEVOLUÇÃO DA FRAGMENTAÇÃO DE MATA NO MUNICÍPIO DE SANTA MARIA DE JETIBÁ - ES
UNIVERSIDADE FEDERAL DO PÍRTO SANTO UF CENTRO DE CIÊNCIAS HUMANAS E NATURAIS CCHN DEPARTAMENTO DE GEOGRAFIA DEFA DE MONOGRAFIA EVOLUÇÃO DA FRAGMENTAÇÃO DE MATA NO MUNICÍPIO DE SANTA MARIA DE JETIBÁ - Graduando
Leia maisANALISE DE DADOS AMBIENTAIS POR MEIO DO USO DE IMAGENS DE SATÉLITE
ANALISE DE DADOS AMBIENTAIS POR MEIO DO USO DE IMAGENS DE SATÉLITE MAURICIO MARTORELLI GALERA UNIVERSIDADE ESTADUAL DE LONDRINA UEL INTRODUÇÃO A evolução tecnológica dos sistemas de imageamento remoto
Leia maisPor que atributos irrelevantes são um problema Quais tipos de algoritmos de aprendizado são afetados Abordagens automáticas
Por que atributos irrelevantes são um problema Quais tipos de algoritmos de aprendizado são afetados Abordagens automáticas Wrapper Filtros Muitos algoritmos de AM são projetados de modo a selecionar os
Leia maisUniversidade Federal do Paraná Departamento de Informática. Reconhecimento de Padrões. Segmentação. Luiz Eduardo S. Oliveira, Ph.D.
Universidade Federal do Paraná Departamento de Informática Reconhecimento de Padrões Segmentação Luiz Eduardo S. Oliveira, Ph.D. http://lesoliveira.net Objetivos Introduzir os conceitos básicos de segmentação
Leia maisProcessamento de Imagens usando Grafos (MAC6903)
Processamento de Imagens usando Grafos (MAC6903) Prof. Dr. Paulo A. V. de Miranda pmiranda@vision.ime.usp.br Instituto de Matemática e Estatística (IME), Universidade de São Paulo (USP) P.A.V. Miranda
Leia maisPROCESSAMENTO DE IMAGENS
PROCESSAMENTO DE IMAGENS Introdução Conceitos básicos Pré-processamento Realce Classificação PROCESSAMENTO DE IMAGENS- aula de 25/5/10 Introdução Conceitos básicos Pré-processamento Realce Classificação
Leia maisSEL-0339 Introdução à Visão Computacional. Aula 5 Segmentação de Imagens
Departamento de Engenharia Elétrica - EESC-USP SEL-0339 Introdução à Visão Computacional Aula 5 Segmentação de Imagens Prof. Dr. Marcelo Andrade da Costa Vieira Prof. Dr. Adilson Gonzaga Segmentação de
Leia maisClassificação orientada objeto de imagem de alta resolução para modelagem hidrológica em sub-bacias do Alto Rio Grande
Classificação orientada objeto de imagem de alta resolução para modelagem hidrológica em sub-bacias do Alto Rio Grande Gil Júlio de Souza Netto 1 Luís Marcelo Tavares de Carvalho 2 Malcon do Prado Costa
Leia maisSEL-0339 Introdução à Visão Computacional. Aula 7 Reconhecimento de Objetos
Departamento de Engenharia Elétrica - EESC-USP SEL-0339 Introdução à Visão Computacional Aula 7 Reconhecimento de Objetos Prof. Dr. Marcelo Andrade da Costa Vieira Prof. Dr. Adilson Gonzaga mvieira@sc.usp.br
Leia maisTópicos Especias em Sensoriamento Remoto
Tópicos Especias em Sensoriamento Remoto Enfoque: Programa Sensoriamento Remoto: Aplicações Em Ambiente Urbana Conteúdo Introdutório: «A cartografia Urbana» escala, qualidade e niveis de informação. «Imagens
Leia maisSensoriamento Remoto Aplicado à Geografia. Interpretação de imagens e confecção de mapas
Sensoriamento Remoto Aplicado à Geografia Interpretação de imagens e confecção de mapas Prof. Dr. Ailton Luchiari Prof. Dr. Reinaldo Paul Pérez Machado Interpretação de imagens e confecção de mapas Etapas
Leia maisAvaliação de algoritmos de classificação supervisionada para imagens do Cbers-2 da Região do Parque Estadual do Rio Doce-MG
Avaliação de algoritmos de classificação supervisionada para imagens do Cbers-2 da Região do Parque Estadual do Rio Doce-MG Mayra Luíza Marques da Silva 1 Geraldo Paulino Marques Pereira 2 1 Universidade
Leia maisAVALIAÇÃO DE ALGORITMOS DE CLASSIFICAÇÃO SUPERVISIONADA DE IMAGEM DIGITAL DO SATÉLITE IKONOS NA REGIÃO DA SERRA DO SALITRE - MG
AVALIAÇÃO DE ALGORITMOS DE CLASSIFICAÇÃO SUPERVISIONADA DE IMAGEM DIGITAL DO SATÉLITE IKONOS NA REGIÃO DA SERRA DO SALITRE - MG Julierme Wagner da Penha Universidade Federal de Viçosa UFV juliermewagner@yahoo.com.br
Leia mais2 Processo de Agrupamentos
20 2 Processo de Agrupamentos A análise de agrupamentos pode ser definida como o processo de determinação de k grupos em um conjunto de dados. Para entender o que isso significa, observe-se a Figura. Y
Leia maisUSO DE IMAGENS DO SATÉLITE RESOURCESAT 1 (IRS-P6) PARA ESTUDO DO DESMATAMENTO NO ASSENTAMENTO VALE VERDE, GURUPI-TO
11 a 14 de dezembro de 2012 Campus de Palmas USO DE IMAGENS DO SATÉLITE RESOURCESAT 1 (IRS-P6) PARA ESTUDO DO DESMATAMENTO NO ASSENTAMENTO VALE VERDE, GURUPI-TO Nome dos autores: Horrana Ferreira Ribeiro¹,
Leia maisOtimização da Paleta de Cores
Otimização da Paleta de Cores Resumo O objetivo deste artigo é apresentar a técnica de otimização da paleta de cores utilizada no MSX Viewer 5 para encontrar a melhor paleta de cores do MSX 2 e do v9990,
Leia maisVISÃO COMPUTACIONAL PARA RECONHECIMENTO DE FACES APLICADO NA IDENTIFICAÇÃO E AUTENTICAÇÃO DE USUÁRIOS NA WEB. Márcio Koch
VISÃO COMPUTACIONAL PARA RECONHECIMENTO DE FACES APLICADO NA IDENTIFICAÇÃO E AUTENTICAÇÃO DE USUÁRIOS NA WEB Márcio Koch Orientador: Jacques Robert Heckmann ROTEIRO Introdução Objetivos do trabalho Fundamentação
Leia maisFACULDADE DE ENGENHARIA DE MINAS GERAIS SENSORIAMENTO REMOTO E AEROFOTOGRAMETRIA REVISÃO DE CONTEÚDO. Prof. Marckleuber
FACULDADE DE ENGENHARIA DE MINAS GERAIS SENSORIAMENTO REMOTO E AEROFOTOGRAMETRIA - 2011 REVISÃO DE CONTEÚDO Prof. Marckleuber -Diferença: Imagem de satélite X fotografia aérea -Satélite X Sensor X Radar
Leia maisDetalhes do método proposto e da sua implementação são descritos nas
4 Método Proposto 4.1. Descrição geral do método O objetivo do método proposto consiste em avaliar o potencial dos FERNS para detecção das características faciais, em tempo real, em uma seqüência de imagens
Leia maisMODELO DIGITAL DE TERRENO II
Geoprocessamento Graduação em Geografia 4º ano / 1º Semestre Profa. Dra. Fernanda Sayuri Yoshino Watanabe Departamento de Cartografia fernanda.watanabe@unesp.br 2019 MODELO DIGITAL DE TERRENO II TRABALHANDO
Leia maisMNT: MODELAGEM NUMÉRICA DE TERRENOS
MNT: MODELAGEM NUMÉRICA DE TERRENOS LEB 450 Topografia e Geoprocessamento II Prof. Carlos A. Vettorazzi 1. Introdução MODELO : Representação da realidade sob a forma material (representação tangível) ou
Leia maisSISTEMAS DE INFORMAÇÃO GEOGRÁFICA (II)
UNIVERSIDADE DE SÃO PAULO ESCOLA SUPERIOR DE AGRICULTURA LUIZ DE QUEIROZ DEPARTAMENTO DE ENGENHARIA DE BIOSSISTEMAS DISCIPLINA: LEB450 TOPOGRAFIA E GEOPROCESSAMENTO II PROF. DR. CARLOS ALBERTO VETTORAZZI
Leia maisUNIVERSIDADE ESTADUAL PAULISTA Campus de Sorocaba. Segmentação
UNIVERSIDADE ESTADUAL PAULISTA Campus de Sorocaba Segmentação A separação dos pixeis relativos a cada objeto, ou região, é uma etapa fundamental para o sucesso do processo de análise da imagem. Embora
Leia maisDr. Sylvio Barbon Junior. Departamento de Computação - UEL. 1 o Semestre de 2015
Introdução a Computação Gráfica [5COP100] Dr. Sylvio Barbon Junior Departamento de Computação - UEL 1 o Semestre de 2015 Assunto Aula 8 Descritores de Imagens Digitais 2 of 47 Sumário Descritores e Reconhecimento
Leia maisLaboratório 2. Cartografia e Integração de Dados
Laboratório 2 Cartografia e Integração de Dados Discente: Vinicius do Prado Capanema Disciplina: de Introdução ao Geoprocessamento SER 300 Mestrado em Sensoriamento Remoto São José dos Campos, Abril de
Leia maisImportação de arquivos vetoriais (*mif e *shapefile) e associação de tabelas no Spring
UNIVERSIDADE FEDERAL DE MINAS GERAIS INSTITUTO DE GEOCIÊNCIAS DEPARTAMENTO DE CARTOGRAFIA Laboratório de Geoprocessamento Importação de arquivos vetoriais (*mif e *shapefile) e associação de tabelas no
Leia maisClassificadores. André Tavares da Silva.
Classificadores André Tavares da Silva andre.silva@udesc.br Reconhecimento de padrões (etapas) Obtenção dos dados (imagens, vídeos, sinais) Pré-processamento Segmentação Extração de características Obs.:
Leia maisISA 2012/2013 Unidades curriculares Geomática e SIGDR
ISA 2012/2013 Unidades curriculares Geomática e SIGDR Aula prática. Análise de imagens multiespectrais, Construção e análise de séries temporais de índices de vegetação. Objectivos: Obtenção de assinaturas
Leia maisAnálise Temporal De Uso/Cobertura Do Solo Na Bacia Da Represa Do Rio Salinas, Minas Gerais
Análise Temporal De Uso/Cobertura Do Solo Na Bacia Da Represa Do Rio Salinas, Minas Gerais Bárbara Mendes Oliveira (1) ; Rhagnya Sharon Ferreira Martins (1) ; Ronaldo Medeiros dos Santos (2) (1) Estudante,
Leia maisTratamento gráfico da informação e a elaboração de Mapas Temáticos no Spring
UNIVERSIDADE FEDERAL DE MINAS GERAIS INSTITUTO DE GEOCIÊNCIAS DEPARTAMENTO DE CARTOGRAFIA Laboratório de Geoprocessamento Tratamento gráfico da informação e a elaboração de Mapas Temáticos no Spring Grazielle
Leia maisSão José dos Campos Abril de 2000
INPE-7520-PUD/41 APRESENTAÇÃO DA METODOLOGIA DE CRIAÇÃO DO PRODES DIGITAL 1 Yosio Edemir Shimabukuro Valdete Duarte Eliana Maria Kalil Mello José Carlos Moreira São José dos Campos Abril de 2000 1 Apresentação
Leia maisCURSO DE PÓS-GRADUAÇÃO EM SENSORIAMENTO REMOTO. SER-300 Introdução ao Geoprocessamento. Relatório do Laboratório 1 ANA CAROLINA MOREIRA PESSÔA
CURSO DE PÓS-GRADUAÇÃO EM SENSORIAMENTO REMOTO SER-300 Introdução ao Geoprocessamento Relatório do Laboratório 1 ANA CAROLINA MOREIRA PESSÔA INPE São José dos Campos 2014 Sumário 1 INTRODUÇÃO... 2 2 DESENVOLVIMENTO...
Leia mais3 Extração de Regras Simbólicas a partir de Máquinas de Vetores Suporte 3.1 Introdução
3 Extração de Regras Simbólicas a partir de Máquinas de Vetores Suporte 3.1 Introdução Como já mencionado na seção 1.1, as SVMs geram, da mesma forma que redes neurais (RN), um "modelo caixa preta" de
Leia maisImplementação dos Algoritmos e Resultados
Capítulo 6 Implementação dos Algoritmos e Resultados 6.1 Considerações Iniciais Diversas situações foram exploradas neste trabalho visando analisar qual seria a wavelet mais adequada para sistemas de extração
Leia mais