Uso de Imagens de Satélites em Operações de Inteligência. LAGF, Setembro de /09/2013 1

Transcrição

1 Uso de Imagens de Satélites em Operações de Inteligência LAGF, Setembro de /09/2013 1

2 Roteiro A empresa Cenário de disponibilidade de imagens de satélites de média resolução Aplicação em IMINT Desafio na fusão de dados e uso de computação de alto desempenho Resultados Perspectivas 2

3 AMS Kepler Participamos desde 1998 no desenvolvimento do software de estações terrenas dos satélites do Programa Espacial Brasileiro CBERS 1 e 2 (parcial) CBERS 2B, 3 e 4 Landsat 1-7 Modis (Aqua e Terra) Empresa 100% nacional, sistema 100% nacional e de propriedade do INPE, incluindo código fonte Anteriormente adquirido de empresas estrangeiras Atualmente trabalhando na extensão do sistema de processamento para o satélite Amazônia-1 3

4 Diversas fontes de informação Disponibilidade cada vez maior de imagens de satélites e VANTS - General de Brigada Silva Neto Informação em múltiplas camadas, originadas de múltiplos sensores Contra-Almirante Silva Lima Mesmo considerando apenas satélites com política de acesso livre a dados temos um cenário animador para os próximos anos Brasil foi o pioneiro nesta política 4

5 Satélites com política de aceso livre a dados óticos, lista não exaustiva Landsat-8 (EUA), em operação XS 30m, PAN 15m, ciclo de 16 dias CBERS-3 (Brasil), previsão 12/2013 XS 10m, 20m, 40m, ciclo de 26 dias; 5m PAN ciclo de 52 dias Amazonia-1 (Brasil), previsão 2014 XS 40m, ciclo de 5 dias Sentinel-2 (ESA), previsão 2014 XS 10m, 20m, 30m, ciclo de 5 dias. CBERS-4 (Brasil), previsão 2015 Idêntico ao CBERS-3 5

6 Satélites de média resolução em IMINT Média resolução já é utilizada em algumas áreas DSG: para elaboração de cartas DHN: Hidrografia para águas rasas, experimental Foco em alta resolução Temos potencial para uso de imagens de média resolução (5m a 40m)? Sim, potencial aplicação na detecção, identificação e descrição Depende do alvo, aeroportos podem ser descritos em imagens com 5m de resolução Imagens de média resolução podem indicar áreas cujo imageamento em resoluções melhores é necessário 6

7 Landsat 8, OLI, 30m - Detecção 7

8 Rapid Eye, 6.5 m - Identificação? 8

9 GeoEye, 0.5 m - Descrição 9

10 Desafios no uso das imagens de média resolução Desafios em Armazenamento, Comunicação, Processamento, Distribuição, Análise Processamento: várias fontes de dados Diferentes sensores (resolução e precisão). É importante garantir fusão adequada para uso em Geointeligência Registro geométrico deve ter alta qualidade Análise: Informação de forma oportuna (filtros) para tomada de decisão - dados demais atrapalham. General Mario Araújo Registro e detecção de mudanças deve ser automatizado devido ao grande volume de dados 10

11 Estudo de caso para detecção de mudanças Detecção automática de mudanças antrópicas no uso do solo Cliente: INPE Desmatamento da região Amazônica Satélite Amazônia-1 Câmera AWFI, ciclo de revisita de 5 dias 4 bandas espectrais equivalentes às bandas 1-4 do Landsat 5/7 Quantização de 10 bits 11

12 Detalhamento do processamento Conjunto de imagens de referência Global Land Survey (GLS) Imagens de sensores óticos, de média resolução (40 m), embarcados em satélites Landsat (TM/ETM); CBERS (CCD), MUX; Amazonia-1 (AWFI) Cobertura sistemática Processamento Saída Registro geométrico, foco desta apresentação Correção radiométrica Tratamento de ruídos Identificação e remoção de nuvens e sombras Identificação das mudanças para análise posterior de especialista 12

13 Geração de imagem L4 (Ortorretificação) Baseada em detecção automática de pontos de controle Feita por cálculo de ICN (Índice de Correlação Normalizado) Problema no caso do CBERS Grande erro de translação Grande região de busca para correlação, alto tempo de processamento, por volta de 4 horas por cena 13

14 Comportamento do CBERS Deslocamento across track, CCD CBERS-2 Efemérides TLE. Em geral variação ao longo da passagem é pequena. Mudança de offset de aproximadamente 9 km em alguns dias. Região de busca mostrada em verde não processaria imagens de 03/

15 Comportamento do CBERS (cont.) Deslocamento along track, CCD CBERS-2B Efemérides GPS. Grande variação ao longo de cada passagem, 4 km no exemplo. Ocorrem mudanças de offset como mostrado na variação across track. 15

16 Comportamento do Landsat-7 Deslocamento along track, ETM Landsat-7 Efemérides definitivas. Pouca variação ao longo da passagem e ao longo dos dias. Pequena região de busca é suficiente. 16

17 GPGPU General Purpose computing on Graphic Processing Units Originalmente desenvolvidas para aplicações gráficas de alto desempenho (CAD, jogos eletrônicos, realidade virtual) Baixo custo, ambiente de programação paralela maciça Modelo que utilizamos, GTX-560, custa por volta de R$ 550,00 =~ 400 cores contra 4-6 tipicamente encontrados em CPUs Fabricantes de placas gráficas desenvolvendo SDKs para programação de propósito geral em GPUs CUDA (NVIDIA) OpenCL (Consórcio) Sistema de processamento do INPE com extensão para uso de GPGPU Início com cálculo do índice de correlação normalizado (ICN) Sem restrições de exportação normalmente existentes para hardware de alto desempenho 17

18 ICN Sequencial Kernel (mask) Search space Maximum correlation Centro do kernel é o ponto de controle GLS Landsat ICN calculado para todas as posições no espaço de busca, utilizamos o valor mais alto Com limiar 18

19 ICN Paralelo Search space Paralelismo de dados Uma thread é criada para cada posição candidata Cada núcleo executa várias threads Algoritmo paralelo fácil Sem comunicação ou sincronização entre as threads Transferência de todos os dados para a GPU no início do processamento, evita gargalo 19

20 Testes Tamanho do kernel fixado em 127x127 pixels Região de busca variando entre 300x300 e 800x800 pixels Para cada cenário reportamos o tempo de 10 execuções NVIDIA GTX 560 Ti C for CUDA GHz Custo aproximado: R$ 550,00 20

21 Resultados tempo de execução 21

22 Resultados - speedup 22

23 Ainda sujeita a erros Precisão do modelo de elevação de terreno Qualidade dos pontos de controle em termos de precisão e distribuição As imagens de referência estão no mesmo nível de ortorretificação? Problemas de registro de um pixel já podem ser significativos dependendo da aplicação Como utilizar GPU? Imagem ortorretificada é suficiente? No momento estamos com erros de alguns pixels, eliminamos o grande erro de translação Podemos fazer uma busca local dos deslocamentos em linha e coluna da maior correlação no entorno de todos os pixels da imagem 23

24 Resolução para busca de pontos de controle Em nosso caso utilizamos a grade de maior resolução possível, fazemos a operação para todos os pixels 24

25 Exemplo de imagem de deslocamento de maior correlação (colunas) 25

26 Temos propriedade de deslocamento definida para quase todos os pixels, analogia com um campo Indefinido em locais onde o maior índice de correlação ficou abaixo do limiar Tempo de processamento Cena Landsat-5, banda 4 Por volta de 3 minutos por cena Região de busca: 5 x 5 pixels Máscara: 25 X 25 Limiar: 0.5 Imagem de deslocamento de maior correlação Inclui o tempo de geração das imagens de saída 26

27 Imagem de deslocamento de maior correlação Formas de utilização da imagem Controle de qualidade Raio X da imagem em termos de precisão de registro Identificação de problemas no processo de geração da imagem Modelo ótico da câmera Imprecisões no modelo de elevação Sistema de navegação, etc. Podemos utilizar este dado para um ajuste fino de registro Como resolver os pontos nos quais a correlação foi baixa? 27

28 Algoritmo simplificado Procuramos pontos estáveis em termos de deslocamento Estes pontos são utilizados como base para uma triangulação Preenchemos os valores sem dados interpolando os valores dos vértices dos triângulos Procedimento é muito sensível à escolha correta dos pontos utilizados como base para triangulação Vantagem de termos os valores de deslocamento calculados para todos os pontos Mais robusto Interpolação por triangulação das regiões sem dados Equivalente comercial ao ImageSync 28

29 Geração da triangulação 29

30 Imagem de deslocamento interpolada 30

31 Identificar e substituir estas regiões nos mosaicos Desafios Utilizando apenas bandas TM 1-4 Muitos dos algoritmos de detecção utilizam bandas fora desta faixa, principalmente a termal Principais dificuldades de diferenciação Sombras x Água Nuvens x Neve x Dunas Composição dos mosaicos Classificação e tratamento de ruídos - nuvens e sombras Inicialmente começamos com tiles vazios Imagens são sobrepostas na medida que são geradas Pixels identificados como nuvem ou sombra são substituídos Se pixels mais recentes não são classificados nem como nuvem nem como sombra 31

32 Algoritmo ingênuo, limiar considerando banda 4 apenas 32

33 Combinação de bandas (literatura, adaptada) 33

34 Utilizando imagem de referência para separação de sombra e água 34

35 Perspectivas Uso de imagens de média resolução deve ser considerado Sem custo para dados Capacitação da organização para tratamento e análise de grande quantidade de dados geográficos Técnicas semelhantes, como registro, são utilizadas em imagens independente da resolução (temporal / espectral / espacial / quantização ) Preparação para cenários como o do PESE Uso de paralelismo em processamento de imagens Aplicação direta em registro e fusão de dados, parte importante do processo de geração de informação e detecção automática de mudanças GPGPU como alternativa 35

36 Perspectivas AMS Kepler é Empresa Parceira no Inova Aerodefesa Projeto piloto Imagens de acervo Alta resolução Diferentes sensores 36

37 Obrigado! 37

38 Slides de backup 38

39 Multiespectrais x Hiperespectrais Fonte: Penn State University, Geog

40 Quantização 40

41 Resolução temporal 41