CLASSIFICAÇÃO DE IMAGEM

Tamanho: px
Começar a partir da página:

Download "CLASSIFICAÇÃO DE IMAGEM"

Transcrição

1 DISCIPLINA SIG OFICINA: Classificação de Imagens de Sensoriamento Remoto Responsável: MARIA ISABEL C DE FREITAS Colaboração: BRUNO ZUCHERATO E KATIA CRISTINA BORTOLETTO CLASSIFICAÇÃO DE IMAGEM Para realizar a classificação da imagem, será utilizado o SIG SPRING, esse software brasileiro foi desenvolvido pelo INPE e pode ser obtido gratuitamente através do download pela internet na seguinte página: é necessário fazer um cadastro no site para realizar o download. Os tipos de classificação que serão realizados na aula: - Classificação Pixel a Pixel. - Classificação de Imagens Segmentadas. Iniciar o programa SPRING e criar os Modelos de Dados Imagem e Temático Iniciado o programa deve-se criar um Banco de Dados seguindo o seguinte procedimento: ATIVAR BANCO DE DADOS C:\AULA_11_classifica1 O nome que daremos ao banco de dados será CLASSIFICACAO O tipo de gerenciador do banco de dados será Access Em seguida clicar na opção CRIAR, uma janela aparecerá perguntando se deseja criar uma senha para acessar o banco de dados recém criado, deve-se clicar em NÃO e em seguida clicar na opção ATIVAR. Criado o banco de dados deve-se selecionar a opção MODELO DE DADOS Essa opção exibirá a janela MODELO DE DADOS. O nome que daremos a CATEGORIA será landsat_tiff. Em seguida deve-se selecionar a opção de modelos IMAGEM

2 Em seguida deve-se clicar em CRIAR. EXECUTAR. FECHAR. Criado o modelo de dados, agora importaremos a imagem TIFF para o SIG SPRING através dos seguintes procedimentos: No menu ARQUIVO Arquivo Importar Importar Dados Vetoriais e Matriciais <Arquivo> C:\AULA_11_classifica1 \Recorte_SantaMaria.tiff Nesse momento aparecera a janela Importação, na qual deverá ser selecionado Dados Arquivo. Na caixa de diálogo indicar primeiro, no rodapé da caixa, Arquivo do tipo selecionar TIFF/GEOTIFF. Após isso indicar a pasta da aula e selecionar a imagem Recorte_SantaMaría.tif.

3 Em projeção manter o default NO PROJECTION. Na aba CONVERSÃO manter o default Interpolador Vizinho mais Próximo. Na aba SAÍDA definir os seguintes parâmetros: Projeto = classifica Categoria = landsat_tiff, <executar> PI = landsat <executar> <fechar>

4 No menu EXIBIR selecionar PAINEL DE CONTROLE Na paleta PI DISPONÍVEIS é necessário se atribuir uma banda para cada Plano de Informação disponível, conforme segue: landsat 1 = R landast_2 = G landsat_3 = B Nesse momento a imagem será exibida nas 3 bandas selecionadas. Antes da classificação será necessário criar o modelo de dados uso_da_terra. Trata-se de um modelo temático, com as seguintes classes temáticas: represa reflorestamento mata solo_exposto cana_adulta pastagem cana_nova área_urbana alagadiço Teclar em executar, após inserir todas as classes.

5 Classificação de Imagem Landsat Pixel a Pixel Para fazer a classificação clicar no menu IMAGEM e selecionar a opção CLASSIFICAÇÃO, esse procedimento exibirá a janela CLASSIFICAÇÃO. Criação de Contexto - {Nome: contx1} - (Tipo de Análise Pixel) - (Bandas landsat 1, landast_2, landsat_3) - selecionar as bandas - (Executar)

6 A janela de CLASSIFICAÇÃO aparecerá novamente, deve-se selecionar o contexto criado contx1 e em seguida clicar na opção TREINAMENTO Nesse momento aparecerá uma janela com a seguinte mensagem: ADQUIRA AMOSTRAS clique em OK Agora se inicia o processo de coleta de pixel para a amostragem de cada categoria que se deseja classificar na imagem. Comece a classificação pela represa da seguinte maneira: Treinamento - {Nome: represa} * Selecionar uma cor = azul (0, 0, 255) - (Criar) - (Tipo Aquisição) - ADQUIRIR Em seguida deve-se selecionar o cursor na imagem, selecionando uma área de amostragem para ser classificado Adquirindo amostras retangulares: Treinamento - (Contorno Retangular) * Selecionar amostra sobre a imagem como se fosse efetuar um zoom. - (Adquirir)

7 Outra possibilidade é selecionar amostras no formato poligonal, que poderá ser útil quando a área do objeto a ser selecionada não permite a construção de amostras retangulares. É o caso, por exemplo, de amostras em formato linear, como as matas ciliares. Adquirindo amostras poligonais: Treinamento - (Contorno Poligonal) - (Adquirir) Digitalizar contorno da amostra sobre a imagem, encerrando a linha com o botão direito. Automaticamente o primeiro ponto se fecha com o último.

8 * Adquirir amostras suficientes para o tema (de 2 a 4 amostras) * Repetir para outros temas: reflorestamento (0, 95, 0), mata (15, 200, 15), soloexp (255, 236, 135), cana1 (0, 175, 175), cana2 (105, 235, 235), pastagem (255, 215, 10), urbana (255, 0, 0), cultivoanual (134, 113, 10), alagadiço (135, 135, 255) Visualização de temas e amostras: Treinamento Clicar sobre o tema de interesse na janela TREINAMENTO para visualizar as amostras Obs.: Após a classificação, pode ser necessária a análise das amostras de treinamento e a transformação de algumas do TIPO AQUISIÇÃO para TESTE. Para isso basta alterar no item TIPO a seleção de AQUISIÇÃO para TESTE. Desta forma, esta amostra existirá, mas não será considerada no classificador. Alterando tipo de amostras: - (Amostras cana _adulta 15) - (Tipo Teste) - (Alterar) - (Salvar) - (Fechar) Classificando a imagem: Classificação - (Classificação...) Classificação de Imagens - {Nome: maxver}

9 - (Criar) - (Classificador MAXVER) - (Limiar de Aceitação: 100%) - (Analisar Amostras...) Análise Amostras * Analisar as amostras de aquisição e de teste para cada tema * Para as amostras com confusão alta (analise a Matriz de Confusão do Tema), retornar ao treinamento para edição e salvar as amostras com problemas na análise de amostras TESTE. - (Executar) * Visualizar a imagem classificada Obs: Observe que, quanto mais classes temáticas forem definidas, mais complexa é a classificação e os resultados podem não ser os adequados para certas categorias. No exercício tente remover algumas classes temáticas e veja o resultado. Discuta com os colegas e compare as classificações. Eliminando os ruídos de classificação - Pós-classificação: Classificação - (Pós-Classificação...) Pós-Classificação - (Imagens Classificadas maxver) - (Peso 2) - (Limiar 5) - (Executar) - Visualizar Obs: O Peso refere-se ao número de vezes que será considerada a freqüência do ponto central, varia de 1 a 7. O limiar é o valor de freqüência acima do qual o ponto central é modificado, e varia também de 1 a 7. * Testar outros pesos e limiares

10 Mapeando temas da imagem classificada para classes do banco de dados: Classificação - (Mapeamento...) Mapeamento para Classes: Esta função cria um mapa temático a partir de uma imagem classificada. - (Categoria Uso_Terra) - (Imagens Classificadas maxver) - (Temas represa) - (Classes represa) * Repetir para os todos os temas. Para cada tema deve haver pelo menos uma classe temática associada. No caso desta oficina a cada tema corresponde uma mesma classe, ambos com a mesma nomenclatura. - (Executar) * Visualizar plano temático maxver-t, que é criado automaticamente pelo SPRING. * Exibir a Legenda no menu EXIBIR - LEGENDA. Ao finalizar a operação você terá criado um mapa TEMÁTICO que pode ser alterado com as ferramentas de edição: Menu TEMÁTICO Edição Matricial. Agora, como exemplo, mude as cores das classes definidas automaticamente quando da execução do Mapeamento selecionando a classe de interesse e a paleta de cores. Na próxima aula utilizaremos um outro método de classificação: Classificação de Imagens Segmentadas. Na seqüência apresentam-se alguns conceitos importantes de Classificação de Imagens para estudo. DEFINIÇÕES E CONCEITOS DE CLASSIFICAÇÃO (Fonte: Tutorial SPRING 5.2.1) Classificação é o processo de extração de informação em imagens para reconhecer padrões e objetos homogêneos. Os métodos de classificação são usados para mapear áreas da superfície terrestre que apresentam um mesmo significado em imagens digitais. A informação espectral de uma cena pode ser representada por uma imagem espectral, onde cada "pixel" tem as coordenadas espaciais x, y e a coordenada espectral L, que representa a radiância de um alvo no intervalo de comprimento de onda de uma banda espectral. Cada "pixel" de uma banda possui uma correspondência espacial com um outro "pixel", em todas as outras bandas, ou seja para uma imagem de K bandas, existem K níveis de cinza associados à cada "pixel", sendo um para cada banda espectral.

11 O conjunto de características espectrais de um "pixel" é denotado pelo termo "atributos espectrais". Classificadores "pixel a pixel" utilizam apenas a informação espectral, isoladamente, de cada pixel para achar regiões homogêneas. Estes classificadores podem ser ainda separados em métodos estatísticos (que utilizam regras da teoria de probabilidade) e determinísticos (que não o fazem). Classificadores por regiões utilizam, além de informação espectral de cada "pixel", a informação espacial que envolve a relação entre os "pixels" e seus vizinhos. Estes classificadores procuram simular o comportamento de um fotointérprete, ao reconhecer áreas homogêneas de imagens, baseados nas propriedades espectrais e espaciais de imagens. A informação de borda é utilizada inicialmente para separar as regiões e as propriedades espaciais e espectrais que irão unir áreas com mesma textura. Representa-se o resultado de uma classificação digital por classes espectrais (áreas que possuem características espectrais semelhantes). Exemplo: o mapeamento de uso do solo urbano através de imagem multiespectral. O usuário pode ter interesse em mapear áreas, residencial e industrial, e estas classes dificilmente são caracterizadas por uma única assinatura espectral (representa um vetor de dimensão igual ao número de bandas, cujas coordenadas são medidas de radiância do alvo), devido aos diferentes tipos de alvos presentes, como vegetação, prédios, pavimentação etc. Diante desta dificuldade, em uma classificação, o usuário deve considerar a relação entre a resposta espectral dos alvos e a classe que deseja mapear. O resultado final de um processo de classificação é uma imagem digital que constitue um mapa de "pixels" classificados, representados por símbolos gráficos ou cores. O processo de classificação digital transforma um grande número de níveis de cinza, em cada banda espectral, em um pequeno número de classes em uma única imagem. As técnicas de classificação que podem ser aplicadas apenas a um canal espectral (banda da imagem) sendo conhecidas como classificações unidimensionais. As técnicas em que o critério de decisão depende da distribuição de níveis de cinza, em vários canais espectrais, são definidas como técnicas de classificação multiespectral. As técnicas de classificação multiespectral,"pixel a pixel", mais comuns são: máxima verossimilhança (MAXVER), distância mínima e método do paralelepípedo (não implementado nesta versão do SPRING). MAXVER é o método de classificação "pixel a pixel" mais comum. Considera a ponderação das distâncias entre médias dos níveis digitais das classes, utilizando parâmetros estatísticos. Para que a classificação por máxima verossimilhança seja precisa o suficiente, é necessário um número razoavelmente elevado de "pixels", para cada conjunto de treinamento. Os conjuntos de treinamento definem o diagrama de dispersão das classes e suas distribuições de probabilidade, considerando a distribuição de probabilidade normal para cada classe do treinamento. Apresentam-se duas classes (1 e 2) com distribuição de probabilidade distintas. Estas distribuições de probabilidade representam a probabilidade de um "pixel" pertencer à uma ou outra classe, dependendo da posição do "pixel" em relação à esta distribuição. Observa-se uma região onde as duas curvas sobrepõem-se, indicando que um determinado "pixel" tem igual probabilidade de pertencer às duas classes. Nesta situação estabelece-se um critério de decisão a partir da definição de limiares. Os limites de classificação são definidos a partir de pontos de mesma probabilidade de classificação de uma e de outra classe. A figura a seguir apresenta o limite de aceitação de uma classificação, no ponto onde as duas distribuições se cruzam. Desta forma, um "pixel" localizado na região sombreada, apesar de pertencer à classe 2, será classificado como classe 1, pelo limite de aceitação estabelecido.

12 O limiar de aceitação indica a % de "pixels" da distribuição de probabilidade de uma classe que será classificada como pertencente à esta classe. Um limite de 99%, por exemplo, engloba 99% dos "pixels", sendo que 1% serão ignorados (os de menor probabilidade), compensando a possibilidade de alguns "pixels" terem sido introduzidos no treinamento por engano, nesta classe, ou estarem no limite entre duas classes. Um limiar de 100% resultará em uma imagem classificada sem rejeição, ou seja, todos os "pixels" serão classificados. Para diminuir a confusão entre as classes, ou seja, reduzir a sobreposição entre as distribuições de probabilidades das classes, aconselha-se a aquisição de amostras significativas de alvos distintos e a avaliação da matriz de classificação das amostras. A matriz de classificação apresenta a distribuição de porcentagem de "pixels" classificados correta e erroneamente. No exemplo a seguir, apresenta-se uma matriz de classificação com as porcentagens de 4 classes definidas na aquisição de amostras, os valores de desempenho médio, abstenção (quanto não foi classificado) e confusão média. O valor de N representa a quantidade de cada classe (porcentagem de "pixels") que não foi classificada. A classe 1 corresponde à floresta, a classe 2 ao cerrado, a classe 3 ao rio e a classe 4 ao desmatamento. Desempenho médio: Abstenção média: 3.15 Confusão média: 7.48 N Uma matriz de classificação ideal deve apresentar os valores da diagonal principal próximos a 100%, indicando que não houve confusão entre as classes. Contudo, esta é uma situação difícil em imagens com alvos de características espectrais semelhantes. O valor fora da diagonal principal, por exemplo 13.3 (classe linha 3 e coluna 1), significa que 13.3% da área da classe "rio" amostrada, foi classificada como pertencente à classe 1 (floresta). O mesmo raciocínio deve ser adotado para os outros valores. Para diminuir a confusão entre as classes, aconselha-se a análise das amostras. A tabela a seguir apresenta a análise das amostras adquiridas para a classe floresta. Classes Amostras 1 2 3

13 Floresta Cerrado Rio Desmatamento Os valores em porcentagem indicam que na amostra, '1. 90%' dos "pixels" são classificados como floresta, '5%' como cerrado e '5%' como rio, o que resulta em uma amostra confiável. Por sua vez, a amostra 2 apresentou uma confusão de '50%' entre as classes floresta e cerrado, indicando que esta deve ser eliminada. MAXVER-ICM Enquanto o classificador MAXVER associa classes considerando pontos individuais da imagem, o classificador MAXVER-ICM (Interated Conditional Modes) considera também a dependência espacial na classificação. Em uma primeira fase, a imagem é classificada pelo algorítmo MAXVER atribuindo classes aos "pixels", considerando os valores de níveis digitais. Na fase seguinte, leva-se em conta a informação contextual da imagem, ou seja, a classe atribuída depende tanto do valor observado nesse "pixel", quanto das classes atribuídas aos seus vizinhos. O algorítmo atribui classes a um determinado "pixel", considerando a vizinhança interativamente. Este processo é finalizado quando a '%' de mudança (porcentagem de "pixels" reclassificados), definida pelo usuário é satisfeita. O SPRING fornece ao usuário as opções de 5%, 1% e 0.5% para valores de porcentagem de mudanças. Um valor 5% significa que a reatribuição de classes aos "pixels" é interrompida quando apenas 5% ou menos do total de "pixels" da imagem foi alterado. Distância Euclidiana O método de classificação por distância Euclidiana é um procedimento de classificação supervisionada, que utiliza esta distância para associar um "pixel" á uma determinada classe. No treinamento supervisionado, definem-se os agrupamentos que representam as classes. Na classificação, cada "pixel" será incorporado a um agrupamento, através da análise da medida de similaridade de distância Euclidiana, que é dada por: d (x,m) = (x2 - m2) 1/2 onde: x = "pixel" que está sendo testado m = média de um agrupamento N = número de bandas espectrais O classificador compara a distância Euclidiana do "pixel" à média de cada agrupamento. O "pixel" será incorporado ao agrupamento que apresenta a menor distância Euclidiana. Este procedimento é repetido até que toda a imagem seja classificada. Classificação de Imagens Segmentadas - Classificadores por regiões Isoseg O classificador Isoseg é um dos algoritmos disponíveis no Spring para classificar regiões de uma imagem segmentada. É um algoritmo de agrupamento de dados não-supervisionado, aplicado sobre o conjunto de regiões, que por sua vez são caracterizadas por seus atributos estatísticos de média, matriz de covariância, e também pela área. Um algoritmo de "clustering" não supõe nenhum conhecimento prévio da distribuição de densidade de probabilidade dos temas, como ocorre no algoritmo de máxima verossimilhança. É uma técnica para classificação que procura agrupar regiões, a partir de uma medida de similaridade entre elas. A medida de similaridade utilizada consiste na distância de Mahalanobis entre a classe e as regiões candidatas a relação de pertinência com esta classe. O Isoseg utiliza os atributos estatísticos das regiões: a matriz de covariância e o vetor de média, para estimar o valor central de cada classe. Este algoritmo resume-se em tres etapas, descritas a seguir.

14 1ª) Definição do limiar: o usuário define um limiar de aceitação, dado em percentagem. Este limiar por sua vez define uma distância de Mahalanobis, de forma que todas regiões pertencentes a uma dada classe estão distantes da classe por uma distância inferior a esta. Quanto maior o limiar, maior esta distância e consequentemente menor será o número de classes detectadas pelo algoritmo. (2ª) Detecção das classes: as regiões são ordenadas em ordem decrescente de área e inicia-se o procedimento para agrupá-las em classes. Serão tomados como parâmetros estatísticos de uma classe (média e matriz de covariância), os parâmetros estatísticos da região de maior área que ainda não tenha sido associada a classe alguma. Em seguida, associa-se a esta classe todas regiões cuja distância de Mahalanobis for inferior a distância definida pelo limiar de aceitação. Assim, a primeira classe terá como parâmetros estatísticos aquelas regiões com maior área. As classes seguintes terão parâmetros estatísticos de média das regiões de maior área, que não tenham sido associada a nenhuma das classes previamente detectadas. Esta fase repete-se até que todas regiões tenham sido associadas a alguma classe. (3ª) Competição entre classes: as regiões são reclassificadas, considerando-se os novos parâmetros estatísticos das classes, definidos na etapa anterior. A fase 2 consiste basicamente na detecção de classes, sendo um processo seqüencial que pode favorecer as classes que são detectadas em primeiro lugar. Com vista a eliminar este favorecimento", procede-se a "competição entre classes. Esta competição consiste em reclassificar todas as regiões. O parâmetro estatístico (média de cada classe é então recalculado. O processo repete-se até que a média das classes não se altere (convergência). Ao término, todas regiões estarão associadas á uma classe definida pelo algoritmo. O usuário deverá então associar estas classes (denominadas temas, no Spring) às classes por ele definidas no banco de dados, na opção Arquivo- Esquema Conceitual. Battacharya A medida da distância de Battacharya é usada neste classficador por regiões, para medir a separabilidade estatística entre um par de classes espectrais. Ou seja, mede a distância média entre as distribuições de probabilidades de classes espectrais. O princípio é análogo ao utilizado para o classificador Isoseg, porém a medida de distância usada é a distãncia de Battacharya. ( ver mais detalhes em Paul M. Mather, 1993). O classificador Battacharya, ao contrário do Isoseg que é automático, requer interação do usuário, através do treinamento. Neste caso, as amostras serão as regiões formadas na segmentação de imagens. ClaTex O classificador ClaTex é um algoritmo supervisionado que utiliza atributos texturais das regiões de uma imagem segmentada para efetuar a classificação por regiões. A classificação é realizada pela técnica de agrupamento de regiões a partir de uma medida de similaridade entre elas. E a medida de similaridade utilizada consiste na distância de Mahalanobis entre a classe de interesse e as regiões candidatas à relação de pertinência com esta classe. Portanto, cada região será classificada a uma dada classe de interesse baseada na minimização da distância de Mahalanobis. O conjunto de medidas texturais que pode ser utilizado por este classificador é dividido em 5 (cinco) grupos: 1. Medidas Gerais: este grupo inclui a média, a variância, o desvio padrão, a curtoses, a assimetria e o coeficiente de variação; 2. Medidas em histograma: este grupo inclui a mediana, a desvio médio absoluto, a entropia e a energia; 3. Medidas Logarítmicas: neste grupo se encontram os logaritmos da média, da variância, do desvio e da textura (definida por: (definida por:, onde é a média amostral da variável ; 4. Medidas de Autocorrelação: as medidas de autocorrelação espacial bidimensional podem ser definidas para os "lags" que variam entre -4 e 4 e ainda pode-se definir a razão entre duas medidas de autocorrelação; 5. Medidas de Haralick: as medidas deste grupo são baseadas na matriz de co-ocorrência de Haralick ("Gray

15 Level Co-occurrence Matrix" - GLCM). As dezoito medidas que compõem este grupo são a entropia, o contraste, a energia, a homogeneidade, a dissimilaridade, a correlação, o qui-quadrado, o "cluster shade", o "cluster prominence", e amédia, a variância, a energia e a entropia dos vetores soma e diferença e o contraste do vetor diferença. As etapas a serem seguidas para a realização de uma classificação com o algoritmo ClaTex são similares àquelas apresentadas para um classificador supervisionado. Entretanto, existem duas diferenças básicas acrescidas ao ClaTex que podem ser resumidas como segue: (1ª) Definição de uma Camada: camada é a nomenclatura utilizada para definir um Plano de Informação que possui um grupo de medidas texturais selecionado relacionado a ele e que serão extraídas a partir deste mesmo Plano de Informação (2ª) Seleção das Medidas: devido a enorme quantidade de medidas que pode ser gerada com este algoritmo, a seleção das medidas a serem efetivamente utilizadas na classificação pode ser feita automaticamente, na qual se ordenada de forma decrescente os pares de classes que estão mais distantes entre si, baseada num fator discriminante que avalia a separabilidade destes pares de classes. E por fim realiza-se a etapa de classificação propriamente dita, baseada na distância de Mahalanobis, gerando-se uma imagem classificada.

UFGD FCA PROF. OMAR DANIEL BLOCO 6 CLASSIFICAÇÃO DE IMAGENS

UFGD FCA PROF. OMAR DANIEL BLOCO 6 CLASSIFICAÇÃO DE IMAGENS UFGD FCA PROF. OMAR DANIEL BLOCO 6 CLASSIFICAÇÃO DE IMAGENS Obter uma imagem temática a partir de métodos de classificação de imagens multi- espectrais 1. CLASSIFICAÇÃO POR PIXEL é o processo de extração

Leia mais

CLASSIFICAÇÃO DE IMAGENS

CLASSIFICAÇÃO DE IMAGENS CLASSIFICAÇÃO DE IMAGENS SIG Profa.. Dra. Maria Isabel Castreghini de Freitas ifreitas@rc.unesp.br Profa. Dra. Andréia Medinilha Pancher medinilha@linkway.com.br O que é classificação? É o processo de

Leia mais

Aula 5 - Classificação

Aula 5 - Classificação AULA 5 - Aula 5-1. por Pixel é o processo de extração de informação em imagens para reconhecer padrões e objetos homogêneos. Os Classificadores "pixel a pixel" utilizam apenas a informação espectral isoladamente

Leia mais

APLICAÇÕES PRÁTICAS DE PROCESSAMENTO DE IMAGENS EM SENSORIAMENTO REMOTO

APLICAÇÕES PRÁTICAS DE PROCESSAMENTO DE IMAGENS EM SENSORIAMENTO REMOTO APLICAÇÕES PRÁTICAS DE PROCESSAMENTO DE IMAGENS EM SENSORIAMENTO REMOTO ESTÁGIO DOCÊNCIA ALUNA: ADRIANA AFFONSO (PROGRAMA DE PÓS- GRADUAÇÃO NO INPE MESTRADO EM SENSORIAMENTO REMOTO) ORIENTADOR: PROF. DR.

Leia mais

UNIVERSIDADE FEDERAL DA PARAÍBA CENTRO DE CIÊNCIAS EXATAS E DA NATUREZA DEPARTAMENTO DE GEOCIÊNCIAS

UNIVERSIDADE FEDERAL DA PARAÍBA CENTRO DE CIÊNCIAS EXATAS E DA NATUREZA DEPARTAMENTO DE GEOCIÊNCIAS UNIVERSIDADE FEDERAL DA PARAÍBA CENTRO DE CIÊNCIAS EXATAS E DA NATUREZA DEPARTAMENTO DE GEOCIÊNCIAS Laboratório de Ensino, Pesquisa e Projetos em Análise Espacial TUTORIAL DE SPRING Alexandro Medeiros

Leia mais

UNIVERSIDADE FEDERAL DA PARAÍBA CENTRO DE CIÊNCIAS EXATAS E DA NATUREZA DEPARTAMENTO DE GEOCIÊNCIAS

UNIVERSIDADE FEDERAL DA PARAÍBA CENTRO DE CIÊNCIAS EXATAS E DA NATUREZA DEPARTAMENTO DE GEOCIÊNCIAS UNIVERSIDADE FEDERAL DA PARAÍBA CENTRO DE CIÊNCIAS EXATAS E DA NATUREZA DEPARTAMENTO DE GEOCIÊNCIAS Laboratório de Ensino, Pesquisa e Projetos em Análise Espacial TUTORIAL DE SPRING Alexandro Medeiros

Leia mais

PROCESSAMENTO DIGITAL DE IMAGENS SPRING 5.0.6

PROCESSAMENTO DIGITAL DE IMAGENS SPRING 5.0.6 Universidade do Estado de Santa Catarina UDESC Centro de Ciências Humanas e da Educação CCE/FAED Deapartamento de Geografia DG Curso Mestrado em Planejamento Regional e Desenvolvimento Sócio Ambiental

Leia mais

Classificação de Imagens

Classificação 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 mais

UFGD FCA PROF. OMAR DANIEL BLOCO 4 PROCESSAMENTO DE IMAGENS

UFGD FCA PROF. OMAR DANIEL BLOCO 4 PROCESSAMENTO DE IMAGENS UFGD FCA PROF. OMAR DANIEL BLOCO 4 PROCESSAMENTO DE IMAGENS Executar as principais técnicas utilizadas em processamento de imagens, como contraste, leitura de pixels, transformação IHS, operações aritméticas

Leia mais

ABERTURA DO BANCO DE DADOS. Felipe Correa Prof. Waterloo Pereira Filho

ABERTURA DO BANCO DE DADOS. Felipe Correa Prof. Waterloo Pereira Filho Tutorial Básico de Processamento de Imagens no Spring 4.3.3 Abertura do banco de dados Composição cor verdadeira Composição falsa-cor Ampliação linear de contraste Classificação não-supervisionada Classificação

Leia mais

Aula 4 - Processamento de Imagem

Aula 4 - Processamento de Imagem 1. Contraste de Imagens Aula 4 - Processamento de Imagem A técnica de realce de contraste tem por objetivo melhorar a qualidade das imagens sob os critérios subjetivos do olho humano. É normalmente utilizada

Leia mais

MiniCurso 4 horas Introdução ao SPRING

MiniCurso 4 horas Introdução ao SPRING MiniCurso 4 horas Introdução ao SPRING Dr. Carlos A Felgueiras (carlos@dpi.inpe.br) Gerente de Desenvolvimento do SPRING DPI - Divisão de Processamento de Imagens INPE Instituto Nacional de Pesquisas Espaciais

Leia mais

Sensoriamento Remoto

Sensoriamento Remoto Sensoriamento Remoto É a utilização conjunta de modernos sensores, equipamentos para processamento de dados, equipamentos de transmissão de dados, aeronaves, espaçonaves etc, com o objetivo de estudar

Leia mais

3 Estado da arte em classificação de imagens de alta resolução

3 Estado da arte em classificação de imagens de alta resolução 37 3 Estado da arte em classificação de imagens de alta resolução Com a recente disponibilidade de imagens de alta resolução produzidas por sensores orbitais como IKONOS e QUICKBIRD se tornou-se possível

Leia mais

Criando Mapa de Declividade a partir de dados SRTM

Criando Mapa de Declividade a partir de dados SRTM Criando Mapa de Declividade a partir de dados SRTM SPRING 5.0 1 O objetivo deste tutorial é apresentar de forma simples e prática como construir, no Spring, mapa de declividade a partir de dados do SRTM.

Leia mais

Aula 3 - Registro de Imagem

Aula 3 - Registro de Imagem 1. Registro de Imagens Aula 3 - Registro de Imagem Registro é uma transformação geométrica que relaciona as coordenadas da imagem (linha e coluna) com as coordenadas geográficas (latitude e longitude)

Leia mais

Costa, B.L. 1 ; Faria, R.A.M²; Marins, L.S.³. ²Universidade do Estado do Rio de Janeiro / Faculdade de Formação de Professores - rfariageo@hotmail.

Costa, B.L. 1 ; Faria, R.A.M²; Marins, L.S.³. ²Universidade do Estado do Rio de Janeiro / Faculdade de Formação de Professores - rfariageo@hotmail. GERAÇÃO DE MAPA DE USO E COBERTURA DE SOLO UTILIZANDO IMAGENS DE SATÉLITE LANDSAT 8 PARA O SUPORTE AO PLANEJAMENTO MUNICIPAL DO MUNICÍPIO DE NITERÓI RJ. Costa, B.L. 1 ; Faria, R.A.M²; Marins, L.S.³ 1 Universidade

Leia mais

Sistemas de Informação Geográfica (SIG) para Agricultura de Precisão

Sistemas de Informação Geográfica (SIG) para Agricultura de Precisão 01 Sistemas de Informação Geográfica (SIG) para Agricultura de Precisão Rodrigo G. Trevisan¹; José P. Molin² ¹ Eng. Agrônomo, Mestrando em Engenharia de Sistemas Agrícolas (ESALQ-USP); ² Prof. Dr. Associado

Leia mais

AULA 5 Manipulando Dados Matriciais: Grades e Imagens. 5.1 Importando Grades e Imagens Interface Simplificada

AULA 5 Manipulando Dados Matriciais: Grades e Imagens. 5.1 Importando Grades e Imagens Interface Simplificada 5.1 AULA 5 Manipulando Dados Matriciais: Grades e Imagens Nessa aula serão apresentadas algumas funcionalidades do TerraView relativas à manipulação de dados matriciais. Como dados matriciais são entendidas

Leia mais

AULA 5 Manipulando Dados Matriciais: Grades e Imagens. 5.1 Importando Grades e Imagens Interface Simplificada

AULA 5 Manipulando Dados Matriciais: Grades e Imagens. 5.1 Importando Grades e Imagens Interface Simplificada 5.1 AULA 5 Manipulando Dados Matriciais: Grades e Imagens Nessa aula serão apresentadas algumas funcionalidades do TerraView relativas a manipulação de dados matriciais. Como dados matriciais são entendidas

Leia mais

Aula 3 - Registro de Imagem

Aula 3 - Registro de Imagem Aula 3 - Registro de Imagem 1. Registro de Imagens Registro é uma transformação geométrica que relaciona coordenadas da imagem (linha e coluna) com coordenadas geográficas (latitude e longitude) de um

Leia mais

UFGD FCA PROF. OMAR DANIEL BLOCO 3 RESTAURAÇÃO DE IMAGENS

UFGD FCA PROF. OMAR DANIEL BLOCO 3 RESTAURAÇÃO DE IMAGENS UFGD FCA PROF. OMAR DANIEL BLOCO 3 RESTAURAÇÃO DE IMAGENS Qualquer tipo de tratamento de imagens deve ser efetuado antes de seu registro, ou seja, com a imagem original. As imagens CBERS aparecem com aspecto

Leia mais

2.1.2 Definição Matemática de Imagem

2.1.2 Definição Matemática de Imagem Capítulo 2 Fundamentação Teórica Este capítulo descreve os fundamentos e as etapas do processamento digital de imagens. 2.1 Fundamentos para Processamento Digital de Imagens Esta seção apresenta as propriedades

Leia mais

QGIS 2.8 Rampa de Cores para Representação Topográfica do Modelo Digital de Elevação (MDE)

QGIS 2.8 Rampa de Cores para Representação Topográfica do Modelo Digital de Elevação (MDE) QGIS 2.8 Rampa de Cores para Representação Topográfica do Modelo Digital de Elevação (MDE) Jorge Santos 2015 QGIS 2.8: Novas Rampas de Cores Conteúdo Sumário Capítulo 1... 3 Download e Processos no MDE...

Leia mais

Centro de Estudos Gerais Instituto de Geociências Departamento de Análise Geoambiental Disciplina: Sensoriamento Remoto I

Centro de Estudos Gerais Instituto de Geociências Departamento de Análise Geoambiental Disciplina: Sensoriamento Remoto I Centro de Estudos Gerais Instituto de Geociências Departamento de Análise Geoambiental Disciplina: Sensoriamento Remoto I Organizado por: Cesar Augusto Valdeger de Oliveira Revisado e editado por: Angelica

Leia mais

FSP/USP. HEP5800 Bioestatística_2011 Denise Pimentel Bergamaschi

FSP/USP. HEP5800 Bioestatística_2011 Denise Pimentel Bergamaschi Aula 1 - Excel Assuntos que serão vistos no Excel 1- Cálculo de porcentagem simples e acumulada; construção de tabelas 2- Construção de gráficos 2.1 Diagrama de barras (uma variável) 2.2 Diagrama linear

Leia mais

Basicão de Estatística no EXCEL

Basicão de Estatística no EXCEL Basicão de Estatística no EXCEL Bertolo, Luiz A. Agosto 2008 2 I. Introdução II. Ferramentas III. Planilha de dados 3.1 Introdução 3.2 Formatação de células 3.3 Inserir ou excluir linhas e colunas 3.4

Leia mais

INE 7001 - Procedimentos de Análise Bidimensional de variáveis QUANTITATIVAS utilizando o Microsoft Excel. Professor Marcelo Menezes Reis

INE 7001 - Procedimentos de Análise Bidimensional de variáveis QUANTITATIVAS utilizando o Microsoft Excel. Professor Marcelo Menezes Reis INE 7001 - Procedimentos de Análise Bidimensional de variáveis QUANTITATIVAS utilizando o Microsoft Excel. Professor Marcelo Menezes Reis O objetivo deste texto é apresentar os principais procedimentos

Leia mais

Teoria : Estruturas de Dados. Estrutura Vetorial. Quais tipos de dados são representados por estruturas vetoriais? Mapa temático:

Teoria : Estruturas de Dados. Estrutura Vetorial. Quais tipos de dados são representados por estruturas vetoriais? Mapa temático: Universidade do Estado de Santa Catarina UDESC Centro de ciências Humanas e da Educação FAED Mestrado em Planejamento Territorial e Desenvolvimento Socio- Ambiental - MPPT Disciplina: Geoprocessamento

Leia mais

Quanto menor o comprimento de onda mais o efeito da atmosfera. A Banda 1 do Landsat 5 TM serve para estudar sedimentos (menor comprimento de onda)

Quanto menor o comprimento de onda mais o efeito da atmosfera. A Banda 1 do Landsat 5 TM serve para estudar sedimentos (menor comprimento de onda) Para mapear áreas de cultura (áborea) natural (floresta, reflorestamento) usar imagens de agosto, setembro. Para mapear produtividade, contaminação, praga, usar imagens de janeiro ou dezembro. Para mapear

Leia mais

Classificação da imagem (ou reconhecimento de padrões): objectivos Métodos de reconhecimento de padrões

Classificação da imagem (ou reconhecimento de padrões): objectivos Métodos de reconhecimento de padrões Classificação de imagens Autor: Gil Gonçalves Disciplinas: Detecção Remota/Detecção Remota Aplicada Cursos: MEG/MTIG Ano Lectivo: 11/12 Sumário Classificação da imagem (ou reconhecimento de padrões): objectivos

Leia mais

Vetorização no Spring

Vetorização no Spring UNIVERSIDADE FEDERAL DE MINAS GERAIS INSTITUTO DE GEOCIÊNCIAS DEPARTAMENTO DE CARTOGRAFIA Laboratório de Geoprocessamento Vetorização no Spring Grazielle Anjos Carvalho Beatriz Trindade Laender Belo Horizonte,

Leia mais

MODELAGEM DIGITAL DE SUPERFÍCIES

MODELAGEM DIGITAL DE SUPERFÍCIES MODELAGEM DIGITAL DE SUPERFÍCIES Prof. Luciene Delazari Grupo de Pesquisa em Cartografia e SIG da UFPR SIG 2012 Introdução Os modelo digitais de superficie (Digital Surface Model - DSM) são fundamentais

Leia mais

CURSO DE USO ESCOLAR DO SENSORIAMENTO REMOTO NO ESTUDO DO MEIO AMBIENTE TUTORIAL INTRODUÇÃO AO SPRING PARA PROFESSORES DA EDUCAÇÃO BÁSICA

CURSO DE USO ESCOLAR DO SENSORIAMENTO REMOTO NO ESTUDO DO MEIO AMBIENTE TUTORIAL INTRODUÇÃO AO SPRING PARA PROFESSORES DA EDUCAÇÃO BÁSICA CURSO DE USO ESCOLAR DO SENSORIAMENTO REMOTO NO ESTUDO DO MEIO AMBIENTE TUTORIAL INTRODUÇÃO AO SPRING PARA PROFESSORES DA EDUCAÇÃO BÁSICA Suely Franco Siqueira Lima Teresa Gallotti Florenzano Eliana Maria

Leia mais

Conheça o Projeto. Apresentação. Finalidade. Objetivo

Conheça o Projeto. Apresentação. Finalidade. Objetivo Manual do Usuário Índice Conheça o Projeto...3 Apresentação...3 Finalidade...3 Objetivo...3 Histórico...4 Usando o Portal...5 Efetuando o cadastro na biblioteca digital...5 Logando na Biblioteca Digital...6

Leia mais

Sistema topograph 98. Tutorial Módulo Projetos

Sistema topograph 98. Tutorial Módulo Projetos Sistema topograph 98 Tutorial Módulo Projetos Como abrir um projeto existente _ 1. Na área de trabalho do Windows, procure o ícone do topograph e dê um duplo clique sobre ele para carregar o programa.

Leia mais

Estatística Usando EXCEL

Estatística Usando EXCEL Universidade Federal de Minas Gerais Instituto de Ciências Exatas Departamento de Estatística Estatística Usando EXCEL Distribuição de alunos segundo idade e sexo > =23 60% 40% 21 ---23 67% 33% 19 ---21

Leia mais

TerraView. O TerraView está estruturado da seguinte forma: - Modelo de dados

TerraView. O TerraView está estruturado da seguinte forma: - Modelo de dados TerraView O TerraView é um aplicativo desenvolvido pelo DPI/INPE e construído sobre a biblioteca de geoprocessamento TerraLib, tendo como principais objetivos: - Apresentar à comunidade um fácil visualizador

Leia mais

Tutorial do Sistema GeoOffice. Todos os direitos reservados (1999-2002)

Tutorial do Sistema GeoOffice. Todos os direitos reservados (1999-2002) Tutorial do Sistema GeoOffice Todos os direitos reservados (1999-2002) Sistema GeoOffice Sistema Topográfico Solution Softwares Tutorial Passo a Passo Conteúdo I Tabela de Conteúdos Foreword 0 Parte I

Leia mais

AULA 15 Plugin Preenchimento de Células

AULA 15 Plugin Preenchimento de Células 15.1 AULA 15 Plugin Preenchimento de Células Nessa aula são apresentadas as funcionalidades do plugin de preenchimento de células. O plugin Preenchimento de Células possibilita calcular valores para atributos

Leia mais

GUIA DE UTILIZAÇÃO E NAVEGAÇÃO

GUIA DE UTILIZAÇÃO E NAVEGAÇÃO SUPERINTENDÊNCIA DE PLANEJAMENTO SPLAN Gerência de Informação em Saúde GIS GUIA DE UTILIZAÇÃO E NAVEGAÇÃO -1- SECRETARIA DE ESTADO DA SAÚDE DE GOIÁS SECRETÁRIA Irani Ribeiro de Moura SUPERINTENDÊNCIA DE

Leia mais

AULA 1 Iniciando o uso do TerraView

AULA 1 Iniciando o uso do TerraView 1.1 AULA 1 Iniciando o uso do TerraView Essa aula apresenta a interface principal do TerraView e sua utilização básica. Todos os arquivos de dados mencionados nesse documento são disponibilizados junto

Leia mais

Manual de baixa do Certificado Digital AR SOLUTI. Versão 2.0 de 7 de Maio de 2014. Classificação: Ostensiva

Manual de baixa do Certificado Digital AR SOLUTI. Versão 2.0 de 7 de Maio de 2014. Classificação: Ostensiva Catalogação do Documento Titulo Classificação Versão 2.0 de 7 de Maio de 2014 Autor Raphael Reis Aprovador Bruno Barros Número de páginas 57 Página 2 de 57 Sumário 1 Sistema operacional compatível para

Leia mais

Universidade Federal do Rio de Janeiro - IM/DCC & NCE

Universidade Federal do Rio de Janeiro - IM/DCC & NCE Universidade Federal do Rio de Janeiro - IM/DCC & NCE Processamento de Imagens Tratamento da Imagem - Filtros Antonio G. Thomé thome@nce.ufrj.br Sala AEP/033 Sumário 2 Conceito de de Filtragem Filtros

Leia mais

Utilização de imagem CBERS-2 na análise e avaliação dos impactos ambientais da cultura da cana-de-açúcar da região de Ribeirão Preto SP

Utilização de imagem CBERS-2 na análise e avaliação dos impactos ambientais da cultura da cana-de-açúcar da região de Ribeirão Preto SP Utilização de imagem CBERS-2 na análise e avaliação dos impactos ambientais da cultura da cana-de-açúcar da região de Ribeirão Preto SP Valéria de Souza Assunção 1 Elizabete Cristina Kono 1 Rafael Frigerio

Leia mais

Associação Educacional Dom Bosco Curso de Engenharia 1º ano

Associação Educacional Dom Bosco Curso de Engenharia 1º ano Formatação condicional utilizando o valor da célula O que é? Algumas vezes é preciso destacar os valores, ou seja, como colocar em vermelho ou entre parênteses, os negativos, e de outra cor os positivos,

Leia mais

Universidade Federal de Goiás Instituto de Informática Processamento Digital de Imagens

Universidade Federal de Goiás Instituto de Informática Processamento Digital de Imagens Universidade Federal de Goiás Instituto de Informática Processamento Digital de Imagens Prof Fabrízzio Alphonsus A M N Soares 2012 Capítulo 2 Fundamentos da Imagem Digital Definição de Imagem: Uma imagem

Leia mais

Clique no menu Iniciar > Todos os Programas> Microsoft Office > Publisher 2010.

Clique no menu Iniciar > Todos os Programas> Microsoft Office > Publisher 2010. 1 Publisher 2010 O Publisher 2010 é uma versão atualizada para o desenvolvimento e manipulação de publicações. Juntamente com ele você irá criar desde cartões de convite, de mensagens, cartazes e calendários.

Leia mais

GIMP 2.8 Guia para Remoção do Pixel Valor Zero nas Imagens Landsat-8

GIMP 2.8 Guia para Remoção do Pixel Valor Zero nas Imagens Landsat-8 GIMP 2.8 Guia para Remoção do Pixel Valor Zero nas Imagens Landsat-8 Jorge Santos 2014 Conteúdo Sumário Capítulo 1... 4 O Problema do Pixel Valor Zero... 4 1.1 Transformação Radiométrica... 4 1.2 Equalização

Leia mais

CLASSIFICAÇÃO DE IMAGENS DE ALTA RESOLUÇÃO

CLASSIFICAÇÃO DE IMAGENS DE ALTA RESOLUÇÃO AULA 6 Segmentação: Introdução e Conceitos CLASSIFICAÇÃO DE IMAGENS DE ALTA RESOLUÇÃO A- Segmentação B- Contexto e topologia C- Métodos Mínima Distância e Lógica Fuzzy D- Trabalho Prático: e-cogntition

Leia mais

AULA 3 Ferramentas de Análise Básicas

AULA 3 Ferramentas de Análise Básicas 3.1 AULA 3 Ferramentas de Análise Básicas Neste capítulo serão apresentadas algumas ferramentas de análise de dados com representação vetorial disponíveis no TerraView. Para isso será usado o banco de

Leia mais

Processamento de Imagem. Prof. MSc. André Yoshimi Kusumoto andrekusumoto.unip@gmail.com

Processamento de Imagem. Prof. MSc. André Yoshimi Kusumoto andrekusumoto.unip@gmail.com Processamento de Imagem Prof. MSc. André Yoshimi Kusumoto andrekusumoto.unip@gmail.com Visão Computacional Não existe um consenso entre os autores sobre o correto escopo do processamento de imagens, a

Leia mais

Universidade de São Paulo/Faculdade de Saúde Pública Curso de Saúde Pública Disciplina: HEP 147 Informática I. Aula Excel

Universidade de São Paulo/Faculdade de Saúde Pública Curso de Saúde Pública Disciplina: HEP 147 Informática I. Aula Excel Universidade de São Paulo/Faculdade de Saúde Pública Curso de Saúde Pública Disciplina: HEP 147 Informática I Aula Excel O que é o Excel? O Excel é um aplicativo Windows - uma planilha eletrônica - que

Leia mais

SSE 3.0. Guia Rápido. Módulo Secretaria. Nesta Edição

SSE 3.0. Guia Rápido. Módulo Secretaria. Nesta Edição SSE 3.0 Guia Rápido Módulo Secretaria Nesta Edição 1 Acessando o Módulo Secretaria 2 Cadastros Auxiliares 3 Criação de Modelos Definindo o Layout do Modelo Alterando o Layout do Cabeçalho 4 Parametrização

Leia mais

Microsoft Office PowerPoint 2007

Microsoft Office PowerPoint 2007 INTRODUÇÃO AO MICROSOFT POWERPOINT 2007 O Microsoft Office PowerPoint 2007 é um programa destinado à criação de apresentação através de Slides. A apresentação é um conjunto de Sides que são exibidos em

Leia mais

EXCEL 2013. Público Alvo: Arquitetos Engenheiros Civis Técnicos em Edificações Projetistas Estudantes das áreas de Arquitetura, Decoração e Engenharia

EXCEL 2013. Público Alvo: Arquitetos Engenheiros Civis Técnicos em Edificações Projetistas Estudantes das áreas de Arquitetura, Decoração e Engenharia EXCEL 2013 Este curso traz a vocês o que há de melhor na versão 2013 do Excel, apresentando seu ambiente de trabalho, formas de formatação de planilhas, utilização de fórmulas e funções e a criação e formatação

Leia mais

CONSTRUÇÃO DE BANCOS DE DADOS ESPACIAIS COM IMAGENS DE SATÉLITE

CONSTRUÇÃO DE BANCOS DE DADOS ESPACIAIS COM IMAGENS DE SATÉLITE UNIVERSIDADE FEDERAL DE MINAS GERAIS INSTITUTO DE CIÊNCIAS EXATAS DEPARTAMENTO DE ESTATÍSTICA CONSTRUÇÃO DE BANCOS DE DADOS ESPACIAIS COM IMAGENS DE SATÉLITE Renzo Joel Flores Ortiz Ilka Afonso Reis BELO

Leia mais

Exercício de Estatística

Exercício de Estatística Exercício de Estatística 1 Construa a tabela abaixo 2 Inserir a fórmula em E2 3 Clicar em E2 e arrastar com a alça de preenchimento (+) até E5 4 Inserir em B6 a função auto-soma 5- Repetir a função auto-soma

Leia mais

Índice. Atualizado em: 01/04/2015 Página: 1

Índice. Atualizado em: 01/04/2015 Página: 1 MANUAL DO USUÁRIO Índice 1. Introdução... 3 2. Acesso ao Sistema... 4 2.1. Instalação... 4 2.1.1. Servidor - Computador Principal... 4 2.1.2. Estação - Computador na Rede... 6 2.1.3. Estação - Mapeamento

Leia mais

Mapas Interativos de Saúde Ambiental: Principais Funções.

Mapas Interativos de Saúde Ambiental: Principais Funções. Ministério da Saúde Secretaria de Vigilância em Saúde Departamento de Vigilância em Saúde Ambiental e Saúde do Trabalhador Mapas Interativos de Saúde Ambiental: Principais Funções. 1. Introdução O Mapas

Leia mais

CBPF Centro Brasileiro de Pesquisas Físicas. Nota Técnica

CBPF Centro Brasileiro de Pesquisas Físicas. Nota Técnica CBPF Centro Brasileiro de Pesquisas Físicas Nota Técnica Aplicação de Física Médica em imagens de Tomografia de Crânio e Tórax Autores: Dário Oliveira - dario@cbpf.br Marcelo Albuquerque - marcelo@cbpf.br

Leia mais

Presskit Guia Rápido. Release 2.0. Presskit

Presskit Guia Rápido. Release 2.0. Presskit Presskit Guia Rápido Release 2.0 Presskit 06/07/2009 Sumário 1 Login 2 Login e Senha...................................... 2 Esqueci minha senha.................................. 2 Fale Com o Suporte...................................

Leia mais

I ENCONTRO PAULISTA DE BIODIVERSIDADE

I ENCONTRO PAULISTA DE BIODIVERSIDADE I ENCONTRO PAULISTA DE BIODIVERSIDADE 16 a 18 de novembro de 2009 Fundação Mokiti Okada Palestrante: Mônica Pavão Pesquisadora do Instituto Florestal INVENTÁRIO FLORESTAL DO ESTADO DE SÃO PAULO INVENTÁRIO

Leia mais

AVG Admin 2012 SQL Server 2005 Express

AVG Admin 2012 SQL Server 2005 Express AVG Admin 2012 SQL Server 2005 Express Conteúdo: 1. INSTALAÇÃO DO SQL SERVER 2005 EXPRESS... 3 1.1. Microsoft.Net Framework 2.0... 3 1.2. Microsoft SQL Server 2005 Express... 3 2. INSTALAÇÃO E CONFIGURAÇÃO

Leia mais

Seleção Retangular Esta é uma das ferramentas mais usadas. A seleção será indicada pelas linhas tracejadas que fazem a figura de um retângulo.

Seleção Retangular Esta é uma das ferramentas mais usadas. A seleção será indicada pelas linhas tracejadas que fazem a figura de um retângulo. O que é o Gimp? O GIMP é um editor de imagens e fotografias. Seus usos incluem criar gráficos e logotipos, redimensionar fotos, alterar cores, combinar imagens utilizando o paradigma de camadas, remover

Leia mais

Para inserir custo fixo às tarefas, siga os passos abaixo :

Para inserir custo fixo às tarefas, siga os passos abaixo : Capítulo 9 Custos 166 CUSTOS INSERINDO CUSTO FIXO AO PROJETO O custo total do projeto é o custo total de recurso somado ao custo total de custos fixos. O custo com recurso já é computado quando alocamos

Leia mais

Ferramentas de sensoriamento remoto e SIG aplicadas ao novo Código Florestal

Ferramentas de sensoriamento remoto e SIG aplicadas ao novo Código Florestal 1/38 Ferramentas de sensoriamento remoto e SIG aplicadas ao novo Código Florestal Cota de Reserva Ambiental (CRA) Eng. Allan Saddi Arnesen Eng. Frederico Genofre Eng. Matheus Ferreira Eng. Marcelo Pedroso

Leia mais

TUTORIAL 10 AULAS - SPRING 4.3 (Versão Windows) SPRING Básico. Junho de 2006 INPE

TUTORIAL 10 AULAS - SPRING 4.3 (Versão Windows) SPRING Básico. Junho de 2006 INPE TUTORIAL 10 AULAS - SPRING 4.3 (Versão Windows) SPRING Básico Junho de 2006 INPE As informações contidas neste documento estão sujeitas a alterações e correções sem prévio aviso. Esse documento pode ser

Leia mais

TEXTO 2 INCLUSÃO E EXCLUSÃO DE USUÁRIOS (PARTICIPANTES) NO CURSO E CRIAÇÃO DE GRUPOS MANUAIS E AUTOMATICAMENTE

TEXTO 2 INCLUSÃO E EXCLUSÃO DE USUÁRIOS (PARTICIPANTES) NO CURSO E CRIAÇÃO DE GRUPOS MANUAIS E AUTOMATICAMENTE 1 TEXTO 2 INCLUSÃO E EXCLUSÃO DE USUÁRIOS (PARTICIPANTES) NO CURSO E CRIAÇÃO DE GRUPOS MANUAIS E AUTOMATICAMENTE Acompanhamento de conclusão: aqui você pode ativar o rastreamento de conclusão das atividades.

Leia mais

ODG Auto Acessórios Ltda www.odginstruments.com.br Versão 2.0 FEVEREIRO 2009

ODG Auto Acessórios Ltda www.odginstruments.com.br Versão 2.0 FEVEREIRO 2009 ODG Auto Acessórios Ltda www.odginstruments.com.br Versão 2.0 FEVEREIRO 2009 1 INDICE 1. Instalação do Software...3 2. Tela Inicial...3 3. Criando arquivo de configurações (Alt + C + C)...4 3.1 Sensores

Leia mais

1 - Crie um novo documento no ArcMap. Com o programa aberto, selecione o Dataframe Layers

1 - Crie um novo documento no ArcMap. Com o programa aberto, selecione o Dataframe Layers Conversão de Raster para Polígono usando o ArcMap Nos posts anteriores, conhecemos uma situação onde uma empresa solicita, além do produto esperado, imagens no canal alfa para geração de polígonos envolventes

Leia mais

O programa TAB para Windows TabWin - foi desenvolvido com a finalidade de permitir a realização de tabulações rápidas de sistemas de informações.

O programa TAB para Windows TabWin - foi desenvolvido com a finalidade de permitir a realização de tabulações rápidas de sistemas de informações. AJUDA TABWin 1 INDICE 1. Introdução... 3 2. Instalação e Execução... 3 3. Descrição do programa... 3 3.1. Visão geral... 3 4. Mapas... 20 5. Efetuar operações com os dados da tabela... 22 6. Análises Estatísticas...

Leia mais

Tutorial Administrativo (Backoffice)

Tutorial Administrativo (Backoffice) Manual - Software ENTRANDO NO SISTEMA BACKOFFICE Para entrar no sitema Backoffice, digite no seu navegador de internet o seguinte endereço: http://pesquisa.webbyapp.com/ Entre com o login e senha. Caso

Leia mais

1 Tipos de dados em Análise de Clusters

1 Tipos de dados em Análise de Clusters Curso de Data Mining Sandra de Amo Aula 13 - Análise de Clusters - Introdução Análise de Clusters é o processo de agrupar um conjunto de objetos físicos ou abstratos em classes de objetos similares Um

Leia mais

Processamento digital de imagens. introdução

Processamento digital de imagens. introdução Processamento digital de imagens introdução Imagem digital Imagem digital pode ser descrita como uma matriz bidimensional de números inteiros que corresponde a medidas discretas da energia eletromagnética

Leia mais

Passo a Passo do Cadastro Produtos no SIGLA Digital

Passo a Passo do Cadastro Produtos no SIGLA Digital Página 1 de 15 Passo a Passo do Cadastro Produtos no SIGLA Digital O cadastro de produtos permite organizar as informações relativas a produtos e serviços, como grupo, marca, peso, unidades e outros, que

Leia mais

Manual PAINT.NET de imagens

Manual PAINT.NET de imagens Manual PAINT.NET de imagens 1. Instalação 1.1 - Para instalar o programa paint.net, o primeiro passo é baixá-lo do endereço a seguir e salvá-lo em seu computador. http://ww2.prefeitura.sp.gov.br/paint_net/paint.net.3.36.exe

Leia mais

O cursor se torna vermelho e uma Paleta de Edição contendo as instruções mais utilizadas é apresentada.

O cursor se torna vermelho e uma Paleta de Edição contendo as instruções mais utilizadas é apresentada. Editor de Ladder para VS7 Versão Teste O editor de ladder é um software de programação que permite que o VS7 e o µsmart sejam programados em linguagem de contatos. Esse editor está contido na pasta Público

Leia mais

Inteligência Embarcada Módulo de Inteligência Embarcada

Inteligência Embarcada Módulo de Inteligência Embarcada Inteligência Embarcada Módulo de Inteligência Embarcada - Para acessar o módulo deve-se ir ao menu FERRAMENTAS, sub-menu INTELIGÊNCIA EMBARCADA. O menu, ilustrado abaixo, contém as seguintes opções: Configurando

Leia mais

GUIA DE AUXÍLIO PARA GERENCIAMENTO DE PROJETOS METODOLOGIA IFES

GUIA DE AUXÍLIO PARA GERENCIAMENTO DE PROJETOS METODOLOGIA IFES GUIA DE AUXÍLIO PARA GERENCIAMENTO DE PROJETOS METODOLOGIA IFES SUMÁRIO 1. PREENCHIMENTO DA PLANILHA DE GERENCIAMENTO DE PROJETOS...3 1.1 Menu...3 1.2 Termo de Abertura...4 1.3 Plano do Projeto...5 1.4

Leia mais

SisDEA Home Windows Versão 1

SisDEA Home Windows Versão 1 ROTEIRO PARA CRIAÇÃO E ANÁLISE MODELO REGRESSÃO 1. COMO CRIAR UM MODELO NO SISDEA Ao iniciar o SisDEA Home, será apresentada a tela inicial de Bem Vindo ao SisDEA Windows. Selecione a opção Criar Novo

Leia mais

mvbuilder - Manual do Usuário

mvbuilder - Manual do Usuário mvbuilder - Manual do Usuário mvbuilder Editor de mapas para o meavox Parte integrante da Suite meavox de comunicação alternativa. Manual do Usuário do mvbuilder Autor: Gustavo Furtado Versão deste documento:

Leia mais

QGIS 2.4 Estatísticas de Grupo Somatório de Áreas

QGIS 2.4 Estatísticas de Grupo Somatório de Áreas QGIS 2.4 Estatísticas de Grupo Somatório de Áreas Jorge Santos 2014 Conteúdo Sumário Capítulo 1... 3 Introdução... 3 1.1 Demanda... 3 1.2 O Complemento Group Stats...3 1.3 Instalação do Complemento Group

Leia mais

Smart Laudos 1.9. A Forma Inteligente de Criar seus Laudos Médicos. Manual do Usuário

Smart Laudos 1.9. A Forma Inteligente de Criar seus Laudos Médicos. Manual do Usuário Smart Laudos 1.9 A Forma Inteligente de Criar seus Laudos Médicos Manual do Usuário Conteúdo 1. O que é o Smart Laudos?... 3 2. Características... 3 3. Instalação... 3 4. Menu do Sistema... 4 5. Configurando

Leia mais

AULA 1 Iniciando o Uso do TerraView

AULA 1 Iniciando o Uso do TerraView 1.1 AULA 1 Iniciando o Uso do TerraView Essa aula apresenta o software TerraView apresentando sua interface e sua utilização básica. Todos os arquivos de dados mencionados neste documento bem como o executável

Leia mais

FERRAMENTAS DE COLABORAÇÃO CORPORATIVA

FERRAMENTAS DE COLABORAÇÃO CORPORATIVA FERRAMENTAS DE COLABORAÇÃO CORPORATIVA Criação de Formulários no Google Drive Sumário (Clique sobre a opção desejada para ir direto à página correspondente) Criação de Formulários no Google Drive Introdução...

Leia mais

Processamento de Imagem. Prof. Herondino

Processamento de Imagem. Prof. Herondino Processamento de Imagem Prof. Herondino Sensoriamento Remoto Para o Canada Centre for Remote Sensing - CCRS (2010), o sensoriamento remoto é a ciência (e em certa medida, a arte) de aquisição de informações

Leia mais

SPRING 3.6.03 - Apresentação

SPRING 3.6.03 - Apresentação SPRING 3.6.03 - Apresentação GEOPROCESSAMENTO Conjunto de ferramentas usadas para coleta e tratamento de informações espaciais, geração de saídas na forma de mapas, relatórios, arquivos digitais, etc;

Leia mais

Configuração Java Nota Legal Porto Alegre

Configuração Java Nota Legal Porto Alegre Configuração Java Nota Legal Porto Alegre Manual do Usuário Sumário 1. Sobre... 03 2. Configuração do Java... 04 3. Configuração do Applet... 10 4. Geração da NFS-e... 13 Sobre A Prefeitura de Porto Alegre

Leia mais

[CURSO DE FÉRIAS FIREWORKS] JULHO / 2011

[CURSO DE FÉRIAS FIREWORKS] JULHO / 2011 Conteúdo 1. OBJETIVO DO FIREWORKS... 2 1.1 - Diferença entre imagem Vetorial e Bitmap... 2 1.2 - Formato de Arquivos... 3 2. AMBIENTE DO FIREWORKS... 3 2.1 - INICIANDO UM PROJETO... 4 3. DESENHANDO NO

Leia mais

Manual de baixa do Certificado Digital AR SOLUTI. Versão 2.0 de 22 de Maio de 2014. Classificação: Ostensiva

Manual de baixa do Certificado Digital AR SOLUTI. Versão 2.0 de 22 de Maio de 2014. Classificação: Ostensiva Catalogação do Documento Titulo Classificação Versão 2.0 de 22 de Maio de 2014 Autor Raphael Reis Aprovador Bruno Barros Número de páginas 43 Página 2 de 43 Sumário 1 Sistema operacional compatível para

Leia mais

Histórico. Software estatístico utilizado em mais de 80 países por pesquisadores, engenheiros, analistas empresariais, professores, estudantes.

Histórico. Software estatístico utilizado em mais de 80 países por pesquisadores, engenheiros, analistas empresariais, professores, estudantes. MINITAB 14 Histórico Software estatístico utilizado em mais de 80 países por pesquisadores, engenheiros, analistas empresariais, professores, estudantes. Possui ferramentas para diversos tipos de análise

Leia mais

MANUAL DO PROGRAMA CSPSNet

MANUAL DO PROGRAMA CSPSNet MANUAL DO PROGRAMA CSPSNet Qualquer dúvida entre em contato: (33)32795093 01 USUÁRIO/CSPSNet O sistema CSPSNet está configurado para funcionar corretamente nos seguintes browsers: Internet Explorer 8.0,

Leia mais

QGIS 2.2 Modo de Edição: Edição de Feições de Polígono

QGIS 2.2 Modo de Edição: Edição de Feições de Polígono QGIS 2.2 Modo de Edição: Edição de Feições de Polígono Jorge Santos 2014 Conteúdo Sumário Capítulo 1... 3 Material de Apoio... 3 1.1 Cartografia de Referência... 3 1.2 Base Cartográfica Vetorial de Referência...

Leia mais

selecionado. DICAS 1. Explore, sempre, o ícone

selecionado. DICAS 1. Explore, sempre, o ícone COMO USAR O MAPA COM INDICADORES DO GEOPORTAL DE INFORMAÇÕES EM SAÚDE DA BAHIA? Este documento fornece um passo a passo explicativo e ilustrado das principais ferramentas do Mapa com Indicadores do GeoPortal

Leia mais

APOSTILA DE CURSO - SPRING-3.3 (versão Windows) Spring Básico. Junho de 1999 INPE

APOSTILA DE CURSO - SPRING-3.3 (versão Windows) Spring Básico. Junho de 1999 INPE APOSTILA DE CURSO - SPRING-3.3 (versão Windows) Spring Básico Junho de 1999 INPE As informações contidas neste documento estão sujeitas a alterações e correções sem prévio aviso. Esse documento pode ser

Leia mais

Manual do Usuário Novembro/2012

Manual do Usuário Novembro/2012 Manual do Usuário Novembro/2012 Sumário 1. Objetivos...3 2. Informações Operacionais...4 3. Configurações Recomendadas...7 4. Preparação do Sistema...8 4.1 Solicitando acesso ao Sisu...8 4.2 Autorização

Leia mais

ebook Guia prático para download das imagens gratuitas do INPE

ebook Guia prático para download das imagens gratuitas do INPE ebook Guia prático para download das imagens gratuitas do INPE Guia prático para download das imagens gratuitas do INPE Este guia vai ajudar você a como fazer download, e a visualizar as imagens de satélite

Leia mais

Manual para Envio de Petição Inicial

Manual para Envio de Petição Inicial Manual para Envio de Petição Inicial 1. Após abrir a página do PROJUDI, digite seu usuário e senha 1.1. Para advogados o usuário é o cpf.adv (ex: 12345678900.adv) 1.2. Após digitar os dados (login e senha),

Leia mais