SISTEMA SEMI-AUTOMÁTICO DE REGISTRO E MOSAICO DE IMAGENS

Transcrição

1 INPE-9582-TDI/838 SISTEMA SEMI-AUTOMÁTICO DE REGISTRO E MOSAICO DE IMAGENS Dmitri Fedorov Dissertação de Mestrado em Computação Aplicada, orientada pela Dra. Leila Maria Garcia Fonseca, aprovada em 16 de agosto de INPE São José dos Campos 2003

2 FEDOROV, D. Sistema semi-automático de registro e mosaico de imagens / D. Fedorov São José dos Campos: INPE, p. (I NPE-9582-TDI/838). 1.Registro de imagens. 2.Mosaicos. 3.Satélite. 4.Casamento de pontos de controle. I.Título

3

4

5 Dedicate the best of this work and all my effort to my parents for all your support and understanding, to my friends for being such an important part of my life even being distant, to dear Natalie Borisova - you re the reason.

6

7 AGRADECIMENTOS Agradeço a minha orientadora Leila M. G. Fonseca a dedicação e grande ajuda na execução do trabalho e redação da tese. Sincera gratidão para Dr. Manjunath e meu amigo C. Kenney da Universidade da Califórnia de Santa Barbara pelas dicas valiosas e inspiração na execução do trabalho. Gostaria de agradecer Dr. José Simeão de Medeiros as sugestões úteis e construtivas que aumentaram as características de sistema do ponto de vista de usuário. Ao meu amigo Rodrigo Rizzi aos testes extensivos e operacionais do sistema, sugestões importantíssimas e ajuda na redação do texto. Aos colegas da DPI e do Laboratório de Visão (UCSB) pelo grande apoio e motivação no desenvolvimento do sistema. Finalmente gostaria de agradecer CAPES; SELPER; Office of Naval Research, China Lake Naval Air Warfare Center e CalTrans pelo suporte financeiro durante as pesquisas e execução do trabalho.

8

9 RESUMO Registro de imagens é uma operação importante para aplicações de sensoriamento remoto que basicamente envolve a identificação de muitos pontos de controle nas imagens. Como a identificação manual de pontos de controle pode ser demorada e tediosa foram desenvolvidas várias técnicas automáticas. Este trabalho descreve um sistema semi-automático de registro e mosaico de imagens de sensoriamento remoto desenvolvido em cooperação entre Divisão de Processamento de Imagens (INPE) e o Laboratório de Visão (Universidade de Califórnia, Santa Barbara). No sistema são implementados três algoritmos de registro que demonstraram potencial para registro de imagens multi-temporais e multi-sensores. O sistema é projetado para aceitar diferentes tipos de dados e agregar conhecimentos do usuário para acelerar o processo e evitar erros. Baseando-se em um procedimento estatístico que caracteriza os registros bons e ruins, o usuário pode parar ou continuar modificando os parâmetros do processo. Testes exaustivos foram executados registrando imagens de radar, imagens multi-sensores, imagens de alta resolução e seqüências de vídeo. Além disso, o sistema foi testado operacionalmente por profissionais de sensoriamento remoto do INPE utilizando imagens de cenas inteiras do Landsat, JERS-1, CBERS-1 e imagens aéreas. Foi criada uma demonstração on-line do sistema que contém vários exemplos que podem ser executados usando web browser.

10

11 AUTOMATIC REGISTRATION AND MOSAICKING SYSTEM FOR REMOTELY SENSED IMAGERY ABSTRACT Image registration is an important operation in remote sensing applications that basically involves the identification of many control points in the images. As the manual identification of control points may be time-consuming and tedious several automatic techniques have been developed. This paper describes a system for automatic registration and mosaic of remote sensing images under development at the Division of Image Processing (National Institute for Space Research - INPE) and the Vision Lab (Electrical & Computer Engineering department, UCSB). Three registration algorithms, which showed potential for multisensor or temporal image registration, are implemented. The system is designed to accept different types of data and information provided by the user that are used to speed up the processing or avoid mismatched control points. Based on a statistical procedure used to characterize good and bad registration, the user can stop or modify the parameters and continue the processing. Extensive algorithm tests have been performed by registering optical, radar, multisensor, high-resolution images and video sequences. Furthermore, the system has been tested by remote sensing experts at INPE using full scene Landsat, JERS-1, CBERS-1 and aerial images. A system online demo ( that contains several examples that can be executed using web browser is available.

12

13 SUMÁRIO LISTA DE FIGURAS LISTA DE TABELAS CAPÍTULO 1 - INTRODUÇÃO...19 CAPÍTULO 2 - TÉCNICAS DE REGISTRO DE IMAGENS Registro Baseado em Área A invariância à rotação nos métodos baseadas em área Registro Baseado em Feições Mapeamento de Imagens Mosaico de Imagens...35 CAPÍTULO 3 - EXTRAÇÃO DE PONTOS DE CONTROLE Extração de Feições Extração de feições utilizando o processo de segmentação Extração de feições utilizando a transformada Wavelet Feições pontuais obtidas pelo método Optical Flow modificado Casamento de Feições Casamento de feições pontuais Casamento de regiões Casamento de contornos Refinamento dos Pontos de Controle Utilizando sua Geometria Avaliação da Precisão do Registro Teste utilizando pontos de controle (RMSE) Teste que utiliza a informação radiométrica das imagens Teste independente da variação dos parâmetros da transformação...67 CAPÍTULO 4 - MÉTODOS DE REGISTRO IMPLEMENTADOS NO SISTEMA Método Misto com Avaliação de Transformação Método Baseado na Transformada Wavelet...73

14 4.3 Método Baseado em Contornos...75 CAPÍTULO 5 - DESCRIÇÃO DO SISTEMA Interface Gráfica Ferramentas Recursos Necessários Estrutura Lógica do Sistema Descrição Técnica Exemplos de Utilização...90 CAPÍTULO 6 - RESULTADOS E TESTES Desempenho dos Algoritmos Avaliação do Método de Refinamento dos Pontos de Controle Avaliação do Teste de Aceitabilidade da Função de Transformação Exemplos de Registro e Mosaico de Imagens CAPÍTULO 7 - CONCLUSÃO REFERÊNCIAS BIBLIOGRÁFICAS...145

15 LISTA DE FIGURAS 2.1 Aplicação do método semi-automático através de operadores morfológicos para identificação de pontos de controle Imagem de referência Imagem de ajuste (a) Imagem de ajuste e (b) mapa de similaridade Resultado do registro Transformações de translação, rotação e escala (a) Partes que devem ser mosaicadas, (b) mosaico comum, (c) mosaico pelo rio Gráfico da função LoG (a) Imagem original SPOT PAN. (b) Contornos obtidos pela aplicação do algoritmo LOG SPOT PAN ERS-1 SAR Imagem SPOT após o processo de limiarização Imagem SAR após o processo de limiarização SAR segmentado por MUM. Fonte [5] SAR segmentado por RWSEG. Fonte [5] SPOT segmentado por REGSEG. Fonte [5] SPOT segmentado por OPTISEG. Fonte [5] Imagem em resoluções diferentes. (três níveis de resolução) (a) Wavelet spline cúbica e (b) Função de suavização correspondente a wavelet. Fonte [11] (a) Imagem original SPOT PAN. (b) Decomposição wavelet com dois níveis Feições pontuais sobrepostas as bandas LL da decomposição wavelet para (a) nível 0 (b) nível 1 (c) nível (a) Imagem original SPOT PAN. (b) Feições pontuais obtidas pelo algoritmo Optical Flow modificado Fluxograma do sistema proposto por P. Dare. Fonte [5] Atributos casados do (a) SPOT e (b) ERS-1. Fonte [5]

16 3.18 Imagens originais (a) IRS PAN e (b) mapa digitalizado. Fonte [5] Atributos casados (a) IRS e (b) mapa. Fonte [5] Contorno 2 é o contorno 1 rotacionado. Fonte [7] Fluxograma dos testes propostos por C. Kenney Fluxograma do método misto Fluxograma do método baseado na transformada wavelet Fluxograma do método baseado em contornos Janelas do sistema em Windows Janela de pré-processamento Janela do editor de pontos de controle Fluxograma lógico do sistema Interação das funções de registro e mosaico com GUI Interação das funções de registro com GUI Interação das funções de mosaico com GUI Fluxograma da interface gráfica Fluxograma das funções de registro Abrir as imagens Identificar e casar os pontos de controle Fazer registro ou mosaico Exemplo de mosaico das imagens aéreas da ponte Golden Gate Mosaico nos canais diferentes Imagens originais TM/5 (a) 07/06/1992 e (b) 15/07/ (c) Composição colorida das imagens (a) e (b) registrada Imagens originais TM/5 (a) 15/07/1994 e (b) 20/07/ (c) Composição colorida das imagens (a) e (b) registrada Imagens originais TM/5 (a) 15/07/1994 e (b) 20/07/ (c) Mosaico equalizado das imagens (a) e (b) registrada Imagens originais (c) Composição colorida das imagens (a) e (b) registrada Imagens originais TM/5 (a) 07/08/1995 e (b) 29/08/ (c) Composição colorida das imagens (a) e (b) registrada

17 6.6 Imagens originais Terra/MODIS (a) 10/06/2000 e (b) 22/08/ (c) Composição colorida das imagens (a) e (b) registrada Imagens originais (a) SPOT 08/08/1995 e (b) TM 07/06/ (c) Composição colorida das imagens (a) e (b) registrada Imagens originais (a) SPOT 08/08/1995 e (b) TM 07/06/ (c) Composição colorida das imagens (a) e (b) registrada Imagens originais JERS-1 (a) 10/10/1995 e (b) 08/13/ (c) Composição colorida das imagens (a) e (b) registrada Imagens originais JERS-1 (a) 10/10/1995 e (b) 08/13/ (c) Composição colorida das imagens (a) e (b) registrada Imagens originais LYNX-SAR (c) Composição colorida das imagens (a) e (b) registrada Imagens originais TM-5 (a) 09/09/1990 e (b) 18/07/ (c) Composição colorida das imagens (a) e (b) registrada Imagens originais TM-5 (a) 09/09/1990 e (b) 18/07/ (c) Composição colorida das imagens (a) e (b) registrada Imagens originais Ikonos (c) Mosaico das imagens (a) e (b) registrada Imagens originais (c) Composição colorida das imagens (a) e (b) registrada Imagens originais (c) Mosaico das imagens (a) e (b) registrada Imagens originais (c) Mosaico das imagens (a) e (b) registrada Mosaico das fotografias aéreas da cidade de Goleta, Califórnia Mosaico de uma seqüência de vídeo da floresta amazônica Mosaico de uma seqüência de vídeo da cidade de Los Angeles Mosaico de duas imagens Landsat mosaico de quatro imagens Landsat Mosaico de quatro imagens CBERS Composição colorida de duas imagens JERS

18

19 LISTA DE TABELAS 2.1 Elementos estruturantes de afinamento Elementos estruturantes de pruning Nucleo aproximado do operador LOG Algoritmos de segmentação Componentes da decomposição wavelet Comparação de métodos padrão e wavelets Comparação de métodos padrão e contornos Comparação de casamentos corretos dos dois passos Testes do método de avaliação do erro de registro... 99

20

21 CAPÍTULO 1 INTRODUÇÃO Registro de imagens é um processo de casamento entre duas imagens, que possuem informações referentes a uma mesma área. A imagem tomada como base de registro é chamada de imagem de referência e a imagem a ser registrada é chamada de imagem de ajuste. O processo de registro de imagens é uma das etapas mais importantes na seqüência de processamentos de imagens de sensoriamento remoto. Na área de sensoriamento remoto, o registro (mosaico ou casamento) de imagens é utilizado como base de várias aplicações, como por exemplo, integração da informação adquirida por diferentes sensores, análise de mudanças, mosaico de imagens, etc. [1]. Geralmente, o registro é feito manualmente. Neste caso o operador escolhe uma feição pontual, visualmente interessante, em uma imagem e tenta encontrar a mesma feição correspondente na outra imagem. Este par de pontos é chamado de pontos de controle. Com a indicação de vários pontos de controle nas imagens, consegue-se modelar a função de distorção entre as duas imagens, que é usada para corrigir a imagem de ajuste. Esta tarefa é bastante lenta, árdua e sujeita a erros, justamente porque possui o fator humano, que muitas vezes não tem experiência suficiente para realizar-la. Com o aumento da utilização das imagens de sensoriamento remoto em várias aplicações e a grande quantidade de dados provenientes de diferentes sensores, o desenvolvimento de métodos de registro mais rápidos e com boa precisão tem sido necessário. Como conseqüência, um grande número de métodos de registro têm sido desenvolvido [1] e alguns deles serão apresentados neste trabalho. O que se pode observar é que um único método não funciona adequadamente para diferentes tipos de dados e aplicações. Outro problema é que os métodos automáticos, sem a ajuda de um especialista em sensoriamento remoto, apresentam certas dificuldades na geração de resultados corretos e confiáveis

22 Um sistema de registro interessante seria aquele que fornecesse um conjunto de ferramentas necessárias para realizar o processo de registro de forma mais rápida e com boa precisão. Um sistema deste tipo pode ser chamado de sistema de registro semiautomático, pois existe a interação do especialista com o processo de registro. Os métodos automáticos existentes atualmente são desenvolvidos para tipos específicos de imagens e podem retornar resultados errados ou imprecisos quando utilizados com dados não apropriados. A interação do usuário, mesmo mínima, pode guiar o algoritmo a fazer um registro de qualidade. Por exemplo, o especialista pode informar ao sistema qual o tipo de imagens que estão sendo usadas (radar, sensor óptico, imagens aéreas, etc.), se as imagens contém objetos com contornos fechados bem definidos, e assim por diante. Portanto, o objetivo deste trabalho é desenvolver e implementar um sistema semiautomático de registro e mosaico de imagens que facilite as operações de busca de pontos de controle e gerenciamento da precisão de registro. Para isto, serão utilizados os conhecimentos do usuário para aumentar a qualidade do registro e tornar o sistema mais robusto. O sistema deverá conter um conjunto de ferramentas (métodos de aquisição de pontos de controle, casamento dos pontos, funções de transformações) que automatizará o processo, com a intervenção do usuário, em qualquer uma das fases, quando se fizer necessário. Este trabalho está organizado da seguinte forma. O Capítulo 2 apresenta algumas técnicas mais utilizadas no processo de registro e o Capítulo 3 descreve mais detalhadamente as técnicas de extração de pontos de controle. No Capítulo 4 são apresentados os algoritmos implementados e utilizados no sistema de registro proposto neste trabalho. O Capítulo 5 apresenta o sistema de registro, a metodologia adotada para realizar este trabalho e exemplos de utilização. O Capítulo 6 discute e apresenta os resultados. Finalmente, o Capítulo 7 faz alguns comentários sobre os resultados obtidos e sobre trabalhos futuros

23 CAPÍTULO 2 TÉCNICAS DE REGISTRO DE IMAGENS Registro de imagens é um processo de casamento de duas imagens, que possuem uma área em comum, de forma que os pontos com coordenadas correspondentes nas duas imagens correspondem à mesma região física. O processo de registro pode ser realizado, basicamente, em três etapas: 1) Obtenção de pontos de controle; 2) Determinação da função de transformação; 3) Sobreposição das imagens. O processo de obtenção de pontos de controle inclui duas etapas (1) a extração de feições (cantos, linhas, contornos) e (2) o casamento das feições extraídas. Obtido os pontos de controle, a transformação espacial que modela as distorções entre as imagens é calculada e o registro é realizado através de um método de interpolação [1]. A função de transformação é calculada usando o conjunto de pontos de controle obtidos na fase anterior. De um modo geral, os métodos de registro podem ser classificados como: 1) Manual; 2) Semi-automático; 3) Automático. O método manual é um processo demorado e depende dos conhecimentos e experiência do usuário, mas ainda é bastante utilizado. Neste caso, o usuário escolhe os pontos de controle manualmente, e as imagens são sobrepostas automaticamente. Pontos de

24 controle mais comuns são cruzamento de rios e estradas, pontos salientes de uma curva ou borda, interseção de áreas, etc. Para garantir a qualidade do registro, é preciso um grande número de pontos de controle espalhados uniformemente sobre a imagem. É muito importante que cada ponto seja marcado com precisão nas duas imagens. Por isso, para marcar um ponto o usuário faz várias ampliações em torno dos pontos, o que envolve um trabalho de muita paciência pois é uma tarefa exaustiva e demorada. O registro manual fica sujeito a erros se o processo é feito por um usuário sem experiência ou sem a devida atenção. O método semi-automático envolve a interação com o usuário; isto facilita a determinação de pontos de controle precisos em um período de tempo mais curto. Este método consiste em tentar fornecer mecanismos para otimizar o processo de seleção dos pontos de controle. Uma idéia muito simples é aquela em que o usuário somente precisa escolher uma pequena área envolvendo o ponto de controle (cruzamento de rios e estradas, pontos salientes de uma curva ou borda, interseção de áreas), o qual será identificado automaticamente. Podem ser utilizados métodos estatísticos, que serão apresentados posteriormente, para comparação de duas pequenas áreas escolhidas pelo usuário para identificar os pontos correspondentes em cada área. Também podem ser aplicadas outras técnicas de registro automático nestas pequenas áreas, tornando o processo mais rápido e preciso. Um método interessante é a utilização de operadores morfológicos para identificar os pontos de controle visualmente interessantes, tais como cruzamentos de rios, estradas ou interseção de áreas. A seguir, este método é descrito com mais detalhes. O usuário escolhe uma área pequena contendo a intersecção de estradas ou rios que será processada. O processamento é definido através dos seguintes passos: 1) Seleciona-se uma área em torno do ponto identificado pelo usuário;

25 2) Utiliza-se o processo de limiarização ou segmentação da sub-imagem selecionada para convertê-la em uma representação binária; 3) Expande-se esta área para tornar o processo indiferente à rotação; 4) Aplica-se o afinamento morfológico que vai esqueletizar a imagem tornando a estrada ou rio em um pixel de largura (linha de um pixel); 5) Realiza-se a identificação de cruzamentos das linhas. A área escolhida é copiada para uma outra imagem e processada utilizando passos 2-5. A imagem normalmente é pequena, por exemplo, 50x50 pixels [10], para tornar as operações morfológicas mais rápidas. A expansão da imagem da área escolhida é feita utilizando a técnica interpixel, como proposto em [10], o que torna o processo de esqueletização invariante à rotação. Afinamento (ou estreitamento) [12] é uma operação morfológica que é utilizada para esqueletizar a imagem, removendo os pixels que não pertencem ao esqueleto. Primeiro, a imagem é processada pelo elemento estruturante apresentado na Tabela 2.1 (a) seguido pelo elemento estruturante apresentado na Tabela 2.1 (b), e depois por todas as quatro rotações de 90 dos dois elementos. O elemento estruturante determina os detalhes do efeito do operador na imagem. O elemento estruturante também é chamado de núcleo. O elemento estruturante especifica as coordenadas de vários pontos discretos em relação à alguma origem. Normalmente o elemento é representado através de uma imagem pequena da grade retangular. A origem normalmente fica no centro do elemento estruturante mas isso não é obrigatório. O processo é repetido em modo cíclico até que nenhuma das iterações produza qualquer mudança. Observe que a origem do elemento estruturante está no centro

26 TABELA 2.1 ELEMENTOS ESTRUTURANTES DE AFINAMENTO (a) (b) O ponto é apagado se os seus vizinhos 3x3 são diferentes do elemento estruturante e as posições vazias dos elementos não são avaliadas. O resultado do afinamento é melhorado cortando as terminações indesejáveis (pruning). O processo de corte é parecido com o afinamento, porém, utiliza outros elementos estruturantes, apresentados nas Tabelas 2.2 (a) e 2.2 (b), e as rotações de 45. TABELA 2.2 ELEMENTOS ESTRUTURANTES DE PRUNING (a) (b) Depois da identificação dos cruzamentos, o cruzamento mais próximo do centro é escolhido. A Figura 2.1 apresenta os passos do processo. O primeiro passo, apresentado na Figura 2.1a, mostra a área escolhida pelo usuário. A Figura 2.1b apresenta o esqueleto desta área colocado em cima da área original. A Figura 2.1c apresenta o ponto de interseção identificado no esqueleto e colocado em cima da imagem original

27 (a) (b) (c) Figura 2.1 Aplicação do método semi-automático através de operadores morfológicos para identificação de pontos de controle. O método automático, idealmente, não tem interação com o usuário e todo o processo de registro é realizado de forma automática. Para processar grandes quantidades de informações, vários métodos automáticos têm sido desenvolvidos. Infelizmente, nem todos os problemas estão resolvidos ainda. Os métodos automáticos são específicos para diferentes tipos de imagens e às vezes necessitam da interação do usuário, o que o tornam não totalmente automáticos. Algumas idéias de desenvolvimento de um algoritmo completamente automático baseiam-se em Inteligência Artificial. Um sistema inteligente poderia determinar o tipo de imagens e o algoritmo a ser empregado, para uma certa aplicação especial. Os métodos de registro podem ser classificados em duas categorias: Registro Imagem - Imagem (matriz de pontos); Registro Imagem - Mapa (imagens vetoriais). No registro Imagem-Mapa, a imagem é colocada dentro de um sistema de coordenadas planas de um certo sistema de projeção cartográfica, tal como o Universal Transverse mercator (UTM) ou o Polar Stereographic (OS). Neste caso dizemos que a imagem está geo-referenciada ou geo-codificada [43]. Os algoritmos de registro baseiam-se em um dos seguintes métodos:

28 1) Baseado em área; 2) Baseado em feições; 3) Baseado em contornos; O primeiro método não é adequado para registro Imagem-Mapa. Neste caso, o mais indicado é o método baseado em feições definido posteriormente. Vários métodos em uma fase inicial de processamento, necessitam de um registro grosseiro que consiste em estimar os parâmetros de rotação e translação de forma grosseira: com erro de vários pixels. O registro grosseiro pode ser realizado de maneira automática ou manual. O usuário pode escolher manualmente 2 ou 3 pontos de controle que serão usados para estimar a rotação e translação. A rotação entre duas imagens pode também ser estimada usando o método de estimação da direção de iluminação como descrito em [9] ou determinando a rotação entre contornos presentes nas imagens [7]. 2.1 Registro Baseado em Área Este método proporciona um registro de boa precisão, porém é lento e deve ser usado somente em casos em que as imagens a serem registradas sejam geometricamente e radiometricamente semelhantes. Uma pequena janela Sij na imagem de referência é estatisticamente comparada com várias janelas Wz do mesmo tamanho na imagem de ajuste. Assim, a janela Wz mais parecida com Sij define um ponto em comum nas duas imagens. As Figuras 2.2 e 2.3 mostram este processo. Consideremos que as janelas possuem K linhas e L colunas

29 Figura 2.2 Imagem de referência. Figura 2.3 Imagem de ajuste. Para comparar as janelas são utilizados métodos estatísticos como a Correlação cruzada normalizada, Coeficiente de correlação, Detecção de similaridade seqüencial, etc. Estes métodos são chamados de medidas ou critérios de similaridade. O método de Correlação Cruzada Normalizada [1] é definido por: K 1 L 1 W (l,m)s (l,m) z ij l= 0 m= 0 R(i, j) =, (2.1) K 1 L 1 K 1 L Wz (l,m) Sij (l,m) l= 0 m= 0 l= 0 m= 0 Onde: S ij Janela da imagem de referência; W z Janela da imagem de ajuste;

30 As janelas mais parecidas possuem o máximo valor R(i, j). O método Coeficiente de correlação [1] retorna o valor em escala absoluta normalizado entre [-1, 1] : C(i, j) = K 1 L 1 l= 0 m= 0 K 1 L 1 l= 0 m= 0 (W 2 z (W (l, (l, z m) - m) - µ w µ ) w )(S (l,m) - µ ) ij K 1 L 1 2 l= 0 m= 0 (S (l,m) - µ ) 2 ij s s 2, (2.2) Onde: µ w - média da janela W; µ s - média da janela W. Os dois métodos apresentados acima requerem um tempo de processamento grande. Uma alternativa menos custosa computacionalmente é o algoritmo de Detecção de similaridade seqüencial: K 1 L 1 E ( i, j) = W ( l, m) S ( l, m), l= 0 m= 0 z ij (2.3) A medida de similaridade E(i, j) é acumulada para valores de pixels da janela até um certo limite, que pode ser estabelecido dependendo da qualidade e velocidade do teste. O número de pixels revisados é guardado como taxa do teste, e a janela com a maior taxa é considerada a melhor [1]. Aplicando o algoritmo de Correlação Cruzada Normalizada para a janela indicada na Figura 2.2 podemos construir o mapa de similaridade, apresentado na Figura 2.4 (b), com as janelas tomadas na imagem da Figura 2.4 (a)

31 (a) (b) Figura 2.4 (a) Imagem de ajuste e (b) mapa de similaridade. No mapa de similaridade, as áreas brancas indicam as áreas em que as janelas apresentam a maior similaridade. Dentro da área branca pode ser visto um ponto preto, indicado com uma seta, é um ponto mais claro escurecido para melhor visualização e é o ponto mais similar ao ponto indicado na Figura 2.2, no canto superior esquerdo da janela. Sobrepondo as imagens podemos ver o resultado do mosaico, apresentado na Figura

32 Figura 2.5 Resultado do registro A invariância à rotação nos métodos baseadas em área As comparações entre as janelas consideradas nos métodos baseados em área, são dependentes da rotação e escala entre as imagens, por isso seu uso é bastante limitado. Para melhorar o desempenho do método alguns autores têm proposto várias inovações [8, 9]. O método descrito a seguir é proposto por Kenney e Manjunath [23]. Consideremos a criação de vetores de feições para cada ponto a ser comparado em vez da utilização de janelas retangulares ao redor do ponto. O vetor de feições do ponto (x, y) é definido como uma janela circular centrada no ponto (x, y) e rotacionada. A rotação é escolhida de tal forma que o gradiente da janela aponta para baixo. Para obter o gradiente, o centróide (x c, y c ) da janela ao redor do ponto (x, y) é utilizado: x y c c = = B ( x, y) h B ( x, y) h xg ˆ ( xˆ, yˆ) dydx ˆ ˆ yg ˆ ( xˆ, yˆ) dydx ˆ ˆ onde B h (x, y) é uma janela circular de raio h centrada em (x, y)., (2.4)

33 A direção do gradiente, d = (x c x, y c - y), e o ângulo de rotação θ entre os vetores d e (1, 0) são calculados. O ângulo θ é utilizado para rotacionar todas as janelas circulares extraídas para todos os pontos, de tal forma que as comparações entre estas janelas sejam invariantes à rotação. O vetor descrito é invariante à rotação, mas não à escala. A invariância à escala pode ser obtida modificando-se a escala do vetor com o fator determinado pela norma de d. Para obter a invariância à iluminação o vetor pode ser normalizado utilizando os valores da média e de variância. Quando a resolução das imagens a serem registradas é diferente ou as imagens são de sensores diferentes, os métodos baseados em área podem não funcionar de forma eficiente. Nestas situações, os métodos baseados em extração de feições são mais adequados. 2.2 Registro Baseado em Feições Em situações em que a resolução e/ou a informação espectral das imagens a serem registradas é diferente ou as imagens são obtidas por diferentes sensores, o método de registro baseado em feições é o mais adequado. Para efeito de registro de imagens, por definição, feições são objetos na imagem que são visualmente interessantes, destacáveis, tais como pontos salientes em bordas, regiões, linhas, extremidades, curvaturas, etc. Feições de pontos ou feições pontuais são extraídas de maneira mais fácil mas não são adequadas para serem utilizadas para registrar imagens obtidas por diferentes tipos de sensores. Um ponto identificado em uma cena óptica não necessariamente terá um conjugado em uma imagem SAR ou em um banco de dados vetorial. Feições de linhas, especialmente interseções, podem ser encontradas, de forma mais fácil, em dados diferentes. Em sistemas de registro, em que um registro grosseiro é realizado em uma etapa inicial, feições de linhas podem ser usadas para refinar o

34 registro final. Feições do tipo polígonos [4] podem ser utilizadas para realizar um registro inicial automático. As curvaturas das linhas ou das bordas dos objetos podem ser chamados de feições de curvaturas. As feições de curvaturas são mais confiáveis que extremidades ou gradientes porque são independentes das mínimas variações de rotação e escala. O algoritmo proposto em [8] é independente da rotação e gera uma quantidade menor de feições do que um simples operador gradiente. Porém é um algoritmo complexo. Para cada feição pode-se extrair um conjunto de parâmetros. Por exemplo, o polígono pode ser caracterizado por atributos de tamanho, forma, área, centróide, etc. Um algoritmo simples pode utilizar um dos atributos para realizar o casamento das feições encontradas, assim como os algoritmos baseados em múltiplas feições utilizam vários atributos ao mesmo tempo. Vários autores têm proposto o uso de regiões (polígonos) no processo de registro [4, 6, 7] devido à qualidade e à quantidade de atributos extraídos. O problema é que este tipo de feição não é facilmente encontrada em todos os tipos de dados. Exemplos de feições do tipo polígonos seriam corpos de água, florestas, plantações de culturas agrícolas. Após o processo de extração, as feições que são identificadas nas duas imagens são relacionadas de tal forma que haja correspondência entre elas. Este processo é chamado de casamento de feições. As feições casadas determinam os pontos de controle. No caso de polígonos, os seus centróides são tomados como pontos de controle. Alguns métodos de extração e casamento de feições são apresentados no próximo capítulo