Extração Seletiva de Linhas de Controle em Imagens CBERS-2B HRC

Transcrição

1 Extração Seletiva de Linhas de Controle em Imagens CBERS-2B HRC Vander Luis de Souza Freitas (1) e Antonio Maria Garcia Tommaselli (2) Universidade Estadual Paulista UNESP Faculdade de Ciências e Tecnologia FCT Presidente Prudente - SP (2) Departamento de Cartografia (1) Bolsista PIBIC-CNPq vandercomp@gmail.com, tomaseli@fct.unesp.br Abstract Over the last decades, Remote Sensing technologies have widely developed and Brazil is one of countries that are rapidly progressing in this area, especially after the China-Brazil agreement for development of CBERS Satellites series. Unfortunately, images generated by their sensors have georeferencing errors requiring indirect orientation using ground control entities: points, lines or areas. A critical step in this process is the automatic or semiautomatic extraction of these entities on digital images. The aim of this paper is to present and experimentally asses a technique for selective extraction of control straight lines in orbital images. Some experiments and results with real images, acquired by CBERS-2B HRC camera will be presented showing the effectiveness of the proposed solution for low contrast images. 1. Introdução Nos últimos anos, com o intenso desenvolvimento das tecnologias computacionais e com os programas espaciais, a área de Fotogrametria e Sensoriamento Remoto tem sido aprimorada e utilizada amplamente. O Brasil firmou um acordo com a China, em 1988, para a criação de satélites de sensoriamento remoto (CBERS China-Brazil Earth Resources Satellite) e pôde, então, ampliar o desenvolvimento de tecnologias para tratamento e aplicação destas imagens em diversas áreas do conhecimento [3]. Outro fator importante para o desenvolvimento de novos estudos, é que as imagens foram disponibilizadas gratuitamente na internet, juntamente com seus parâmetros de orientação aproximados, trazendo novas possibilidades, sobretudo na área de Fotogrametria. Segundo [10], a Fotogrametria pode ser definida, como sendo arte, ciência e tecnologia de obtenção de informação confiável sobre objetos físicos e o ambiente através dos processos de registro, medição, e interpretação de imagens fotográficas e padrões registrados de energia eletromagnética irradiada. Em outras palavras, é a área do conhecimento que possibilita realizar medidas e calcular coordenadas do espaço objeto por meio de imagens adquiridas por diversos sensores. E, para que as medidas sejam confiáveis, são necessários elementos de controle de campo, podendo ser pontos, linhas ou mesmo áreas. Geralmente é necessário orientar indiretamente as imagens adquiridas por sensores de imageamento remotos, mesmo nos sistemas que possuem sensores de orientação direta (GPS, sensor solar, Unidade de Medida Inercial, sensor de estrelas), através de elementos de controle no espaço objeto, pois na maioria das vezes elas não apresentam a acurácia de posicionamento que certas aplicações exigem [6]. Como consequência, é comum a necessidade de medir vários elementos de controle, tanto no espaço objeto quanto na imagem, os quais são, na maioria das vezes, medidos interativamente por operadores humanos. Neste trabalho, visando à extração automática destes elementos, será apresentada e avaliada uma técnica para a extração de linhas retas de controle, que é parte de um software para triangulação de imagens adquiridas por diversos sensores. O foco do trabalho se dará em uma técnica de extração seletiva de linhas, testada em imagens adquiridas pelo sensor de varredura linear (pushbroom) CBERS-2B HRC. 2. Modelos de sensor O modelo de sensor define as características do sensor de aquisição de imagens, com os parâmetros inerentes à geometria interna do sensor e às distorções das lentes. A geometria interna de coleta da imagem é modelada pelos Parâmetros de Orientação Interior (POI): distância focal (f); coordenadas do Ponto Principal (PP) x 0 e y 0, que é a projeção ortogonal do Centro Perspectivo CP no plano focal do sensor; coeficientes das distorções das lentes (radial simétrica K 1, K 2, K 3 ; e descentrada P 1 e P 2 ) e; parâmetros de afinidade (A e B) [8]. Sensores do tipo frame (quadro) capturam uma cena imagem inteira no mesmo instante, em apenas uma tomada. Por outro lado, sensores do tipo pushbroom (varredura linear) constroem a imagem linha a linha, e, portanto, cada linha da imagem é tomada de uma posição e orientação diferente da anterior [7].

2 3. Modelos de plataforma e Triangulação multissensor O modelo de plataforma descreve a posição e atitude da câmara no referencial do espaço objeto, no momento da tomada da cena e é definido pelos parâmetros de orientação exterior (POE). O sensor do tipo frame (quadro) é definido por seis parâmetros, dos quais três dizem respeito à posição do CP (Centro Perspectivo) - (X0, Y0, Z0) - e os outros três restantes descrevem a atitude do sensor em relação ao referencial do espaço objeto (ω, φ e κ). No caso do sensor pushbroom (varredura linear), os POE variam para cada linha da imagem, podendo ser descritos por polinômios, no caso de plataformas orbitais, pois o intervalo de coleta de uma imagem é bastante curto e a plataforma é relativamente estável [5]. Em plataformas orbitais também podem ser utilizados modelos orbitais, que descrevem a trajetória e orientação do sensor. Nestes casos, os ângulos entre o sensor e o referencial orbital são chamados de Roll, Pitch e Yaw [4] (rolagem, arfagem e guinada). Além destes, existem os parâmetros Vx, Vy e Vz, relacionados às velocidades nos eixos cartesianos x, y e z, e outros dezoito coeficientes da representação polinomial, somando um total de vinte e sete parâmetros [4]. A triangulação multissensor é um método de estimação dos POE e das coordenadas de pontos ou linhas no espaço objeto, podendo agrupar observações em imagens adquiridas por diversos sensores, como frame e pushbroom. É necessário expressar o modelo de sensor (POI) e modelo de plataforma (POE), o que implica na definição de modelos matemáticos para projeção de entidades de controle de campo do espaço imagem para o espaço objeto e a operação inversa. No caso de pontos de controle, são utilizadas as equações de Colinearidade, que partem da hipótese de que um ponto no espaço objeto é colinear ao seu correspondente no espaço imagem, passando pelo CP da câmara [8]. Por outro lado, quando os elementos de controle são linhas retas, outros modelos são usados, como o de Coplanaridade com linhas retas, em que o vetor de visada no espaço imagem e o plano de projeção no espaço objeto são considerados coplanares [6]. Em ambos os casos é necessário conhecer os pontos correspondentes na imagem ou pontos pertencentes às linhas retas 4. Orientação indireta utilizando linhas retas de controle Os produtos cartográficos necessitam de precisão geométrica compatível com sua escala. Para atingir esta precisão, não basta conhecer os POE determinados diretamente no momento da coleta, devendo ser adicionados elementos de controle de campo para refinálos. Esta etapa é conhecida como fototriangulação, quando os POE são calculados indiretamente, podendo-se, então, corrigir as imagens geometricamente. Comumente são utilizados pontos de apoio como elementos de controle de campo, porém é preciso distribuir muitos pontos na imagem para que sejam atingidos resultados compatíveis com a escala. Os algoritmos para extração automática deste tipo de feição nas imagens são muito complexos e é mais comum que esta etapa seja realizada de maneira interativa. Uma alternativa é o uso de linhas retas como controle de campo, as quais podem ser identificadas por bordas de construções, rodovias, limites de propriedades, dentre outras feições [7]. 5. Técnicas para extração de bordas As bordas correspondem a variações bruscas de intensidade, e podem ser usadas para segmentar uma imagem, ou seja, separar objetos de interesse do fundo da cena. Estas técnicas podem utilizar filtros (máscaras) que percorrem toda a imagem (ou parte dela), a fim de encontrar descontinuidades ou variações de brilho entre pixels vizinhos. O operador de Nevatia e Babu [1] baseiase na aplicação de doze filtros, cada um em uma direção específica, armazenando-se o resultado de maior magnitude. Porém, quando se deseja extrair apenas bordas que tenham uma determinada direção, se torna desnecessária a aplicação de todos estes filtros, bastando apenas aquele que possua a orientação compatível com a orientação da borda que se deseja extrair. No caso de imagens orbitais, é possível calcular a orientação aproximada das linhas, sendo suficiente, portanto, a aplicação de apenas uma máscara. As máscaras do operador de Nevatia e Babu foram desenvolvidas para valores fixos de orientação, e as retas que se deseja extrair possuem ângulos variados, o que pode ser resolvido com o método de extração seletiva de bordas, desenvolvido por [1]. Estes algoritmos são capazes de gerar filtros semelhantes aos de Nevatia e Babu, em tempo de execução, com a diferença de produzirem máscaras para quaisquer ângulos. Após o cálculo da magnitude e direção dos gradientes, pode-se introduzir uma etapa de limiarização, a fim de eliminar os pixels com baixa magnitude do gradiente. Na abordagem utilizada neste trabalho, entretanto, a limiarização ocorre juntamente com a detecção de bordas em uma etapa integrada. Após isto, pode ser aplicada uma técnica de afinamento, de forma que as bordas sejam transformadas em segmentos com a largura de um pixel. Em imagens binárias, o afinamento é geralmente feito por técnicas mais triviais, como a esqueletonização, por exemplo, onde os pixels da borda são eliminados até que sobrem apenas os elementos centrais. Contudo, esta técnica é pouco recomendável para imagens coloridas ou em tons de cinza, onde as bordas contêm variações de

3 intensidade que devem ser tratadas, no intuito de manter os elementos de maior magnitude. Outra técnica é a de supressão não-máxima, na qual os pixels de menor magnitude, que são perpendiculares à direção da borda, são eliminados recursivamente, restando apenas o pixel de maior intensidade [1]. Assim, como no caso do operador de Nevatia e Babu, são aplicados filtros com direções previamente especificadas. Neste trabalho foi aplicado um método similar, porém sem a etapa de discretização dos ângulos de direção dos pixels de borda em ângulos pré-definidos, sendo que o filtro para busca dos pixels vizinhos é definido e gerado em tempo de execução [1]. 6. Transformada de Hough A transformada de Hough é uma técnica utilizada para detecção de elementos passiveis de parametrização em imagens, como linhas, círculos e elipses. Sua forma mais utilizada destina-se à detecção de linhas retas por meio da transformação dos pixels de interesse na imagem em linhas em um espaço de parâmetros, cujas coordenadas são representadas pelas variáveis θ e ρ, onde θ corresponde ao ângulo da normal à reta e ρ é a distância entre a reta e a origem do sistema de coordenadas [2]. Este espaço de acumulação é definido por uma matriz bidimensional, onde as linhas representam o ângulo da normal à reta e as colunas a distância ρ. O espaçamento entre as células definirá as dimensões deste espaço. A partir daí, a imagem é percorrida e, ao encontrar um pixel pertencente a uma borda, calcula-se ρ variando-se θ com a equação paramétrica da reta (1): onde x representa a coluna e y a linha correspondente ao pixel que está sendo analisado. Quando não se sabe a priori a inclinação da reta procurada, então esta acumulação é feita para todos os ângulos e distâncias, necessitando, portanto, de uma grande estrutura de dados. Após o passo de acumulação, basta detectar os picos no espaço de acumulação para determinar os parâmetros (ângulo e distância da origem) de uma reta detectada. Neste trabalho, a transformada foi fundamental para resolver os problemas de oclusão e ruídos que ocorrem em imagens orbitais, particularmente nas que possuem baixo contraste. Além disso, foi utilizada informação a priori da orientação e posição aproximados das retas desejadas. Estes parâmetros foram obtidos pelo cálculo das coordenadas dos vértices das retas na imagem, que são definidas no espaço objeto, e podem ser projetadas para o espaço imagem através uma transformação afim ou pelo modelo de plataforma. Assim, com essa possível área de extração diminui-se significativamente a dimensão da matriz de acumuladores no espaço objeto e há a necessidade apenas de calcular uma pequena variação nesse intervalo. (1) 7. Desenvolvimento O programa de detecção de linhas, desenvolvido inicialmente por [9], tem por objetivo a extração de linhas de controle em imagens orbitais, tendo sido realizados experimentos com imagens tomadas pelo sensor CBERS- 2B HRC, a partir das coordenadas de seus vértices no espaço objeto. O processo é realizado através de alguns passos para extração dos recortes com as retas, seguido de algoritmos de processamento de imagens como: ampliação de contraste, inversão, limiarização e binarização, e finalizado com um ajuste de superfícies para a extração da linha [9]. Este software foi posteriormente integrado a um programa para triangulação multissensor, realizando, portanto, parte dos procedimentos de orientação indireta destas imagens. Esta integração foi seguida de algumas modificações na inicialização do software e do emprego de novas técnicas para extração seletiva de linhas retas de controle nas imagens, as quais serão detalhadas neste trabalho. O programa em questão inicia sua execução a partir de um arquivo que contém o caminho da imagem a ser tratada, juntamente com as coordenadas de seus cantos, no referencial da imagem (coluna e linha) e no espaço objeto (E, N), arquivo este oferecido pelo órgão produtor das imagens, no caso o INPE. Estas informações são utilizadas para a determinação dos parâmetros de uma transformação afim preliminar, utilizada para a projeção de coordenadas do espaço objeto para a imagem. No entanto, inicialmente a projeção não é de boa qualidade para as imagens do CBERS, devido aos seus erros de georreferenciamento. Foi necessário introduzir mais um passo, que é a medição interativa de alguns pontos de controle, cujas coordenadas no espaço objeto são conhecidas. Neste caso, a cada ponto medido são calculados novos parâmetros para a transformação afim, cujos valores são teoricamente melhores que os anteriores, ou seja, os parâmetros são refinados a cada medição. Com os novos parâmetros da transformação afim, importa-se o arquivo com as coordenadas dos vértices das linhas e seu valor de brilho aproximado, e realiza-se a projeção para o espaço imagem. Vale lembrar que estes valores de brilho baseiam-se na resposta espectral de cada tipo de elemento de cobertura do solo, isto é, no caso de rodovias asfaltadas sabe-se que os tons são mais escuros se comparados com estradas de terra. Mesmo com a medição dos pontos de apoio, a transformação ainda não é precisa o suficiente para que a linha seja projetada em sua posição real, pois a transformação afim não modela rigorosamente os parâmetros do sensor e plataforma. Tendo como base as coordenadas dos vértices das linhas, são extraídos recortes da imagem, que possuem apenas uma reta em seu interior. Em cada recorte aplica-se o processo desenvolvido, que inicia com a extração de

4 gradientes na direção pré-calculada, de acordo com o algoritmo apresentado por [1]. (a) (c) (b) (d) esperados para a feição, atribui-se o valor nulo para o gradiente naquela posição. Na Figura 1, é mostrada a aplicação do filtro de Nevatia e Babu, em sua forma convencional, e alguns experimentos realizados com um operador de dimensões 5x5. Estes experimentos têm a finalidade de estabelecer um número de pixels, contidos em um intervalo espectral aproximado ao tom de cinza da entidade (rodovia), que seja suficiente para detecção de suas bordas. Os critérios seletivos utilizados são importantes para imagens de baixo contraste, como as do CBERS-2B HRC, que apresentariam muitos ruídos com a abordagem convencional, onde não se conhece o valor de brilho aproximado da feição, e não é feita a verificação da quantidade de pixels nele contidos, em cada iteração da convolução. A próxima etapa consiste no afinamento das bordas, onde foi utilizado o algoritmo de supressão não-máxima para direção específica, descrito em [1]. A principal diferença em relação ao método de supressão não-máxima convencional é que ele utiliza operadores criados em tempo de execução, assim como no algoritmo de detecção de bordas, com o ângulo especificado pela inclinação da reta (Figura 2). (e) Figura 1. Imagens resultantes da técnica de detecção de bordas (As imagens foram realçadas por ampliação do histograma) (a) Imagem original, (b) Magnitude dos gradientes utilizando o operador de Nevatia e Babu convencional, (c) Gradientes calculados para as janelas com ao menos 2 pixels no intervalo especificado, (d) Considerando ao menos 5 pixels, (e) Considerando ao menos 10 pixels. Outra característica previamente conhecida das linhas a serem extraídas, além da direção, é o tom de cinza aproximado da feição procurada, o qual foi inserido como um critério seletivo adicional na detecção de bordas. No momento da convolução da imagem pelo operador de cálculo do gradiente, espera-se um número mínimo de pixels com valor de brilho em um intervalo determinado pelo tom de cinza esperado, para que o gradiente seja calculado. Caso contrário, ou seja, se um número mínimo de pixels que são analisados na janela de convolução não estiverem contidos no intervalo de tons de cinza Figura 2. (a) Imagem resultante da detecção de bordas pelo operador de Nevatia e Babu para direções específicas (considerando ao menos 5 pixels no intervalo especificado, para cálculo do gradiente), (b) Imagem resultante do afinamento; (As imagens foram realçadas por ampliação de histograma). Terminada a fase de afinamento das bordas, na imagem em tons de cinza, é necessário binarizar a imagem resultante, para viabilizar a aplicação da transformada de Hough, a qual foi implementada com algumas particularidades que serão descritas a seguir. A binarização foi feita utilizando uma predição do número esperado de pixels de uma linha, baseando-se na hipótese de que a reta procurada possui um gradiente alto, se comparado com os elementos que não fazem parte dela. Deste modo, determina-se um número aproximado de pixels que constituem a linha e é realizado um corte no

5 histograma, na região que compreende duas vezes este número de pixels, contados a partir dos pixels que têm maior valor, para os de menor valor. Atribui-se 0 aos pixels cuja magnitude do gradiente seja menor que este limiar e 1 (ou 255) aos que estejam acima. A partir da imagem binarizada, aplica-se a transformada de Hough. Para cada pixel de valor 1 (ou 255) determina-se um conjunto de pares ordenados (θ, ρ) na matriz de acumulação variando-se θ e calculando-se o ρ, dados x e y do pixel. O tamanho desta matriz pode ser muito grande quando não se tem nenhuma informação a respeito da reta que se pretende encontrar. Contudo, no caso em questão, têm-se a inclinação e posição aproximada da reta, a partir da qual é definido o intervalo de acumulação de Hough, bem como é possível estimar o valor máximo de ρ. Caso o ângulo θ seja discretizado com valores inteiros, de grau em grau, há a possibilidade de dois pontos da matriz de acumulação, com mesmo valor θ terem valores iguais e serem os pontos com maior incidência. Neste caso, seria como se duas retas fossem encontradas, porém em posições diferentes. Para evitar este tipo de erro, optou-se por utilizar uma matriz com discretização de θ em intervalos de 20 (vinte minutos de arco). corresponderiam às margens de uma rodovia. Estes dois pontos da matriz correspondem, cada um, a um par de coordenadas (θ, ρ), sendo a reta final definida através do cálculo da sua média (eixo da rodovia). O fluxo completo da ferramenta para extração de linhas retas de controle pode ser visto no diagrama da Figura Experimentos A seguir será mostrado um experimento com uma imagem tomada pelo sensor CBERS-2B HRC, utilizando o método desenvolvido para extração seletiva de linhas retas de controle. Nesta imagem foram medidos oito pontos de apoio, a partir dos quais foi feito o refinamento dos parâmetros da transformação afim. Em seguida, foram extraídas oito retas mas, devido à limitação de espaço, serão mostrados apenas dois exemplos, sendo um caso em que o resultado foi satisfatório, e outro em que o resultado não foi aceitável, devido ao baixo contraste da imagem. Na Figura 4, apresentam-se os resultados para o caso em que a técnica obteve sucesso. (a) (b) (c) Figura 3. Diagrama do fluxo de execução da ferramenta de extração de linhas retas de controle A partir de experimentos, verificou-se que a transformada de Hough encontra as linhas marginais à reta procurada (usualmente o eixo de uma rodovia), pelo fato de os pixels presentes na imagem binarizada serem elementos de borda (transição entre o pavimento e a vegetação limítrofe). Sendo assim, são considerados os dois maiores valores na matriz de acumulação, que (d) (e) (f) Figura 4. (Imagens realçadas) (a) Imagem original, (b) Detecção de bordas, (c) Afinamento, (d) Binarização, (e) Transformada de Hough, (f) Reta extraída sobreposta à imagem original. Na Figura 5 mostra-se um problema detectado devido ao baixo contraste na região da reta, resultando em um falso positivo, ocasionado pelo baixo contraste da cena. Uma alternativa para este problema seria a diminuição do espaço de busca. Das oito linhas retas que foram extraídas, cinco obtiveram resultados satisfatórios, enquanto três

6 alcançaram resultados com erros acima de dois pixels de deslocamento. sensores. Deverá ser feita, também, uma análise comparativa entre a técnica descrita neste trabalho e outras já existentes, mostrando as principais diferenças e avaliando-se quantitativamente as vantagens desta abordagem proposta. 10. Referências (a) (b) Figura 5. (a) Imagem original, (b) Resultado da extração. 9. Conclusões O objetivo do trabalho foi implementar uma técnica automatizada para detecção e extração de linhas retas de controle em imagens orbitais, particularmente as que apresentam baixo contraste, a partir de suas coordenadas de terreno e parâmetros aproximados de orientação da imagem. Para tanto, foi desenvolvida uma técnica de extração seletiva de linhas retas, baseada na informação da posição aproximada da localização de cada reta na imagem, a partir de uma transformação afim, que determina as posições e dimensões das áreas que as contêm, para que sejam realizados recortes. Estes são tratados por alguns algoritmos, começando pela segmentação através de detecção de bordas, seguida de seu afinamento, binarização e aplicação da transformada de Hough. Os experimentos realizados com imagens do sensor CBERS-2B HRC, permitiram constatar a eficiência na maioria dos casos. Deste modo, esta técnica pode ser empregada em projetos de triangulação de imagens com linhas de controle. O mesmo processo também pode ser aplicado em imagens aéreas, oriundas tanto de sensores de varredura linear quanto de quadro. Dependendo da qualidade dos parâmetros de orientação interior e exterior da imagem, a projeção da reta na imagem fica muito próxima da posição verdadeira (diferença de 15 pixels aproximadamente). A partir disto, o método de extração seletiva de linhas encontra a reta no recorte e atribui as coordenadas reais a um arquivo de saída. Porém, há a possibilidade de serem encontrados falsos positivos, pois ele percorre toda a imagem. Estes erros de extração poderão ser detectados posteriormente durante a triangulação, pela análise dos resíduos do processo de estimação, podendo-se eliminar estas observações ou realizar a medida interativamente. Uma possibilidade para reduzir estes erros é restringir a área do recorte apenas ao redor da reta a ser analisada. Esta etapa de diminuição do espaço de busca e correspondência será realizada em trabalhos futuros, bem como novos experimentos com imagens de outros [1] ARTERO, A. O.; TOMMASELLI, A.M.G.; Detecção e Afinamento de Bordas em Direções Previamente Conhecidas, Boletim de Ciências Geodésicas, Curitiba, v. 15, n. 2, p , [2] DUDA, R.; HART, P. Use of the Hough transformation to detect lines and curves in pictures. Communications of the ACM, v. 15, p , [3] INPE. Satélite CBERS. Disponível em: < Acesso em: 18 jul [4] KIM, T.; DOWMAN, I. Comparison of two physical sensor models for satellite images: Position-Rotation model and Orbit- Attitude model. The Photogrammetric Record, v.21, n. 114, p , [5] MARCATO JUNIOR, José. Fototriangulação em bloco de imagens orbitais com modelos rigorosos baseados em pontos e retas Dissertação (Mestrado em Ciências Cartográficas). Faculdade de Ciências e Tecnologia, Universidade Estadual Paulista, Presidente Prudente SP. [6] MARCATO JUNIOR, J., TOMMASELLI, A. M. G, MEDEIROS, N. G., OLIVEIRA, R. A. Bundle block adjustment of CBERS 2B HRC images using control lines. In: Canadian Geomatics Conference 2010 and the International Symposium of Photogrammetry and Remote Sensing Commission I, 2010, Calgary. Procedings. Calgary: Canadian Institute of Geomatics and ISPRS, [7] MEDEIROS, N. G.; TOMMASELLI, A. M. G. Um Modelo para orientação de imagens orbitais baseado em feições retas. Boletim de Ciências Geodésicas, Curitiba, v. 12, no. 2, p , [8] MIKHAIL, Edward M.; BETHEL, James S.; MCGLONE, J. Chris. Introduction to modern photogrammetry. New York : Jhon Wiley & Sons Australia Ltd, 2001, 479 p. [9] PETRI, R. A. L.; TOMMASELLI, A.M.G. Desenvolvimento de uma ferramenta de extração de pontos e linhas de controle em imagens orbitais. In: Congresso de Iniciação Científica da Unesp, 23, 2010, Pres. Prudente: UNESP, 2010, 4 p. Disponível em: < > Acesso em: 23 jun [10] WOLF, Paul R. Elements of photogrammetry (with air photo interpretation and remote sensing). New York : McGraw- Hill Companies,1974, 562 p.