PROCESSAMENTO DIGITAL DE IMAGENS (PDI)

Transcrição

1 PROCESSAMENTO DIGITAL DE IMAGENS (PDI) 1. Retificação e restauração de imagem Correção geométrica Correção radiométrica Remoção de ruído 2. Melhoramento da imagem Manipulação de contrastes Manipulação das características espaciais Manipulação multi-imagem 3. Classificação de imagem 4. Fusão de dados e integração em SIG 5. Modelação UM PIXEL DE CADA VEZ

2 RETIFICAÇÃO E RESTAURAÇÃO: corrigir a imagem de distorções e degradações que resultaram do processo de aquisição Fontes de distorção geométrica rotação da Terra variações na altitude, atitude e velocidade na plataforma do sensor distorção panorâmica curvatura da Terra refração atmosférica exposição do relevo não-linearidades no varrimento do IFOV do sensor Objetivo: imagem com integridade geométrica de um mapa

3 CORREÇÃO GEOMÉTRICA Distorção sistemática ex: rotação da Terra para leste durante o registo da imagem => varrimento óptico do scanner sobre uma área ligeiramente a oeste do que seria previsto Distorção enviezada cada linha registada deve ser ajustada para oeste => aspecto enviezado das imagens multiespectrais Movimento da Terra Movimento do satélite Imagem registada pelo sensor

4 CORREÇÃO GEOMÉTRICA DE IMAGENS Importância eliminação de distorções sistemáticas estudos multi-temporais integração de dados em SIG Requerimentos conhecimento das distorções existentes escolha do modelo matemático adequado avaliação e validação de resultados

5 CORREÇÃO GEOMÉTRICA DE IMAGENS Fontes de distorções geométricas (MSS, TM, HRV, AVHRR) rotação da Terra (skew) distorções panorâmicas (compressão) curvatura da Terra (compressão) arrastamento da imagem durante uma varredura variações de altitude, atitude e velocidade do satélite

6 CORREÇÃO GEOMÉTRICA DE IMAGENS Transformação geométrica modelo de correções independentes modelo fotogramétrico modelo polinomial (registro de imagens) Mapeamento inverso Reamostragem (interpolação) vizinho mais próximo bilinear convolução cúbica

7 TRANSFORMAÇÃO GEOMÉTRICA (T) Modelo de correções independentes distorções sistemáticas são corrigidas de forma independente cálculo (l,p) (φ,λ) não é factível Modelo fotogramétrico usa o princípio das equações de colinearidade considera a interdependência das distorções cálculo (l,p) (φ,λ) é factível Modelo polinomial (registro de imagens) cálculo (l,p) (φ,λ) através de pontos de controle

8 TRANSFORMAÇÕES GEOMÉTRICAS (MODELOS) Ortogonal - 3 parâmetros 1 rotação(θ), 2 translações ( x, y ) Similaridade - 4 parâmetros 1 rotação(θ), 2 translações ( x, y ), 1 escala (α) Afim ortogonal - 5 parâmetros 1 rotação(θ), 2 translações ( x, y ), 2 escala (α x, α y ) Afinidade - 6 parâmetros 1rotação, rotação residual, 2 escalas, 2 translações Polinomiais - 6 parâmetros

9 DISTORÇÃO ALEATÓRIA Corrigida através de pontos de controle distribuídos no espaço da imagem, com localização conhecida e bem identificados na imagem ex: cruzamentos de estradas

10 Pontos de controle (#1, #1,..., #p) Localização nas coordenadas da imagem distorcida (linhas e colunas) #1 : C1, L1 #2 : C2, L2... #p : Cp, Lp Análise de regressão X = f 1 (C, L) Y = f 2 (C, L) Localização nas coordenadas no mapa #1 : X1, Y1 #2 : X2, Y2... #p : Xp, Yp

11 Correcção geométrica da matriz REAMOSTRAGEM Ajustamento dos valores da matriz Em geral, uma célula na matriz corrigida não fica sobreposta perfeitamente à matriz inicial => o valor para o pixel corrigido é determinado a partir dos valores dos pixels vizinhos da matriz original Valor do pixel corrigido = valor do pixel mais próximo algoritmo do vizinho mais próximo não se altera os valores registados pelo sensor entidades espaciais podem ficar distorcidas meio pixel

12 Valor do pixel corrigido = valor construído a partir dos 4 pixels vizinhos interpolação bilinear interpolação linear sobre 2 linhas de 2 pixels altera os valores registrados pelo sensor imagem suavizada Valor do pixel corrigido = valor construído a partir dos 16 pixels vizinhos interpolação por convolução cúbica interpolações lineares sobre 4 linhas de 4 pixels teoria da amostragem imagem muito suavizada, ótima para fotointerpretação valores de radiância alterados

13 REAMOSTRAGEM correção geométrica registro e sobreposição de imagens múltiplas (multitemporais) registo de imagens com resoluções diferentes (SPOT-10m e Landsat-30m) registrar imagens a outros dados geográficos num SIG (Imagem e mapa de solos)

14 Fontes de distorção radiométrica iluminação da cena condições atmosféricas geometria do registro característica da resposta dos instrumentos Objetivo: imagem com integridade radiométrica real Aplicações gerar mosaicos de imagens registradas em instantes de tempo diferentes estudar alterações de reflectância de entidades em instantes de tempo ou de espaço diferentes necessidade da informação sobre reflectância

15 Correção Radiométrica Alteração da posição sazonal do Sol relativamente à Terra correção do ângulo solar correção da distância Terra-Sol Dados adquiridos sob diferentes ângulos solares são normalizados através do cálculo do brilho assumindo que o sol estava no zênite nas várias datas de registro Dividir cada valor do pixel pelo seno do ângulo solar de elevação no instante de tempo e no local de registro (ignora efeitos topográficos e atmosféricos)

16 Distância Terra-SOL -> normalizar as alterações sazonais E = E 0 cos θ 0 d 2 E - energia solar incidente normalizada E 0 - energia solar incidente à distância média Terra-Sol θ 0 - ângulo solar no zênite d 2 - distância Terra-Sol, medida em unidades astronomicas Unidade astronômica - distância média entre a Terra e o sol x10 6 km.

17 CORREÇÃO RADIOMÉTRICA Influência da atmosfera Reduz a energia que incide no objeto e que é refletida por ele Atua como um refletor, adicionando energia (path radiance) ao sinal detectado pelo sensor L tot = ρet π + L p L tot - radiância espectral total medida pelo sensor ρ - reflectância do objeto E - radiação incidente no objeto T - transmissão da atmosfera L p - path radiance

18 Path radiance introduz haze (neblina) na imagem => reduz o contraste Compensação da neblina Observar a radiância em áreas de reflectância zero ex: água limpa profunda no InfraVermelho próximo Valores de radiância superiores devem ser subtraídos a toda a imagem nessa banda. Algoritmos mais sofisticados => modelação do perfil da atmosfera

19 Conversão de DNs em valores de radiância absoluta Há necessidade quando: Alterações na reflectância absoluta dos objetos registrados em datas diferentes e/ou por sensores diferentes Modelos matemáticos que relacionem dados da imagem com variáveis físicas no terreno, ex: biomassa.

20 CORREÇÃO ATMOSFÉRICA Modelagem dos processos de espalhamento e absorção da atmosfera modelo complexo dados auxiliares (visibilidade e umidade relativa) nem sempre disponíveis Aproximações algumas hipóteses são realizadas O efeito atmosférico aumenta inversamente com o comprimento de onda

21 CORREÇÃO ATMOSFÉRICA Selecionar regiões na imagem com reflectância nula (por exemplo, água) Estimar o NC médio desta região Subtração deste NC de todos os NCs da imagem

22 Resposta linear dos detectores em função da radiância espectral incidente (calibração onboard) 255 DN 0 radiância espectral de padrões de calibração interna LMIN Declive (gain) L - radiância espectral LMAX

23 DN = GL +B DN - número digital registrado G - declive da resposta linear (gain) L - radiância espectral medida B - ponto de interseção da resposta linear (offset) LMIN = 0 (LMAX - LMIN) LMAX = 255 L = XDN+LMIN 255 LMAX e LMIN são valores publicados e específicos de cada sensor.

24 Correção Radiométrica Remoção do ruído - distúrbio na imagem devido a limitações do registro, da digitalização do sinal, ou do processo de gravação dos dados. Ruído sistemático Ruído aleatório Combinação dos dois mau funcionamento do detector interferências eletrônicas entre os componentes do sensor intermitências na transmissão dos dados Objetivo: restaurar a imagem perto da cena original perfeita

25 Striping - falha sistemática de um detector ajustamento de histogramas do sinal dos detectores Line drop - Falha de uma linha atribuição do valor médio do pixel acima e abaixo Bit errors (salt and pepper) -aleatórios valor de um pixel com os seus vizinhos > limiar média dos valores dos pixels vizinhos, médias móveis de janelas 3x3 ou 5x5.

26 MELHORAMENTO DA IMAGEM melhora a interpretação visual da imagem aumentando a distinção aparente entre as entidades da cena pois o olho humano não consegue distinguir pequenas variações espectrais Operação pontual (modifica o valor do pixel independentemente) vs global (modifica o valor do pixel em função dos valores vizinhos) Aplica-se a uma banda vs várias bandas Resultado visível em cinzentos vs cores A técnica apropriada é uma ARTE com preferências pessoais

27 MELHORAMENTO DA IMAGEM Manipulação do contraste limitações no nível de cinza nível de slicing extensão do contraste Manipulação das entidades espaciais filtros melhoria das fronteiras análise de Fourier Manipulação multi-imagem imagem razões e diferenças componentes principais componentes canônicas índices de vegetação

28 Manipulação do contraste Limites ao nível de cinza segmenta a imagem em duas classes identifica-se o limite para a segmentação (histograma) classifica-se a imagem em função do limite máscara de zeros - áreas não desejáveis para visualização visualização espectral da área de interesse Nível de slicing DNs são divididos em intervalos de acordo com o critério do analista todos os DNs dentro da mesma classe são visualizados com o mesmo nível de cor resultado similar a um mapa de isolinhas

29 EXTENSÃO DO CONTRASTE ajustamento dos níveis de cor/cinza á gama de DNs significativos extensão linear extensão equalizada pelo histograma (em função da freqüência de ocorrência) extensão com saturação nos extremos (% de valores extremos extensão específica

30 Contraste de uma imagem e o intervalo de níveis de cinza assumidos pelos pontos da imagem

31 MANIPULAÇÃO DE HISTOGRAMA Operação ponto a ponto o novo valor do ponto depende só do valor antigo deste ponto Os níveis de cinza de uma imagem não ocupam toda a faixa de tons de cinza disponíveis os objetos não são bem discriminados (baixo contraste)

32 EXEMPLOS DE IMAGENS E HISTOGRAMAS Baixo contraste => os níveis de cinza ocupam um pequeno intervalo de valores possíveis

33 EXEMPLOS DE IMAGENS E HISTOGRAMAS Alto contraste => os níveis de cinza ocupam quase todo o intervalo de valores possíveis

34 MANIPULAÇÃO DE HISTOGRAMA Mapeiam-se as variações dentro do intervalo original de tons de cinza [0,N-1] da imagem original para um outro intervalo desejado [0,M-1]

35 REALCE DE CONTRASTE: LINEAR define uma função de transferência linear maior a inclinação da reta versus maior o realce Raiz quadrada Realça as áreas escuras da imagem Inclinação da reta decresce dos valores escuros para os claros Quadrado Realça as áreas claras da imagem A inclinação da curva aumenta dos valores mais escuros para os mais claros Logaritmo Realça as áreas escuras da imagem (intervalo menor do que a raiz quadrada) Equalização de Histograma O histograma da imagem de saída aproxima-se de um histograma uniforme

36 MANIPULAÇÃO DAS ENTIDADES ESPACIAIS Filtros espaciais (operações locais) frequência espacial - variações espaciais de brilho Áreas na imagem de elevada/baixa frequência espacial - os DNs variam abruptamente/suavemente ex: fronteiras, cruzamentos de estradas/campos agrícolas, corpos de água Filtros Low pass (passa baixa) Realça as áreas de baixa freqüência espacial (Ex: grande área de monocultura em terreno plano) Filtros High pass (passa alta) Realça o detalhe das áreas de alta freqüência espacial (Ex: limites entre diferentes tipos de plantações, redes viária e hídrica)

37 CONVOLUÇÃO kernel 1/9 1/9 1/9 1/9 1/9 1/9 1/9 1/9 1/9 DNs originais Convolução: 1/9(67)+ 1/9(67)+ 1/9(72)+ 1/9(70)+ 1/9(68)+ 1/9(71)+ 1/9(72)+ 1/9(71)+ 1/9(72) = 70

38 MELHORIA DAS FRONTEIRAS preserva quer o contraste local quer a informação de baixa freqüência. Adicionam todo, ou parte, dos valores da imagem original à componente da imagem de alta freqüência 1- produção de uma componente de alta freqüência 2 - adição de toda ou parte da imagem original à componente anterior EXTRAÇÃO DAS FRONTEIRAS EXTRAÇÃO DAS FRONTEIRAS enfatiza a componente de alta freqüência

39 MANIPULAÇÃO MULTI-IMAGEM IMAGEM Razões espectrais divisão dos valores de DNs de uma banda espectral pelos valores de outra banda reduz os efeitos de iluminação discrimina variações espectrais sutis Seleção das bandas: maior variância da imagem, correlação entre as bandas e tentativa e erro Materiais diferentes (com radiâncias absolutas diferentes) mas com declives espectrais idênticos surgem similares ---> composição (híbrida) colorida das razões

40 razões de DNs vs razões de valores de radiâncias evitar divisões por zero razões <1 são arredondadas para valores inteiros (0 ou 1) => perda de informação DNx DN = R arctan ( ) DNy DN - número digital na imagem razão R fator de escala que associa os dados razão numa gama de inteiros apropriada arctan(dnx/dny) - ângulo cuja tangente é o razão dos DNs nas bandas X e Y. se Dny =0, este ângulo = 90º ângulo: 0-90º <=> rad DN : R. R => DN : 0-255

41 Resposta espectral dos elementos terrestres; diferentes comprimentos de onda CAUSA: características específicas de de reflectância e emitância Diferentes combinações de DNs Objetivo da classificação: categorizar todos os pixels da imagem em classes

42 Banda Banda Banda Banda URBANO FLORESTA AGUA AREA AGRICOLA Classificação

43 A - RECONHECIMENTO DE PADRÕES ESPECTRAIS: Procedimentos de classificação baseados na informação espectral de cada pixel Informação específica por comprimento de onda (λ i ) Relação não-unívoca entre informação espectral e temática Ruído na informação espectral Incerteza na categorização temática

44 B - RECONHECIMENTO DE PADRÕES ESPACIAIS: Procedimentos de categorização dos pixels da imagem baseados na sua relação espacial com os pixels vizinhos Classificadores espaciais: texturas, tamanho, índices de proximidade, forma geométrica, repetição e contexto Percepção e interpretação humana

45 C - RECONHECIMENTO DE PADRÕES TEMPORAIS: O tempo é fundamental para a identificação e reconhecimento do tema/característica. Reconhecimento agrícola: as diferenças espectrais e espaciais de diferentes culturas só são visíveis com base em informação multi-temporal. Procedimento organizado e estruturado pelo analista com base nas ferramentas de análise sobretudo espectral

46 CLASSIFICAÇÃO DE DADOS C1 C2 C3 x=dn Classificado em C1 (grande incerteza) Classificado em C3 (elevada probabilidade)

47 CLASSIFICAÇÃO ESPECTRAL NÃO SUPERVISIONADA: os dados da imagem são agregados em função apenas da sua similaridade espectral; é necessário determinar o nº de clusters espectrais (automático ou dados pelo utilizador) CLASSIFICAÇÃO ESPECTRAL SUPERVISIONADA: o analista especifica informação/descritores numérico sobre as classes em que se pretende categorizar os dados. Amostras da realidade - chave para a interpretação da info espectral Pixels de treino pixels desconhecidos

48 CLASSIFICAÇÃO ESPECTRAL SUPERVISIONADA Análise visual da imagem Seleção de áreas de treino (classes temáticas conhecidas) Assinatura espectral das áreas de treino Analise estatística da informação espectral Água (media = x 1 ; variância = s 1 ) Vegetação 1 (media = y 1 ; variância = z 1 ) Vegetação p (media = y p ; variância = z p ) Algoritmo(s) de classificação da imagem Validação do resultado

49 PREPARAÇÃO GRÁFICA DAS IMAGENS Imagem do satélite (TM4) Imagem contrastada (TM4) Contrastes, composições coloridas, razões,...

50 SELECÇÃO DAS ÁREAS DE TREINAMENTO Vegetação natural Áreas de cultura agrícola Solo exposto

51 ESTRATÉGIA PARA O PROCESSO DE TREINAMENTO arte e ciência; relação muito forte entre o analista e a imagem requer informação de referência (ground truth) conhecimento da área geográfica Qualidade da informação de treino qualidade da classificação Objetivo: concluir um conjunto de estatísticas que descrevem a resposta espectral típica do tema

52 CARACTERÍSTICAS DAS ÁREAS DE TREINAMENTO representativas e completas: devem acomodar a variabilidade da informação espectral contida na imagem ex: floresta (floresta densa, floresta com clareiras) 2 áreas de treino traduzir a nomenclatura da classificação ex: agricultura (áreas de treino que acomodem as diversas culturas, diferentes condições do solo, diferentes práticas agrícolas, diferentes condições topográficas)

53 TODAS AS CLASSES ESPECTRAIS QUE CONSTITUEM CADA CLASSE TEMÁTICA DEVEM ESTAR REPRESENTADAS ADEQUADAMENTE NAS ESTATÍSTICAS DE TREINO USADAS PARA CLASSIFICAR A IMAGEM Procedimento prático: - visita de campo e registro de áreas de treino (at) - digitalização das at na melhor representação gráfica da cena - extração das assinaturas espectrais das at - avaliação (capacidade discriminatória) das at - decisão sobre aceitação/reformulação da info estatística das at.

54 ASSINATURA ESPECTRAL DOS TEMAS SELECIONADOS TM3 TM4 Vegetação TM3 * * * * * Solo Agua Solo * * * * * * Água * * * Vegetação Curvas de reflectância espectral TM4 Espaço multiespectral Classes espectrais <=> classes temáticas

55 ALGORITMOS DE CLASSIFICAÇÃO DE IMAGEM Classificador de Distância mínima às médias cálculo das médias dos pixels das áreas de treino cálculo da distância do pixel a classificar a cada valor médio seleção da distância mínima Insensível à variabilidade do sinal espectral

56 CLASSIFICADOR DO PARALELEPÍPEDO incorpora a variabilidade do sinal espectral considera uma gama de valores em cada categoria de treino o pixel é classificado se pertencer à gama/região de decisão, ou não é classificado se não cair dentro de qualquer região problema de regiões de decisão sobreposta problema de variáveis com elevada covariância

57 CLASSIFICADOR DE MÁXIMA VEROSIMILHANÇA avalia a variância e a covariância da resposta espectral de cada categoria assume-se que a nuvem de pontos de cada categoria tem uma distribuição normal cada categoria é representada por uma função densidade de probabilidade com base nos parâmetros vetor das médias e matriz de covariâncias das diferentes categorias, pode-se calcular a probabilidade de um pixel pertencer a uma categoria particular um pixel pertence a uma categoria quando tem a probabilidade mais elevada

58 CLASSIFICADOR BAYESIANO Aplica 2 fatores de peso para estimar as probabilidades a) o utilizador determina probabilidades à priori b) é associado um custo de má-classificação a cada classe juntos estes 2 fatores tendem a minimizar o erro de classificação, resultando teoricamente numa classificação ótima Na prática, freqüentemente, são usadas iguais probabilidades de ocorrência, e iguais custos

59 AVALIAÇÃO DA PRECISÃO DA CLASSIFICAÇÃO Áreas de Teste Imagem Classificada URBANO AGUA FLORESTA AREA AGRICOLA Índice de concordância (0-100%)

60 ESTRATÉGIA DE CLASSIFICAÇÃO decisão da nomenclatura qualidade vs custos do processo completo segmentação ou estratificação da imagem thresholds (limiares) pré-classificação da imagem áreas de treino (campo) áreas de treino de teste pré-classificação da imagem áreas de treino (campo) classificação áreas de treino (campo) classificação da imagem gerir a incerteza

61 GROUND TRUTH Correlaciona elementos da superfície e aspectos locais familiares com a sua expressão nas imagens de satélite Fornece informação para o planejamento da análise, interpretação e aplicação de dados de detecção remota (e.g., identifica marcos, acessos) Identifica e orienta (áreas de treino) as classes num processo de classificação Verifica a confiabilidade da classificação (áraes de teste) Fornece estimativas quantitativas para classes de distribuição (e.g. Áreas florestais, dimensão de campos agrícolas) Ground truth simultânea ou temporalmente perto da passagem do satélite

62 GROUND TRUTH Dados físicos para análise de fenômenos detectados por sensoriamento remoto (e.g. Qualidade da água, tipos de rochas, doenças induzidas por insetos) Dados auxiliares para modelos interpretativos ou para integração em SIG Conjuntos padrões de assinaturas espectrais através do uso de instrumentos ao nível do solo Medidas de propriedades espectrais e outras necessárias para estipular características e parâmetros pertinentes para o desenho de novos sensores.

63 AMOSTRAGEM - Detalhe da classificação: a) areas residenciais vs comerciais (mapa) b) floresta (espécies de árvores, classe de tamanho medições da cobertura da copa das árvores) - Autocorrelação espacial a) amostragem aleatória / estratificada (melhor opção) b) amostragem sistemática (erro sistemático) - Tamanho da amostra: a) validade estatística (dist. Normal) b) considerações práticas da amostragem (custos)

64 MAGNITUDE DO ERRO Na classificação tradicional, todos os erros têm um peso idêntico - erros entre classes similares - erros significativos entre classes diversas Erro= f (definição da classe) Análise crítica da matriz de confusão Realidade contínua vs. fronteiras (alocação de pixels similares a classes diferentes; erro na classificação perto das fronteiras) Escala de erro, mesmo qualitativa

65 Áreas de treino vs. EXTENSÃO DE ASSINATURAS Se esta assunção for real, então um elemento ou classe desconhecida numa cena pode ser classificada pela comparação das suas propriedades espectrais (DNs para as várias bandas) com uma base de dados de valores standards. H0: Assinatura espectral é idêntica para uma mesma classe de coberto do solo, qualquer que seja o local, desde que se acomode -posição do Sol - tipos de solo - humidade do solo -etc

66 A classificação e a avaliação do erro assenta nos pixeis puros Principal fonte de erro Pixels Mistos Um "mixed pixel" resulta do facto de área individuais, incluindo diferentes elementos ou classes, serem menores do que a resolução do sensor. Áreas homogéneas Aumentar a resolução do ground truth Modelos matemáticos Grande incerteza