GERAÇÃO DE IMAGEM SINTÉTICA COM MENOR PROPORÇÃO DE NUVENS A PARTIR DE IMAGENS MULTITEMPORAIS

Transcrição

1 V Colóquio Brasileiro de Ciências Geodésicas ISSN , p GERAÇÃO DE IMAGEM SINTÉTICA COM MENOR PROPORÇÃO DE NUVENS A PARTIR DE IMAGENS MULTITEMPORAIS ANA LÚCIA BEZERRA CANDEIAS ALISON GALDINO DE OLIVEIRA SILVA Universidade Federal de Pernambuco - UFPE Centro de Tecnologia e Geociências - CTG Departamento de Engenharia Cartográfica {analucia, alison.osilva,}@ufpe.br RESUMO Neste trabalho foi desenvolvido um aplicativo em linguagem de programação MATLAB para separação de nuvens e sombras utilizando recursos de processamento de imagens em imagens multitemporais. A metodologia consiste em processar duas imagens: uma em um tempo t1 e outra em um tempo t2 ambas com cobertura de nuvens e sombras em posições diferentes. Neste artigo aplica-se operações de máximo, mínimo e mediana. ABSTRACT In this work, it was developed an application in MATLAB to separate clouds and shadows by using digital image processing with multitemporal image. The methodology consists of processing two images one in time t1 and the other one in time t1 both with clouds and shadows in different position. Maximum, minimum and median are used to in this paper. 1. INTRODUÇÃO As nuvens e suas sombras são problemas constantes na aquisição de imagens orbitais, pois dificultam a interpretação visual ou automática destas imagens. Segundo Polidorio et al (2005) e Silva et al (2007), as nuvens provocam uma redução na área útil da imagem, tanto pela oclusão como pela sombra projetada sobre o terreno. As regiões afetadas por sombras apresentam baixa reflectância e podem, depo da banda analisada ser confundida com corpos d água. Song e Civco (2002), Polidorio et al., (2003), Polidório et al (2005), Choi and Bindschadler (2004) e Silva et al (2007) apresentam em seus trabalhos resultados de processamento de imagens para analisar nuvens e sombras. O litoral do nordeste brasileiro apresenta uma grande quantidade de nuvens o ano inteiro. Desenvolver trabalhos de Sensoriamento Remoto nesta área não é trivial pela grande cobertura de nuvens. Uma solução é trabalhar com imagens multitemporais e gerar um produto sintético que apresente uma seleção das áreas não cobertas por nuvens e sombras. Neste trabalho é proposto transformações simples sobre a imagem para demarcar nuvens e sombras bem como gerar uma imagem sintética que possua menos nuvens que as imagens originais que a geraram. A metodologia baseia-se na análise de que a partir de operações de máximo, mínimo e mediana entre as imagens obtidas em tempos de aquisição diferentes é possível gerar uma imagem sintética com menor presença de nuvens e sombras. O processamento de imagem é feito pixel a pixel tanto para obter o máximo, como para obter o mínimo, bem como gerar a mediana das imagens. Para implementar esta idéia foi desenvolvido um aplicativo denotado PDI em MATLAB (versão 6.0) facilitando assim o processamento das imagens digitais (Gonzalez et al, 2003). Os resultados deste trabalho possibilitam uma maior facilidade de análise visual ou automática e extração de feições em área com cobertura de nuvem. 2. IMAGENS UTILIZADAS Foi escolhida inicialmente imagens de duas épocas sintéticas e simples do ponto de vista radiométrico (três tons diferentes: preto, verde e branco), para enter o processo gerado (Figura 1) e depois se aplicou a uma imagem real de parte da Ilha de Itamaracá (Figura 2), localizada no litoral norte do Estado de Pernambuco. Este município (λ=34

2 48 Oeste e θ=7 48 Sul) localiza-se a 47,5 km do Recife, englobando a Mesorregião Metropolitana. A Figura 3 mostra imagens da área selecionada nos tempos t1 e t2. A partir destas imagens obtém-se o exemplo para imagem real. (a) t1 (b) t2 Figura 3 Área teste em Itamaracá-PE nos tempos t1 e t2 Figura 1 Imagens sintéticas em t1 e t2 Figura 2 Área de estudo na ilha de Itamaracá em t1. 2. METODOLOGIA E RESULTADOS A metodologia consiste em obter duas imagens com cobertura de nuvens e sombras em tempos de aquisição diferentes sobre uma mesma região. Elas devem estar georreferenciadas entre si. Para evitar problemas de sazonalidade, é interessante que estas imagens sejam obtidas em épocas próximas e se possível, devem ter sido calibradas entre si. É importante lembrar também que a metodologia apresentada pode ser usada para qualquer tipo de imagem de sensor. Deve-se apenas observar que, necessariamente, o produto sintético da banda i do sensor S deve ser obtido a partir das bandas i deste sensor nos tempos t1 e t2. Onde i é uma banda do sensor S. Com isto a faixa espectral é mantida. A função pixel a pixel de máximo aplicada as duas imagens originais tomadas em t1 e t2 respectivamente, irá gerar como resultado uma imagem com apenas nuvens sem sombra. Já para a função de mínimo teremos uma imagem sintética com apenas sombra. A Figura 4 mostra o resultado usando a imagem da Figura 1 e da Figura 3. As funções MAX, MIN e MEDIAN já existem no MATLAB. E isto facilita a implementação. A função MAX serve para eliminar as sombras, pois obtém os valores de máximo na imagem, pixel a pixel. A função MIN serve para eliminar as nuvens, pois ao contrário da função MAX, obtém os valores de mínimo na imagem, pixel a pixel. A função MEDIAN (filtro da mediana) obtém a mediana dos valores analisados. A metodologia utilizada no trabalho é mostrada na Figura 5.

3 IMAGEM f2 (t2) IMAGEM f1 (t1) IMAGEM f3 IMAGEM COM SOMBRAS ELIMINADAS f3 = max(f1, f2) IMAGEM f4 = f3 f1 IMAGEM f5 = f3 - f2 IMAGEM f6 = max(f4, f5) IMAGEM f7 IMAGEM RESULTANTE f6 = mediana(f1, f2, f6) (a) Imagens originais sintéticas em t1 e t2, imagem de nuvem, imagem de sombra. Figura 5 Fluxograma da metodologia utilizada para gerar uma imagem sintética com menor presença de nuvens e sombras. (b) Imagens originais reais em t1 e t2, imagem de nuvem, imagem de sombra. Figura 4 Imagens sintéticas originais e resultado com a função de máximo e mínimo aplicada pixel a pixel. A Figura 6 mostra as imagens sintéticas originais, processamento de máximo e subtração desta imagem com as imagens originais, bem como o máximo resultante das duas subtrações. A imagem f6 (Figura 6 (f)) apresenta a localização das nuvens e sombras com valores que se aproximam do resultado esperado caso não houvesse nuvens. Observa-se, entretanto que existem áreas de máximo devido à interseção de nuvens e sombras em f1 e f2. Além disto, as estradas aparecem na imagem resultante f6 ou como áreas bem claras, ou áreas bem escuras. Aplicando a mediana nas imagens originais f1 e f2 e na imagem f6 (Figura 6), obtém-se o valor intermediário em toda a imagem. Pois se sabe que, de um modo geral, as nuvens são valores de máximo e sombras valores de mínimo. Como resultado tem-se a imagem f3 (Figura 7 (d)). A imagem f7 (Figura 7 (d)) apresenta um resultado com menos nuvens e sombras que as imagens originais.

4 A Figura 8 mostra o resultado desta metodologia aplicada para imagens reais. Percebe-se que é necessário adicionar algumas outras operações para que a imagem resultante se apresente com um resultado mais adequado. Para o caso estuda tem-se marcado com círculos as regiões que foram melhoradas. Observa-se, entretanto nesta mesma figura que a sombra da nuvem ainda aparece na imagem final (Figura 8(d)). É necessário ainda algumas outras manipulações para se obter um resultado sem as sombras das nuvens. Figura 6 Imagens sintéticas originais e resultados. (a) Imagem em t1 (f1). (b) Imagem em t2 (f2). (c) f3 = max(f1, f2). (d) f4 = f3 - f1. (e) f5 = f3 - f2. (f) f6 = max(f4, f5). Figura 8 Imagens originais em zoom e resultado com minimização de nuvem. (a) Imagem (f1). (b) Imagem t2 (f2). (c) f6 = max(f4, f5). (d) f7 = median(f1, f2, f6). A seguir tem-se a programação em MATLAB para o desenvolvimento da metodologia em questão. Figura 7 Imagens sintéticas originais e resultado com minimização de nuvem. (a) Imagem em t1 (f1). (b) Imagem em t2 (f2). (c) f6 = max(f4, f5). (d) f7 = median(f1, f2, f6). %^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^ % Separação automática de nuvens e sombras % % Ana Lúcia Bezerra Candeias % Alison Galdino de Oliveira Silva % % % DECART UFPE %^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^

5 3. CONCLUSÕES clear all aa=imread('im1.tif'); bb=imread('im2.tif'); imshow(aa) imshow(bb) f1=double(aa); f2=double(bb); [m,n]=size(f1); for i=1:m for j=1:n me=[f1(i,j),f2(i,j)]; f3(i,j)=max(me); imshow(uint8(f3)) f4=(f3-f1); imshow(uint8(f4)); f5=(f3-f2); imshow(uint8(f5)); for i=1:m for j=1:n ma=[f4(i,j),f5(i,j)]; f6(i,j)=max(ma); De acordo com os resultados obtidos, podemos concluir que as funções MAX, MIN, MEDIAN podem ser bastante úteis para se tentar discriminar nuvens e sombras em uma imagem. A metodologia é automática não exigindo um limiar para definir nuvens e/ou sombras. É um método simples e robusto e facilmente visualisável. Os cuidados para se trabalhar com a metodologia na obtenção de imagens com menor proporção de nuvem é que as imagens originaia devem estar georreferenciadas entre si, e que sejam obtidas em épocas próximas e, se possível, devem ter sido calibradas. O produto sintético é gerado por banda e possui a mesma faixa espectral que as bandas originais que as geraram. Percebe-se que é necessário um pouco mais de aprofundamento na metodologia para se obter um resultado ótimo. Além disto, testar o método para outras imagens é recomável. O MATLAB é um excelente recurso de prototipação com processamento de imagens. Porém não é adequado para imagens grandes. 5. REFERÊNCIAS BIBLIOGRÁFICAS Centeno, J.A.S. Sensoriamento Remoto e Processamento de Imagens Digitais. Ed. Curso de Pós-Graduação em Ciências Geodésicas, Curitiba, Choi, H., Bindschadler, R. Cloud detection in Landsat imagery of ice sheets using shadow matching technique and automatic normalized difference snow index threshold value decision. Remote Sensing of Environment 91 (2004) p imshow(uint8(f6)) for i=1:m for j=1:n ma=[f1(i,j),f2(i,j),f6(i,j)]; f7(i,j)=median(ma); imshow(uint8(f7)) Correia, A. H; Oliveira, G. P. Ferramentas de apoio ao processo de atualização de cartas topográficas com imagens de satélite. Anais do XXI Congresso Brasileiro de Cartografia. Belo Horizonte MG Gonzalez, R.C.; Woods, R.E.; Eddins, S. L.. Digital Image Processing Using MATLAB. 1st Edition. Editora Edgard Blücher Ltda INPE. <Acessado em 13/03/2007>. Polidorio, A. M., Flores, F. C., Franco, C., Imai, N. N., Tommaselli, A. M. G. Detecção automática de sombras e nuvens em imagens CBERS e Landsat 7 ETM. In: Simpósio Brasileiro de Sensoriamento Remoto (SBSR), , Goiânia. Anais... São José dos Campos: INPE, 2005, p

6 Polidorio, A. M., Imai, N. N., Tommaselli, A. M. G. Correção radiométrica das imagens multiespectrais CBERS e LANDSAT ETM usando atributos de reflectância e de cor. In: Simpósio Brasileiro de Sensoriamento Remoto (SBSR), 12., 2005, Goiânia. Anais... São José dos Campos: INPE, 2005, p Polidorio, A. M.; Flores, F. C.; Imai, N. N.; Tommaselli, A. M. G.; Franco, C. Automatic shadow segmentation in aerial color images. Proceedings of the IEEE XVI Brazilian Symposium on computer graphics and image processing, October, São Carlos, Brazil, Proceedings p Song, M.; Civco, D. L. A knowledge-based approach for reducing cloud and shadow. ASPRS-ACSM Annual Conference and FIG XXII Congress April 22-26, Proceedings. available in CR-ROM Silva, W. A.,; Imai, N. N.; Polidorio, A. M. Detecção de nuvens e sombras em imagens CCD/CBERS por correlação de pontos candidatos. Anais XIII Simpósio Brasileiro de Sensoriamento Remoto, Florianópolis, Brasil, abril 2007, INPE, p