Embrapa Informática Agropecuária/INPE, p. 864-875 Metodologia de filtragem de estruturas rodoviárias em imagens digitais via índice de artificialidade e espaço de cor Giovane Maia do Vale 1 Marcos Vinícios Jacovais 2 Rodrigo Bruno Zanin 1 1 Universidade do Estado de Mato Grosso - UNEMAT Av. dos Ingás, 3001 78555-000 - Sinop - MT, Brasil {giovanemvale, rodrigo.zanin}@gmail.com 2 Universidade do Estado de Mato Grosso - UNEMAT Rua Ivo Carnelós, 393 Setor Leste - Caixa Postal 113 78500-000 Colider - MT Brasil marcaobu@yahoo.com.br Resumo. Rodovias constituem importantes elementos hidrológicos e geomorfológicos, que devem ser considerados nos estudos voltados à gestão dos recursos naturais. Assim, pesquisadores das áreas de Fotogrametria e Visão de Máquina tem trabalhado na criação de metodologias de extração de rodovias que gerem dados propícios à tais análises. Comumente, metodologias voltadas à extração de rodovias utilizam primitivas, tais como: pontos, linhas e bordas. Dentre aquelas que utilizam bordas, verifica-se que, frequentemente, bordas espúrias dão origem a erros de extração. Assim, geralmente é utilizada alguma forma de pré-processamento para reduzir a complexidade das imagens a serem processadas e, consequentemente, atenuar tais problemas. Nestes termos, este trabalho apresenta uma nova metodologia de filtragem de imagens que objetiva a redução de dados irrelevantes à extração de rodovias. Esta consiste na alteração de um algoritmo preexistente, expresso em Vale (2007), e é baseada no uso de informações advindas do espaço de cor para a refiltragem de uma imagem já filtrada via índice de artificialidade NandA (Natural and Artificial). Tal refiltragem utiliza informações extraídas dos canais R, G e B (Red, Green e Blue) que compõem as imagens de entrada. Ou seja, mediante o cálculo das médias e desvios-padrão das intensidades para os três canais R, G e B, calcula-se um limiar triplo para se selecionar os pixels da imagem binarizada via índice de artificialidade NandA, que possuam resposta espectral similar às das rodovias. Neste trabalho tal metodologia é pormenorizada e são descritos os principais experimentos que mostram a eficácia da metodologia em eliminar dados espúrios. Palavras-chave: Fotogrametria, NandA, espaço de cor. 864
Embrapa Informática Agropecuária/INPE, p. 865-875 Abstract. Roads are important hydrological and geomorphological elements that must be considered in studies focused on natural resource management. Thus, researchers in Photogrammetry and Machine Vision has worked in order to creating road extraction methodologies directed to generating those analysis datas. Commonly, methodologies aimed at road extraction uses primitives such as points, lines and edges. Among those using edges, it can be seen often that spurious edges originate extraction errors. So, it s used generally some way of prepossessing in order to reduce the image complexity to be processed and consequently to decrease these extraction errors. In these therms, this work presents a new image filtering methodology that aims to reduce irrelevant datas to road extraction methodologies. It consists of a modification of pre-existing algorithm expressed in Vale (2007), and is based on information derived from color space to make a re-filtering in an image the has been filtered via NandA (Natural and Artificial) artificiality index. Re-filtering uses information extracted from R, G and B channels (Red, Green and Blue) that compose the input images. Ie, by calculating averages and standard deviations of the intensities from three R, G and B channels, it s computed a triple threshold in order to select pixels from binarized image via NandA artificiality index, that have similar spectral response to roads. In this work this methodology is specified and the main experiments which demonstrate method efficacy in eliminating spurious data are presented. Key-words: Photogrammetry, NandA, color space. 1. Introdução Segundo Panazzolo et al (2012), as rodovias podem apresentar inúmeros impactos sobre o meio ambiente, tais como, desmatamentos, perda de diversidade biológica, alteração do sistema natural de drenagem e degradação do solo. Assim, mapeá-las implica em considerar um importante elemento de transformação, principalmente quando presentes em áreas bastante vulneráveis como a do bioma Pantanal. Nestes termos, muitos pesquisadores, tanto na área de Fotogrametria, quanto na área de Visão de Máquina, dedicam-se ao desenvolvimento de metodologias de extração de rodovias, capazes de gerar dados confiáveis para a Análise de Impacto Ambiental (AIA). Tal pesquisa de base é de difícil execução devido à alta complexidade das cenas envolvidas (Gato, 2000). Neste contexto, a maior dificuldade é a atribuição de semântica aos objetos das cenas, ou seja, a atribuição do significado ao objeto de interesse (no caso, uma rodovia). Esta dificuldade se dá pelo fato de certas características serem comuns a grupos distintos de objetos. Assim, ao se modelar matematicamente estas características comuns, a probabilidade de se extrair erroneamente um objeto adverso daquele que se deseja aumenta drasticamente. Segundo Dal Poz (2001), de modo geral, a tarefa de extração de feições, envolve duas outras sub-tarefas a saber: o reconhecimento e o delineamento. Especifica-se que o reconhecimento é o ato de estabelecer no plano da imagem o alvo de interesse para a extração (Semântica). Já o delineamento é a obtenção das coordenadas dos vértices das linhas poligonais que descrevem os contornos do objeto de interesse (Geometria). Mesmo efetuado o reconhecimento e o delineamento do objeto de interesse, atribuir o significado correto a ele ainda não é uma tarefa corriqueira devido às possíveis ambiguidades. Isto é, em decorrência da complexidade do problema de extração, os algoritmos destinados a este fim por vezes extraem objetos do plano da imagem que simplesmente se assemelharem ao alvo de interesse. Estes objetos extraídos erroneamente comumente são conhecidos como falsos positivos. Por outro lado, tais algoritmos frequentemente falham também em extrair o objeto de interesse devido ao fato destes aparecerem descaracterizados no plano da imagem. A estas falhas de extração dá-se o nome de falsos negativos. Quando o alvo de extração são as rodovias, cabe esclarecer que, grande parte das metodologias destinadas à sua extração utiliza primitivas, tais como, linhas, bordas, pontos, pontos de quina (corners) etc. Porém, dada a grande quantidade destes elementos nas cenas, existe a necessidade de se despender um grande esforço matemático e algorítmico na seleção das primitivas que realmente estejam relacionadas com o objeto de interesse (rodovias). Considerando este fato, chega-se à seguinte conclusão: quanto menor o número de primitivas não relacionadas 865
Embrapa Informática Agropecuária/INPE, p. 866-875 com o objeto de interesse, maior a probabilidade de se obter aquelas que descrevem o objeto desejado. Seguindo esta ideia, este trabalho apresenta uma metodologia de filtragem de imagens de modo a reduzir os dados irrelevantes à extração das rodovias. Esta metodologia tem o caráter de pré-processamento para as metodologias de extração que utilizam bordas como sua principal primitiva indicadora de rodovias. Nestes termos, a pesquisa de base relatada neste artigo consiste de uma alteração a um algoritmo preexistente, expresso em Vale (2007). Tal alteração se baseia no uso de informações advindas do espaço de cor para se efetuar uma segunda filtragem em uma imagem binarizada via índice de artificialidade NandA (Natural and Artificial), para assim eliminar as feições que não possuam a resposta espectral semelhante às das rodovias. Tal fato, é um acréscimo ao estado da arte no tocante ao Processamento Digital de Imagens e, mais especificamente, às técnicas de pré-processamento que antecedem os algoritmos de extração de rodovias. 2. Objetivo O trabalho relatado neste artigo teve por objetivo a criação de uma metodologia de filtragem de estruturas de rodovias em imagens digitais, via índice de artificialidade e espaço de cor, baseada na metodologia de Vale (2007), que seja capaz de eliminar feições indesejadas das imagens de entrada utilizadas por algoritmos de extração de rodovias, de modo que estes gerem informação mais confiável para possível uso em AIA. 3. Material e Métodos Esta seção é destinada à apresentação da metodologia de refiltragem de imagens binarizadas, geradas via indicie de artificialidade NandA. Para tanto a metodologia de Vale (2007) é detalhada e as alterações principais efetuadas àquela metodologia são pormenorizadas. 3.1. Binarização de imagens coloridas via índice de artificialidade NandA Segundo Vale (2007), a metodologia de binarização de imagens coloridas foi criada no contexto da extração de rodovias. Como resultado da filtragem e binarização tem-se uma imagem binarizada (Preta e Branca) via índice de artificialidade NandA. A metodologia de Vale (2007) ocorre conforme o fluxograma que segue, exceto os passos coloridos em verde, que estabelecem as alterações a serem apresentadas neste trabalho e constituem o que há de inédito nesta pesquisa. Os passos a seguir descrevem detalhadamente a metodologia de Vale (2007). 1º Passo: Geração da imagem de luminância. Inicialmente, a imagem colorida (Figura 2a) é utilizada para a geração de uma imagem de luminância, em tons de cinza (Figura 2b). A imagem de luminância de uma imagem colorida é uma imagem em tons de cinza na qual estão representadas apenas as intensidades de brilho da imagem colorida original (Gomes e Velho, 1994). Matematicamente a imagem de luminância é dada pela seguinte equação: Lm = 0,299R + 0,587G + 0,114B (1) Onde: Lm é a matriz destinada ao armazenamento da intensidade de brilho da imagem de luminância. R, G e B são os valores de brilho das componentes vermelha, verde e azul da imagem colorida de entrada. 2º Passo: Reamostragem da imagem de luminância. 866
Embrapa Informática Agropecuária/INPE, p. 867-875 Em seguida a imagem de luminância é reamostrada para uma resolução mais baixa (Figura 3), de modo que as rodovias nesta nova imagem apareçam como linhas. Figura 1. Fluxograma do processo de filtragem de feições rodoviárias em imagens digitais via índice de artificialidade e espaço de cor. (a) (b) Figura 2. Imagens iniciais: a) Imagem RGB de entrada. b) Imagem de luminância. Fonte: Vale (2007). Figura 3. Imagem reamostrada a partir da imagem de luminância com rodovias delgadas. 3º Passo: Detecção, vetorização e transformação das linhas representantes das rodovias. As linhas que representam as rodovias são detectadas, vetorizadas e transportadas para a escala da imagem original. Assim, gera-se um arquivo com as coordenadas dos pontos das linhas poligonais que descrevem as rodovias. 4º Passo: Geração da imagem em tons de cinza via índice de artificialidade NandA. Utilizando os vetores R, G e B, componentes da imagem de entrada, calcula-se, via índice 867
Embrapa Informática Agropecuária/INPE, p. 868-875 de artificialidade NandA, uma imagem em tons de cinza (Figura 4) denominada imagem NandA. A imagem NandA é gerada utilizando a equação (2) abaixo (Polidório, 2007): N(x,y) = G(x) (R(x) + B(x)) (2) Onde: N(x,y) é a matriz que armazenará os valores de intensidade de brilho calculados; R(x), G(x) e B(x) são os valores de brilho das componentes vermelha, verde e azul da imagem de entrada. Figura 4. Imagem em tons de cinza: imagem NandA. Pode-se observar na imagem apresentada na Figura 4 que as áreas de vegetação aparecem em tons de cinza mais claros e as feições antrópicas (feitas pelo homem), como edificações e rodovias, aparecem em tons de cinza mais escuros. Verifica-se dessa forma, que ocorreu uma boa divisão entre os elementos naturais e artificiais. 5º Passo: Cálculo dos parâmetros estatísticos necessários à binarização As intensidades dos níveis de brilho dos pixels da imagem NandA, relativas aos pontos das linhas que descrevem as rodovias no plano da imagem, são utilizadas para o calculo dos parâmetros estatísticos de média e desvio-padrão populacional, inerentes à resposta espectral das feições de interesse. 6º Passo: Binarização da imagem de entrada Como foi dito anteriormente, na imagem NandA as feições antrópicas são em menor quantidade e com intensidade de brilho mais próximas de zero. Em contrapartida, a vegetação aparece com valores de brilho mais próximos de 255 e em maior quantidade. Considerando esses fatos, o seguinte histograma da Figura 5 pode ser considerado. Figura 5. Histograma da imagem NandA. 868
Embrapa Informática Agropecuária/INPE, p. 869-875 Tendo em vista a teoria sobre Distribuição Normal e o histograma apresentado na Figura 5, pode-se afirmar se tratar de um histograma bimodal. Assim, Vale (2007) afirma que um possível limiar para a divisão dos tons de cinza inerentes às feições antrópicas e às feições naturais pode ser T (Figura 5), expresso pela equação: T = μ + 3σ (3) Onde: T é o limiar utilizado na binarização da imagem NandA; μ é a média dos tons de cinza dos pixels de rodovia da imagem NandA; σ é o desvio-padrão dos tons de cinza dos pixels de rodovia da imagem NandA. Logo, a binarização é feita através da limiarialização da imagem de entrada por meio do limiar T. Cabe esclarecer que a limiarilização é a seleção de pixels que possuam intensidade de brilho superior a um determinado valor T, pré-determinado e denominado limiar (Gonzalez e Woods, 2000). Ou seja, tomando T = μ + 3σ, chegaremos a um nível de brilho que divide as intensidades dos pixels em dois conjuntos: feições antrópicas e feições naturais. Assim, a limiarização se dá como mostra a equação 4 abaixo: 0 se N ( x, y)>t L( x,y)={ 255 se N ( x, y) T } (4) Onde: L(x,y) é a matriz que armazenará os tons de cinza (0 ou 255) da imagem binária gerada; N(x,y) e a matriz que armazena as intensidades de brilho da imagem NandA; T é o limiar baseado na média e desvio-padrão populacional das intensidades de brilho de pontos amostrados sobre as rodovias na imagem NandA. Nestes termos, valores de intensidade de brilho de N(x,y) que sejam maiores que T gerarão L(x,y) = 0 (feições naturais) e valores de intensidade de brilho N(x,y) menores que T gerarão L(x,y) = 255 (feições antrópicas). Assim, a imagem L(x,y) possuirá apenas dois tons de cinza (0 e 255), daí o motivo de chamá-la de Imagem Binarizada (Figura 6). Observando a imagem apresentada na Figura 6, verifica-se que a metodologia descrita até aqui não é eficaz para eliminar da imagem elementos, como por exemplo, a terra mecanizada e os telhados que aparecem na porção superior esquerda da imagem. Figura 6. Imagem binarizada (L(x,y)) gerada por limiarização Fonte: Vale (2007). 869
Embrapa Informática Agropecuária/INPE, p. 870-875 Para a atenuação do problema é apresentada a seguir uma complementação metodológica ao trabalho de Vale (2007), pelo uso do espaço de cor. 3.2. A refiltragem da imagem binarizada via NandA pelo uso do Espaço de Cor (Cubo RGB) Da análise dos histogramas dos canais R, G e B das imagens coloridas, surgiu a hipótese de que seria possível efetuar a separação dos pixels de rodovia considerando que as componentes das cores que caracterizavam as rodovias possuíam Distribuição Normal e que parâmetros estatísticos e fatos geométricos associados a esta distribuição poderiam capturar satisfatoriamente a noção de similaridade espectral. Segundo Gemael (1994), considerando a Distribuição Normal, qualquer variável aleatória o intervalo [μ-3σ, μ+3σ] possui probabilidade de 99,73%, ou seja, tomando um dos valores assumidos por uma variável aleatória, a probabilidade de que este valor esteja no intervalo [μ-3σ, μ+3σ] será de 99,73%. Diante do exposto por Gemael (1994), pode-se concluir que, qualquer valor assumido pela variável aleatória que estiver fora do intervalo [μ-3σ, μ+3σ] terá alta probabilidade de não pertencer à população ou amostra. A este valor absurdo dá-se o nome de outlier. Segundo Gemael (1994), os outliers são erros grosseiros, fruto de medidas ou observações errôneas e que, estando fora do intervalo [μ-3σ, μ+3σ], não devem ser considerados como elementos da população ou amostra. Nestes termos, a refiltragem funciona de forma similar àquela descrita para a binarização via NandA. Porém, neste caso, as coordenadas dos pontos das linhas representantes das rodovias, obtidas a partir da imagem de luminância reamostrada, são utilizadas para a coleta de amostras das intensidades de brilho dos três canais, R, G e B, da imagem colorida inicial. Posteriormente, com estes valores efetua-se o cálculo das médias e desvios-padrão populacionais para cada componente de cor. Matematicamente temos: Média (μ) Desvio-Padrão (σ) R μ R = R( x) n σ R = ( R( x) μ R ) 2 n G μ G = G ( x) n σ G = ( R( x) μ R ) 2 n B μ B = B( x) n σ B = ( R( x) μ R ) 2 n Onde: μ R, μ G e μ B : são as médias populacionais das três componentes, respectivamente; R(x), G(x) e B(x): são as intensidades das componentes relativas às coordenadas dos pontos de linhas extraídos; σ R, σ G e σ B : são os desvios-padrão populacionais calculados para os pontos de linhas em cada canal; 870
Embrapa Informática Agropecuária/INPE, p. 871-875 n: é a quantidade de pontos de linhas utilizados. Assim, a filtragem ocorrerá nos três canais, de modo que serão classificados como pixels de rodovia aqueles que possuírem intensidades R, G e B pertencentes simultaneamente aos intervalos definidos por meio das médias μ R, μ G e μ B, e dos desvios-padrão σ R, σ G e σ B, calculados a partir das amostras de intensidade de brilho dos três canais. Ou seja, um determinado pixel será tido como sendo de rodovia se suas componentes R, G e B obedecerem à regra: R [ μ R 3σ R, μ R + 3σ R ] e G [ μ G 3σ G, μ G + 3σ G ] e B [ μ B 3σ B, μ B + 3σ B ]. Pode-se afirmar então que, esta refiltragem estabelece uma nova seleção de pixels dentre aqueles que foram classificados, em um primeiro momento, como sendo de feições antrópicas. Logo, as demais feições antrópicas, cujas respostas espectrais não se assemelharem às das rodovias, serão eliminadas da imagem binarizada via NandA. Graficamente, se o espaço de cor (cubo RGB na Figura 7b) for considerado, pode-se afirmar que a limiarização acima delimitará um sub-volume (paralelepípedo) dentro do cubo RGB. Ou seja, os tons da rodovia na imagem RGB poderão estar dentro deste sub-volume. Assim, os pixels da imagem RGB que não tiverem cor contida neste paralelepípedo terão seus homólogos anulados na imagem binarizada via NandA. (a) (b) Figura 7. Análise espectral dos pixels de rodovia: a) Imagem colorida; b) Intensidades de brilho dos pixels de rodovias localizadas em um paralelepípedo no espaço RGB. Cabe esclarecer que, tal paralelepípedo deverá deslocar-se sobre o vetor que vai do ponto (0,0,0) (preto absoluto) até (1,1,1) (branco absoluto), uma vez que as rodovias asfálticas possuem cor próxima do ponto (0,0,0) e as rodovias não pavimentas possuem cor próxima do ponto (1,1,1). Nestes termos, pode-se afirmar que o paralelepípedo terá seu volume alterado e deslizará sobre o referido vetor, conforme a variação da cor das rodovias imageadas. 4. Resultados e Discussão Esta seção destina-se à apresentação e avaliação dos resultados dos experimentos obtidos pela implementação da metodologia elaborada, utilizando como dados de entrada imagens aéreas de rodovias rurais com pavimentação asfáltica e não pavimentadas. A imagem de teste 1 é proveniente do grupo «Data EuroSRD test on road extraction», Já a imagem de teste 2 é uma imagem aérea que apresenta um trecho do rio Paraguai na cidade de Cáceres - MT. Buscou-se utilizar imagens que possuíssem um conteúdo com grau de dificuldade considerável a fim de se por à prova a metodologia proposta. 871
Embrapa Informática Agropecuária/INPE, p. 872-875 4.1. Experimento 1 A imagem de teste 1 (Figura 8a) possui dimensões de 717x530 pixels. De acordo com Baumgartner et al. (1999) uma imagem é considerada como de média resolução quando possuem pixels no intervalo [0,7 m, 2,0 m], equivalendo à rodovias, no plano da imagem, com larguras na faixa de 3 a 6 pixels. Desta forma, a imagem em questão pode ser classificada como sendo de média resolução, por possuir largura em torno de 6 pixels. Pode-se verificar que o conteúdo da imagem é bastante desfavorável uma vez que as rodovias não possuem pavimentação e sua cor se assemelha à da terra mecanizada presente em suas imediações. Pode-se verificar ainda que, a rodovia possui regiões parcialmente oclusas por árvores. Tal fato é bastante desfavorável, uma vez que estas intervenções negativas alteram a resposta espectral do leito da rodovia. (a) (b) (c) (d) Figura 8. Experimento 1: a) Imagem de teste 1; b) Imagem binarizada via NandA; c) Imagem refiltrada; d) Mapa de bordas da Imagem refiltrada. A imagem binarizada via NandA é apresentada na Figura 8b. Pode-se verificar que a região mecanizada observada na imagem original deu origem a classificações indesejadas. Ou seja, as regiões de solo exposto foram classificadas da mesma forma que as rodovias. A Figura 8c apresenta o resultado obtido mediante a refiltragem da imagem binarizada. Verifica-se que, a alteração à metodologia foi eficaz em eliminar as informações adjacentes às rodovias. Restaram apenas estradas internas às propriedades rurais. Na verdade, estas feições que não correspondem às verdadeiras rodovias não deixam de ser caminhos de transito, mesmo que internos às propriedades e possuem características espectrais similares às das rodovias verdadeiras. Pode-se verificar ainda que, devido à influência das árvores que sobrepõem o leito da rodovia inúmeras falhas de classificação permaneceram e algumas delas foram acentuadas. 872
Embrapa Informática Agropecuária/INPE, p. 873-875 No entanto, algumas metodologias de extração de rodovias são capazes de reconstruir trechos oclusos, mas grande parte delas não consegue excluir faltos positivos. Assim, tal perda pode não ser tão relevante. A imagem da Figura 8d apresenta as bordas obtidas da imagem refiltrada. Pode-se verificar, com maior clareza que as bordas presentes na imagem correspondem quase que integralmente à feição de interesse, minimizando a probabilidade de falsos positivos. 4.2. Experimento 2 A Figura 9a apresenta a imagem de teste 2 que é de alta resolução e possui dimensões 1667x820. Nesta imagem pode-se verificar a rodovia BR-070 na sua passagem urbana em Cáceres - MT, na porção relativa à travessia sobre o rio Paraguai. Logo, pode ser observado na imagem o bairro adjacente ao rio e, à esquerda da imagem, porções alagadiças da área rural. Analisando a cena, ainda se pode ver elementos de contexto, tais como, edificações, sombras e árvores, que causam oclusão ao leito da rodovia e do arruamento urbano. (a) (b) (c) (d) Figura 9. Experimento 2: a) Imagem de teste 2; b) Imagem binarizada via NandA; c) Imagem refiltrada; d) Mapa de bordas da Imagem refiltrada. A imagem apresentada na Figura 9b mostra a imagem binarizada via NandA. Pode-se verificar que, mesmo sem o processamento preconizado neste trabalho, houve uma redução drástica das informações presentes na cena. Porém, dada a resposta espectral do rio, este foi classificado como feição antrópica. Percebe-se também que na porção urbana houve uma redução de elementos espúrios. Porém devido à presença de elementos de contexto a definição das bordas do arruamento ficou bastante perturbada. Com o uso da metodologia de refiltragem o resultado foi melhorado, uma vez que, os contornos irrelevantes foram reduzidos e as rodovias ficaram mais bem definidas. O principal 873
Embrapa Informática Agropecuária/INPE, p. 874-875 aspecto observado foi a eliminação do rio Paraguai, quase que por completo. Tal fato pode ser comprovado pela observação da imagem refiltrada apresentada na Figura 9c. No tocante à área urbana, verificou-se um leve destaque da malha viária. Ou seja, junto às edificação e seus entornos houve apenas uma pequena melhora. Assim, pode-se concluir que, diante da presença de elementos de contexto a metodologia não alcance desempenho tão satisfatório. Verifica-se então que o nível de desempenho seja inversamente proporcional à quantidade de elementos de contexto presentes na cena. Logo, a metodologia poderá ser utilizada na área urbana quando os elementos que descaracterizam o arruamento forem mínimos. A detecção de bordas apresentada na Figura 9d mostra o grau de limpeza satisfatório da cena, com as bordas verdadeiras das rodovias rurais em destaque e íntegras. 5. Conclusão Foi verificado a priori que, a metodologia de binarização via NandA atuava eficientemente na tarefa de eliminação de dados espúrios das imagens destinadas à extração de rodovias. Porém, dentre as feições antrópicas selecionadas, estavam àquelas que não coincidiam com o alvo de extração. Assim, houve a perspectiva de aperfeiçoamento/complementação da metodologia por meio da refiltragem da imagem NandA via informações advindas do espaço de cor. Assim, foi possível eliminar da imagem binarizada informação que não possuísse resposta espectral similar à das rodovias na imagem colorida. Verificou-se, por meio dos experimentos que, tais mudanças foram efetivas em melhorar os resultados obtidos pela metodologia original, pois as estruturas das rodovias rurais nas cenas, com ou sem pavimentação, encontraram-se em destaque e elementos indesejáveis como rios, alagadiços e terra mecanizada, foram eliminados. No experimento 2, verificou-se que, devido ao contexto desfavorável, os resultados para a área urbana não foram satisfatórios. Porém, conclui-se que processos subsequentes de extração de rodovias poderão se beneficiar com tais melhorias, devido a redução da quantidade de bordas remanescentes. Decorre deste fato também, a redução do custo computacional, a queda da probabilidade de se extrair falsos positivos e a geração de informação confiável para a AIA. Apesar da dependência entre a metodologia de Vale (2007) e a complementação proposta, verificou-se que, a refiltragem mostrou-se bastante robusta. Estas afirmações acima puderam ser verificadas tendo por base as interpretações dos resultados experimentais (visuais) da seção 4 e as análises feitas quando da implementação e testes dos algoritmos elaborados. 9. Referências Bibliográficas Baumgartner, A., Steger, C., Mayer, Eckstein, W., Ebner, H. Automatic road extraction based on multi-scale, grouping and context. Photogrammetric Engineering and Remote Sensing, v. 65, n. 7, p. 777-785, jul. 1999. Dal Poz, A. P. Semiautomatic road extraction based on edge and correlation analyses. In: ASPRS 2001 Annual Conference, 2001, Saint Louis, MO. ASPRS 2001 Annual Conference, Washington, DC: ASPRS, 2001. Gato, H. E. Uma abordagem semiautomática para a extração de feições por crescimento de região em imagens digitais. Dissertação. 2000. 91 p. (CDD(18.ed.)623.72). Dissertação (Mestrado em Ciências Cartgráficas) Faculdade de Ciências e Tecnologia UNESP. Presidente Prudente-São Paulo.2000. Gemael, Camil. Introdução ao ajustamento de observações: Aplicações Geodésicas. Curitiba: Ed. UFPR, 1994. Gomes J., Velho L. Computação Gráfica: Imagem. Série de Computação e Matemática. Rio de Janeiro: IMPA/ SBM, 1994. 424p.. Gonzalez, R. C., Woods, R. E. Processamento Digital de Imagens. São Paulo: Editora Edgar Blücher Ltda. SP, 2000. 509p. 874
Embrapa Informática Agropecuária/INPE, p. 875-875 Panazzolo, A.P., Frantz, L. C., Aurélio, S. O. S., Costa, F. L., Muñoz, C.. Gestão ambiental na construção de rodovias - O caso da BR-448 - Rodovia do Parque. In.: 3º Congresso Internacional de Tecnologias para o Meio Ambiente. Bento Gonçalves RS, Brasil, abril de 2012 Polidorio Airton, Detecção de elementos da paisagem urbana em imagens aéreas multiespectrais. 2007 101 p. Tese (Doutorado em Ciências Cartográficas) Faculdade de Ciências e Tecnologia, Universidade Estadual Paulista, Presidente Prudente São Paulo. 2007. Vale, Giovane Maia Do. Uso de técnicas de otimização e agrupamento hierárquico para a complementação automática da malha viária em regiões rurais a partir de imagens aéreas de média e alta resolução. 2007. 182 p. Tese (Doutorado em Ciências Cartográficas). Faculdade de Ciências e Tecnologia UNESP. Presidente Prudente-São Paulo. 2007. 875