Baixe Tutorial Spring 4.3.3 - Aula 4 e outras Notas de aula em PDF para Geografia, somente na Docsity!
INPE / DPI - http://www.dpi.inpe.br/spring - [email protected] 1
Aula 4 - Processamento de Imagem
1. Contraste de Imagens
A técnica de realce de contraste tem por objetivo melhorar a qualidade das imagens sob os critérios subjetivos do olho humano. É normalmente utilizada como uma etapa de pré-processamento para sistemas de reconhecimento de padrões. A manipulação do contraste consiste numa transferência radiométrica em cada "pixel", com o objetivo de aumentar a discriminação visual entre os objetos presentes na imagem. Realiza-se a operação ponto a ponto, independentemente da vizinhança. O histograma de uma imagem descreve a distribuição estatística dos níveis de cinza em termos do número de amostras ("pixels") com cada nível.
Como regra geral pode-se tomar que quanto maior a inclinação de curva aplicada no histograma, maior o contraste. Uma inclinação de 45 o^ indica que não há realce nem compressão dos níveis de cinza. Deve-se tomar CUIDADO para não ocorrer “overflow”, a menos que deseje. Um “ overflow ” ocorre quando uma porção de pixels de níveis de cinza diferentes é transformada em um único nível, isto é, quando a inclinação da reta de transferência é exagerada. Observe a figura abaixo onde a seta de “ overflow” está apontando: significa perda de informação, uma vez que pixels de colunas vizinhas do histograma de entrada, que originalmente podiam ser diferenciados com base no seu nível de cinza, serão comprimidos numa só coluna e passarão a ter o mesmo nível de cinza (0 para o caso da figura abaixo)
[email protected] 2
⇒ Carregando o Banco e Projeto
- # Iniciar – Programas – Spring <versão> - Spring <versão> SPRING
- Ativar banco de dados Curso (ou BANCO1 caso tenha completado a aula anterior )
- Ativar projeto Brasilia (ou DFederal caso tenha completado a aula anterior).
LEMBRE-SE : O diretório onde estão os bancos é C:\Tutor_10aulas\springdb
1.1. Contraste de imagem em uma única banda
⇒ Visualizando uma imagem: Painel de Controle
- (Categorias | Imagem_TM)
- (Planos de Informação | TM4)
- (M) - para monocromático (imagem em níveis de cinza)
- (Desenhar) ou - [Executar] [Desenhar] ou botão no menu principal.
⇒ Definindo um aumento de contraste linear: SPRING
- [Imagem][Contraste...] Contraste
- Selecionar com cursor (botão esquerdo) o valor mínimo do histograma
- Selecionar com cursor (botão direito) o valor máximo do histograma
- (Aplicar) * A imagem é realçada na tela ativa
⇒ Salvando a imagem realçada: Contraste
- {Nome: TM4_realce_linear}
- (Salvar Imagem ⇔ Banda)
- [Executar] [Salvar]
- _Caso desejar, pode-se selecionar com cursor uma área menor a salvar, basta definir um retângulo menor sobre a imagem, como se fosse executar um zoom, mas sem clicar em Executar - Desenhar.
- Repita o procedimento para as bandas TM3 e TM5._
[email protected] 4
2. Leitura de Pixel
A leitura de pixel permite saber qual o valor do nível de cinza de um determinado pixel e seus vizinhos. Esta análise é útil para trabalhos que envolvam estudos do comportamento espectral dos alvos, nas várias bandas de imagens multi-espectrais.
⇒ Leitura do Nível de Cinza dos Pixels:
- # Iniciar – Programas – Spring <versão> - Spring <versão> SPRING
- Ativar banco de dados Curso (ou BANCO1 caso tenha completado a aula anterior )
- Ativar projeto Brasilia (ou DFederal caso tenha completado a aula anterior )
- Visualizar a imagem TM
- [Imagem][Leitura de Pixels...] Leitura de Pixels
- [Exibir] [Cursor de Ponto] ou botão se ainda não estiver ativo.
- Selecionar pixel na tela com um clique
- Verificar valores de pixel para alvos diferentes. Observe que a cada clique os valores são apresentados na janela Leitura de Pixels
. ⇒ Leitura de pixel definido por uma coordenada: Leitura de Pixels
- (Posicionar Cursor...) Posicionar Cursor
- (Coordenadas ⇔ Planas)
- {X: 196219.3}, {Y: 8251421.6} - Obs: Lago do Jaburu
- (Executar) * Observe que uma “ cruz ” é posicionada na coordenada indicada e o relatório é apresentado.
⇒ Salvar em arquivo: Leitura de Pixels
- (Salvar...) Salvar Como * Selecione o local onde você deseja salvar o relatório.
- (Pasta | C\Tutor_10aulas\Relatorios)
- {Nome do Arquivo: pixeltm5} * Apenas substitua o * de (*.txt) pelo nome acima.
- (Salvar) Leitura de Pixels
- (Fechar)
NOTA : O mesmo procedimento para leitura de pixel pode ser efetuado sobre uma composição colorida de três bandas, mas não sobre uma imagem sintética.
INPE / DPI - http://www.dpi.inpe.br/spring - [email protected] 5
3. Transformação IHS
Para descrever as propriedades de cor de um objeto, em uma imagem, normalmente o olho humano não distingue a proporção de azul, verde e vermelho presentes, e sim, avalia a intensidade (I), a cor ou matiz (H) e a saturação (S). A intensidade ou brilho é a medida de energia total envolvida em todos os comprimentos de onda, sendo, portanto responsável pela sensação de brilho dessa energia incidente sobre o olho. O matiz ou cor de um objeto é a medida do comprimento de onda médio da luz que se reflete ou se emite, definindo, portanto, a cor do objeto. A saturação ou pureza expressa o intervalo de comprimento de onda ao redor do comprimento de onda médio, no qual a energia é refletida ou transmitida. Um alto valor de saturação resulta em uma cor espectralmente pura, ao passo que um baixo valor indica uma mistura de comprimentos de onda que irá produzir tons pastéis (apagados). O espaço IHS pode ser graficamente representado por um cone. A relação espacial entre o espaço RGB e IHS é mostrada na figura a seguir.
A distância de um ponto até a origem ou ápice do cone representa a intensidade. A distância radial do ponto até o eixo central do cone representa a saturação. O matiz é representado como uma seqüência radial ao redor dos círculos de saturação e do eixo de intensidade. Por serem independentes, estes três parâmetros podem ser analisados e modificados separadamente, para um melhor ajuste das cores às características do sistema visual. É muitas vezes utilizada para produzir imagens integradas de sensores diferentes ou imagens de geofísica.
⇒ Transformação RGB-IHS:
- # Iniciar – Programas – Spring <versão> - Spring <versão> SPRING
- Ativar banco de dados Curso
INPE / DPI - http://www.dpi.inpe.br/spring - [email protected] 7
4. Operações Aritméticas entre imagens
Pode-se usar uma ou duas bandas de uma mesma área geográfica, previamente georreferenciada. A operação é realizada "pixel" a "pixel", através de uma regra matemática definida, que fornece como resultado uma banda representando a combinação das bandas originais. Isto permite a compressão de dados, mas como os resultados normalmente caem fora do intervalo 0-255, eles são automaticamente normalizados. Assim, os valores abaixo de 0 e acima de 255 ficam saturados, causando perda de informação espectral. Portanto, deve-se utilizar um fator de Ganho (multiplicativo) e um " Off-set " (aditivo).
Subtração de imagens
Utilizada para realçar diferenças espectrais (operação linear), uma vez que conhecemos as curvas de comportamento espectral dos alvos de interesse e o intervalo espectral das bandas dos sensores. Exemplos de aplicação: ⇒ Identificação de diferentes tipos de cobertura vegetal; ⇒ Identificação de minerais formados por óxido de ferro; ⇒ Detecção do padrão de mudança de cobertura, como uso do solo, expansão urbana, desmatamento. Aconselha-se a equalização de sua média e do desvio padrão, antes da subtração.
Adição de imagens
A adição de imagens constitui uma operação linear, podendo ser utilizada para a obtenção da média aritmética entre as imagens, minimizando a presença de ruído, ou ainda para a integração de imagens resultantes de diferentes processamentos.
Multiplicação
É uma operação linear que consiste na multiplicação de uma constante pelos níveis de cinza de uma banda.
Divisão ou razão entre bandas
É uma operação não-linear utilizada para realçar as diferenças espectrais de um par de bandas, devendo cuidar da presença de ruídos, pois estes serão realçados. A operação de razão de bandas pode: ⇒ Remover efeitos de ganho provenientes de variações espaciais ou temporais, quando ocorrem em bandas de uma mesma imagem; ⇒ Diminuir variações de radiância da imagem, provenientes de efeito de topografia, declividade e aspecto; ⇒ Aumentar diferenças de radiância entre solo e vegetação. A redução do efeito de iluminação também elimina o efeito do sombreamento topográfico.
[email protected] 8
Para aumentar o contraste entre solo e vegetação, pode-se utilizar a razão entre bandas referentes ao vermelho e infravermelho próximo, constituindo assim, os chamados índices de vegetação.
⇒ Executando Operações Aritméticas entre imagens:
- # Iniciar – Programas – Spring <versão> - Spring <versão> SPRING
- Ativar banco de dados Curso
- Ativar projeto Brasilia
- Visualizar a imagem TM
- [Imagem][Operações Aritméticas...] Operações Aritméticas
- (Operação ⇔ C=Ganho*(A/B)+Offset)
- (A), (Planos de Informação: TM4)
- (B), (Planos de Informação: TM3)
- {Ganho: 50}
- {Offset: 100}
- {Saída C: razao3-4}
- (Executar)
- (Fechar)
- Visualizar a imagem “ razao3-4-(OP4)” resultante
- Testar outras operações. Não esquecer de analisar os valores de Ganho e Offset.
5. Filtragem
As técnicas de filtragem são transformações da imagem "pixel" a "pixel", que não dependem apenas do nível de cinza de um determinado "pixel", mas também do valor dos níveis de cinza dos "pixels" vizinhos, na imagem original. Obs. : Os filtros implementados estão na tabela abaixo, além de poder editar uma máscara. Tipos de Filtros Opções Máscaras Passa Baixa-Média 3x3, 5x5 ou 7x Direcional de Borda NW, W, SW, N, S, NE, E ou SE Linear Não direcional de Borda
Baixa, Média ou Alta
Realce de Imagem TM - Máscaras Editor de máscaras. Detecção de Bordas Sobel ou Roberts Não Linerar Morfológico-Dilatação Morfológico- Mediana Mtot, Mx, M+, M-, M|, Md ou Me Morfológico- Erosão Máscaras Editor de elementos.
Lee
Definir o Tipo, Tamanho (3x3, 5x5, 7x7, 9x9), Imagem e Num. de Looks. Radar Kuan
Definir o Tipo, Tamanho (3x3, 5x5, 7x7, 9x9), Imagem e Num. de Looks.
Frost
Definir o Tipo, Tamanho (3x3, 5x5, 7x7, 9x9), Imagem, Num. de Looks e Coeficiente de Correlação.
[email protected] 10
- (Fator Normalizador){7} (CR)
- (Salvar) Máscaras
- (Executar) Filtragem
- {PI de Saída: SPOT_m }
- (Retângulo Envolvente...) * Selecionar área a filtrar sobre a imagem, se não informado será utilizada toda área do PI.
- (Nº de Iterações ⇔ 1)
- (Executar)
- Visualizar a imagem SPOT_m filtrada para comparação
- Editar outras máscaras e testar
As técnicas de filtragem utilizando filtros passa-baixa são úteis para remoção de ruído não sistemático, como podemos ver no exercício a seguir. Observe que foram criados ruídos totalmente escuros (NC=0) e ruídos brancos (NC=255). ⇒ Filtragem passa-baixa para remoção de ruído: SPRING
- Ativar projeto Rondonia
- Visualizar a imagem TM5_RuidoA * Comparar com as imagens TM5_RuidoB e TM5_RuidoC.
- [Imagem][Filtragem...] Filtragem
- (Tipos ⇔ Linear)
- (Filtros Lineares ⇔ Passa Baixa-Média)
- (3x3)
- {PI de Saída: TM5_SemRuidoA }
- (Nº de Iterações ⇔ 1)
- (Executar) NOTA : Teste o efeito de utilizar filtros com máscaras de maior tamanho e também filtros não-lineares tipo mediana.
6. Eliminação de Ruído
Ruídos (pontos totalmente brancos ou negros) podem aparecer distribuídos aleatoriamente ou de forma sistemática (listras verticais e horizontais). As causas podem ser: falha de detectores, limitações do sistema eletrônico do sensor etc. Deve-se escolher os valores de: Limiar Inferior e Limiar Superior.
Escolha do Limiar Inferior
Um ponto será considerado ruído caso o seu nível de cinza esteja abaixo dos níveis de cinza de seus dois pontos vizinhos abaixo e acima (linhas de cima e de baixo) por uma diferença maior que este limiar inferior. Neste caso, o ponto será substituído pela média entre aqueles dois pontos vizinhos.
Escolha do Limiar Superior
INPE / DPI - http://www.dpi.inpe.br/spring - [email protected] 11
Um ponto será considerado ruído caso o seu nível de cinza esteja acima dos níveis de cinza de seus dois pontos vizinhos abaixo e acima (linhas de cima e de baixo) por uma diferença maior que este limiar superior. Neste caso também, o ponto será substituído pela média entre aqueles dois pontos vizinhos.
⇒ Eliminação de Ruído em imagem:
- # Iniciar – Programas – Spring <versão> - Spring <versão> SPRING
- Ativar banco de dados Curso
- Ativar projeto Rondonia
- Visualizar a imagem tm5_ruido
- [Imagem][Eliminação de Ruído...] Eliminação de Ruído
- (Limiares - Inferior ⇔ 64), (Limiares - Superior ⇔ 40)
- (Retângulo Envolvente...) Retângulo Envolvente
- (Cursor ⇔ Sim)
- Selecionar a área com ruído sobre a imagem utilizando o Cursor de Área em
- (Adquirir)
- (Executar) Eliminação de Ruído
- {Imagem de Saída: TM5_c}
- (Executar)
- Visualizar a imagem TM5_c na Tela 2 para comparação
- Testar limiares inferiores e superiores diferentes caso o ruído persista
7. Estatística de Imagens
A função Análise Estatística é efetuada sobre Amostras definidas na imagem, e tem como objetivo calcular e apresentar os seguintes parâmetros estatísticos a partir das imagens previamente selecionadas: Momentos, Mediana, Moda, Desvio Padrão e Variância, Matriz de Covariância e correlação, Matriz de Autocorrelação e Matriz de Correlação Cruzada. ⇒ Executando uma análise Estatística:
- # Iniciar – Programas – Spring <versão> - Spring <versão> SPRING
- Ativar banco de dados Curso
- Ativar projeto Brasilia
- Visualizar a imagem TM
- [Imagem][Estatística...] Análise Estatística de Amostras
- {Nome: estat1}
- (Planos de Informação | TM3, TM4, TM5)
- (Criar Arquivo...)
INPE / DPI - http://www.dpi.inpe.br/spring - [email protected] 13
Restauração
- (Imagem ⇔ SPOT-P)
- {Nome: PAN_R_5}
- (Pixel ⇔ 5)
- (Executar)
- Visualizar a imagem PAN_R_5 na Tela 2 para comparação
9. Análise por Componentes Principais
A geração de componentes principais é uma técnica de realce que reduz ou remove esta redundância espectral, ou seja, gera um novo conjunto de imagens cujas bandas individuais apresentam informações não disponíveis em outras bandas. Esta redundância ocorre principalmente por causa do efeito de sombras resultantes da topografia, da sobreposição das janelas espectrais entre bandas adjacentes e do próprio comportamento espectral dos objetos. A figura a seguir mostra que a transformação de componente principal em duas dimensões corresponde à rotação do eixo original da coordenada para coincidir com as direções de máxima e mínima variância no dado.
A primeira componente principal contém a informação de brilho associada às sombras de topografia e às grandes variações da reflectância espectral geral das bandas. Esta componente principal possui a maior parte da variância total dos dados, concentrando a informação antes diluída, em várias dimensões. A segunda e as subseqüentes componentes principais apresentam gradativamente menos contraste entre os alvos e são desprovidas de informação topográfica, devido à ausência de sombreamento. A terceira e quarta componentes principais contêm tipicamente menos estrutura da imagem e mais ruído que as duas primeiras, indicando a compressão dos dados nos primeiros canais. A última componente representa basicamente o ruído existente nos dados originais. ⇒ Executando a transformação por Componentes Principais:
[email protected] 14
- # Iniciar – Programas – Spring <versão> - Spring <versão> SPRING
- Ativar banco de dados Curso
- Ativar projeto Brasilia
- Visualizar a imagem TM
- [Imagem][Componentes Principais...] Componentes Principais
- (Planos de informação | TM3 , TM4 e TM5 ) - selecionar PIs para análise
- (Amostra ⇔ Cursor)
- Selecionar área sobre a imagem
- (Parâmetros...) Parâmetros dos Principais Componentes _* Analisar os parâmetros
- Salvar parâmetros no arquivo_ princo Componentes Principais
- {Imagem de Saída: tmpc}
- (Realce ⇔ Sim)
- (Executar) * Visualizar a imagem tmpc _resultante
