PROCESSAMENTO DIGITAL DE IMAGENS (PDI)

1. Retificação e restauração de imagemCorreção geométricaCorreção radiométricaRemoção de ruído

2. Melhoramento da imagemManipulação de contrastesManipulação das características espaciaisManipulação multi-imagem

3. Classificação de imagem

4. Fusão de dados e integração em SIG

5. Modelação

UM PIXEL DE CADA VEZ

RETIFICAÇÃO E RESTAURAÇÃO: corrigir a imagem de distorções e degradações que resultaram do processo de aquisição

Fontes de distorção geométricaFontes 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

CORREÇÃO GEOMÉTRICACORREÇÃO GEOMÉTRICA

Distorção sistemáticaDistorção sistemáticaex: 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 Distorção enviezadaenviezadacada linha registada deve ser ajustada para oeste => aspecto enviezado das imagens multiespectrais

Movimento da Terra

Movimento do satélite

Imagem registadapelo sensor

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

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

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

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

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

(αx, αy )

• Afinidade - 6 parâmetros• 1rotação, rotação residual, 2 escalas, 2

translações

• Polinomiais - ≥ 6 parâmetros

DISTORÇÃO ALEATÓRIADISTORÇÃO ALEATÓRIA

Corrigida através de pontos de controledistribuídos no espaço da imagem, com localização conhecida e bem identificados na imagem

ex: cruzamentos de estradas

Pontos de controle(#1, #1, ..., #p)

Localização nas coordenadas da imagem distorcida (linhas e colunas)

Localização nas coordenadas no mapa

#1 : C1, L1#2 : C2, L2...#p : Cp, Lp

Análise de regressão

#1 : X1, Y1#2 : X2, Y2...#p : Xp, Yp

X = f1 (C, L) Y = f2 (C, L)

Correcção geométrica da matriz

Ajustamento dos valores da matrizREAMOSTRAGEMREAMOSTRAGEM

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 próximoalgoritmo do vizinho mais próximoalgoritmo do vizinho mais próximo• não se altera os valores registados pelo sensor• entidades espaciais podem ficar distorcidas meio pixel

Valor do pixel corrigido = valor “construído” a partir dos 4 pixels vizinhosinterpolação interpolação bilinearbilinear• 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 vizinhosinterpolação por interpolação por convoluçãoconvolução cúbicacúbica• interpolações lineares sobre 4 linhas de 4 pixels• teoria da amostragem • imagem muito suavizada, ótima para fotointerpretação• valores de radiância alterados

REAMOSTRAGEMREAMOSTRAGEM

• 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)

Fontes de distorção Fontes de distorção radiométricaradiométrica

• iluminação da cena• condições atmosféricas• geometria do registro• característica da resposta dos instrumentos

Objetivo: imagem com integridade radiométrica “real”

• 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

Aplicações

Correção RadiométricaAlteração da posição sazonal do Sol relativamente à Terra

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)

correção do correção do ângulo solar ângulo solar

correção da distância correção da distância TerraTerra--SolSol

Distância Terra-SOL -> normalizar as alterações sazonais

E =E 0 cos θ0

d2

E - energia solar incidente normalizadaE0 - energia solar incidente à distância média Terra-Solθ0 - ângulo solar no zênite

d2 - distância Terra-Sol, medida em unidades astronomicas

Unidade astronômica - distância média entre a Terra e o sol - 149.6x106 km.

CORREÇÃO RADIOMÉTRICACORREÇÃO RADIOMÉTRICAInfluência da atmosfera

• ReduzReduz a energiaa energia que incide no objeto e que é refletida por ele

• Atua como um refletor, adicionando energiaadicionando energia (path radiance) ao sinal detectado pelo sensor

Ltot=ρETπ

+ Lp

L tot - radiância espectral total medida pelo sensorρ - reflectância do objetoE - radiação incidente no objetoT - transmissão da atmosferaLp - path radiance

Path radiance introduz “haze” (neblina) na imagem => reduz o contraste

Observar a radiância em áreas de reflectância zeroex: 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

Compensação da “neblina” Compensação da “neblina”

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.

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

CORREÇÃO ATMOSFÉRICA

• Selecionar regiões na imagem com reflectâncianula (por exemplo, água)

• Estimar o NC médio desta região• Subtração deste NC de todos os NCs da

imagem

Resposta linear dos detectores em função da radiância espectral incidente (calibração onboard)

L - radiância espectral

255

LMAXLMIN

DN

0

•

•

•

•

••

• radiância espectral de padrões de calibração interna

Declive (gain)

DN = GL +B

DN - número digital registradoG - declive da resposta linear (gaingain)L - radiância espectral medida B - ponto de interseção da resposta linear (offsetoffset)

LMIN = 0LMAX = 255 L = DN+LMIN(LMAX - LMIN)

255 X

LMAX e LMIN são valores publicados e específicos de cada sensor.

Correção RadiométricaRemoção do ruído - distúrbio na imagem devido a limitações do registro, da digitalização do sinal, ou do processo de gravação dos dados.

Ruído sistemáticoRuído aleatórioCombinação 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

Striping - falha sistemática de um detectorajustamento 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| > limiarmédia dos valores dos pixels vizinhos, médias móveis de janelas 3x3 ou 5x5.

MELHORAMENTO DA IMAGEMmelhora 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 pixelindependentemente) vs global (modifica o valor do pixelem 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

Manipulação do contrasteManipulação do contrastelimitações no nível de cinzanível de slicingextensão do contraste

Manipulação das entidades espaciaisManipulação das entidades espaciaisfiltrosmelhoria das fronteirasanálise de Fourier

Manipulação Manipulação multimulti--imagemimagemrazões e diferençascomponentes principaiscomponentes canônicasíndices de vegetação

MELH

OR

AM

EN

TO

M

ELH

OR

AM

EN

TO

D

A I

MA

GEM

DA

IM

AG

EM

Manipulação do contrasteManipulação do contraste

Limites ao nível de cinzaLimites 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 Nível de slicingslicing• 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

EXTENSÃO DO CONTRASTEEXTENSÃO 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

• Contraste de uma imagem e ointervalo de níveis de cinza assumidos pelos pontos da imagem

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)

EXEMPLOS DE IMAGENS E HISTOGRAMAS

• Baixo contraste => os níveis de cinza ocupam um pequeno intervalo de valores possíveis

EXEMPLOS DE IMAGENS E HISTOGRAMAS

• Alto contraste => os níveis de cinza ocupam quase todo o intervalo de valores possíveis

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]

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 clarosLogaritmo

• Realça as áreas escuras da imagem (intervalo menor do que a raizquadrada)

Equalização de Histograma• O histograma da imagem de saída aproxima-se de um histograma

uniforme

MANIPULAÇÃO DAS ENTIDADES ESPACIAISMANIPULAÇÃO DAS ENTIDADES ESPACIAIS

Filtros espaciais (operações locais)Filtros espaciais (operações locais)frequência espacial - variações espaciais de “brilho”

• Áreas na imagem de elevada/baixa frequência espacial - os DNsvariam abruptamente/suavementeex: fronteiras, cruzamentos de estradas/campos agrícolas, corpos de água

Filtros Low pass(passa baixa)

Filtros High pass(passa alta)

Realça as áreas de baixa freqüência

espacial (Ex: grande área de monocultura em terreno plano)

Realça o detalhe das áreas de alta

freqüência espacial (Ex: limites entre diferentes tipos de plantações, redes viária e hídrica)

CONVOLUÇÃOCONVOLUÇÃO

kernel DNs originais

1/9 1/9 1/9

1/9 1/9 1/9

1/9 1/9 1/9

67 67 72

70 68 71

72 71 72

70

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

MELHORIA DAS FRONTEIRASMELHORIA DAS FRONTEIRASpreserva 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 freqüência2 - adição de toda ou parte da imagem original à componente anterior

EXTRAÇÃO DAS FRONTEIRASEXTRAÇÃO DAS FRONTEIRASenfatiza a componente de alta freqüência

MANIPULAÇÃO MULTIMANIPULAÇÃO MULTI--IMAGEMIMAGEM

Razões espectraisRazões espectraisdivisão 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

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

DN’= R arctan ( )DNxDNy

DN’ - número digital na imagem razãoR fator de escala que associa os dados razão numa gama de inteiros apropriadaarctan(DNx/DNy) - ângulo cuja tangente é o razão dos DNs nas bandas X e Y. se Dny =0, este ângulo = 90º

ângulo: 0-90º <=> 0-1.571 radDN’: 0 - 1.571 R. R0162.3 => DN’: 0-255

Resposta espectral dos elementos terrestres; diferentes comprimentos de onda

CAUSA: características específicas de dereflectância e emitância

Diferentes combinações de DNs

Objetivo da classificação: categorizar todos os pixels da imagem em classesObjetivo da classificação: categorizar todos os pixels da imagem em classes

1 2 3 2 8 3 4 5 1 92 2 3 4 9 6 4 6 0 85 3 5 8 8 5 5 8 1 69 3 6 6 9 3 2 9 5 59 8 5 6 7 6 5 9 0 68 8 6 5 2 9 6 6 2 88 8 9 4 3 9 3 5 6 27 7 8 7 2 9 6 3 6 97 7 7 8 5 5 8 2 0 97 6 8 7 5 5 8 2 0 0

1 2 3 2 8 3 4 5 1 92 2 3 4 9 6 4 6 0 85 3 5 8 8 5 5 8 1 69 3 6 6 9 3 2 9 5 59 8 5 6 7 6 5 9 0 68 8 6 5 2 9 6 6 2 88 8 9 4 3 9 3 5 6 27 7 8 7 2 9 6 3 6 97 7 7 8 5 5 8 2 0 97 6 8 7 5 5 8 2 0 0

1 2 3 2 8 3 4 5 1 92 2 3 4 9 6 4 6 0 85 3 5 8 8 5 5 8 1 69 3 6 6 9 3 2 9 5 59 8 5 6 7 6 5 9 0 68 8 6 5 2 9 6 6 2 88 8 9 4 3 9 3 5 6 27 7 8 7 2 9 6 3 6 97 7 7 8 5 5 8 2 0 97 6 8 7 5 5 8 2 0 0

1 2 3 2 8 3 4 5 1 92 2 3 4 9 6 4 6 0 85 3 5 8 8 5 5 8 1 69 3 6 6 9 3 2 9 5 59 8 5 6 7 6 5 9 0 68 8 6 5 2 9 6 6 2 88 8 9 4 3 9 3 5 6 27 7 8 7 2 9 6 3 6 97 7 7 8 5 5 8 2 0 97 6 8 7 5 5 8 2 0 0

Banda 1Banda 2

Banda 3Banda 4

URBANO AGUA

FLORESTA AREAAGRICOLA

ClassificaçãoClassificação

A - RECONHECIMENTO DE PADRÕES ESPECTRAIS:

Procedimentos de classificação baseados na informação espectral de cada pixel

• Informação específica por comprimento de onda (λi)• Relação não-unívoca entre informação espectral e temática• Ruído na informação espectral• Incerteza na categorização temática

B - RECONHECIMENTO DE PADRÕES ESPACIAIS:

Procedimentos de categorização dos pixels da imagem baseados na sua relação espacial com os pixelsvizinhos

Classificadores espaciais: texturas, tamanho, índices de proximidade, forma geométrica, repetição e contexto

Percepção e interpretação humana

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

CLASSIFICAÇÃO DE DADOS

C1 C2C3

x=DN

Classificado em C1(grande incertezaincerteza)

Classificado em C3(elevada probabilidadeprobabilidade)

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 infoespectral

Pixels de treino ↔ pixels desconhecidos

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 = x1; variância = s1)– Vegetação 1 (media = y1; variância = z1)– Vegetação p (media = yp; variância = zp)

• Algoritmo(s) de classificação da imagem • Validação do resultado

Imagem do satélite (TM4) Imagem contrastada (TM4)

PREPARAÇÃO “GRÁFICA” DAS IMAGENS

Contrastes, composições coloridas, razões, ....

SELECÇÃO DAS ÁREAS DE TREINAMENTOSELECÇÃO DAS ÁREAS DE TREINAMENTO

Vegetação natural

Áreas de culturaagrícola

Solo exposto

ESTRATÉGIA PARA O PROCESSO DE TREINAMENTOESTRATÉGIA 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

CARACTERÍSTICAS DAS ÁREAS DE TREINAMENTO

• representativas e completas: devem acomodar a variabilidade da informação espectral contida na imagemex: floresta (floresta densa, floresta com clareiras) ⇒ 2 áreas de treino

• traduzir a nomenclatura da classificaçãoex: agricultura (áreas de treino que acomodem as diversas culturas, diferentes condições do solo, diferentes práticas agrícolas, diferentes condições topográficas)

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 infoestatística das at.

ASSINATURA ESPECTRAL DOS ASSINATURA ESPECTRAL DOS TEMAS SELECIONADOSTEMAS SELECIONADOS

TM3 TM4

Solo

Vegetação

Agua

Curvas de reflectância espectral

Vegetação

* *

*

Água

SoloTM3

TM4

****

***

** ***

Espaço multiespectral

Classes espectrais <=> classes temáticas

ALGORITMOS DE CLASSIFICAÇÃO DE IMAGEMALGORITMOS 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

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

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

CLASSIFICADOR BAYESIANO

• Aplica 2 fatores de peso para estimar as probabilidadesa) o utilizador determina probabilidades à

priorib) 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”

AVALIAÇÃO DA PRECISÃO DA CLASSIFICAÇÃOAVALIAÇÃO DA PRECISÃO DA CLASSIFICAÇÃO

Imagem ClassificadaÁreas de Teste

URBANO AGUA

FLORESTA AREAAGRICOLA

Índice de concordância (0-100%)

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

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

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.

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 espaciala) amostragem aleatória / estratificada (melhor opção)b) amostragem sistemática (erro sistemático)

- Tamanho da amostra:a) validade estatística (dist. Normal)b) considerações práticas da amostragem (custos)

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)

Realidade contínua vs. fronteiras(alocação de pixels similares a classes diferentes;

erro na classificação perto das fronteiras)

Análise crítica da matriz de confusão

Escala de erro, mesmo

qualitativa

Áreas de treino vs. EXTENSÃO DE ASSINATURAS

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

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.

Um "mixed pixel" resulta do facto de área individuais, incluindo diferentes elementos ou classes, serem menores do que a resolução do sensor.

PixelsMistos

A classificação e a avaliação do erro assenta nos pixeis puros

Pri

nci

pal

fon

te d

e e

rro

• Áreas homogéneas

• Aumentar a resolução do ground truth

• Modelos matemáticos

• Grande incerteza