Mandando a informática para o espaço!

Mára Regina Labuto Fragoso da Silva1

1Departamento de Informática – Universidade Federal do Espírito Santo (UFES) Av. Fernando Ferrari, 514, Goiabeiras – 29.075-910 – Vitória – ES – Brasil

marar@npd.ufes.br

Abstract. This short course intends to answer the following questions: What is remote sensing? What principles do rule it? What are the digital image processing and remote sensing techniques applied to the images in order to extract the desired information? Examples of software environment? What are the possible applications (citing real case studies)? What is the role of Computer Science in this context?

Resumo. Este minicurso pretende responder às perguntas: O que é sensoriamento remoto orbital? Que princípios o governam? Quais as técnicas de processamento de imagens digitais e sensoriamento remoto aplicadas nas imagens obtidas a fim de extrair as informações desejadas? Exemplos de ambientes computacionais? Quais as aplicações possíveis (citando estudos de caso reais)? Qual o papel da Informática neste contexto?

1. Introdução ao Sensoriamento Remoto Orbital

A maioria de nós já foi apresentada ao sensoriamento remoto orbital (uso de imagens de satélite) em alguma ocasião. Em um nível mais baixo, esta experiência se deu ao se olhar uma imagem de satélite como um “quadro bonito” enfeitando a capa de um livro, revista ou Atlas. Em um nível mais profundo, tentando compreender as imagens de previsão de tempo na TV. Quem mora em Campinas (SP) e tem uma piscina em sua casa, provavelmente já deve ter levado um susto ao receber a visita de um vendedor de produtos para ela, mesmo tendo a piscina escondida no fundo do quintal. Como eles descobriram? A resposta está no céu...

1.1. Definição

O sensoriamento remoto orbital pode ser definido como um sistema por meio do qual se obtém informações a respeito dos recursos naturais do planeta Terra, em diversas escalas temporais, espaciais e multiespectrais, pela utilização de sensores colocados em satélites ou espaçonaves. É uma nova tecnologia, denominada geoinformação, envolvendo um conjunto de programas e equipamentos para auxiliar o homem em suas observações sobre o planeta, como por exemplo: determinação de temperatura de superfície, previsão de safras, planejamento urbano, gestão de recursos hídricos, monitoramento de manchas de petróleo no mar, desmatamento, monitoramento de cardumes, etc. O processamento e análise de imagens digitais exigirão algoritmos e técnicas cada vez mais específicos para a automação de etapas na classificação das imagens e extração de feições, uma vez que o sensor vem aumentando rapidamente seu nível de detalhamento.

1.2. Conceitos importantes

Ao se analisar visualmente uma imagem podem ser extraídos alguns parâmetros importantes tais como:

- Tonalidade e cores: refere-se aos diferentes tons de cinza que caracterizam alvos diferentes (ex: água e floresta);

- Texturas: formada pelo agregamento de vários alvos que na sua individualidade não podem ser detectados [Moreira 2003]. Varia de lisa a rugosa (ex: floresta). Depende da escala e resolução;

- padrão: refere-se à distribuição espacial de algumas feições que podem variar de uma região para outra ou de um tipo de alvo para outro (ex: padrão dendrítico da drenagem dos rios);

- relações espaciais: refere-se às formas e tamanhos associados aos diferentes alvos [Gibson 2000] (ex: rios e culturas circulares com pivô central);

- resolução: no caso do Sensoriamento Remoto existem quatro tipos de resolução: espectral, temporal, radiométrica e espacial, ligadas ao tipo de satélite e sensor usados, a saber:

• espectral: qual a faixa do espectro (comprimento de onda) está a imagem;

• temporal: quão freqüentemente esta área da imagem é obtida;

• radiométrica: quantos níveis de cinza são possíveis;

• espacial: qual a equivalência entre a área no solo e um pixel (ex: para o Landsat 5, sensor TM, cada pixel representa 30x30 m2 no solo).

1.3. Aquisição de Imagens

Os dados de Sensoriamento Remoto são enviados pelo satélite e captados por estações terrestres localizadas em pontos estratégicos de modo que não haja perda dos dados devido ao tamanho da área de armazenamento (”buffer”) que está no satélite. Este tamanho e a disposição das estações terrestres são fatores limitantes quanto à quantidade máxima de informação possível antes do satélite encontrar a próxima estação e descarregar o conteúdo imageado. A Figura 1 ilustra o processo de acompanhamento e recepção de dados de um satélite.

Figura 1: Acompanhamento e recepção de dados de um satélite.

1.4. Tipos de Satélites e Órbitas

Existem cerca de 70.000 objetos orbitando a Terra entre satélites e sucatas, dos mais diversos tipos:

- Militares: IDS (Guerra nas Estrelas);

- Telecomunicações: GPS, Iridium, Globalsat, Odyssey, Ico, Intelsat, Intersputinik, Brasilsat, Telecom;

- Científicos: CERES, MOPITT, MISR, MODIS, ASTER;

- Meteorológicos: NOAA, METEOSAT, GOES, SCD-2;

- Observação da Terra: Landsat, CBERS, SPOT, IKONOS, JERS, RADARSAT.

Quanto aos satélites específicos para exploração dos recursos naturais da Terra, seu início foi na década de 70 com o lançamento do satélite Earth1, depois denominado de Landsat. Posteriormente surgiram outros satélites, dentre os quais os mais conhecidos mundialmente são: SPOT (França-Bélgica-Suécia), JERS (Japão), RADARSAT (Canadá), IRS (Índia), METEOSAT (Europa), CBERS (China-Brasil). No início a resolução era de 80m x 80m em terra, porém hoje se pode chegar até 0,76m x 0,76m (Quickbird) e a tendência é aumentar cada vez mais a resolução espacial em terra. A Figura 2 ilustra alguns dos satélites de recursos terrestres mais freqüentemente utilizados.

Figure 2. Alguns satélites freqüentemente utilizado s.

Quanto à órbita, ela pode ser definida com base em diversos parâmetros: raio de inclinação, inclinação do plano, período de revolução, finalidade do satélite.

De modo geral, podem ser classificadas conforme a altitude em:

- Órbita baixa (polar): 700 a 1000 Km;

- Órbita média (polar): 10.000 a 20.000 Km;

- Órbita alta (polar): > 20.000 Km;

- Geoestacionária: órbita entre 35.800 e 36.000 Km.

As órbitas polares circundam os pólos da Terra e a órbita geoestacionária acompanha o movimento de rotação da Terra, sendo, portanto, em relação à Terra, estacionária. A Figura 3 ilustra os dois tipos de órbita citados.

Figure 3. Órbita polar (esquerda) e órbita geoestac ionária (direita).

Deve-se observar que variando-se a distância entre o sensor e o objeto-alvo, obtém-se diferentes informações possíveis do alvo: ou mais ou menos detalhadas – denominada resolução espacial. Porém não existe uma resolução espacial ótima, ela é dependente do uso que se quer fazer da imagem. Assim, por exemplo, para se detectar um furacão de níveis continentais ou uma pista de vôo clandestina as resoluções têm que ser diferentes.

1.5. Vantagens e Desvantagens do Sensoriamento Remoto

Na lista de vantagens e desvantagens do Sensoriamento Remoto Orbital, podem ser citadas:

- Habilidade de obter-se vistas sinóticas em tempo real;

- Pode ser usado em diversas escalas;

- Pode ser usado em diversas faixas do espectro eletromagnético (análise multiespectral);

- Pode visitar o mesmo lugar periodicamente (análise multitemporal);

- Complemento das medidas in-situ;

- Às vezes necessita investigação de campo;

- Não capta informações diretas abaixo da superfície;

- Não pode ser usado como medida de perfil vertical quer na terra quer no mar.

Podem ser acrescidas as seguintes vantagens ao se usar o sensor Radar:

- Produzem sua própria radiação eletromagnética – independe da luz solar;

- Podem imagear a mesma área de diferentes direções;

- Podem penetrar nuvens e chuva em alguns comprimentos de onda.

2. Princípios do Sensoriamento Remoto Orbital

Para se compreender o princípio de funcionamento do Sensoriamento Remoto Orbital, devem-se estudar três fatores que o governam: a radiação eletromagnética, as características da atmosfera e a assinatura espectral dos alvos.

2.1. Radiação eletromagnética

O sensoriamento remoto pode ser explicado analogamente à leitura de um texto: existe uma luz incidente no texto: Sol ou lâmpada, uma luz refletida do texto para nossos olhos, os sinais que chegam aos nossos olhos e são decodificados em impulsos elétricos para o nervo óptico, e daí são enviados ao cérebro para serem interpretados.

No caso do Sensoriamento Remoto Orbital, utiliza-se o Sol como luz incidente no alvo em questão (ou em alguns sensores radar, um feixe de energia próprio emitido pelo sensor), o alvo reflete parte das ondas eletromagnéticas que o atingem e o sensor do satélite capta essa luz refletida, transformando-a em impulsos elétricos e enviando às estações de recepção de dados em terra, que converterão esses sinais em imagem.

A Figura 4 mostra o espectro eletromagnético. No sensoriamento remoto usamos o ultravioleta, todo o espectro visível, partes do infravermelho, e microondas. A figura 3 também destaca o espectro visível observado por nossos olhos. O espectro visível abrange 0,0001% de todo o espectro e é dividido nas seguintes faixas: azul, verde e vermelho.

Figure 4. O espectro eletromagnético.

2.2. Características da atmosfera

Na atmosfera, diferentes moléculas absorvem diferentes comprimentos de onda. A faixa espectral de operação dos sensores a bordo dos satélites é planejada para trabalhar nos

comprimentos de onda onde haja menor absorção atmosférica, ou seja, que permitam a passagem da energia refletida pelo alvo de volta até o sensor. Esses comprimentos de onda são denominados de janelas atmosféricas. A Figura 5 mostra a absorção atmosférica de diversos components atmosféricos (oxigênio, ozônio, gás carbônico e água) e os comprimentos de onda onde existem janelas atmosféricas.

Figure 5. A absorção na atmosfera

2.3. Assinatura Espectral

A energia eletromagnética incidente no alvo interage de acordo com os seguintes componentes: parte é refletida pelo alvo, parte é espalhada pelo alvo, parte é absorvida pelo alvo e parte é transmitida pelo alvo. A quantidade devida a cada parte se deve às características inerentes a cada alvo e define o que chamamos de assinatura espectral de um alvo. A Figura 6 mostra a interação da radiação eletromagnética com a superfície terrestre.

Figure 6. Interação da radiação eletromagnética com a superfície

A energia que o alvo reflete denomina-se reflectância. A reflectância de um corpo é dependente do comprimento de onda e pode ser vista e/ou medida. Por exemplo: a grama é verde, o céu azul.

A representação gráfica da reflectância em função do comprimento de onda é chamada de Curva Espectral. Cada alvo tem uma curva espectral própria devido às suas características físicas.

Os principais alvos a serem estudados são: vegetação, solo, água, neve, rochas e traços culturais. A Figura 7 mostra a Curva Espectral de alguns desses alvos.

Figure 7. Curva Espectral da neve, vegetação, solo e água.

3. Exemplo de Técnicas de Processamento de Imagens Digitais e Sensoriamento Remoto

A contribuição da Informática para o espaço, conforme citado no título deste minicurso, refere-se aos algoritmos de processamento de imagens digitais e sensoriamento remoto aplicados às imagens digitais geradas pelo Sensoriamento Remoto Orbital.

3.1. Imagens Digitais, Cor, Histograma

As imagens digitais provenientes dos sensores dos satélites de Sensoriamento Remoto Orbital são compostas por uma matriz de quadrados (ou retângulos). Esses quadrados (ou retângulos) são denominados de pixel (“picture element”) e cada um possui um valor relacionado a um parâmetro medido pelo sensor usado (p.ex: reflectância, temperatura). Esse valor é denominado “digital number” (DN) e é convertido em níveis de cinza. A Figura 8 mostra um exemplo de matriz de pixels e seus DN’s associados aos níveis de cinza.

Figure 8. Matriz da imagem e seus DN’s associados.

Cada DN é levado a um dos três canhões de elétrons dos monitores coloridos: vermelho (R), verde (G) e azul (B) possibilitando várias combinações de cores.

O histograma é uma das formas mais comuns de se representar a distribuição dos níveis de cinza (DN) de uma imagem, e é a mais utilizada em processamento digital de imagens. Ele fornece a informação de quantos pixels na imagem possuem um determinado DN, definido entre 0 (preto) e 255 (branco), para uma imagem quantificada em 8 bits (uso de 1 byte=8 bits para armazenar o valor de cada pixel).

O histograma não apresenta nenhuma informação espacial da imagem, e sim uma função de probabilidade de encontrar um DN referente a um objeto qualquer da imagem. Normalmente, tem-se no eixo “x” a distribuição dos DN’s e no eixo “y” a freqüência em que ocorrem. A Figura 9 mostra o exemplo de um histograma de uma imagem.

Figure 9. Exemplo de um histograma. DN (Digital Num ber) = NC (nível de cinza).

3.2. Modificações de Histograma

A forma do histograma fornece informações importantes como a intensidade média e espalhamento dos valores de DN, sendo este último a medida de contraste da imagem. Quanto maior o espalhamento ao longo do eixo dos DN’s, maior o contraste da imagem. A Figura 10 ilustra esta distribuição dos DN’s.

Figure 10. Exemplo de contraste de acordo com análi se de histograma.

Principais técnicas de modificação do histograma:

- Binarização: Aplica-se um corte na imagem em regiões (vide Figura 11);

Figura 11. Exemplo de binarização

- Expansão: Consiste em espalhar os níveis de cinza de uma imagem. Normalmente as

bandas contém uma pequena faixa dos possíveis valores DN, e brumas atmosféricas e a geometria da iluminação podem atenuar características da imagem (vide Figura 12);

Figura 12. Exemplo de expansão e seu efeito na imag em

- Equalização: procura redistribuir os valores de DN dos pixels de modo a obter um

histograma uniforme, no qual o percentual de pixels de qualquer nível de cinza seja o mesmo. Utiliza-se função de distribuição acumulada T(rk) da distribuição de probabilidades original p(rk) (vide Figura 13).

Figura 13. Exemplo de equalização de histograma

A Figura 14 mostra duas imagens da banda 5 do Landsat 5, a da esquerda apresenta a banda original e da direita a imagem realçada por uma modificação do histograma.

Figura 14. Exemplo de equalização. A banda 5 do Lan dsat 5 mostrada à esquerda apresenta a banda original e a da direita a imagem realçada.

3.3. Transformação RGB – IHS e IHS – RGB

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).

Para realçar determinadas características da imagem, portanto, pode-se realizar uma transformação RGB para IHS ou vice-versa.

3.4. Filtragem Espacial

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.

O processo de filtragem é feito utilizando-se matrizes denominadas máscaras que são aplicadas sobre a imagem. Exemplo: à imagem original formada por uma matriz de 512 linhas por 512 colunas de valores numéricos, aplica-se uma máscara matricial de 3

linhas por 3 colunas; a cada valor da matriz 3x3 da máscara corresponde um peso. Ex: Máscara com centro na posição (2,2) conforme mostrado na Figura 15.

Figura 15. Exemplo de máscara 3x3 aplicada na posiç ão (2,2) da imagem.

A aplicação da máscara com centro na posição (i, j), sendo i o número de uma dada linha e j o número de uma dada coluna sobre a imagem, consiste na substituição do valor do "pixel" na posição (i, j) por um novo valor, o qual depende dos valores dos "pixels" vizinhos e dos pesos da máscara.

A imagem resultante da aplicação de um filtro é uma nova imagem com a eliminação das linhas e colunas iniciais e finais da imagem original.

Os filtros espaciais podem ser classificados em passa-baixa, passa-alta ou passa-banda. Os dois primeiros são os mais utilizados em processamento de imagens. O filtro passa-banda é mais utilizado em processamentos específicos, principalmente para remover ruídos periódicos.

- Filtro Passa-Baixa: O efeito visual de um filtro passa-baixa é o de suavização da imagem e a redução do número de níveis de cinza da cena. As altas freqüências, que correspondem às transições abruptas são atenuadas. A suavização tende a minimizar ruídos e apresenta o efeito de borramento da imagem. Estes filtros são conhecidos por filtros de média, pois obtêm a média entre pontos vizinhos. A Figura 16 mostra duas cenas do satélite Landsat 5 (banda 5), onde a da esquerda é a imagem original realçada linearmente e a da direita corresponde à mesma imagem, porém, resulta da aplicação de um filtro passa-baixa , 7x7;

Figura 16. Exemplo de aplicação de filtro passa-bai xa na imagem.

- Filtro Passa-Alta: A filtragem passa-alta tende a realçar os detalhes, produzindo uma "agudização" (“sharpering”) da imagem, isto é, as transições entre regiões diferentes tornam-se mais nítidas. Exemplos: limites de um campo de cultivo, lineamento geológico etc. Estes filtros podem ser usados para realçar certas características presentes na imagem, tais como bordas, linhas curvas ou manchas. O efeito indesejado é o de enfatizar um ruído, porventura existente na imagem. A Figura 17 mostra duas cenas do satélite Landsat 5 (banda 5), onde a da esquerda é a imagem original realçada linearmente e a da direita coresponde à mesma imagem, porém, resulta da aplicação de um filtro passa-alta , 7x7;

Figura 17. Exemplo de aplicação de filtro passa-bai xa na imagem.

- Filtros para radar: Muitos filtros espaciais têm sido desenvolvidos para a redução do ruído (“Speckle”) e para o aumento da relação sinal-ruído, objetivando uma melhoria na separabilidade entre os alvos da superfície, com a mínima perda de informação. Os principais são:

• Filtro de Frost: é um filtro convolucional linear, derivado da minimização do erro médio quadrático sobre o modelo multiplicativo do ruído;

• Filtro de Lee: adota um modelo multiplicativo para o ruído e obedece o critério de "local linear minimum mean square error". Local, porque utiliza estatísticas locais do pixel a ser filtrado, admitindo a não estacionaridade da média e da variância do sinal;

• Filtro de Kuan/Nathan: adota o modelo multiplicativo. O procedimento é semelhante àquele de Lee, onde a estimação ponto a ponto é feita utilizando-se o filtro de Wiener. A diferença entre eles, entretanto, consiste no fato de que no filtro de Kuan/Nathan não se realiza nenhuma aproximação.

A Figura 18 mostra um exemplo de imagem original e aplicação dos filtros Frost, Lee e Kuan na imagem.

Figura 18. Exemplo de imagem original e aplicação d os filtros Frost (acima),

Lee e Kuan (embaixo) na imagem.

3.5. Composição multiespectral

A escolha das bandas espectrais é um fator muito importante para a extração de informação nas imagens de Sensoriamento Remoto e são possíveis várias operações com bandas: aritméticas, rotação, razão entre bandas, redução de dados através de transformações, classificação, mudança de sistema de cor, análise multitemporal, etc. A Figura 19 mostra um exemplo de composição multiespectral usando o sensor ETM do Landsat 7, sendo a banda 3 no azul, a banda 4 no verde e a banda 5 no vermelho. Esta composição reflete o colorido normal pois a faixa espectral das bandas usadas é a mesma da faixa das cores associadas. A Fiura 20 mostra outra composição que procura

enfatizar a vegetação através do uso da banda 4 no vermelho pois a clorofila responde bem nesta combinação de bandas. Esta nova composição é denominada falsa-cor.

Figura 19. Exemplo de composição multiespectral com colorido

normal.[Moreira 2003]

Figura 20. Exemplo de composição multiespectral com falsa-cor.[Moreira 2003]

4. Exemplos de Ambientes Computacionais para Processamento de Imagens Digitais e Sensoriamento Remoto

Como a idéia deste minicurso é abordar a contribuição da Informática na área de Sensoriamento Remoto, seguem-se alguns exemplos de ambientes computacionais com a finalidade de tratar a imagem. Para aprofundamento dos algoritmos implementados nestes ambientes sugere-se a leitura dos manuais dos programas citados.

4.1. Funções específicas para Processamento de Imagens Digitais

Para ilustrar as funções específicas para o processamento de imagens digitais, sugere-se o conjunto de ferramentas do programa MATLAB denominado de “Toolbox for Image Processing” listado na Tabela 1 [Marques Filho 1999]. A Figura 21 mostra a tela de abertura do MATLAB 5.3 com o “prompt” (símbolo: >>) para entrada dos comandos através de digitação. As rotinas que compõem o “Toolbox for Image Processing” são instaladas quando se instala o núcleo (“core”) do programa.

Figura 21. Tela do MATLAB5.3.

Tabela 1. Funções da Toolbox de Processamento de Im agens do MATLAB

Função Descrição Entrada e Saída

bmpread lê arquivo BMP do disco bmpwrite escreve arquivo BMP para o disco gifread lê arquivo GIF do disco gifwrite escreve rquivo GIF para o disco hdfpeek lista pares de objetos tag/ref em arquivo HDF hdfread lê dados de arquivo HDF hdfwrite escreve dados para arquivo HDF pcxread lê arquivo PCX do disco pcxwrite escreve arquivo PCX para o disco tiffread lê arquivo TIFF do disco tiffwrite escreve arquivo TIFF para o disco xwdread lê arquivo XWD do disco xwdwrite escreve arquivo XWD para o disco

Utilitários getimage obtém dados da imagem a partir dos eixos isbw verdadeiro para imagem em preto e branco isgray verdadeiro para imagens em níveis de cinza

isind verdadeiro para imagens indexadas Operações em cores

brighten clareia ou escurece mapa de cores cmunique encontra cores de mapas distintos e imagem correspondente cmpermute permuta posições de mapas de cores cmgamma correção Gamma de mapas de cores cmgamdef tabela de correção Gamma pré-definida dither faz dithering pelo método Floyd-Steinberg hsv2rgb converte valores HSV para espaço RGB imadjust ajusta e amplia intensidade da imagem imapprox aproxima imagem indexada para imagem com menor quantidade de cores nts2rgb converte valores NTSC para o espaço de cores RGB rgb2gray converte valores RGB para cinza rgb2hsv converte valores RGB para o espaço de cores HSV rgn2ntsc converte valores RGB para o espaço de cores NTSC rgbplot desenha componentes do mapa de cores RGB

Operações geométricas imcrop recorta imagem imresize redimensiona imagem imrotate gira imagem truesize redimensiona de modo que a imagem possua o tamanho real imzoom ampliação e redução de uma imagem

Realce e análise brighten clareia ou escurece mapa de cores grayslice mapeamento por densidade histeq equalização de histograma imadjust ajusta e amplia intensidade da imagem imapprox aproxima imagem indexada para imagem com menor quantidade de cores imhist histograma de imagem impixel cor de um pixel improfile modelo de intensidade interp2 interpolação bidimensional de dados imapprox aproxima imagem indexada para imagem com menor quantidade de cores

Estatística mean2 média de uma matriz corr2 coeficiente de correlação bidimensional std2 desvio padrão bidimensional

Operações morfológicas bwarea área de objetos em imagem binária dilate dilatação (espessamento) de imagem binária erode erosão (afinamento) de imagem binária edge extração de bordas bweuler número de Euler bwmorph operadores morfológicos bwperim perímetro de objetos em imagem binária

Filtros fsamp2 projeto de filtros FIR 2-D através de amostragem de freqüência fspecial filtros 2-D especiais ftrans2 projeto de filtros FIR 2-D através de transformação de freqüência fwind1 projeto de filtros FIR 2-D utilizando janelas 1-D fwind2 projeto de filtros FIR 2-D utilizando janelas 2-D imnoise ruído em imagem freqspace espaçamento de freqüência para respostas em frequência 2-D

freq2 resposta em freqüência bidimensional colfilt filtragem não-linear local por colunas conv2 convolução bidimensional filter2 filtragem bidimensional medfilt2 filtro da mediana bidimensional mfilter2 filtro com máscara nlfilter filtragem não-linear local por linhas wiener2 filtro adaptativo de Wiener 2-D

Processamento em blocos bestblk melhor tamanho de bloco para processamento em bloco blkproc processa uma imagem em blocos col2im reordena blocos de colunas distintas ou deslizantes para formar imagem colfilt filtragem não-linear local por colunas im2col reordena blocos distintos ou deslizantes para formar colunas

Região de interesse mfilter2 filtro com máscara roipoly define região de interesse poligonal roicolor define região de interesse por cor

Transformadas dct2 transformada do cosseno discreto bidimensional fft2 transformada rápida de Fourier bidimensional fftshift move componente de rdem zero para o centro idct2 transformada inversa do cosseno discreto bidimensional ifft2 transformada rápida inversa de Fourier bidimensional radon transformada de Radon

Conversões dither faz dithering pelo método Floyd-Steinberg gray2ind converte imagem em níveis de cinza para imagem indexada hsv2rgb converte valores HSV para espaço de cores RGB im2bw converte imagem para preto e branco por limiarização imslice obtém fatias da imagem ind2gray converte imagem indexada para imagem em níveis de cinza ind2rgb converte imagem indexada para imagem RGB mat2gray converte matriz para imagem em níveis de cinza ntsc2rgb converte valores NTSC para o espaço RGB rgb2gray converte valores RGB para cinza rgb2hsv converte valores RGB para o espaço HSV rgb2ind converte imagem RGB para imagem indexada rgb2ntsc converte valores RGB para o espaço NTSC

Apresentação colorbar apresenta barra de cores (escala de cores) colormap define ou obtém a tabela de consulta de cores gray mapa de cores linear de níveis de cinza hsv hot jet

mapas de cores

image apresenta imagem indexada imagesc ajusta dados e apresenta como imagem imcontour contorno da imagem immovie faz um filme de um conjunto de imagens imshow apresenta todos os tipos de imagens montage apresenta um conjunto de imagens como uma montagem retangular subimage apresenta múltiplas imagens

warp realiza distorção da imagem sobre uma superfície Outras funções

cumsum3d soma cumulativa em matriz 3-D acomodada em matriz 2-D dct transformada do cosseno discreta 1-D dctmtx2 matriz de transformação DCT 2-D unitária ditherc arquivo MEX para dithering elem3d posições de elementos de matriz 3-D acomodada em matriz 2-D getline rastreio de movimento do mouse com linha elástica getpts rastreio de movimento do mouse com pontos visíveis getrect rastreio de movimento do mouse com retângulo elástico gif comprime dados em formato GIF hdfread arquivo MEX para ler arquivos HDF hdfpeekc arquivo MEX para listar conteúdo de arquivos HDF hdfwc arquivo MEX para escrever arquivos HDF idct transformada inversa do cosseno discreta 1-D im2gray converte imagens para níveis de cinza imhistc arquivo MEX para cálculo de histograma de imagens ndx3d índice de matriz 3-D acomodada em matriz 2-D rgb2im converte imagens RGB para imagens indexadas ou em níveis de cinza rle comprime dados pelo método RLE size3d tamanho da matriz 2-D para acomodar matriz 3-D tiff comprime dados em formato TIFF RLE ungif descomprime dados em formato GIF unrle descomprime dados pelo método RLE untiff descomprime dados em formato TIFF RLE vmquant arquivo M de interface para o arquivo MEX para quantização de cor vmquantc arquivo MEX para quantização de cor waitbar apresenta barra de progresso

4.2. Funções específicas para Sensoriamento Remoto

Para ilustrar algumas funções específicas para o Sensoriamento Remoto, sugere-se o conjunto descrito na Tabela 2 [RSI 2003]. Estas funções são apenas uma pequena parte das ferramentas disponíveis no programa ENVI (ENvironment for Visualizing Images). A Figura 22 mostra a tela de abertura (horizontal) com as diversas opções para processamento específico para Sensoriamento Remoto, os inúmeros formatos de imagem aceitos (esquerda) e os inúmeros formatos vetoriais aceitos (direita).

Figura 22. Telas do ENVI 4.0.

Tabela 2. Algumas funções específicas para Sensoria mento Remoto do ENVI, em ordem alfabética

Função Descrição ADAPT_FILT-DOIT executa filtragem adaptiva AIRSAR_HEADER_DOIT lê cabeçalho de imagem AIRSAR AIRSAR_PHASE_IMAGE_DOIT calcula as imagens fase da matriz comprimida

do AIRSAR AIRSAR_POLSIG_DOIT calcula as assinaturas de polarização da matriz

comprimida do AIRSAR AIRSAR_SCATTER_DOIT calcula a classificação de espalhamento da

matriz comprimida do AIRSAR AIRSAR_SYNTH_DOIT sintetiza as imagens AIRSAR ASPECT_DOIT Executa correção de aspecto de dados Landsat

MSS BAD_DATA_DOIT Remove linhas com dado errado CLASS_CONFUSION_DOIT Computa matriz de confusão de classificação CLASS_DOIT Executa classificação supervisionada CLASS_MAJORITY_DOIT Executa análise de maioria/minoria em imagem

classificada CLASS_RULE_DOIT Classifica imagens segundo regras CLASS_STATS_DOIT Calcula estatística das classes COM_CLASS_DOIT Combina classes DEM_BAD_DATA_DOIT Corrige pontos incorretos no MDT DESKEW_DOIT Retira o enviesado de imagens MSS DESTRIPE_DOIT Retira problemas de linhas de dados de imagem EMITTANCE_CALC_DOIT Converte a emissividade ENVI_AVHRR_CALIBRATE_DOIT Calibra dados AVHRR ou computa

Temperatura de superfície do Mar de dados AVHRR

ENVI_AVHRR_GEOMETRY_DOIT Computa geometria (latitude e longitude), ângulos e zênite solar e p/ o sensor para cada pixel dos dados AVHRR

ENVI_COMPUTE_SUN_ANGLES Computa ângulos solares ENVI_CONVERT_FILE_COODINATES Converte coordenadas mapa-pixel ENVI_CONVERT_FILE_MAP_PROJECTION Converte um arquivo de sua projeção mapa

corrente para ua projeção de saída especificada ENVI_CONVERT_PROJECTION-COORDINATES Converte coordenadas de mapas entre projeções ENVI_GEOREF_FROM_GLT-DOIT Georreferencia uma imagem associada com

arquivo GLT de saída ENVI-GET-PROJECTION Recupera informação de projeção para o

arquivo especificado ENVI_LAYER_STACKING_DOIT Constrói um novo arquivo multi banda a partir

de imagens georreferenciadas de vários tamnhos de pixel, várias dimensões e projeções

ENVI_MAP_INFO_CREATE Cria projeções de mapa ENVI_NEURAL_NET_DOIT Executa classificação usando um método de

redes neurais ENVI_PC_SHARPEN_DOIT Executa Componentes Principais espectral ENVI_THERMAL_CORRECT_DOIT Executa compensação atmosférica para o

infravermelho termal MATH_DOIT Executa matemática entra bandas MOSAIC_DOIT Mosaica bandas de imagens ou combinações de

bandas MSSCAL_DOIT Calibra dados MSS quanto radiância ou

reflectância NDVI_DOIT Cria NDVI (Índice de Vegeteação por

Diferença Normalizada) PPI_DOIT Calcula PPI (Índice de Pureza de Pixel) RADAR_INC_ANGLE_DOIT Calcula ângulo de incidência de imagem radar RATIO_DOIT Calcula razão entre bandas SIRC_HEADER-DOIT Lê cabeçalho de SIR-C SIRC_PHASE_IMAGE_DOIT Calcula imagens fase de um arquivo de dados

comprimidos de SIR-C SIRC_SYNTH_DOIT Sintetiza imagens SIR-C SPECTRAL_FEATURE_DOIT Executa casamento de característica espectral TASCAP_DOIT Cria índices Tasseled Cap para vegetação e solo TEXTURE_COOCCUR_DOIT Calcula medidas de texturas de co-ocorrência TEXTURE_STATS_DOIT Calcula medidas de texturas de ocorrência TIMS_CAL-DOIT Calibra dados TIMS para radiância TMCAL_DOIT Calibra dados TM LANDSAT para radiânci TOPO-DOIT Executa modelagem topográfica para MDT

5. Aplicação das Técnicas de Processamento de Imagens Digitais e Sensoriamento Remoto em Casos Reais

5.1. Baixa Resolução Espacial: Mapeamento das Radiações Ultravioleta

Encontrado em:

• http://satelite.cptec.inpe.br/uv/Publi.html

5.2. Média Resolução Espacial: Mapeamento da Cobertura Vegetal

Encontrado em:

• Rodriguez Yi, J. L. Classificação e Monitoramento da Cobertura Vegetal do Estado do Mato Grosso Através de Imagens AVHRR, (INPE-6816-TDI/638). Dissertação (Mestrado em Sensoriamento Remoto) – Instituto Nacional de Pesquisas Espaciais,1998.

5.3. Alta Resolução Espacial: Planejamento Urbano de Recife

Encontrado em:

• http://www.intersat.com.br/cases

6. Conclusão

Se não fosse a Informática, por meio dos “softwares” desenvolvidos para o processamento de imagens digitais e para a implementação das técnicas de Sensoriamento Remoto não seria possível a observação de nosso planeta do espaço. A cada ano são lançados mais satélites com novos sensores e existe uma grande necessidade de se desenvolverem novos algoritmos para conversão de dados desses sensores, extração de informações dessas novas imagens geradas e algoritmos específicos para novas aplicações possíveis com esses sensores e satélites. Torna-se necessário, pois, criar mão-de-obra especializada para desenvolver esses novos algoritmos e assim mandar a Informática para o espaço!

References

Gibson, P. J, Introductory Remote Sensing: Principles and Concepts, Routledge, 2000.

Marques Filho, O. e Vieira Neto, H., Processamento Digital de Imagens, Brasport, 1999.

Moreira, M. A, Fundamentos do Sensoriamento Remoto e Metodologias de Aplicação, UFV, 2003.

RSI, ENVI Reference Guide, Research Systems Incorporation, 2003.