Processamentto de Imagens Digitais

Processamento de Imagens Digitais
Curso de Inverno de Introduo s Tecnologias Espaciais: Engenharia, Matemtica e Computao

Rafael Santos
Julho/2009
http://www.lac.inpe.br/~rafael.santos
Roteiro
Introduo

Aplicaes de processamento de imagens digitais Formao de imagens digitais Resoluo espacial/espectral e imagens multiespectrais Correo geomtrica Problemas com a representao de imagens Sistemas de cores Regies e vizinhana Anlise estatstica bsica Histogramas e aplicaes Realce
http://www.lac.inpe.br/~rafael.santos 2
Anlise Bsica e Realce

Julho/2009
Roteiro
Operaes Bsicas

Extrao de caractersticas Operaes bsicas com imagens Operaes aritmticas Operaes morfolgicas Casamento de padres Introduo classificao de imagens digitais Classificao supervisionada: conceitos e algoritmos bsicos Classificao no-supervisionada: conceitos e algoritmos bsicos Outros tpicos de classificao
Introduo Classificao

Julho/2009
Introduo
Julho/2009
Aplicaes de Processamento de Imagens
Sensoriamento Remoto:

Geologia (estudo da composio da superfcie) Agricultura (determinao da cobertura vegetal) Engenharia Florestal (idem) Cartografia (mapeamento da superfcie) Meteorologia
Medicina e Biologia Astronomia (macro) e Fsica (micro) Produo e Controle de Qualidade Segurana e Monitoramento Documentos, Web, etc.
Julho/2009
Formao de Imagens Digitais
Sensor(es) medem uma determinada caracterstica em um ponto de um objeto Vrios pontos so usados para criar uma imagem

Pontos so geralmente distribudos regularmente (resoluo espacial) Atributos ou caractersticas so digitalizadas ou discretizadas (resoluo espectral)
Uma imagem uma matriz regular onde cada elemento pode ter vrios atributos associados (bandas)
Julho/2009
Formao de Imagens Digitais Exemplo
Sensor TM (Thematic Mapper) do satlite Landsat

Dezesseis sensores paralelos bidirecionais Resoluo de 30 metros por pixel 6 bandas (mais uma de outra resoluo) Imagem que cobre faixa de 185 km de largura Cada pixel discretizado com valores entre 0 e 255
185km
...
7
Julho/2009
Cmera Digital

3264x2448 elementos sensores Resoluo: no se aplica 3 bandas Cada pixel discretizado com valores entre 0 e 255
Scanner

Array mvel de elementos sensores Resoluo: 2400 DPI ou mais 3 bandas Discretizao varivel
Julho/2009
Outros Tipos de Imagens Digitais
Julho/2009
Julho/2009
10
Julho/2009
11
Julho/2009
12
Imagens e Pixels
34 29 105 12 30 105 34 29 105 34 29 105 34 29 105 12 30 105 34 29 105
Julho/2009 http://www.lac.inpe.br/~rafael.santos
34 42 42 29 49 49 105 97 97 34 14 34 29 48 29 105 97 105 34 69 36 29 76 54 105 97 104 12 85 113 30 103 108 105 85 72 34 58 100 29 53 123 105 105 66 34 42 90 29 49 115 105 97 78 42 35 85 49 41 103 97 105 85
34 29 105 34 29 105 12 30 105 36 54 104 90 115 78 107 136 58 111 132 60
12 42 30 49 105 97 42 34 49 29 97 105 12 42 30 49 105 97 34 34 29 29 105 105 14 34 48 29 97 105 85 42 103 49 85 97 105 42 119 49 86 97

13
Resoluo Espacial
Qual o tamanho (lado) de um pixel ?

NOAA AVHRR (meteorolgico): 1.1 km Landsat RBV: 80 m Landsat TM: 30 m para bandas 1-5 e 7, 120 m para banda 6 (trmica) CBERS-2: 260m para WFI, 20m para CCD. SPOT: 20 m para multiespectral, 10 m para pancromtico IKONOS: 1 m QuickBird: 60 cm Areas (obtidas de vos com avies): depende
Julho/2009
14
Resoluo Espacial
Menor resoluo Menos detalhes
Alguns alvos ou objetos so parcialmente menores do que um pixel: no podem ser identificados facilmente Alvos ou objetos compostos de vrios pixels contguos (regies) Quanto maior a resoluo, maiores estas regies
Maior resoluo Mais detalhes

Mesma rea coberta, com maior resoluo Mais pixels (mais informao para processar, imagens maiores) Alguns algoritmos e metodologias devem ser aplicados diferentemente dependendo da resoluo!
Julho/2009
Resoluo Espectral
Quantas cores ou nveis de cinza diferentes um pixel pode assumir ?

Mais comum: usar oito bits para cada pixel em cada banda Oito bits = um byte: valor mximo do pixel 28-1 (entre 0 e 255) Outros valores comuns: 12 bits por pixel (entre 0 e 4095) Uma banda, 8 bits/pixel: 256 nveis de cinza diferentes Trs bandas, 8 bits/pixel: 2563 cores diferentes (aprox. 16 milhes) Seis bandas, 8 bits/pixel: 2566 combinaes diferentes (aprox. 281 trilhes)
Freqentemente imagens so compostas de bandas:

Julho/2009
16
Reamostragem / Quantizao
Reamostragem:

Reduo do nmero de pixels para representar uma imagem Causa a reduo dos requisitos para processamento Reduo do nmero de nveis de cinza (ou cores) de uma imagem Pode levar a uma reduo do nmero de bits necessrio para representar a imagem compresso Podem ser necessrias...
Quantizao:

Reamostragem e quantizao causam a perda de informao
Julho/2009
17
Efeitos da Reamostragem
Sem reamostragem
2:1
4:1
8:1
16:1
Julho/2009
32:1
64:1
80:1
18
Efeitos da Quantizao
8 bits
7 bits
6 bits
5 bits
4 bits
3 bits
2 bits
1 bit
Julho/2009
19
Correo Geomtrica
Imagens de sensoriamento remoto no correspondem geometricamente ao solo

Caractersticas dos sensores Movimento do sensor Curvatura da Terra e relevo
http://www.fao.org/DOCREP/003/T0355E/T0355E16.gif Julho/2009 http://www.lac.inpe.br/~rafael.santos 20
Correo Geomtrica
Correo Geomtrica: reorganiza os pixels de forma que estes correspondam a um sistema de projeo cartogrfica

Modelo de geometria orbital: paramtrico (ortorretificao) com DEMs e dados de efemrides. Polinomial racional: Usa DEMs, no usa dados de efemrides. Polinomial simples: uso de pontos de controle no solo e identificao destes nas imagens
Julho/2009
21
Correo Geomtrica
Ortorretificada
Sem correo geomtrica
Geoambiente Sensoriamento Remoto Julho/2009 http://www.lac.inpe.br/~rafael.santos 22
Imagens Multiespectrais
Imagem pancromtica: uma banda do espectro visvel

Imagens multiespectrais: com vrias bandas Cada pixel pode ser considerado um vetor (matemtico) no espao de N dimenses onde N o nmero de bandas Exemplo: Landsat TM
Banda Comprimento de Onda Descrio 1 0.45-0.52 Azul 2 0.52-0.60 Verde 3 0.63-0.69 Vermelho 4 5 6 7
Julho/2009
0.76-0.90 1.55-1.75 10.4-12.5 2.08-2.35
Caractersticas P enetra corpos de gua, influenciada pela atmosfera Reflectncia de vegetao saudvel Discriminao de vegetao, efeito da atmosfera reduzido Infravermelho prximo Identificao de tipos de vegetao, constraste entre solo/plantao e terra/gua Infravermelho mdio Quantidade de gua nas plantas, remoo de nuvens finas e fumaa Trmico Calor emitido da superfcie, umidade do solo, atividade geotrmica Infravermelho mdio Discriminao entre formaes geolgicas, identificao de alteraes termais
Imagens Multiespectrais
Problema: hardware para visualizao e viso humana processam bem 1 ou 3 bandas. Soluo: combinar 3 das bandas disponveis para visualizao

Uma banda para o componente vermelho, uma para o verde e uma para o azul: cores primrias de vdeo Ordem (R1G2B3, R3G2B1) importa! S funcionar se as 3 bandas forem da mesma cena!
Julho/2009
24
Composio de Bandas (RGB)
123
Julho/2009
321
112
333
25
Composio de Bandas Imagem Landsat
321
543
3 7
Julho/2009
26
Imagens Hiperespectrais
Imagem de 1024x614 pixels e 224 bandas (280Mbytes). Face composio das bandas 43, http://www.lac.inpe.br/~rafael.santos 17 e 10. Julho/2009
27
Imagens Hiperespectrais
Aplicaes tambm na indstria, em medicina e biologia.
Julho/2009
28
http://www.photon-industries.com/gallery.htm
Sistemas de Cores
Baseados em Hardware: RGB, CMY, CMYK, YIQ
Usam 3 ou 4 coordenadas para especificar uma cor
Baseados em Colorimetria: XYZ, L*a*b*, U*V*W*, etc.

Julho/2009
Sistemas de Cores
Baseados na percepo humana: IHS, HSV, HLS, etc.
Usam 3 coordenadas para especificar uma cor
Hue: croma; Saturation: saturao; Intensity (ou Value): brilho
Julho/2009
30
Sistemas de Cores Aplicaes
Integrao de imagens de diferentes sensores
RGB IHS, substitui banda I por banda de maior resoluo, converte novamente IHS RGB RGB IHS, manipula brilho e contraste da banda I, converte novamente IHS RGB Compactam bandas diferentemente dependendo do detalhamento que o sistema visual humano pode discernir Pouco usado, compactao com perda
Manipulao de contraste e brilho
Compactao (algoritmos especiais)

Julho/2009
31
Sistemas de Cores Aplicaes

Converso RGB HSV e separao das bandas
Manipulao de brilho e contraste
Unio de bandas e converso HSV RGB

Julho/2009 http://www.lac.inpe.br/~rafael.santos 32
Problemas Computacionais
Armazenamento de imagens como matrizes de vetores requer muita memria e espao em disco Um byte por pixel:

Cena Landsat: 6000 x 6000 pixels, 3 bandas: ~102 Mbytes Cena Landsat: 6000 x 6000 pixels, 6 bandas: ~205 Mbytes Todo o Prodes Digital (3 bandas, 229 cenas): ~23 Gbytes Scanmap: 16000x12000 pixels: ~183 Mbytes
Um byte para representar uma cor RGB (LUTs)
Como transmitir estes dados via rede/Internet ? E o tempo para processar tudo isto ?
Julho/2009
33
Compactao de Imagens
Armazenamento de imagens requer muita memria e espao em disco Compactao: muda a representao da imagem para ocupar menos espao

Sem perda: a matriz original pode ser recuperada (TIFF, GIF, PNG) Com perda: somente uma aproximao da matriz original pode ser recuperada (JPG, ECW, MrSID)
Algoritmos permitem uso de um fator de compresso Geralmente a perda no percebida visualmente, mas numericamente.
Julho/2009
34
Realce e Anlise Bsica
Julho/2009
35
Tcnicas de Realce
Tcnicas de realce:

Permitem melhorar a qualidade visual de uma imagem (brilho, contraste) Possibilitam enfatizar caractersticas da imagem Podem (ou no) ser teis para processamento automtico
Principais e mais conhecidas: baseadas em histogramas
Julho/2009
36
Histogramas

Ferramenta bsica de anlise e realce Revela distribuio dos nveis de cinza (atributos) Ignora distribuio espacial
Duas imagens diferentes podem ter histogramas iguais ou similares !
Espalhamento: indica contraste/varincia Dimenses dos histogramas:

1 dimenso: imagem em escalas de cinza 2 dimenses (scatterplot, scattergram, diagrama de espalhamento): dois atributos ou bandas N dimenses: pode ser processado mas no visualizado
Julho/2009
37
Histogramas
Passos para a construo de um histograma (uma dimenso):

Decide-se o nmero de posies Para cada pixel na imagem, verifica-se o valor do pixel Incrementa-se a posio daquele valor em um
78 76 71 71 67 66 77 76 70 70 67 65 76 74 68 67 65 64 72 69 68 68 63 62 70 70 68 65 63 62 68 69 67 64 62 60 68 68 65 62 62 58
64 65 66 67 68 69 70 71 72 73 74 75 76 77 78 79 80
78 78 76 72 69 66
...
...
Julho/2009
38
Histogramas Exemplos
Banda 1
Banda 2
Banda 3
Banda 4
Banda 5
Banda 7
Manipulao de Histogramas
Operao que modifica nveis de cinza para outros nveis de cinza: mapeamento
Julho/2009
Valor de sada Valor de entrada
Valor de sada Valor de entrada

42
Shift para a direita
Julho/2009
43
Shift para a esquerda
Julho/2009
44
Inverso
Julho/2009
45
Seleo/realce de uma faixa de nveis de cinza
Julho/2009
46
Modificao de trs histogramas da mesma banda e composio

Scattergram
4
Scattergram
7
Scattergram (3D)

Bandas 5, 4 e 1 Visualizao complexa !
Julho/2009
50
Matriz de Scattergrams
Seis bandas, duas a duas.
7
Regies
Trechos da imagem

Contm um ou mais pixels relacionados de alguma forma ou por alguma medida Retangulares ou no Processamento, anlise, realce podem ser efetuados de forma diferente em diferentes regies de imagens
reas de interesse (ROIs, regions of interest) Amostras para classificao
Julho/2009
52
Vizinhanas
Regies ao redor de um pixel

Retangulares ou no Servem para dar informao contextual ao pixel Comportam-se diferentemente nas bordas da imagem
3x3
3x3
(sem diagonais)
5x5
(distncia mnima)
9x7
53
Julho/2009
Estatstica em Imagens ou Regies
Mdia

Indica brilho/intensidade mdia Cancela extremos, suaviza imagem
Varincia

1 = I [m,n ] M N m=1 n=1
Variao dos nveis de cinza Indica contraste, textura, espalhamento do histograma
1 2 V= I [ m , n ] M N m=1 n=1
Estatstica em Imagens ou Regies
Mediana
Valor na posio mdia da lista ordenada dos nveis de cinza Valor mais freqente na lista de nveis de cinza
78 78 77 76 72 78 76 76 74 69 76 71 70 68 68 72 71 70 67 68 69 67 67 65 63
Moda
Mdia: 71.44
Mediana
63 65 67 67 67 68 68 68 69 69 70 70 71 71 72 72 74 76 76 76 76 77 78 78 78 63 65 67 68 69 70 71 72 74 76 77 78 67 68 69 70 71 72 76 78 67 68 76 78 76
Julho/2009 http://www.lac.inpe.br/~rafael.santos
Moda
55
Estatstica Covarincia Entre Bandas
Relaciona varincias de duas bandas entre si

1 C ab= I a [ m , n ] a I b [ m , n ] b MN m=1 n=1
M N
1 2 3 4 5 7
Julho/2009
1 563,80 453,14 480,22 360,33 547,66 608,74
2 453,14 377,62 399,89 319,97 478,96 515,70
3 480,22 399,89 433,96 319,31 531,18 573,48
4 5 360,33 547,66 319,97 478,96 319,31 531,18 847,13 644,37 644,37 1.002,01 477,52 904,18
7 608,74 515,70 573,48 477,52 904,18 938,64

56
Estatstica Correlao Entre Bandas
Baseado na covarincia entre bandas
Descreve o quanto a informao de uma comum outra:

Valores prximos de um: alta correlao Valores prximos de zero: baixa correlao
ab=
1 2 3 4 5 7
Julho/2009
C ab
C aa C bb
4 0,5214 0,5657 0,5266 1,0000 0,6994 0,5355 5 0,7286 0,7786 0,8055 0,6994 1,0000 0,9323 7 0,8368 0,8662 0,8986 0,5355 0,9323 1,0000
57
1 1,0000 0,9821 0,9708 0,5214 0,7286 0,8368
2 0,9821 1,0000 0,9878 0,5657 0,7786 0,8662
3 0,9708 0,9878 1,0000 0,5266 0,8055 0,8986
Operaes Bsicas
Julho/2009
58
Operaes Bsicas com Imagens
Operaes numricas entre bandas

Operaes devem ser feitas pixel a pixel com bandas da mesma imagem Podemos usar bandas constantes (todos pixels com o mesmo valor) manipulao de histogramas
Soma e subtrao: shift dos histogramas Multiplicao e diviso: espalhamento e concentrao
Cuidados devem ser tomados para evitar valores < 0 ou > 255 (cortes)
Para ter sentido devemos considerar caractersticas espectrais das bandas !

Julho/2009
Operaes Bsicas Soma e Mdia
Realam similaridade, podem ser usadas para eliminar rudo
Assumimos que rudo no se propaga pelas bandas
Banda 1 com rudo pontual
Mdia das bandas 1 (com rudo), 2 e 3
Julho/2009
60
Operaes Bsicas Subtrao
Realam as diferenas entre bandas

Diferena entre bandas 3 e 1 reala solos ricos em material ferruginoso
Banda 1 Banda 3
1-3
Julho/2009
3-1
|3-1|
61
Operaes Bsicas Multiplicao

Similar operao lgica E Requer cuidadosa normalizao do resultado: inadequado para interpretao visual
Banda 5
Banda 7
Banda 5 * Banda 7
Julho/2009
62
Operaes Bsicas Diviso
Razo entre bandas
Exemplo mais comum: ndice de vegetao
Julho/2009
63
Transformada dos Componentes Principais

Usa a correlao entre bandas Determina novo sistema de coordenadas que maximize varincia
Banda B
Banda B
Banda M
Banda A
Banda A
Banda N
Julho/2009
64
Componentes Principais Exemplo
Julho/2009
65
Componentes Principais Exemplo
Julho/2009
66
Extrao de Caractersticas e Filtragem

Clculo de um valor qualquer sobre os pixels de uma imagem Usando regies em volta de um pixel Pode ser usado para

Eliminar rudo Realar caractersticas Obter informaes espaciais locais
Resultado uma imagem de caractersticas ou imagem filtrada que pode ser usada como nova banda
Julho/2009
67
Filtro da Mdia
O valor de cada pixel na imagem de sada ser calculado como a mdia de sua vizinhana na imagem de entrada

Elimina rudo, suaviza imagem e histograma Introduz novos valores para os pixels
Julho/2009
68
Filtro da Mediana
O valor de cada pixel na imagem de sada ser calculado como a mediana de sua vizinhana na imagem de entrada
Elimina rudo sem introduzir novos valores para os pixels
Julho/2009
69
Caracterstica: Textura
Medida de rugosidade ou outra caracterstica espacial local
Difcil de quantificar e comparar
Julho/2009
70
Caracterstica: Bordas
Indicam transio de um alvo (mdia de nveis de cinza) para outro Proporcionais diferena dos nveis de cinza
Julho/2009
71
Classificao de Imagens
Julho/2009
72
Objetivo: Reduo (Simplificao) Espectral:
Muitos possveis valores de pixels sem classes (rtulos) Poucos valores de pixels (opcionalmente com classes/rtulos)
2566=280 trilhes de valores possveis (em trs bandas: 2563=16 milhes de valores) Julho/2009
10 valores conhecidos
73
Classificao a localizao e identificao dos similares

Similaridade espectral Similaridade espacial (coerncia) Similaridade morfolgica
Atributos usados por interpretadores, nem todos podem ser usados efetivamente por computadores
Julho/2009
74
Similaridade

Similaridade entre pixels: distncia no espao de atributos Distncia calculada entre vetores (pixels em N dimenses)
Diferentes mtricas:

Diferena na preciso Diferena no tempo de clculo

Julho/2009
Problema: Separao das Classes
Julho/2009
76
Julho/2009
77
Julho/2009
78
Classificao: Mtodos
Supervisionados:

Identificam pixels usando similaridade com pixels cujas classes so conhecidas Necessita informaes sobre classes (amostras, prottipos) Localizam grupos de pixels similares entre si e diferentes dos outros grupos Mtodos iterativos preciso identificar os grupos encontrados ! Usam caractersticas mistas (ex.: informaes incompletas)
No-supervisionados (Agrupamento ou Clustering)

Hbridos
Julho/2009
79
Amostras e Prottipos
Amostras:
Pixels (vetores) para os quais conhecemos as classes (rotulados) Existem na imagem Pixels (vetores) representativos de amostras ou classes No necessariamente existem na imagem Podem ser calculados a partir das amostras
Prottipos

Atributo 2
Atributo 1
Atributo 2
Atributo 1
80
Julho/2009
Exemplo
Julho/2009
81
Exemplo
Julho/2009
82
Mtodo da Distncia Mnima

Amostras (com rtulos) so retiradas da imagem Prottipos so os valores mdios das amostras, tomados classe a classe (um vetor para cada classe) Pixel x classificado como sendo da classe a se o prottipo com menor distncia at x da classe com rtulo a Rpido e simples Problemas potenciais:
Considera distribuies esfricas - nem sempre o caso ! Usar mais de uma amostra por classe
Idias interessantes:
Julho/2009
83
Atributo 2
Atributo 2
?
Atributo 1
Atributo 1
Julho/2009
84
Julho/2009
85
Mtodo do Paraleleppedo

Amostras (com rtulos) so retiradas da imagem Prottipos so calculados como mximos e mnimos dos valores das amostras (para cada banda) Pixel x classificado como sendo da classe a se ele est contido no paraleleppedo definido pelos mximos e mnimos valores para a classe com rtulo a Rpido e simples, similar a regras de sistemas especialistas Problemas potenciais:

Superposio dos paraleleppedos Muitas rejeies, simplificao extrema da distribuio
Julho/2009
86
Atributo 2
Atributo 1
Atributo 2
Atributo 1
Julho/2009
87
Julho/2009
88
Procedimentos ps-classificao
Filtragem
Elimina pequenas regies (alguns pixels) que podem ter sido classificados incorretamente
Filtragem modal: considera a moda das regies Exemplo: filtro modal 3x3 aplicado 3 vezes
Julho/2009
89
Procedimentos ps-classificao
Criao de Mapas Temticos

Resultado da classificao supervisionada: pixel contm o ndice da classe Baseados em LUTs Preciso da classificao (matriz de erros) reas das diversas classes Classificao das amostras e verificao da matriz de erros
Relatrios

Reavaliao
Julho/2009
90
Outros Mtodos de Classificao

Classificadores No-supervisionados Classificadores Semi-supervisionados Lgica Nebulosa Redes Neurais Sistemas Especialistas
Criao automtica de regras
Validao de Agrupamentos
Julho/2009
91
Outros Tpicos
Julho/2009
92
Tpicos para Pesquisa e Desenvolvimento
Processamento por pixels x processamento por regies

Imagens de alta resoluo Novos algoritmos de classificao Modelagem de conhecimento Modelos de mistura Inteligncia artificial
http://gras.ku.dk/software/ecognition.htm
Julho/2009
93
Para saber mais...

http://www.lac.inpe.br/~rafael.santos/JIPCookbook Introductory Digital Image Processing: A Remote Sensing Perspective (John R. Jensen) Digital Image Processing Algorithms and Applications (Ioannis Pitas) Digital Image Processing (Rafael C. Gonzalez, Richard E. Woods)
Julho/2009
94
Para saber mais...

Fundamentals of Digital Image Processing (Anil K. Jain) Classification Methods for Remotely Sensed Data (Brandt Tso, Paul M. Mather) Pattern Recognition and Image Analysis (Earl Gose, Richard Johnsonbaugh, Steve Jost)
Julho/2009
95
Fuzzy Algorithms: With Applications to Image Processing and Pattern Recognition (Zheru Chi, H. Yan, Z.R. Chi, Hong Yan, Tuan Pham) The Pocket Handbook of Image Processing Algorithms In C (Harley R. Myler, Arthur R. Weeks) Intelligence: The Eye, the Brain, and the Computer (Martin A. Fischler, Oscar Firschein)
Julho/2009
96

Processamentto de Imagens Digitais

Transféré par

Informations du document

Titre original

Copyright

Formats disponibles

Partager ce document

Partager ou intégrer le document

Options de partage

Avez-vous trouvé ce document utile ?

Ce contenu est-il inapproprié ?

Droits d'auteur :

Formats disponibles

Processamentto de Imagens Digitais

Transféré par

Droits d'auteur :

Formats disponibles

Processamento de Imagens Digitais

Curso de Inverno de Introduo s Tecnologias Espaciais: Engenharia, Matemtica e Computao

Anlise Bsica e Realce

Aplicaes de Processamento de Imagens

Formao de Imagens Digitais

Formao de Imagens Digitais Exemplo

Sensor TM (Thematic Mapper) do satlite Landsat

Outros Tipos de Imagens Digitais

Outros Tipos de Imagens Digitais

Outros Tipos de Imagens Digitais

Outros Tipos de Imagens Digitais

34 29 105 34 29 105 12 30 105 36 54 104 90 115 78 107 136 58 111 132 60

12 42 30 49 105 97 42 34 49 29 97 105 12 42 30 49 105 97 34 34 29 29 105 105 14 34 48 29 97 105 85 42 103 49 85 97 105 42 119 49 86 97

Qual o tamanho (lado) de um pixel ?

Menor resoluo Menos detalhes

Maior resoluo Mais detalhes

Quantas cores ou nveis de cinza diferentes um pixel pode assumir ?

Freqentemente imagens so compostas de bandas:

Reamostragem e quantizao causam a perda de informao

Imagens de sensoriamento remoto no correspondem geometricamente ao solo

Caractersticas dos sensores Movimento do sensor Curvatura da Terra e relevo

http://www.fao.org/DOCREP/003/T0355E/T0355E16.gif Julho/2009 http://www.lac.inpe.br/~rafael.santos 20

Sem correo geomtrica

Geoambiente Sensoriamento Remoto Julho/2009 http://www.lac.inpe.br/~rafael.santos 22

Imagem pancromtica: uma banda do espectro visvel

0.76-0.90 1.55-1.75 10.4-12.5 2.08-2.35

Composio de Bandas (RGB)

Composio de Bandas Imagem Landsat

Aplicaes tambm na indstria, em medicina e biologia.

Baseados em Hardware: RGB, CMY, CMYK, YIQ

Usam 3 ou 4 coordenadas para especificar uma cor

Baseados em Colorimetria: XYZ, L*a*b*, U*V*W*, etc.

Baseados na percepo humana: IHS, HSV, HLS, etc.

Usam 3 coordenadas para especificar uma cor

Hue: croma; Saturation: saturao; Intensity (ou Value): brilho

Sistemas de Cores Aplicaes

Integrao de imagens de diferentes sensores

Manipulao de contraste e brilho

Compactao (algoritmos especiais)

Sistemas de Cores Aplicaes

Manipulao de brilho e contraste

Unio de bandas e converso HSV RGB

Um byte para representar uma cor RGB (LUTs)

Realce e Anlise Bsica

Principais e mais conhecidas: baseadas em histogramas

Duas imagens diferentes podem ter histogramas iguais ou similares !

Espalhamento: indica contraste/varincia Dimenses dos histogramas:

Passos para a construo de um histograma (uma dimenso):

Valor de sada Valor de entrada

Valor de sada Valor de entrada

Shift para a direita

Shift para a esquerda

Seleo/realce de uma faixa de nveis de cinza

Modificao de trs histogramas da mesma banda e composio

Bandas 5, 4 e 1 Visualizao complexa !

Seis bandas, duas a duas.

reas de interesse (ROIs, regions of interest) Amostras para classificao

Regies ao redor de um pixel

Estatstica em Imagens ou Regies

Indica brilho/intensidade mdia Cancela extremos, suaviza imagem

1 = I [m,n ] M N m=1 n=1

Variao dos nveis de cinza Indica contraste, textura, espalhamento do histograma

Estatstica em Imagens ou Regies

Baseados em Colorimetria: XYZ, Lab, UVW, etc.