Académique Documents
Professionnel Documents
Culture Documents
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
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
http://www.lac.inpe.br/~rafael.santos
Introduo
Julho/2009
http://www.lac.inpe.br/~rafael.santos
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.
http://www.lac.inpe.br/~rafael.santos 5
Julho/2009
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
http://www.lac.inpe.br/~rafael.santos
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
http://www.lac.inpe.br/~rafael.santos
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
http://www.lac.inpe.br/~rafael.santos 8
Julho/2009
Julho/2009
http://www.lac.inpe.br/~rafael.santos
Julho/2009
http://www.lac.inpe.br/~rafael.santos
10
Julho/2009
http://www.lac.inpe.br/~rafael.santos
11
Julho/2009
http://www.lac.inpe.br/~rafael.santos
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
Resoluo Espacial
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
http://www.lac.inpe.br/~rafael.santos
14
Resoluo Espacial
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
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!
http://www.lac.inpe.br/~rafael.santos 15
Julho/2009
Resoluo Espectral
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)
Julho/2009
http://www.lac.inpe.br/~rafael.santos
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:
Julho/2009
http://www.lac.inpe.br/~rafael.santos
17
Efeitos da Reamostragem
Sem reamostragem
2:1
4:1
8:1
16:1
Julho/2009
32:1
64:1
80:1
18
http://www.lac.inpe.br/~rafael.santos
Efeitos da Quantizao
8 bits
7 bits
6 bits
5 bits
4 bits
3 bits
2 bits
1 bit
Julho/2009
http://www.lac.inpe.br/~rafael.santos
19
Correo Geomtrica
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
http://www.lac.inpe.br/~rafael.santos
21
Correo Geomtrica
Ortorretificada
Imagens Multiespectrais
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
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
http://www.lac.inpe.br/~rafael.santos 23
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
http://www.lac.inpe.br/~rafael.santos
24
123
Julho/2009
321
112
333
25
http://www.lac.inpe.br/~rafael.santos
321
543
3 7
Julho/2009
http://www.lac.inpe.br/~rafael.santos
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
Julho/2009
http://www.lac.inpe.br/~rafael.santos
28
http://www.photon-industries.com/gallery.htm
Sistemas de Cores
Julho/2009
Sistemas de Cores
Julho/2009
http://www.lac.inpe.br/~rafael.santos
30
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
Julho/2009
http://www.lac.inpe.br/~rafael.santos
31
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
Como transmitir estes dados via rede/Internet ? E o tempo para processar tudo isto ?
Julho/2009
http://www.lac.inpe.br/~rafael.santos
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
http://www.lac.inpe.br/~rafael.santos
34
Julho/2009
http://www.lac.inpe.br/~rafael.santos
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
Julho/2009
http://www.lac.inpe.br/~rafael.santos
36
Histogramas
Ferramenta bsica de anlise e realce Revela distribuio dos nveis de cinza (atributos) Ignora distribuio espacial
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
http://www.lac.inpe.br/~rafael.santos
37
Histogramas
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
http://www.lac.inpe.br/~rafael.santos
38
Histogramas Exemplos
Banda 1
Banda 2
Julho/2009 http://www.lac.inpe.br/~rafael.santos 39
Histogramas Exemplos
Banda 3
Banda 4
Julho/2009 http://www.lac.inpe.br/~rafael.santos 40
Histogramas Exemplos
Banda 5
Banda 7
Julho/2009 http://www.lac.inpe.br/~rafael.santos 41
Manipulao de Histogramas
Operao que modifica nveis de cinza para outros nveis de cinza: mapeamento
Julho/2009
http://www.lac.inpe.br/~rafael.santos
Manipulao de Histogramas
Julho/2009
http://www.lac.inpe.br/~rafael.santos
43
Manipulao de Histogramas
Julho/2009
http://www.lac.inpe.br/~rafael.santos
44
Manipulao de Histogramas
Inverso
Julho/2009
http://www.lac.inpe.br/~rafael.santos
45
Manipulao de Histogramas
Julho/2009
http://www.lac.inpe.br/~rafael.santos
46
Manipulao de Histogramas
Scattergram
4
Julho/2009 http://www.lac.inpe.br/~rafael.santos 48
Scattergram
7
Julho/2009 http://www.lac.inpe.br/~rafael.santos 49
Scattergram (3D)
Julho/2009
http://www.lac.inpe.br/~rafael.santos
50
Matriz de Scattergrams
7
Julho/2009 http://www.lac.inpe.br/~rafael.santos 51
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
Julho/2009
http://www.lac.inpe.br/~rafael.santos
52
Vizinhanas
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
http://www.lac.inpe.br/~rafael.santos
Mdia
Varincia
1 2 V= I [ m , n ] M N m=1 n=1
Julho/2009 http://www.lac.inpe.br/~rafael.santos 54
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
1 2 3 4 5 7
Julho/2009
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
http://www.lac.inpe.br/~rafael.santos
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
http://www.lac.inpe.br/~rafael.santos
Operaes Bsicas
Julho/2009
http://www.lac.inpe.br/~rafael.santos
58
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)
Julho/2009
Julho/2009
http://www.lac.inpe.br/~rafael.santos
60
1-3
Julho/2009
3-1
http://www.lac.inpe.br/~rafael.santos
|3-1|
61
Similar operao lgica E Requer cuidadosa normalizao do resultado: inadequado para interpretao visual
Banda 5
Banda 7
Banda 5 * Banda 7
Julho/2009
http://www.lac.inpe.br/~rafael.santos
62
Julho/2009
http://www.lac.inpe.br/~rafael.santos
63
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
http://www.lac.inpe.br/~rafael.santos
64
Julho/2009
http://www.lac.inpe.br/~rafael.santos
65
Julho/2009
http://www.lac.inpe.br/~rafael.santos
66
Clculo de um valor qualquer sobre os pixels de uma imagem Usando regies em volta de um pixel Pode ser usado para
Resultado uma imagem de caractersticas ou imagem filtrada que pode ser usada como nova banda
Julho/2009
http://www.lac.inpe.br/~rafael.santos
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
http://www.lac.inpe.br/~rafael.santos
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
Julho/2009
http://www.lac.inpe.br/~rafael.santos
69
Caracterstica: Textura
Julho/2009
http://www.lac.inpe.br/~rafael.santos
70
Caracterstica: Bordas
Indicam transio de um alvo (mdia de nveis de cinza) para outro Proporcionais diferena dos nveis de cinza
Julho/2009
http://www.lac.inpe.br/~rafael.santos
71
Classificao de Imagens
Julho/2009
http://www.lac.inpe.br/~rafael.santos
72
Classificao de Imagens
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
http://www.lac.inpe.br/~rafael.santos
73
Classificao de Imagens
Atributos usados por interpretadores, nem todos podem ser usados efetivamente por computadores
Julho/2009
http://www.lac.inpe.br/~rafael.santos
74
Similaridade
Similaridade entre pixels: distncia no espao de atributos Distncia calculada entre vetores (pixels em N dimenses)
Diferentes mtricas:
Julho/2009
Julho/2009
http://www.lac.inpe.br/~rafael.santos
76
Julho/2009
http://www.lac.inpe.br/~rafael.santos
77
Julho/2009
http://www.lac.inpe.br/~rafael.santos
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)
Hbridos
Julho/2009
http://www.lac.inpe.br/~rafael.santos
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
http://www.lac.inpe.br/~rafael.santos
Prottipos
Atributo 2
Atributo 1
Atributo 2
Atributo 1
80
Julho/2009
Exemplo
Julho/2009
http://www.lac.inpe.br/~rafael.santos
81
Exemplo
Julho/2009
http://www.lac.inpe.br/~rafael.santos
82
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
http://www.lac.inpe.br/~rafael.santos
83
Atributo 2
Atributo 2
?
Atributo 1
Atributo 1
Julho/2009
http://www.lac.inpe.br/~rafael.santos
84
Julho/2009
http://www.lac.inpe.br/~rafael.santos
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:
Julho/2009
http://www.lac.inpe.br/~rafael.santos
86
Mtodo do Paraleleppedo
Atributo 2
Atributo 1
Atributo 2
Atributo 1
Julho/2009
http://www.lac.inpe.br/~rafael.santos
87
Mtodo do Paraleleppedo
Julho/2009
http://www.lac.inpe.br/~rafael.santos
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
http://www.lac.inpe.br/~rafael.santos
89
Procedimentos ps-classificao
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
http://www.lac.inpe.br/~rafael.santos
90
Classificadores No-supervisionados Classificadores Semi-supervisionados Lgica Nebulosa Redes Neurais Sistemas Especialistas
Validao de Agrupamentos
Julho/2009
http://www.lac.inpe.br/~rafael.santos
91
Outros Tpicos
Julho/2009
http://www.lac.inpe.br/~rafael.santos
92
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
http://www.lac.inpe.br/~rafael.santos
93
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
http://www.lac.inpe.br/~rafael.santos
94
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
http://www.lac.inpe.br/~rafael.santos
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
http://www.lac.inpe.br/~rafael.santos
96