3

XXV Congresso Brasileiro de Cartografia - Curitiba - PR - Brasil, 21 a 24 de agosto de 2011

REALCE DE FEIES E OBJETOS EM UMA IMAGEM DIGITAL

UTILIZANDO CLASSIFICAO SUPERVISIONADA
E VARIAES NO BRILHO
Gleice Pereira da Silva (1)
Universidade Federal de Pernambuco
Centro de Tecnologia e Geocincias
Departamento de Engenharia Cartogrfica - Av. Acadmico Hlio Ramos,
s/n - 2 andar - DECart - Cidade Universitria
CEP: 50740-530 - Recife Pernambuco
gleice750@ig.com.br

Joo Marcos Leo Pereira de Arajo (2)

Universidade Federal de Pernambuco
Centro de Tecnologia e Geocincias
Departamento de Engenharia Cartogrfica - Av. Acadmico Hlio Ramos,
s/n - 2 andar - DECart - Cidade Universitria
CEP: 50740-530 - Recife Pernambuco
jmarcos007@gmail.com

Ana Lcia Bezerra Candeias (3)

Universidade Federal de Pernambuco
Centro de Tecnologia e Geocincias
Departamento de Engenharia Cartogrfica - Av. Acadmico Hlio Ramos,
s/n - 2 andar - DECart - Cidade Universitria
CEP: 50740-530 - Recife Pernambuco
analucia@ufpe.br

RESUMO
As imagens digitais tem grande aplicao na rea da engenharia cartogrfica, pois alm da praticidade de manuseio,
torna possvel o uso da computao para realizar rapidamente alteraes em seu aspecto pixel a pixel. Muitas vezes,
objetos e feies nessas imagens so de difcil interpretao. Nesses casos necessrio um profissional mais experiente
para executar a arte de interpretar cada um desses objetos. Este artigo prope o uso de algumas ferramentas para
manipular de forma diferente o valor dos pixels das reas de interesse, de forma que as feies desejadas possam ganhar
maior destaque em relao a todo o resto da imagem. A primeira etapa consiste em aplicar um contraste timo na
imagem para poder distribuir melhor o seu histograma. Na segunda, ser feita uma classificao supervisionada onde o
usurio dever coletar algumas amostras de cada rea de interesse. Em seguida feita uma anlise estatstica sobre cada
uma das amostras e estes dados serviro como parmetros para a classificao. De acordo com esta classificao
criada uma mscara que passar por um processo de dilatao e eroso, minimizando assim pixels que possam estar
como buracos nesta mscara. A ltima etapa ser o ajuste no brilho de forma diferente em cada rea de interesse, de
forma que possam se destacar dentro das demais, ou, dependendo do nvel de brilho, possam ser completamente
extradas. As imagens utilizadas no estudo foram adquiridas do software Google Earth. Os algoritmos para estes
processamentos foram desenvolvidos em ambiente MATLAB. A escolha deste software se deu devido a sua facilidade
em se trabalhar com matrizes; j que as imagens so do tipo raster, ou seja, do tipo matricial. A inteno que com
poucos minutos, ou at segundos, o usurio possa realar algumas feies de forma satisfatria.
Palavras Chave: Realce, Imagens Digitais, Classificao Supervisionada, Contraste, Brilho.

ABSTRACT
Digital images have wide application in cartographical engineering; moreover, they offer good handling convenience
and make possible the use of computers to quickly perform image changes in their pixel by pixel aspects. Often, objects
and features in these images are difficult to interpret. In these cases you need the help of an expert to perform the
interpretation each of these objects. This article proposes the use of some tools to handle differently the value of the
pixels of the areas of interest, so that the desired features may offer greater prominence in comparison to the rest of the

234

XXV Congresso Brasileiro de Cartografia - Curitiba - PR - Brasil, 21 a 24 de agosto de 2011

image. The first step is to apply a great contrast in the image in order to better distribute its histogram. In the second,
a supervised classification is applied, using user collected samples of each area of interest. This is followed
by a statistical analysis on each sample and these data will serve as parameters for classification. .According to this
classification a mask is created and next it will go through a process of dilation and erosion, minimizing pixels that may
appear as "holes" in this mask. The last step is to adjust the brightness differently in each area of interest so that they
can be evident enough, or, depending upon the brightness level, they can be completely extracted. The images used in
this study were acquired from Google Earth. The algorithms for these processes were developed in MATLAB. The
choice of this software was due to its ease in working with arrays, since images are raster or matrices. The goal is that
within minutes or even seconds, the user can highlight some features satisfactorily.
Keywords: Metrics, Error, Covariance, Jaccard, RGB, XYZ, YUV, YIQ, CMY.
1 INTRODUO
Ao longo dos anos, o estudo em cima de
manipulaes de imagens digitais tem aumentado
bastante. Cada vez mais exigido uma transformao
ou processamento em um curto espao de tempo e
muitas vezes, em tempo real. Um dos fatores que
contribuem para esta tendncia a capacidade de
processamento dos computadores que aumentou
bastante nos ltimos anos, permitindo assim uma
abertura maior na criao de softwares que exibem o
resultado em poucos segundos.
Algumas aplicaes necessitam que objetos
de uma determinada imagem sejam realados
rapidamente para poder facilitar a visualizao deles,
porm muitas vezes para se conseguir isso preciso
trabalhar com um software muito caro e que pode
exigir muitos parmetros de configurao, podendo
acabar assim com a viabilidade e a agilidade de
determinado processo.
A proposta deste artigo apresentar um
algoritmo simples e capaz de realizar esta tarefa de
forma expressa e sem exigir que o operador tenha
algum treinamento para isso.

Fig. 1 Imagem QuickBird: Itamarac PE.

Resoluo em pixels: 6614 x 7066

2 MATERIAIS E MTODOS
Foram utilizadas no estudo 4 imagens
software Google Earth (obtidas no ms de julho
2011) e 1 imagem em alta resoluo da Ilha
Itamarac (estado de Pernambuco), adquirida pelo
satlite QuickBird. Abaixo seguem as imagens:

do
de
de
do
Fig. 2 Imagem Google: Aeroporto Recife PE.

235

XXV Congresso Brasileiro de Cartografia - Curitiba - PR - Brasil, 21 a 24 de agosto de 2011

o processamento dos dados podemos comparar a

imagem realada com a original.
3 ETAPAS
A seguir sero listadas em ordem as etapas
seguidas para se atingir o resultado final:
3.1 Contraste timo:
O objetivo que o histograma de cada banda
seja ajustado de forma que fique bem distribudo entre
os valores de mximo e mnimo de nvel de cinza;
como as imagens so de 8 bits, estes valores so entre 0
e 255. A figura a seguir mostra a o histograma mdio e
a imagem QuickBird antes e depois do contraste:

Fig. 3 Imagem Google: Recife PE.

Fig. 4 Imagem Google: Rio Amazonas AM.

Fig. 6 Imagem QuickBird do Rio Amazonas e seu

histograma mdio antes e depois do contraste
Podemos observar que os valores dos pixels
ficaram melhor distribudos. Isso ajuda tanto no realce
quanto na classificao que ser feita. O mesmo foi
feito com as demais imagens.
3.2 Coletas das amostras:
Fig. 5 Imagem Google: Globo terrestre (frica).

As reas escolhidas tem pouco, moderada ou

intensa ao antrpica. Temos ainda uma imagem do
globo terrestre para mostrar realces de interesse visual
apenas.
O Software MATLAB foi utilizado para
fazer os algoritmos para estes realces. A escolha do
software MATLAB foi devido a sua facilidade para se
trabalhar com matrizes; j que as imagens so do tipo
raster, ou seja, matricial. As tcnicas utilizadas foram
de contraste, coleta de amostras, anlise estatstica,
classificao, criao de uma mscara, dilatao e
eroso da mscara, adio ou subtrao de brilho. Aps

236

Aqui o usurio ir decidir qual das feies

ou objetos deseja destacar. Neste exemplo iremos
destacar a rea em terra que est sem cobertura vegetal.
Esta a etapa mais demorada do processo. Aqui o
usurio ir indicar o nmero de amostras e colet-las.
Normalmente com 4 ou 5 amostras j se obtm um
timo resultado e esta etapa em mdia demora menos
de 30 segundos, variando de acordo com o tamanho da
imagem e de usurio para usurio. Sero tambm
informados ao programa o valor do Brilho a ser
adicionado ou subtrado das reas que no so de
interesse e um parmetro chamado Confiana (C) que
servir para determinar a amplitude do intervalo de
classificao. Este parmetro ser discutido melhor na
prxima etapa.

XXV Congresso Brasileiro de Cartografia - Curitiba - PR - Brasil, 21 a 24 de agosto de 2011

imagem e sendo adicionada a cada uma das 4 amostras

coletadas:

Fig. 7 Coletando amostras

3.3 Anlise Estatstica e Classificao:

(aps amostra 1)

(aps amostra 2)

(aps amostra 3)

(aps amostra 4)

Chamemos a imagem de (F). Retirada uma

amostra calculado seu nvel de cinza mdio (miF) e
desvio padro (stdF) para cada banda.
O classificador analisar para cada pixel da
imagem se ele est dentro da seguinte condio: Se o
valor do pixel F(i,j,k) estiver dentro do intervalo, ou
seja, satisfazer ao mesmo tempo as duas condies
seguintes
F(i,j,k) < (miF + C * stdF)
F(i,j,k) > (miF C * stdF)
significa que ele pertence quela classe da amostra,
caso contrrio, no pertence. Para compreender melhor
basta analisar a figura a seguir:

Fig. 9 Mscara criada aps as 4 amostras coletadas

3.5 Dilatao e eroso da mscara:
Para se obter um melhor resultado com a
mscara feita uma dilatao seguida de uma eroso.
A idia aqui remover buracos que no seriam
interessantes para o resultado final. A figura a seguir
mostra melhor o efeito deste processo e os buracos
sendo eliminados:

Fig. 8 Histograma e intervalos de classificao

Fig. 10 Antes e depois da dilatao e eroso
Em azul temos o histograma da imagem (F).
Se o pixel estiver entre as barras verdes ser
classificado como pertencente mesma classe da
amostra. O parmetro de Confiana (C) diz respeito ao
espaamento entre as barras verdes, abrangendo assim
um maior ou menor nmero de pixels. Bons valores
para (C) so entre 1 e 2. Caso se deseje trabalhar com
baixos valores de (C), deve-se aumentar o nmero de
amostras para melhorar o resultado. O processo ento
refeito para cada amostra.
3.4 Mscara:
Foi ento criada uma mscara com as
mesmas dimenses da imagem F. Se um pixel estiver
dentro do intervalo na mscara ele ser branco e valer
255, caso contrrio ser preto com valor 0. A cada
amostra que coletada os pixels na mscara so
somados. A seguir exibida a mscara criada sobre a

237

3.5 Brilho:
A idia central deste artigo de adicionar ou
remover o brilho em toda a imagem, exceto nos pixels
classificados como de interesse, realando assim os
objetos desejados. Se estes objetos estiverem em tons
escuros o ideal que seja adicionado brilho, caso
contrrio o brilho deve ser removido.
Neste nosso exemplo principal as reas sem
cobertura vegetal possuem em mdia tons mais claros,
o brilho do restante da imagem foi ento removido para
que se destaquem as reas de interesse. Vejamos o
resultado final nas figuras 11 e 12:

XXV Congresso Brasileiro de Cartografia - Curitiba - PR - Brasil, 21 a 24 de agosto de 2011

Fig. 13 Histogramas da imagem original e da

classificada
4 DESTAQUE EM OUTRAS IMAGENS
At agora foi mostrado o passo-a-passo para
a imagem QuickBird, agora iremos mostrar o realce
nas demais imagens relativas s figuras 2, 3, 4 e 5:
Fig. 11 Imagem QuickBird aps contraste

Fig. 14 Vias asfaltadas destacadas

Imagem Google: Aeroporto Recife PE

Fig. 15 Rios e lagoas destacadas

Imagem Google: Recife PE
Fig. 12 Imagem QuickBird aps a remoo do brilho
fora das reas de interesse.
Os seguintes parmetros foram escolhidos
neste processo:
Brilho = -85 (remoo)
Nmero de amostras = 4
Confiana (C) = 1,5
Por fim, se forem observados os histogramas
veremos que o segundo no de fcil interpretao,
porm se for observado direito ser notado que temos 2
grandes blocos, um esquerda, representando a
maioria dos pixel prximos ao valor 0 (preto) e um
aglomerado dentro dos valores das reas classificadas
(entre 75 e 170). O que houve aqui que foram tantos
pixels que perderam brilho que o histograma estourou
no eixo y numa potncia de 106 e tornou-se difcil de se
enxergar, porm ainda assim podemos ver a separao
entre as duas partes da imagem.

Fig. 16 Hidrografia destacada

Imagem Google: Rio Amazonas AM.

Fig. 17 Desertos destacados

Imagem Google: Globo terrestre (frica).
Para a figura 14 obtivemos um bom
resultado, porm muitos telhados, que possuem

238

XXV Congresso Brasileiro de Cartografia - Curitiba - PR - Brasil, 21 a 24 de agosto de 2011

resposta espectral parecida com o asfalto, no deveriam

ter sido classificados, mas foram.
Para a 15 o resultado foi muito bom e,
observando visualmente, quase no teve erros.
Para a 16 o resultado foi medocre, pois as 3
bandas da imagem so muito parecidas o que dificultou
a classificao. O ideal aqui reduzir o valor de (C)
para evitar confuses e aumentar o nmero de
amostras.
Para a 17 o resultado foi excelente e tambm
quase livre de erros.
7 CONCLUSES
Os resultados obtidos foram muito bons e
nos casos de onde as respostas espectrais so bem
distintas foram conseguidos os melhores resultados. Os
destaques mostram com clareza visual os alvos
desejados. O tempo de aplicao dos mtodos foi
extremamente rpido, durando menos de 30 segundos
por imagem e ainda poucos parmetros foram
configurados, o que facilita a operao de usurios
leigos nos assunto.
As tcnicas de processamento de imagem,
mostraram-se poderosas ferramentas para se manipular
imagens digitais.
8 REFERNCIAS BIBLIOGRFICAS

239

Pedrini. H., Schwartz. W. R., 2008, Anlise de

Imagens Digitais: Princpios, algoritmos e aplicaes,
Thomson, So Paulo, 508 pginas.