Académique Documents
Professionnel Documents
Culture Documents
Índice
C: Ferramentas Gerais
1. Região de interesse ......................................................................................................... 1
1.1. Definição de uma região de ............................................................................... 1
1.2. Valores limiares de imagem para as regiões de interesse ......................................... 3
1.3. Geração de Relatórios das ROIs ............................................................................... 4
1.4. Exportando ROI’s para EVF ............................................................................... 4
3. Máscara .................................................................................................................................. 5
3.1. Criação da máscara ............................................................................................ 6
3.2. Aplicação da máscara ............................................................................................ 7
2. Mosaicos .................................................................................................................................. 9
2.1. Mosaicos baseados em pixels ............................................................................. 10
2.2. Mosaicos baseados em imagens georreferenciadas ....................................... 12
2.3. Aplicando o mosaico .......................................................................................... 13
2.4. Ajuste de Histogramas ......................................................................................... 14
E: Transformações
1. Razão de Bandas ..................................................................................................................... 1
F: Classificação
1. Classificação não-supervisionada ............................................................................................ 1
1.1.Isodata ..................................................................................................................... 1
1.2. K-Means ..................................................................................................................... 2
5. ClassEdit ................................................................................................................................ 19
G: Filtros
1. Filtros de convolução ......................................................................................................... 1
1.1. Filtro passa-altas ("high pass") ............................................................................... 2
1.2. Filtro passa-baixas - filtro média ("low pass") ...................................................... 3
1.3. Filtro laplaciano (passa-altas) ............................................................................... 3
1.4. Filtro direcional (passa-altas) ............................................................................... 3
1.5. Filtro gaussiano ......................................................................................................... 4
1.6. Filtro mediana (passa-baixas) ............................................................................... 4
1.7. Filtro Sobel (passa-altas e direcional) .................................................................. 4
1.8. Filtro Roberts (passa-altas e direcional) .................................................................. 4
I: Sensores Específicos
1. Processamento de Imagens Aster ............................................................................................ 1
1.1. Processando a imagem Aster ............................................................................... 2
1.1.1. Imagem Aster 1B ............................................................................... 3
1.1.2. Imagem Aster 1A ............................................................................... 6
1.2. Para saber mais: Imagens Aster ............................................................................... 8
1.2.1 As ondas no infravermelho .................................................................. 9
3. Aplicações ................................................................................................................................ 14
A radiação natural forma uma espectro contínuo, que contém comprimentos de ondas de
milésimos de nanômetros até dezenas de quilômetros. As técnicas de sensoriamento
remoto por sistemas passivos, contudo, utilizam somente o intervalo de 0,2 até 12,5 µm,
dividido em bandas espectrais.
A banda espectral do visível (VIS) representa só um pequeno intervalo entre 0,4 µm e 0,7
µm, seguida pelo infravermelho (infrared, IR), que chega até 1000 µm. O IR pode ser
dividido entre infravermelho próximo ou reflexivo (“near infrared”, NIR), de 0,7 µm a 3 µm
e o infravermelho afastado ou emissivo (“far infrared”, FIR), de 3 µm a 1000 µm. O NIR
comporta-se como a luz visível, porque também é provocado pela reflexão solar;
enquanto o FIR é caracterizado pela radiação térmica reemitida pela Terra.
Durante o seu caminho através da atmosfera, a radiação solar é atenuada pelos gases e
aerossóis que a compõem. Alguns gases (oxigênio, ozônio, vapor d’água, gás carbônico)
absorvem a energia eletromagnética em determinadas bandas do espectro, de maneira
que a atmosfera é intransmissível à radiação nestas bandas (Tabela 1).
Tabela 1. Bandas de absorção da atmosfera terrestre (Fonte: Lillesand & Kiefer, 1979, p. 390).
Gás Bandas de absorção
O2 (oxigênio) 0 - 0,3 µm
O3 (ozônio) 5,0 - 9,5 µm
H2O (vapor d’água) 0,7 - 0,8 µm, 3,3 µm, 5,5 - 7,5 µm, 11,9 µm
CO2 (gás carbônico) 2,7 - 2,9 µm, 4,1 – 4,2 µm, 9,4 µm, 12,6 µm, 14,0 µm
No NIR (0,7 - 1,3 µm), dependendo do tipo de planta, a radiação é refletida em uma
proporção de 30 a 70% dos raios incidentes, ainda que as superfícies das folhas e os
pigmentos sejam transparentes para esses comprimentos de onda. Todavia, os sistemas
pigmentais das plantas perdem a capacidade de absorver fótons nesse espectro, que é
caracterizado por uma subida acentuada da curva de reflexão. O mínimo de reflexão
neste comprimento de onda é causado pela mudança do índice de refração nas áreas
frontais de ar/célula do mesófilo.
Nos comprimentos de ondas acima de 1,3 µm, o conteúdo de água das folhas influencia a
interação com a radiação. A água dentro da folha absorve especialmente nas bandas em
torno de 1,45 µm e 1,96 µm. Esta influência aumenta com o conteúdo de água. Uma folha
verde caracteriza-se, nestas bandas, pela reflexão semelhante a de uma película de
água. Por isso, estes comprimentos de onda, prestam-se à determinação do conteúdo
hídrico das folhas. Folhas com conteúdo hídrico reduzido são caracterizadas por uma
maior reflexão. A curva espectral depende do tipo de planta e, mais ainda, altera-se em
função da estrutura e da organização celular.
As rochas apresentam comportamentos espectrais semelhantes aos dos solos, o que não
surpreende, uma vez que estes são produtos de alterações daquelas. Um dos elementos
de maior diferenciação entre as curvas de rochas e de solos é a presença de matéria
orgânica nestes. A Tabela 2 apresenta as faixas espectrais utilizadas na detecção da
presença de óxidos de ferro ou argila em função de suas correspondentes bandas de
absorção.
As áreas urbanas são caracterizadas por uma aparência heterogênea, causada pelo fato
de a variação interna dessas áreas ser muito grande, devido à sua própria natureza. As
áreas residenciais, por exemplo, são formadas por materiais variados, tais como concreto,
asfalto vidro, ferro e vegetação. Há que se considerar, ainda, a influência das sombras
causadas por edificações altas. Por isso, a refletividade de cidades só pode ser descrita
de uma forma generalizada.
A refletividade é influenciada pelas formas, materiais e tipos de cobertura diferentes. A
detecção de áreas urbanizadas representa um fator limitante para aplicação de
classificações automáticas, pois a informação espectral pode ser parecida com a de solos
puros ou de áreas agrícolas, os quais são caracterizados por um aumento regular da
reflexão no intervalo do UV até o NIR. O aumento de reflexão causado pelas áreas
urbanas não parece tão regular como aquele provocado pela vegetação ou pelos solos.
3. Sistemas de satélites
As radiações do espectro visível e do infravermelho próximo podem ser registradas pelos
sistemas passivos do sensoriamento remoto com métodos fotográficos, de TV e de
varredura ("scanners"). Esses sistemas registram a radiação eletromagnética que é
refletida ou emitida pelos alvos terrestres. Enquanto os métodos fotográficos e de TV são
limitados ao intervalo de 0,4 a 0,9 µm, a técnica de varredura permite o registro de
imagens nos comprimentos de onda do ultravioleta até o infravermelho térmico (0,3 - 14,0
µm).
A radiação refletida e/ou emitida pela superfície terrestre atravessa o sistema óptico do
"scanner" e é focalizada sobre os detectores. Estes transformam a radiação em sinais
elétricos que são gravados em fita magnética. Um "scanner" multiespectral pode gravar
sinais provenientes de vários intervalos de comprimento de onda. A Tabela 3 mostra
alguns dos satélites de observação terrestre, dos primeiros lançamentos até os atuais.
3.1 LANDSAT
LANDSAT 1, 2 e 3
No LANDSAT 3 foi instalado mais um canal na faixa do infra vermelho térmico (TIR), que
possui uma resolução espacial de 240 m em nadir.
A configuração da órbita dos satélites LANDSAT 1, 2 e 3 foi estabelecida de tal modo que
a cada 18 dias eles passassem sobre uma mesma região da superfície terrestre (Figura
A-7). O ângulo de inclinação da órbita do satélite em relação ao plano do equador de 99º
11’ fazia com que descrevesse uma órbita quase polar em torno da Terra, garantindo o
imageamento entre as latitudes de 81º N e S.
Esta inclinação também garantia que a órbita fosse heliossíncrona. A altitude da órbita era
de 917 km e sua duração era de 101 min.
que o satélite cruza o equador em órbita descendente, o faz no mesmo horário local,
durante todo o ano. O horário médio de passagem dos satélites da série LANDSAT 1 a 3
pelo equador é 9:30 h, variando conforme a longitude.
LANDSAT 4 e 5
O LANDSAT 4 foi lançado em julho de 1982 e faz parte da segunda geração dos sistemas
passivos de alta resolução. Em fevereiro de 1983 o canal de transferência dos dados
deixou de ser usado. Por isso, o LANDSAT 4 foi substituído pelo idêntico LANDSAT 5,
que foi lançado em 1º de março de 1984 e continua sendo operacional até hoje. Em
setembro 1994, a NASA lançou o LANDSAT 6, mas o satélite caiu e nunca entrou em
fase operacional. O lançamento do LANDSAT 7 foi em 1999.
Os LANDSAT 4 e 5 são dotados com dois sistemas de "scanners": o antigo MSS, para
fazer comparações das imagens dos LANDSAT 1 a 3 e um "scanner" mais desenvolvido,
o Thematic Mapper (TM) (Figura A-8).
de 99 minutos, o que significa que faz, em um dia, 14,5 órbitas. Em 16 dias, o LANDSAT
5 cobre toda a Terra. A passagem pelo equador ocorre às 9:45 h (hora local). Suas
imagens apresentam uma resolução radiométrica de 8 bits (256 níveis de cinza).
Landsat 7
Em 1999 foi lançado o Landsat 7 , um satélite que não só substitui o Landsat 5 já no final
da vida útil dele, mas que trouxe uma série de benefícios adicionais com a substituição do
scanner TM pelo ETM+ ?Enhanced Thematic Plus? .
• Gravação da banda 6 (infra-vermelho termal) em duas bandas, com ganho alto e
ganho baixo (resolução espacial 60 m)
• Nova banda pancromática com 15 metros de resolução espacial no espectro de
[0.52 – 0.90 µm], sincronizada às bandas multi-espectrais
• Maior precisão radiométrica absoluta
• Geometria de imageamento melhorada significativamente, permitindo um
georreferenciamento aproximado apenas com os dados efeméricos com precisão
de ~ 100 a 200 metros.
As demais características como cobertura total e órbitas são quase idênticas com as do
Landsat 5 (inclusive as faixas de comprimento de onda nos canais multi-espectrais),
permitindo a fácil integração de dados Landsat 7 com dados dos satélites anteriores.
3.2. SPOT
3. suprimento de energia
5. recepção de comandos
3.2.1 SPOT 5
Em 2002, a francesa CNES lançou o SPOT 5, para satisfazer ainda mais os usuários nas
aplicações de cartografia, telecomunicações, planejamento urbano, defesa, agricultura,
etc. , também imageando em 4 bandas espectrais.
As imagens do SPOT 5 vem com maior resolução, dado que o sensor possui agora um
novo instrumento, o HRG (High-Resolution Geometric), que possibilita imagens de maior
resolução na banda pancromática (5 metros) e no modo "supermode" (2,5 metros).
3.3. KVR-1000
3.4. IKONOS
O TERRA opera numa órbita polar e síncrona com o Sol com uma inclinação de
aproximadamente 98,2 graus, com período orbital de 98,88 minutos e hora do cruzamento na
descendente às 10:30 am. A altitude média é de 705 Km e a velocidade no solo é 6,7 km/seg.
A distância entre órbitas adjacentes é de 172 km e o ciclo de recorrência é de 16 dias no
equador (233 órbitas).
3.5.1. MODIS
Por exemplo, o sensor mede o percentual da superfície dos planetas que estão cobertas por
nuvens quase todos os dias. Esta ampla cobertura espacial irá permitir que o sensor MODIS,
juntamente com MISR e CERES, determinem o impacto das nuvens e aerosóis no orçamento
de energia da Terra. O sensor possui um canal inovador (centralizado em 1,375 microns)
para detecção de nuvens do tipo cirrus (principalmente as mais "leves"), as quais acredita-se
que contribuam para o aquecimento por refração de calor emitido pela superfície.
MODIS avalia:
• Temperatura da superfície (solo e oceano) e detecção de incêndio;
• Cor do oceano (sedimento, fitoplancton);
• Mapas da vegetação global e detecção de mudanças;
• Características da nuvem;
• Concentrações de aerossóis e propriedades;
SulSoft Serviços de Processamento de Dados Ltda. - Todos os direitos reservados 16
Guia do ENVI em Português
3.5.2. MISR
3.5.3. ASTER
O ASTER é o instrumento de resolução espacial mais alta do satélite EOS AM-1 e o único que
não adquire dados continuamente. Os produtos de dados do ASTER incluem:
3.5.4. CERES
CERES (Clouds and the Earth's Radiant Energy System) é constituído de dois
radiômetros
para scanear bandas largas que irá medir o balanço da radiação da Terra e fornecer
estimativas das propriedades das nuvens para avaliar seu papel nos fluxos radioativos da
superfície até o topo da atmosfera.
CERES é um radômetro escaneador de banda larga com precisão e exatidão de medidas
radiométricas extremamente altas. O satélite EOS AM-1 carrega dois instrumentos
idênticos: um opera em modo scan cross-track e outro em modo scan biaxial. O modo
cross-track continua as medições da missão Earth Radiation Budget Experiment (ERBE)
como também da missão Tropical Rainfall Measuring Mission (TRMM), enquanto modo
scan biaxial fornece novas informações do fluxo angular que prova a exatidão dos
modelos angulares utilizados para derivar o balanço da radiação da Terra.
Os dois scanners CERES operam continuamente nas porções do dia e noite de uma
órbita. No modo de scan cross-track a calibração ocorre a cada duas semanas. No modo
de scan biaxial a calibração também ocorre a cada duas semanas e os scans curtos para
evitar o Sol ocorrem duas vezes por órbita.
3.5.5. MOPPIT
O MOPITT tem uma resolução espacial de 22Km em nadir e uma fileira larga de 640Km.
MOPITT opera continuamente, fornecendo dados científicos em porções do dia e noite de
uma órbita.
Calibragem, usando à bordo corpos pretos e uma visão espacial, ocorrendo a cada scan
normal. Uma longa calibração ocorre mensalmente e fornece uma calibração numa
temperatura elevada dos corpos pretos.
SulSoft Serviços de Processamento de Dados Ltda. - Todos os direitos reservados 21
Guia do ENVI em Português
Estatísticas:
Órbita:
• Polar e síncrona com o Sol;
Uma propriedade interessante do AQUA é que ele passa no Equador 6 horas depois do
TERRA. E possui os mesmos instrumentos MODIS e CERES, do TERRA. AQUA possui,
ainda, os instrumentos AMSR/E - Advanced Microwave Scanning Radiometer-EOS , AMSU -
Advanced Microwave Sounding Unit , AIRS - Atmospheric Infrared Sounder e o HSB -
Humidity Sounder for Brazil , que é um instrumento brasileiro , um sensor de umidade aplicado
à previsão do tempo, sendo o HSB concebido de um acordo entre a Agência Espacial
Brasileira e a NASA. Com o HSB, vai ser permitido ter previsões de tempo mais precisas,
dado que o hemisfério sul é coberto por oceanos, dificultando análises precisas.
3.7. QUICKBIRD
Este sensor, lançado recentemente pela empresa Digital Globe, é o que produz as imagens de
mais alta resolução em âmbito civil, tendo uma resolução de 61 centímetros na banda
pancromática e de 2,44 metros na multiespectral. Ele também é composto de 4 bandas
espectrais, sendo uma que opera no Infravermelho. Abaixo, algumas características do
sensor:
3.8. ENVISAT
3.9. CBERS
O CBERS é o primeiro satélite de produção brasileira que está em órbita. Foi lançado em
1999, e o projeto é em parceria com a China.
Característica singular do CBERS é sua carga útil de múltiplos sensores, com resoluções
espaciais e freqüências de observação variadas. Os três sensores imageadores a bordo são
o imageador de visada larga (WFI), a câmara CCD de alta resolução e o varredor
multiespectral infravermelho (IR-MSS). O WFI tem uma visada de 900 km no solo, que dá
uma visão sinótica com resolução espacial de 260 m e cobre o planeta em menos de 5 dias.
Já os sensores CCD de alta resolução e IR-MSS fornecem informações mais detalhadas em
uma visada mais estreita, de 120 km. A câmara CCD de alta resolução tem a capacidade
adicional de apontamento lateral de ±32º, que dá frequência de observações aumentada ou
visão estereoscópica para uma dada região. Os dados de múltiplos sensores são
especialmente interessantes para acompanhar ecossistemas que requerem alta
repetitividade. Veja abaixo algumas características do módulo CCD de alta resolução:
3.9.1 CBERS 2
http://www.obt.inpe.br/catalogo/
Uma ou duas vezes ao dia, às vezes mais, Landsat 7 e Figura A – 20: Satélite EO – 1
EO-1 capturam imagens das mesmas áreas (cenas). em órbita (ilustração)
Cada um dos instrumentos possuem únicos métodos de filtração para a passagem de luz
somente em específicas bandas espectrais. As bandas são selecionadas pela melhor
visualização de específicas características da superfície ou do solo nas aplicações
científicas ou comerciais.
Órbitas:
• LEO 705 Km sol-síncrona (inclinação de 98°), nodo
descendente 10 AM;
• Software de vôo ACS versátil permite rotação para objetos celestiais para instrumentos
de calibração;
• Transmissão de dados científicos sobre banda-X a 105 Mb/seg; possui modo de backup
banda-S para downlink a 2 Mb/seg;
• Capacidade propulsora de 23,3 Kg, diafragma elastômero que permite expulsão positiva;
• Propulsores oblíquos de 15° para permitir controle total nos três eixos, torque de 0.8 N·m
ao redor do eixo longitudinal e eixos de rolamento, 0.3 N·m sobre eixos de
guinada.
O Earth Observing-1 (EO-1) Advanced Land Imager (ALI) é um instrumento que confirma
a tecnologia do Programa do Novo Milênio (NMP). O plano focal para este instrumento é
parcialmente constituído por quatro chips sensores reunidos (SCA) e cobre 3° por 1.625°.
SulSoft Serviços de Processamento de Dados Ltda. - Todos os direitos reservados 26
Guia do ENVI em Português
Benefícios:
Benefícios:
3.10.3. Hyperion
espectral através de todos os 220 canais com alta precisão radiométrica. Concebido
originalmente como parte do instrumento ALI, o Hyperion agora é um instrumento
completo e independente do EO-1. Os principais componentes deste instrumento
possuem:
• Sistema com design baseado na missão KOMPSAT EOC. O telescópio fornece dois
conversores reticulares espectômetros de imagens separados para melhorar a taxa de
sinal-ruído (SNR).
• Um array de planos focais que fornecem detetores de ondas curtas separadas (SWIR) e
espectro visível (VNIR) baseados em hardware sobressalente do programa LEWIS HSI.
Benefícios:
O ENVI está sendo comercializado de duas formas: com, e sem, a linguagem de des-
envolvimento IDL “Interactive Data Language”, a base e o motor do ENVI que permite
rodar procedimentos complexos em modo batch (não-interativo) e agregar funcionali-
dades novas como por exemplo as rotinas especiais fornecidas pela SulSoft. O ENVI
RT (sem IDL) dispõe de todas as funcionalidades descritas nesse Guia, caso contrário
será explicitamente mencionado o uso do IDL. Portanto, em todo Guia a sigla “ENVI”
se refere tanto ao ENVI com IDL com ao ENVI RT.
www.envi.com.br/downloads
1. O sistema de menu
Inicialmente aparece somente o menu principal do ENVI (Fig. B -1); a partir dele você
tem a sua disposição toda funcionalidade do ENVI, sem ter que chamar módulos a
parte. Recomenda-se deixar essa barra de menu sempre visível, na parte superior da
tela.
As seleções nos menus em cascata ("pulldown menus") são feitas clicando-se na fun-
ção do menu principal, segurando o botão esquerdo do "mouse" e arrastando-o até
chegar ao item desejado. As funções, também podem ser escolhidas clicando na fun-
ção do menu principal desejada e navegando com as teclas de movimento do cursor -
←,↑,→,↓.
DICA: Se o sistema parece não responder mais aos seus comando/cliques, verifique
se não tem uma caixa de dialogo aberto (e que ficou escondido atrás de uma outra
janela). Lembre-se de que os comandos estão sendo armazenados no command bu-
ffer e executados assim que você fechar a caixa de dialogo, portanto recomenda-se
investigar logo se algum comando parece não executar, em vez de clicar insistente-
mente ....
2. Conceitos de visualização
• Clicar o botão esquerdo do "mouse" com o cursor na opção "Arquivo" menu
principal.
A partir da versão 3.5 do ENVI, é possível, através de um clique com o botão direito do
mouse no campo branco da janela, ter-se acesso a funções que tornam mais simples
carregar imagem, fazer composições coloridas (desde que os valores de comprimento
de onda estejam informadas no cabeçalho da imagem), etc. (Figura B-4).
• Você pode sempre a qualquer momento chamar esta janela através do botão
"Abrir" seguido por "Lista de Bandas Disponíveis" (por exemplo quando aparece a
mensagem "Problem: This file has already been opened").
Para imagens grandes (por exemplo cenas inteiras Landsat) ou de pouca definição
(por exemplo imagens de radar) pode ser difícil identificar as áreas de interesse na
janela global; uma possibilidade é aumentar o tamanho da janela (por exemplo clican-
do e arrastando num canto da janela), mas a melhor opção é o uso do "Meta Scroll":
Clicando com botão do meio (tecla "Ctrl" + botão esquerdo se não tiver botão do meio)
e clicando e arrastando na janela global define-se um retângulo que serve como nova
área total da imagem. A qualquer momento pode-se voltar à visualização da imagem
(inicial) inteira, clicando com o botão direito em qualquer área na janela global.
A partir da versão 3.5 do ENVI, foi adicionado à janela de zoom um menu igual ao
mostrado na figura B-7 que facilita as operações na janela ampliada, bastando clicar
com o botão direito do mouse dentro da janela de zoom.
• Clicar com o botão esquerdo e arrastar o cursor na janela de ampliação para ob-
servar como a área ampliada "percorre" a sua imagem.
Com esta opção é possível chamar uma nova janela independente de imagem. Cada
janela é numerada seqüencialmente, iniciando-se com a número 1. Janelas adicionais
também podem ser chamadas na lista das bandas disponíveis, clicando no botão
"Display # - New Display".
Carrega uma nova janela independente de vetores. Cada janela é numerada seqüen-
cialmente, iniciando-se pela de número 1. Janelas adicionais também podem ser cha-
madas na lista dos vetores com um clique no botão "Load Vector".
Carrega uma nova janela, por exemplo, para receber gráficos da biblioteca espectral
ou de outras janelas gráficas. Novas janelas gráficas podem também ser carregadas
por um clique na opção "New Window" no menu "Options" em qualquer tela de plota-
gem.
• Seleciona-se esta opção para monitorar todas as telas abertas no maior tamanho
possível.
• Clicar em "Options" e "Reset Color Table" para voltar à imagem original, apa-
gando a tabela de cores escolhida anteriormente.
Na realidade, é possível usar quaisquer três bandas para se produzir uma composição
colorida. Contudo, uma cuidadosa seleção das mesmas faz-se necessária, para que a
combinação dessas bandas contenha a informação espectral realmente desejada
(Crósta, 1993, p.63).
Todas as funções que são dadas na opção "Realce " (Figura B-11) aplicam um au-
mento de contraste com base na imagem visualizada na janela principal, ou na janela
global ou na janela de ampliação, sem interferência do usuário.
Realce linear
Linear usa valor máximo e o valor mínimo para aplicar um aumento linear de con-
traste.
Linear 2%
Gaussiano
Equalização
Raiz Quadrada
Raiz Quadrada tira a raiz quadrada do histograma de entrada e aplica um realce linear
neste.
• Defina um novo intervalo de valores de tons de cinza que vai ser implementado
pelo novo aumento de contraste.
• Clica-se na opção "Stretch Type" para carregar o menu em cascata que mostra
os diferentes métodos de aumento de contraste e seleciona-se a função
"Gaussian".
de uma função de transferência que tem uma alta inclinação. O histograma original
apresenta um pico e uma baixa inclinação no restante da curva, conforme mostrado na
Figura B-14.
Vantagem:
Desvantagem:
Esta opção possibilita criar qualquer histograma de padrão acima do histograma ou-
tput. A função "Arbitrary" também pode ser usado para combinar um histograma numa
imagem em histograma de outra imagem.
É possível fazer o realce por raiz quadrada tanto no modo interativo quanto pelo menu
da janela gráfica Realce. A aplicação deste tipo de realce pode ser útil, por exemplo,
ao processamento de imagens de radar.
Uma função de edição de tabela de realce e outra de edição de realce linear passo – a
- passo permitem uma modificação direta de valores individuais na tabela. Para editar
uma tabela, selecione, primeiramente, a cadeia de comandos "Stretch_Type - User
Defined LUT". Em seguida, selecione a cadeia de comandos "Options - Edit User Defi-
ned LUT", que abrirá a caixa de diálogo "Contrast Stretching", que relaciona os pares
ordenados da tabela. Clique sobre um determinado par a fim de modificar seus valores
nas caixas de texto localizadas sob o título "Edit Selected Item".
Clique no botão "OK", para implementar as modificações. Para modificar uma tabela
aplicada a um realce linear passo-a-passo, selecione a cadeia de comandos "Options -
Edit Piecewise Linear". A modificação dos pares ordenados segue um procedimento
similar ao caso anterior.
Saída de histograma
Qualquer histograma pode ser gravado como um arquivo ASCII. Além disso, todo his-
tograma pode ser gravado como um arquivo de saída nos seguintes formatos:
PostScript, BMP, HDF, JPEG, PICT, SRF, TIFF,XWD, ERDAS, PCI, ER Mapper ,
ArcView.
Realce de Contraste->Filter->
O ENVI agora possibilita salvar e restaurar grupo de displays abertos. Por exemplo, se
o usuário sobrepõe várias camadas vetoriais, configura as camadas, coloca grades,
anotações(tem que ser um já salvo), o usuário pode fechar o programa e, depois,
chamar o arquivo de restauração já salvo que o Envi carregará novamente os planos
vetoriais, as configurações, etc..
• Aparecendo a janela “Save Display to ENVI Display Group File” , entre com o
nome do arquivo e clique em OK.
No formato BIP, os primeiros pixels, em todas bandas espectrais, são seguidos pelos
segundos pixels e assim até os últimos pixels da imagem. Este formato possibilita um
desempenho ótimo para tratamento espectral aos dados da imagem.
Neste formato, as primeiras linhas, em todas as bandas, são seguidas pelas segundas
linhas em todas bandas e assim até as últimas linhas da imagem. Este formato per-
mite um desempenho intermediário entre os dois formatos apresentados acima.
Arquivos no formato DLG também podem ser carregados diretamente da fita (vide
"Read Known Tape Formats", no Manual).
Multiplanos em formato DXF podem ser importados pelo ENVI, usando arquivos de
DXF separados.
Multiplanos em formato SHP podem ser importados pelo ENVI (clicar no arquivo .shp).
O banco de dados associado .dbf do ArcView é automaticamente importado e inter-
pretado junto, se existente.
Multiplanos em formato .mif podem ser importados pelo ENVI (clicar no arquivo .shp).
O banco de dados associado .mid do MapInfo é automaticamente importado e inter-
pretado junto, se existente.
Multiplanos em formato .dgn podem ser importados pelo ENVI, usando arquivos de
.dgn separados (cada plano em um arquivo). Para arquivos em 3D do Microstation a
informação altimétrica é extraída e armazenada num arquivo .dbf do ENVI.
• Digite o nome do diretório ou clique no botão "Choose" para ativar a árvore de di-
retórios e, de um destes, selecionar um arquivo. Clique no botão "Add" para in-
cluir o diretório escolhido na lista de varredura.
Geo-Browser
O tamanho dessa janela pode ser modificado pelo deslocamento de um de seus can-
tos (mantenha pressionado o botão esquerdo sobre o canto da janela e desloque a
seta dupla). As posições das imagens georreferenciadas, definidas pelos pixels de
referência indicados no arquivo de cabeçalho, são marcadas sobre o mapa por pontos
vermelhos. Clicando-se o botão direito do "mouse" na vizinhança de um desses pon-
tos, marca-se a imagem correspondente na lista de arquivos localizados.
• A área visualizada pode ser ampliada segundo uma moldura traçada pelo
"mouse", ao movimentá-lo com o botão central (ou botão esquerdo + tecla
CTRL) pressionado.
4. Análise de Dados
• Note que no perfil espectral, há 3 linhas verticais que o corta nos com-
primentos de onda médios de cada banda que compõe a composição
colorida. Cada linha na cor primária correspondente escolhida para
cada banda.
4.2 Dispersograma
• Clique no botão "Export Class" ou "Export All" para gravar esses pixels em uma
região de interesse ("region of interest", ROI).
• Editor Espectral de Pixels" para abrir a janela "#n Spectral Pixel Editor" .
• No menu desta janela, clique na opção "Pixel_Edit" para plotar o espectro do
pixel sob exame.
• Na opção “Defaults Bands to Load”, selecione as bandas em que se deseja que se-
jam as padrões (serão carregadas) quando o arquivo for carregado;
ENVI Zoom é um novo modo de visualização disponível a partir do ENVI 4.3. Sua in-
terface robusta e fácil de usar permite executar tarefas de visualização e manipulação
de imagens obtidas por técnicas de sensoriamento remoto. Dentre as ferramentas de
visualização estão as funções de contraste, brilho, realce e transparência. O dispositi-
vo também permite trabalhar com múltiplos “layers” de dados para serem visualizados
em uma única janela. Além disso, ENVI Zoom reprojeta e reamostra as imagens ins-
tantaneamente.
Nas próximas versões do ENVI, serão implementadas novas funções para o ENVI
Zoom.
Windows: selecione -> Iniciar -> Programas -> RSI ENVI 4.3 -> ENVI Zoom, ou clique
duas vezes sobre o ícone de atalho “ENVI Zoom 4.3” da área de trabalho;
Configurando Preferências
Por “default” quando você abre um arquivo de imagem no ENVI Zoom, automatica-
mente, a imagem é mostrada em verdadeira cor ou em tons de cinza, baseado no tipo
de arquivo que é carregado. Nesta demonstração, mostraremos como alterar as prefe-
rências de visualização e a forma de gerenciar dados.
1. A partir da barra de menus, selecione “File > Preferences”; para que a caixa de
diálogo “ENVI Zoom Preferences” apareça.
6. Clique “OK” na caixa de diálogo “ENVI Zoom Preferences” para salvar as novas
preferências.
1. quando você clica sobre os nomes das bandas na janela Data Manager, elas são
associadas automaticamente à sequência de canais RGB. Experimente selecionar
diferentes combinações de bandas, clicando sobre o nome de uma das bandas
para ser associada ao canal R.
2. Repita o processo para associar uma das bandas ao canal G e depois ao B.
3. Você, originalmente, tem uma imagem falsa cor carregada dentro da janela de vi-
sualização. Na janela Data Manager, clique com o botão direito sobre o nome do
arquivo (qb_boulder_msi) e selecione “Load True Color”. O ENVI Zoom seleciona-
rá as bandas apropriadas para carregar a imagem em verdadeira cor na janela
principal de visualização (Image window).
4. Clique no link “Tip:Working with the Data Manager” para acessar informações so-
bre a funcionalidade do Data Manager (ENVI Zoom Help).
5. Para fechar o ENVI Zoom Help clique sobre o botão X no topo direito da janela.
6. Explore os botões da barra de ferramentas do Data Manager. A partir da barra de
ferramentas do Data Manager, você pode abrir novos arquivos , expandir ou mini-
mizar arquivos, fechar arquivos e congelar o Data Manager para manter-se ativo
sobre a tela ou descongelar para automaticamente fechar quando você carrega um
arquivo dentro da tela.
7. Para fechar o Data Manager clique sobre o botão X no topo direito da caixa de
diálogo.
Você pode carregar múltiplos Layers dentro de somente uma sessão do ENVI Zoom e
também gerenciá-los através do Layer Manager. No exercício anterior, você havia cri-
ado separadamente layers em falsa cor e verdadeira cor de um mesmo arquivo. Am-
bos podem ser visualizados no campo “Layer Manager”.
Reordenando Layers
Você pode controlar a ordem dos layers e visualizar janelas arrastando e soltando
layers presentes na árvore do gerenciador de camadas “Layer Manager tree” ou atra-
vés do uso do menu “options”.
1. Clique e arraste “Raster1: qb_boulder_pan” , presente no Layer Manager, sobre o
“Raster 2: qb_boulder_msi”.
Ocultando Layers
Por padrão, todos layers da janela Layer Manager são mostrados na janela principal
de visualização. Você pode, temporariamente, esconder a visualização do layer para
que possa trabalhar com outros layers na janela principal de visualização (Image win-
dow).
1. Clique com botão direito do mouse sobre Raster1: qb_boulder_msi no “Layer Ma-
nager” e desabilite a opção “Show Layer” para oculta-lo na janela principal do visu-
alização.
2. Clique com o botão direito sobre Raster1: qb_boulder_msi, novamente, e habilite a
opção “Show Layer” para voltar a visualizar o layer, anteriormente desligado.
Combinação de Layers
A função “Blending” permite executar uma transição gradual de uma imagem para
outra, pelo aumento da transparência de uma das imagens.
1. clique com o botão direito dentro do Portal e selecione, através do menu de atalho,
a função “Blend”. O mistura automática começa a partir da imagem verdadeira cor
em direção a imagem falsa cor.
2. Experimente aumentar a velocidade da mistura, usando os “botões
direcionais”, disponíveis na barra de ferramentas do Portal.
3. Clique no botão “pause” na barra de ferramentas para encerrar a combinação
de imagens.
Alternação de Imagens
Esse recurso permite a alternação da visualização de dois layers dentro do Portal.
1. Clique com o botão direito do mouse sobre o Portal e selecione “Flicker”. A alter-
nação das imagens tem inicio a partir da imagem verdadeira cor para a imagem
falsa cor.
2. Experimente aumentar ou diminuir a velocidade de alternação das imagens, cli-
cando sobre os “botões direcionais” da barra de ferramentas.
Transposição de imagens
A função “swiping” permite executar uma transposição espacial entre uma imagem e
outra através de uma linha vertical divisória que move-se entre as duas imagens.
1. clique com o botão direito sobre o portal e selecione “Swipe”. Essa função automa-
ticamente inicia a transição entre a imagem cor verdadeira e a falsa cor.
2. Experimente aumentar ou diminuir a velocidade de transição, clicando sobre os
“botões direcionais” na barra de ferramentas do portal.
3. Clique sobre o botão “pause” na barra de ferramentas do portal para encerrar a
função.
C: Ferramentas Gerais
O menu “Ferramentas”, que se encontra no meu principal do ENVI, contém funções que
podem ser usadas em todos os arquivos abertos, ao contrário das funções na janela
principal, que só possibilitam o processamento de imagens na própria janela.
1. Região de interesse
As ferramentas de região de interesse (Figura C-1) podem ser chamadas através do
menu principal, selecionando a cadeia de comandos “Ferramentas – Região de Interesse
– Definir Região de Interesse” . As regiões de interesse geralmente são usadas no cálculo
de estatísticas, para se fazer uma classificação, para produzir uma máscara e em outras
operações que requeiram uma entrada interativa.
• Na caixa de diálogo "#n ROI Tool", define-se em qual imagem e janela (principal
ou de ampliação) será delineada a região de interesse. Além disso, pode ser
escolhido o tipo de região de interesse: se polígono, linha ou ponto (ROI_Type).
• Clique no botão "New Region" para definir uma região na imagem escolhida. Na
janela de controle de regiões de interesse aparece uma nova região, mostrando o
nome "Region #N", a cor e a quantidade dos pontos incluídos em seu perímetro.
Obs.: Quando o mouse tiver somente duas teclas, pode-se simular o botão central apertando
simultaneamente a tecla CTRL + botão esquerdo do mouse.
Estatísticas
Após a definição da região de interesse, pode-se ver suas estatísticas. Para isso, clique
na opção "Stats". Essas estatísticas são de grande valor para se determinar amostras de
treinamento para classificação. Aparecem duas janelas: a primeira com o espectro médio
de cada banda das regiões selecionadas; a outra, com descrições estatísticas, lista os
nomes de arquivo de região de interesse (extensão .roi), o número de pixels incluídos na
região e nas bandas, os valores mínimos e máximos, a média e o desvio padrão (figura C-
2).
Para gravar um arquivo de regiões de interesse, clica-se na opção "File" e "Save ROIs" e,
na caixa de diálogo "Save Regions to File", escolhem-se as regiões a serem gravadas.
Para converter ROIs em DXF: Grave a região de interesse em um arquivo (extensão .roi).
Selecione, dentro do menu principal, a cadeia de comandos "Vetor - Converter ROI para
DXF" para fazer a conversão para DXF. A região de interesse é convertida com as
coordenadas cartográficas pela aplicação destas a partir de um arquivo georreferenciado.
Para visualizar regiões de interesse que já foram gravadas e que não aparecem na lista,
clica-se no botão "File" e "Restore ROIs" e, no gerenciador de arquivos, seleciona-se o
que contém as regiões de interesse desejadas.
• Aparece a caixa de diálogo em que se define o intervalo dos valores nível de cinza.
Este intervalo é usado para definir a região de interesse de uma maneira
estatística. Determine o intervalo e clique em OK.
• Verifique na janela #n ROI Tool que foi gerada uma nova região de interesse.
• Aparecerá a janela “Select Data File associated with ROI”. Selecione o arquivo
associado à ROI e clique em OK;
• Logo após, aparece a janela “Export Region to EVF”. Selecione as ROI’s desejadas e
clique em OK.
2. Examinar estatísticas
Para carregar as estatísticas de uma imagem, clique no botão "Ferramentas – Estatísticas
– Calcular Estatísticas" do menu principal do ENVI.
3. Máscara
Uma máscara é uma imagem binária de valores 0 e 1. Quando uma máscara é utilizada
em uma função de processamento, as áreas sob o valor 1 são processadas e aquelas sob
o valor 0 são excluídas do processamento. Dentre as funções que aceitam a aplicação de
máscaras incluem-se o cálculo estatístico, a classificação, a decomposição espectral, a
filtragem, a remoção de contínuo e o ajuste espectral.
A função "Criar Máscara" permite a definição de máscaras de imagem por valores de nível
de cinza específicos, por faixas de valores, por regiões de interesse ou a partir de
arquivos de anotação. Uma máscara também pode ser aplicada permanentemente a uma
As máscaras são definidas a partir de três tipos de entrada: pelos níveis de cinza mínimo
e máximo ou por uma faixa desses níveis, por anotação ou por região de interesse.
• Selecionando a primeira opção, “Import Band Data Range”; nas caixas de texto
"Band Min Val" e "Band Max Val" introduzem-se os níveis de cinza que pertencem
à banda cujo nome encontra-se na caixa de texto ao lado do botão "Select Input
Band".
• Para mudar a banda de entrada, clique no botão “Select Input Band” e faça a
escolha da nova banda na janela "Select Band for Mask Data Range" caso
desejares.
• Clique "OK" para voltar à definição da máscara. Introduza o nível mínimo e/ou
nível máximo e clique em OK. Introduzindo-se somente um dos extremos da faixa,
ao outro nível será automaticamente atribuído o nível máximo da banda.
Deve-se ressaltar que somente anotações nas formas de retângulos, elipses e polígonos
podem ser importadas para a definição de máscaras.
• Clique na dupla seta ao lado do texto "Selected Areas On" para atribuir às áreas
definidas na máscara o valor 1 ("On") ou 0 ("Off").
• Aparecerá a janela “Apply Mask Input File”. Selecione o arquivo original em que foi
gerado a máscara.
A caixa de diálogo das operações matemáticas entre bandas aceita qualquer expressão
matemática, função ou procedimento válido no IDL, em que o resultado seja uma matriz
bidimensional.
Obs.: Note que a função de ponto flutuante é usada para evitar erros de excesso de byte
("byte overflow") durante o cálculo.
Pode-se gravar as equações e chamá-las por um clique no botão "Restore", que faz surgir
o gerenciador de arquivos.
4.1. Matemática de bandas
• No botão “Map Variable Input File”, selecione um arquivo adicional se for o caso;
• Aparece a janela “Spectral Math”. Entre com a expressão desejada e clique em OK;
5. Reamostragem Espectral
• Aparece a janela “Resize Data Input File”. Selecione a imagem desejada e clique
em OK.
• Agora, aparece a janela “Resize Data Parameters” Altere os campos xfac e yfac
conforme desejado. Por exemplo, se temos uma imagem com resolução de 30
metros e queremos alterá-la para 60 metros, coloque 0,5 no xfac e 0,5 no yfac.
• Defina na imagem uma região de interesse em que se quer produzir uma nova
imagem.
• Aparece a janela “Select Input File to Subset via ROI´s”. Selecione a imagem e
clique em OK.
• Logo após, aparece a janela “Spatial Subset via ROI´s Parameters”. Selecione a
ROI.
• Na opção “Mask pixels outside of ROI, deixe como Yes, em “Mask Background
Value”, coloque 0 (preto), escolha File ou Memory e clique em OK.
8. Outras Ferramentas
Agora, veremos mais algumas funcionalidades que o ENVI possui dentro do menu de
ferramentas. ENVI possui diversas outras funcionalidades, mas veremos aqui duas que
podem ser mais constantemente usadas.
elimina ruídos horizontais na cena, usando uma média entre os pixels vizinhos.
(Importante, a linha com defeito tem que ser horizontal).
• Aparece a janela "Replace Bad Lines Input File". Selecione a imagem desejada e clique
em OK.
• Agora, aparece a janela "Bad Lines Parameters". No campo "Bad Line", digite o
número da linha em que está o defeito. Pressione <ENTER>.
A linha é contada através dos valores de pixels; ou seja, a primeira linha é a linha mais
superior da imagem, e assume o valor 1, a linha abaixo, o valor 2, assim por diante. Para a
fácil detecção do número da linha a ser corrigida, use a função "Cursor Location Value".
• No campo "Half Width to Average" , determine o valor das linhas vizinhas à linha com
defeito que serão usadas para corrigi-las. Se o valor determinado for 1, o ENVI
simplesmente pega a linha de cima e a de baixo à linha com defeito e faz uma média
entre elas.
• Clique em OK.
A partir do ENVI 3.6 foi implementado um novo recurso no menu de ferramentas básicas
dedicado a detectar variações na comparação de imagens. Aplicando as ferramentas
disponíveis pelo menu de detecção de mudanças você poderá computar diferenças
apresentadas pelas imagens “Compute Difference Map” ou detectar variações estatísticas
“Change Detection Statistics” para acessar uma consistente lista de medidas de
variações entre um par de imagens que representam um estado inicial e um estado final.
Em síntese oferecem apoio substancial para a identificação, descrição e quantificação de
diferenças apresentadas por imagens tomadas da mesma cena em tempo ou condições
diferentes.
Obs.1: A seleção do tipo de mudança por diferença simples é computada pela subtração
da imagem do estado final menos a imagem do estado inicial. Já o tipo de mudança por
diferença percentual é computada como sendo a diferença simples dividida pelo valor do
estado inicial.
Obs.: Observe o resultado e verifique que as mudanças ditas positivas são visualizadas
em vermelho , os pixels classificados na cor cinza não apresentam mudanças e para os
pixels que se apresentam na coloração vermelho brilhante representam grandes
mudanças positivas. Já as mudanças negativas por sua vez são visualizadas na cor azul;
a coloração cinza não apresenta mudanças e a cor azul brilhante representa grandes
mudanças negativas
Observe que nenhum dos pixels inicialmente classificados como urbano (urban) mudaram
de classe na imagem do estado final, porém na segunda coluna, onde 9523 pixels foram
inicialmente classificados como sendo floresta (forest), mudaram para a classe urbano na
imagem do estado final. Na linha correspondente à classe total (class total) é indicada a
quantidade total de pixels de cada classe no estado inicial e a coluna classe total refere-
se a quantidade total de pixels de cada classe no estado final. Observe, novamente, a
ilustração acima e verifique que 13389 pixels foram classificados como sendo urbano
(total da classe) na imagem do estado inicial sendo que a quantidade total de pixels
classificados como urbano na imagem do estado final aumentou para 25256 pixels.
• Para visualizar a precisão dos valores em ponto flutuante selecione: Options -> Set
Report Precision ;
• Para converter as unidades dos valores que envolvem área, acesse: Options ->
Convert Area Units ;
• Para salvar o relatório estatístico em um arquivo ASCII, selecione: File -> Save to
Text File;
• rotação da Terra
• curvatura da Terra
• distorção de panorama
• distorção topográfica
No ENVI, os pontos de controle ("Ground Control Point", GCP) podem ser selecionados
tanto na janela principal, como na janela de ampliação para os dois modos da retificação:
imagem para imagem e imagem para mapa. As coordenadas são apresentadas numa
lista que contém as coordenadas do mapa-base ou da imagem básica, as coordenadas
da imagem não-retificada e o valor de erro para o algoritmo específico de ajuste
("warping").
• Funções polinomiais
• Triangulação "Delonay"
Use valores negativos de longitude para o hemisfério oeste e valores negativos de latitude
para o hemisfério sul. O cálculo das coordenadas geográficas para o sistema de projeção
escolhido é feito com a volta para coordenadas da projeção escolhida.
apenas três coordenadas para calcular o erro RMS; no caso de RST "No" é preciso de no
mínimo quatro pontos para que seja calculada a transformação de primeiro grau
polinomial (o grau pode ser definido no campo "Degree"). A nova posição do pixel
transformado, em coordenadas de pixel, aparece entre os quatros parênteses, assim
como o erro RMS absoluto (em pixel) nos parênteses finais. Para transformações
polinomiais do primeiro grau, existe a opção de escolha do cálculo de erro baseada no
método RST. O botão "On/Off" possibilita a inclusão ou exclusão de pontos de registro
no cálculo da correção.
"On/Off" são botões que servem para incluir ou excluir os pontos de registro selecionados
no cálculo de correção. O botão "Delete" exclui pontos selecionados do registro.
Aparece a caixa de diálogo para o registro de imagem para imagem (Figura acima).
O registro de imagem para imagem requer, no mínimo, duas imagens carregadas na lista
das bandas disponíveis. Escolha a janela que mostra a imagem georreferenciada como
imagem base ("base image") e a que contém a imagem original como imagem de
transformação ("warp image").
Muitas vezes o registro Imagem-Imagem é o primeiro passo para a forma mais elegante
de mosaicar imagens não-georreferenciadas. Para isso cria-se primeiro um pseudo-
georreferenciamento, colocando valores arbitrárias nos campos de informação
cartográfica numa das imagens ("Arquivo – Editar Cabeçalho de Arquivo ENVI –
Selecionar Imagem – Edit Attributes – Map Info"). Num registro Imagem-Imagem
aparecerá agora a opção "Options – Warp Displayed Band (as Image to Map)", que faz
com que a segunda imagem também tenha o pseudo-georreferenciamento, possibilitando
agora o automatismo do mosaico de imagens georreferenciadas.
• Vai aparecer a caixa de diálogo GCP Filename, onde o usuário terá que escolher o
arquivo em formato .PTS , que como já foi visto, é o arquivo em que se encontra os
pontos de controle do registro.
Warp Method:
RST (Transformação RST)
A transformação RST efetua uma rotação, escalonamento e transferência simples de
imagens.
Triangulation (Triangulação)
Esse método de transformação é usado quando a
distribuição dos pontos de controle é irregular e são
interpolados os triângulos entre os pontos de valores
da superfície e o retículo de saída.
Resampling (Reamostragem):
Aqui define-se o método de reamostragem: Nearest
Neighbor ("Vizinho mais próximo", indicado quando
se quer ainda fazer uma análise espectral dos dados
após a transformação), Bilinear (interpolação linear
entre os pixels), ou Cubic Convolution (convolução
cúbica), os dois últimos indicados quando a finalidade
é bom acabamento visual. Figura D-4: Caixa de diálogo
“Registration Parameters”
Vetores” (veja Guia H-Vetores). IMPORTANTE: Na janela “#n Vector Parameters”, clique
na opção “Off” para seguir o próximo passo;
O usuário deverá carregar a base vetorial em uma nova janela de vetor (New Vector
Window).
• Clique no ponto desejado dentro da janela vetorial, e depois, clique no botão “Export” da
janela “#n Vector Parameters” que as coordenadas selecionadas na janela de vetor
automaticamente irão para a janela de GCP´s .
2. Mosaicos
Mais inovações.
A partir do ENVI 4.0 foram implementadas uma série de melhorias na ferramenta para
construção de mosaicos “Mosaic Tool”. Dentre as modificações, podemos destacar: a
possibilidade de executar o balanceamento automático de cores, minimizando as
diferenças na visualização das imagens; visualização de imagens coloridas na pré-
visualização do mosaico “preview display“, recurso para alterar a saída da projeção de
mosaicos georreferenciados no processo de execução etc.
Algumas vezes, o trabalho com imagens de satélites requer que se juntem cenas
diferentes em um só arquivo. Tornou-se possível a fusão ("feathering") de limites de
imagens por dissolução de bordas ou de linhas de corte . É possível, também, gravar e
recuperar tabelas de mosaicagem. Dica.: Sempre recomenda-se o uso do mosaico com
imagens georreferenciadas pela maior facilidade de juntar várias imagens. Como as
vezes não há referência geográfica disponível, usa-se o "pseudo georreferenciamento"
definindo "manualmente" os parâmetros geográficos através da cadeia de comandos
"Arquivo – Editar Cabeçalho de Arquivo ENVI ", selecionando a imagem e definindo
parâmetros arbitrários para a sessão "Map Info".
• Aparece a janela “Pixel Based Mosaic” , que é a janela onde o usuário irá manipular
os parâmetros do mosaico.
• Selecione , dentro da janela “Pixel Based Mosaic” o submenu “Import -> Import Files ”
ou “Import ->Import Files and Edit Properties”.
• Ao selecionar a segunda opção você tem condições de editar a ordem de entrada das
imagens (fator de transparência, mistura de pixels entre as bordas das imagens,
posição do mosaico, etc.).
• Aparecerá a janela “Mosaic Input Files”, onde o usuário pode escolher as imagens a
serem mosaicadas. Se for selecionada mais de uma imagem, selecione
primeiramente uma, logo após a seleção do arquivo, segure a tecla Control, selecione
o outro arquivo e clique em OK.
• Se for escolhida a opção “Import Files and Edit Properties” , aparecerá a caixa de
diálogo “Entry : <Nome do arquivo> “ (Figura ao lado).
• Em “ Data Value to Ignore” , coloque o valor do tom de cinza da imagem para que o
software ignore e deixe na mesma cor de fundo do display da imagem. Entretanto
recomenda-se que não se mexa nessa opção, a não ser que o usuário tenha uma
função específica para o mosaico na qual se deseja eliminar um certo valor de
tonalidade.
• Clique com o botão direito do mouse sobre a imagem que você deseja fixar o
padrão de cor e selecione “Edit Entry” no menu de atalho que surge;
• Na parte inferior da caixa de diálogo “Entry Parameters” em “Color Balancing”
selecione o botão “Fixed” para fixar a imagem que servirá como base para o
cálculo estatístico do balanceamento de cor e clique em “ok”.
• Para ajustar a cor da(s) imagem(s) segundo o padrão de cor fixado no passo
anterior, clique com o botão direito sobre a(s) imagem(s) a serem ajustadas
selecionando, novamente “Edit Entry”. Em “Color Balancing” selecione o botão
“Adjust” e clique em “Ok”;
• Finalmente, selecione ->File->Apply (armazene na memória ou disco). O arquivo
criado, automaticamente, surgirá na caixa de listagem de bandas disponíveis
“Available Bands List” bastando, apenas, carrega-lo para a janela de visualização
clicando no botão “Load RGB”.
Uma diferença que o usuário pode notar na janela de operações “Map Based Mosaic” é
que o menu options dispõe de menos opções do que o “Pixel Based Mosaic” , isso se
deve ao fato de a imagem já estar georreferenciada e portanto, precisar de menos
operações para se chegar no resultado final.
• Selecione “Mapa – Mosaicar Imagens – Imagens Georreferenciadas”
Fator "snap"
O fator "snap" possibilita o posicionamento em passos exatos das imagens. Por exemplo,
o fator 5 causa um "snap" de 5 pixels entre as duas imagens. Um "snap" de 1 vai causar
um posicionamento sem "snap".
Percolação
É utilizada para carregar uma imagem em cima de outras imagens.
Faça um "link" entre a imagem A e B, em uma região que se queira igualar o histograma.
"Zere" o histograma das duas imagens, utilizando, dentro do menu do display, a cadeia de
comandos "Realce - [Imagem] Linear 0-255". (NOTA= Use essa opção se a imagem for
em Byte).
Dentro do menu do display 2 (imagem B), acesse a cadeia de comandos "Realce - Ajuste
de Histograma".
Observação: Recomenda-se que a imagem que recebeu o histograma (no nosso caso, a
imagem B) seja colocado por baixo no mosaico (importar ela como primeira imagem na
ferramenta de mosaico).
Use esta função para construir a orientação interna da aerofoto, fornecendo parâmetros
da câmara e relacionando com as marcas fiduciais e distância focal, enfim, como diz o
nome, aqui o usuário trabalha com os parâmetros internos da foto.
• Abra no display da janela gráfica uma aerofoto em formato digital.
Agora, o arquivo .ort foi alterado , nele foi inserido os parâmetros da orientação externa da
aerofoto. O usuário pode facilmente visualizar esse arquivo através do bloco de notas do
Windows ou um editor qualquer do Linux, Unix ou Macintosh . Abrindo esse arquivo, o
usuário verá todos os parâmetros que foram gerados através dos procedimentos Na
orientação interna, o ENVI faz uma transformação afim e calcula os seis parâmetros da
Quando surgir a janela “Orthorrectification Bounds”, entre diretamente com o valor mínimo
de elevação de seu DEM ou use uma das opções para o cálculo automático. Logo após,
clique em “ok”;
“DEM Resampling” - Defina o método reamostragem que será usado para determinar os
valores de pixel numa versão da imagem de elevação calculada internamente que
apresenta a mesma orientação e tamanho de pixel da imagem IKONOS.
“Save Computed” DEM - Opte por armazenar ou não armazenar o DEM computado
clicando no botão de alternância de funções (NO/Yes).
“Change Proj...” - acessando este botão você poderá mudar a projeção de saída da
imagem ortorreticada caso desejar.
Obs.1: o processo de ortorretificação pode levar alguns minutos para ser finalizado, pois o
tempo de execução esta diretamente relacionado com a configuração de sua máquina.
Portanto, mantenha o seu equipamento atualizado para que suporte um grande volume
de processamento de dados (imagens). Após o processamento o arquivo da imagem
ortorretificada, automaticamente, aparecerá na caixa de lista de bandas disponíveis.
• Em “Project – Add New Projection” o usuário pode definir uma nova projeção, desde
que sejam fornecidos os parâmetros pedidos.
Vantagens Desvantagens
Menor chance de distorções Altera o valor original dos níveis de cinza
geométricas
Computação rápida Requer maior número de cálculos para determinar o
valor de cada pixel da imagem corrigida (fator 3-4 em
comparação ao método de vizinho mais próximo)
Mais suave, menos informação geométrica !
No método do vizinho próximo, todo pixel na imagem registrada recebe o nível de cinza
do pixel mais próximo na imagem original. O nível cinza a ser atribuído ao pixel Z terá o
mesmo nível cinza do pixel que se encontrar mais próximo da posição ocupada por Z.
Todo pixel na imagem registrada recebe o valor médio dos quatro pixels que lhe são mais
próximos na imagem original.
Vantagens Desvantagens
Maior precisão geométrica que (a) Imagem mais suave com menos informação
geométrica
Não se formam descontinuidades Requer maior número de cálculos para determinar o
valor de cada pixel da imagem corrigida
Altera o valor original dos níveis de cinza
Tempo de computação (fator 3-4 em comparação ao
método de vizinho mais próximo)
O novo nível de cinza é definido como a combinação linear dos níveis dos 16
pixels envolvidos.
Projeção azimutal polar conforme com uma escala constante de 0,994 e a direção do
paralelo norte da quadrícula para o meridiano de Greenwich. Esta projeção procura
manter um sistema uniforme de coordenadas plano-retangulares para as regiões não
cobertas pelo sistema UTM.
As Zonas de Grid entre C e X (sem I ou O) existem, mas são válidos somente para
a projeção UTM !
Projeção que se realiza mediante a projeção dos meridianos e paralelos geográficos num
cilindro tangente (ou secante) a uma esfera, e após o desenvolvimento deste cilindro num
plano.
• Os espaços dos paralelos não precisam ser iguais aos dos meridianos !
A projeção UTM divide a terra em 60 zonas UTM listadas a seguir. As zonas são
determinadas em 6 graus longitudinais. O meridiano central encontrar-se no meio da zona
UTM. O equador representa a referência para todas zonas.
Zona Intervalo Meridiano Zona Intervalo Meridiano
UTM da Zona Central UTM Zona Central
As zonas UTM dividem a terra em colunas de oeste para leste. Além disso, cada zona
pode ser dividida em colunas de sul para norte.
Zonas de Intervalo Zonas de Intervalo
C 80S - 72S N 0N - 8N
M 8S - 0N X 72N - 84N
As zonas de grid A, B, Y, e Z existem, mais não são válidas para a projeção UTM. Essas
são usadas para regiões polares (A and B para o polo Sul; Y and Z para o Polo Norte na
Projeção estereográfica polar (Universal Polar Stereographic - UPS).
Projeções cônicas são adequadas para a representação das áreas entre 30º e 60º ou
para áreas com grandes extensões latitudinais.
Projeção em que todos os meridianos geográficos são representados por linhas retas que
se encontram num ponto comum, fora dos limites do mapa, e em que os paralelos
geográficos são representados por uma série de arcos de círculos que têm aquele ponto
comum como centro. Os meridianos e os paralelos se cruzam em ângulos retos, e os
ângulos na terra são representados corretamente na projeção. Esta projeção pode ter um
paralelo-padrão ao longo do qual a escala permanece exata.
Tipo de projeção em que os meridianos são linhas retas que se encontram num ponto
comum além dos limites do mapa, e os paralelos são círculos concêntricos cujo centro se
situa no ponto de convergência dos meridianos.
Os coeficientes RPCs são calculados usando a técnica de fotogrametria digital que usa a
equação de colinearidade para reconstituir a geometria do sensor, onde o ponto relativo
ao objeto, a perspectiva central e o ponto na imagem estão todos num mesmo
alinhamento. A técnica envolve uma série de transformações que relacionam pixel,
câmera, espaço-imagem e sistema de coordenadas terrestres.
Para a ortorretificação de uma única imagem, a técnica inclui duas etapas de pré-
processamento com intuito de reconstituir a geometria do sensor: orientação interior ( na
qual transforma o sistema de coordenadas do pixel para o sistema de coordenadas da
câmera) e a orientação exterior (na qual é determinado os parâmetros de posição e
orientação angular associados à imagem). Uma vez calculado o modelo RPC, essa
informação é adicionada ao arquivo de cabeçalho da imagem de modo que você poderá
usá-lo como dado auxiliar para os procedimentos de ortorretificação de imagens e
extração de DEM’s ou emulação de projeção.
1. A partir da barra do menu principal do ENVI, selecione Map ->Build RPCs. A caixa de
seleção do arquivo de entrada aparecerá;
2. Selecione um arquivo de entrada: pode ser uma foto aérea escaneada, imagem aérea
digital ou imagem obtida por sensor em modo “pushbroom”. Clique em OK. A caixa de
diálogo “Build RPCs” aparecerá.
- Frame Camera
- Digital (Frame Central)
- Digital (Line Central)
- Pushbroom Sensor – imageamento a partir de qualquer sensor pushbroom (incluindo
ASTER, IKONOS, IRS-C, MOMS, QuickBird , SPOT , CBERS2..). Há a possibilidade
da inserção de pontos de controle. Esta possibilidade deve resultar numa maior
acurácia em relação a opção disponível através do menu Map -> Orthorectification do
menu principal do ENVI. Isto porque são usados GCPs (ao invés das efemérides) para
calcular os RPCs. A geração do modelo RPC depende sobre tudo da quantidade,
acurácia e distribuição dos pontos de controle GCPs.
Os campos referente aos parâmetros necessários para a geração do modelo RPC diferem
em função do tipo “Type” de câmara selecionada. Abaixo segue um exemplo relativo aos
sensores pushbroom.
Pushbroom Sensor
2. No campo “Focal Length (mm), entre com a distância focal da câmera ou sensor (ver
Tabela 1);
4. Entre com a dimensão do pixel em x e y através dos campos “X Pixel Size (mm)” e “Y
Pixel Size (mm)” (ver Tabela 1);
5. Nos campos “Incidence Angle Along Track” e “Incidence Angle Across Track” entre
com os valores dos ângulos incidentes (ver Anexo I);
Obs.: estes parâmetros somente são aplicados aos sensores “pushbroom” e assumem
diferentes valores dependendo tipo de sensor.
O ângulo incidente ao longo da trajetória “along track incidence angle” é dado em graus e
representa o valor angular entre a posição vertical do satélite e a direção de sua visada
dianteira ou traseira.
O ângulo incidente transverso à trajetória “across track incidente angle”, também é dado
em graus e representa a abertura angular entre a posição vertical do satélite e a direção
de sua visada lateral.
7. Defina a ordem de polinômio requerido para XS, YS, ZS, Omega, Phi e Kappa.
• 0 – o parâmetro é considerado constante para toda a imagem;
• 1 – o parâmetro possui uma relação linear com as coordenadas Y da câmera, por
exemplo: XS(i) = a0 + a1yi
• 2 – o parâmetro é modelado usando um polinômio de segunda ordem, por exemplo :
XS(i) = a0 + a1Yi + a2(Yi)2
Obs.: o valor padrão é 1 para todos 6 parâmetros de orientação exterior. Quanto maior for
o grau do polinômio, maior é a quantidade de pontos de controle exigidos. Geralmente,
um polinômio de segunda ordem somente é necessário em situações em que há variação
não linear da orientação exterior entre as linhas do sensor (situação característica de
uma rota de vôo instável).
9. Se você quiser refinar o erro RMS do modelo de orientação exterior, clique em “Select
GCPs in Display”, novamente. Você pode adicionar mais GCPs ou eliminar os GCPs
que apresentam maior erro.
ANEXO I
ASTER: você pode inserir o valor 0.0 para ambos parâmetros, entretanto para a banda
3B, no parâmetro “along track incidence angle”, você deve inserir o valor –27.6 graus
(para órbita descendente) ou 27 graus (órbita ascendente) e no parâmetro “across track
incidente angle” insira o valor 0.0 graus.
Onde,
IRS-1C/1D: insira 0.0 para o parâmetro “along track incidence angle” e para o parâmetro
“across track incidente angle” selecione o valor de acordo com a entrada do ângulo de
visada “Input view angle (Deg)” do arquivo auxiliar (leader file).
SPOT: os ângulos incidentes estão disponíveis no arquivo leader file (CAP format) ou
XML metadata file (DIMAP format).
Para os sensores SPOT-1 ao SPOT-4, você pode inserir 0.0 para o “along track incidence
angle”, visto que esse tipo de visada não é disponível. Para o SPOT-5, o arquivo
metadata XML contém o valor “along track incidence angle” na tag
<INCIDENCE_ANGLE> e o valor “across track incidente angle” dado pela tag
<VIEW_ANGLE>.
Para os dados no formato CAP, o ângulo incidente é dado por um byte offset 453-468
dentro do arquivo de cabeçalho. Você pode usar um editor de texto para visualizar o
header.
O formato para o ângulo incidente é <X>AA.A, por exemplo, L12.7 ou R18.1. Se o prefixo
é L , insira o valor com sinal negativo. Se o prefixo é R, insira o valor com sinal positivo.
Para demais sensores vide documentação associada a imagem
E: Transformações
1. Razão de Bandas
Basicamente dois são os motivos que justificam o uso da razão de bandas para realçar
detalhes de uma cena:
Logo, a razão entre TM4 e TM3 para a vegetação deverá ser bem maior que para o solo,
que por sua vez será maior do que para a água. Portanto, é de se esperar que na imagem
de razão de bandas TM4/TM3, a vegetação apresente regiões mais claras, o solo um
nível de cinza intermediário e a água uma tonalidade escura. Portanto, numericamente
teremos:
Razão_veg >> 1
Razão_solo > 1
Razão_água < 1
Ou seja:
NIR A / R A ≅ NIR B / R B
Normalmente são utilizadas as bandas 1 (R) e 2 (NIR) do sensor AVHRR (Advanced Very
High Resolution Radiometer) a bordo do satélite NOAA. O NDVI, pelo fato de trabalhar
com diferenças entre bandas, seria mais apropriado que a razão simples quando se quer
comparar dados de épocas diferentes, sofrendo uma menor influência das variações de
condições atmosférica na aquisição das imagens (Matter, 1987).
A técnica de razão de bandas é também útil para se discriminar minerais e rochas, e com
o advento dos sensores hiperespectrais (AVIRIS, MODIS e ASTER), os resultados
tornaram-se mais apurados.
Já o sensor AVIRIS, por exemplo, possui 224 bandas (contra 7 do TM), na faixa de 0,4 a
2,5 nm, com uma resolução espectral de 10 nm.
A geração de imagens razão de bandas no ENVI é simples.
• No menu principal, clique em Transformações" e depois selecione "Razão de
Banda".
• Aparece uma janela onde você escolhe a banda que ficará no numerador e
denominador dar divisão.
• Após a fixação da escolha do arquivo, com um clique no botão "OK", surge a caixa
de diálogo para a escolha do arquivo de parâmetros estatísticos (extensão .sta).
Uma vez escolhido o arquivo de parâmetros estatísticos, surge a caixa de diálogo "Inverse
PC Rotation Parameters", em que são definidos a área de gravação do arquivo de saída
(arquivo ou memória), o nome do arquivo e o tipo dos dados. Os nomes dos arquivos das
imagens resultantes da transformação inversa são relacionados na lista de bandas
disponíveis, a partir da qual podem ser escolhidas para visualização em tons de cinza ou
em composições coloridas RGB.
4. Merge de Imagens
4.1. Fusão pancromática / Multiespectral por IHS
Ferramenta usada para a fusão automática de uma composição colorida de baixa
resolução espacial a uma imagem em tons de cinza de alta resolução. A imagem colorida
é convertida para o sistema HLS e a componente L é substituída pela imagem de alta
resolução. A nova imagem é revertida ao sistema RGB numa composição colorida
realçada. As imagens originais devem estar georreferenciadas ou, se não estiverem, ter
as mesmas dimensões.
O realce por decorrelação requer a entrada de três bandas, que podem ser selecionadas
a partir de uma composição colorida que esteja sendo visualizada ou da lista de bandas
disponíveis. A caixa de diálogo de entrada de dados (“Decorrelation Stretch Input”)
relaciona as janelas de visualização abertas e a própria lista de bandas disponíveis.
Selecione uma janela de visualização cujas bandas deseja-se realçar ou faça a escolha
na lista de bandas disponíveis. Caso a escolha recaia sobre uma das janelas de
visualização, as bandas da composição RGB são automaticamente relacionadas como
entrada para a decorrelação na caixa de diálogo de parâmetros de decorrelação
(“Decorrelation Stretch Parameters”).
Por outro lado, caso a escolha recaia sobre a lista de bandas disponíveis, surge a caixa
de diálogo de entrada de bandas (“Decorrelation Stretch Input Bands”), que possibilita a
• Basta clicar no botão “Spatial Subset” e entrar com os dados de interesse. Por fim,
clique no botão “OK” para fixar as escolhas e seguir para a caixa de diálogo de
parâmetros de decorrelação (“Decorrelation Stretch Parameters”).
6. Realce de saturação
Tornou-se possível ampliar automaticamente a faixa de saturação para realçar
composições RGB. Converte-se a composição para o sistema HSV, amplia-se a faixa de
saturação e reverte-se para o sistema RGB.
O ENVI possui a ferramenta de transformação de sistema de cores RGB para HSV (Ou
IHS) de uma composição colorida.
• Vai aparecer a janela HSV to RGB Input Bands. Selecione as bandas desejadas e
clique em OK.
Tonalidade
A tonalidade refere-se ao brilho dos objetos que compõem a cena. Os tons estão
relacionados às propriedades de reflexão dos materiais em superfície e dependem da
porção do espectro electromagnético coberto pelas imagens consideradas.
Textura
Contexto
O contexto refere-se aos detalhes como tons, texturas e padrões (que são arranjos de
tons e texturas), os quais devem ser considerados em relação a atributos conhecidos do
terreno.
Na parte seguinte, vão ser apresentados os modelos mais usados no tratamento digital
das imagens de satélite.
Com a variação da quantidade relativa das cores primárias, uma enorme gama de cores
pode ser produzida, se incluir diversos tons a cada uma delas.
Como vimos anteriormente, reforçado pela Figura E-11, a vegetação tem alta resposta
espectral na banda 4 do TM. Vamos ver
como aparece a vegetação em duas
composições RGB (TM3-TM2-TM1 e
TM4-TM2-TM1):
A cor C pode ser plotada no espaço de cores RGB usando-se os coeficientes de mistura
(r,g,b) como coordenadas. Os eixos do espaço de cores RGB são linhas de cores
primárias puras, que aumentam em intensidade com a distância da origem.
A origem é representada pelo preto (valor mínimo: 0, 0, 0), estando a cor branca situada
na sua diagonal (valor máximo: 255, 255, 255). Diferentes tonalidades de cinza serão
produzidas se quantidades iguais das cores primárias forem misturadas (r=g=b). Portanto,
a diagonal tracejada entre o preto e o branco representa o chamado eixo cinza ou eixo
acromático (Crósta, 1993, p. 60). Nessa linha, os valores r, g, b são proporcionalmente
iguais. Nos três planos em que uma das cores é igual a 0, estão representadas todas as
cores que podem ser obtidas ao se misturar apenas duas primárias e, particularmente, as
cores formadas por quantidades iguais delas (ciano, magenta e amarelo).
pureza também está relacionada com a quantidade de cor branca presente na mesma.
Quanto ao brilho, ele nos dá a noção, de maneira geral, de quão iluminada está a imagem
naquele momento. Ou então, em termos mais apropriados ao sensoriamento remoto, uma
noção da resposta espectral de um objeto em uma dada banda de um sensor orbital ou
aerotransportado.
Por fim, o matiz (H) é o ângulo formado pelos segmentos de reta que ligam P a Pe e Vve
a Pe, onde Vve é notado como o vértice correspondente ao vermelho. No sentido anti-
horário, partindo de Vve. Detalhes do procedimento da função no capítulo 7 deste mesmo
guia.
Após, os valores de matiz (H), saturação (S) e intensidade (V) são obtidos por meio das
igualdades dadas abaixo:
Onde 0 ≤ S, V ≤ 1 e 0 ≤ H ≤ 2π
A transformação inversa inicia-se pela escolha do ângulo do matiz no intervalo [0 360]. (R,
G, B) = (L, L, L), quando S = 0 e H não é definido.
O espaço de cores conhecido por IHS (Intensity, Hue, Saturation) é uma forma alternativa
ao espaço RGB de representação de cores. As cores são definidas pelos atributos de
intensidade ou brilho, matiz e saturação. Esses atributos podem ser analisados e
manipulados individualmente, ao contrário do sistema RGB, onde eles são
intrinsecamente interligados (Crósta, 1993, p. 67).
O espaço IHS pode ser graficamente representado como um cone e usa coordenadas
cilíndricas polares para representar as cores, ao invés de coordenadas cartesianas como
o sistema RGB. O vértice do cone IHS representa o preto, enquanto o seu eixo coincide
com o eixo acromático. A intensidade aumenta em sentido contrário ao do vértice. Uma
seção circular do cone mostra a variação de matizes ao redor de perímetro. A saturação
aumenta para fora do centro, passando de cinza para tons pastéis e destes para matizes
espectrais puros.
Intensidade
Matiz
→ medida do comprimento de onda médio da luz que ele reflete ou emite define a cor do
objeto
Matiz TM DN
o
0 Verde 0
o
120 Vermelho 85
o
240 Azul 170
o
360 Verde 255
Saturação
baixo valor de saturação → na imagem TM, mistura de comprimentos de onda (tons pastéis).
u* = 13L*(u - u0 )
v* = 13L*(v - v0 )
Logo, x + y + z = 1, ou seja, z = 1 - x - y
Após, os valores de matiz (H), saturação (S) e intensidade (V) são obtidos por meio das
igualdades dadas abaixo:
Onde 0 ≤ S, V ≤ 1 e 0 ≤ H ≤ 2π
F: Classificação
A classificação de objetos ou fenômenos é feita pela escolha das características que os
descrevem para diferenciá-los entre si. Na definição matemática, usa-se o espaço de
atributos ("feature space"), que é essencial para se entender como funciona a
classificação de imagens multiespectrais. No processamento digital, a cada eixo desse
espaço são atribuídos os níveis de cinza de uma determinada banda espectral.
1. Classificação não-supervisionada
1.1. Isodata
Vantagens Desvantagens
Não requer um conhecimento prévio O usuário tem pouco controle sobre a
da área de estudo separação entre classes.
Determinação do número de classes.
Número de classes
1.2. K-Means
critério estará alcançado. Para maiores detalhes técnicos, consulte a bibliografia “Tou, J.
T. and R. C. Gonzalez, 1974. Pattern Recognition Principles, Addison-Wesley
Publishing Company, Reading, Massachusetts”.
Figura F – 2 : Caixa de
diálogo dos parâmetros da
classificação K-Means
2. Classificações supervisionadas
O princípio de classificação supervisionada é baseado no uso de algoritmos para se
determinar os pixels que representam valores de reflexão característicos para uma
determinada classe. A classificação supervisionada é a mais utilizada na análise
quantitativa dos dados de sensoriamento remoto.
1. Definição das classes nas quais a imagem vai ser dividida (por exemplo: água,
floresta, floresta degradada, agricultura, pasto, áreas urbanas, solo puro, rochas).
Ferramentas de auxílio: Dispersograma Bi-dimensional (Tutorial B), Visualizador
N-Dimensional (Capítulo 3)
4. Homogeneização do
resultado de Figura F –3: Exemplo de valores de cinza em todas as bandas
do sensor LANDSAT TM (Gegg, 1989, p. 16).
classificação com
passos de filtragens,
tais como aglutinação ("clump") e peneiramento ("sieve").
A Figura F-3 mostra que um pixel é caracterizado por um nível de cinza próprio em cada
banda disponível.
Todos os pixels dentro de uma área de treinamento para uma dada classe constituem o
chamado conjunto de treinamento para aquela classe (Crósta, 1993, p. 115). A Figura
F-4 descreve os passos de uma classificação automática. O resultado final é uma imagem
de uma só banda. Para facilitar a interpretação visual, deve-se colorir o resultado da
classificação.
2.1. Método do paralelepípedo
O método do paralelepípedo considera uma área no espaço de atributos ao redor do
conjunto de treinamento. Essa área tem a forma de um retângulo, definindo os níveis de
cinza máximo e mínimo do conjunto de treinamento. Os lados desse retângulo, que inclui
uma classe própria, chamam-se os limites de decisão dessa classe. Os pixels que
excedem os limites de decisão, como os pixels nas áreas de inseparabilidade,
apresentam problemas na sua distribuição em uma classe (Figura F-5). A correlação
normalmente existente entre bandas vai causar uma distribuição ao longo da reta de 45º
no espaço de atributos e os limites de decisão vão sempre abranger alguns pixels não
pertencentes à classe (Crósta, 1993, p. 117).
• Clique com o botão direito do mouse sobre a imagem e selecione a opção “ROI
Tool..” no menu de atalho
Ao mesmo tempo, a região aparece sobre a imagem associada, na cor escolhida. Repita
esse passo para cada classe que se deseje implementar no algoritmo de classificação. O
nome do arquivo de saída deve ter extensão .roi.
Tabela 1. Aplicações das bandas do LANDSAT 5 (Lillesand & Kiefer, 1979, p. 567).
Comprimento de
Banda Espectro Aplicações
Onda
- Boa penetração na água (mapeamento do
TM 1 azul (VIS) 0,45 - 0,52
litoral) Distinção solo / vegetação
- Reflexão máxima no espectro verde-
TM 2 verde (VIS) 0,52 - 0,60
Determinação da vitalidade da vegetação
- Absorção alta de clorofila
TM 3 vermelho (VIS) 0,63 - 0,69 - Distinção solo / vegetação
- Diferença dos tipos de trigo
- Reflexão alta da vegetação
TM 4 NIR 0,76 - 0,90 - Determinação da massa orgânica
- Distinção terra / água
- Absorção mínima da água
- Determinação do conteúdo de água no solo
e na
TM 5 MIR 1,55 - 1,75
- Vegetação
- Distinção nuvem / neve
- Aplicações geológicas
- Determinação de temperatura e umidade
das superfícies terrestres
TM 6 TIR 10,4 - 12,5
- Análise de "stress" da vegetação
- Distinção cidade / campo
- Aplicações geológicas
- Diferença entre os minerais e rochas
TM 7 MIR 2,08 - 2,35
- Determinação do conteúdo de água no solo
e na vegetação
• Selecione a cadeia de
comandos “Classificação
– Supervisionada –
Paralelepípedo ".
Definição de máscara
Tornou-se possível a eliminação de áreas específicas dos processos de classificação por
meio de imagem-máscara (ver Cap. Ferramentas).
• Note que os passos da classificação são os mesmos que foram apresentados para
classificação no método de paralelepípedo. A única diferença encontra-se na caixa
de diálogo de definição dos parâmetros, onde pode-se determinar um erro de
distância máxima a ser aplicado para classificar a imagem.
• Use o mesmo arquivo de região de interesse que foi usado anteriormente para a
classificação por paralelepípedo e inicie a classificação pela distância mínima.
Examine as estatísticas das regiões de interesse para determinar o desvio padrão
e o erro de máxima distância.
Sendo x o vetor correspondente ao um pixel nas N classes envolvidas, o vetor médio dos
pixels pertencentes a uma classe é dado por:
Cada amostra de treinamento é representada por pixels com reflexão característica e vale
como área de referência dos níveis de cinza da classe. O resultado do Maxver é melhor
quanto maior o número de pixels numa amostra de treinamento para implementá-los na
matriz de covariância. Se os tamanhos das amostras de treinamento para as classes é
limitado, recomenda-se um método de classificação mais simples e rápido, que não use
uma matriz de covariância (p.ex.: método da distância mínima ou do paralelepípedo).
Nas classificações em que se usa o algoritmo Maxver, cada classe é determinada por um
modelo de classes normal e multivariado. Este modelo toma conta das extensões de
dados em direções espectrais determinadas.
Crósta (1993, p. 123) considera que o método Maxver deve ser aplicado quando o
analista conhece bem a imagem a ser classificada, para que possa definir classes que
sejam representativas.
Esta técnica possui a grande vantagem de os espectros ("endmembers") não serem muito
sensíveis aos efeitos da iluminação e do albedo. Arquivos em formato ASCII, curvas
Banda I
Material A
Ângulo
Espectral
Material B
Banda J
Figura F –8: Exemplo de SAM bidimensional.
de máxima distância.
Note que as regiões de interesse também podem ser extraídas pelos dispersogramas
bidimensionais e pelo Visualizador n-dimensional. Arquivos de polígonos no formato
ASCII e curvas espectrais da biblioteca espectral também podem ser usados como
entrada de classificação.
Selecionar os dados
Depois que os níveis de cinza das regiões de interesse são carregados, aparece a caixa
de diálogo de controle do visualizador de n-dimensional,
junto com o visualizador n-dimensional
• Clique no botão "Export All" para gravar todas as regiões de interesse criadas.
Abra a caixa de diálogo de região de interesse para gravar as regiões escolhidas e
verifique as estatísticas.
Estatísticas de classes
C 5 1 41 47 12.8 87,2
Temos aqui três classes de interesse (A, B e C). A matriz de confusão restringe-se às
linhas e colunas referentes às classes A, B e C. Os componentes da diagonal principal da
matriz de confusão fornecem o número de pixels corretamente classificados para cada
classe correspondente. Por exemplo, para a classe B, no mapa temático foram
corretamente classificados 37 pixels.
Uma das vantagens alegadas para uso do kappa é de que ele incorpora a informação dos
pixels mal classificados, e não apenas dos bem classificados como a exatidão global.
onde,
Σ representa o somatório em cada linha e coluna;
γ é o número de linhas e de colunas;
N é o número total de pontos, o somatório de toda a matriz;
onde
Vamos agora, modificar um pouco a nossa matriz de confusão original, com o intuito de
fixar que o kappa realmente pode ser, geralmente, considerado um avaliador mais
adequado.
C 5 3 35 43 18,6 87,4
Ao diminuir a exatidão das classes B e C, a exatidão global passou para 75%, uma queda
de aproximadamente 10,8%. Já o kappa agora vale k = 0,626, uma diminuição de cerca
de 19,3%. Portanto o kappa é sensível não só a perda de acurácia global como um todo,
mas também as variações dos erros de omissão e de inclusão, que ficaram maiores nas
classes B e C.
a b
Após definir os parâmetros de saída da matriz de confusão o ENVI irá gerar uma tela com
todas as informações acerca da mesma (Figura F-16).
5. ClassEdit
Esse capítulo contém uma descrição do aplicativo ClassEdit, uma das rotinas que
usuários do ENVI + IDL / ENVI podem descarregar da nossa página de Programas
Especiais ( em www.envi.com.br , com os seguintes tópicos:
• Introdução
• Modos de Visualização
• Modo Básico de Operação
• Definição de Áreas de Interesse
• Opções de Reclassificação
• Descrição dos Menus
Introdução
Modos de Visualização
Após o fechamento dos diálogos iniciais aparece uma janela com os seguintes elementos
gráficos:
Embaixo da imagem reamostrada aparece uma lista das classes da imagem classificada,
com cor, nome e conteúdo da classe (com slider, caso tiver mais de 5 classes). No canto
inferior direito tem os botões para a definição das áreas de interesse, e uma indicação da
posição atual do cursor, da classe (só para imagem principal), e posição geográfica caso
a imagem original é georreferenciada.
Existem muitos modos de visualização para a janela principal (veja abaixo); a imagem
reamostrada sempre aparece com a combinação de bandas escolhida na inicialização do
ClassEdit, após aplicado um realce linear de 2%.
Aparece também uma pequena janela no canto superior direito da tela (em geral
escondido atrás da janela principal com o botão "->ENVI"; esse botão preserva a tabela
de cores dos aplicativos e só tem importância para quem tem uma configuração do
display de apenas 256 cores (desaconselhável para trabalho com imagens de satélite).
Neste caso deve-se usar este botão para restabelecer as tabelas de cores do ENVI, caso
o usuário queira trabalhar no ENVI sem sair do ClassEdit antes.
O ClassEdit foi otimizado para que essa mudança entre "classes ligadas" e "classes
desligadas" possa ser efetuada com bastante agilidade, permitindo desta forma a
avaliação simultânea da imagem e do resultado de classificação.
Opções de Reclassificação
2. Traçando um polígono ao redor dos pixels, e associando uma nova classe à todos
os pixels dentro do polígono ("Expandir classe").
Nos primeiros dois métodos o usuário apenas escolhe a nova classe a ser associada à
todos os pixels no polígono. No terceiro método aparece uma janela oferecendo as
seguintes opções:
• Redistribuir classe: Aqui o usuário pode definir quais a(s) classe(s) que serão
afetadas pela redistribuição (os números têm que ser separados por espaço,
vírgula ou ponto-e-vírgula). No exemplo acima seriam escolhidos os pixels das
classes 2,4,5 e 6 .
• para: Aqui consta a nova classificação dos pixels selecionados. No exemplo acima
o destino final dos pixels selecionados (aqueles que resolvem todas as condições)
seria a classe 3.
• com área menor que (m2): Neste campo o usuário pode definir um limite para as
áreas a serem modificadas. Só áreas contínuas menores do que o limite indicado
Normalmente, o resultado de uma classificação é uma imagem com muito ruído, causado
por pixels isolados ou poucos pixels atribuídos a diversas classes, que ocorrem próximos
a áreas homogeneamente classificadas (Crósta, 1993, p. 129). Assim, é bastante comum
ao se fazer a homogeneização do resultado da classificação em áreas de topografia
acidentada, uma vez que os efeitos causados por áreas sombreadas e iluminadas são
extremamente variáveis. Outro efeito é provocado por áreas em que os pixels contêm
uma mistura de duas ou mais classes (pixels impuros).
A classe de áreas urbanas (“cidade”) é conhecida como a que se mistura com quase
todas as outras classes. Por exemplo: depois da colheita, os terrenos agrícolas ficam
caracterizados por uma reflexão semelhante a de solos puros ou, principalmente, de
áreas urbanas. Esse fato explica a ocorrência de pixels da classe “cidade” na classe
“agricultura” ou “solos puros”.
Por vezes, os pixels da classe “cidade” aparecem na classe “floresta”. Isso ocorre quando
o usuário define amostras de treinamento na classe “cidade” para áreas residenciais
densamente arborizadas. Além disso, aparecem, algumas vezes, pixels da classe
“cidade” em margens de rio ou no mar, especialmente em águas com alto conteúdo de
material em suspensão. O algoritmo da classificação distribui esses pixels na classe
“água”, porque essas partes fornecem uma informação espectral parecida como a da
classe “cidade” (densa).
• Teste vários tamanhos de máscara. Digite Figura F-19: Caixa de diálogo dos
o nome do arquivo de saída e clique o parâmetros da matriz de convolução
botão ‘OK’. do filtro da mediana.
• Aparece a caixa de diálogo “Band Math”. Digite clas_add (b1,b2) na caixa de texto
entitulada “Enter an expression”.
Processamento Neural:
O processamento de uma rede neural pode ser dividido em duas fases:
Aprendizado:
Processo pelo qual os parâmetros livres (pesos sinápticos) de uma rede neural são
adaptados através de um processo contínuo de estimulação pelo ambiente.
Existem 3 tipos básicos de aprendizado:
1 Treinamento Supervisionado;
2 Treinamento Não-supervisionado;
3 treinamento em "Batch".
Recuperação de Dados:
Assumindo que um conjunto de padrões tenha sido armazenado, a Rede Neural pode
executar as seguintes tarefas:
• Auto-associação;
• Hetero-associação;
• Classificação.
No caso da classificação a rede neural responde com a informação relativa às classes a
qual o padrão de entrada pertence.-> Caso especial de Hetero-associação. Ex: Padrões
de entrada com ou sem ruído .
Use “Neural Net” ,disponibilizada a partir do ENVI 3.6, para executar classificação através
de estruturas de interconexão feed-forward de múltiplas camadas. A rede feed-forward
consiste em uma ou mais camadas de processadores cujo fluxo de dados possui, sempre,
uma única direção, isto é, não existe realimentação. Com base nos estudos já realizados,
pode-se afirmar que os tipos de redes neurais mais adequados são as redes
multicamadas do tipo "feed-foward" com método de aprendizagem supervisionado. A
técnica de rede neural utiliza-se do modelo de algoritmo “backpropagation” (retro-
propagação) para a aprendizagem supervisionada.
Como a maioria das aplicações utilizam o algoritmo de backpropagation ou suas variantes
para treinamento destas redes. Pode-se dizer que o algoritmo de backpropagation é uma
generalização do algoritmo do método dos mínimos quadrados, que utiliza técnicas de
gradiente descendente interativo para minimizar uma função de custo igual a diferença
média quadrada entre a saída desejada e a saída real da RNA.
Você deve primeiramente definir as ROIs para usa-las como amostra de pixels para cada
classe. Quanto mais pixels compor uma amostra, melhor serão os resultados obtidos. ,
3 - Ao selecionar o arquivo desejado clique em “ok”, surgirá, então, a janela “Neural Net
Parameters”;
4 - Selecione as amostras das classes clicando nos nomes das ROI´s na lista de seleção
de classes por região (Select Classes from Regions);
9 - No campo “Training RMS Exit Criteria”, a seu critério, entre com um valor do erro RMS
para o qual o treinamento deverá parar.
Obs.1: Caso o erro RMS, que é mostrado durante a execução do treinamento, ficar
abaixo do valor limite o treinamento parará ;
10 - No campo “Number of Hidden Layers” entre com o número de “layers” internos. Para
uma classificação linear, entre com o valor “0”. No caso de uma classificação não linear
defina valores a partir de “1”.
13 - Opcionalmente você pode selecionar uma saída para o arranjo de imagens que
representam cada classe, selecionando o botão de alternância “Yes/No” no campo
“Output Rule Images”;
14 - Clique no botão “ok” para iniciar a execução da classificação de Rede Neural “Neural
Net”. Surgirá uma janela de “status” informando o progresso da operação. Durante o
treinamento é apresentado, também, um gráfico informando o erro médio quadrado RMS
para cada interação.
Dica : Caso o RMS estiver oscilando sem apresentar sinais de convergência , tente
atribuir um valor menor para a taxa de treinamento “Training Rate” ou ROIs diferentes.
O resultado da classificação por redes neurais aparecerá na caixa de lista de bandas
disponíveis “Available bands List” quando o processamento estiver encerrado.
5. Clique sobre o novo nó, informe um nome, determine uma nova expressão e clique
em “ok” para aceitar;
Para executar e editar interativamente uma classificação por árvore de decisão siga as
seguintes instruções:
Obs.3: Você, também, pode alterar a cor e o nome da cada classe, clicando sobre o
nó da classe e informando um novo nome e uma nova cor na caixa de diálogo de
edição de classe “Edit Class Properties”;
Você pode adaptar o SVM para que ele atue como um classificador não linear através do
uso de funções “kernels” não lineares. Ainda que o SVM seja um classificador binário na
sua forma mais simples, ele pode funcionar como um classificador multiclasses, através
da combinação de vários classificadores binários SVM.
A classificação SVM inclui o parâmetro de penalidade “penalty parameter” que controla a
concessão entre os erros de treinamentos permissíveis e o limite rígido das margens,
gerando uma margem de tolerância entre classes. Dependendo do valor estipulado para o
“penalty parameter” é possível permitir que alguns pontos de treinamento estejam
situados no outro lado do hiperplano (veja figura 1 e 2 ).
Onde:
γ é o termo gama da função kernel para todos tipos de kernel, exceto linear.
d
refere-se ao termo do grau polinomial da função kernel do tipo polinomial.
r refere-se ao termo de inclinação da função kernel do tipo polinomial e sigmoid.
γ, d, e r são parâmetros controlados pelo usuário e a suas corretas definições
representam uma maior acurácia na solução do processamento SVM.
4. O Classificador SVM examina todos valores de ‘’rule image” para determinar os pixels
que excedem o parâmetro “reclassification probablility threshold”. As informações de
classe e probabilidade são associadas a estes pixels e armazenadas para serem
aplicadas, posteriormente, no resultado da classificação.
Antes de executar o processo, é preciso selecionar ROIs ou vetores para serem usados
como amostras de cada classe. Quanto maior a quantidade de pixels em cada amostra,
em geral, melhor serão os resultados.
1. A partir do menu principal do ENVI, selecione “Classification > Supervised > Support
Vector Machine”;
2. Selecione o arquivo de entrada e, opcionalmente, execute um subrecorte na imagem
ou clique em “OK” para processar toda a imagem;
3. Na lista “Select Classes from Regions”, selecione ao menos uma ROI e / ou vetor
como amostra de classe. A lista de ROIs é derivada a partir das ROIs disponíveis na
caixa de diálogo ROI Tool. A lista de vetores é derivada a partir de vetores carregados
na lista de vetores disponíveis. O número máximo de amostras são 16.
4. Selecione um tipo de função “Kernel” para ser aplicada no processo de maximização
da margem do hiperplano, a partir do menu em cascata “Kernel Type”. As opções são
Linear, Polynomial, Radial Basis Function (RBF), e Sigmoid. Dependendo da opção
selecionada, campos adicionais irão aparecer.
5. Se o “Kernel Type” for “Polynomial”, defina o grau do “Kernel Polynomial” “d” para ser
aplicado na classificação SVM. O valor mínimo é 1, o padrão é 2 e o máximo valor é 6.
6. Se o “Kernel Type” for “Polynomial” ou “Sigmoid”, especifique o grau de inclinação da
função kernel “r”. O valor padrão é 1.
7. Se o “Kernel Type” for “Polynomial”, “Radial Basis Function” ou “Sigmoid”, use o
parâmetro “Gamma” do campo “Kernel Function” γ. Este valor apresenta-se no
formato ponto flutuante com valores maiores que 0. O padrão é o inverso do número
de bandas relativo a imagem de entrada (1/num bandas).
8. Especifique o parâmetro de penalidade “Penalty Parameter” para o algorítmo SVM
usar. Este valor deve apresentar-se no formato ponto flutuante maior que 0. O
parâmetro de penalidade controla a concessão entre os erros de treinamentos
aceitáveis e o limite da margem do hiperplano . Quanto maior for o valor do parâmetro
de penalidade, mais rígido será gerado o modelo de separação entre classes, ou seja,
menor será a tolerância entre classes. O valor padrão é 100.
9. Use o campo “Pyramid Levels” para definir o número hierárquico de níveis piramidais
de processamento para serem aplicados durante o treinamento SVM e o processo de
classificação. Se este valor for 0 (valor padrão), o ENVI processa a imagem em
resolução completa, somente. O valor máximo é dinâmico, isto é, varia com o
tamanho da imagem selecionada. O máximo valor é determinado através do critério
de maior nível piramidal da imagem que considera dimensões superiores a 64 x 64.
Por exemplo, para uma imagem que possui dimensão de 24000 x 24000, o nível
máximo é 8.
10. Se o campo dos níveis piramidais for um valor maior que 0, especifique o valor do
campo “Pyramid Reclassification Threshold” referente a restrição de probabilidade
que um pixel, classificado num nível de resolução mais baixo, deva possuir para evitar
que venha a ser reclassificado num nível de resolução mais alto. O intervalo deve
variar entre 0 e 1. O valor padrão é 0.9.
11. Use o campo “Classification Probability Treshold” para definir a probabilidade
requerida para o classificador SVM classificar um determinado pixel. Os pixels onde
todas regras de probabilidade são menores que o valor de restrição serão
considerados como não classificados. O intervalo da restrição de probabilidade varia
entre 0 e 1. O valor padrão é 0.
12. Selecione uma saída para o resultado da classificação “File” ou “Memory”
13. Responda a pergunta “Output Rule Images?” através do botão seletor, caso você
deseja gerar ou não uma saída para as imagens de regra. As imagens de regra são
usadas para criar resultados de classificação intermediários antes da classificação
final. Você pode, posteriormente, usar as rule images através da função “Rule
Classifier” para criar uma nova classificação sem ter que recalcular a classificação
inteira;
14. Se você selecionar “Yes” para gerar as rule images, selecione uma saída em “File” ou
“Memory”;
15. Clique em “OK” para que o ENVI processe e adicione o resultado na lista de bandas
disponíveis. Se você selecionar a saída para as “rule images”, o ENVI criará uma rule
image para cada classe com os valores de pixel equivalentes a porcentagem (0-100%)
das bandas que combinam com essa classe. As áreas que satisfazem a restrição de
probabilidade mínima serão consideradas como áreas classificadas dentro da
imagem.
Figura F-23: Imagem Landsat – composição falsa cor Figura F-24:Classificação SVM – Imagem Landsat
G - Filtros
Todas as imagens possuem limites entre áreas com diferentes respostas em relação à
energia eletromagnética. Esses limites podem ocorrer entre diferentes coberturas do
terreno (solo, vegetação, rocha, áreas urbanas etc.) ou podem representar o contato entre
áreas com diferentes condições de iluminação, devido ao sombreamento topográfico. Em
uma imagem monocromática, esses limites representam, portanto, mudanças bruscas de
um intervalo de níveis de cinza para outro. Ao se plotar esses limites em um gráfico, eles
serão representados por um gradiente bastante acentuado, podendo chegar a vertical.
Limites deste tipo são conhecidos como bordas (Crósta, 1993, p. 76). As bordas ocupam
geralmente áreas pequenas na imagem, são estreitas e são chamadas feições de alta
freqüência (limites entre áreas sombreadas e iluminadas, redes de transporte, redes de
drenagem, estruturas geológicas e outras).
Por outro lado, os limites gradacionais variam mais uniformemente com a distância,
sendo, consequentemente, menos nítidos. São as chamadas feições de baixa freqüência
(áreas uniformes em imagens).
1. Filtros de convolução
Desvantagem: produz, muitas vezes, bordas artificiais, que podem confundir o intérprete.
(a) (b)
Este filtro é útil na detecção de bordas. Geralmente, a soma dos pesos da máscara é
igual a zero (Crósta, 1993, p. 85). Ele usa uma máscara com um alto valor central,
cercado de valores negativos nas direções N-S e E-W e o valor zero para os pesos da
máscara.
Desvantagem: produz, muitas vezes, bordas artificiais, que podem confundir o intérprete
Filtro N - S Filtro E - W
1 2 1 -1 0 1
0 0 0 -2 0 2
-1 2 -1 -1 0 1
Filtro NW - SE Filtro NE – SW
-2 1 0 0 1 2
-1 0 1 -1 0 1
0 1 2 -2 1 0
Desvantagem: produz, muitas vezes, bordas artificiais, que podem confundir o intérprete.
2. Filtros morfológicos
A filtragem morfológica é um método não-linear
baseado em uma forma ("shape"). Os filtros
morfológicos são utilizados para quantificar as
estruturas geométricas. O ENVI oferece várias
máscaras predefinidas para a filtragem
morfológica (figura G-5).
A abertura de uma imagem é definida como a erosão da imagem, seguida pela sua
dilatação, aplicando-se o mesmo elemento estrutural. Este filtro causa uma suavização
nos contornos de uma imagem, eliminando pequenos agrupamentos de pixels. O mesmo
resultado pode ser obtido usando-se sucessivamente os filtros de dilatação e de erosão.
3. Filtros de textura
Várias imagens contêm regiões que são caracterizadas por variações de luminosidade. O
filtro de textura refere-se às variações espaciais de tons da imagens como uma função de
escala. Especialmente para aerofotos, a aplicação de filtros da textura é recomendada.
Use o filtro “Occorrence Measures” para aplicar qualquer um dos 5 tipos disponíveis de
filtros baseados em medidas de ocorrência. Os filtros de ocorrência usam o número de
ocorrências de cada nível de cinza dentro da janela de processamento (vide figura G-6)
para o cálculo da textura
4 3 5
3 5 6
6 4 3
Pixels iniciais
3 5 6
Shift
5 6 3
4 3 6
Shift
0 0 2 1
2 0 0 0
0 0 0 2
1 1 0 0
Matriz de co-ocorrência
• Aparecerá a janela “Forward FFT Input File”. Selecione a banda desejada. e clique
em OK.
É recomendado que se use o filtro FFT banda por banda, e não na imagem inteira
Para não produzir resultados indesejáveis, o número de linhas e colunas da imagem
obrigatoriamente tem que ser par, já que a série de Fourier é uma série par.
Agora o usuário deverá definir as altas freqüências que serão eliminadas e as que
continuarão na imagem. O processo consiste em determinar com linhas, polígonos,
pontos, etc... veremos como funciona esse processo.
Acesse, dentro do menu da janela “Filter Definition”, a opção “Filter Type”. As opções
serão:
- Circular Pass/Cut
- Band Pass/Cut
- User Defined Pass/Cut
A diferença entre o “pass” e o “cut” é que o “pass” o usuário define, na imagem complexa,
as freqüências em que se deseja que permaneça na imagem, e no “cut” o usuário define
as freqüências que serão removidas.
O tipo circular define, na imagem complexa, nada menos do que um círculo entre ela
(Figura G-11).
a b
Todas as informações de alta freqüência contida na região hachurada serão excluídas (a)
e serão mantidas (b).
a b
Aqui o usuário define as freqüências que serão mantidas e removidas. Para isso, é
definido as áreas através da ferramenta de anotação (Annotation).
Defina, com polígonos, as freqüências em que se quer remover (Cut) ou manter (Pass).
4.2.4. Resultados
• Selecione, dentro do
menu principal, a
cadeia de comandos
“Filtros – Filtragem FFT
– FFT Inversa”.
• Aparecerá a janela
“Inverse FFT Input File”.
Selecione a imagem no
domínio da freqüência e
clique em OK.
• Aparece a janela
“Inverse FFT Filter File”
. selecione o resultado
do filtro e clique em OK.
Importante!!!
O processamento envolvendo
a filtragem FFT é um Figura G-13: Resultado de uma transformação de
processamento que utiliza a Fourier, usando o método “User Defined Cut”: Veja que o
memória RAM, portanto, como ruído desapareceu
se trata de um dado complexo,
o sistema precisa alocar 8
vezes o tamanho da imagem em Bytes para executar o processamento; caso não estiver
disponível memória RAM suficiente, o sistema pode , ou demorar muito (sistema Windows
NT/2000) ou até cair (Windows 95/98) por falta de memória virtual.
Há, no entanto, inúmeras outras aplicações que podem ser realizadas a partir de dados
vetoriais. O ENVI engloba uma série de recursos e ferramentas que possibilitam aos
usuários criar e manipular dados vetoriais de maneira eficiente e segura.
Na seção 3.3 do capítulo B deste guia, há uma descrição desses arquivos e de como abri-
los e convertê-los para o formato vetorial do ENVI (.evf).
A partir dos dados vetoriais desses arquivos, podemos obter algumas informações úteis,
tais como o perímetro e a área de uma região (polígono), a cota de uma curva de nível ou
de um pico de montanha, ou ainda a temperatura de uma isoterma; enfim, há um grande
número de informações que podemos obter através dos dados vetoriais. Estas
informações de que dispomos são denominadas atributos dos dados vetoriais.
Para mostrar como visualizar os atributos dos dados vetoriais, tais como localização
geográfica, cota em um ponto, etc., abrimos um arquivo de dados vetoriais que vem
instalado no diretório ~\envi40\data, contendo, além de outras informações, a localização,
o nome e o estado de algumas cidades norte-americanas. O arquivo que contém esses
dados está no formato ARCView Shape, denominado cities.shp.
• Para abrir selecione “Vetor – Abrir Arquivo de Vetor – ARCView Shape File” e vá
até o diretório onde se localiza o arquivo cities.shp, que está no CD 1 e no diretório
\envidata\esri_gis.
Aparece a janela Import ArcView Shape File Parameters, onde no campo Layer Name
há o nome camada ( layer ), cujo padrão é o próprio nome do arquivo selecionado. Pode-
se escolher na opção Output Result, se o resultado irá para um arquivo .evf ou para a
memória volátil (RAM) do computador. E também a
projeção a ser utilizada em Output Projection, onde
escolhemos para o exemplo a opção Geographic
Lat/Lon.
Se a opção Vector Information em Options estiver selecionada, será aberta uma janelinha
que - além da localização dos objetos - mostra também os atributos de cada objeto, o
perímetro e área em caso de objetos tipo polilinha/polígono (Figura H-5).
O asterisco (*) ao lado do nome do layer significa que essa camada está ligada - com
"Apply" serão atualizadas as caraterísticas dela conforme a definição em "Edit Layer".
O cursor fica sempre "guiado" pelas coordenadas do layer selecionado. Para mover o
cursor livremente faça um duplo-clique no layer selecionado (desaparece o asterisco, a
camada está desligada), ou clique em "Edit Layer" e a dupla flecha do lado do nome do
layer.
Um detalhe interessante é que estes arquivos de banco de dados podem ser visualizados
externamente pelo software de edição de planilha eletrônica Excel, da Microsoft Corp.
O termo operação lógica significa que é feita uma busca utilizando operadores lógicos -
maior do que, menor do que, igual a, etc. Isto é, se quisermos encontrar os estados com
mais de dez milhões de habitantes em 1996, a operação lógica correspondente é
POP1996 >10.000.000.
Antes de clicar no botão “start”, defina um nome, no campo “Query Layer Name”, para a
camada que receberá os objetos que irão se enquadrar ao critério de busca que será
estabelecido. De preferência um nome que lembre a operação lógica que foi realizada. No
exemplo, o nome escolhido é elev_gt_2000, onde elev se refere ao atributo ELEVATION
(elevação), e _gt_2000 simboliza a operação greater than 2000, isto é, maior do que
2000. É necessário ainda definir a saída em arquivo ou memória, por fim, clique no botão
“start”.
Aparece a janela “Query Condition” (Figura H7), onde no primeiro botão é escolhido a
atributo a ser pesquisado, enquanto que o segundo define operador lógico a ser utilizado.
Já no campo “Numeric Value” deve ser entrado o valor que será usado como critério na
operação booleana.
Os operadores listados são:
Maior do que - >
Maior ou igual a - >=
Menor do que - <
Menor ou igual a - <=
Igual a - ==
Diferente de / não igual a - !=
for maior do que 2000 e menor do que 3000, a operação booleana retornará valor
verdadeiro e a cidade com este atributo será incluída na camada.
O resultado pode ser visto na figura H8. Caso se deseja localizar uma cidade específica
no mapa, basta visualizar os atributos vetoriais do banco de dados. Para isso selecione
Options à View / Edit Attributes... e depois clique sobre o nome da coluna CITY_NAME e
a ordene em ordem alfabética com a opção Sort by Selected Column Forward em
Options.
Ao encontrar a cidade desejada, basta clicar sobre o número da linha correspondente que
a cidade será destacada no gráfico com a cor de Highlight atual.
Após carregar a camada na memória e definir em que janelas ela aparecerá e em qual
ficará ativa (Figura H-10), podemos finalmente
ver a sobreposição da camada sobre a imagem,
destacada em branco (Figura H-11).
Também é possível criar um novo banco de dados para um determinado layer, e para
isso, usaremos o nosso layer Pasto. Selecione, dentro da janela “#1 Vector Parâmenters”
, a cadeia de comandos “Options – Add Attributes” . Escolha o nome do atributo, também
escolha o tipo de variável dos dados e clique em Add Atributers . Depois, é só clicar em
OK.
Começamos mostrando a conversão de uma camada em uma ROI. Como dito no início
da seção anterior, a vantagem de realizar esta operação, reside no fato de podermos
realizar um processamento na região abrangida pelo dado vetorial. Processamento este
que vai deste a extração de atributos estatísticos até a aplicação de filtros.
• Então, primeiro crie uma nova camada, em que englobe apenas os polígonos
referentes às propriedades do proprietário gloria - RANCH == "gloria".
Assim como os dados raster são adequados para processamento digital, os dados
vetoriais em contrapartida são mais fáceis de editar. Logo, caso queiramos modificar
alguma ROI, por exemplo, é vantajoso convertê-la para uma camada, editar esta camada,
e convertê-la novamente para ROI.
Para converter uma ROI em dado vetorial selecione, dentro do menu principal, a cadeia
de comandos “Ferramentas – Região de Interesse – Exportar ROIs para EVF...” no
ambiente de edição de ROIs. Arquivos de classificação igualmente podem ser convertidos
para dado vetorial. Cada classe da imagem é atribuída a uma camada diferente.
Um cuidado que deve se tomar antes de converter as classes em dados vetoriais, é com
relação ao tamanho de algumas regiões das classes. Pode ocorrer de, na classificação
final, uma região seja formada por poucos pixels ou até mesmo por único pixel. O
problema decorrente disso é que, após feita a vetorização dos dados, estas regiões
podem ficar circunscritas a polígonos.
O conceito de conectividade diz respeito diretamente à vizinhança que está sendo levada
em conta. Se pelo menos um pixel de contorno de uma região for vizinho à um outro pixel
de outra região, diz-se que há conectividade entre as duas regiões.
Dentro do menu principal, na opção “Vetor” se encontra a rotina “Criar Novo Plano
Vetorial” , e através dele é possível carregar uma nova janela “Vector Window” e criar
novos vetores e camadas vetoriais , e também abrir layers de arquivos vetoriais já
existentes ou também criar layers a partir de uma imagem Raster.
• Selecione “Vetor – Criar Novo Plano Vetorial – Usando Plano Vetorial Existente”.
Na verdade esse é um procedimento diferente para se criar uma nova camada, ou seja,
um layer, a partir de um que já existe. O outro procedimento nós já vimos na seção 1.2.
deste capítulo para criar o layer Pasto, mas com a diferença que neste procedimento o
usuário pode criar layers sem precisar carregar o arquivo vetorial na imagem, coisa que
no outro procedimento era preciso, já que somente na janela “#1 Vector Parâmeters” é
que aparece, dentro do menu “Options” , a opção de criar um novo layer. E a janela “#1
vector Parâmeters” só aparece se for carregado o plano vetorial na imagem.
• Selecione “Vetor – Criar Novo Plano Vetorial – Usando Plano Vetorial Existente”.
Cabe ressaltar que, tanto neste processo como no processo acima, a janela vetorial que
se abre possui as mesmas coordenadas da janela , ou da imagem raster ou do plano
vetorial existente que o usuário escolheu. O mesmo não vai acontecer agora no próximo
procedimento.
2.1.3. Criando uma nova camada através dos parâmetros definidos pelo usuário
• Selecione “Vetor – Criar Novo Plano Vetorial – Usando Parâmetros Definidos pelo
Usuário”.
• Novamente aparecerá a janela “New Vector Layer Parameters” , mas agora a janela é
diferente, com usuário tendo agora que fornecer os parâmetros de projeção
cartográfica , e também o X e Y máximos e mínimos da janela. Logicamente, nos dois
procedimentos anteriores, esses parâmetros eram buscados, ou da imagem
escolhida, ou do plano vetorial existente escolhido.
• Preencha todos os campos da janela “New Vector Layer Parameters” e clique em OK.
Esta função na verdade é o Mapa-Mundi com os layers de divisão política de países, rios,
divisões dos estados do Estados Unidos da América e linhas continentais de costa (Figura
H14).
Como é visto na figura acima, é carregado todo o Mapa-Mundi, sendo que os estados dos
EUA , os rios de todo o mundo, as linhas de costa e as divisões de países possuem um
layer cada um.
Essa função cria uma camada a partir de um valor de nível de cinza do pixel. Ela
simplesmente cria um vetor nos contornos de uma região de mesmo valor de nível de
cinza (Figura H15).
Como já diz o nome, essa função serve para converter um arquivo de região de interesse
(ROIs) para um arquivo .dxf , que pode ser aberto posteriormente em softwares de CAD
populares, como o AutoCAD.
• Aparecendo a janela “Convert ENVI Vector File to DXF Files” , defina o caminho
desejado para o arquivo de saída, coloque mais algum arquivo, se desejar, em
“Input Additional File” e depois clique em OK que o arquivo .dxf será
automaticamente gerado.
Tomemos como exemplo uma região da imagem que contenha uma linha de transmissão
(LT), onde os fios entre duas torres passam sobre um pequeno lago. Se essa cena for
representada por dados vetoriais, as torres seriam pontos, os fios; segmentos de reta
(linhas), e um polígono representaria o lago (Figura H-19a).
Já com dado raster, uma imagem digital por exemplo, teremos um conjunto de pixels com
o DN correspondente à resposta espectral de cada alvo, como mostrado na Figura H-19b,
onde os valores dos pixels correspondentes ao alvo fio da LT estão em negrito para
realçar uma das características do dado "raster".
Vamos supor primeiro que o resto da cena, ou seja o terreno em volta do lago, não possui
uma resposta significativa para ser considerado (uma situação meramente hipotética).
Note agora que os DNs correspondentes a este alvo fio da LT que situam-se fora dos
limites do lago tem menores valores do que os que localizam-se dentro destes limites. Isto
ocorre porque há uma influência da resposta espectral dos pixels vizinhos a estes, que
pertencem ao alvo lago.
Esta influência por sua vez, tem relação com a resolução espacial da imagem. É de se
esperar que a bitola do fio seja menor que a resolução do pixel, logo o conjunto de parte
dos pixels é que forma uma linha tênue representando o alvo fio da LT. Portanto, quanto
maior for a resolução espacial, isto é, menor for a área representada pelo pixel, melhor
será a nitidez dos alvos.
No entanto, esta dependência da resolução espacial não existe com relação aos dados
vetoriais, já que neste caso temos entes geométricos (também na computação
denominados objetos), que independem da resolução espacial em que os alvos foram
adquiridos para representá-los. Esta é pois, uma vantagem dos dados vetoriais sobre os
dados "raster".
A partir do ENVI 4.3 esta disponível um novo modo de vetorização de feições aplicado às
imagens multiespectrais de alta resolução; trata-se da função “Intelligent Digitizer” ou
Vetorizador Inteligente.
Dependendo da feição a ser extraída, você pode querer ajustar os parâmetros no sentido
de obter uma melhor performance. Tipicamente, os parâmetros padrões são ideais para a
extração de eixos de estradas, entretanto, se você pretende extrair feições com curvas
sinuosas, você pode melhorar a qualidade do resultado através do ajuste dos parâmetros.
1. A partir da barra do menu principal, selecione Vector -> Intelligent Digitizer. A caixa de
diálogo “Intelligent Digitizer Input File” aparecerá;
2. Selecione o arquivo de imagem associado ao vetorizador inteligente e clique em “OK”.
Surgirá a caixa de diálogo “Vector Parameters” e a imagem selecionada nas janelas
gráficas de visualização do ENVI.
Obs.: se a imagem tiver 4 bandas, ENVI selecionará as bandas 3 e 4, tipicamente
caracterizada pelos comprimentos de onda do vermelho e do infravermeho-próximo;
Se a imagem tiver mais de 4 bandas e possuir a informação do comprimento de onda, o
ENVI selecionará as bandas relativas a composição falsa cor (VNIR).
Se a imagem tiver mais de 4 bandas e não possuir a informação do comprimento de
onda, o ENVI selecionará as bandas conforme a seguinte regra [nb/3, nb/2, nb*2/3] para
os canais RGB, considerando que nb refere-se ao número de bandas.
3. Localize a feição que você pretende vetorizar, a partir das janelas gráficas de
visualização;
4. No campo “Window” da janela “Vector Parameters” habilite a janela que deverá ativar
o processo de vetorização automática (Image ou Scroll ou Zoom). A opção “off”
desabilita temporariamente o processo de vetorização.
5. Após definir a janela ativa, clique com o botão esquerdo do mouse sobre a feição (por
exemplo, uma estrada) e defina, primeiramente, o ponto inicial e em seguida o ponto
final do segmento vetorial a ser digitalizado automaticamente. Note que ao clicar pela
segunda vez, o dispositivo Intelligent Digitizer traça o contorno do segmento de vetor
automaticamente. Siga definindo novos vértices até que a vetorização seja finalizada.
Para fixar o vetor traçado, clique com o botão direito do mouse, uma vez para finalizar
e uma segunda vez para fixar o vetor sobre a imagem, através da seleção da opção
“Accept New Polyline”.
Obs.: para visualizar os layers gerados, a partir do menu principal clique em “Window” -> “
Available Vectors List”;
2. No campo “Dangle Length Tolerance (Pixels)” por padrão recebe valor 20.00.
Nesse caso o ENVI remove todos segmentos polylines abertas menores do que
este valor, durante o processo de edição automática. Se necessário for, altere
esse valor.
3. Clique em “OK” para o ENVI remover os segmentos desprezíveis e criar
intersecções nos cruzamentos de polylines. Ao finalizar o processo, o ENVI
sobrepõem o layer modificado sobre o layer original (usando uma cor
diferenciada). Na caixa de parâmetros vetoriais “Vector Parameters”. Além disso o
arquivo editado é carregado para a caixa “Available Vector Layers List com
acréscimo do sufixo “_clean”.
1. Selecione a partir da caixa “Vector Parameters”, Mode -> Edit Existing Vectors; ou
clique com o botão direito sobre o display e selecione Select Mode -> Edit Existing
Vectors.
2. Selecione o vetor que você deseja editar.
3. Edite conforme a sua necessidade. Por exemplo:
• Para estender polylines, clique com o botão direito sobre um vértice final e
selecione “Extend Selected Vector”. O ENVI automaticamente troca para o modo
“Add New Vectors”. Para estender o vetor a partir do modo inteligente, clique com
o botão direito e verifique se o “Intelligent Digitizer” está habilitado. Selecione os
vértices que você pretende estender e ao final, clicando com o botão direito do
mouse, selecione “Accept New Polyline”.
• Para conectar polylines (snap), clique sobre o vértice final para o snap e selecione
“Snap End Node to the Nearest Polyline”, ou clique com o botão direito sobre o
vetor e selecione “Snap Both Ends to the Nearest Polylines” para conectar ambos
segmentos finais das polylines. As polylines devem estar dentro da tolerância dada
pelo parâmetro “Snap Tolerance (Pixels)” da caixa de diálogo “Intelligent Digitizer
Parameters”.
• Para quebrar polylines, clique com o botão direito sobre um nó e selecione “Mark
Node”. Clique com o botão direito do mouse, novamente e selecione “Split Vector”.
O ENVI adiciona um novo nó no topo do nó marcado. Clique e arraste o nó para
separá-lo do nó original que você marcou. Clique com o botão direito e selecione
“Accept Changes”.
• Para unir polylines, selecione um segundo vetor para uni-lo ao primeiro vetor
selecionado. Clique com o botão direito, novamente, e selecione “Accept
Chandges.
• Para adicionar, editar ou eliminar nós ou vetores, use as ferramentas padrão do
ENVI.
I: Sensores Especiais
Neste capítulo aprenderemos a processar no ENVI imagens de alguns sensores que
requerem processamento especial e algumas técnicas para o melhor aproveitamento da
mesma.
As imagens Aster são obtidas através de três subsistemas de telescópios distintos: VNIR,
SWIR e TIR. O módulo VNIR gera imagens de alta resolução, dispostas em 4 bandas,
sendo duas na região do visível e duas na região do infravermelho (com quase o mesmo
intervalo de onda, porém com um diferente ângulo de visada (uma imagem em “Nadir”, a
outra em “backdoor”); o módulo SWIR gera imagens no comprimento de onda
infravermelho, dispostas em 6 bandas; e o módulo TIR , que opera no infravermelho
distante e produz imagens em 5 bandas. Veja tabela abaixo:
Nos capítulos abaixo, aprenderemos a processar e extrair dados das imagens Aster com
o ENVI
As imagens Aster podem ser adquiridas com o pagamento de uma pequena taxa através
do site :
http://edcimswww.cr.usgs.gov/pub/imswelcome/, elas virão em formato de arquivo . HDF,
como foi visto acima, mas o usuário terá que tomar cuidado, pois os arquivos das
imagens Aster, quando descarregados, não vem explícito no arquivo a extensão nativa do
mesmo. Por exemplo, uma figura em formato .JPEG tem o nome de “NOME.JPG” ou
“NOME.JPEG”, já a imagem Aster terá apenas o nome nativo, apesar de ser um arquivo
no formato .HDF . Mas o usuário não precisa se preocupar, pois o ENVI lê a imagem sem
qualquer problema.
Elas estão divididas em dois níveis: 1A e 1B. As imagens do nível 1B são geocorrigidas, e
as do nível 1A são brutas, sem correção.
Como pode ser visto na figura I – 2, o HDF das imagens Aster estão divididos em 4 sub-
arquivos diferentes. O primeiro deles possui as três primeiras bandas de alta resolução
(VNIR) com as cenas em Nadir, e o segundo sub arquivo é a banda 3B que serve para
gerar visão estereoscópica com a 3N. Detalhes veremos mais abaixo, quando falarmos
das imagens Aster nível 1A, que são as imagens mais apropriadas para trabalhar com a
estereoscopia e geração de Modelo Digital de Terreno (MDT); mais um arquivo para a
SWIR (resolução de 30 metros) e o último para a TIR (resolução de 90 metros)
Figura I-3: Imagem Aster – Composição Figura I-4: Imagem Aster – Composição
colorida RGB 3N,2,1 colorida RGB 2,3N, 1
• Aparecerá a janela “Edit Header Input File”. Selecione qualquer um dos arquivos
da imagem Aster e clique em OK.
• Aparece a janela: “Header Info: ...”. Selecione, dentro dessa janela, as opções
“Edit Attributes – Map Info”. Aparece a janela “Map Information”.
Note que, quando o usuário carrega a imagem Aster 1B, o ENVI gera um cabeçalho dela.
Os dados da imagem são do tipo Byte, com exceção da imagem TIR, que é um dado do
tipo “Unsigned Int”. Não é recomendável aplicar filtros em imagens desse tipo, portando, a
aplicação de filtros de realce, como o Sharpen, devem ser aplicados somente nas
imagens VNIR e SWIR.
No campo “Select Input File”, note a presença dos 4 sub-arquivos de imagem. No campo
“Select By”, existe a opção de selecionar banda a banda em vez de selecionar arquivos.
As imagens Aster do nível 1A são brutas: Não há nelas nenhum nível de correção
radiométrica e filtros.
Note que, ao contrário da imagem Aster do nível 1B, a Aster 1A é dividida em 7 sub-
arquivos. A diferença é que as três primeiras bandas de alta resolução (1, 2 e 3N do
módulo VNIR) estão separadas em arquivos diferentes (veja figura I-7).
A imagem Aster do nível 1A possui uma falha sistemática na vertical. Ela pode ser melhor
visualizada nas janelas de Scroll e Zoom. Para corrigir essas falhas, existe um
procedimento detalhado no guia G, capítulo 4, de nome “Filtro FFT (Transformada de
Fourier)”.
As imagens Aster, tanto do nível 1A como do nível 1B, possuem 5 canais (bandas) que
operam no infravermelho termal, facilitando e refinando ainda mais as observações no
infravermelho distante (costuma-se chamar o infravermelho termal de infravermelho
distante). O módulo TIR (módulo TIR no Aster é o módulo que trabalha com o
infravermelho termal) possui uma resolução de 90 metros e estão no formato Unsigned
Integer. Também são georreferenciados automaticamente, assim como os outros módulos
da imagem Aster, já que o módulo TIR também se encontra no mesmo arquivo, porém, é
um sub-arquivo diferente, como foi visto acima.
Esta é uma imagem Aster de uma região geologicamente rica, chamada de “Vale do Sal”
nos Estados Unidos. Como está dito na indicação da figura, foi utilizado uma composição
colorida R4 G6 B8. Os detalhes em amarelo e verde correspondem a regiões rica em
calcário, já as regiões com a cor púrpura é rica em Kaolinita. Como foi visto
anteriormente, as imagens Aster possuem muitas bandas na região do Infravermelho
médio (1,6 – 2,4 mm)e infravermelho distante ou termal (8 –12mm). Tendo uma maior
resolução espectral nesses intervalos, o refinamento e, consequentemente a qualidade
das distinções de alvos espectrais será maior.
Veja nas figuras abaixo uma comparação dos intervalos de comprimentos de onda
abrangidos pelo Aster com o LandSat TM:
• Aparece a janela “Edit Header Input File”. Selecione a imagem desejada e clique em OK;
• Aparecendo a janela “Header Info: ...”, selecione a opção “Edit Attributes – FWHM”.
Aparece a janela “Edit FWHM values” (Figura I –12).
Características do MODIS
Alcance Espectral 0.4-14.4 µm
Cobertura Espectral ± 55°, 2330 km em fileira (scans contínuos em nadir no equador)
Resolução Espacial 250 m (2 bandas), 500 m (5 bandas), 1000 m (29 bandas) em nadir
Ciclo Obrigatório 100 %
Taxa de Dados 6.2 Mbps (avg), 10.8 Mbps (dia), 2.5 Mbps (noite)
Massa 274 Kg
Força 162.5 W (avg para uma órbita), 168.5 W (pico)
Por exemplo, o sensor mede o percentual da superfície do planeta que estão cobertas por
nuvens quase todos os dias. Esta ampla cobertura espacial irá permitir MODIS,
juntamente com MISR e CERES, determinar o impacto das nuvens e aerosóis no
orçamento de energia da Terra. O sensor possui um canal inovador (centralizado em
1,375 microns) para detecção de nuvens do tipo cirrus (principalmente as mais "leves"),
as quais acredita-se que contribuem para o aquecimento por refração de calor emitido
pela superfície. Reciprocamente, acúmulos de nuvens e aerossóis são consideradas a
possuírem um efeito refrescante na superfície da Terra por reflectância e absorção da luz
do Sol. Este efeito no clima irá provar algo significativo nesta longa corrida? MODIS,
juntamente com MISR e CERES, irá nos ajudar a responder esta questão.
Nessa parte o usuário tem que tomar muito cuidado com o tipo de projeção escolhida,
Datum, etc. A qualidade dos resultados depende muito da sua cartografia, e nesse caso,
estamos lidando com o MODIS, que é um satélite de campo de visão largo, portanto,
abrange uma grande área imageada.
A projeção policônica é recomendada para áreas relativamente grandes (mas pode ser
usada também em áreas menores, porém popularmente usa-se às cilíndricas) e em
países (ou áreas) com grande extensão Norte-Sul e reduzida extensão leste-oeste. A
policônica não é uma projeção nem equivalente, nem equidistante e nem conforme
(diferente das cilíndricas, que são conformes), porém nas regiões próximas do meridiano
central a projeção assume tanto a conformidade quanto a equivalência da projeção (com
uma faixa de erro pequena).
A projeção policônica, assim como um grande número de projeções, é uma projeção que
é definida por um Meridiano Central (é a única linha de distorção ZERO) e a latitude de
origem geralmente é representada no Equador (mas o usuário, de acordo com a
necessidade, pode alterar essa latitude de origem para a área de seu interesse, fugindo
dos padrões tradicionais cartográficos) e a sua superfície de representação é constituída
por diversos cones sobre a Terra. Os meridianos são curvas que cortam os paralelos em
partes iguais, os paralelos são círculos não concêntricos e não apresentam deformações,
Nós da SulSoft recomendamos, para georreferenciar a imagem MODIS de uma área que
corresponda ao Brasil, utilizar a projeção policônica. Arrastando a janela contendo o nome
das projeções para baixo o usuário vai encontrar a projeção “Sample Polyconic”. Ela não
é recomendada para a nossa área, pois ela não foi definida de acordo com o nosso
território e vai apresentar problemas no resultado, ela é apenas um exemplo de
policônica.
• O nome que o usuário definiu para a projeção aparecerá na lista das projeções.
Selecione-a.
• Em “Number Warp Points”, escolha 100 pontos para X e 100 pontos para Y. Esses
pontos ficarão distribuídos em uma grade regular por toda a imagem e serão
usados para o georreferenciamento da mesma.
• No campo “Enter Output GCP Filename [.pts]”, o usuário pode definir que os
arquivos de pontos de controle gerados pelo ENVI sejam salvos para arquivo. O
usuário não precisa necessariamente salvar esses pontos de controle, mas
pediremos para o usuário salva-los afim de usarmos mais tarde. Clicando em
“Choose”, o usuário define o diretório em que vai ser salvo o arquivo de pontos
(.pts).
• Clique em OK.
Pediremos para quem trabalha com essas imagens que siga rigorosamente os passos
mencionados acima, pois a má escolha de uma projeção cartográfica, assim como um
número insuficiente de pontos de controle ( o ENVI usa 10 pontos como padrão, portanto,
sempre temos que mudá-lo) podem acarretar maus resultados de saída. Agora, veremos
a parte da transformação geométrica da imagem.
Até agora vimos o procedimento padrão para abrir as imagens MODIS de 1Km de
resolução que carregam automaticamente no display do ENVI através da cadeia de
comandos já citada acima. Pois esses arquivos de imagem, além dos 3 sub-arquivos de
imagem estudados anteriormente, possuem outros que não carregam usando o comando
usual, e também não há comandos diretos para o seu georreferenciamento automático.
Mas aprenderemos nesta seção como fazê-los. Veja a figura abaixo (I – 15):
O usuário pode perceber a quantidade de arquivos que podem ser armazenados dentro
de um HDF: Informações de latitude e longitude efeméricas, azimute do sensor, ângulo
zenital, imagens, etc. Tudo isso dentro de um só arquivo. Graças a estes parâmetros o
ENVI faz o georreferenciamento automático de alguns arquivos de imagem da cena.
Desses sub-arquivos que estão presentes na janela acima, apenas o 4o., o 5o. e o 6o. (de
cima para baixo, na ordem) são os que abrem automaticamente no ENVI como já vimos.
O 7o. Arquivo da lista das imagens de 1Km (Earth View 1KM Emissive Bands Uncertainty
• Selecione os arquivos “Earth View 250M Aggregated 1Km Reflective Solar Bands
Scaled Integers” e “Earth View 500M Aggregated 1Km Reflective Solar Bands
Scaled Integers” . Clique em OK.
• Logo após, aparece a janela “HDF Data Set Storage Order”. Ela vai aparecer de
acordo com o número de arquivos selecionados. Escolha o Interleave BSQ para
todas elas.
Georreferenciando as imagens...
• No campo X Pixel Size e Y Pixel Size, vai estar como Default 30.0000 (30 metros),
mude para 1000 (1km), que é o tamanho do pixel da imagem.
• Logo após, aparece a caixa de diálogo “Input Warp Image”. Selecione a imagem
250metros aggregate 1Km (ou a de 500 metros) e clique em OK.
As imagens de 500 metros vêm dispostas em um único arquivo (diferentemente dos sub-
arquivos da Aster e MODIS 1Km) com 5 bandas. O mesmo vale para as imagens de 250
metros (imagens dispostas em um sub-arquivo), porém ela contém apenas duas bandas.
O usuário pode notar que a disposição dos arquivos .HDF dentro desta janela é
praticamente idêntica a das imagens de 1Km, porém com menos arquivos, pois o arquivo
que contém as imagens de 1Km possui também as imagens de 500 metros e 250 metros
com pixel reamostrados para 1Km; consequentemente, o arquivo da imagem de 500
metros contém a imagem de 250 metros reamostrada para pixel de 500 metros.
2.4.1.Georreferenciando
automaticamente as imagens MODIS de
500 e de 250 metros.
O satélite NOAA, assim com o Terra, possui vários sensores: AMSU-A, AMSU-B,
AVHRR/3, HIRS/3, SBUV/2, OCI e adquire dados de todo o planeta. Neste guia,
aprenderemos a processar imagens do sensor AVHRR e nos preocuparemos neste guia
com as especificações dele. Detalhes do funcionamento dos outros sensores pode-se
encontrar direto da fonte destas informações contidas no guia, em www.noaa.gov e
snig.cnig.pt/Portugues/RedesTematicas/ Rot/english/noaa.html
Mas, como já foi dito, o usuário não precisa se preocupar, pois na maioria das vezes este
problema não vai ocorrer.
Depois de criado este arquivo, faremos agora um processo de GLT (Geographic Lookup
Table) e a usaremos para georreferenciar a imagem.
• Logo após, aparece a janela "Input Data File". Selecione o arquivo de imagem e
clique em OK.
1º passo:
2º passo:
Salve a imagem NOAA original como um arquivo ENVI Standard selecionando a cadeia
de comandos "Arquivo – Salvar Imagem Como – ENVI Standard". Quando for escolhido o
arquivo clicando em "Import File", aparece a janela "Create New Input File". Selecione o
arquivo de imagem e clique em "Previous" que daí ele cobrirá exatamente a área
escolhida anteriormente no passo 1.
3º passo:
Edite o cabeçalho do ENVI do novo arquivo salvo. É preciso que se edite o "Ystart" e o
"Xstart" para zero. Se não for feito isso, haverá problemas no georreferenciamento por
GLT.
4º passo:
Esta função torna-se extremamente útil principalmente quando se quer saber qual a
versão da imagem (NOAA 12, 13, etc...).
Note na figura I – 29 as
diversas informações
contidas no cabeçalho,
como coordenadas de
canto da imagem,
Ângulo zenital, versão,
etc
Figura I - 29: Visualização de cabeçalho de imagens NOAA.
Essa função é utilizada para calibrar dados de imagens NOAA 12,14 e 15. Ela retorna
resultados de porcentagem de reflectância para as bandas 1 e 2 e retorna a temperatura
(em Kelvin) absoluta da superfície dentro do intervalo do comprimento de onda absorvido
pelo sensor nas bandas 3, 4 e 5. veremos agora como obter esses dados calibrados
usando o ENVI.
• Logo após, aparece a janela "AVHRR Sea Surface Temperature ...". Em "Satélite",
escolha a versão do satélite NOAA do arquivo escolhido, em "SST Algorithm"
(usado para a correção atmosférica para o cálculo da temperatura), escolha a
opção "Day..." se a imagem foi adquirida ao dia, e escolha Night se a imagem for
adquirida pela noite: Split para as bandas 5 e 4, Dual para as bandas 4 e 3 e Triple
para as bandas 5 e 3.
J: Ferramentas Topográficas.
Qualquer tipo de modelo topográfico pode ser representado por relevos, e deste relevo
pode-se criar um formato de saída que é uma visualização de superfície 3D. No entanto,
para gerar esse tipo de dado, é necessário que se tenha coordenadas coletadas no
campo seja elas arbitrárias ou com sistema de projeção cartográfica adequados, e a cada
coordenada deve ser associado um valor de elevação chamado de coordenada z , cota ,
altitude ou profundidade. A partir dessas cotas que estão associadas a cada ponto x e y
do terreno existem algoritmos que criam uma grade regular desses pontos, e após
gerado a grade regular é criado o Modelo Digital de
Elevação (DEM). Também existem outras
nomenclaturas para o DEM como MDT (Modelo
Digital de Terreno) ou MNT (Modelo Numérico de
Terreno).
“Criar Visualização “Hill Shade”” cria um relevo sombreado de um MDT através da Tabela
de Cores do ENVI.
“Gradear Pontos Irregulares” é uma função usada para criar grades regulares através de
pontos distribuídos irregularmente e logo após ele gera um MDT através dessa malha
digital.
“Geração de MDT” é uma função desenvolvida pela SulSoft para gerar um MDT a partir
de um ou mais arquivos que estejam no formato .dxf , .dgn ou .evf e que estejam na
forma de curvas de nível ou pontos cotados.
2. Modelagem Topográfica
A função de Modelagem topográfica pode ser usada em qualquer arquivo MDT, e serve
para extrair parâmetros da imagem, como aspecto do MDT, declividade, variações de
curvaturas, etc. O resultado é um arquivo de imagem que contém as informações
extraídas do MDT.
Figura J-6:Resultado da
Classificação Automática
• Vai aparecer a janela “Hill Shade Blend Input” , que é a janela que o usuário
poderá optar entre escolher a tabela de cores do ENVI ou usar as cores do próprio
display da imagem para criar a visualização. Para este exemplo, vamos escolher
as cores do display ativo.
Uma aplicação da tabela de cores do ENVI para gerar visualização Hill Shade serve para
DEM que não possuem uma composição colorida, e sim, apenas tons de cinza. Ele
transforma os valores HSV do arquivo DEM em uma composição colorida RGB e com
isso gera a visualização Hill Shade.
• Escolha o tipo de realçe para o arquivo de saída, escolha File ou Memory e clique
em OK.
O ENVI possui uma função que corrige esse tipo de problema que é a função “Substituir
Valores Incorretos” , dentro do menu Topográfico. Através dessa função é possível corrigir
esse tipo de problema , sendo essa função de grande importância.
• O usuário pode optar por duas opções: determinar um valor específico do valor de
pixel incorreto no campo Bad Value ou então escolher um intervalo de valores de
pixels incorretos no campo Bad Value Threshold Range.
Figura J-10:Parâmetros da
• Defina a coluna para os pontos X , Y e Z (cota).
grade irregular de pontos
Também informe se as coordenadas dos pontos são
baseadas em pixel ou em coordenadas de mapa.
• Selecione o tipo de interpolação que você deseja aplicar nos pontos. Também
defina a resolução (tamanho do pixel) de saída. Em Output Data Type, escolha o
tipo numérico que estão os dados. Clique em OK.
7. Visualização Interativa 3D
Gerar visualizações tridimensionais é um passo fundamental para se trabalhar com
DEM's, sendo muitas vezes o trabalho final, pois hoje em dia esse tipo de serviço é
constantemente realizado.
• Em “DEM min plot value” e “DEM max plot value” escreva, respectivamente, os
valores mínimos e máximos de cotas do DEM. Se o campo for mantido em branco,
ele não estabelecerá limites. Os valores que não estiver no intervalo escolhido não
serão mostrados na visualização.
• Entre com os valores do tamanho dos pixels e clique em OK. Logo após,
aparecerá um display com a superfície digital e também a caixa de diálogo “3D
Surface View Controls”.
Botão esquerdo do mouse: Serve para fazer rotações na figura. Movendo o mouse na
horizontal, a figura rotaciona 360° tanto para a esquerda como para a direita. E movendo
o mouse na vertical, a superfície se movimenta 180° tanto para cima como para baixo.
Botão central do mouse: Faz translações , tanto de um lado para outro, como de cima
para baixo. O botão central não está presente em todos os mouses do mercado, portanto,
para simular o botão do meio do mouse, pressione Control e clique com o botão esquerdo
do mouse.
Botão direito do mouse: É usado para se ter o zoom em tempo real. Arrastando o
mouse para a direita, tem se a aproximação do zoom. Arrastando o mouse para a
esquerda, tem-se o afastamento da figura.
Passos:
1 – Dentro do display da visualização 3D, escolha, através de translações, rotações e
zoom uma posição desejada da figura tridimensional.
6 – Entre com o número de frames desejado para o Fly-Through. Quanto maior o número
de frames, dependendo da quantidade de cenas escolhidas, melhor vai ser a animação,
porém mais lenta.
1ª opção: Crie uma linha de vôo através do display da imagem com a cadeia de
comandos “Overlay – Annotation” e logo após, dentro do controlador 3D, clique em “File –
Input Annotation from Display” e selecione uma das anotações feitas.
2ª opção: Crie uma anotação e salve em arquivo. Logo após, selecione, dentro da
janela do controlador 3D, a cadeia de comandos ”File – Input Annotation from File” e
selecione o arquivo de anotação desejado e depois selecione a figura desejada desse
arquivo.
Play Sequence: Essa opção não muda em relação ao do modo “User Defined” , mas com
a diferença de que neste
caso a animação vai seguir
a linha de vôo criada pelo
usuário.
Vertical look Angle / Horizontal look Angle: Usado para definir a inclinação vertical e
horizontal da visão do sobrevôo.
Replot Trace: Essa função serve para o usuário verificar no display da visão 3D as
mudanças que ele está fazendo na linha de vôo. Por exemplo, se o usuário suavizar o
traçado, ele não vai aparecer na figura, mas usando a função Replot Trace, ela vai ser
visualizada no display. Se o usuário mudar a altura de vôo, também vai ser visualizada se
o usuário pressionar o botão dessa função.
Para visualizar toda a malha de linhas do Wire Frame, selecione “Options – Wire Lines:
See Through”.
Para encobrir as linhas que ficam atrás da visualização, selecione “Options – Wire Lines:
Hidden”.
Figura J-16:
Visualização
do Wire Frame
• Se for selecionado “Pixel Coord”, entre com o valor da linha (Line) ou da coluna
(Sample) da coordenada da região onde vai ser a origem do eixo ou dê um duplo-
clique sobre a imagem do DEM para definir aonde vai ser o seu ponto central.
Visão 3D
Origem
Figura J-17:
Demonstração da origem e do
“Height Above Ground”
• Logo após definida a origem, defina a altura da sua origem em “Height Above
Ground”. É fundamental escolher uma altura coerente com a altitude dos dados do
DEM, porque se for escolhida uma altura desproporcional aos valores de cota, o
usuário terá problemas para usar a visão panorâmica.
• Na janela, há duas barras, uma para o “Azimuth” (Azimute) e outra para a elevação
(“Elevation”) do terreno. O Azimute é contado de 0º ao norte e é crescente no
sentido horário. Já a elevação é contado a partir do plano horizontal como sendo
de 0º e é decrescente para baixo e crescente para cima.
Norte
Elevation
0º
Sentido Negativo
(até -90º)
Botão “Play”
Botão “Stop”
Figura J-20:Representação de
perfis
Através do menu File da caixa de diálogo “3D SurfaceView Controls” é possível salvar um
certo conjunto de cenas definido pelo usuário, restaurar um arquivo já salvo de cenas,
inserir uma anotação feita no display (como já foi visto na seção 6.3.2 deste capítulo) e
também salvar a animação ou o display da visão 3D.
• Entre com o nome do arquivo de saída. Ele será salvo na extensão .pat .
• Para restaurar um arquivo .pat já criado, selecione “File – Restore path from file” e
selecione o arquivo .pat desejado .
• Para salvar a visualização no formato VRML 2.0 , selecione “File – Save Surface
As – VRML”
No ENVI é possível salvar as animações no formato MPEG, porém, para isso é preciso ter
uma licença especial e sem custos. Para adquiri-la, basta o cliente entrar em contato com
a SulSoft através do e-mail sulsoft@sulsoft.com.br.
• Logo após, crie uma animação com essas cenas para verificar se a animação é a
que se deseja fazer.
• Logo após, vai aparecer a janela para escolher a projeção que se encontra os
dados escolhidos.
Além disso, diversos dos recursos padrões para o processamento de imagens podem ser
utilizados em imagens de radar. Recursos tais como realce, manipulação de cores,
classificação, registro, retificação geométrica, etc.
A utilização de dados de radar traz algumas vantagens, entre as quais destacamos o fato
da aquisição não depender do clima no instante em que ela é feita. Ou seja, a
interferência de nuvens é muito baixa na imagem radar, e isto ocorre porque o sensor de
radar atua na faixa de microonda, onde a absorção de energia pela umidade do ar é
baixa.
• Aparece a janela “CEOS Header Report”. Nessa janela contém informações sobre
a imagem de radar a ser analisada.
Dados importantes com relação a imagem são mostrados, como o número de linhas e
colunas (samples), tipo de dado, a projeção (Slant ou Ground Range), tamanho do pixel
(em metros), a polarização, entre outros.
• Selecione o arquivo
NDV_L.CDP. Quando o
nome do arquivo aparecer no
campo "Selected Files L:",
clique "OK".
Figura K-2: Escolha dos parâmetros de saída para o
arquivo sintetizado
Em seguida surge a caixa de
diálogo para definição dos
parâmetros de sintetização (figura K-2). As três polarizações - HH, VV e HV - e TP (de
Total Power) são marcadas, os tipo de dado de saída é ponto flutuante (Floating Point) e
escolha o nome do arquivo sintético de saída (extensão .syn).
Processamento Multi-look
Aqui, fazemos um processamento que irá gerar um arquivo compactado .cdp de uma
imagem "3 looks" da original.
Veja na Figura K-4 como realmente o aspecto granulado reduziu consideravelmente após
processamento "multi-look". O tamanho da imagem, no entanto, igualmente diminui, pois
houve uma degradação na resolução espacial em azimute e "range".
Filtragem
O ENVI lhe disponibiliza os filtros mais utilizados para reduzir o speckle. São filtros
chamados adaptativos, tais como:
Lee Frost
Gamma
Kuan
Sigma Local
Erros de Bit
• Para aplicar o filtro, selecione, dentro do menu principal, a opção “Radar – Filtros
Adaptativos – [filtro desejado]”.
a b
c d
Figura K-5: Imagem SIR-C (a) , com filtro Lee (b), filtro frost (c) e
filtro Gamma (d)
Todos usando janela 3 x 3
• Digite 13.32 no campo "Output pixel size (m)" Figura K-6: Definição de
parâmetros de conversão
• Para método de reamostragem, escolha "Bilinear" Stand-Ground Range
e entre com o nome NDV_GR.IMG para o arquivo
de saída.
Figura K-7: Imagem Ground -Range banda Figura K-8: Imagem Slant -Range banda L
L Polanização HH
Polanização HH
Visualize e compare as duas projeções, como as que estão acima. Perceba na primeira
imagem, como realmente em "slant range" o pixels ficam com um tamanho reduzido com
relação ao tamanho normal, dado por "ground range". A direção de visada é da direita
para a esquerda, e a distorção é maior no lado direito e menor no lado esquerdo da
imagem.
As polarizações não são extraídas da imagem inteira, mas sim de regiões de interesse
(ROIs) que o usuário define ou carrega de regiões predefinidas.
Após selecionar todos os itens ("Select All Items") e saída para memória ou arquivo, tecle
OK e as assinaturas em 3-D do valor de intensidade (eixo Z), bem como a vista superior
(2-D) de cada item serão mostradas em janelas individuais
No canto superior esquerdo do gráfico 3-D consta a informação que os dados são da
banda L, com combinação co-polarizada (CP), do alvo areia (sand), da cor da ROI
(yellow) e do valor mapeado (Intensity).
A tabela de cores padrão da vista superior é em escala de cinza, a qual pode ser alterada
para qualquer outra tabela do ENVI na caixa de diálogo acessada por "Options – Color
Tables..."
A utilização deste método em imagem radar tem por finalidade melhorar a exposição das
características da imagem em larga escala, refinando detalhes. Ele apresenta melhores
resultados em áreas de moderado relevo.
Além disso, nesta faixa de comprimento de onda, a influência de nuvens é muito baixa no
sinal. Isto significa, que mesmo em dias nublados, a aquisição de imagens por radar pode
ser feita sem grandes perdas de qualidade.
Para emitir e captar a radiação refletida, o radar dispõe de uma antena, que transmite
sinais (ondas) numa extensão do terreno variando o ângulo de incidência q .
A antena do radar é capaz de tanto de emitir como receber sinais nos planos horizontal
(H) e vertical(V). Portanto, a antena poderá:
Os modos HV e VH são usados para discriminar certos alvos. Por exemplo, se a antena
envia um sinal polarizado horizontal, ao chegar no terreno e retornar ele é espalhado em
diversas outras direções. No entanto, na maior parte das vezes, o componente vertical do
sinal de retorno terá forte influência da vegetação presente na área atingida.
O avião ou satélite, segue uma direção de vôo e o sinal (pulso) é emitido na direção
perpendicular em intervalos regulares de T segundos.
Então desenvolveu-se um radar que simula uma antena com estas proporções, a fim de
obter resolução semelhante. A este tipo de radar é dado o nome de Radar de Abertura
Sintética, ou simplesmente SAR (Synthetic Aperture Radar). A seguir são apresentadas
Ls = V × (T2 - T1)
Com isso, uma mesma variação de distância em "slant", não corresponderá a uma
mesma variação em "ground range". Portanto, como podemos perceber visualmente na
Figura K-14, os segmentos A'B' e C'D' não tem o mesmo comprimento.
Portanto, qualquer distância (SL) em ‘slant’, é convertida para 'ground range' (GR), por
GR = SL / sen( q )
Uma observação importante, é que esta distorção pode ser desconsiderada quando a
plataforma for orbital, pois a razão entre a distância mínima e máxima Rmín / Rmáx é
aproximadamente unitária, o que ocasiona pouca perda de potência do sinal, do início ao
fim da linha de aquisição.
Portanto esta correção é mais importante quando a plataforma for aerotransportada, onde
a razão Rmín / Rmáx não pode ser ignorada
Q = cos(q )
I = sen(q )
A = (Q2 + I2)1/2
Cada pixel da imagem amplitude é formado por elementos denominados difusores, que
igualmente possuem componentes reais (Q) e imaginários (I) - Figura G-15 -, com
diferentes fases e amplitudes, organizados de forma aleatória. O valor do pixel é o
resultado da soma vetorial (coerente) destes difusores. I
Como conseqüência, temos uma imagem com uma textura granulada, com uma
aparência de "sal e pimenta", um ruído o qual se dá o nome speckle.
De duas maneiras podemos reduzir o ruído speckle: via processamento "multi-look" ou via
filtros adaptativos.
Os filtros adaptativos fornecem um modo de remover o speckle das imagens sem afetar
seriamente as características espaciais dos dados.
• Filtro de Lee : ele é baseado no desvio padrão (sigma) para suavizar o ruído
speckled, cuja a intensidade está relacionada com a cena da imagem, e contém
um componente multiplicativo e/ou aditivo. Ele filtra os dados baseados na
estatística calculada dentro de uma janela individual de filtragem. Diferentemente
de um filtro passa-baixas típico, o filtro de Lee, bem como outros filtros sigma
similares, preserva detalhes enquanto elimina o ruído. O pixel filtrado é substituído
por um valor calculado que usa os pixels ao redor dele.
3. Aplicações
Mineração na cidade de Colônia, Alemanha
A direção de visada do satélite para a escavação da
mina é da direita para esquerda. As paredes e estepes
da escavação agem como refletores de canto,
produzindo uma forte resposta. Isto na figura aparece
como uma série de linhas concêntricas. O lado oeste é
sombreado pelo pulso do radar, por isso está em um tom
mais escuro.
Figura K-16
Figura K-19
A seguir, na Figura G-20 vemos um exemplo de como a análise temporal de dados radar
pode ser útil. Na primeira data (26/08/1996) a área está seca e o contorno do rio é
perfeitamente visualizado. Na data seguinte (09/03/1997), no auge da enchente, temos
área alagada representada por valores escuros (plantações???) e claros (solo
preparado???). Na última data (20/03/1997) já há um recuo da área alagada, com
tendência a normalização do quadro.
Muito provavelmente estas imagens foram geradas em dias nublados, mas devido o sinal
de radar possuir um comprimento de onda onde a influência da cobertura de nuvens é
baixa, o acompanhamento da enchente tornou-se viável.
1. Diversas
Calibrações...
1.1 Calibração ATREM
Figura L-1: A técnica dos sensores hiperespectrais
O "Atmospheric Removal (Vane et al., 1985).
Program" é um modelo de
transferência radioativa
que determina a reflectância de uma superfície, em dados AVIRIS (Airborne
Visible/Infrared Imaging Spectrometer), sem conhecimento anterior das caraterísticas
dessa superfície. O ATREM utiliza as bandas de absorção do vapor d'água (0,94 - 1,1
mm) para determinar uma certa quantidade de vapor, baseando-se nos pixels dos dados
AVIRIS, na curva de irradiação solar acima da atmosfera e no espectro de transmitância
para cada um dos gases atmosféricos, como CO2, O3, N2O, CO, CH4 e O2.
A técnica "flat field" é usada para normalizar imagens de uma área conhecida (GOETZ &
SRIVASTAVA, ROBERTS et al.: 1986). Esse método é eficaz na redução dos dados do
espectrômetro a uma reflectância relativa e pressupõe que o usuário localize uma região
de interesse com baixa informação espectral. O espectro médio da região de interesse é
usado como o espectro de referência, que é dividido pelo espectro de cada pixel da
imagem.
Esta técnica é usada para normalizar imagens de uma área desconhecida em regiões
secas (ROBERTS et al.: 1985; CONEL et al.: 1985; KRUSE et al.: 1990). O espectro
médio é calculado para a imagem total e vai ser usado como espectro médio da imagem.
Em seguida, o espectro médio é dividido pelo espectro de cada pixel da imagem.
A calibração por linha empírica é usada para forçar os dados de uma imagem para um
espectro de reflectância de uma área selecionada. Este método aplica a regressão linear
de todas as bandas para determinar o nível de cinza e a reflectância. A aplicação deste
método necessita da definição de uma região de interesse, de curvas de reflectância da
biblioteca espectral e da radiância de trajetória.
A grande maioria das imagens usadas neste capítulo encontram se no CD "Tutorial and
DATA CD" do ENVI, no subdiretório ..\envidata\cup95avsub.
Localizador de pixels
A correção EFFORT seleciona este espectro, o qual é caracterizado pelo ruído coerente,
especialmente na faixa do 2,0 µm (absorção de CO2), aplica uma suavização e um fator
"gain" da curva espectral.
Compare o espectro de alguns pixels nas imagens calibradas com o método "ATREM" e
"EFFORT".
Determine os espectros de reflectância nas duas imagens dos pixels x:503 / y:581 e
x:542 / y:533 usando o localizador de pixel e "Link Displays".
Obs.: Nota a similaridade entre os dois espectros. ENVI examina automaticamente a
curva espectral do pixel central da janela de ampliação.
• Aparece o "Spectral Library Viewer" (Figura L-3), que mostra as curvas espectrais
obtidas em laboratório.
• Clique o botão direito do "mouse" no canto direito, abaixo do eixo x, para ver os
nomes dos minerais carregados e, no diagrama, para chamar o botão "Functions".
• Clique com o botão central do "mouse" nas partes das curvas que deseja
aumentar.
• Dentro da janela “#n Spectral Profile:...”, selecione “File – Input Data - ...”. No
nosso caso, foi selecionado a Spectral Library criada a partir das ROI´s coletadas
na imagem.
Note que o perfil do nosso alvo que aparece no zoom da figura L-4 aparece aqui como a
linha branca de maior espessura (a espessura foi editada através do menu Edit – Data
parameters). Esse gráfico permite uma excelente análise de alvos por toda a imagem.
Vale lembrar que a curva que representa os alvos da imagem (branca) muda em tempo
real de acordo com o deslocamento do zoom. Clicando com o botão direito do mouse
dentro do gráfico, aparece uma legenda com o nome de cada classe. E clicando com o
botão central do mouse (ou também, <CTRL> + Botão esquerdo do mouse) pode-se
definir níveis de aproximação (zoom) dentro do gráfico.(NOTA: As curvas mostradas
acima provavelmente não correspondem a realidade e são meramente ilustrativas,
escolhidas empiricamente. Qualquer semelhança com a realidade é mera coincidência).
1. Correção atmosférica;
Primeira transformação
Segunda transformação
Neste caso, o ruído tem uma variância igual; não há mais correlações entre as bandas;
outra parte complementada com autovalores quase iguais às imagens dominadas pelo
ruído. Utilize somente as partes coerentes, para o ruído poder ser eliminado dos dados.
O índice de pureza de pixels utiliza a informação da geometria convexa para chegar aos
pixels puros, dividindo toda a imagem em pixels puros e impuros (BOARDMAN et al.:
1995). Para calcular o PPI, os espectros são calculados iterativamente em
dispersogramas multidimensionais, e depois, projetados ao vetores uniformes. Os pixels
extremos em todas bandas são marcados e o número total, em que um pixel foi marcado
como pixel extremo, será anotado. Finalmente, uma imagem é calculada, na qual o valor
de cinza de cada pixel se refere ao número, que foi marcado como pixel extremo.
Selecione a imagem desejada (no nosso caso, foi escolhida a imagem hiperespectral
cup95eff.int)
OBS.: Os sensores hiperespectrais são os mais adequados para fazer a análise de índice
de pureza de pixel, pois contém inúmeras bandas e a análise é mais refinada, e o
resultado, mais confiável.
Banda Y
Reta A
Solo
Vegetação
Banda X
A opção “Number Of Iterations” é o número de vezes que a reta que define a pureza do
pixel é disposta para coletar os pixels da extremidade e determinar o nível de pureza. No
nosso caso, escolhemos 1000 iterações (sempre é preciso um bom número de iterações
para que o refinamento seja maior).
Em “Threshold Factor”, o usuário determina a diferença do valor digital limite para ser
indicado como pixel de pureza. Por exemplo: Se o software computou o pixel de valor 200
como puro, e na opção Threshold Factor for escolhido o valor 1, o pixel de valor 199
também será escolhido como puro. Para sensores hiperespectrais, é indicado o valor 1.
Caso se queria extrair níveis de pureza em sensores LandSat, pode ser indicado o valor
2, ou no máximo 3.
Quando a função estiver sendo executada, o gráfico vai mudar de iteração para iteração
em tempo real para separar os pixels puros. Note que o gráfico descreve uma curva
assintótica, o que é próprio de métodos iterativos.
Os pontos dos espectros resultantes são iguais a 1,0 onde há ajuste entre o contínuo e os
espectros da imagem e menores que 1,0 onde ocorrem feições de absorção.
- imagem de entrada:..\cup95eff.int
- imagem de saída:..\cup95_cr.dat
• Mova o reticulado que indica a posição da janela Zoom para atualizar o perfil de
outras posições. Use também o localizador de pixels e para examinar os espectros
das posições 503/581 e 542/533.
• Examine um perfil Z das áreas escuras dos dados cup95cr.dat e compare a curva
espectral com aquela, que foi examinada da imagem "Effort".
A função de ajuste espectral deve ser aplicada a dados cujos contínuos já tenham sido
removidos. Entretanto, o sistema executa a remoção simultaneamente ao ajuste, caso
não tenha sido feita preliminarmente.
Carregue as imagens de escala "Scale (Mean: Alunite 2.16...)" e "Scale (Mean: Kaolinite)
como imagem em tons em novas telas e aplique a função "Link" para comparar naquelas
com a imagem cujo contínuo já tenha sido removido.
Carregue as imagens de RMS "RMS (Mean: Alunite 2.16...)" e "RMS (Mean: Kaolinite)
como imagem em tons de cinza nas telas que foram usados para visualizar as imagens
de escala e aplique novamente a função "Link" para comparar aquelas com a imagem
cujo contínuo já tenha sido removido.
Defina uma ROI na dispersograma para valores baixos de RMS para todos intervalos do
Scale
Figura L-12: Visualizador n-D criado pelo assistente. Note que cada
classe é representada por uma cor.
• Após isso, o usuário já pode gerar uma imagem classificada usando o método do
Spectral Angle Mapper, o assistente explicará, através do título “Métodos de
Mapeamento” , os parâmetros necessários que o usuário deverá fornecer. Clique
em “next” e o software já criará a imagem classificada. Para visualizar a imagem
classificada, clique em “Load SAM Class Result”
1. Grade de Coordenadas
• Com a seleção dos parâmetros da grade, aparece a caixa de diálogo "Grid Line
Parameters", que controla os parâmetros do traçado das grades de coordenadas,
como o tamanho e o sistema de coordenadas.
Tamanho do retículo
Além de textos, podemos inserir símbolos, polígonos regulares, imagens e gráficos; tudo
sobreposto a imagem ou mapa. Um dos recursos mais interessantes desta aplicação é a
possibilidade que temos de inserir como símbolo, fontes "True Type". A vantagem é que
existem fontes "True Type" de símbolos disponíveis para praticamente todas as áreas de
trabalho, desde geografia, passando por aviação, planejamento urbano, agricultura, etc.
Isto cria uma oportunidade muito boa de enriquecer e o mapa ou imagem em termos de
informação gráfica.
Para obter os arquivos de fontes "True Type" basta adquiri-las na Internet e gravá-los no
diretório de fontes do sistema operacional (geralmente C:\Windows\Fonts para quem
trabalha com o sistema operacional Windows).
Inserindo Objetos
Na opção "Object" escolher o objeto e configurá-lo, arrastando-o até a posição desejada
na imagem ou mapa, e clicar no botão esquerdo.
Então podemos, caso se queira, editar o objeto, mudando sua cor, tamanho ou fonte.
Quando estiver concluída a edição do objeto, clique em qualquer parte da imagem com o
botão direito do "mouse" para finalizar.
Editando Objetos
Caso se queira modificar alguns dos objetos
inseridos na imagem, a edição dos mesmos é
simples. Podemos fazer de duas maneiras:
• Digite o título desejado da carta em “Main Title”; clicando com o lado direito do
mouse nos campos “Lower Left/Right Text”, aparece as informações de
georreferenciamento da imagem.
Note que ainda dá para fazer alguns consertos no nosso mapa, por exemplo, colocar em
português as palavras “Map Scale” , tirar as barras das milhas... para isso, basta
selecionar, dentro do menu da janela gráfica em que se abriu a carta-imagem, a
seqüência “Overlay – Annotation”; selecione com o botão esquerdo do mouse o que se
queira mudar, ou deletar.
Sumário
Apresentação da Interface do ENVI Zoom .................................................................. 3
ENVI Zoom
ENVI Zoom é um novo modo de visualização disponível a partir do ENVI 4.3. Sua
interface robusta e fácil de usar permite executar tarefas de visualização e manipulação
de imagens obtidas por técnicas de sensoriamento remoto. Dentre as ferramentas de
visualização estão as funções de contraste, brilho, realce e transparência. O dispositivo
também permite trabalhar com múltiplos “layers” de dados para serem visualizados em
uma única janela. Além disso, ENVI Zoom reprojeta e reamostra as imagens
instantaneamente.
Nas próximas versões do ENVI, serão implementadas novas funções para o ENVI Zoom.
Barra de menus
Barra de Ferramentas
Barras de Categorias
Janela Global
Modo 1
Modo 3
Modo 4
Barra de status
Windows: selecione -> Iniciar -> Programas -> RSI ENVI 4.3 -> ENVI Zoom, ou clique
duas vezes sobre o ícone de atalho “ENVI Zoom 4.3” da área de trabalho;
Configurando Preferências
Por “default” quando você abre um arquivo de imagem no ENVI Zoom, automaticamente,
a imagem é mostrada em verdadeira cor ou em tons de cinza, baseado no tipo de arquivo
que é carregado. Nesta demonstração, mostraremos como alterar as preferências de
visualização e a forma de gerenciar dados.
1. A partir da barra de menus, selecione “File > Preferences”; para que a caixa de
diálogo “ENVI Zoom Preferences” apareça.
Você pode carregar múltiplos Layers dentro de somente uma sessão do ENVI Zoom e
também gerenciá-los através do Layer Manager. No exercício anterior, você havia criado
separadamente layers em falsa cor e verdadeira cor de um mesmo arquivo. Ambos
podem ser visualizados no campo “Layer Manager”.
Reordenando Layers
Você pode controlar a ordem dos layers e visualizar janelas arrastando e soltando layers
presentes na árvore do gerenciador de camadas “Layer Manager tree” ou através do uso
do menu “options”.
1. Clique e arraste “Raster1: qb_boulder_pan” , presente no Layer Manager, sobre o
“Raster 2: qb_boulder_msi”.
Ocultando Layers
Por padrão, todos layers da janela Layer Manager são mostrados na janela principal de
visualização. Você pode, temporariamente, esconder a visualização do layer para que
possa trabalhar com outros layers na janela principal de visualização (Image window).
1. Clique com botão direito do mouse sobre Raster1: qb_boulder_msi no “Layer
Manager” e desabilite a opção “Show Layer” para oculta-lo na janela principal do
visualização.
2. Clique com o botão direito sobre Raster1: qb_boulder_msi, novamente, e habilite a
opção “Show Layer” para voltar a visualizar o layer, anteriormente desligado.
8. Clique no botão “Reset” de cada barra deslizante para retornar a posição inicial do
indicador.
3. Clique sobre o botão Pan da barra de ferramentas do ENVI Zoom. Ative a imagem
verdadeira cor (clique fora do Portal) e arraste ele ao redor da Image window.
Observe como o portal não acompanha mais o movimento gerado pela função Pan.
4. Clique no botão Select da barra de ferramentas ENVI Zoom para sair da função
Pan;
5. Clique uma vez dentro do portal para selecioná-lo, então coloque seu cursor na parte
superior do portal para visualizar, novamente, a barra de ferramentas do Portal.
6. Clique sobre o botão “Unpin” da barra de ferramentas do Portal.
Combinação de Layers
A função “Blending” permite executar uma transição gradual de uma imagem para outra,
pelo aumento da transparência de uma das imagens.
1. clique com o botão direito dentro do Portal e selecione, através do menu de atalho, a
função “Blend”. O mistura automática começa a partir da imagem verdadeira cor em
direção a imagem falsa cor.
2. Experimente aumentar a velocidade da mistura, usando os “botões direcionais” ,
disponíveis na barra de ferramentas do Portal.
3. Clique no botão “pause” na barra de ferramentas para encerrar a combinação de
imagens.
Alternação de Imagens
Esse recurso permite a alternação da visualização de dois layers dentro do Portal.
1. Clique com o botão direito do mouse sobre o Portal e selecione “Flicker”. A alternação
das imagens tem inicio a partir da imagem verdadeira cor para a imagem falsa cor.
2. Experimente aumentar ou diminuir a velocidade de alternação das imagens, clicando
sobre os “botões direcionais” da barra de ferramentas.
3. Clique sobre o botão “pause” da barra de ferramentas do portal para encerrar a
função.
4. Se você encerrar a função “flicker” enquanto a imagem verdadeira cor estiver sendo
visualizada, seu portal aparecerá transparente. Clique com o botão direito sobre o
portal e selecione “ Load New Layer Raster 1 : qb_boulder_msi.
Transposição de imagens
A função “swiping” permite executar uma transposição espacial entre uma imagem e outra
através de uma linha vertical divisória que move-se entre as duas imagens.
1. clique com o botão direito sobre o portal e selecione “Swipe”. Essa função
automaticamente inicia a transição entre a imagem cor verdadeira e a falsa cor.
BIBLIOGRAFIA
BOARDMAN, J.W. (1993). Automated spectral unmixing of AVIRIS data using convex geometry
concepts. In: 4th JPL Airborne Geoscience Workshop. Summaries. JPL Publication 93-26, v. 1, p.
11-14.
BOARDMAN, J.W. & KRUSE, F.A.. (1994). Automated spectral analysis: a geologic example using
AVIRIS data, North Grapevine Mountains, Nevada. In: 10th Thematic Conference on Geologic
Remote Sensing. Proceedings. Environmental Research Institute of Michigan, Ann Arbor, MI, p.
407-418.
BOARDMAN, J.W., KRUSE, F.A. & GREEN, R.O. (1994). Mapping target signatures via partial
unmixing of AVIRIS data. In: Summaries of the Summaries of the 5th JPL Airborne Earth Science
Workshop, JPL Publication 95-1, Jet Propulsion Labratory, Pasadena, Ca, p. 23-26.
CLARK, R.N., GALLAGHER, A.J. & SWAYZE, G.A. (1990). Material absorption band depth
mapping of imaging spectrometer data using the complete band shape least-squares algorithm
simultaneously fit to multiple spectral features from multiple materials. In: Preceedings of the 3rd
Airborne Visible/Infrared Imaging Spectrometer (AVIRIS) workshop, JPL Publication 90-54, Jet
Propulsion Labratory, Pasadena, Ca, p. 176-186.
CLARK, R.N., SWAYZE, G.A., GALLAGHER, A.J., GORELICK, N. & KRUSE, F.A. (1991). Mapping
with imaging spectrometer data using the complete band shape least-squares algorithm
simultaneously fit to multiple spectral features from multiple materials. In: Preceedings of the 3rd
Airborne Visible/Infrared Imaging Spectrometer (AVIRIS) workshop, JPL Publication 91-28, Jet
Propulsion Labratory, Pasadena, Ca, p. 2-3.
CLARK, R.N., SWAYZE, G.A. & GALLAGHER, A.J. (1992). Mapping the minerology and lithology
of Canyonlands, Utah with imaging spectrometer data and the multiple spectral feature algorithm.
In: Summaries of the 3rd Annual JPL Airborne Geoscience Workshop, JPL Publication 92-14, v 1,
Jet Propulsion Labratory, Pasadena, Ca, p. 11-13.
CLARK, R.N. & CROWLEY, J.K. (1992). AVIRIS study of Death Valley evaporite deposits using
least-squares band fittting methods. In: Summaries of the 3rd Annual JPL Airborne Geoscience
Workshop, JPL Publication 92-14, v 1, Jet Propulsion Labratory, Pasadena, Ca, p. 29-31.
CONEL, J.E., GREEN, R.O., VANE, G., BRUEGGE, C.J., ALLEY, R.E., & CURTISS, B.J. (1987).
Airborne imaging spectrometer-2: radiometric spectral characteristics and comparision of ways to
compensate for the atmosphere. In: SPIE, v. 834, p.140-157.
EASTMAN, J.R. (1994). IDRISI - exercícios tutorais. UFRGS, Instituto de Biociências, Centro de
Ecologia, Porto Alegre.
FOLEY, J.D., van DAM, A., FEINER, S.K., HUGHES, J.F. (1990). Computer Graphics: Principles
and Practice. Addison-Wesley, Reading, Massachusetts
GEGG, G. (1989). Klassifizierung von Siedlungsflächen und Verkehrsnetz mit Landsat TM Daten im
Raum Rosenheim. Diplomarbeit am Institut fuer Geographie der LMU. München.
GOETZ, A.F.H. & SRIVASTAVA, V. (1995). Minerological mapping in the Cuprite Mining District,
Nevada. In: Proceedings of the Airborne Imagimg Spectrometer Data Analysis Workshop, JPL
Publication 85-41, Jet Propulsion Labratory, Pasadena, Ca, p. 22 - 29.
HUDSON, W.D. & RAMM, C.W., Correct Formulation of the Kappa Coefficient of Agreement,
Photogrammetric Engeneering and Remote Sensing, V53, N 4, Apr 1987, pp 421-422.
KRONBERG, P. (1985). Fernerkundung der Erde - Grundlagen und Methoden der remote sensing
in der Geologie. Enke-Verlag, Stuttgart.
KRUSE, F.A. & RAINES, G.L.. (1984). A technique for enhancing digital color images by contrast
stretching in Munsell color space. In: International Symposium on Remote Sensing of Environment,
3rd Thematic Conference, 16-19 April, Colorado Springs, Colorado. Proceedings. ERIM, Ann Arbor,
MI, p. 755-760.
KRUSE, F.A., RAINES, G.L. & WATSON, K. (1985). Analytical techniques for extracting geological
information from multichannel airborne spectroradiometer and airborne imaging spectrometer data.
In: Proceedings of the 4th Thematic Conference on Remote Sensing for Exploration Geology,
Environmental Research Institute of Michigan (ERIM), Ann Arbor, MI, p. 309-324.
KRUSE, F.A. (1988). Use of Airborne Imaging Spectrometer Data To map minerals associated with
hydrothermally altered rocks in the nirthern Grapevine Mountains, Nevada and California. In:
Remote Sensing of Environment, v.24, no. 1, p.31-51.
KRUSE, F.A. , CALVIN, W.M. & O. SEZNEC (1988). Automated extraction of absorption features
from Airborne Visible/Infrared Imaging Spectrometer (AVIRIS) and Geophysical Environmental
Research imaging spectrometer (GERIS) data. In: Proceedings of the Airborne Visible/Infrared
Imaging Spectrometer (AVIRIS) performance evaluation workshop, JPL Publication 88-38, Jet
Propulsion Labratory, Pasadena, Ca, p. 62-75.
KRUSE, F.A. (1990). Artificial Intelligence for Analysis of Imaging Spectrometer Data. In:
Proceedings, ISPRS Commission VII, Working Group 2: “Analysis of High Spectral Resolution
Imaging Data”, Victoria, B.C., Canada, 17-21 September 1990, p. 59-68.
KRUSE, F.A. & LEFKOFF, A.B. (1993b). Knowledge-based geological mapping with imaging
spectrometers. In: Remote Sensing Reviews, Special Issue on NASA Innovative Research Program
(IRP) results, v. 8, p. 3-28.
KRUSE, F.A., LEFKOFF, A.B. & DIETZ, J.B. (1993c). Expert System-Based Mineral Mineral
Mapping in nothern Death Valley, California/Nevada using the Airborne Visible/Infrared Imaging
Spectrometer (AVIRIS) In: Remote Sensing of Environment, Special Issue on AVIRIS, May - June
1993, v.44, p. 309-336.
LILLESAND, T.M. & KIEFER (1979). Remote sensing and image interpretation. New York.
LOUGHLIN, W.P. (1991). Principal component analysis for alteration mapping. In: Photogrammetric
Engineering and Remote Sensing, 57(9): 1163-1169, Sept. 1991.
RAINES, G.L. (1977). Digital color analysis of color ratio Landsat scenes.
In: 11th International Symposium on Remote Sensing of Environment. Proceedings: University of
Michigan, Ann Arbor, p. 1463-1472.
ROBERTS, D.A., YAMAGUCHI, Y & LYON, R.J.P. (1985): Calibration of Airborne Imaging
Spectrometer Data to percent reflectance using field measurements. In: Proceedings of the 19th
International Symposium on Remote Sensing of Environment, Ann Arbour, MI, Oct. 21-25.
ROBERTS, D.A., YAMAGUCHI, Y & LYON, R.J.P. (1986): Comparision of various techniques for
calibration of AIS data. In: Proceedings of the 2nd AIS Workshop, JPL Publication 86-35, Jet
Propulsion Labratory, Pasadena, Ca, p. 21 - 30.
SMITH, H.J. (1993). Putting colors in order. Dr. Dobbs Journal, p. 40, July 1993.
SWAYZE, G.A. & CLARK, R.N. (1991). Spectral identification of minerals using imaging
spectrometry data: evaluation of the effects of signal to noise and spectral resolution using the
Tricorder. In: Summaries of the 5th Annual JPL Airborne Earth Science Workshop, JPL Publication
95-1, Jet Propulsion Labratory, Pasadena, Ca, p. 157-158.
VANE, G.; GOETZ, A..F.H.; GREGG (1985). Introduction to the proceedings of the Airborne
Imaging Spectrometer (AIS) Data Analysis Workshop. In: Airborne Imaging Spectrometer Data
Analysis Workshop. Proceedings. JPL Publication 85-41, Jet Propulsion Laboratory, Pasadena, CA,
p. 1-21.