Livro SPRING 512 PassoaPasso Aplicação Prática

Alexandre Rosa dos Santos
Professor Adjunto do Programa de Ps-Graduao em Cincias Florestais e

Departamento de Engenharia Rural do Centro de Cincias
Agrrias da UFES CCA-UFES

Telma Machado de Oliveira Peluzio
Engenheira Florestal e Mestranda do Programa de Ps-Graduao em
Cincias Florestais do Centro de Cincias Agrrias da UFES CCA-UFES

Nathlia Suemi Saito
Engenheira Florestal e Mestranda do Programa de Ps-Graduao em
Cincias Florestais do Centro de Cincias Agrrias da UFES CCA-UFES

SPRING 5.1.2 PASSO A PASSO
Aplicaes Prticas

Alegre - ES
2010
SPRING 5.1.2 PASSO A PASSO
Aplicaes Prticas

Copyright 2010, Dr. Alexandre Rosa dos Santos

Capa
Dr. Alexandre Rosa dos Santos ERU/CCA-UFES
Telma Machado de Oliveira Peluzio PPGCF/CCA-UFES
Nathlia Suemi Saito PPGCF/CCA-UFES

Editorao Eletrnica
Programa de Ps-graduao em Cincias Florestais da UFES PPGCF/CCA-UFES

Reviso Tcnica
Alexandre Cndido Xavier
Geraldo Rgis Mauri

Reviso Ortogrfica
Luciene Pinheiro de Souza FAFIA; E.E.E.F.M. Aristeu Aguiar

Contato
http://www.mundogeomatica.com.br
e-mail: mundogeomatica@yahoo.com.br
Tel.: (28) 3552 8632 ou (28) 99260262

TODOS OS DIREITOS RESERVADOS O livro gratuito podendo ser impresso. A violao
dos direitos autorais (Lei n
o
9.610/98) crime (art. 184 do Cdigo Penal). Depsito legal na
Biblioteca Nacional, conforme Decreto n
o
1.825, de 20/12/1907. O autor seu professor,
respeite-o, sempre citando seu nome em possveis publicaes.

Rua Monsenhor Pavesi, 275, Centro, Alegre ES
e-mail: graficafm@hotmail.com
Dados Internacionais de Catalogao-na-publicao (CIP)
(Biblioteca Setorial de Cincias Agrrias, Universidade Federal do Esprito Santo, ES, Brasil)

Santos, Alexandre Rosa dos, 1974-
S237s SPRING 5.1.2 : passo a passo : aplicaes prticas / Alexandre Rosa dos Santos,
Telma Machado de Oliveira Peluzio, Nathlia Suemi Saito. Alegre, ES : CAUFES,
2010.
153 p. : il. ; 30 cm.

ISBN 978-85-61890-06-3

1. Sensoriamento remoto. 2. Geomtica. 3. Sistemas de coleta automtica de
dados. 4. Cartografia Processamento de dados. 5. Geografia Servios de
informao. I. Peluzio, Telma Machado de Oliveira. II. Saito, Nathlia Suemi. III.
Ttulo. IV. Ttulo: Passo a passo : aplicaes prticas.

CDU: 528.8

3
DEDICATRIA

Ns, autores, dedicamos este livro aos familiares que sempre acreditaram em nossos
trabalhos.

AGRADECIMENTOS

Universidade Federal do Esprito Santo (UFES), em especial ao Programa de Ps-graduao
em Cincias Florestais da UFES (PPGCF/UFES) e Departamento de Engenharia Rural da
UFES (ERU/UFES).

Aos professores do Programa de Ps-graduao em Cincias Florestais da UFES -
PPGCF/UFES pela contribuio e apoio para elaborao deste livro.

Prefeitura Municipal de Alegre por ter disponibilizado parte da base de dados, alm de
fornecer apoio logstico para a coleta de informaes em campo.

Aos rgos Instituto Nacional de Pesquisas Espaciais (INPE), Instituto Estadual de Meio
Ambiente e Recursos Hdricos (IEMA) e Ncleo de Estudos e de Difuso de Tecnologia em
Floresta, Recursos Hdricos e Agricultura Sustentvel (NEDTEC), que disponibilizaram parte do
banco de dados espaciais para a elaborao dos exerccios deste livro.

Em especial, a todos que, direta ou indiretamente, contriburam para o desenvolvimento deste
livro.

COLABORADORES

UFES - Universidade Federal do Esprito Santo.
PPGCF/UFES - Programa de Ps-Graduao em Cincias Florestais da UFES.
NEDTEC/UFES - Ncleo de Estudos e de Difuso de Tecnologia em Floresta, Recursos
Hdricos e Agricultura Sustentvel.
IJSN - Instituto Jones dos Santos Neves.
ERU/UFES - Departamento de Engenharia Rural da UFES.
PMA - Prefeitura Municipal de Alegre, ES.
IEMA - Instituto Estadual de Meio Ambiente e Recursos Hdricos.
INPE - Instituto Nacional de Pesquisas Espaciais.

4

REFLEXO

SATLITE

Fim de tarde.
No cu plmbeo
A Lua baa
Paira
Muito cosmograficamente
Satlite.

Desmetaforizada,
Desmitificada,
Despojada do velho segredo de melancolia,
No agora o golfo de cismas,
O astro dos loucos e dos enamorados.
Mas to-somente
Satlite.

Ah Lua deste fim de tarde,
Demissionria de atribuies romnticas,
Sem show para as disponibilidades sentimentais!

Fatigado de mais-valia,
Gosto de ti assim:
Coisa em si,
- Satlite.
Manuel Bandeira

FABRICANTE

Produto: SPRING: Sistema de Informaes Georeferenciadas

Com o objetivo de disseminar amplamente as tcnicas de Geoprocessamento e Sensoriamento
Remoto, o SPRING, nas verses Linux e Windows 95/98/NT/ME/2000/XP/Vista, pode ser
obtido livremente ("freeware") via Internet.

Voc poder copiar e redistribuir livremente o sistema, mas o INPE mantm o copyright. No
se pode modificar, vender ou emprestar o software.

O SPRING um SIG (Sistema de Informaes Geogrficas) no estado-da-arte com funes de
processamento de imagens, anlise espacial, modelagem numrica de terreno e consulta a
bancos de dados espaciais.

O SPRING um projeto do INPE / DPI (Diviso de Processamento de Imagens) com a
participao de:
EMBRAPA/CNPTIA - Centro Nacional de Pesquisa Tecnolgica em Informtica para
Agricultura.
IBM Brasil - Centro Latino-Americano de Solues para Ensino Superior e Pesquisa.
TECGRAF - PUC Rio - Grupo de Tecnologia em Computao Grfica da PUC-Rio.
PETROBRS/CENPES - Centro de Pesquisas "Leopoldo Miguez".

O projeto contou com substancial apoio financeiro do CNPq, atravs dos programas RHAE e
PROTEM/CC (projeto GEOTEC).

Home-page: http://www.dpi.inpe.br/spring/

5
Nota: Todas as marcas e imagens de hardware, software e outros, utilizados e/ou
mencionados nesta obra, so propriedades de seus respectivos fabricantes e/ou criadores. O
autor se responsabiliza totalmente pelo contedo descrito no livro. O objetivo do autor
disponibilizar para os usurios do aplicativo Spring 5.1.2 um material de referncia para suas
aplicaes prticas e tericas relacionadas com os dados espaciais, contribuindo de forma
positiva com o fabricante, pois mais usurios iro se interessar e adquirir o produto.

REQUISITOS BSICOS DE HARDWARE

Os requisitos para ambiente Windows so:

Computador - PC, com CPU de velocidade de 500 MHz ou superior com 64 MB de
memria (128 Mb recomendados);
70 MB de espao em disco para instalao do software, com 50 MB adicionais para
exemplos;
Sistema Operacional: Windows 95/98/ME/NT/XP/Vista.

PREFCIO

Ns temos trabalhado com o aplicativo SPRING desde as verses anteriores e, cada verso
lanada, nos impressionava ainda mais. Atualmente, as caractersticas tcnicas do SPRING
5.1.2. so consideradas imprescindveis, possibilitando a coleta, edio, armazenamento e
gerncia de dados espaciais, assim como a explorao, anlise geogrfica e a visualizao
destes dados.

Um dos pontos fortes do SPRING 5.1.2. a sua diversidade de aplicaes em diferentes reas
do conhecimento, apresentando um carter multidisciplinar, possibilitando o uso de
ferramentas especficas para cada atividade a ser executada, sendo dispensvel a utilizao
de outros aplicativos computacionais concorrentes.

Este livro foi idealizado a partir da necessidade de se criar um material prtico, inteligente,
objetivo, rpido e de fcil entendimento a todos os leitores.

Apresentando exerccios aplicveis para dados espaciais, este livro tem por objetivo atingir
diferentes faixas de usurios do mercado porque no se limita a ensinar comandos ou funes
complexas. O livro apresenta ao leitor, claramente, o tipo de atividade que ele ir desenvolver e
explica passo a passo todos os procedimentos necessrios para a sua execuo.

6

NDICE ANALTICO

DEDICATRIA.................................................................................................................................. 3
AGRADECIMENTOS......................................................................................................................... 3
COLABORADORES........................................................................................................................... 3
REFLEXO........................................................................................................................................ 4
FABRICANTE..................................................................................................................................... 4
REQUISITOS BSICOS DE HARDWARE ....................................................................................... 5
PREFCIO......................................................................................................................................... 5
NDICE ANALTICO........................................................................................................................... 6
NDICE DE FIGURAS........................................................................................................................ 7
NDICE DE TABELA.......................................................................................................................... 9
CAPTULO 1 - VISUALIZANDO IMAGENS DE SATLITES E AEROFOTOS DIGITAIS............... 10
1.1. CONHECENDO O SPRING 5.1.2.......................................................................................... 10
1.2. HISTRICO DO SPRING 5.1.2............................................................................................. 10
1.3. AQUISIO GRATUITA DO SPRING 5.1.2.......................................................................... 11
1.4. VISUALIZANDO IMAGENS DOS SATLITES CBERS, LANDSAT E IKONOS.................... 12
1.5. VISUALIZANDO AEROFOTOS DIGITAIS DA CIDADE DE ALEGRE, ES............................ 33
CAPTULO 2 - CONTRASTE DE IMAGENS DIGITAIS.................................................................... 38
2.1. INTRODUO AO PROCESSAMENTO DIGITAL DE IMAGENS........................................ 38
2.2. CONTRASTE DE IMAGENS.................................................................................................. 39
CAPTULO 3 - TRANSFORMAO IHS <- > RGB DE IMAGENS.................................................. 51
3.1. TRANSFORMAO IHS < - > RGB DE IMAGENS............................................................... 51
CAPTULO 4 - FILTRAGEM DE IMAGENS DIGITAIS..................................................................... 60
4.1. FILTRAGEM DE IMAGENS................................................................................................... 60
CAPTULO 5 - OPERAES ARITMTICAS ENTRE IMAGENS................................................... 77
5.1. NORMALIZAO RADIOMTRICA DE IMAGENS DO SATLITE CBERS PARA O
QUADRANTE REPRESENTATIVO DA BACIA HIDROGRFICA DO RIO ALEGRE,
ES.................................................................................................................................................. 77
CAPTULO 6 - NDICES DE VEGETAO...................................................................................... 90
6.1. NDICE DE VEGETAO..................................................................................................... 90
CAPTULO 7 - CLASSIFICAO DE IMAGENS DE SATLITE..................................................... 98
7.1. CLASSIFICAO DE IMAGENS DIGITAIS.......................................................................... 98
7.2. CLASSIFICAO PIXEL A PIXEL E POR REGIO.......................................................... 99
7.3. CLASSE INFORMAL E CLASSE ESPECTRAL.................................................................... 100
7.4. CLASSIFICAO SUPERVISIONADA E NO-SUPERVISIONADA................................... 100
7.5. ALGORITMOS DE CLASSIFICAO................................................................................... 101
7.6. MAPEAMENTO DO USO E OCUPAO DO SOLO USANDO O MTODO DE
CLASSIFICAO SUPERVISIONADA DE MXIMA VEROSSIMILHANA (MAXVER)............ 108
CLASSIFICAO SUPERVISIONADA DE BHATTACHARYA.............................................. 128
CLASSIFICAO NO-SUPERVISIONADA ISOSEG................................................................ 136
7.9. TRABALHOS CIENTFICOS RELACIONADOS COM CLASSIFICAO DE IMAGENS... 140
CAPTULO 8 ANLISE DE COMPONENTES PRINCIPAIS 142
8.1. INTRODUO...................................................................................................................... 142
8.2. ELABORAO DE IMAGENS DE COMPONENTES PRINCIPAIS...................................... 142
8.3. EXEMPLO DE APLICAO.................................................................................................. 146

7

NDICE DE FIGURAS

Figura 1.1 - Home-page do Programa CBERS................................................ 12
Figura 1.2 - Home-pages: a) Mundo da Geomtica e b) Livro Spring 5.1.2: aplicaes prticas....... 14
Figura 1.3 - Pasta Livro_Spring_Alegre_ES extrada dentro da Unidade C....................................... 14
Figura 1.4 - Locais importantes da cidade de Alegre, ES sobre a imagem IKONOS.......................... 32
Figura 1.5 - Parque de exposio da cidade de Alegre....................................................................... 34
Figura 1.6 - Centro de Cincias Agrrias da UFES CCA-UFES....................................................... 34
Figura 1.7 - Regio central da cidade de Alegre.................................................................................. 34
Figura 1.8 - Cobertura de imagens CBERS para o municpio de Cachoeiro de Itapemirim, ES......... 36
Figura 1.9 - Amostras de categorias de uso e ocupao de solo extradas de uma imagem do
satlite QUICK BIRD com resoluo espacial de 60 cm em composio normal e falsa-cor.............. 37
Figura 2.1 - Etapas do processamento digital de imagens.................................................................. 38
Figura 2.2 - rea 1 - quadrante representativo do Campus da Universidade Federal do Esprito
Santo (UFES) Imagem do satlite QUICKBIRD em composio
falsa cor resoluo espacial de 2,4 m............................................................................................... 40
Figura 2.3 - Histograma e imagem antes (a) e aps (b) a aplicao do contraste (contraste linear)
no SPRING 5.1.2................................................................................................................................... 41
Figura 2.4 - Histograma e imagem antes (a) e aps (b) a aplicao do contraste (contraste linear)
no SPRING 5.1.2................................................................................................................................... 41
Figura 2.5 - Funo de mapeamento................................................................................................... 41
Figura 3.1 - Relao espacial entre o sistema RGB e IHS.................................................................. 52
Figura 3.2 - Comparao entre imagens em falsa cor do satlite QUICBIRD antes e aps a
transformao IHS................................................................................................................................ 53
Figura 3.3 - ltima imagem em falsa-cor exibida no Captulo 2.......................................................... 53
Figura 3.4 - Ampliao de imagens em falsa cor da rea central da UFES (biblioteca central). a)
resoluo espacial de 0,6 m oriunda da transformao IHS <-> RGB e, b) resoluo espacial de
2,4 m antes da transformao IHS <-> RGB........................................................................................ 58
Figura 3.5 - Ampliao de uma imagem em falsa cor (resoluo de 0,6 m) oriunda de uma
transformao IHS <-> RGB da rea representativa do Campus da UFES Central, Vitria, ES......... 58
Figura 3.6 - Transformao IHS <-> RGB - Composio Normal Bandas do azul, verde e
vermelho................................................................................................................................................ 59
Figura 4.1 - Mscaras dos filtros de Passa Baixa-Mdia 3x3, 5x5 e 7x7............................................. 61
Figura 4.2 - Comparao entre diferentes filtros Passa Baixa-Mdia sobre a banda infravermelho
do satlite IKONOS representativa do Parque de Exposio da cidade de Alegre, ES....................... 61
Figura 4.3 - Mscaras dos filtros de Passa Baixa Mdia Ponderada 3x3............................................ 61
Figura 4.4 - Aplicao do filtro de passa baixa mdia ponderada (3 x 3) sobre a banda
infravermelho do satlite IKONOS representativa do Parque de Exposio da cidade de Alegre,
ES.......................................................................................................................................................... 62
Figura 4.5 - Exemplos de mscaras de filtros de Passa Alta 3 x 3...................................................... 62
Figura 4.6 - Aplicao do filtro de passa-alta (3 x 3) sobre a banda infravermelho do satlite
IKONOS representativa do Parque de Exposio da cidade de Alegre, ES........................................ 62
Figura 4.7 - Principais mscaras direcionais de realce de bordas....................................................... 63
Figura 4.8 - Aplicao do filtro direcional de realce de bordas Norte (3 x 3) sobre a banda
infravermelho do satlite IKONOS representativa do Parque de
Exposio da cidade de Alegre, ES...................................................................................................... 63
Figura 4.9 - Exemplos de mscaras de filtros no direcionais de realce de bordas............................ 63
Figura 4.10 - Aplicao do filtro no-direcional de realce de bordas baixa (3 x 3) sobre a banda
ES.......................................................................................................................................................... 64
Figura 4.11 - Mscara de realce para imagens do satlite TM/LANDSAT.......................................... 64
Figura 4.12 - Aplicao do filtro de realce para imagens do satlite TM/LANDSAT (4 x 4) sobre a
banda infravermelho do satlite TM/LANDSAT representativa do municpio de Alegre, ES................ 64
Figura 4.13 - Mscara representativa do operador de Roberts........................................................... 65
Figura 4.14 - Aplicao da filtragem no linear para deteco de bordas utilizando o operador de
Roberts sobre a banda infravermelho do satlite IKONOS representativa do Parque de Exposio
da cidade de Alegre, ES....................................................................................................................... 65
Figura 4.15 - Mscaras do operador de Sobel..................................................................................... 65
Figura 4.16 - Aplicao da filtragem no linear para deteco de bordas utilizando o operador de
Sobel sobre a banda infravermelho do satlite IKONOS representativa do Parque de Exposio da
cidade de Alegre, ES............................................................................................................................ 66
Figura 4.17 - Exemplo para aplicao dos filtros morfolgicos............................................................ 66
Figura 4.18 - Aplicao da filtragem no linear morfolgica de mediana sobre a banda
ES.......................................................................................................................................................... 67
Figura 4.19 - Aplicao da filtragem no linear Morfolgico-Eroso sobre a banda infravermelho do 67

8
satlite IKONOS representativa do Parque de Exposio da cidade de Alegre, ES............................
Figura 4.20 - Aplicao da filtragem no linear Morfolgico-Dilatao sobre a banda infravermelho
do satlite IKONOS representativa do Parque de Exposio da cidade de Alegre, ES....................... 68
Figura 4.21 - Mscaras comumente utilizadas para filtros morfolgicos............................................. 68
Figura 4.22 - Abertura de uma imagem: aplicao encadeamento de filtros (eroso seguido de
dilatao) sobre a banda infravermelho do satlite IKONOS representativa do Parque de
Exposio da cidade de Alegre, ES............................................................................................ 69
Figura 4.23 - Fechamento de uma imagem: aplicao encadeamento de filtros (dilatao seguido
de eroso) sobre a banda infravermelho do satlite IKONOS representativa do Parque de
Exposio da cidade de Alegre, ES...................................................................................................... 69
Figura 4.24 - Banda infravermelho do satlite IKONOS representativa do Parque de Exposio da
cidade de Alegre, ES, antes (a) e aps (b) a aplicao do filtro de Passa Baixa-Mdia 3 x 3............. 72
Figura 4.25 - Coordenadas geogrficas do pixel a ser testado aps a filtragem de Passa Baixa-
Mdia..................................................................................................................................................... 72
Figura 4.26 - Caractersticas do pixel a ser filtrado.............................................................................. 73
Figura 4.27 - Valores nos nveis de cinza dos pixels vizinhos e central: a) mscara da imagem de
origem e b) da imagem filtrada............................................................................................................. 73
Figura 4.28 - Representao da mscara do Filtro de Passa Baixa-Mdia 3 x 3, valores dos nveis
de cinza da imagem original e imagem filtrada..................................................................................... 73
cidade de Alegre, ES, antes (a) e aps (b) a aplicao do Filtro de Passa Baixa-Mdia 5 x 5............ 75
cidade de Alegre, ES, antes (a) e aps (b) a aplicao do filtro de Passa Baixa-Mdia (7 x 7)........... 76
Figura 5.1 - Trabalho publicado no XI SBSR........................................................................................ 79
Figura 5.2 - Comparao entre as imagens de referncia, ajuste e normalizada................................ 89
Figura 5.3 - Comparao entre o histograma das imagens de referncia, ajuste e
normalizada........................................................................................................................................... 89
Figura 6.1 - Comparao entre o NDVI de reas vegetadas (a) e no vegetadas com presena de
edificaes (b)....................................................................................................................................... 95
Figura 6.2 - NDVI na Floresta Nacional de Pacotuba, Cachoeiro de Itapemirim, ES, para os anos
de 1985 e 2007..................................................................................................................................... 96
Figura 6.3 - Variao temporal da cobertura vegetal da Floresta Nacional de Pacotuba, Cachoeiro
de Itapemirim, ES, entre os anos de 1985 e 2007................................................................................ 96
Figura 6.4 - Trabalho publicado no XIV SBSR..................................................................................... 97
Figura 7.1 - Uso e ocupao do solo gerado pelo algoritmo de classificao da mxima
verossimilhana (Maxver) de uma rea pertencente ao bairro Pavuna, Alegre,
ES.......................................................................................................................................................... 98
Figura 7.2 - Imagem numrica oriunda da composio colorida em falsa-cor (a) e imagem
classificada (b)...................................................................................................................................... 99
Figura 7.3 - Etapas necessrias para a classificao supervisionada................................................ 100
Figura 7.4 - Esquema de aplicao do algoritmo de classificao do paraleleppedo (EASTMAN,
1998, adaptado).................................................................................................................................... 103
Figura 7.5 - Esquema de aplicao do algoritmo de classificao da distncia mnima euclidiana
(EASTMAN, 1998, adaptado)............................................................................................................... 104
Figura 7.6 - Limite de deciso.............................................................................................................. 105
Figura 7.7 - Esquema de aplicao do algoritmo de classificao da mxima verossimilhana
(EASTMAN, 1998, adaptado)............................................................................................................... 105
Figura 7.8 - Resultados estatsticos da classificao supervisionada usando o mtodo da Mxima
Verossimilhana (MAXVER)................................................................................................................. 120
Figura 7.9 - Modelo do layout elaborado no programa Scarta............................................................. 127
Figura 7.10 - Amostras de treinamento selecionadas.......................................................................... 132
Figura 7.11 - Resultados estatsticos da classificao supervisionada usando o mtodo de
Bhattacharya........................................................................................................................................ 136
Figura 7.12 - Resultados estatsticos da classificao no-supervisionada pelo mtodo Isoseg........ 140

Figura 8.1 - Telas no SPRING representativas das imagens do satlite IKONOS.............................. 143
Figura 8.2 - Telas no SPRING representativas das imagens dos componentes principais
processados.......................................................................................................................................... 145
Figura 8.3 - Resultados estatsticos da anlise de componentes principais........................................ 145
Figura 8.4 - Amostra de uma imagem do satlite IKONOS. a) Banda 3 (Vermelho) e b) Banda 4
(Infravermelho)...................................................................................................................................... 146
Figura 8.5 - Disperso de 9 tratamento em relao aos componentes principais
1
Y e
2
Y .................
153
Figura 8.6 - Valores digitais (nveis de cinza) das bandas espectrais do vermelho (banda 3)(X1) e
infravermelho (banda 4) (X2) e da componente principal 1 (Y1)............................................................ 154
Figura 8.7 - Valores digitais (nveis de cinza) das bandas espectrais do vermelho (banda 3)(X1) e
infravermelho (banda 4) (X2)................................................................................................................. 154

9
NDICE DE TABELAS

Tabela 1.1 - Imagens dos satlites CBERS, LANDSAT 7 e IKONOS correspondentes rea de
estudo................................................................................................................................................... 13
Tabela 1.2 - Modelos de dados disponveis no Spring........................................................................ 19
Tabela 1.3 - Imagens dos satlites LANDSAT e IKONOS representativas da rea estudo................ 30
Tabela 1.4 - Composio colorida normal das aerofotos digitais representativas da rea estudo..... 33
Tabela 2.1 -. Imagens do satlite QUICKBIRD oriundas do quadrante representativo do Campus
da Universidade Federal do Esprito Santo (UFES)............................................................................ 39
Tabela 2.2 - Caractersticas dos mtodos de realce de contraste disponibilizados no SPRING
5.1.2..................................................................................................................................................... 42
Tabela 2.3 -. Bandas espectrais do satlite QUICKBIRD disponibilizadas no banco de dados
[UFES].................................................................................................................................................. 50
Tabela 2.4 - Mtodos de realce de imagem a serem utilizados no SPRING ..................................... 50
Tabela 3.1 -. Imagens do satlite QUICKBIRD oriundas do quadrante representativo do Campus
da Universidade Federal do Esprito Santo (UFES)............................................................................ 52
Tabela 5.1 - Comparao dos valores de mdia e varincia das imagens de referncia, ajuste e
normalizada.......................................................................................................................................... 88
Tabela 7.1 - Algoritmos de classificao mais comuns....................................................................... 101
Tabela 7.2 - Resultado estatstico de cinco classes nas bandas 4 e 5............................................... 107
Tabela 7.3 - Nome e cor das amostras de treinamento a serem criadas............................................ 110
Tabela 7.4 - Intervalo de aceitao dos resultados do ndice Kappa.................................................. 113
Tabela 7.5 - Nome e cor das classes a serem criadas........................................................................ 117
Tabela 7.6 - Temas e suas classes respectivas de associao.......................................................... 118
Tabela 7.7- Resultados estatsticos da classificao supervisionada usando o mtodo da Mxima
Verossimilhana (MAXVER)................................................................................................................ 120
Tabela 7.8- Nome e cor das amostras de treinamento a serem criadas............................................. 132
Tabela 7.9- Resultados estatsticos da classificao supervisionada usando o mtodo de
Bhattacharya........................................................................................................................................ 136
Tabela 7.10- Temas e suas respectivas classes................................................................................. 138
Tabela 7.11- Resultados estatsticos da classificao no-supervisionada pelo mtodo Isoseg....... 139
Tabela 8.1 - Imagens do satlite IKONOS do quadrante representativo do Parque de Exposio
da cidade de Alegre, ES...................................................................................................................... 142
Tabela 8.2 - Observaes relativas a duas variveis (X1 e X2) avaliadas em 9 indivduos
(tratamentos)........................................................................................................................................ 147
Tabela 8.3 - Escores relativos aos 9 tratamentos obtidos em relao aos 2 componentes
principais.............................................................................................................................................. 152
Tabela 8.4 - Componentes principais obtidos da anlise de duas variveis....................................... 153
_________Captulo 1 Visualizando Imagens de Satlites e Aerofotos Digitais
Dados espaciais (imagens matriciais e vetoriais) disponibilizados pelo INPE, IEMA-ES, NEDTEC-UFES e IJSN
10

Visualizando Imagens de Satlites e
Aerofotos Digitais
01
CAPTULO

Este captulo tem como objetivo principal apresentar o aplicativo SPRING 5.1.2 queles que
ainda no conhecem essa fabulosa ferramenta para se trabalhar com dados espaciais. As
informaes descritas neste captulo foram extradas do prprio SISTEMA DE AJUDA DO
SPRING 5.1.2, aliadas descrio das atividades prticas de sensoriamento remoto
desenvolvidas para o quadrante representativo da bacia hidrogrfica do Rio Alegre, ES, situada
no municpio de Alegre, extremo Sul do Estado do Esprito Santo.

Os assuntos abordados neste captulo sero:

Conhecendo o SPRING 5.1.2.
Histrico e objetivos do SPRING 5.1.2.
Visualizando imagens dos satlites CBERS, LANDSAT e IKONOS (imagens de 42,21 KB).
Visualizando aerofotos digitais da cidade de Alegre, ES.

1.1 - CONHECENDO O SPRING 5.1.2______________________________________
.

O produto SPRING (Sistema para Processamento de Informaes Georeferenciadas) um banco de dados
geogrfico, desenvolvido pelo INPE (Instituto Nacional de Pesquisas Espaciais) para ambientes UNIX e
Windows com as seguintes caractersticas:

Opera como um banco de dados geogrficos sem fronteiras e suporta grande volume de
dados (sem limitaes de escala, projeo e fuso), mantendo a identidade dos objetos
geogrficos ao longo de todo banco;
Administra tanto dados vetoriais como dados matriciais (raster), e realiza a integrao de
dados de Sensoriamento Remoto num SIG;
Prove um ambiente de trabalho amigvel e poderoso, atravs da combinao de menus e
janelas com uma linguagem espacial facilmente programvel pelo usurio (LEGAL -
Linguagem Espao-Geogrfico baseada em lgebra);
Consegue escalonabilidade completa, isto , ser capaz de operar com toda sua
funcionalidade em ambientes que variem desde microcomputadores a estaes de trabalho
RISC de alto desempenho.

Para alcanar estes objetivos, o SPRING baseado num modelo de dados orientado a objetos, do qual so
derivadas sua interface de menus e a linguagem espacial LEGAL. Algoritmos inovadores, como os
utilizados para indexao espacial, segmentao de imagens e gerao de grades triangulares, garantem o
desempenho adequado para as mais variadas aplicaes.

Outra caracterstica, considerada extremamente importante, que a base de dados nica, isto , a
estrutura de dados a mesma quando o usurio trabalha em um microcomputador (IBM-PC) e em uma
mquina RISC (Estaes de Trabalho UNIX), no havendo necessidade alguma de converso de dados. O
mesmo ocorre com a interface, a qual exatamente a mesma, de maneira que no existe diferena no
modo de operar o produto SPRING.

1.2 HISTRICO DO SPRING 5.1.2 .

O desenvolvimento de uma nova gerao de sistemas de processamento de imagens e geoprocessamento
no INPE iniciou-se em 1991 e teve seu primeiro resultado concreto em 1993, com o lanamento da verso
1.0 do SPRING (Sistema para Processamento de Informaes Georeferenciadas). A evoluo do sistema
SPRING durante os anos levou ao lanamento em 1996 da verso 2.0; em maio de 1998, a verso 3.0
(Windows); em outubro de 1998, a verso 3.1.1; em janeiro de 1999, a verso 3.2 (Windows); em maio
11
de 1999, a verso 3.3 (Windows); em maio de 2000, a verso 3.4 (Windows); em maro de 2001, a verso
3.5 (Windows e Linux); em agosto de 2003, a verso 4.0 (Windows); em julho de 2004, a verso 4.1
(Windows); em maro de 2005, a verso 4.1 (Linux); em setembro de 2005, a verso 4.2 (Windows); em
julho de 2006, a verso 4.3 (Windows e Linux); em julho de 2008, a verso 5.0 (Windows e Linux).
Atualmente, encontra-se disponibilizado, a verso 5.1.2 (Windows e Linux) para Sistemas Operacionais
de 32 bits.

O SPRING tem se mostrado uma opo altamente atrativa na rea de geoprocessamento, pois um
software de domnio pblico, podendo ser adquirido pela internet ("http://www.dpi.inpe.br/spring"),
bastando se cadastrar na prpria "home-page".

1.3 AQUISIO GRATUITA DO SPRING 5.1.2_____________________________

Para aquisio gratuita do SPRING 5.1.2 (Sistema para Processamento de Informaes
Georeferenciadas) basta acessar a home-page http://www.dpi.inpe.br/spring.

Na home-page http://www.dpi.inpe.br/spring siga os seguintes passos:

1. Clique no link Portugus.
2. Na home-page http://www.dpi.inpe.br/spring/portugues/index.html clique no link download.
3. Na home-page http://www.dpi.inpe.br/spring/portugues/download.php, digite seu e-mail
no campo e-mail.
4. Clique no boto Cadastro. Caso voc j tenha realizado o cadastro, basta digitar seu e-
mail e senha.
5. Na pgina de cadastro, preencha os campos em brancos e clique no boto Enviar Dados.

Agora basta acessar novamente a home-page de download do SPRING 5.1.2 para fazer sua
aquisio gratuita com seu e-mail e senha j cadastrados.

5
3

4

2
1

12
1.4 VISUALIZANDO IMAGENS DOS SATLITES CBERS, LANDSAT E IKONOS

Nesta etapa, voc ir visualizar imagens dos satlites CBERS, LANDSAT e IKONOS de reas
representativas da bacia hidrogrfica do Rio Alegre, ES, situadas no municpio de Alegre,
extremo Sul do Estado do Esprito Santo.

As imagens dos satlites (CBERS e LANDSAT) a serem utilizadas foram obtidas gratuitamente
na home-page do Programa CBERS (Figura 1.1) disponibilizada na pgina do Instituto
Nacional de Pesquisas Espaciais INPE, (http://www.cbers.inpe.br).

Figura 1.1. Home-page do Programa CBERS.

As bandas espectrais dos satlites CBERS, LANDSAT 7 e IKONOS (imagens de 42,21 KB)
correspondentes rea de estudo, que sero utilizadas neste captulo, so as descritas na
Tabela 1.1. Estas so representativas das seguintes datas:

Imagens do satlite CBERS: 21 de julho de 2008.
Imagens do satlite LANDSAT 7: 30 de maio de 2001 e 05 de agosto de 2002.
Imagens do satlite IKONOS: 01 de dezembro de 2002.

13
Tabela 1.1. Imagens dos satlites CBERS, LANDSAT 7 e IKONOS correspondentes rea de
estudo.

SATLITE CBERS (21/07/08)
BANDAS ESPECTRAIS
CMERA CCD
INTERVALO DE COMPRIMENTO DE ONDA
( m )
FAIXA ESPECTRAL
Banda1_210708 0,45 - 0,52 (20 m) Azul
Banda2_210708 0,52 - 0,59 (20 m) Verde
Banda3_210708 0,63 - 0,69 (20 m) Vermelho
Banda4_210708 0,77 - 0,89 (20 m) Infravermelho prximo
Banda5_210708 0,51 - 0,73 (20 m) Pancromtica
SATLITE LANDSAT 7
BANDAS ESPECTRAIS
SENSOR ETM+
30/05/2001 05/08/2002
INTERVALO DE
COMPRIMENTO DE
ONDA ( m )
FAIXA ESPECTRAL
b1_300501 b1_050802 0.45 - 0.52 (30 m) Azul
b2_300501 b2_050802 0.53 - 0.61 (30 m) Verde
b3_300501 b3_050802 0.63 - 0.69 (30 m) Vermelho
b4_300501 b4_050802 0.78 - 0.90 (30 m) Infravermelho prximo
b5_300501 b5_050802 1.55 - 1.75 (30 m) Infravermelho mdio
b6_300501 b6_050802 10.4 - 12.5 (60 m) Infravermelho termal
b7_300501 b7_050802 2.09 - 2.35 (30 m) Infravermelho mdio
b8_300501 b8_050802 0.52 - 0.90 (15 m) Pancromtica
SATLITE IKONOS (01/12/02)
BANDAS ESPECTRAIS
( m )
FAIXA ESPECTRAL
Ikonos_band_1 0.45 - 0.52 (4 m) Azul
Ikonos_band_2 0.52 - 0.60 (4 m) Verde
Ikonos_band_3 0.63 - 0.69 (4 m) Vermelho
Ikonos_band_4 0.76 - 0.90 (4 m) Infravermelho

OBSERVAO
O satlite IKONOS II foi lanado no dia 24 de setembro de 1999, est operacional desde o
incio de janeiro de 2000 sendo operado pela SPACE IMAGING que detm os direitos de
comercializao em todo o mundo fora da ndia. Portanto, visando no comprometer os
direitos de comercializao da SPACE IMAGING, neste livro, as imagens dos satlites
IKONOS so disponibilizadas num tamanho reduzido (pequena amostra equivalente a uma
rea de 0,7 km) com tamanho de 42,21 KB. Abaixo, seguem os contatos comerciais da
SPACE IMAGING do Brasil:

Endereo: Rua da Assembleia 10 S1. 4015 Centro - CEP: 20011-901 Rio de Janeiro, RJ
Telefones: (55) ** 21 2102-7070 / (55) ** 21 2102-7080 (FAX)
Home-page: http://www.spaceimaging.com.br

PREPARAO DA BASE DADOS NO WINDOWS EXPLORER

Para realizar o download gratuito do livro SPRING 5.1.2: aplicaes prticas basta acessar a
home-page do Mundo da Geomtica (Figura 1.2) que apresenta o seguinte endereo
eletrnico: http://www.mundogeomatica.com.br.

Nesta home-page, voc dever clicar na imagem representativa do livro SPRING 5.1.2:
aplicaes prticas indo para a pgina http://www.mundogeomatica.com.br/spring5x.htm.
Na home-page do livro voc poder fazer o download gratuito dos seguintes materiais:

Livro SPRING 5.1.2: aplicao prtica.
Banco de dados Livro_Spring_Alegre_ES.rar.
SPRING 5.1.2 (Sistema para Processamento de Informaes Georeferenciadas).
14

Figura 1.2. Home-page Mundo da Geomtica.

A base de dados (Livro_Spring_Alegre_ES.rar) necessria para a elaborao das atividades
previstas neste livro referente ao quadrante representativo da bacia hidrogrfica do Rio
Alegre, ES, situada no municpio de Alegre, extremo Sul do Estado do Esprito Santo. Aps sua
aquisio, esta dever ser extrada para dentro da Unidade C de seu computador. A Figura 1.3
mostra como dever ficar a Unidade C aps a extrao da pasta Livro_Spring_Alegre_ES.

Figura 1.3. Pasta Livro_Spring_Alegre_ES extrada dentro da Unidade C.

ABRINDO O SPRING 5.1.2

Para iniciar o SPRING 5.1.2, voc deve seguir os seguintes passos:

1. Clique no boto Iniciar da barra do Windows.
2. Clique sobre o nome Todos Programas.
3. Clique sobre o nome Spring 5.1.2 Portugus _x86.
4. Novamente, clique sobre o nome Spring 5.1.2 Portugus.

1

2

3
4
15
Abaixo mostrada a janela inicial intitulada Novidades Spring 5.1.2. Se desejar, visualize
algumas novidades desta nova verso.

5. Feche a janela Novidades Spring 5.1.2.

Abaixo demonstrada a janela principal do SPRING 5.1.2.

CRIAO DO BANCO DE DADOS

Um Banco de Dados no Spring corresponde fisicamente a um diretrio onde sero
armazenados tanto o Modelo de Dados, com suas definies de Categorias e Classes, quanto
os Projetos pertencentes ao banco de dados. Os projetos so armazenados em subdiretrios
juntamente com seus arquivos de dados: pontos, linhas, imagens orbitais e areas, imagens
temticas, textos, grades e objetos.

Inicialmente, voc ir criar um banco para, ento, ativ-lo e inserir dados no mesmo.

1. No menu Arquivo, clique na opo Banco de Dados.

5
16
2. Na caixa de dilogo Banco de Dados, clique no boto Diretrio.
3. Na caixa de Dilogo, selecione o diretrio Livro_Spring_Alegre_ES localizado na
Unidade C do seu computador.
4. Clique no boto OK.
5. Na caixa de entrada Nome, digite Bacia_Rio_Alegre.
6. Na caixa de dilogo Banco de Dados, no dropdown da opo Gerenciador, selecione o
tipo de banco de dados DBase.
7. Clique no boto Criar.
8. Finalmente, clique no boto Ativar.

CRIAO DO PROJETO

Para definir um projeto no Spring necessrio estabelecer o limite geogrfico da rea em
estudo (retngulo envolvente) e a projeo cartogrfica mais adequada aos dados geogrficos
que sero manipulados na rea de trabalho.

Um Projeto contm Planos de Informao (PI) dentro do retngulo envolvente definido e estes
herdaro o seu sistema de projeo.

Um projeto corresponde fisicamente a um subdiretrio debaixo do diretrio do banco de dados
ao qual pertence. Os dados (PI's) deste projeto estaro debaixo deste subdiretrio.

Siga os passos abaixo para voc criar o projeto a ser trabalhado nas atividades prticas deste
Captulo.

1. No menu Arquivo, aponte para a opo Projeto e, novamente, clique na opo Projeto.
2. Na caixa de entrada Nome digite BHR_Alegre.

5

6

7

8

3

4

2

1
17
3. Clique no boto Projeo.
4. Na caixa de dilogo Projeo, em Sistemas, escolha UTM.
5. Em Modelos da Terra, escolha Datum ->SAD69.
6. Na caixa de entrada Zona, digite 24.
7. Clique no boto Executar.
8. Novamente na caixa de dilogo Projetos, nas caixas de entrada X1, X2, Y1 e Y2, entre com
os seguintes valores:

X1: 220489.000000 X2: 243050.000000
Y1: 7684786.000000 Y2: 7710137.000000

Observao: caso voc necessite utilizar coordenadas geogrficas, a sintaxe deve ser
conforme o exemplo a seguir:

Exemplo:

Long1: o 40 41 13.915902 Long2: o 40 28 0.231653
Lat1: s 20 55 9.833018 Lat2: s 20 41 14.311944

10. Clique no boto Ativar.

8

9

10

4
5
6
7

2

3

1
18
Observe na barra de ttulo do programa que agora aparece intitulado o nome do banco de
dados ([Bacia_Rio_Alegre]) e do projeto ([BHR_Alegre]) como mostrado abaixo.

Finalmente, vamos criar um atalho visando possibilitar uma abertura rpida e eficiente de
nosso projeto criado, disponibilizando-o na rea de trabalho do Windows.

11. No menu Arquivo, aponte para a opo Projeto e clique na opo Criar atalho.
12. Na caixa de entrada da opo Nome do arquivo, digite BHR_Alegre.
13. Clique no boto Gravar. Clique no boto OK da caixa de mensagem Atalho gravado com
sucesso.
14. No menu Arquivo, clique na opo Sair.
15. Na caixa de mensagem Sair, clique no boto Sim.
16. No Windows Explorer, v para o diretrio C:\Livro_Spring_Alegre_ES e clique com o
boto direito do mouse sobre o arquivo BHR_Alegre.spring e envie para a rea de
trabalho do Windows.
17. Na rea de Trabalho do Windows, d um clique duplo sobre a opo Atalho para
BHR_Alegre.

Observe que o projeto BHR_Alegre.spring ser carregado rapidamente facilitando os novos
procedimentos a serem executados.

Tambm possvel carregar um atalho de projeto, clicando no menu Arquivo / Projeto /
Carregar Atalho.

11

12

13
19

CRIAO DO MODELO DE DADOS

Objetivando visualizar os dados espaciais de nosso banco de dados em nosso projeto criado
anteriormente, temos que, primeiramente, criar nossos Modelos de Dados especificando as
Categorias e Classes (se for temtico), alm das caractersticas de apresentao grfica
(Visual) dos dados e dos atributos descritivos de objetos ou somente tabelas no-espaciais.

A Tabela 1.2 mostra e descreve os modelos de dados disponveis no Spring.

Tabela 1.2. Modelos de dados disponveis no Spring (SPRING, 2009).

MODELOS DE DADOS DESCRICO
IMAGEM
Categoria do modelo Imagem refere-se a dados provenientes de sensoriamento
remoto em formato matricial. Exemplos: imagens TM/LANDSAT, SPOT, NOAA,
fotografias areas transformadas em imagens digitais atravs de scanners etc.
NUMRICO
Categoria do modelo Numrico refere-se a dados que possuem uma variao
contnua de seus valores numricos em funo de sua posio na superfcie.
Exemplos: altimetria, pH do solo, magnetometria, temperatura de superfcie etc.
TEMTICO
Categoria do modelo Temtico refere-se a dados que classificam uma posio
geogrfica quanto a um determinado tema. Ex: tipos de solo, classificao de
vegetao etc.
CLASSES
Para as categorias de dados do modelo temtico necessrio definir as Classes
Temticas, as quais so especializaes da categoria. Tomando-se como exemplo
uma categoria tipos de solo, cada um dos diferentes tipos de solos constituiro as
classes. Por exemplo, latossolo roxo, podzlico e litossolo.
OBJETO
Categoria de dados do modelo Objeto refere-se especializao de um tipo de
objeto geogrfico. Exemplo: municpios, logradouros, propriedades etc.

14

16

17

15
20
CADASTRAL
Categoria do modelo Cadastral refere-se aos mapas que contm a representao
de determinado tipo de objeto, por exemplo: Diviso poltica a categoria cadastral
que conter o mapa com as representaes dos municpios.
REDE
Categoria do modelo Rede refere-se aos dados geogrficos que possuem relaes
de fluxo e conexo entre os inmeros elementos que se deseja representar e
monitorar. Ex: rede de energia eltrica, esgoto, gua, drenagem, telefonia etc.
NO-ESPACIAL
Categoria do modelo No-Espacial refere-se aos dados que no possuem
representao espacial como, por exemplo, os dados de cadastros rurais e urbanos.

As caractersticas de apresentao grfica dos dados tambm so definidas e armazenadas
junto ao modelo de dados do banco. O termo Visual utilizado no Spring para designar as
caractersticas de reas, linhas, pontos e textos de uma categoria/classe no Banco de dados.

Na modelagem do Banco de Dados, so definidas Tabelas para inserir, armazenar e recuperar
os atributos descritivos dos dados. Para cada Categoria, existe uma Tabela de Atributos nica,
onde so definidos seus campos de acordo com os atributos fornecidos pelo usurio. Os
recursos de edio e anlise dos atributos esto disponveis somente para categoria do Modelo
de Dados, Objeto e No-Espacial.

Agora, vamos iniciar a criao do modelo de dados intitulado Satelites a ser utilizado em nosso
projeto.

1. No menu Arquivo, aponte para a opo Modelo de Dados.
2. Na caixa de dilogo Modelo de dados, na guia Categorias, selecione a opo Imagens.
3. Na caixa de entrada Nome, digite Satelites.

IMPORTAO DE IMAGENS PARA O PROJETO

1. No menu Arquivo, aponte para a opo Importar e, posteriormente, para a opo
Importar Dados Vetoriais e Matriciais.
2. Na caixa de dilogo Importao, clique no boto Arquivo.
3. Na caixa de dilogo, v para o diretrio C:\Livro_Spring_Alegre_ES.
4. No dropdwon Ficheiros do tipo, selecione TIFF/GEOTIFF (*.tif* .tiff).

3
2
5
4

1
21
5. Selecione a imagem banda1_210708.tif (banda 1, azul, do satlite CBERS).
6. Clique no boto Abrir.
7. Digite os valores de 20 (resoluo espacial das imagens do satlite CBRES - cmera CCD)
para as caixas de entrada X e Y (Tamanho do Pixel).
8. Clique na guia Sada.
9. No boto Categoria, selecione Satlites.
10. Na caixa de entrada PI (Plano de Informao) digite o mesmo nome da imagem, ou seja,
banda1_210708.
11. Finalmente, clique no boto Executar.

Repita os passos anteriores para importar as seguintes imagens:

banda2_210708.tif Verde
banda3_210708.tif Vermelho
banda4_210708.tif Infravermelho prximo
banda5_210708.tif Pancromtica

7
8

3

4

5

6

2

1
22

Abaixo so demonstradas as imagens do satlite CBERS adicionadas no projeto BHR_Alegre.

VISUALIZAO DAS IMAGENS DE SATLITE CBERS DA REA DE ESTUDO

Nesta etapa, voc ir aprender a visualizar as imagens das bandas espectrais do satlite
CBERS em tons de cinza isoladamente e por meio de composio normal e falsa cor.

Como temos 05 imagens, vamos visualizar essas imagens nas seguintes telas do Spring:

banda1_210708 0,45 - 0,52 (20 m) Azul Tela 2
banda2_210708 0,52 - 0,59 (20 m) Verde Tela 3
banda3_210708 0,63 - 0,69 (20 m) Vermelho Tela 4
banda4_210708 0,77 - 0,89 (20 m) Infravermelho prximo Tela 5
banda5_210708 0,51 - 0,73 (20 m) Pancromtica Tela 6

Logo, voc ter que adicionar 02 novas telas no Spring.

1. Na parte inferior da rea de visualizao do Spring, clique 02 vezes sobre a ferramenta
Adicionar pgina . Observe que sero adicionadas 02 novas telas no Spring (Tela 5 e
6).

9
10

11
23

Agora, voc est pronto para iniciar a visualizao da imagem banda1_210708 em tons de
cinza.

2. Na parte inferior do Spring, clique na guia Tela 2.
3. No Painel de Controle, selecione a imagem intitulada banda1_210708.
4. Na parte inferior do Spring, marque a caixa representativa da letra M (nveis de cinza).

Repita os passos anteriores para visualizar as imagens:

banda2_210708 0,52 - 0,59 (20 m) Verde Tela 3
banda3_210708 0,63 - 0,69 (20 m) Vermelho Tela 4
banda4_210708 0,77 - 0,89 (20 m) Infravermelho prximo Tela 5
banda5_210708 0,51 - 0,73 (20 m) Pancromtica Tela 6
Nveis de
cinza
(M)

1

2

3

4
24
Veja os resultados abaixo:

Tela 3: banda2_210708 Tela 4: banda3_210708

Tela 5: banda4_210708 Tela 6: banda5_210708

Nesta prxima etapa, voc ir elaborar uma composio normal e uma falsa-cor utilizando as
imagens do satlite CBERS.

Inicialmente, voc ir elaborar uma composio normal utilizando a seguinte combinao entre
bandas:

COMPOSIO NORMAL
Banda1_210708 0,45 - 0,52 (20 m) azul B
banda2_210708 0,52 - 0,59 (20 m) Verde G
banda3_210708 0,63 - 0,69 (20 m) Vermelho R

5. Na parte inferior do Spring, clique na guia Auxiliar.
7. Na parte inferior do Spring, marque a caixa representativa da letra B (azul).
8. Selecione a imagem intitulada banda2_210708.
9. Na parte inferior do Spring, marque a caixa representativa da letra G (verde).
11. Na parte inferior do Spring, marque a caixa representativa da letra R (vermelho).

25

Agora, voc ir elaborar uma composio falsa cor utilizando a combinao entre bandas
mostrada abaixo. Neste tipo de composio, fica clara e evidente a diferenciao entre os
recursos naturais, priorizando a identificao da vegetao e corpos dgua.

COMPOSIO FALSA-COR
banda2_210708 0,45 - 0,52 (20 m) Azul B
Banda4_210708 0,77 - 0,89 (20 m) Infravermelho prximo G
banda3_210708 0,63 - 0,69 (20 m) Vermelho
R

12. Na parte inferior do Spring, clique na guia Principal.

5
6

8

10

11
26

UTILIZANDO FERRAMENTAS DE VISUALIZAO

Cursor de rea

O Cursor de rea (zoom) utilizado para definir regies a serem ampliadas na rea de
desenho.

1. Clique no menu Exibir / Cursor de rea ou na ferramenta Cursor de rea .
2. D um clique inicial e arraste uma caixa sobre a rea a ser ampliada, dando novamente um
clique para finalizar a caixa.
3. Clique na ferramenta Desenhar .
4. Para visualizar, novamente, toda a imagem, clique na ferramenta Zoom PI .

Cursor de Voo

O Cursor de Voo utilizado para funes do Spring em que se necessita realizar a
movimentao da imagem dentro da tela de visualizao.

5. Clique no menu Exibir / Cursor de Voo ou na ferramenta Cursor de Voo .
6. Mantenha pressionado o boto esquerdo do mouse e arraste a imagem na tela de
visualizao.
7. Para visualizar, novamente, toda a imagem, clique na ferramenta Zoom PI .

12

13

15

17

18
27

Cursor de Informao

O Cursor de Informao utilizado para funes do Spring em que se necessita realizar a
obteno de informaes sobre a imagem dentro da tela de visualizao.

8. Clique no menu Exibir / Cursor de Informao ou na ferramenta Cursor de
Informao .
9. Clique sobre qualquer ponto sobre a imagem para obter as informaes a respeito da
mesma.
10. Na caixa de dilogo Relatrio de Dados, clique no boto Fechar.

8

10

7
6
5

4

3
1
2
28
Acoplar uma tela a outra

A ferramenta de acoplar tela possibilita comparar os dados de outros PIs com o que estiver
ativo e visvel na janela principal do Spring.

11. No controle de telas, ative a tela Principal.
12. Clique na ferramenta Acoplar e selecione a Tela 5.
13. Clique no menu Exibir / Cursor de rea ou na ferramenta Cursor de rea .
14. D um clique inicial e arraste uma caixa sobre a rea a ser ampliada, dando novamente um
clique para finalizar a caixa.
16. No controle de telas, observe que a mesma ampliao representada na tela Principal
demonstrada na Tela 5.

AMPLIAO DA TELA PRINCIPAL AMPLIAO DA TELA 5

Zoom In e Zoom Out

As ferramentas Zoom In ampliam 2 vezes o centro da tela de desenho. J ferramentas Zoom
Out reduzem 2 vezes o centro da tela de desenho.

17. Com a tela Principal ativa, clique na ferramenta Zoom In e veja o resultado.
18. Com a tela Principal ativa, clique na ferramenta Zoom Out e veja o resultado.

16

13
14 15

12
29
Ampliar

A ferramenta Ampliar possibilita aumentar a visualizao de uma rea em 2, 4 e 8 vezes numa
janela que fica flutuando sobre a tela ativa.

19. Com a tela Principal ativa, clique na ferramenta Ampliar e selecione 2x (ampliao de
2 vezes).
20. Arraste o cursor sobre tela Principal e veja o resultado da ampliao na tela de ampliao
Zoom.

OUTRAS FERRAMENTAS

Nesta etapa, voc ir aprender a alterar a escala da imagem da tela principal e alterar seu
sistema de coordenadas.

Inicialmente, voc ir mostrar a imagem com mais detalhes, alterando a escala para 1:25.000.
Posteriormente, a imagem j com a escala alterada ser visualizada com coordenadas planas
e geogrficas.

1. No dropdown da ferramenta Amostragem escolha a opo Escala.
2. Na caixa de entra Escala, entre com o valor 25000.
3. Para visualizar a imagem com a nova escala, clique na ferramenta Zoom PI .

Abaixo, demonstrada a imagem falsa-cor da tela principal na escala 1:25.000.

4. No dropdown da ferramenta Coordenadas, escolha a opo Planas.

Veja o resultado das novas coordenadas na parte inferior do Spring.

20

19

1

2

3
30

Repita o passo anterior para alterar as coordenadas para Geogrficas.

VISUALIZANDO IMAGENS DO SATLITE LANDSAT E IKONOS

Utilizando os conhecimentos adquiridos nos passos anteriores, voc ir importar imagens com
extenso .tif dos satlites LANDSAT e IKONOS mostradas na Tabela 1.3.

Tabela 1.3. Imagens dos satlites LANDSAT e IKONOS representativas da rea estudo.

SATLITE LANDSAT 7
(QUADRANTE REPRESENTATIVO DA BACIA HIDROGRFICA DO RIO ALEGRE, ES)
BANDAS ESPECTRAIS
SENSOR ETM+
30/05/2001 TELAS DO SPRING
INTERVALO DE
COMPRIMENTO DE
ONDA ( m )
FAIXA ESPECTRAL
b1_300501 (M) Tela 7 0.45 - 0.52 (30 m) Azul
b2_300501 (M) Tela 8 0.53 - 0.61 (30 m) Verde
b3_300501 (M) Tela 9 0.63 - 0.69 (30 m) Vermelho
b4_300501 (M) Tela 10 0.78 - 0.90 (30 m) Infrav. prximo (IP)
b6_300501 (M) Tela 11 10.4 - 12.5 (60 m) Infrav. termal
b8_300501 (M) Tela 12 0.52 - 0.90 (15 m) Pancromtica
bandas azul (B) + verde (G) + vermelho (R) Tela 13 Composio colorida normal
bandas verde (B) + verm. (R) + Infrav. prx. (G) Tela 14 Composio colorida falsa cor
SATLITE IKONOS
(QUADRANTE REPRESENTATIVO DA CIDADE DE ALEGRE E PROXIMIDADES, ES)
BANDAS ESPECTRAIS
INTERVALO DE
COMPRIMENTO DE
ONDA ( m )
FAIXA ESPECTRAL
Ikonos_band_1 (M) Tela 15 0.45 - 0.52 (4 m) Azul
Ikonos_band_2 (M) Tela 16 0.52 - 0.60 (4 m) Verde
Ikonos_band_3 (M) Tela 17 0.63 - 0.69 (4 m) Vermelho
Ikonos_band_4 (M) Tela 18 0.76 - 0.90 (4 m) Infrav. prximo
bandas azul (B) + verde (G) + vermelho (R) Tela 19 Composio colorida normal
bandas verde (B) + verm. (R) + Infrav. prx. (G) Tela 20 Composio colorida falsa cor

Abaixo, so demonstradas as imagens dos satlites LANDSAT e IKONOS importadas e
visualizadas, em suas respectivas telas, com ampliao realizada sobre a cidade de Alegre, ES
e proximidades.

Tela 7: b1_300501 (M) Tela 8: b2_300501 (M)

4
31
Tela 9: b3_300501 (M) Tela 10: b4_300501 (M)

Tela 11: b6_300501 (M) Tela 12: b8_300501 (M)

Tela 13: Bandas azul (B) + verde (G) + vermelho (R) Tela 14: Bandas verde (B) + verm. (R) + Infrav. prx. (R)

Tela 15: Ikonos_band_1 (M) Tela 16: Ikonos_band_2 (M)

32

Tela 19: Bandas azul (B) + verde (G) + vermelho (R)
Tela 20: Bandas verde (B) + vermelho (R) + infrav. prx
(G)

A Figura 1.4 mostra alguns locais importantes da cidade de Alegre, ES sobre a imagem
IKONOS em composio normal e em composio falsa-cor.

a) Composio falsa-cor b) Composio normal

Figura 1.4. Locais importantes da cidade de Alegre, ES sobre a imagem IKONOS.

Rio Alegre
Parque de Exposio
Curva do Bico
Rio Alegre
Parque de Exposio
Curva do Bico
33
1.5 VISUALIZANDO AEROFOTOS DIGITAIS DA CIDADE DE ALEGRE, ES

Neste tpico, voc dever utilizar os conhecimentos adquiridos nos passos anteriores para
importar aerofotos digitais (extenso.tif) da cidade de Alegre oriunda do ano de 2007 na escala
1:35.000, com resoluo espacial de 1 m. A Tabela 1.4 mostra as caractersticas das aerofotos
digitais importadas que voc deve tomar como exemplo visando visualizar uma composio
normal.

Tabela 1.4. Composio colorida normal das aerofotos digitais representativas da rea estudo.

AEROFOTOS DIGITAIS DO ANO DE 2007
(QUADRANTE REPRESENTATIVO DA BACIA HIDROGRFICA DO RIO ALEGRE, ES)
AEROFOTOS IMPORTADAS Aerofoto_Alegre_2007.tif
NOME TELAS DO SPRING FAIXA ESPECTRAL
Aerofoto_Alegre_2007_1 (R) Vermelho
Aerofoto_Alegre_2007_2 (G) Verde
Aerofoto_Alegre_2007_3 (B)
Tela 21
Azul

Abaixo, demonstrada a composio normal oriunda da combinao das aerofotos digitais
importadas com ampliao realizada sobre a cidade de Alegre, ES e proximidades.

Tela 21: Bandas azul (B) + verde (G) + vermelho (R)

As Figuras 1.5, 1.6 e 1.7 mostram algumas ampliaes da aerofoto digital em composio
normal sobre a cidade de Alegre, ES.

34

Figura 1.5. Parque de exposio da cidade de Alegre.

Figura 1.6. Centro de Cincias Agrrias da UFES CCA-UFES.

Figura 1.7. Regio central da cidade de Alegre.

Centro da cidade de
Alegre
Matriz Nossa Senhora
da Penha
CCA-UFES
Parque de
exposio
35
Aps executar todos os passos demonstrados anteriormente, voc j est apto a resolver os
exerccios propostos abaixo, visando reforar as atividades deste captulo.

EXERCCIOS

Exerccios tericos

1. Quais a aplicaes do programa Spring 5.1.2 na rea de GEOTECNOLOGIA?

2. Quais as novidades da nova verso do Spring (verso 5.1.2) em relao ltima verso?

3. Observe a barra de ttulo do Spring mostrada na figura abaixo e explique a importncia da
hierarquia BANCO DE DADOS / PROJETO / MODELO DE DADOS.

4. Cite e explique, resumidamente, a finalidade de cada tipo de modelo de dados suportado
pelo Spring 5.1.2.

5. Defina o que uma escala e explique a sua utilizao prtica no sensoriamento remoto.

6. Defina fuso horrio. Quantos fusos horrios existem no Brasil?

Exerccios prticos

1. O diretrio de trabalho C:\ Livro_Spring_Alegre_ES contm, alm de imagens do satlite
CBERS, as seguintes imagens do satlite LANDSAT 7:

SATLITE LANDSAT 7
BANDAS ESPECTRAIS
SENSOR ETM+
05/08/2002
INTERVALO DE
COMPRIMENTO DE
ONDA ( m )
FAIXA ESPECTRAL
b1_050802.tif 0.45 - 0.52 (30 m) Azul
b2_050802.tif 0.53 - 0.61 (30 m) Verde
b3_050802.tif 0.63 - 0.69 (30 m) Vermelho
b4_050802.tif 0.78 - 0.90 (30 m) Infravermelho prximo
b6_050802.tif 10.4 - 12.5 (60 m) Infravermelho termal
b8_050802.tif 0.52 - 0.90 (15 m) Pancromtica

Utilize os conhecimentos adquiridos neste captulo para importar essas imagens e visualizar
uma:

a) COMPOSIO COLORIDA NORMAL (tela auxiliar).
b) COMPOSIO COLORIDA EM FALSA-COR (tela principal).

Observao: durante a importao, fique atento com a resoluo espacial das bandas espectrais do satlite LANDSAT
que, dependendo da banda, pode ser de 15, 30 e 60 m.

36
2. Utilize a home-page do programa CBERS (http://www.cbers.inpe.br) para fazer o
download gratuito de imagens de satlite CBERS (cmera CCD) para o municpio de
Cachoeiro de Itapemirim (data que lhe interessar, com cobertura de nuvens menor que
10%), localizado ao Sul do Estado do Esprito Santo (Figura 1.8). Aps a aquisio das
imagens que sero enviadas para seu e-mail, execute as seguintes atividades:

Figura 1.8. Cobertura de imagens CBERS para o municpio de Cachoeiro de Itapemirim, ES.

a) Crie um diretrio chamado Imagens_Cachoeiro_Itapemirim na unidade C: de seu
computador.
b) Extraia suas imagens para dentro deste diretrio.
c) No Spring, crie um banco de dados dentro deste diretrio de trabalho com projeto e modelo
de dados do tipo imagem.
d) Faa importao das imagens CBERS utilizando a opo Abrir Imagens CBERS localizado
no menu Arquivo do Spring.
e) Observe as diferentes tonalidades de colorao em falsa-cor das imagens obtidas,
interpretando a rea urbana da cidade de Cachoeiro de Itapemirim, a vegetao e o Rio
Itapemirim que passa por este municpio.

Observao: para melhor compreenso de como fazer o download de imagens gratuitas CBERS ou LANDSAT na
home-page do programa CBERS, voc pode visualizar o manual do usurio disponibilizado no endereo eletrnico
http://www.dgi.inpe.br/Suporte/files/manual_usuario_PT.htm.

3. Procure, na literatura ou na internet, informaes prticas sobre as principais aplicaes
das bandas espectrais dos satlites:

a) CBERS.
b) LANDSAT.
c) IKONOS.

Posteriormente, de posse das informaes obtidas, procure visualizar as bandas espectrais de
cada satlite no Spring, interpretando (apenas visualizar) as principais classes de uso e
ocupao do solo do quadrante representativo da bacia hidrogrfica do rio Alegre, ES.
37
Visando aprimorar ainda mais seus conhecimentos de fotointerpretao, observe na figura 1.9
as amostras de categorias de uso e ocupao de solo extradas de uma imagem do satlite
QUICK BIRD com resoluo espacial de 60 cm em composio normal e falsa-cor de uma rea
localizada a cerca de 40 km do centro da cidade de Alegre, ES.

rea agricultada rea degradada rea edificada rea urbana Caf Campo sujo

Capoeira Corpos d'gua
Estrada no
pavimentada
Estrada
pavimentada
Formao
rochosa
Fragmento
florestal

Pastagem Reflorestamento Reservatrio Solo exposto Vrzea Vegetao rala

Figura 1.9. Amostras de categorias de uso e ocupao de solo extradas de uma imagem do
satlite QUICK BIRD com resoluo espacial de 60 cm em composio normal e falsa-cor.

REFERNCIAS BIBLIGRFICAS

SPRING: Integrating remote sensingand GIS by object-oriented data modelling. Camara
G, Souza RCM, FreitasUM, Garrido J Computers & Graphics, 20: (3) 395-403, May-Jun 1996.
Disponvel em: http://www.dpi.inpe.br/spring. Acesso em 10/12/2009.
_ Captulo 2 Contraste de Imagens Digitais
38

Contraste de Imagens Digitais
02
CAPTULO

Este captulo tem por objetivo realizar uma introduo ao processamento digital de imagens e
apresentar diferentes tcnicas de realce de contraste de imagens, objetivando melhorar a
qualidade das imagens sob a percepo do olho humano, consistindo numa transferncia
radiomtrica em cada "pixel", possibilitando aumentar a discriminao visual entre os objetos
presentes na imagem, independente da vizinhana.

Os assuntos abordados neste captulo sero:

Processamento digital de imagens.

Contraste de Imagens.

2.1. INTRODUO AO PROCESSAMENTO DIGITAL DE IMAGENS

As tcnicas de processamento digital de imagem podem ser divididas em 3 etapas mostradas
na Figura 2.1:

Figura 2.1. Etapas do processamento digital de imagens.

Pr-processamento de imagens: o conjunto de processamentos por que passa a imagem
visando minimizar, ao mximo, suas distores. Estas distores podem ser classificadas em
radiomtricas e geomtricas. As distores radiomtricas alteram os nveis de cinza de cada
elemento da imagem. J as distores geomtricas alteram a distribuio espacial dos
elementos de imagem, afetando escala, afinidade, orientao, entre outras.

Realce de imagens: esta tcnica tem por objetivo modificar, atravs de funes
matemticas, os nveis de cinza ou os valores digitais de uma imagem, de modo a destacar
certas informaes espectrais melhorando a sua qualidade visual, facilitando a anlise
posterior pelo fotointrprete.

IMAGEM DIGITAL
PR-PROCESSAMENTO
REALCE DE IMAGENS
ANLISE DE IMAGENS
CORREO RADIOMTRICA
CORREO GEOMTRICA
REGISTRO
REALCE DE CONTRASTE
FILTRAGEM
TRANSFORMAO IHS
OPERAES ARITMTICAS
COMPONENTES
EXTRAO DE ATRIBUTOS
SEGMENTAO
CLASSIFICAO
DESCRIO
MAPAS
REPRESENTAO GRFICA
PROPRIEDADES DO OBJETO
39
Anlise de imagens: est relacionada com a extrao de informao de imagens. Inclui a
segmentao e classificao de imagens. A segmentao de imagens tem por objetivo
fragmentar uma regio, em unidades homogneas, considerando algumas de suas
caractersticas intrnsecas, como por exemplo, o nvel de cinza dos pixels, textura e
contraste. J a classificao de imagens visa categorizao da cobertura da terra
distinguindo as composies de diferentes materiais superficiais, sendo uma segmentao
especfica usando tcnicas de reconhecimento de padres.

2.2 - CONTRASTE DE IMAGENS

Visando executar tcnicas de realce de contraste de imagens, por meio do aplicativo SPRING
5.1.2, ser utilizada a seguinte rea de estudo e imagem de satlite:

REA 1: quadrante representativo do Campus da Universidade Federal do Esprito Santo
(UFES) (Figura 2.2) bandas espectrais do satlite QUICKBIRD.

As bandas espectrais do satlite QUICKBIRD correspondentes rea de estudo, as quais
sero utilizadas neste captulo, so as descritas na Tabela 2.1.

Tabela 2.1. Imagens do satlite QUICKBIRD oriundas do quadrante representativo do Campus
da Universidade Federal do Esprito Santo (UFES).

SATLITE QUICKBIRD (21/04/05)
BANDAS ESPECTRAIS
INTERVALO DE COMPRIMENTO DE
ONDA ( m )
FAIXA ESPECTRAL
TAMANHO DAS
IMAGENS
ufes_1 0.45 - 0.52 (2,4 m) Azul
ufes_2 0.52 0.60 (2,4 m) Verde
ufes_3 0.63 0.69 (2,4 m) Vermelho
ufes_4 0,76 0,90 (2,4 m) Infravermelho prximo
17,80 KB
ufes_pan 0,45 0,90 (0,6 m) Pancromtica 281,65 KB

OBSERVAO
O satlite QUICKBIRD foi lanado no dia 18 de outubro de 2001, sendo operado pela
DIGITALGLOBE que detm os direitos de comercializao em todo o mundo. Portanto,
visando no comprometer os direitos de comercializao da DIGITALGLOBE, neste livro, as
imagens dos satlites QUICKBIRD so disponibilizadas num tamanho reduzido (pequena
amostra equivalente a uma rea de 0,1 km) com tamanho de 17,80 KB (bandas espectrais
do azul, verde, vermelho e infravermelho prximo) e 281,65 KB (banda pancromtica).
Abaixo, seguem os contatos comerciais da empresa IMAGEM (representante da
DIGITALGLOBE no Brasil):

Endereo: Rua Itoror, 555, Vila Bandeirantes, So Jos dos Campos, SP. CEP:
12.216-440.
Telefones: (55) ** 12 3946.8933 / Fax: (55) ** 12 3946.8945.
Home-page: http://www.img.com.br (IMAGEM)
http://www.digitalglobe.com (DIGITALGLOBE)

40

Figura 2.2. rea 1 - quadrante representativo do Campus da Universidade Federal do Esprito
Santo (UFES) Imagem do satlite QUICKBIRD em composio
Falsa-cor resoluo espacial de 2,4 m.

A tcnica de realce de imagens tem por objetivo melhorar a qualidade visual da imagem,
aumentando a interpretao e a quantidade de informao. Geralmente utilizada como uma
etapa de pr-processamento de imagens.

Na prtica, a tcnica de realce de uma imagem modifica sua escala de cinza, sendo uma
operao pontual, em que o novo valor do ponto depende apenas do valor antigo deste ponto.
Para tanto, o usurio deve manipular o histograma original de uma imagem, distribuindo melhor
os nveis de cinza ao longo de sua escala (Figura 2.3). J a Figura 2.4 mostra a ampliao de
uma imagem em falsa-cor realada com contraste linear.

O realce de contraste pode ser feito mapeando as variaes dentro do intervalo de tons de
cinza [V
min
V
max
] da imagem original para a variao mxima do dispositivo de visualizao
que, geralmente, [0, 255]. V
min
e V
max
so os valores de nveis de cinza (NCs) mnimos e
mximos, respectivamente, presentes na imagem original. O mapeamento realizado por meio
de uma funo de mapeamento (Figura 2.5). Cada valor do nvel de cinza na imagem original
mapeada para um novo valor de acordo com uma funo de transferncia, que pode ser
definida como:

) (x f y =

Em que,
y: novo valor correspondente;
x: nvel de cinza original.

41

a) Histograma e imagem antes a aplicao
do contraste.
b) Histograma e imagem aps a aplicao
do contraste.

Figura 2.3. Histograma e imagem antes (a) e aps (b) a aplicao do contraste (contraste
linear) no SPRING 5.1.2.

a) antes da aplicao do contraste. b) aps a aplicao do contraste

Figura 2.4. Histograma e imagem antes (a) e aps (b) a aplicao do contraste (contraste
linear) no SPRING 5.1.2.

Figura 2.5. Funo de mapeamento.

) (x f
) (x h
) (y h
42
A Tabela 2.2 mostra as caractersticas dos mtodos de realce de contraste disponibilizados no
SPRING 5.1.2.

Tabela 2.2. Caractersticas dos mtodos de realce de contraste disponibilizados no SPRING
5.1.2 (SPRING, 2009).

MTODO
FUNO E HISTOGRAMA
(SPRING)
CARACTERSTICA
Linear

b ax y + =

No aumento linear de contraste as barras que formam o
histograma da imagem de sada so espaadas igualmente, uma
vez que a funo de transferncia uma reta. Como podemos
observar, na figura ao lado, o histograma de sada ser idntico,
em formato, ao histograma de entrada, exceto quando ele tiver
um valor mdio e um espalhamento diferente.
Mnimo
mximo

b ax y + =

Este mtodo idntico ao linear. A diferena est no momento
em que feita a escolha da opo. Como se pode observar, na
figura ao lado, assim que feita a opo, o sistema calcula o
valor de nvel de cinza mnimo e mximo que ocupado pela
imagem original. De posse desses valores, aplicada uma
transformao linear em que a base da reta posicionada no
valor mnimo e o topo da reta no valor mximo. Desse modo, no
haver perda de informao, isto , todos os nveis de cinza
continuaro com o mesmo nmero de pixels.

Raiz Quadrada

x a y =

Utiliza-se a opo de transformao por raiz quadrada para
aumentar o contraste das regies escuras da imagem original. A
funo de transformao representada pela curva, como
mostra a figura ao lado. Observe que a inclinao da curva
tanto maior quanto menores os valores de nveis de cinza.
Quadrado

2
ax y =

Utiliza-se este mapeamento quando se deseja aumentar o
contraste de feies claras (altos nveis de cinza da imagem).
Observe, na figura ao lado que o aumento de contraste maior a
partir da mdia do histograma, mesmo havendo um
deslocamento geral para a regio de nveis mais escuros.
Logaritmo

) 1 log( + = x a y

O mapeamento logartmico de valores de nveis de cinza til
para aumento de contraste em feies escuras (valores de cinza
baixos). Equivale a uma curva logartmica como mostrado na
figura ao lado.
Negativo

( ) b ax y + =

uma funo de mapeamento linear inversa, ou seja, o
contraste ocorre de modo que as reas escuras (baixos valores
de nvel de cinza) tornam-se claras (altos valores de nvel de
cinza) e vice-versa. A figura ao lado mostra sua representao.
Entrada
Sada
NC mnimo
NC mximo
43
Equalizao
de Histograma

Pt
faxi
y
255
=

Em que,
faxi: frequncia acumulada para o
nvel de cinza xi;
Pt: populao total (nmero total de
pixel).

uma maneira de manipulao de histograma que reduz,
automaticamente o contraste em reas muito claras ou muito
escuras, numa imagem. Expande tambm os nveis de cinza ao
longo de todo intervalo. Consiste em uma transformao no-
linear que considera a distribuio acumulativa da imagem
original, para gerar uma imagem resultante, cujo histograma ser
aproximadamente uniforme (veja figura ao lado).

A opo de equalizao , automaticamente, calculada e
apresentada, de modo que o usurio no poder alterar a forma
ou posio da curva, permanecendo a tela no modo esttico.

Fatiamento normal com 16 fatias

Fatiamento equidistribuio com 16
fatias

Fatiamento

Fatiamento equidistribuio com 16
fatias

A opo fatia (ou fatiamento de nveis de cinza) uma forma de
aumento de contraste cuja operao consiste simplesmente em
realar os pixels cujas intensidades situam-se dentro de um
intervalo especfico (a fatia), isto , entre um mximo e um
mnimo. Consiste na diviso do intervalo total de nveis de cinza
de determinadas fatias (ou classes de cores).

De acordo com o critrio de determinao dos intervalos de
nveis de cinza, pode-se obter fatiamento normal,
equidistribuio e arco-ris.

Fatiamento normal: as fatias so definidas de modo que o
intervalo entre cada faixa seja constante.

Fatiamento equidistribuio: o intervalo de nveis de cinza
dividido de modo que cada faixa contenha o mesmo nmero de
pontos.

Fatiamento arco-ris: o mapeamento de um tom de cinza para
uma determinada cor. Baseia-se no fato de que variaes de
cores so muito mais visveis ao olho humano do que variaes
de tons de cinza. O mapeamento global desses nveis para o
espao de cor segue a sequncia do arco-ris.
Edio

Permite a aplicao de uma tabela de transformao
radiomtrica definida pelo usurio. O seu objetivo salientar um
aspecto especfico da imagem que o usurio deseja analisar.

No Spring, pode-se utilizar as opes ELIMINAR, ADICIONAR e
MOVER para manipular o histograma.

Agora, voc ir aplicar a tcnica de realce de contraste de imagem (mtodo linear) sobre as
seguintes imagens:

IMAGENS COR REALCE DE IMAGEM
ufes_pan Pancromtica
Ufes_2 (B)
Ufes_4 (G)
Ufes_3 (R)
Falsa-cor
Linear

REALCE DE IMAGEM (MTODO LINEAR) BANDA PANCROMTICA

1. No painel de controle, selecione a imagem ufes_pan.
2. Marque a opo M (nveis de cinza).
44
3. No menu Imagem, clique sobre a opo Contraste.
4. Na caixa de dilogo Contraste, no menu Operao, clique na opo Linear.
5. Na caixa de dilogo Contraste, clique com o boto esquerdo do mouse sobre o incio da
curva do histograma localizado do lado esquerdo do mesmo.
6. Clique com o boto direito do mouse sobre o final da curva do histograma localizado do
lado direito do mesmo.
7. Clique no boto Aplicar.

7

5

6

3

4

1

2
45
Abaixo, demonstrada a imagem pancromtica do satlite QUICKBIRD aps a aplicao do
contraste linear.

8. Na caixa de dilogo Contraste, na caixa de entrada Nome, digite ufes_pan_linear.
9. No menu Executar, clique na opo Salvar.
10. Clique no boto Fechar .
11. Clique no boto No para no manter o contraste aplicado sobre a imagem atual, pois voc
j salvou esta imagem com outro nome, anteriormente.
12. Clique na guia Auxiliar.
13. No painel de controle, selecione a imagem ufes_pan_linear.
14. Marque a opo M (nveis de cinza).

11
9

8

10
46

Abaixo, so demonstradas as imagens pancromticas do satlite QUICKBIRD, antes e aps a
aplicao da tcnica de contraste linear.

a) Imagem antes da aplicao do contraste linear. b) Imagem aps a aplicao do contraste linear.

16. No Painel de Controle, selecione a imagem intitulada Ufes60cm_B.
18. Selecione a imagem intitulada Ufes60cm_G.
19. Marque a caixa representativa da letra G (verde).
20. Selecione a imagem intitulada Ufes60cm_R.
21. Marque a caixa representativa da letra R (vermelho)

Agora voc ir aplicar um contraste linear sobre o canal Vermelho da seguinte forma:

22. No menu Imagem, clique sobre a opo Contraste.
23. Na caixa de dilogo Contraste, no menu Operao, clique na opo Linear.
24. No menu Canal, clique na opo Vermelho.

12

13

14
47

Repita os passos anteriores para os canais Verde e Azul da seguinte forma:

28. No menu Canal, clique na opo Verde.
32. No menu Canal, clique na opo Azul.

27

24

22

20

21

15

23

25

26
48

Agora, voc ir salvar a composio colorida em falsa-cor como uma imagem sinttica,
mantendo o contraste linear aplicado sobre os canais vermelho, verde e azul.

36. Na caixa de dilogo Contraste, na caixa de entrada Nome, digite ufes_falsacor_linear.
37. Marque a opo Sinttica.
40. Clique no boto No para no manter o contraste aplicado sobre a imagem atual, pois voc
j salvou esta imagem com outro nome anteriormente.
41. Clique na guia Auxiliar.
42. No painel de controle, selecione a imagem ufes_falsacor_linear.
43. Marque a opo S (Sinttica).

33

34

35

32

29

30

31

28
49

Abaixo, so demonstradas as imagens em falsa cor do satlite QUICKBIRD, antes e aps a
aplicao da tcnica de contraste linear.

a) antes da aplicao do contraste linear. b) aps a aplicao do contraste linear.

41

42

43

36

37

38
39

40
50
EXERCCIOS

1. Sobre as imagens do satlite QUICKBIRD mostradas na Tabela 2.3, utilize todos os
mtodos de realce de contraste (Tabela 2.4) disponibilizados no SPRING para melhorar a
qualidade visual das seguintes imagens: Pancromtica e falsa-cor. Aps a aplicao de
cada mtodo de realce de contraste, faa uma discusso sobre os resultados obtidos
baseando-se no seu respectivo histograma.

Tabela 2.3. Bandas espectrais do satlite QUICKBIRD disponibilizadas no banco de dados
[UFES].

SATLITE QUICK BIRD (21/04/05)
BANDAS ESPECTRAIS
( m )
FAIXA ESPECTRAL
ufes_1 0.45 - 0.52 (2,4 m) Azul (B)
ufes_2 0.52 - 0.60 (2,4 m) Verde (G)
ufes_3 0.63 - 0.69 (2,4 m) Vermelho (R)
ufes_pan 0,45 - 0,90 (0,6 m) Pancromtica

Tabela 2.4. Mtodos de realce de imagem a serem utilizados no SPRING.

MTODOS DE REALCE DE CONTRASTE A SEREM EXECUTADOS
Mnimo mximo Logaritmo
Raiz Quadrada Negativo
Quadrado Equalizao de Histograma

2. Ative o banco de dados intitulado [Bacia_Rio_Alegre] e aplique o mtodo de realce de
contraste linear sobre as seguintes composies coloridas:

a) Satlite IKONOS:

Composio colorida falsa-cor: bandas verde (Ikonos_band_2), vermelho (Ikonos_band_3)
e infravermelho (Ikonos_band_4).

b) Satlite CBERS:

Composio colorida falsa-cor: bandas verde (banda2_210708), vermelho
(banda3_210708) e infravermelho (banda4_210708);

c) Satlite LANDSAT:

Composio colorida falsa-cor: bandas verde (b2_300501), vermelho (b3_300501) e
infravermelho (b4_300501);

Aps a aplicao de cada contraste linear, capture seu respectivo histograma na forma de
imagem. Posteriormente, compare os histogramas de cada imagem elaborada (diferentes
satlites) e descreva seu comportamento.


SPRING: Integrating remote sensingand GIS by object-oriented data modelling. Camara
G, Souza RCM, FreitasUM, Garrido J Computers & Graphics, 20: (3) 395-403, May-Jun 1996.
Disponvel em: http://www.dpi.inpe.br/spring. Acesso em 10/12/2009.
_ Captulo 3 Transformao IHS < - > RGB de Imagens
51

Transformao IHS < - > RGB de Imagens
03
CAPTULO

Neste captulo, voc ir aplicar uma transformao IHS < - > RGB sobre as bandas multi-
espectrais do satlite QUICKBIRD que apresentam resoluo espacial de 2,4 m, visando obter
uma imagem em falsa-cor com resoluo espacial de 0,6 m melhorando a qualidade de
fotointerpretao das imagens de satlites.

O assunto abordado neste captulo ser:

Transformao IHS < - > RGB de imagens.

3.1 - TRANSFORMAO IHS < - > RGB DE IMAGENS

O controle dos equipamentos de visualizao de imagens multiespectrais feito atravs das
componentes R, G e B que apresentam os seguintes significados:

LETRA INGLS PORTUGUS
R Red Vermelho
G Green Verde
B Blue Azul

Neste tpico, ser abordada a tcnica de transformao no espao de cores ou, mais
precisamente, a transformao IHS que apresentam os seguintes significados:

LETRA INGLS PORTUGUS
I Intensity Intensidade
H Hue Matiz
S Saturation Saturao

A transformao IHS consiste em projetar a informao de cores representadas no espao
Vermelho-Verde-Azul (RGB) para outro conjunto de eixos de medio de cores, no caso, o IHS
para descrever a amplitude de possveis variaes na tonalidade das cores.

O sistema IHS possui a vantagem de apresentar as cores de uma forma mais aproximada
quela utilizada pelo sistema de viso humano, pois os tons so descritos em termos de
Intensidade, Matiz e Saturao que apresentam os seguintes significados:

LETRA PORTUGUS SIGNIFICADO
I Intensidade representa o brilho ou a energia total da imagem
H Matiz representa o comprimento de onda dominante da cor
S Saturao representa a pureza da cor

Alm disso, a transformao para o espao IHS permite um maior controle individual sobre os
componentes cromticos (matiz) e acromticos (saturao) da imagem.

A relao espacial entre o espao RGB e IHS mostrada na Figura 3.1. Observa-se que o
sistema IHS pode ser graficamente representado por um cone.

52

Figura 3.1. Relao espacial entre o sistema RGB e IHS.

Na Figura 3.1, o sistema IHS pode ser explicado da seguinte forma:

Intensidade: distncia do ponto at a origem ou pice do cone.
Matiz: sequncia radial ao redor dos crculos de saturao e do eixo de intensidade.
Saturao: distncia radial do ponto at o eixo central do cone.

Por serem independentes, os trs parmetros podem ser analisados e modificados,
separadamente, para um melhor ajuste das cores s caractersticas do sistema visual.

Na transformao RGB para IHS, escolhem-se trs bandas de uma imagem e associa-se cada
banda a um dos componentes RGB. Assim, cada "pixel", na imagem de sada, possuir uma
correspondncia a um ponto no espao IHS. O resultado um conjunto de trs novas imagens:
uma de intensidade, uma de matiz e outra de saturao.

Na transformao IHS, pode-se realizar a combinao de imagens de diferentes sensores e
resoluo espacial.

Neste tpico, voc ir aplicar uma transformao IHS sobre as bandas multiespectrais do
satlite QUICKBIRD (Tabela 3.1) que apresentam resoluo espacial de 2,4 m, visando obter
uma imagem em falsa-cor com resoluo espacial de 0,6 m.

Observe na Tabela 3.1, que, inicialmente, as bandas verde, vermelho e infravermelho prximo
apresentam resoluo espacial de 2,4 m. Aps a transformao IHS, estas mesmas bandas
espectrais apresentaro resoluo espacial de 0,6 m, melhorando a capacidade de
fotointerpretao. A Figura 3.2 mostra como a qualidade da imagem falsa cor ir melhorar aps
a transformao IHS.

Tabela 3.1. Imagens do satlite QUICKBIRD oriundas do quadrante representativo do Campus
da Universidade Federal do Esprito Santo (UFES).

BANDAS ESPECTRAIS
( m )
FAIXA ESPECTRAL
ufes_1 0,45 0,52 (2,4 m) Azul
ufes_2 0,52 0,60 (2,4 m) Verde
ufes_3 0,63 0,69 (2,4 m) Vermelho
ufes_4 0,76 - 0,90 (2,4 m) Infravermelho prximo

Seo do
cone IHS
53

a) resoluo espacial de 2,4 m b) resoluo espacial de 0,6 m

Figura 3.2. Comparao entre imagens em falsa-cor do satlite QUICBIRD antes e aps a
transformao IHS.

TRANSFORMAO IHS <- > RGB

Nesta etapa, voc ir realizar a transformao IHS <-> RGB, visando elaborar uma composio
em falsa-cor com resoluo espacial de 0,6 m.

Inicialmente, voc dever abrir o SPRING 5.1.2 e ativar o Banco de Dados e o Projeto, ambos
intitulados IMAGEM_UFES:

Abaixo, demonstrada a ltima imagem em falsa-cor exibida no Captulo 2 (Figura 3.3).

Figura 3.3. ltima imagem em falsa-cor exibida no Captulo 2

1. No menu Imagem, clique em Transformao IHS <->RGB.
2. Na caixa de dilogo Transformao IHS <-> RGB, marque a opo RGB <-> IHS do
painel Transformaes.
3. Marque a opo R (vermelho).
4. Na caixa Categorias e Planos, selecione a imagem ufes_3 (banda do vermelho).
6. Marque a opo G (verde) e selecione a imagem ufes_4 (banda do infravermelho).
54
8. Marque a opo B (azul) e selecione a imagem ufes_2 (banda do azul).
10. Na caixa de entrada PI de Sada, digite Ufes.
11. Marque a opo B para aceitar 2,4 m para o Tamanho do Pixel de Sada.

Abaixo, so demonstradas as novas imagens geradas Ufes_I (intensidade), Ufes_H (matiz) e
Ufes_S (saturao).

11

10

12
8

6

4

5

2
3
1
1

55
Agora, voc ir visualizar cada uma das imagens geradas: Ufes_I, Ufes_H e Ufes_S.

13. Selecione a Tela Ativa 2.
14. Selecione a imagem Ufes_I.
15. Marque a opo M.
16. Clique na ferramenta ZOOM PI.

Repita os passos anteriores (de 13 a 16) para as imagens Ufes_H (usando a Tela 3) e Ufes_S
(usando a Tela 4).

Abaixo, so demonstradas as outras imagens geradas.

Agora, voc ir aplicar uma transformao IHS->RGB, visando elaborar uma imagem em falsa
cor com resoluo espacial de 0,6 m.

17. No menu Imagem, clique em Transformao IHS <-> RGB.
18. Na caixa de dilogo Transformao IHS <-> RGB, marque a opo IHS <-> RGB do
painel Transformaes.
19. Marque a opo I (intensidade) e selecione a imagem ufes_pan (banda pancromtica de
0,6 m).
20. Marque a opo H (matiz) e selecione a imagem Ufes_H (imagem discretizando o matiz).
21. Marque a opo S (saturao) e selecione a imagem Ufes_S (imagem discretizando a
saturao).
22. Na caixa de entrada PI de Sada, digite Ufes60cm.
23. Marque a opo I para aceitar 0,6 m para o Tamanho do Pixel de Sada.

16

15

14

13
56

Agora, voc est pronto para elaborar uma composio em falsa-cor com as imagens geradas
com resoluo de 0,6 m mostradas abaixo:

Imagens Resoluo espacial Cor
Ufes60cm_B B
Ufes60cm_G G
Ufes60cm_R
0,6 m
R

26. No Painel de controle, selecione a imagem intitulada Ufes60cm_R.
28. Selecione a imagem intitulada Ufes60cm_G.
30. Selecione a imagem intitulada Ufes60cm_B.
32. Clique na ferramenta ZOOM PI .

Como demonstrado no captulo 1, utilize a tela auxiliar para visualizar uma imagem em falsa-
cor com as imagens antes da transformao IHS, ou seja:

Imagens Resoluo espacial Cor
ufes_2 B
ufes_4 G
ufes_3
2,4 m
R

33. Com a tela Principal ativa, clique a na ferramenta Acoplar e selecione a tela Auxiliar.
34. Utilize a ferramenta Cursor de rea e arraste uma caixa ao redor da parte central
(Biblioteca Central) da UFES.

22
21

20

19

18

24

23

17
57

A letra a da Figura 3.4 mostra a Biblioteca Central da UFES (tela principal) ampliada com a
imagem falsa-cor oriunda da transformao IHS <-> RGB com resoluo espacial de 0,6 m
com aplicao do realce de contraste linear. J a letra b mostra a Biblioteca Central da UFES
(tela auxiliar) ampliada com a imagem falsa-cor com resoluo espacial de 2,4 m antes da
transformao IHS-><-RGB com aplicao do realce de contraste linear.

34

35

33

32

30

31
28

26

25
58

a) resoluo espacial de 0,6 m b) resoluo espacial de 2,4 m

Figura 3.4. Ampliao de imagens em falsa-cor da rea central da UFES (biblioteca central). a)
resoluo espacial de 0,6 m oriunda da transformao IHS <-> RGB e, b) resoluo espacial
de 2,4 m antes da transformao IHS <-> RGB.

A Figura 3.5 mostra algumas localizaes dentro Campus da UFES Central, Vitria, ES.

Figura 3.5. Ampliao de uma imagem em falsa-cor (resoluo de 0,6 m) oriunda de uma
transformao IHS <-> RGB da rea representativa do Campus Central da UFES, Vitria, ES.

LAGOA DA UFES
BIBLIOTECA CENTRAL
DA UFES
59
EXERCCIOS

1. De posse das imagens do satlite QUICKBIRD disponibilizadas no Banco de Dados
[UFES] e Projeto [Imagem_UFES] execute uma transformao IHS <-> RGB visando
elaborar uma composio colorida normal [bandas azul (B), verde (G) e vermelho (R)] com
as seguintes imagens:

BANDAS ESPECTRAIS
( m )
FAIXA ESPECTRAL
ufes_1 0,45 0,52 (2,4 m) Azul (B)
ufes_2 0,52 0,60 (2,4 m) Verde (G)
ufes_3 0,63 0,69 (2,4 m) Vermelho (R)

Veja na Figura 3.6 abaixo o resultado da transformao IHS <-> RGB que voc dever
alcanar.

Figura 3.6. Transformao IHS <-> RGB - Composio Normal Bandas do azul, verde e
vermelho.

2. Procure na literatura informaes a respeito de outros mtodos de transformao
semelhantes ao IHS <-> RGB, discutindo suas modificaes.
_ Captulo 4 Filtragem de Imagens Digitais
60

Filtragem de Imagens Digitais
04
CAPTULO

Em funo da grande quantidade de frequncias numa imagem, sua interpretao fica
comprometida quando se deseja analisar uma frequncia especfica, havendo a necessidade
de aplicao de tcnicas para melhorar a visualizao da distribuio espacial, incluindo a
mudana do valor do pixel, de tal forma que sejam selecionadas as feies de alta, mdia ou
baixa frequncia, mediante a utilizao de filtros especiais.

Este captulo tem por objetivo apresentar tcnicas de filtragem espacial de frequncias, de
forma a facilitar na interpretao de imagens digitais.

4.1 - FILTRAGEM DE IMAGENS

Todas as imagens possuem limites entre reas com diferentes respostas em relao energia
eletromagntica, como por exemplo, entre diferentes coberturas do terreno (solo, vegetao,
rocha e outros), ou podem representar o contato entre reas com diferentes condies de
iluminao devido ao sombreamento topogrfico.

Uma caracterstica das imagens digitais o parmetro chamado frequncia espacial, o qual
definido como o nmero de mudanas no valor de brilho por unidade de distncia para
qualquer parte da imagem. Quando se tem pouca variao no valor de brilho em reas
relativamente grandes, como o caso de monoculturas, dizemos que esta uma regio de
baixa frequncia. E, quando ocorre uma grande variabilidade nos valores de brilho em reas
pequenas, dizemos que uma regio de alta frequncia (limites de plantaes, redes de
transporte, estruturas geolgicas, entre outros).

A enorme mistura de frequncias em uma imagem dificulta a interpretao de feies com
frequncias especficas. Deste modo, para contornar esse problema e melhorar a aparncia da
distribuio espacial das informaes, so utilizadas tcnicas de FILTRAGEM espacial de
frequncias (transformaes de imagem pixel a pixel), as quais realam seletivamente as
feies de alta, mdia ou baixa frequncias que compem as imagens de sensoriamento
remoto.

As tcnicas de filtragem so transformaes da imagem pixel a pixel, que no dependem
apenas do nvel de cinza de um determinado pixel, mas tambm do valor dos nveis de cinza
dos pixels vizinhos.

O processo de filtragem feito utilizando matrizes denominadas mscaras, as quais so
aplicadas sobre a imagem. A aplicao da mscara com centro na posio (i, j), sendo i o
nmero de uma dada linha e j o nmero de uma dada coluna sobre a imagem, consiste na
substituio do valor do pixel na posio (i, j) por um novo valor que depende dos valores dos
pixels vizinhos e dos pesos da mscara, gerando uma nova imagem com a eliminao das
linhas e colunas iniciais e finais da imagem original. A cada posio da mscara, est
associado um valor numrico, chamado de peso ou coeficiente. Em cada posio (i, j), os
pesos do filtro so multiplicados pelos nveis de cinza (NCs) dos pixels correspondentes e
somados, resultando em um novo valor de NC, o qual substitui o antigo NC do pixel central.

As operaes de filtragem podem ser divididas nas seguintes classes:
a) Filtragem linear;
b) Filtragem no-linear;
c) Filtragem morfolgica.

61
FILTRAGEM LINEAR

Pode ser realizada no domnio do espao atravs da operao de convoluo e no domnio da
frequncia pela operao produto. Suavizam e realam detalhes da imagem e minimizam
efeitos de rudo, sem alterar a mdia da imagem. Alguns filtros so descritos a seguir.

Passa Baixa: suaviza a imagem atenuando as altas frequncias, que correspondem s
transies abruptas. Tende a minimizar rudos e apresenta o efeito de borramento da
imagem. A Figura 4.1 mostra as mscaras dos filtros de Passa Baixa-Mdia 3x3, 5x5 e 7x7.
J a Figura 4.2 exibe uma comparao entre diferentes filtros de Passa Baixa-Mdia sobre a
banda infravermelho do satlite IKONOS representativa do Parque de Exposio da cidade
de Alegre, ES.

3 x 3 5 x 5 7 x 7

Figura 4.1. Mscaras dos filtros de Passa Baixa-Mdia 3x3, 5x5 e 7x7.

Imagem filtrada (filtros de passa baixa-mdia) Banda
infravermelha do
satlite IKONOS
3 x 3 5 x 5 7 x 7

Figura 4.2. Comparao entre diferentes filtros Passa Baixa-Mdia sobre a banda
infravermelho do satlite IKONOS representativa do Parque de Exposio da
cidade de Alegre, ES.

Passa Baixa de Mdia Ponderada: so usados quando os pesos so definidos em funo
de sua distncia do peso central. Neste filtro, o efeito da suavizao menor, pois o peso do
pixel central maior do que no filtro de mdia. A Figura 4.3 exibe dois exemplos de uma
mscara 3x3 de um filtro de Passa Baixa Mdia Ponderada. J a Figura 4.4 mostra uma
aplicao do filtro de Passa Baixa Mdia Ponderada (3 x 3) sobre a banda infravermelho do
satlite IKONOS representativa do Parque de Exposio da cidade de Alegre, ES.

3 x 3 3 x 3

Figura 4.3 Mscaras dos filtros de Passa Baixa Mdia Ponderada 3x3.

62

Banda
infravermelho do
satlite IKONOS
Mscara utilizada
Imagem filtrada
(Passa Baixa
Mdia Ponderada
3 x 3)

Figura 4.4 Aplicao do filtro de passa baixa mdia ponderada (3 x 3) sobre a banda
Exposio da cidade de Alegre, ES.

Passa Alta: a filtragem Passa Alta reala detalhes, produzindo uma "agudizao"
("sharpering") da imagem, isto , as transies entre regies diferentes tornam-se mais
ntidas. Estes filtros podem ser usados para realar certas caractersticas presentes na
imagem, tais como bordas, linhas curvas ou manchas, mas enfatizam o rudo existente na
imagem. Alguns exemplos destas mscaras so mostradas na Figura 4.5. J a Figura 4.6
mostra uma aplicao do filtro de Passa Alta (3 x 3) sobre a banda infravermelho do satlite
IKONOS representativa do Parque de Exposio da cidade de Alegre, ES.

Figura 4.5. Exemplos de mscaras de filtros de Passa Alta 3 x 3.

Banda
infravermelho
do satlite
IKONOS
Mscara
utilizada
Imagem filtrada
(Passa Alta 3 x
3)

Figura 4.6. Aplicao do filtro de passa-alta (3 x 3) sobre a banda infravermelho do satlite
IKONOS representativa do Parque de Exposio da cidade de Alegre, ES.

Filtros direcionais de realce de bordas: os filtros de realce de bordas realam a cena,
segundo direes preferenciais de interesse, definidas pelas mscaras. Abaixo, esto
algumas mscaras utilizadas para o realamento de bordas em vrios sentidos. O nome
dado s mscaras indica a direo ortogonal preferencial em que ser realado o limite de
borda. Assim, a mscara Norte reala limites horizontais. A Figura 4.7 mostra as principais
mscaras direcionais de realce de bordas. J a Figura 4.8 mostra uma aplicao do filtro
direcional de realce de bordas Norte (3 x 3) sobre a banda infravermelho do satlite IKONOS
representativa do Parque de Exposio da cidade de Alegre, ES.

63

Norte

Nordeste

Leste

Sudeste

Sul

Sudoeste

Oeste

Noroeste

Figura 4.7. Principais mscaras direcionais de realce de bordas.

Banda
infravermelho
do satlite
IKONOS
Mscara Norte
Imagem filtrada
(direcional de
realce de bordas
Norte)

Figura 4.8. Aplicao do filtro direcional de realce de bordas Norte (3 x 3) sobre a banda

Filtros no-direcionais de realces de bordas: utilizado para realar bordas,
independentemente da direo. As trs mscaras mais comuns diferem quanto intensidade
de altos valores de nveis de cinza presentes na imagem resultante. A mscara alta deixa
passar menos os baixos nveis de cinza, isto , a imagem fica mais clara. A mscara baixa
produz uma imagem mais escura que a anterior. A mscara mdia apresenta resultados
intermedirios. A Figura 4.9 mostra as principais mscaras no-direcionais de realce de
bordas. J a Figura 4.10 mostra uma aplicao do filtro no direcional de bordas baixa (3 x 3)
sobre a banda infravermelho do satlite IKONOS representativa do Parque de Exposio da

Baixa Mdia Alta

Figura 4.9. Exemplos de mscaras de filtros no-direcionais de realce de bordas.

64

Banda
infravermelho do
satlite IKONOS
Mscara Baixa
Imagem filtrada
(no-direcional
de realce de
bordas baixa)

Figura 4.10. Aplicao do filtro no-direcional de realce de bordas baixa (3 x 3) sobre a banda
infravermelho do satlite IKONOS representativa do Parque de Exposio da

Filtros de realce de imagens: utiliza mscaras apropriadas ao realce de caractersticas de
imagens obtidas por um sensor especfico. Para imagens TM/LANDSAT o realce compensa
distores radiomtricas do sensor. O pixel que ter seu valor de nvel de cinza substitudo
pela aplicao da mscara corresponde posio sombreada. A Figura 4.11 mostra a
mscara utilizada para realar imagens LANDSAT. J a Figura 4.12 mostra uma aplicao do
filtro da imagem LANDSAT sobre a banda infravermelho (b4_300501) do satlite LANDSAT
representativa do municpio de Alegre, ES.

Figura 4.11. Mscara de realce para imagens do satlite TM/LANDSAT.

Banda
infravermelho do
satlite
TM/LANDSAT
Mscara
TM/LANDSAT
Imagem filtrada
(filtroTM/LANDSAT)
Figura 4.12. Aplicao do filtro de realce para imagens do satlite TM/LANDSAT
(4 x 4) sobre a banda infravermelho do satlite TM/LANDSAT
representativa do municpio de Alegre, ES.

FILTROS NO-LINEARES

Tm o objetivo de minimizar e realar rudos e suavizar e realar bordas, alterando a mdia da
imagem. Os principais filtros so:

Filtros para deteco de bordas: detecta caractersticas, como bordas, linhas, curvas e
manchas, sendo os mais comuns os operadores de Roberts e Sobel.

a) Operador de Roberts: apresenta a desvantagem de certas bordas serem mais realadas do
que outras dependendo da direo, mesmo com magnitude igual. Como resultado de sua
aplicao, obtm-se uma imagem com altos valores de nvel de cinza, em regies de
limites bem definidos e valores baixos em regies de limites suaves, sendo 0 (zero) para
regies de nvel de cinza constante. A Figura 4.13 mostra a mscara representativa do
operador de Roberts.

65

Figura 4.13. Mscara representativa do operador de Roberts.

O operador consiste na seguinte funo:

(a') = (a - d)
2
+ (c - b)
2

Em que,

a': nvel de cinza correspondente localizao a ser substitudo;
a, b, c, d: localizaes cujos valores sero computados para a operao.

A Figura 4.14 mostra uma aplicao da filtragem no-linear para deteco de bordas utilizando
o operador de Roberts sobre a banda infravermelho do satlite IKONOS representativa do
Parque de Exposio da cidade de Alegre, ES.

Banda
infravermelho do
satlite IKONOS
Mscara de
Roberts
Imagem filtrada
(deteco de
bordas - operador
de Roberts)

Figura 4.14. Aplicao da filtragem no linear para deteco de bordas utilizando o operador de
Roberts sobre a banda infravermelho do satlite IKONOS representativa do Parque de

b) Operador de Sobel: reala linhas verticais e horizontais mais escuras que o fundo, sem
realar pontos isolados. Consiste na aplicao de duas mscaras, descritas na Figura 4.15,
que compem um resultado nico.

Mscara (a) Mscara (b)

Figura 4.15. Mscaras do operador de Sobel.
A mscara (a) detecta as variaes no sentido horizontal e a mscara (b), no sentido vertical. O
resultado desta aplicao, em cada pixel, dado por:

2 2
' b a a + =

Em que,

a': valor de nvel de cinza correspondente localizao do elemento central da mscara.
66
A Figura 4.16 mostra uma aplicao da filtragem no-linear para deteco de bordas utilizando
o operador de Sobel sobre a banda infravermelho do satlite IKONOS representativa do
Parque de Exposio da cidade de Alegre, ES.

Banda infravermelho
do satlite IKONOS
Mscaras de Sobel
Imagem filtrada
(deteco de bordas
- operador de Sobel)

Figura 4.16. Aplicao da filtragem no-linear para deteco de bordas utilizando o operador
de Sobel sobre a banda infravermelho do satlite IKONOS
representativa do Parque de Exposio da cidade de Alegre, ES.

Filtros morfolgicos: exploram as propriedades geomtricas dos sinais (nveis de cinza da
imagem). Para filtros morfolgicos, as mscaras so denominadas elementos estruturantes e
apresentam valores 0 ou 1 na matriz que correspondem ao pixel considerado. Os filtros
morfolgicos bsicos so: da mediana, eroso e dilatao.

a) Filtro Morfolgico de Mediana: utilizado para suavizao e eliminao de rudo e mantm
a dimenso da imagem. A Figura 4.17 mostra um exemplo deste tipo de filtro.

Figura 4.17. Exemplo para aplicao dos filtros morfolgicos.

O pixel central ser alterado para o valor 6 [valor mediano na ordenao (2,3,6,6,8)].

A Figura 4.18 mostra uma aplicao da filtragem no-linear morfolgica de mediana sobre a
banda infravermelho do satlite IKONOS representativa do Parque de Exposio da cidade de
Alegre, ES.

Banda
infravermelho do
satlite IKONOS
Mscara de
mediana M+
Imagem filtrada
(filtro de
mediana)

Figura 4.18. Aplicao da filtragem no-linear morfolgica de mediana sobre a banda
ES.

67
b) Filtro Morfolgico-Eroso: provoca efeitos de eroso das partes claras da imagem (altos
nveis de cinza), gerando imagens mais escuras. Considerando o exemplo mostrado na
Figura 4.17, o valor a ser substitudo no pixel central corresponde ao menor valor da
ordenao, que igual a 2.

A Figura 4.19 mostra uma aplicao da filtragem no-linear Morfolgico-Eroso sobre a banda
ES.

Banda
infravermelho do
satlite IKONOS
Mscara de
eroso M+
Imagem filtrada
(filtro de eroso)

Figura 4.19. Aplicao da filtragem no-linear Morfolgico-Eroso sobre a banda infravermelho
do satlite IKONOS representativa do Parque de Exposio
da cidade de Alegre, ES.

c) Filtro Morfolgico-Dilatao: provoca efeitos de dilatao das partes escuras da imagem
(baixos nveis de cinza), gerando imagens mais claras. Considerando o exemplo mostrado
na Figura 4.17, o valor resultante da aplicao deste filtro o maior valor na ordenao,
que igual a 8.

A Figura 4.20 mostra uma aplicao da filtragem no-linear Morfolgico-Dilatao sobre a
banda infravermelho do satlite IKONOS representativa do Parque de Exposio da cidade de
Alegre, ES.

Banda
infravermelho do
satlite IKONOS
Mscara de
dilatao M+
Imagem filtrada
(filtro de
dilatao)

Figura 4.20. Aplicao da filtragem no-linear Morfolgico-Dilatao sobre a banda
ES.

A Figura 4.21 mostra algumas mscaras comumente utilizadas para filtros morfolgicos.

Figura 4.21. Mscaras comumente utilizadas para filtros morfolgicos.

68
possvel realizar a abertura ou fechamento de uma imagem por meio do encadeamento de
filtros de eroso e dilatao com o mesmo elemento estruturante. Veja os exemplos abaixo:

a) Abertura de uma imagem: obtida pelo encadeamento do filtro de eroso, seguido pelo de
dilatao, conforme mostrado na Figura 4.22. Observe, nesta figura, que aps o
encadeamento das filtragens (eroso seguida de dilatao), algumas reas, localizadas
nas proximidades do Parque de Exposio da cidade de Alegre, ES, apresentam reas que
foram abertas quando comparadas com a imagem original.

Banda
infravermelho do
satlite IKONOS
Imagem filtrada
(filtro de eroso)
Imagem aberta
oriunda de nova
filtragem (filtro
de dilatao)

Figura 4.22. Abertura de uma imagem: aplicao encadeamento de filtros (eroso seguido de
dilatao) sobre a banda infravermelho do satlite IKONOS representativa do Parque de

b) Fechamento de uma imagem: obtido pelo encadeamento do filtro de dilatao, seguido
pelo de eroso, conforme mostrado na Figura 4.23. Observe, nesta figura, que aps o
encadeamento das filtragens (dilatao seguida de eroso), algumas reas, localizadas
nas proximidades do Parque de Exposio da cidade de Alegre, ES, apresentam reas que
foram fechadas quando comparadas com a imagem original.

Banda
infravermelho do
satlite IKONOS
Imagem filtrada
(filtro de
dilatao)
Imagem fechada
oriunda de nova
filtragem (filtro de
eroso)

Figura 4.23. Fechamento de uma imagem: aplicao encadeamento de filtros (dilatao
seguido de eroso) sobre a banda infravermelho do satlite IKONOS representativa do Parque
de Exposio da cidade de Alegre, ES.

Agora que voc assimilou conceitos tericos sobre as tcnicas de filtragem, sero
demonstradas algumas aplicaes prticas no SPRING 5.1.2.

ATIVAO DE UM NOVO BANCO DE DADOS NO SPRING

As tcnicas de filtragem sero desenvolvidas sobre imagens do satlite IKONOS do quadrante
representativo da cidade de Alegre, ES. Para tanto, deve-se ativar o projeto intitulado
Bacia_Rio_Alegre da seguinte maneira:

1. No menu Arquivo, clique na opo Banco de Dados.
69
2. Na caixa de dilogo Banco de Dados, selecione o banco de dados Bacia_Rio_Alegre.
4. Na caixa de mensagem SPRING, clique no boto Sim para fechar o banco de dados ativo
denominado UFES.
5. No menu Arquivo, aponte para opo Projeto e clique em Projeto.
6. Selecione o projeto BRH_Alegre.

6

7

5

1

4

2

3
70
APLICAO DO FILTRO LINEAR DE PASSA BAIXA-MDIA 3 X 3

1. No SPRING, selecione a guia Principal.
2. No Painel de Controle, selecione a banda infravermelho do satlite IKONOS intitulada
Ikonos_band_4.
3. Selecione a paleta de cor M (monocromtica).
4. Clique na ferramenta Zoom PI .
5. No menu Imagem, clique na opo Filtragem.
6. Na caixa de dilogo Filtragem, selecione o tipo de filtragem Linear.
7. Selecione o filtro linear Passa Baixa-Mdia.
8. Selecione a mscara 3x3.
9. Na caixa de entrada Nome, digite o nome Ik_b4_passa_baixa_media_3x3.
11. No Painel de Controle, selecione a imagem filtrada denominada
Ik_b4_passa_baixa_media_3x3.

Abaixo (Figura 4.24), observada a imagem representativa do Parque de Exposio da cidade
de Alegre, ES, antes e aps a aplicao do filtro de Passa Baixa-Mdia (3x3) seguida da
aplicao da tcnica de realce de contraste linear.
6

7

8

9
10

11

13

12

5

2

1
3

4
71

a) Imagem original antes da filtragem
b) Imagem filtrada (passa baixa-mdia 3 x
3)

Figura 4.24. Banda infravermelho do satlite IKONOS representativa do Parque de Exposio
da cidade de Alegre, ES, antes (a) e aps (b) a aplicao do filtro de Passa Baixa-Mdia 3 x 3.

ANLISE MATEMTICA DA IMAGEM FILTRADA PELO FILTRO DE PASSA BAIXA-
MDIA 3x 3

Neste tpico ser demonstrada uma anlise matemtica objetivando comprovar o valor do pixel
central de uma rea localizada na nova imagem filtrada pelo Filtro de Passa Baixa-Mdia 3 x
3. Caso seja necessrio, apenas acompanhe visualmente, passo a passo, os clculos abaixo.
O pixel a ser testado (imagem denominada Ikonos_band_4) apresenta as coordenadas
geogrficas mostradas nas Figura 4.25 e 4.26.

Figura 4.25. Coordenadas geogrficas do pixel a ser testado aps a filtragem de Passa Baixa-
Mdia.
Local de teste do
tipo de filtro
Long: -41:31:35,91
Lat: -20:45:42,61
72

Figura 4.26. Caractersticas do pixel a ser filtrado.

Aps a aplicao do filtro de passa baixa-mdia, utilizou-se a ferramenta Cursor de info do
SPRING para determinar os valores nos nveis de cinza dos pixels vizinhos e central da
mscara da imagem de origem e da imagem filtrada (Figura 4.27).

a) Valor do pixel central na imagem original
b) Valor do pixel aps a filtragem de
Passa Baixa-Mdia 3 x 3

Figura 4.27. Valores nos nveis de cinza dos pixels vizinhos e central: a) mscara da imagem
de origem e b) da imagem filtrada.

Abaixo apresentado um esquema contendo as seguintes informaes (Figura 4.28): a)
Mscara do Filtro de Passa Baixa-Mdia 3 x 3, b) Valor do pixel central na imagem original e c)
Valor do pixel aps a filtragem de Passa Baixa-Mdia 3 x 3.

a) Mscara
b) Valor do pixel central na
imagem original
c) Valor do pixel aps a
filtragem de Passa Baixa-
Mdia 3 x 3

Figura 4.28. Representao da mscara do Filtro de Passa Baixa-Mdia 3 x 3, valores dos
nveis de cinza da imagem original e imagem filtrada.
Objetivando comprovar que, realmente, o valor do pixel central da imagem filtrada equivale a
116, basta executar os clculos sugeridos abaixo:
63
88
135
59
152
160
57
161
174
116
Pixel a ser filtrado
Linha: 70
Coluna: 51
Valor do Pixel: 152
73
117 pixel novo do Valor
pixel novo do Valor
) 1 (174 ) 1 (160 ) 1 (135 ) 1 (161 ) 1 (152 ) 1 (88 ) 1 (57 ) 1 (59 ) 1 (63
pixel novo do Valor
=
=
+ + + + + + + +
=
9
1049
9


Ikonos_band_4.

11
12

13

5
3

2
4

1
6

7

8

9
10
74
Abaixo (Figura 4.29), observada a parte representativa do Parque de Exposio da cidade de
Alegre, ES, antes e aps a aplicao do filtro de Passa Baixa-Mdia 5 x 5, seguida da

a) Imagem original antes da filtragem b) Imagem filtrada (Passa Baixa-Mdia 5 X 5)

da cidade de Alegre, ES, antes (a) e aps (b) a aplicao do Filtro de Passa Baixa-Mdia 5 x 5.


Ikonos_band_4.

5
75

Abaixo (Figura 4.30), observada a parte representativa do Parque de Exposio da cidade de
Alegre, ES, antes e aps a aplicao do filtro de Passa Baixa-Mdia (7 x 7), seguida da

a) Imagem original antes da filtragem b) Imagem filtrada (Passa Baixa-Mdia 7 X 7)

da cidade de Alegre, ES, antes (a) e aps (b) a aplicao do filtro de Passa Baixa-Mdia (7 x
7).

EXERCCIOS

1. Utilizando o SPRING, de posse do banco de dados [Bacia_Rio_Alegre] e do projeto
[BHR_Alegre], aplique os seguintes filtros sobre a imagem Ikonos_band_4.

a) Linear: Direcional de Borda.
b) Linear: No Direcional de Borda.
c) No-linear: Deteco de Bordas.
d) No-linear: Morfolgico-Dilatao.
e) No-linear: Mediana.
f) No-linear: Morfolgico-Eroso.

Obs: Considerar todas as mscaras para cada tipo de filtro.

11

12

13
6

7

8

9

10
_ Captulo 5 Operaes Aritmticas entre Imagens
76

Operaes Aritmticas entre Imagens
05
CAPTULO

Este captulo tem por objetivo apresentar o potencial do SPRING 5.1.2 para a realizao de
operaes aritmticas do tipo: soma, subtrao, multiplicao e diviso.

As operaes aritmticas so operaes "pixel" a "pixel" entre imagens de bandas diferentes,
atravs de uma regra matemtica definida, tendo como resultado uma banda representando a
combinao das bandas originais.

Em geral, a operao de adio utilizada para realar a similaridade entre bandas ou
diferentes imagens; e a subtrao, a multiplicao e a diviso, para realar as diferenas
espectrais.

As atividades executadas neste captulo sero:

Normalizao radiomtrica de imagens do satlite CBERS para o quadrante representativo
da bacia hidrogrfica do Rio Alegre, ES.

5.1 NORMALIZAO RADIOMTRICA DE IMAGENS DO SATLITE CBERS PARA
O QUADRANTE REPRESENTATIVO DA BACIA HIDROGRFICA DO RIO
ALEGRE, ES

Durante a aquisio de dados pelos sensores orbitais, existem vrios fatores que causam as
distores radiomtricas das imagens; tais como, a diferena das condies atmosfricas,
iluminao, ngulos de visada, entre outros. Para determinadas aplicaes, a correo destas
distores um processo indispensvel. Por outro lado, em muitas situaes, o processo de
correo radiomtrica no uma tarefa fcil, principalmente, quando o procedimento envolve o
conhecimento dos fatores que causam tais distores que nem sempre esto disponveis.

Em funo disso, na anlise multitemporal, vrios autores utilizam a normalizao (ou
retificao) radiomtrica ao invs de correo radiomtrica. Normalizar, radiometricamente,
duas imagens de datas distintas tem como objetivo compatibilizar as amplitudes dos nveis de
cinza dos elementos de imagem em cada banda espectral de uma srie multitemporal de
imagens. Este processo ser denominado doravante de retificao radiomtrica, o qual inicia
com a eleio de uma das imagens temporais como imagem de REFERNCIA e as outras
imagens como imagem de AJUSTE. Geralmente, essa tcnica consiste em determinar os
coeficientes de uma transformao linear, que aplicada imagem de ajuste, efetua a
retificao desejada.

Neste tpico, ser utilizado o mtodo de UNIFORMIZAO DAS MDIAS E VARINCIAS
(UMV) sobre as seguintes imagens do satlite CBERS para o quadrante representativo da
bacia hidrogrfica do Rio Alegre, ES:

a) banda4_210708 (infravermelho) IMAGEM DE REFERNCIA.
b) banda3_210708 (vermelho) IMAGEM DE AJUSTE.

MTODO DE UNIFORMIZAO DAS MDIAS E VARINCIAS (UMV)

Este mtodo, consiste em igualar as mdias e varincias de duas imagens, atravs de uma
transformao linear. Para isto, so calculados os parmetros (ganho e offset) da funo que
77
quando aplicada imagem de ajuste, a imagem resultante tenha a mesma mdia e varincia
da imagem de referncia.
O clculo do ganho e offset so baseados na funo de transformao f(x) = ax + b, ou seja:

offset M ganho R
S
+ =

e

2 2 2
s R
ganho =

O que pode ser reescrito da seguinte forma:

2
2
s
R
ganho
=

e

S R offset
s
R
=
2
2

Em que,

2
R
: varincia da imagem de referncia;
2
S
: varincia da imagem de ajuste;
R : mdia da imagem de referncia;
S : mdia da imagem de ajuste.

Para a imagem resultante S temos ento:

offset ganho S S + = '

Em que,

S: imagem uniformizada;
S: imagem de ajuste.

Para visualizar outros mtodos de normalizao radiomtrica, basta consultar o seguinte
trabalho:

Comparao do desempenho de algoritmos de normalizao radiomtrica de imagens de
satlite (Anais do XI SBSR) disponibilizado no seguinte endereo eletrnico (Figura 5.1):
http://marte.dpi.inpe.br/col/ltid.inpe.br/sbsr/2002/11.14.16.57/doc/15_204.pdf

Figura 5.1. Trabalho publicado no XI SBSR.

78
Aps a apresentao do mtodo de uniformizao das mdias e varincias (UMV), voc j est
pronto para iniciar uma aplicao prtica no SPRING 5.1.2.

COLETA DAS INFORMAES ESTATSTICAS DA IMAGEM DE REFERNCIA

Inicialmente, voc ir coletar os valores referentes mdia e a varincia da imagem de
referncia intitulada banda4_210708.

Antes de seguir as etapas abaixo, ative o Banco de Dados [Bacia_Rio_Alegre] e o Projeto
[BHR_Alegre].

8. No Painel de Controle, selecione a imagem denominada banda4_210708.

10. No menu Imagem, clique na opo Estatstica.
11. Selecione a imagem banda4_210708.
12. Na caixa de entrada Nome, digite banda4_210708.
13. Clique no boto Criar Arquivo.

5
4

6
3

1

2
79
14. Na caixa de dilogo Aquisio de Amostras, digite banda4_210708 na caixa de entrada
Nome da Amostra.
15. Marque a opo Coordenadas.
16. Nas caixas de entrada X0, Y0, X1 e Y1, digite os valores 0, 0, 1127 e 1262,
respectivamente.
17. Clique no boto Adquirir.
18. Marque a opo Momentos.
19. Clique no boto Calcular e Apresentar.
20. Aps visualizar o Grfico, clique no boto Fechar.

Na caixa de dilogo Estatsticas de Amostras, veja os seguintes resultados:

Mdia: 77,37.
Varincia: 353,79.

21. Na caixa de dilogo Estatstica de Amostras, clique no boto Fechar.

13
7

8
9
10

11

12

14
80
22. Na caixa de dilogo Aquisio de Amostras, clique no boto Fechar.
23. Na caixa de dilogo Anlise Estatstica de Amostras, clique no boto Fechar.

COLETA DAS INFORMAES ESTATSTICAS DA IMAGEM DE AJUSTE

Agora, voc ir coletar os valores referentes mdia e varincia da imagem de ajuste
intitulada banda3_210708.


4. Selecione a imagem banda3_210708.
5. Na caixa de entrada Nome, digite banda3_210708.

1

2

16

15
81

7. Na caixa de entrada Nome da Amostra, digite banda3_210708.
respectivamente.
11. Marque a opo Momento.


Mdia: 28,64.
Varincia: 22,64.


3

13
5
4

6
7
8
9
10

11

12
82


Aps as consultas estatsticas anteriores, tm-se os seguintes resultados:

IMAGEM MDIA VARINCIA
REFERNCIA 77,37 353,79
AJUSTE 28,64 22,38

DETERMINAO DO GANHO E DO OFFSET

De posse dos valores de mdia e varincia das imagens de referncia e ajuste, voc ir
determinar os valores do GANHO e OFFSET, utilizando as equaes a seguir:

16

15

14
83
38 , 22
79 , 353
2
2
= =
s
R
ganho

976 , 3 = ganho

e

64 , 28 976 , 3 37 , 77
2
2
= = S R offset
s
R

503 , 36 = offset

UNIFORMIZAO DAS MDIAS E VARINCIAS DA IMAGEM DE AJUSTE (UMV)

De posse dos valores de GANHO e OFFSET, a imagem banda3_210708 (imagem de ajuste)
ser uniformizada utilizando a seguinte equao:

offset ganho S S + = '

Em que,

S: imagem uniformizada.
S: imagem de ajuste.

3. No menu Imagem, clique na opo Operaes Aritmticas.
4. Na caixa de dilogo Operaes Aritmticas, no dropdown da opo Operao selecione
C=Ganho*A+Offset.
5. Selecione banda3_210708.
6. Para as caixas de entrada Ganho e Offset, entre com os valores de 3.976 e -36.503,
respectivamente.
7. Para a caixa de entrada Sada C, entre com o nome banda3_210708_uniformizada.

1

2
84

9. Na tela Auxiliar, aponte para Arquivo e clique em Sair.
10. No SPRING 5.1.2, aponte para Arquivo e clique em Sair.
11. Na caixa de Sair - Spring, clique no boto Sim.
12. Na rea de trabalho do Windows, d um clique duplo em Atalho para BHR_Alegre.
13. Feche a janela Novidades do Spring 5.1.2.
14. No Painel de Controle, selecione a imagem denominada banda3_210708_uniformizada-
(OP1).

4

5

6

7

8
14

15

9

3

12

11

10

13
85
17. Selecione a imagem banda3_210708_uniformizada-(OP1).
18. Na caixa de entrada Nome, digite banda3_210708_uniformizada-(OP1).

20. Na caixa de entrada Nome da Amostra, digite banda3_210708_uniformizada-(OP1).
respectivamente.
24. Marque a opo Momentos.


Mdia: 76,55.

17

18

19
20

21
22
23

24

25

26

16
86
Varincia: 357,20.


COMPARAO ENTRE AS MDIAS E VARINCIAS DAS IMAGENS DE REFERNCIA,
AJUSTE E NORMALIZADA

A Tabela 5.1 mostra o resumo das operaes que envolveram a aplicao do mtodo de
uniformizao das mdias e varincias (UMV).

Tabela 5.1 Comparao dos valores de mdia e varincia das imagens de referncia, ajuste e
normalizada.

IMAGEM MDIA VARINCIA
REFERNCIA 77,37 353,79
AJUSTE 28,64 22,38
NORMALIZADA 76,55 357,20

27

28

29
87
Concluso: de acordo com os resultados da Tabela 5.1, os valores de mdia e varincia das
imagens de referncia e normalizada esto prximos estatisticamente.

A Figura 5.2 mostra uma comparao entre as imagens de referncia, ajuste e normalizada.
Observa-se que, aps a aplicao do mtodo de uniformizao das mdias e varincias
(UMV), o contraste da imagem de referncia muito parecido com o da imagem normalizada.
Esta afirmao pode ser comprovada pela comparao entre o histograma das imagens de
referncia, ajuste e normalizada, demonstrada na Figura 5.3. Observe que o histograma da
imagem de referncia se assemelha com o histograma da imagem normalizada.

IMAGEM DE REFERNCIA IMAGEM DE AJUSTE IMAGEM NORMALIZADA
banda4_210708 banda3_210708 banda3_210708_normalizada-(OP1)

Figura 5.2. Comparao entre as imagens de referncia, ajuste e normalizada.

IMAGEM DE REFERNCIA IMAGEM DE AJUSTE IMAGEM NORMALIZADA
banda4_210708 banda3_210708 banda3_210708_normaliza
da-(OP1)

Figura 5.3. Comparao entre o histograma das imagens de referncia, ajuste e normalizada.
_ Captulo 6 ndices de Vegetao
Dados espaciais (imagens matriciais e vetoriais) disponibilizados pelo INPE, IEMA-ES, NEDTEC-UFES e IJSN.
88

ndices de Vegetao
06
CAPTULO

Este captulo tem por objetivo determinar ndices de vegetao utilizando operaes
aritmticas para manipulao de imagens de satlite.

A atividade executada neste captulo ser:

Determinao do ndice de Vegetao de Diferena Normalizada (NDVI) para o quadrante
representativo da bacia hidrogrfica do rio Alegre, ES.

6.1. NDICE DE VEGETAO

ndices de vegetao so medidas quantitativas, baseadas nos valores digitais, que tentam
medir biomassa ou vigor vegetativo.

Geralmente, um ndice de vegetao formado pela combinao de bandas espectrais que
podem ser adicionadas, subtradas, divididas, ou multiplicadas de forma a produzir um valor
nico que indique a quantidade ou vigor de vegetao. Um ndice de vegetao com alto valor
de brilho indica pixels cobertos por uma alta proporo de vegetao viva (saudvel).

A forma mais simples de obter o ndice de vegetao pela razo entre duas bandas
espectrais. Algumas razes entre bandas tm sido definidas a partir do conhecimento do
comportamento espectral da vegetao viva.

Razes entre bandas, geralmente, so quocientes entre medidas de reflectncia em pores
separadas do espectro. As razes so efetivas em realar ou revelar informaes quando
existe uma relao inversa entre duas respostas espectrais para o mesmo fenmeno biofsico.

Se duas feies tm o mesmo comportamento espectral, as razes entre bandas fornecem
poucas informaes adicionais. Por outro lado, se elas tm repostas espectrais bem diferentes,
a razo entre as bandas fornece um valor nico que, concisamente, expressa o contraste entre
as duas reflectncias.

Para a vegetao viva, a estratgia da razo pode ser, especialmente, efetiva devido relao
inversa entre valores de brilho da vegetao na regio do vermelho e infravermelho prximo.
Isto , a absoro da luz vermelha (VM) pela clorofila (80% a 90%) e a alta reflexo da
radiao infravermelha (IV) pela mesfila (40 a 50%) asseguram que as caractersticas
espectrais do vermelho e o infravermelho prximo sero bem diferentes e, consequentemente,
a razo (IV/VM) ser alta. Superfcies no-vegetadas, incluindo gua, solo exposto, e
vegetao morta ou estressada no tero estas respostas espectrais especficas e,
consequentemente, suas razes iro decrescer em magnitude. Assim, a razo IV/VM pode
fornecer uma medida da importncia da reflectncia vegetativa dentro de um dado pixel.

A razo IV/VM uma das muitas medidas usadas para medir o vigor da vegetao. A razo
verde/vermelha (VD/VM), por exemplo, baseada nos mesmos conceitos usados pela razo
IV/VM, embora seja menos efetiva.

A seguir, sero apresentadas as caractersticas sobre vrios ndices de Vegetao, propostos
por vrios pesquisadores.

De acordo com Eastman (1998), o ndice de Razo de Vegetao (do ingls Ratio Vegetation
Index) (RATIO) foi proposto por Rouse et al., (1974) para separar vegetao verde de solo
utilizando Imagem do satlite Landsat MSS. O Infravermelho RATIO produzido por uma
89
simples diviso de valores de reflectncia contidos em bandas do infravermelho prximo por
aqueles contidos na banda do vermelho, sua equao descrita a seguir.

VM
IV
RATIO =

Em que:

RATIO: ndice de Razo de Vegetao.
IV: Banda correspondente ao Infravermelho Prximo.
VM: Banda correspondente ao vermelho.

Um dos ndices de vegetao baseado na razo entre bandas mais amplamente usado o
ndice conhecido como ndice de Vegetao da Diferena Normalizada (do ingls Normalized
Difference Vegetation Index) (NDVI) desenvolvido por Rouse et al., (1973), citado por Jansen
(1986) dado pela seguinte equao:

) (
) (
VM IV
VM IV
NDVI
+
=

Em que,

NDVI: ndice de vegetao por diferena normalizada.
IV: Banda do infravermelho Prximo.
VM: Banda do vermelho.

O NDVI foi introduzido para produzir um IV espectral que separa vegetao verde do brilho do
solo de fundo, utilizando, primeiramente, dados digitais do satlite Landsat MSS. Este o
ndice de vegetao mais comumente empregado, que minimiza efeitos topogrficos. Possui a
propriedade de variar entre 1 a +1, sendo que quanto mais prximo de 1, maior a densidade
de cobertura vegetal. O 0 (zero) representa valor aproximado para ausncia de vegetao, ou
seja, representa superfcies no vegetadas.

Dering et al., (1975), citado por Jansen (1986), utilizou outro tipo de ndice de vegetao
adicionando 0,5 ao NDVI e extraindo sua raiz quadrada. Tem sido extensivamente utilizado
para medir a quantidade de vegetao. Este ndice foi denominado de ndice de Vegetao
Transformado (do ingls Transformed Vegetation Index) (TVI), cuja equao a seguinte:

( ) 0,5 NDVI absoluto valor + = TVI

Em que,

TVI: ndice de vegetao transformado.

Na equao do TVI, a constante 0,50 introduzida para evitar operaes com valores
negativos de NDVI. O clculo da raiz quadrada pretende corrigir os valores do NDVI
introduzindo uma distribuio normal.

Outro tipo de ndice o denominado de ndice de Correo Transformada da Vegetao (do
ingls Corrected Transformed Vegetation Index) (CTVI) proposto por Perry & Lautenschlager
(1984), citado por Jansen (1986), a fim de corrigir o TVI, cuja equao a seguinte:

90
( )
( )
( ) 0,5 NDVI ABS
5 , 0
5 , 0
+
+
+
=
NDVI ABS
NDVI
CTVI

Em que,
CTVI: ndice de Correo Transformada da Vegetao.
ABS: Valor absoluto.

O CTVI pretende corrigir o TVI adicionando a constante de 0.50 para todos os valores NDVI,
nem sempre eliminando todos os valores negativos de NDVI, podendo ter um alcance de -1 a
+1. Valores menores que -0.50 tornam-se valores negativos menores depois da operao de
adio. Assim, o CTVI elaborado para resolver essa situao dividindo o (NDVI + 0.50) por
seu valor absoluto ABS (NDVI + 0.50) e multiplicando pela raiz quadrada do valor absoluto,
suprimindo o sinal negativo.

Thiam (1997), apud Eastman (1998), indicou que o resultado imagem do CTVI pode ser muito
ruidoso devido a uma superestimao da vegetao verde. Para obter melhores resultados,
Thiam sugeriu ignorar o primeiro termo da equao do CTVI e adicionar, simplesmente, a raiz
quadrada dos valores absolutos para o NDVI e TVI, para se apresentar um novo ndice
conhecido como ndice de Vegetao Transformado de Thiams (do ingls Thiams
Trasnformed vegetation Index) (TTVI), expresso pela seguinte equao:

|
|
\
|
+ |
\
|
+
= 5 , 0
VM IV
VM IV
ABS TTVI

Em que,

TTVI: ndice de vegetao transformado de Thiams.
IV: Banda do infravermelho.
VM: Banda do vermelho.
ABS: valor absoluto.

Eastman (1998), em sua reviso bibliogrfica, descreve sobre outras equaes de ndice de
vegetao.

DETERMINAO DO NDICE DE VEGETAO DE DIFERENA
NORMALIZADA (NDVI) PARA O QUADRANTE REPRESENTATIVO DA BACIA
HIDROGRFICA DO RIO ALEGRE, ES.

A fim de determinar o NDVI para o ano de 2008 do quadrante representativo da bacia
hidrogrfica do rio Alegre, ES, sero utilizadas as seguintes imagens do satlite CBERS:

a) banda4_210708 BANDA DO INFRAVERMELHO PRXIMO.
b) banda3_210708 BANDA DO VERMELHO.

Antes de seguir as etapas prticas, ative o Banco de Dados [Bacia_Rio_Alegre] e o Projeto
[BHR_Alegre].
3. No menu Imagem, clique na opo Operaes Aritmticas.
4. Na caixa de dilogo Operaes Aritmticas, no dropdown da opo Operao selecione
C=Ganho*((A-B)/(A+B))+Offset.
5. Marque a opo A e selecione a imagem banda4_210708.
91
6. Marque a opo B e selecione a imagem banda3_210708.
7. Para as caixas de entrada Ganho e Offset, entre com os valores de 50 e 100,
respectivamente. (Obs: Posteriormente, voc poder testar outros valores de Ganho e
Offset).
8. Para a caixa de entrada Sada C, entre com o nome NDVI_2008.

ANLISE MATEMTICA DO GANHO E DO OFFSET

Vamos supor que aps a aplicao de uma operao aritmtica, objetivando elaborar uma
imagem NDVI com Ganho e Offset de 50 e 100, respectivamente, um determinado pixel da
imagem apresentou o valor de NDVI de 73,4 (NDVI PROCESSADO). Nesta circunstncia, o
valor do NDVI ORIGINAL ser de:

0,532 - ORIGINAL NDVI
50 / 100) - (73,4 ORIGINAL NDVI
100 ORIGINAL NDVI * 50 73,4
100 ORIGINAL NDVI * GANHO PROCESSADO NDVI
=
=
+ =
+ =

1

2
4

5

6

7

8
9
3
92
Logo, com a aplicao do Ganho e Offset sobre o NDVI ORIGINAL que, neste caso, negativo
(-0,532), obtm-se um novo valor de NDVI (73,4) com valor positivo, de mais fcil interpretao
visual.

APLICAO DE REALCE DE CONTRASTE LINEAR SOBRE A IMAGEM NDVI DO ANO
DE 2008

1. Na janela Auxiliar, no Painel de Controle, selecione a imagem denominada NDVI_2008-
(OP5).
2. Selecione a paleta de cor G (verde).
3. No menu Imagem, clique na opo Contraste.
4. Na caixa de dilogo Contraste, na caixa de entrada Min entre com os valor de 104 e clique
em CR.
5. Na caixa de dilogo Contraste, na caixa de entrada Max entre com os valor de 137 e
clique em CR.

Abaixo, demonstrada a imagem NDVI_2008-(OP5) com aplicao do contraste linear,
evidenciando que as reas verdes claras se apresentam mais vegetadas quando comparadas,
por exemplo, com a mancha urbana da cidade de Alegre, ES, a qual apresenta colorao mais
escura, enfatizando as edificaes e a no presena de vegetao (Figura 6.1).

1

2

4

5

6

3
93

a) rea vegetada com maior NDVI

b) rea no vegetada com menor NDVI

Figura 6.1. Comparao entre o NDVI de reas vegetadas (a) e no vegetadas com presena
de edificaes (b).

7. Na caixa de dilogo Contraste, na caixa de entrada Nome, digite
NDVI_2008_Contraste_Linear.
11. Clique no boto Sim para manter o contraste aplicado sobre a imagem atual.
12. No menu Arquivo, clique na opo Sair.

rea no vegetada
<NDVI (colorao mais escura)
MANCHA URBANA DA CIDADE
DE ALEGRE, ES
rea vegetada
>NDVI (verde mais claro)
94

Os passos demonstrados, anteriormente, foram aplicados num trabalho cientfico, apresentado
no XIV Simpsio de Sensoriamento Remoto do INPE (2009), visando determinar anlise da
cobertura florestal por meio da subtrao de imagem NDVI na Floresta Nacional de Pacotuba,
Cachoeiro de Itapemirim, ES (Figura 6.2). J a Figura 6.3 mostra a variao temporal da
cobertura vegetal da Floresta Nacional de Pacotuba, Cachoeiro de Itapemirim, ES, entre os
anos de 1985 e 2007.

a) NDVI para 1985 b) NDVI para 2007

Figura 6.2. NDVI na Floresta Nacional de Pacotuba, Cachoeiro de Itapemirim, ES, para os anos
de 1985 e 2007.

Figura 6.3. Variao temporal da cobertura vegetal da Floresta Nacional de Pacotuba,
Cachoeiro de Itapemirim, ES, entre os anos de 1985 e 2007.

12
7

9

10
8

11
95
Abaixo demonstrado o endereo eletrnico representativo da publicao deste trabalho:

Anlise da Cobertura Florestal por meio da subtrao de imagem NDVI na Floresta Nacional
de Pacotuba, Cachoeiro de Itapemirim, ES. (Anais XIV Simpsio Brasileiro de Sensoriamento
Remoto, Natal, Brasil, 25-30 abril 2009, INPE, p. 3995-4001.) disponibilizado no seguinte
endereo eletrnico (Figura 6.4):

http://marte.dpi.inpe.br/col/dpi.inpe.br/sbsr@80/2008/11.17.11.48/doc/3995-4001.pdf

Figura 6.4. Trabalho publicado no XIV SBSR.

REFERNCIAS BIBLIOGRFICAS

EASTMAN, J. R. Idrisi for Windows: Introduo e Exerccios Tutorais. J. Ronald Eastman.
Editores da verso em portugus, Heinrich Hasenack e Eliseu Weber. Porto Alegre: UFRGS,
Centro de recursos Idrisi, 1998.

JENSEN, J. R. Introductory digital image processing: a remote sensing perspective. New
Jersey : Prentice-Hall, 1986. 379 p.

ROUSE, J.W.; HAAS, R.H.; SCHELL, J.A.; DEERING, D.W.,1973. Monitoring vegetation
systems in the Great Plains with ERTS. Third Symposium of ERTS, Greenbelt, Maryland,
USA. NASA SP-351, V1:309-317.

LOUZADA, F.L.R.O.; COUTINHO, L.M.; ANDRADE, C.C.; OLIVEIRA, V.A.S.; BREDA, P.H.M.;
SANTOS, A.R. Anlise da Cobertura Florestal por meio da subtrao de imagem NDVI na
Floresta Nacional de Pacotuba, Cachoeiro de Itapemirim, ES. Anais..., INPE, p. 3995-4001,
2009. Disponvel em:
http://marte.dpi.inpe.br/col/dpi.inpe.br/sbsr@80/2008/11.17.11.48/doc/3995-4001.pdf
_ _____________ Captulo 7 Classificao de Imagens de Satlite
96

CLASSIFICAO DE IMAGENS DE
SATLITE
07
CAPTULO

Alexandre Rosa dos Santos, Nathlia Suemi Saito, Telma Machado de Oliveira Peluzio, Alexandre
Cndido Xavier, Geraldo Rgis Mauri.

Este captulo tem por objetivo apresentar os processos de classificao de imagens de satlite,
visando elaborao de mapas de uso e ocupao do solo de uma rea pertencente ao bairro
Pavuna, Alegre, ES.

As seguintes atividades sero elaboradas:

Elaborao do mapa de uso e ocupao do solo utilizando os algoritmos de classificao da
mxima verossimilhana (Maxver), Bhattacharya e Isoseg.

Elaborao do layout do mapa de uso e ocupao do solo gerado pelo algoritmo de
classificao da mxima verossimilhana (Maxver) (Figura 7.1).

Figura 7.1. Uso e ocupao do solo gerado pelo algoritmo de classificao da mxima
verossimilhana (Maxver) de uma rea pertencente ao bairro Pavuna, Alegre, ES.

7.1. CLASSIFICAO DE IMAGENS DIGITAIS

Classificao de imagens digitais de satlite o processo de assinalar pixels s classes.
Usualmente, cada pixel tratado como uma unidade individual composta de valores em vrias
bandas espectrais.

Pela comparao de um pixel a outros pixels de identidade conhecida, possvel agrupar
aqueles cujas reflectncias espectrais so semelhantes em classes mais ou menos
homogneas. Estas classes formam regies sobre um mapa ou imagem de forma que, aps a
classificao, a imagem digital seja apresentada como um mosaico de parcelas uniformes, em
que cada uma identificada por uma cor ou smbolo (Figura 7.2).
97

a) Imagem numrica (composio falsa-cor) b) Imagem classificada

Figura 7.2. Imagem numrica oriunda da composio colorida em falsa-cor (a) e imagem
classificada (b).

A imagem classificada definida a partir da anlise da imagem numrica, de forma que
aqueles pixels que tm valores espectrais semelhantes so agrupados em classes
espectralmente similares. Neste exemplo, a classe A (urbanizao) formada por pixels
claros (altos valores de cinza) que variam de 70 a 130, e a classe B (gua) formada por
pixels escuros (baixos valores de cinza) variando de 5 a 40. Geralmente, existe um maior
nmero de classes e no mnimo trs ou quatro bandas espectrais.

A classificao de imagens digitais tem se constitudo em um dos mais importantes campos de
sensoriamento remoto. Em alguns casos, a classificao pode ser o prprio objeto final de
anlise.

O termo classificador digital refere-se a um programa de computador que implementa um
procedimento especfico para a classificao de uma imagem digital. Ao longo dos anos, os
cientistas tm desenvolvido vrias estratgias de classificao; de forma que o analista precisa
selecionar, a partir dessas alternativas, qual o classificador a ser usado em tarefas especficas.
Atualmente, impossvel dizer que um dado classificador melhor para todas as situaes,
porque as caractersticas de cada imagem e as circunstncias para cada estudo esto sempre
variando. Portanto, essencial que o analista compreenda as estratgias alternativas para a
classificao de imagens, para que ele possa estar preparado para selecionar o classificador
mais apropriado para determinada tarefa.

7.2. CLASSIFICAO PIXEL A PIXEL E POR REGIO

Classificadores "pixel a pixel": utilizam apenas a informao espectral isoladamente de
cada pixel para achar regies homogneas. O resultado final de um processo de
classificao pixel a pixel uma imagem digital que constitui um mapa de "pixels"
classificados, representados por smbolos grficos ou cores.

Classificadores por regio: utilizam, alm de informao espectral de cada "pixel", a
informao espacial que envolve a relao entre os "pixels" e seus vizinhos. Esses
classificadores procuram simular o comportamento de um fotointrprete, ao reconhecer
reas homogneas de imagens, baseado nas propriedades espectrais e espaciais de
imagens.

A (urbanizao)
B (gua)
98
7.3. CLASSE INFORMAL E CLASSE ESPECTRAL

importante no confundir classe informal com classe espectral.

CLASSE INFORMAL: so categorias de interesse dos usurios de dados digitais. Classes
informais so, por exemplo, os diferentes tipos de unidades geolgicas, diferentes tipos de
florestas, etc., que fornecem informaes aos planejadores, administradores e cientistas
que usam informaes derivadas de dados obtidos remotamente. Em resumo, classes
informais so aquelas classes que o homem define.

CLASSE ESPECTRAL: so grupos de pixels que so uniformes em termos de valores de
brilho em suas diversas bandas espectrais. Estas classes precisam ser identificadas e
nomeadas pelo analista.

7.4. CLASSIFICAO SUPERVISIONADA E NO-SUPERVISIONADA

CLASSIFICAO SUPERVISIONADA: pode ser definida como o processo de usar
amostras de identidade conhecida (Ex: pixels j assinalados as classes informacionais)
para classificar pixels de identidade desconhecida (em outras palavras, assinar pixels
desconhecidos a uma das vrias classes informacionais). Na classificao supervisionada,
a identidade e a localizao de algumas feies, tais como agricultura, floresta e
urbanizao, so conhecidas, inicialmente, por meio da combinao de trabalhos de
campo, anlises de fotografias areas convencionais ou digitais, mapas e experincia
profissional, nos quais o analista tenta localizar as reas especficas que representam
exemplos homogneos destas feies conhecidas. Essas reas so denominadas de
reas de treinamento porque as suas caractersticas espectrais conhecidas so usadas
para treinar o algoritmo de classificao para o mapeamento das feies presentes no
restante da imagem. Parmetros estatsticos multivariados (mdia, desvio padro, matriz
de covarincia, matriz de correlao, etc.) so calculados para cada rea de treinamento.
Assim, cada pixel dentro e fora das reas de treinamento avaliado e assinalado classe
qual ele tem maior probabilidade de pertencer. importante ressaltar que as reas de
treinamento devem ser as mais homogneas possveis, e que no incluam limites de
transio entre diferentes feies. A Figura 7.3 mostra todas as etapas necessrias para a
classificao supervisionada.

Figura 7.3. Etapas necessrias para a classificao supervisionada.

99
CLASSIFICAO NO-SUPERVISIONADA: esta classificao no requer qualquer
informao prvia sobre as classes de interesse. Ela examina os dados e os divide nos
agrupamentos espectrais naturais predominantes presentes na imagem. O analista ento
identifica esses agrupamentos como classes de cobertura do solo, por meio de uma
combinao de sua familiaridade com a regio estudada e visitas para levantamento de
verdade de campo.

7.5. ALGORITMOS DE CLASSIFICAO

Existe uma variedade de algoritmos de classificao nos quais os pixels desconhecidos podem
ser comparados com os pixels do conjunto de treinamento. Em cada caso, o produto final
uma imagem classificada, representando ento um mapa temtico. Esses algoritmos de
classificao podem ser paramtricos e no paramtricos. Este ltimo, no faz suposies
sobre as distribuies das classes. J os paramtricos produzem bons resultados mesmo
quando a distribuio de classe assumida invlida. A Tabela 7.1. mostra os algoritmos de
classificao mais comuns:

Tabela 7.1. Algoritmos de classificao mais comuns.

CLASSIFICAO TIPO ALGORITMO
paraleleppedo
distncia mnima Pixel a pixel
mxima verossimilhana
Supervisionada
Bhattacharya
No-supervisionada
Por regio
Mahalanobis (Isoseg)

ALGORITMO DE CLASSIFICAO DO PARALELEPPEDO

Esse algoritmo de classificao (supervisionado) considera uma rea no espao de atributos
ao redor do conjunto de treinamento, sendo que essa rea tem a forma de um quadrado ou
paraleleppedo, definido pelos valores de reflectncia mximos e mnimos do conjunto de
treinamento.

Todos os pixels situados dentro do paraleleppedo sero classificados como pertencentes a
uma classe, e os lados do paraleleppedo constituem os chamados limites de deciso de
classe. Uma outra caracterstica desse mtodo que, numa imagem tpica de sensoriamento
remoto, contendo milhares de pixels, a maioria deles vai provavelmente cair fora dos limites de
deciso das classes, por mais classes que se defina. Isso se deve ao fato de que o volume do
espao de atributos que no pertence a nenhuma das classes muito grande (CROSTA,
1993).

Os limites de deciso podem ser definidos como:

valores mximos e mnimos de cada assinatura;
a mdia de cada banda, mais ou menos o desvio padro;
limites especificados pelo analista baseado na experincia e conhecimento dos dados e
assinaturas.

100
DEMONSTRAO MATEMTICA DO ALGORITIMO DO PARALELEPPEDO

Um pixel desconhecido ser assinado a uma classe c qualquer se e somente se:

ck ck ijk ck ck
x VB x +

Em que,
ck
x = mdia da classe c na banda k;
ck
= desvio padro da classe c na banda k;
ijk
VB = valor de brilho na linha i, coluna j e banda k;
c = nmero de classes envolvidas na classificao;
k = nmero de bandas envolvidas na classificao.

Redefinindo esta equao, temos que:

ck ijk ck
LS VB LI

Em que,

ck
LI = limite inferior
ck ck
x
ck
LS = limite inferior
ck ck
x +

Vantagens do algoritmo de classificao do paraleleppedo:

simples e eficiente em termos computacionais;
leva em considerao a varincia.

Desvantagens do algoritmo de classificao do paraleleppedo:

baixa preciso;
no leva em considerao a covarincia dos dados.

OBS: muitos pixels no so classificados por no atenderem o intervalo dos limites. Uma
soluo seria aumentar o intervalo por meio do desvio padro, porm, isto provocaria uma
maior superposio.

Exemplo de aplicao prtica do algoritmo de classificao do paraleleppedo:

A Figura 7.4 mostra um esquema de aplicao do algoritmo de classificao do paraleleppedo
(adaptado de EASTMAN, 1998). No diagrama heurstico, os valores de reflectncia das
assinaturas so indicados com letras minsculas; os pixels que esto sendo comparados s
assinaturas esto indicados com nmeros; e as mdias espectrais esto indicadas com pontos.
Nesse caso, o pixel 1 ser classificado como pastagem (p) enquanto deveria, provavelmente,
ser classificado como solo exposto (s). Alm disso, as caixas frequentemente se superpem.
Pixels com valores que caem nessa superposio so atribudos ltima assinatura, seguindo
a ordem na qual os nomes das assinaturas foram introduzidos no mdulo.

101

Figura 7.4. Esquema de aplicao do algoritmo de classificao do paraleleppedo (adaptado
de EASTMAN, 1998).

ALGORITMO DE CLASSIFICAO DA DISTNCIA MNIMA

Este algoritmo de classificao (supervisionado) atribui cada pixel desconhecido classe cuja
mdia mais prxima a ele. Isto porque, na maioria das situaes reais encontradas em
imagens de sensoriamento remoto, o nvel de cinza dos pixels vai representar, na verdade,
uma mistura de mais de um tipo de superfcie. Uma soluo para este caso atribuir cada pixel
desconhecido uma ou outra classe, dependendo da classe que ele est mais prximo. Para
isso, calcula-se a distncia espectral de cada pixel at a mdia de cada classe em cada banda.

DEMONSTRAO MATEMTICA DO ALGORITIMO DA DISTNCIA MNIMA

A distncia geralmente calculada usando a distncia euclidiana baseada no teorema de
Pitgoras, expressa pela seguinte frmula:

( )
=
2
ck ijk
x VB DIST

Em que,

DIST = distncia euclidiana;
ijk
VB = valor de brilho na linha i, coluna j e banda k;
ck
x = mdia da classe c a banda k;
c = nmero de classes envolvidas na classificao;
k = nmero de bandas envolvidas na classificao.

Vantagens do algoritmo de classificao da distncia mnima euclidiana:

simplicidade e eficincia em termos computacionais;
maior preciso quando comparado ao paraleleppedo.

Desvantagens do algoritmo de classificao da distncia mnima euclidiana:

no leva em considerao a varincia e a covarincia.

u
u
u
u
u
u u
u u
u u
u
u
u
u
u
u
2
f
f
f
f
f
f
f
a
a a
a
a a
s
s
s s
s
s
s
s
s s
s
p
p
p
p
p
p
p
p
p
p
p
1
BANDA DO INFRAVERMELHO
B
A
N
D
A

D
O

V
E
R
M
E
L
H
O

VALORES DE REFLECTNCIA
DAS ASSINATURAS
u = urbanizao
f = fragmentao florestal
s = solo exposto
a = gua
p = pastagem
MDIAS ESPECTRAIS

PIXELS QUE ESTO SENDO
COMPARADOS
1 e 2
= urbanizao
= fragmentao
= solo exposto
= gua
= pastagem
102
Exemplo de aplicao prtica do algoritmo de classificao da distncia mnima
euclidiana:

No diagrama heurstico da Figura 7.5, o pixel 1 est mais prximo da mdia do solo exposto (s)
e , por isso, atribudo categoria solo exposto. A desvantagem deste classificador ilustrada
pelo pixel 2, que est mais prximo mdia da fragmentao florestal (f), mesmo parecendo
estar dentro do intervalo de reflectncia com maior probabilidade de ser urbanizao (u).

Figura 7.5. Esquema de aplicao do algoritmo de classificao da distncia
mnima euclidiana (EASTMAN, 1998, adaptado).

ALGORITMO DE CLASSIFICAO DA MXIMA VEROSIMILHANA

O algoritmo da mxima verossimilhana (supervisionado) avalia a varincia e a covarincia das
categorias de padres de resposta espectral quando classifica um pixel desconhecido. Para
isso, assume-se que a distribuio da nuvem de pontos que forma a categoria dos dados de
treinamento Gaussiana (distribuio normal). Assumida essa suposio, a distribuio de um
padro de resposta espectral da categoria pode ser complemente descrita por um valor de
mdia e pela matriz de covarincia. Com esses parmetros, possvel calcular a probabilidade
estatstica de um dado valor de pixel pertencente a uma classe particular de cobertura da terra
(LILLESAND; KIEFFER, 2004).

DEMONSTRAO MATEMTICA DO ALGORITIMO DA MXIMA VEROSIMILHANA

O algoritmo da mxima verossimilhana pode ser expresso pela seguinte frmula:

( ) ( ) [ ] ( ) ( ) ( ) [ ]
c c
T
c c e
M X V M X V Det Pc =
1
5 , 0 log 5 , 0

Em que,

Pc = probabilidade de o vetor X ser assinalado;
c
V = matriz de covarincia da classe c contemplando todas as bandas (K,..., L);
( )
c
V Det = determinante da matriz de covarincia
c
V ;
X = vetor de medidas dos pixels desconhecidos;
c
M = vetor das mdias para cada classe c;
T = matriz transposta.
u
u
u
u
u
u u
u
u
u u
u
u
u
u
u
u
2
f
f
f
f
f
f
f
a
a a
a
a a
s
s
s s
s
s
s
s
s s
s
p
p
p
p
p
p
p
p
p
p
p
1
B
A
N
D
A

D
O

V
E
R
M
E
L
H
O

DAS ASSINATURAS
u = urbanizao
s = solo exposto
a = gua
p = pastagem
MDIAS ESPECTRAIS

COMPARADOS
1 e 2
= urbanizao
= fragmentao
= solo exposto
= gua
= pastagem
103
Os limites de classificao so definidos a partir de pontos de mesma probabilidade de
classificao de uma e de outra classe.

A Figura 7.6 apresenta o limite de deciso de uma classificao, no ponto onde as duas
distribuies se cruzam. Desta forma, um pixel localizado na regio sombreada, apesar de
pertencer classe 2, ser classificado como classe 1, pelo limite de deciso estabelecido.

Figura 7.6. Limite de deciso.

O limiar de deciso indica a porcentagem (%) de "pixels" da distribuio de probabilidade de
uma classe que ser classificada como pertencente a esta classe. Um limite de 99%, por
exemplo, engloba 99% dos "pixels", sendo que 1% ser ignorado (os de menor probabilidade),
compensando a possibilidade de alguns "pixels" terem sido introduzidos no treinamento por
engano, nesta classe, ou estarem no limite entre duas classes. Um limiar de 100% resultar em
uma imagem classificada sem rejeio, ou seja, todos os "pixels" sero classificados.

Para diminuir a confuso entre as classes, ou seja, reduzir a sobreposio entre as
distribuies de probabilidades das classes, aconselha-se a aquisio de amostras
significativas de alvos distintos e a avaliao da matriz de classificao das amostras.

Exemplo de aplicao prtica do algoritmo de classificao da mxima verossimilhana:

No diagrama heurstico da Figura 7.7, pelo fato da distribuio dos valores de reflectncia em
uma amostra de treinamento ser descrita por uma funo de densidade de probabilidade, este
classificador tende a apresentar resultados mais acurados. Logo, os pixels 1 e 2 sero
classificados corretamente, sendo atribudos s categorias urbanizao (u) e solo exposto (s),
respectivamente.

Figura 7.7. Esquema de aplicao do algoritmo de classificao da mxima
verossimilhana (EASTMAN, 1998, adaptado).

u
u
u
u
u
u u
u
u
u u
u
u
u
u
u
u
2
f
f
f
f
f
f
f
a
a a
a
a a
s
s
s s
s
s
s
s
s s
s
p
p
p
p
p
p
p
p
p
p
p
1
B
A
N
D
A

D
O

V
E
R
M
E
L
H
O

DAS ASSINATURAS
u = urbanizao
s = solo exposto
a = gua
p = pastagem
MDIAS ESPECTRAIS

COMPARADOS
1 e 2
= urbanizao
= fragmentao
= solo exposto
= gua
= pastagem
104
ALGORITMO DE CLASSIFICAO MAXVER-ICM

O classificador MAXVER-ICM um algoritmo supervisionado que considera a dependncia
espacial. Na primeira etapa, a imagem classificada pelo algoritmo MAXVER e, em seguida, o
classificador atribui classes a um determinado pixel, considerando a sua vizinhana
interativamente. Esse algoritmo tambm utiliza o limiar de aceitao. (Referncia???)

ALGORITMO DE CLASSIFICAO BHATTACHARYA

O classificador de Bhattacharya um algoritmo de classificao supervisionada, que requer a
seleo de reas de treinamento, podendo utilizar as regies separadas durante o processo de
segmentao ou polgonos representativos das regies a serem classificadas. Ele utiliza as
amostras de treinamento para estimar a funo densidade de probabilidade das classes
apontadas no treinamento. Em seguida, avalia, em cada regio, a distncia de Bhattacharya
entre as classes (MOREIRA, 2005).

DEMONSTRAO MATEMTICA DO ALGORITIMO BHATTACHARYA

O algoritmo de Bhattacharya pode ser expresso pela seguinte frmula:

( ) ( ) ( )
( )

+ =
2
1
2
1
2 1
ln
2
1
2
1
,
j i
m m
m m m m p p B
j i
j i
T
j i

Em que,

B = distncia de Bhattacharya;
i
p e
j
p = pixels nas classes i e j ;
i
m e
j
m = mdias das classes i e j ;
T = matriz transposta;
ln = logaritmo neperiano;
i e j = classes dentro do contexto.

ALGORITMO DE CLASSIFICAO ISOSEG

O Isoseg um algoritmo de agrupamento de dados no-supervisionado, aplicado sobre
conjuntos de regies que foram caracterizadas por seus atributos estatsticos (mdia e matriz
de
covarincia) na fase de extrao de regies. Em outras palavras, uma tcnica para
classificao que procura agrupar regies, a partir de uma medida de similaridade entre elas. A
medida de similaridade utilizada consiste na distncia de Mahalanobis entre a classe e as
regies candidatas relao de pertinncia com essa classe (MOREIRA, 2005).

DEMONSTRAO MATEMTICA DO ALGORITIMO ISOSEG

O algoritmo de Isoseg pode ser expresso pela seguinte frmula:

( ) ( )
j i
T
i
m X C m X D =
1
2
1

Em que,

D = distncia de Mahalanobis;
T = matriz transposta;
i
C = matriz de covarincia;
i
m e
j
m = vetor de mdia das classes i e j ;
X = regio de anlise.
105
EXERCCIO PARA APRENDIZAGEM ALGORITMO DA DISTNCIA MNIMA
EUCLIDIANA

Com o objetivo de compreender melhor o algoritmo da distncia mnima euclidiana, vamos
utilizar os dados estatsticos da Tabela 7.2 para classificar dois pixels desconhecidos A e B
utilizando 5 classes de uso e ocupao do solo.

Tabela 7.2. Resultado estatstico de cinco classes nas bandas 4 e 5.

Classes x na banda 4 s na banda 4 x na banda 5 s na banda 4
Residencial 36,5 4,53 55,7 10,72
Comercial 54,8 3,88 77,4 11,16
Pntano 20,2 1,88 28,2 4,31
Floresta 39,1 5,11 35,5 6,41
gua 9,3 0,56 5,2 0,71

Em que,

x = mdia das classes nas bandas 4 e 5
s = desvio padro das classes nas bandas 4 e 5

Um pixel desconhecido A (40,40) apresenta valores numricos 40 nas bandas 4 e 5, enquanto
que um outro pixel desconhecido B (10,40) apresenta valores numricos de 10 na banda 4 e 40
na banda 5.

Usando os dados tabelados anteriormente, podemos calcular as distncias dos pixels
desconhecidos A e B at a mdia das 5 classes. Como apenas duas bandas esto envolvidas
na classificao, a equao utilizada ser:

( ) ( )
+ =
2 2
cl ijl ck ijk
x VB x VB DIST

Em que,

DIST = distncia do pixel desconhecido at a classe C
ijk
VB e
ijl
VB = valores numricos dos pixels desconhecidos na linha i, coluna j, bandas K e L
ck
x e
cl
x = mdias para a classe C nas bandas K e L

Abaixo segue o exemplo da lgica de classificao do algoritmo da distncia mnima at a
mdia das 5 classes para os dois pixels desconhecidos A (40,40) e B (10,40).

PIXELS DESCONHECIDOS
CLASSE
A (40, 40) B (10,40)
residencial
2 2
) 7 , 55 40 ( ) 7 , 36 40 ( + = 16,04
2 2
) 7 , 55 40 ( ) 7 , 36 10 ( + = 30,97
comercial
2 2
) 4 , 77 40 ( ) 8 , 54 40 ( + = 40,22
2 2
) 4 , 77 40 ( ) 8 , 54 10 ( + = 58,35
Pntano
2 2
) 2 , 28 40 ( ) 2 , 20 40 ( + =23,04
2 2
) 2 , 28 40 ( ) 2 , 20 10 ( + = 15,75
Floresta
2 2
) 5 , 35 40 ( ) 39,1 40 ( + = 4,59
2 2
) 5 , 35 40 ( ) 1 , 39 40 ( + = 29,45
gua
2 2
) 2 , 5 40 ( ) 9,3 40 ( + = 46,4
2 2
) 2 , 5 40 ( ) 3 , 9 40 ( + = 34,8

106
No difcil perceber que o pixel desconhecido A ser assinalado classe de floresta por
apresentar a menor distncia entre eles de 4,59. Por outro lado, o pixel desconhecido B ser
assinalado classe de pntano, cuja menor distncia foi 15,75.

Muitos algoritmos de distncia mnima permitem ao analista especificar uma distncia limite
(limiar) da mdia da classe a partir da qual o pixel no ser assinalado a uma classe, mesmo
que ele esteja prximo da mdia daquela classe. Por exemplo, se um limiar de 10 fosse
especificado, o pixel desconhecido A ainda seria classificado como floresta por ter uma
distncia mnima de 4,59, que est abaixo do limiar. J o pixel desconhecido B no seria
assinalado classe de pntano porque sua distncia mnima de 15,75 foi superior ao limiar
estabelecido de 10. Neste caso, esse pixel seria assinalado a uma classe desconhecida.

CLASSIFICAO SUPERVISIONADA DE MXIMA VEROSSIMILHANA
(MAXVER)

PREPARAO DO BASE DE DADOS

1. J com o Spring aberto, no menu Arquivo, clique na opo Banco de Dados.
2. Com o diretrio Livro_Spring_Alegre_ES j selecionado, selecione o banco de dados
Bacia_Rio_Alegre.
4. No menu Arquivo, aponte para a opo Projeto e, novamente, clique na opo Projeto.
5. Clique no boto Desativar.
6. Nas caixas de entrada X1, X2, Y1 e Y2, entre com os seguintes valores:

X1: 236714.000000 X2: 237551. 000000
Y1: 7701566.000000 Y2: 7702452. 000000

7. Na caixa de entrada Nome digite BHR_Alegre_Uso_Solo.
12. No menu Arquivo, aponte para a opo Importar e, posteriormente, para a opo
Importar Dados Vetoriais e Matriciais....
13. Na caixa de dilogo Importao, clique no boto Arquivo.
14. Na caixa de dilogo, v para o diretrio C:\Livro_Spring_Alegre_ES.
15. No dropdwon Ficheiros do tipo, selecione TIFF/GEOTIFF (*.tif* .tiff).
16. Selecione a imagem ikonos_band_1.tif (banda 1, azul, do satlite IKONOS).
17. Clique no boto Abrir.
18. Clique na guia Sada.
19. No boto Categoria, selecione Satlites.
20. Na caixa de entrada PI (plano de informao) digite o mesmo nome da imagem que, ou
seja, ikonos_band_1.tif.
21. Finalmente, clique no boto Executar.

Repita os passos anteriores para importar as seguintes imagens:

ikonos_band_2.tif Verde
ikonos_band_3.tif Vermelho
ikonos_band_4.tif Infravermelho prximo

20. Na guia Principal do Spring, no Painel de controle, selecione a imagem intitulada
ikonos_band_2.tif. e, na parte inferior do Spring, marque a caixa representativa da letra B
(azul).
21. Selecione a imagem intitulada ikonos_band_3.tif e, na parte inferior do Spring, marque a
caixa representativa da letra R (vermelho).
caixa representativa da letra G (verde).
107

OBTENO DAS AMOSTRAS DE TREINAMENTO

1. No menu Imagem, clique na opo Classificao.
2. Na caixa de dilogo Classificao, clique no boto Diretrio e selecione do diretrio de
trabalho C:\Livro_Spring_Alegre_ES\Bacia_Rio_Alegre\BHR_Alegre_Uso_Solo.
4. Na caixa de dilogo Criao de Contexto, para a opo Nome, digite Contexto_1.
5. Em Tipo de Anlise, marque a opo Pixel.
6. Selecione as imagens ikonos_band_2, ikonos_band_3 e ikonos_band_4.

2
3

1
20

22

21
16
17
18
19
11

9
5
6
7

8

3
108

8. De volta a caixa de dilogo Classificao, selecione Contexto_1.
9. Clique no boto Treinamento.
10. Na caixa de dilogo Spring, clique sobre o boto OK para iniciar a aquisio das amostras
de treinamento.
11. Na caixa de dilogo Treinamento, na caixa de entrada Nome, digite gua.
13. Clique no boto Cor.
14. Na caixa de dilogo Selecionar Cor, selecione a cor Azul.

Repita os passos de 11 a 14 para criar as classes e cores mostradas na Tabela 7.3, com
exceo da classe Agua j criada anteriormente.

Tabela 7.3. Nome e cor das amostras de treinamento a serem criadas.

NOME COR
Agua azul
Estrada_Pavimentada cinza
Fragmento verde escuro
Solo_Exposto marron
Pastagem verde claro
Urbanizacao vermelho

15. Selecione o tema Agua.
16. Em Contorno, clique em Poligonal. Ento inicie a digitalizao das amostras de
treinamento do tema Agua. Para tanto, sobre a imagem, basta utilizar o boto esquerdo

14
11

13
12
10
8

9

4

5
6

7
109
do mouse para iniciar a digitalizao. Para fechar o polgono, clique com o boto direito
do mouse.

17. Aps o fechamento do polgono, clique sobre o boto Adquirir.
18. Clique sobre o boto Salvar.

Repita os passos de 15 a 16 para digitalizar as amostras de treinamento dos outros temas.

Abaixo, demonstrado o resultado de todas as amostras digitalizadas.

OBS: Para exibir todas as amostras digitalizadas, em Modo, basta marcar a opo Exibe
Todas.

AVALIAO ESTATSTICA DAS AMOSTRAS DE TREINAMENTO

1. Na caixa de dilogo Classificao, clique sobre o boto Classificao.
2. Na caixa de dilogo Classificao de Imagens, clique sobre o boto Analisar Amostras.
3. Na caixa de dilogo Anlise de Amostras possvel observar que o Desempenho Mdio
da amostragem foi de 92,28 % e que a Confuso mdia foi de 7,72 %. possvel
observar tambm a Matriz de Confuso do Tema e da Amostra.
4. Clique no boto Fechar.
Amostras de
treinamento da classe
Agua

15
16
17
18
110

OBS: Caso necessrio, voc pode salvar os resultados da anlise das amostras, clicando
sobre o boto Salvar. Abaixo, demonstrado o resultado do salvamento com extenso .txt
aberto no Bloco de notas do Windows.

COMPROVAO MATEMTICA DOS RESULTADOS

Abaixo, demonstrada a matriz de erros de classificao do exemplo da figura anterior:

Agua Estrada_Pavim. Fragmento Pastagem Solo_Exposto Urbanizacao Soma Lin.
Agua 116 1 0 0 0 0 117
Estrada_Pavim. 8 607 3 2 16 51 687
Fragmento 5 0 3667 276 4 1 3953
Pastagem 0 0 213 4478 90 2 4783
Solo_Exposto 0 0 0 24 542 15 581
Urbanizacao 1 97 0 0 24 541 663
Soma Col. 130 705 3883 4780 676 610 10784
3

4
2
1
Desempenho Geral (DG)
ndice Kappa (K)
VALORES A SEREM COMPROVADOS
NO PRXIMO TPICO
111
A Exatido Global ou Desempenho Geral (DG) definido pela seguinte equao:

T
D
DG =

Em que,

D = elementos da diagonal principal
T = nmero total de amostras

% 28 , 92 923 , 0
10784
9951
10784
541 542 4478 3667 607 116
= = =
+ + + + +
= DG

O clculo do ndice Kappa (K) efetuado por meio da seguinte relao (CONGALTON;
GREEN,1998):

Q T
Q D
K
= onde
=
+ +
=
r
i
i i
X X Q
1

em que,

+ i
X = total da linha para uma dada categoria informacional;
i
X
+
= total da coluna para uma dada categoria informacional

De acordo com Congalton & Green (1998), as classificaes das imagens geradas em
sensoriamento remoto so identificadas em determinados intervalos de valores, conforme os
nveis de aceitao na Tabela 7.4.

Tabela 7.4. Intervalo de aceitao dos resultados do ndice Kappa.

NDICE KAPPA ( K ) CARACTERSTICAS
4 , 0 K Pobre
8 , 0 4 , 0 K Razovel
8 , 0 K Excelente

Logo, com o objetivo de calcular o ndice Kappa (K), temos que:

% 30 , 88 883 , 0
34 , 7120
34 , 6287
66 , 3663 10784
66 , 3663 9951
66 , 3663
10784
663 * 610 581 * 676 4783 * 4780 3953 * 3883 687 * 705 117 * 130
9951 541 542 4478 3667 607 116
10784
1
= = =
=
=
+ + + + +
= =
= + + + + + =
=
=
+ +
Q T
Q D
K
T
X X
Q
D
T
r
i
i i

Conclui-se ento que para nossa amostragem, o ndice Kappa apresentou valor de 88,30 %,
enquadrando-se como excelente.
112
CLASSIFICAO SUPERVISIONADA USANDO O MTODO DA MXIMA
VEROSSIMILHANA (MAXVER)

1. De volta caixa Classificao de Imagens, na caixa de entrada Nome, digite
Class_Superv_Maxver.
2. Clique sobre o boto Criar.
3. No dropdown da opo Classificador, selecione Maxver (algoritmo de classificao da
Mxima Verossimilhana).
4. No dropdown da opo Limiar de Aceitao, selecione 99%.
5. Clique sobre o boto Executar.
6. Na janela Auxiliar, visualize a imagem Class_Superv_Maxver.

OBS: O limiar de aceitao indica a % de "pixels" da distribuio de probabilidade de uma
classe que ser classificada como pertencente a esta classe. Um limite de 99%, por exemplo,
engloba 99% dos "pixels", sendo que 1% sero ignorados (os de menor probabilidade),
compensando a possibilidade de alguns "pixels" terem sido introduzidos no treinamento por
engano, nesta classe, ou estarem no limite entre duas classes. Um limiar de 100% resultar em
uma imagem classificada sem rejeio, ou seja, todos os "pixels" sero classificados.

PS-CLASSIFICAO DA CLASSIFICAO SUPERVISIONADA

Aplica-se este procedimento em uma imagem classificada, com o objetivo de uniformizar os
temas, ou seja, eliminar pontos isolados, classificados diferentemente de sua vizinhana. Com
isso, gera-se uma imagem classificada com aparncia menos ruidosa.

Em uma janela de 3 x 3 "pixels", o ponto central avaliado quanto frequncia das classes
(temas), em sua vizinhana. De acordo com os valores de peso e limiar definidos pelo usurio,
esse ponto central ter ou no sua classe substituda pela classe de maior frequncia na
vizinhana.

O peso varia de 1 a 7 e define o nmero de vezes que ser considerada a frequncia do
ponto central.

O limiar varia tambm de 1 a 7 e o valor de frequncia acima do qual o ponto central
modificado.

6

1
2
3

4

5
113
EXEMPLO:

Para a janela de uma imagem classificada ser avaliado o "pixel" central pertencente classe
2. Considera-se que:

a) peso = 3
b) limiar = 3

3 3 1
5 2 3
5 5 5

Obtm-se a seguinte frequncia de classes:

Classe 1 2 3 5
Frequncia 1 3 3 4

A tabela acima indica que a classe 1 ocorre uma vez; a classe 3 ocorre trs vezes e a classe 5,
quatro vezes. A frequncia da classe 2 considerada 3, pelo fato do peso definido ser 3. O
limiar igual a 3 far com que o ponto central (de classe 2) seja atribudo classe 5, cuja
frequncia (4) maior que o limiar definido.

A janela classificada com seus temas uniformizados torna-se:

3 3 1
5 5 3
5 5 5

A definio de peso e limiar depender da experincia do usurio e das caractersticas da
imagem classificada. Quanto menor o peso e menor o limiar, maior o nmero de substituies
que sero realizadas.

1. Na caixa de dilogo Classificao, clique sobre o boto Ps-Classificao.
2. Na caixa de dilogo Ps-classificao, aceite os valores padres de Peso (2) e Limiar
(5).

2

3

1
114
Abaixo, demonstrado o resultado da imagem Class_Super_Maxver_pos exibida na janela
Auxiliar do Spring.

ELABORAO DO MODELO DE DADOS TEMTICOS

Com o intuito de elaborar o mapa temtico (mapeamento) de uso e ocupao do solo,
inicialmente, teremos que criar um novo modelo de dados temtico, que ir conter classes com
seus visuais de apresentao grfica.

1. No Spring, clique na ferramenta Modelo de dados.
2. Na caixa de dilogo Modelo de Dados, na caixa de entrada da opo Nome, digite Uso-
Solo.
4. Clique na guia Classes Temticas.

2

3

4
1
115
5. Na guia Classes Temticas, na caixa de entrada da opo Nome, digite Agua.
7. Clique sobre o boto Visual.
8. Na guia reas, aps clicar sobre o boto Cor, selecione a cor Azul e clique sobre o boto
Executar.

Repita os passos de 5 a 8 para criar as classes e cores demonstradas na Tabela 7.5, com
exceo da classe Agua j criada anteriormente.

Tabela 7.5. Nome e cor das classes a serem criadas.

NOME DAS CLASSES COR
Agua azul
Solo_Exposto marron

Abaixo, so demonstradas as apresentaes grficas das classes criadas.

Estrada_Pavimentada Fragmento Solo_Exposto

Pastagem Urbanizacao

4b
4a

5

6

7
116
9. Aps a criao das classes temticas com suas respectivas apresentaes grficas, na
caixa dilogo Modelo de Dados, clique sobre o boto Executar.

ELABORAO DO MAPA TEMTICO (MAPEAMENTO) DE USO E OCUPAO DO
SOLO

1. Na caixa de dilogo Classificao, clique no boto Mapeamento.
2. Na caixa de dilogo Mapeamento para Classes, no painel Imagens Classificadas,
selecione Class_Super_Maxver_pos.
3. No painel Categorias, selecione Uso_Solo.
4. No painel Temas, selecione o tema Agua.
5. No painel Classes, selecione a classe Agua.

Repita os passos 4 e 5 para os outros temas e classes (Tabela 7.6), com exceo da classe
Agua j criada anteriormente.

7.6. Temas e suas classes respectivas de associao.

TEMAS CLASSES
Agua azul
Estrada_Pavimentada Estrada_Pavimentada
Fragmento Fragmento
Solo_Exposto Solo_Exposto
Pastagem Pastagem
Urbanizacao Urbanizacao

4

2
3 4
5

1

9
117
Abaixo, demonstrada a categoria Uso_Solo (modelo temtico) com o plano de informao
Class_Super_Maxver_pos-T exibido na tela.

OBTENO DE REAS EM HECTARES PARA AS CLASSES TEMTICAS

1. Na categoria Uso_Solo, selecione o plano de informao Class_Super_Maxver_pos-T.
2. No menu Temtico, clique na opo Medida de Classes.
3. Na caixa de dilogo Medidas de Classes, no dropdown Unidades, selecione ha.

Veja que a classe Pastagem apresenta a maior rea de uso que equivale a 35,50 ha.

5. Clique sobre o boto Fechar.

5
3

4

1
2
118
Os resultados estatsticos da classificao supervisionada, usando o mtodo da Mxima
Verossimilhana (MAXVER), so demonstrados na Tabela 7.7 e Figura 7.8.

Tabela 7.7. Resultados estatsticos da classificao supervisionada usando o mtodo da
Mxima Verossimilhana (MAXVER).

CLASSES REA (ha) PORCENTAGEM (%)
gua
1,1 1,6
Estrada pavimentada
3,0 4,3
Fragmento
17,0 24,6
Solo exposto
5,8 8,3
Pastagem
35,5 51,3
Urbanizao
6,2 8,9
rea no classificada
0,7 1,0
TOTAL
69,2 100,0

1,6
4,3
24,6
8,3
51,3
8,9
1,0
0,0
10,0
20,0
30,0
40,0
50,0
60,0
gua Estrada
pavimentada
Fragmento Solo exposto Pastagem Urbanizao rea no
classificada
CLASSES
P
O
R
C
E
N
T
A
G
E
M

(
%
)

Figura 7.8. Resultados estatsticos da classificao supervisionada usando o mtodo da
Mxima Verossimilhana (MAXVER).

ELABORAO DO LAYOUT DO MAPA DE USO E OCUPAO DO SOLO

Para elaborar o layout do mapa de uso e ocupao do solo, ser utilizado o programa SCARTA
5.1.2 PORTUGUS. Logo, para iniciar o SCARTA 5.1.2 PORTUGUS, voc deve seguir os
seguintes passos:

6. Clique no boto Iniciar da barra de estado do Windows.
7. Clique sobre o nome Programas.
8. Clique sobre o nome Spring 5.1.2 Portugus _x86.
9. Clique sobre o nome Scarta 5.1.2 Portugus.
10. No Scarta 5.1.2 Portugus, no menu Arquivo, clique sobre a opo Banco de Dados .

119

11. Na caixa de dilogo Banco de Dados, clique no boto Diretrio e ative o diretrio
C:\Livro_Spring_Alegre_ES.
12. No painel Banco de Dados, selecione Bacia_Rio_Alegre.
14. No menu Arquivo, clique sobre a opo Carregar Projeto .
15. Na caixa de dilogo Projeto, clique sobre o boto Ativar.
16. No menu Arquivo, clique sobre a opo Criar Carta .

11
10

9
5

6

7

8

1

2

3

4
120
17. Na caixa de dilogo Criar Carta, na caixa de entrada da opo Nome, digite
Uso_Solo_Alegre.
19. Na caixa de dilogo Caracterstica da Carta, no dropdown da opo Tamanho, selecione
A4.
20. Na caixa de entrada da opo Escala, digite 5000.
21. Em Posicionamento, marque a opo Coordenadas.
22. Em Coordenadas, marque a opo Planas.
23. Em X1, digite 2.
24. Em Y1, digite 1.
26. Na janela Painel de Controle, em Categorias, selecione Uso_Solo.
27. Em Planos de Informao, selecione Class_Super_Maxver_pos-T.
28. Marque a opo Matriz.
29. Clique sobre o boto Desenhar .

31. Abaixo, demonstrada a imagem temtica Class_Super_Maxver_pos-T exibida no layout.

21

22

23
24

25
14
15

16
17
18
19
20

12

13
121
32. No menu Editar, clique na opo Elementos.
33. D um clique duplo na parte superior central do layout. Observe que os valores de X e Y
sero modificados, automaticamente, sendo que, nessa posio o ttulo do layout ser
inserido.
34. Na caixa de dilogo Editor de Elementos da Carta, no menu Inserir, clique na opo
Textos.
35. Na caixa de dilogo Inserir Textos na Carta, na caixa de entrada Texto, digite USO E
OCUPAO DO SOLO PARA O BAIRRO PAVUNA ALEGRE ES.
36. Clique no boto Inserir.
37. Selecione o ttulo do layout fazendo com que este fique com a borda azul.
38. Na caixa de dilogo Editor de Elementos da Carta, no menu Definir, clique em
Caractersticas.
39. Na caixa de dilogo Caractersticas dos Elementos da Carta, desmarque a opo Texto.
40. Na caixa de entrada Altura, digite 6.
41. Clique no boto Atualizar.
42. No menu Inserir, clique na opo Smbolos.
43. D um clique duplo na parte inferior direita do layout. Observe que os valores de X e Y
sero modificados, automaticamente; sendo que, nessa posio, a seta de Norte do layout
ser inserida.
44. Na caixa de dilogo Inserir Smbolos na Carta, selecione o smbolo norte.
45. Clique no boto Inserir.
46. Na caixa de dilogo Editor de Elementos da Carta, no menu Definir, clique em
Caractersticas.
47. Na caixa de dilogo Caractersticas dos Elementos da Carta, na caixa de entrada Altura,
digite 25.
48. Clique sobre o boto Atualizar.

33

32
30

31
29

27
122

49. Na caixa de dilogo Editor de Elementos da Carta, no menu Inserir, clique na opo
Legenda.
50. D um clique duplo na parte central direita do layout. Observe que os valores de X e Y
sero modificados, automaticamente; sendo que, nessa posio, a legenda do layout ser
inserida.
51. Na caixa de dilogo Inserir Legendas na Carta, no painel Categorias, selecione a
categoria temtica Uso_Solo.
52. Na caixa de entra Espaamento, digite 10.
53. Na caixa de dilogo Caractersticas dos Elementos da Carta, na caixa de entrada Altura,
digite 4.
54. No painel Legenda, na caixa de entrada Altura (altura da caixinha da legenda), digite 4.
55. No painel Legenda, na caixa de entrada Largura (largura da caixinha da legenda), digite 5.
56. No painel Legenda, na caixa de entrada distncia (distncia da primeira letra at a
caixinha da legenda), digite 3.
58. De volta a caixa de dilogo Inserir Legendas na Carta, no menu Inserir, clique sobre a
opo Todas as classes.
59. No painel Itens de Legenda, selecione a classe Agua.
60. Na caixa de entrada Texto, digite o nome correto da classe que gua (com acento
agudo na letra A).
61. Clique sobre o boto CR.

Repita os passos de 54 a 56 para as outras classes.

42

43
41

39
40
37
34
35

36
123

62. Na caixa de dilogo Editor de Elementos da Carta, no menu Inserir, clique sobre a opo
Escala.
63. D um clique duplo na parte inferior direita do layout. Observe que os valores de X e Y
sero modificados automaticamente, sendo que nesta posio a escala do layout ser
inserida.
64. Na caixa de dilogo Caractersticas dos Elementos da Carta, na caixa de entrada da
opo Altura (altura da escala), digite 3.
66. Na caixa de dilogo Editor de Escalas, selecione o tipo de escala tipo-7.
67. Clique sobre o boto Inserir.

Veja o ttulo, seta de Norte, legenda e escala j inseridos no layout.

59

60
57
53
46
47
48

49

50

51
52
54

56
55
44
124

68. Finalmente, vamos inserir a grade do mapa do layout. Logo, no Scarta, no menu Editar,
clique sobre a opo Grade.
69. Na caixa de dilogo Definio de Grade, na opo Grade em Coordenadas, selecione
Planas.
70. Na caixa de entrada |dx| digite 300.
71. Na caixa de entrada |dy| digite 300.
72. Clique no boto Definir.
73. Na caixa de dilogo Grade Plana, aceite as opes j padronizadas e clique sobre o boto
Executar.
74. De volta a caixa de dilogo Definio de Grade, clique sobre o boto Executar.

69

68
64

65

66

67

63

61

62
125
75. No Scarta, no menu Arquivo, clique sobre a opo Salvar Carta.
76. Novamente, no menu Arquivo, aponte para Exportar e clique em PDF.
77. Na caixa de dilogo Defina o nome do Arquivo, v para o diretrio de trabalho
C:\Livro_Spring_Alegre_ES.
78. Na caixa de entrada Nome do arquivo, digite Uso_Ocupacao_Solo_Alegre..
79. Clique sobre o boto Salvar

A Figura 7.9 mostra o layout final elaborado aps a execuo das etapas anteriores.

Figura 7.9. Modelo do layout elaborado no programa Scarta.

72
73

74

71

70
126
CLASSIFICAO SUPERVISIONADA DE BHATTACHARYA

Neste tpico ser apresentado o mtodo de classificao supervisionada de Bhattacharya, que
ir depender de amostras de treinamento obtidas, automaticamente, por meio da tcnica de
segmentao de imagens mostradas a seguir.

SEGMENTAO DE IMAGENS

O processo de segmentao representa, geralmente, o primeiro passo no sentido de preparar
as imagens de satlite para uma futura classificao temtica, passo este que pode determinar
o eventual sucesso ou fracasso de uma anlise. O ato de segmentar uma imagem consiste em
agrupar pixels com caractersticas similares em termos tonais e texturais, formando regies
homogneas. Essas regies so correspondentes s feies da superfcie terrestre e iro
servir de base para a anlise e cartografia temtica (DLUGOSZ et al., 2008).

A segmentao automtica, em geral, baseia-se nas caractersticas de descontinuidade e
similaridade dos tons de cinza de uma imagem. O mtodo que avalia a descontinuidade
considera a mudana abrupta dos valores de cinza e o mtodo por similaridade fundamenta-se
na agregao de pixels em funo da sua semelhana com os pixels vizinhos (GONZLES;
WINTZ, 1987). A segmentao por crescimento de regies se baseia nesse segundo mtodo.

Conforme Venturieri e Santos (1998), citado por Corte et al., 2008, a operao de segmentao
por crescimento de regies consiste em agrupar pixels com caractersticas similares em termos
tonais e texturais, formando regies homogneas. Desta forma, a imagem particionada em
um conjunto de regies correspondentes s feies da superfcie terrestre, que iro servir de
base para a anlise e cartografia temtica. Os resultados desse processo so reas com
aspecto contnuo, onde cada rea possui caractersticas espectrais bem diferentes das
vizinhas que a cercam.

De acordo com Gonzles & Woods (2000), citado por Dlugosz et al., 2008, a seleo de
critrios de similaridade dependente do problema em considerao e tambm do tipo de
dados (imagens) disponveis. Para Coutinho (1997), citado por Dlugosz et al.2008, a definio
de valores para os limiares na segmentao de imagens depende, principalmente, do
conhecimento dos padres de repartio espacial dos objetos de cada rea e da definio da
generalizao cartogrfica ideal, em funo da escala cartogrfica da abordagem realizada.
Contempla uma etapa que exige maior ateno devido inexistncia de valores padronizados
para as variveis do algoritmo e, tambm, pode influenciar diretamente na acurcia dos
resultados da segmentao.

Se os valores dos limiares forem muito baixos, o processo no atribuir pixels s classes
(fragmentao excessiva). Por outro lado, se forem muito altos, pixels representativos de
diferentes classes sero incorretamente agrupados (NASCIMENTO; ALMEIDA FILHO, 1996,
citado por DLUGOSZ et al.2008).

Com o objetivo de realizar a segmentao automtica de bandas espectrais do satlite
IKONOS para nossa rea de estudo, execute os passos a seguir:

1. No Spring, na categoria Satlites, selecione a imagem Ikonos_band_4.
2. Marque a opo M (visualizar em nveis de cinza).
3. No menu Imagem, clique sobre a opo Segmentao.
4. Na caixa de dilogo Segmentao, no dropdown Mtodo, selecione Crescimento de
Regies.
5. No painel Bandas, selecione as imagens Ikonos_band_2, Ikonos_band_3,
Ikonos_band_4.

Como vimos anteriormente, a similaridade referente proximidade radiomtrica entre pixels,
correspondendo ao valor da distncia euclidiana mnima entre as mdias das regies, abaixo
127
das quais duas regies so consideradas similares e, ento, agrupadas. J o limiar de rea o
nmero mnimo de pixels para que uma regio seja individualizada, sendo portanto, o tamanho
mnimo que cada segmento deve possuir na operao de segmentao.

6. Na caixa de entrada Similaridade, digite 15.
7. Na caixa de entrada rea, digite 20.
8. Na caixa de entrada Imagem segmentada, digite Seg_15_20.
9. Para a opo Suavizao de Arcos, marque Sim.
11. Aps o processamento, clique sobre o boto OK.
12. Na janela Auxiliar, veja as amostras segmentadas.
13. Na janela Auxiliar, clique sobre o boto Fechar.
14. Na guia Principal do Spring, no Painel de controle, selecione a imagem intitulada
ikonos_band_2.tif. e, na parte inferior do Spring, marque a caixa representativa da letra B
(azul).
caixa representativa da letra R (vermelho).
caixa representativa da letra G (verde).
17. Selecione a imagem Seg_15_20 e marque a opo Rotulada.

4

5
9
8
6 7
10

11

3

1
2
128

Aps a verificao do resultado da segmentao, se o resultado no for satisfatrio, teste
outros valores de similaridade e rea.

Agora, estamos prontos para iniciar a criao do arquivo de contexto necessrio para a
realizao da classificao supervisionada pelo mtodo de Bhattacharya.

18. No menu Imagem, clique na opo Classificao.
19. Na caixa de dilogo Classificao, clique sobre o boto Diretrio e v para o diretrio
C:\Livro_Spring_Alegre_ES\Bacia_Rio_Alegre\BHR_Alegre_Uso_Solo.
21. Na caixa de dilogo Criao de Contexto, na caixa de entrada Nome, digite
Classificao_regiao.
22. No painel Tipo de Anlise, marque a opo Regies.
23. No painel Bandas, selecione as imagens Ikonos_band_2, Ikonos_band_3 e
Ikonos_band_4.
24. No painel Imagens Segmentadas, marque a opo Seg_15_20.

Agora, estamos prontos para iniciar a Extrao de Atributos das Regies.

26. Novamente, na caixa de dilogo Classificao, no painel Contextos, marque a opo
Classificao_regiao.
27. Clique sobre o boto Extrao de Atributos das Regies.

14

16

15
17

19
20

18

12
13
129

28. Na caixa de dilogo Classificao, clique sobre o boto Treinamento.

29. Na caixa de dilogo Spring, clique sobre o boto OK para iniciar a aquisio das amostras
de treinamento.
30. Na caixa de dilogo Treinamento, na caixa de entrada Nome, digite gua.
32. Clique no boto Cor.
33. Na caixa de dilogo Selecionar Cor, selecione a cor Azul.

26

27

28
30

32
31
29

33
22

21

23
25

24
130
Repita os passos de 30 a 33 para criar as cores mostradas na Tabela 7.8.

Tabela 7.8. Nome e cor das amostras de treinamento a serem criadas.

NOME COR
gua azul
Solo_Exposto marron

34. Selecione o tema gua.
35. Em Contorno, clique sobre a opo Regio (delimitada pela segmentao Seg_15_20)
36 Sobre a imagem segmentada, basta clicar com o boto esquerdo do mouse sobre o
polgono representativo do tema gua. Aps a seleo de cada polgono, clique sobre o
boto Adquirir. Adquirir amostras suficientes para o tema gua.

Repita os passos de 34 a 36 para selecionar amostras dos outros temas.

37. Clique sobre boto Salvar.

A Figura 7.10 mostra todas as amostras de treinamento selecionadas.

Figura 7.10. Amostras de treinamento selecionadas.
37 38
35

36
34
131
CLASSIFICAO PELO MTODO DE BHATTACHARYA

2. Na caixa de dilogo Classificao de Imagens, na caixa de entrada Nome, digite
Class_Super_Regio_Bhattacharya.
4. No dropdown Classificador, selecione Bhattacharya.
5. No dropdown Limiar de aceitao, selecione 99%.
6. Clique sobre o boto Analisar Amostras.
7. Na caixa de dilogo Anlise de Amostras, observe o desempenho mdio das amostras e,
posteriormente, clique sobre o boto Fechar.
8. De volta a caixa de dilogo Classificao de Imagens, clique sobre o boto Executar.
9. Clique sobre o boto OK da caixa de mensagem SPRING.

Na janela Auxiliar do SPRING, veja o resultado da imagem classificada
Class_Super_Regio_Bhattacharya e feche esta janela.

9

8

7

2

3

4

6
5

1
132

SOLO

1. Na caixa de dilogo Classificao, clique sobre o boto Mapeamento.
selecione a imagem Class_Super_Regio_Bhattacharya.
4. No painel Temas, selecione o tema gua.
5. No painel Classes, selecione a classe gua.

Repita os passos 4 e 5 para os outros temas e classes como demonstrado, anteriormente, na
Tabela 7.6, com exceo da classe Agua j criada, anteriormente.


Abaixo, demonstrado o resultado do mapeamento realizado pelo mtodo da classificao
supervisionada de Bhattacharya.

2

3
4

5

6

1
133


1. Na categoria Uso_Solo, selecione o plano de informao
Class_Super_Regio_Bhattacharya-T.



5
3

4

1

2
134
Os resultados estatsticos da classificao supervisionada usando mtodo de Bhattacharya so
mostrados na Tabela 7.9 e Figura 7.11.

Tabela 7.9. Resultados estatsticos da classificao supervisionada usando o mtodo de
Bhattacharya.

CLASSES REA PORCENTAGEM
gua
3,0 4,4
Estrada pavimentada
3,6 5,2
Fragmento
24,4 35,3
Solo exposto
5,6 8,1
Pastagem
27,2 39,4
Urbanizao
4,5 6,5
rea no classificada
0,8 1,1
TOTAL
69,2 100,0

4,4
5,2
35,3
8,1
39,4
6,5
1,1
0,0
5,0
10,0
15,0
20,0
25,0
30,0
35,0
40,0
45,0
gua Estrada
pavimentada
classificada
CLASSES
P
O
R
C
E
N
T
A
G
E
M

(
%
)

Figura 7.11. Resultados estatsticos da classificao supervisionada usando o mtodo de
Bhattacharya.

CLASSIFICAO NO-SUPERVISIONADA ISOSEG

2. Na caixa de dilogo Classificao de Imagens, na caixa de entrada Nome, digite
Class_Nao_Super_Regio_Isoseg.
4. No dropdown Classificador, selecione Isoseg.
5. No dropdown Limiar de aceitao, selecione 99%.
7. Clique sobre o boto OK da caixa de mensagem SPRING.

135

Na janela Auxiliar do SPRING, veja o resultado da imagem classificada
Class_Nao_Super_Regio_Isoseg e feche essa janela.

SOLO

1. Na caixa de dilogo Classificao, clique sobre o boto Mapeamento.
selecione a imagem Class_Nao_Super_Regio_Isoseg.
4. No painel Temas, selecione o tema Tema10.
5. No painel Classes, selecione a classe Urbanizacao.

Repita os passos 4 e 5 para os outros temas e classes (exceto o Tema10 j processado) de
acordo com a Tabela 7.10.

7

2

3

4
5

6

1
136

Tabela 7.10. Temas e suas respectivas classes.

TEMA CLASSE
Tema1 Pastagem
Tema2 Estrada Pavimentada
Tema3 Fragmento
Tema4 Solo exposto
Tema5 Solo exposto
Tema6 gua
Tema7 Urbanizao
Tema8 Pastagem
Tema9 Pastagem
Tema10 Urbano

Abaixo, demonstrado o resultado do mapeamento realizado pelo mtodo da classificao
no-supervisionada ISOSEG.

2

3

4

5

1
137

1. Na categoria Uso_Solo, selecione o plano de informao Class_Super_Regio_Isoseg-T.



Os resultados estatsticos da classificao no-supervisionada pelo mtodo ISOSEG so
mostrados na Tabela 7.11 e Figura 7.12.

Tabela 7.11. Resultados estatsticos da classificao no-supervisionada pelo mtodo Isoseg.

CLASSES REA PORCENTAGEM
gua
11,5 16,6
Estrada pavimentada
4,2 6,1
Fragmento
13,4 19,3
Solo exposto
14,9 21,5
Pastagem
20,9 30,3
Urbanizao
3,7 5,3
rea no classificada
0,7 1,0
TOTAL
69,2 100,0
5

1
2
3

4
138
16,6
6,1
19,3
21,5
30,3
5,3
1,0
0,0
5,0
10,0
15,0
20,0
25,0
30,0
35,0
gua Estrada
pavimentada
classificada
CLASSES
P
O
R
C
E
N
T
A
G
E
M

(
%
)

Figura 7.12. Resultados estatsticos da classificao no-supervisionada pelo mtodo Isoseg.

7.9. TRABALHOS CIENTFICOS RELACIONADOS COM CLASSIFICAO DE
IMAGENS

Os passos demonstrados, anteriormente, foram aplicados no trabalho cientfico intitulado
Avaliao de algoritmos de classificao supervisionada para imagens do Cbers-2 da Regio
do Parque Estadual do Rio Doce-MG (SILVA & PEREIRA, 2007) apresentado nos Anais XIII
Simpsio Brasileiro de Sensoriamento Remoto, Florianpolis, Brasil, 21-26 abril 2007, INPE, p.
6223-6228, objetivando avaliar os diferentes algoritmos de classificao supervisionada, a fim
de verificar qual fornece a melhor classificao e consequente mapa temtico. Dessa maneira,
obter o mapeamento da rea de estudo para usos mltiplos, dentre estes, o monitoramento da
cobertura e do uso do solo.


CONGALTON, R. G.; GREEN, K. Assessing the accuracy of remotely sensed data:
principles and practices. New York: Lewis Publishers, 1998. 137 p.

CORTE, A. P. D. ; DLUGOSZ, F. L. ; CENTENO, J. A. S. . Testes de limiares para a
segmentao de imagens SPOT-5 visando a deteco de plantios florestais. Revista
Acadmica. Cincias Agrrias e Ambientais, v. 6, p. 249-257, 2008.

CROSTA, A. P. Processamento Digital de Imagens de Sensoriamento Remoto. ed. ver.
Campinas. SP: IG/UNICAMP, 1993. 170p.

DLUGOSZ, F. L.; ROSOT, N. C. ; ROSOT, M. A. D. ; OLIVEIRA, Y. M. M. de . ndice para a
avaliao de segmentao de imagens. Floresta (UFPR. Impresso), v. 39, p. 131-143, 2009.

EASTMAN, J. R. Idrisi for Windows: Introduo e Exerccios Tutorais. J. Ronald Eastman.
Editores da verso em portugus, Heinrich Hasenack e Eliseu Weber. Porto Alegre, UFRGS,
Centro de recursos Idrisi, 1998.

139
GONZALES, R. C.; WINTZ, P. Digital image processing. Boston: Prodding, Addison Wesley,
1987.

LILLESAND, T. M.; KIEFER, R. W. Remote sensing and image interpretation. 2. ed.
Chichester: John Wiley & Sons, 1994. 750 p.

MOREIRA, M. A. Fundamentos do sensoriamento remoto e metodologias de aplicao. 2.
ed.Viosa: UFV, 2005. 307 p.

SILVA, M. L. M.; PEREIRA, G. P. M. Avaliao de algoritmos de classificao
supervisionada para imagens do Cbers-2 da Regio do Parque Estadual do Rio Doce-
MG. Anais XIII Simpsio Brasileiro de Sensoriamento Remoto, Florianpolis, Brasil, 21-26 abril
2007, INPE, p. 6223-6228.
Captulo 8 Anlise de Componentes Principais
140

ANLISE DE COMPONENTES
PRINCIPAIS
08
CAPTULO

Alexandre Rosa dos Santos, Telma Machado de Oliveira Peluzio, Nathlia Suemi Saito, Joo Batista
Esteves Peluzio, Gilson Fernandes da Silva, Maristela de Oliveira Bauer

8.1. INTRODUO

As bandas individuais de uma imagem multiespectral tendem, frequentemente, a serem
altamente correlacionadas, visualmente e numericamente. Estas correlaes podem ser
causadas pelo efeito das sombras resultantes da topografia, da sobreposio das janelas
atmosfricas entre bandas adjacentes e do prprio comportamento espectral do objeto. Dessa
forma, a anlise das bandas espectrais individuais pode ser ineficiente devido informao
redundante presente em cada uma dessas. Para lidar com problemas dessa natureza, pode-se
utilizar a tcnica dos componentes principais, criando novas imagens onde as bandas
individuais so independentes, isto , no-correlacionadas.

A correlao entre duas bandas verificada quando dada a intensidade de um determinado
pixel em uma delas, pode-se deduzir com razovel aproximao a intensidade do pixel
correspondente da outra imagem. Sendo duas imagens idnticas, essas so ditas 100%
correlacionadas, sendo uma imagem negativa da outra, diz-se que so -100% correlacionadas
(CRSTA, 1993).

O novo conjunto de imagens, independentes entre si, resulta da transformao derivada da
matriz de covarincia dos valores originais. Os componentes principais so gerados em
nmero igual ao de bandas espectrais, sendo ordenados, decrescentemente, em funo da
variao do nvel de cinza.

8.2. ELABORAO DE IMAGENS DE COMPONENTES PRINCIPAIS

Usaremos o conjunto de dados relativos com as imagens do satlite IKONOS do quadrante
representativo do Parque de Exposio da cidade de Alegre, ES, para estudar a anlise de
componentes principais e as caractersticas da informao contida nos dados.

1. Utilizando o banco de dados [Bacia_Rio_Alegre] e o projeto [BHR_Alegre_Uso_Solo] e
utilizando os conhecimentos j adquiridos nos captulos anteriores deste livro, visualize as
imagens do satlite IKONOS (Figura 8.1) obedecendo sequncia mostrada na Tabela
8.1.

PERGUNTA 1 H alguma banda que se parea com a banda 4 (ikonos_band_4)?

Tabela 8.1. Imagens do satlite IKONOS do quadrante representativo do Parque de Exposio
da cidade de Alegre, ES.

SATLITE IKONOS
(QUADRANTE REPRESENTATIVO DA PARQUE DE EXPOSIO DA CIDADDE DE ALEGRE, ES)
BANDAS ESPECTRAIS
INTERVALO DE
COMPRIMENTO DE
ONDA ( m )
FAIXA ESPECTRAL
Ikonos_band_4 (M) Tela principal 0,76 0,90 (4 m) Infrav. prximo
Ikonos_band_3 (M) Tela auxiliar 0,63 0,69 (4 m) Vermelho
Ikonos_band_1 (M) Tela 2 0,45 0,52 (4 m) Azul
Ikonos_band_2 (M) Tela 3 0,52 0,60 (4 m) Verde
141

Tela principal: Ikonos_band_4 (M) Tela auxiliar: Ikonos_band_3 (M)


Figura 8.1. Telas no SPRING representativas das imagens do satlite IKONOS.

2. No menu Imagem, clique em Componentes Principais.
3. Na caixa de dilogo Componentes Principais, no painel Planos de Informao,
selecione as imagens Ikonos_band_1, Ikonos_band_2, Ikonos_band_3 e
Ikonos_band_4.
4. Em Amostra, marque a opo Imagem.
6. Clique no boto Parmetros.
7. Na caixa de dilogo Parmetros dos Componentes Principais, clique no boto Salvar.
8. Na caixa de dilogo Dilogo, v para o diretrio C:\Livro_Spring_Alegre_ES.
9. Na caixa de entrada Nome do Arquivo, digite CP_Ikonos_Alegre.txt.
10. Clique sobre o boto Gravar.
11. De volta a caixa de dilogo Parmetros dos Componentes Principais, clique sobre o
boto Fechar.
12. De volta a caixa de dilogo Parmetros dos Componentes Principais, clique sobre o
boto Fechar.
13. De volta a caixa de dilogo Componentes Principais, na caixa de entrada Imagem de
Sada, digite Ikonos.

Aps o processamento, observe que o SPRING gerou os seguintes componentes principais
(Figura 8.2):

Ikonos-PC1
Ikonos-PC2
Ikonos-PC3
Ikonos-PC4
142

12

13

11

8
9

10

7

3

4
5
6

2
143

Tela 2: Ikonos-PC1 Tela 3: Ikonos-PC2

Tela 4: Ikonos-PC3 Tela 5: Ikonos-PC4

Figura 8.2. Telas no SPRING representativas das imagens dos componentes principais
processados.

ANLISE ESTATSTICA DOS PARMETROS DOS COMPONENTES PRINCIPAIS

No Windows abra com o Bloco de Notas o arquivo CP_Ikonos_Alegre.txt (Figuras 8.3) contido
no diretrio C:\Livro_Spring_Alegre_ES. A Figura 8.4 mostra uma adaptao didtica da
Figura 8.3.

Figura 8.3. Resultados estatsticos da anlise de componentes principais.
144

Figura 8.4. Adaptao didtica dos resultados estatsticos da anlise de componentes
principais.

PERGUNTA 2
Que bandas se correlacionam mais com a banda 4? Como isso se compara sua
resposta pergunta 1?
RESPOSTA
Como observado da Figura 8.4 (Letra D), a banda que mais se correlaciona com a
banda 4 a banda 1 (-0,091) seguida da banda 3 (-0,019) e da banda 2 (0,016).
Como observado, inicialmente, na pergunta 1, realmente a banda 1 a que mais
parece com a banda 4, porm a banda 3 tambm muito parecida.

Os autovalores expressam a quantidade de varincia explicada por cada componente e os
autovetores so os coeficientes de ponderao associado s variveis utilizadas nas equaes
de transformao.

PERGUNTA 3 Quanto da varincia explicada pelos componentes 1 e 2 separadamente?
RESPOSTA
Como observado da Figura 8.4 (Letra B), o componente 1 (P1) explica 59,85% da
variao e o componente 2 (P2) explica 38,34% da variao.

PERGUNTA 4
Quanto da varincia explicado pelos componentes 1, 2 juntos (some a quantidade
explicada por ambas)?
RESPOSTA
Como observado da Figura 8.4 (Letra B), os componentes 1 e 2 juntos explicam
98,19% da variao.

PLANO DE INFORMAO MDIA VARINCIA
Ikonos_band_1 56,78 177,16
Ikonos_band_2 59,80 325,30
Ikonos_band_3 53,38 603,69
Ikonos_band_4 115,74 686,79

COMPONENTES PRINCIPAIS (PC) AUTO-VALOR PORCENTAGEM (%)
P1 1073,06 59,85
P2 687,36 38,34
P3 30,31 1,69
P4 2,21 0,12

MATRIZ DE COVARINCIA
Ikonos_band_1 Ikonos_band_2 Ikonos_band_3 Ikonos_band_4
Ikonos_band_1 177,16 233,94 297,58 -31,79
Ikonos_band_2 233,94 325,30 425,75 7,40
Ikonos_band_3 297,58 425,75 603,69 -11,95
Ikonos_band_4 -31,79 7,40 -11,95 686,79

MATRIZ DE CORRELAO
Ikonos_band_1 1,000 0,974 0,910 -0,091
Ikonos_band_2 0,974 1,000 0,961 0,016
Ikonos_band_3 0,910 0,961 1,000 -0,019
Ikonos_band_4 -0,091 0,016 -0,019 1,000

MATRIZ DE AUTO-VETORES
Ikonos_band_1 0,39 0,54 0,74 -0,04
Ikonos_band_2 -0,02 0,05 0,03 1,00
Ikonos_band_3 0,65 0,41 -0,64 0,02
Ikonos_band_4 0,65 -0,73 0,19 0,04

A
B
C
D
E
145
8.3. EXEMPLO DE APLICAO

EXEMPLO 1

Neste tpico, sero demonstradas, passo a passo, as etapas necessrias para determinao
dos componentes principais a partir de uma matriz de covarincia 2 x 2.

Para este exemplo, sero utilizados os valores digitais (nveis de cinza) das bandas espectrais
do vermelho (banda 3) e infravermelho (banda 4) de uma pequena amostra de imagem do
satlite IKONOS (Figura 8.5).

a) BANDA 3 (VERMELHA)

b) BANDA 4 (INFRAVERMELHO)

Figura 8.5. Amostra de uma imagem do satlite IKONOS. a) Banda 3 (Vermelho) e b) Banda 4
(Infravermelho). T1 a T9 tratamentos.

Considere os dados da Tabela 8.2, referente s duas variveis X
1
(Banda 3) e X
2
(Banda 4)
mensuradas em uma amostra constituda de 9 tratamentos.

Tabela 8.2. Observaes relativas a duas variveis (X1 e X2) avaliadas em 9 tratamentos.

VARIVEIS
TRATAMENTOS
(n
o
= 9)
1
X
2
X
( )
2
1 1
X X
i
( )
2
2 2
X X
i
( )
2
1 i
X ( )
2
2 i
X
2 1 i i
X X
1 36 116 4,00 93,51 1296 13456 4176
2 33 121 25,00 21,81 1089 14641 3993
3 33 129 25,00 11,09 1089 16641 4257
4 44 119 36,00 44,49 1936 14161 5236
5 43 123 25,00 7,13 1849 15129 5289
6 31 134 49,00 69,39 961 17956 4154
7 43 126 25,00 0,11 1849 15876 5418
8 44 120 36,00 32,15 1936 14400 5280
9 35 143 9,00 300,33 1225 20449 5005
342 1131 234,00 580,01 13230 142709 42808

X
38,00 125,67 - - - -

Baseado nos dados da Tabela 8.1, podemos calcular a VARINCIA ( ar V
) e a COVARINCIA
( v o C ) de cada uma das variveis X
1
e X
2
como demonstrado abaixo:

116 121 129
119 123 134
126 120 143
T1 T2 T3
T4 T5 T6
T7 T8 T9
36 33 33
44 43 31
43 44 35
T2 T1 T2 T3
T4 T5 T6
T7 T8 T9
146
CLCULO DAS VARINCIAS ( ar V
)

( )
( )
25 , 29
1 9
234
1
1
2
1 1
1
=
=
n
X X
X ar V
n
i
i

ou

( )
( )
25 , 29
1 9
9
342
13230
1
2
2
1
1
1
2
1
1
=
|
|
\
|
=
=
n
n
X
X
X ar V
n
i
i
n
i
i

e

( )
( )
50 , 72
1 9
01 , 580
1
1
2
2 2
2
=
=
n
X X
X ar V
n
i
i

ou

( )
( )
50 , 72
1 9
9
1131
142709
1
2
2
1
2
1
2
2
2
=
|
|
\
|
=
=
n
n
X
X
X ar V
n
i
i
n
i
i

CLCULO DAS COVARINCIAS ( ov C
)

( )
( )( )
25 , 21
1 - 9
9
1131 342
- 42808
1
,
1
2
1
1
1
2 1
2 1
= =
|
|
\
|
|
|
\
|

=

= =
=
n
n
X X
X X
X X v o C
n
i
i
n
i
i
n
i
i i

MATRIZ DE COVARINCIA

De posse dos valores de VARINCIA ( ar V
) e a COVARINCIA ( v o C ), podemos obter os

componentes principais das variveis X
1
e X
2
, cuja matriz de covarincia estimada, S, :

( ) ( )
( ) ( )
(
=
(
(
=
72,50 21,25 -
21,25 - 29,25
X ar V
, X v o C
, X v o C X ar V
2 2 1
2 1 1
X
X
S

Resoluo:

A equao caracterstica :

0 = I S

147
0
- 72,50 21,25 -
21,25 - - 29,25
=
(
,

isto :

( )( ) 0 ) 25 , 21 ( 50 , 72 25 , 29
2
=

0 ) 25 , 21 ( 50 , 72 25 , 29 ) 50 , 72 25 , 29 (
2 2
= +

0 5625 , 451 75 , 101 625 , 2120
2
= +

0 0625 , 1669 75 , 101
2
= + (Equao do segundo grau)

Em que,

a = 1
b = - 101,75
c = 1669,0625

Os autovalores (razes prprias ou razes caractersticas) obtidos dessa equao so:

) 1 ( 2
) 0625 , 1669 )( 1 ( 4 ) 75 , 101 ( ) 75 , 101 (
2
4
2
2

=

= =
a
ac b b

2
637 , 60 75 , 101
= =

194 , 81
1
=

557 , 20
2
=

A soma dessas duas razes d 101,75, que exatamente o coeficiente do segundo termo da
equao do segundo grau com sinal trocado.

Pode-se observar tambm que:

% 80 , 79 100
75 , 101
194 , 81
= para
1

% 20 , 20 100
75 , 101
557 , 20
= para
2

Ento, o componente principal, relativo a
1
, explica 79,80% da variao total, enquanto o
outro componente principal, relativo a
2
, explica 20,20%.

ESTIMATIVA DA EQUAO REPRESENTATIVA DO PRIMEIRO COMPONENTE PRINCIPAL

Vamos calcular o primeiro componente principal, correspondente ao maior autovalor
194 , 81
1
= . Ele ser dado pelo autovetor normalizado associado a
1
:

[ ] =
*
1 ~
1
a I S
148
(
=
(
(
0
0
1,194 8 - 72,50 21,25 -
21,25 - 1,194 8 - 29,25
*
12
*
11
a
a

(
=
(
(
0
0
694 , 8 21,25 -
21,25 - 944 , 51
*
12
*
11
a
a

Abaixo, demonstrado o sistema de equao oriundo da multiplicao das matrizes acima:

Equao 1 0 25 , 21 944 , 51
*
12
*
11
= a a

Equao 2 0 694 , 8 25 , 21
*
12
*
11
= a a

Este sistema de equao indeterminado, uma vez que temos, em virtude de [ ] 0 = I S :

0
694 , 8 21,25 -
21,25 - 944 , 51
=
(

Podemos, pois, abandonar uma das equaes (por exemplo, a equao 2) e dar um valor
arbitrrio, no nulo, a uma das incgnitas (por exemplo 1
*
12
= a ). Assim temos:

0 1 25 , 21 944 , 51
*
11
= a

25 , 21 944 , 51
*
11
= a

409 , 0
*
11
= a

(
=
1
409 , 0
*
1 ~
a

2 2 *
1 ~
) 1 ( ) 409 , 0 ( + = a

080 , 1
*
1 ~
= a

O autovetor normalizado :

(
= =
(
(
=
1
409 , 0
080 , 1
1 1
*
1 ~ *
1 ~
*
12
*
11
1 ~
a
a
a
a
a

=
1 ~
a
(
926 , 0
379 , 0
Note que, 1
1 ~
'
1 ~
= a a

Logo:

[ ] 1
926 , 0
379 , 0
926 , 0 379 , 0 =
(

149
1 ) 926 , 0 )( 0926 ( ) 379 , 0 )( 379 , 0 ( = +

1 856 , 0 144 , 0 = +

1 1 =

Logo, o primeiro componente principal :

2 1 1
926 , 0 379 , 0
X X Y + =

Este componente responsvel por 79,80% da variao.

ESTIMATIVA DA EQUAO REPRESENTATIVA DO SEGUNDO COMPONENTE PRINCIPAL

O segundo componente principal dado pelo sistema de equaes relativo ao outro autovalor
557 , 20
2
= . Ele ser dado pelo autovetor normalizado associado a
2
:

[ ] =
*
2 ~
2
a I S

(
=
(
(
0
0
0,557 2 - 72,50 21,25 -
21,25 - 0,557 2 - 29,25
*
22
*
21
a
a

(
=
(
(
0
0
943 , 51 21,25 -
21,25 - 693 , 8
*
22
*
21
a
a

Abaixo, demonstrado o sistema de equao oriundo da multiplicao das matrizes acima:

Equao 1 0 25 , 21 693 , 8
*
22
*
21
= a a

Equao 2 0 943 , 51 25 , 21
*
22
*
21
= + a a

Este sistema de equao indeterminado, uma vez que temos, em virtude de [ ] 0 = I S :

0
943 , 51 21,25 -
21,25 - 693 , 8
=
(

Podemos, pois, abandonar uma das equaes (por exemplo, a equao 2) e dar um valor
arbitrrio, no nulo, a uma das incgnitas (por exemplo 1
*
22
= a ). Assim temos:

0 1 25 , 21 693 , 8
*
21
= a

25 , 21 693 , 8
*
21
= a

444 , 2
*
21
= a

(
=
1
444 , 2
*
2 ~
a

150
2 2 *
2 ~
) 1 ( ) 444 , 2 ( + = a

6406 , 2
*
2 ~
= a

O autovetor normalizado :

(
= =
(
(
=
1
444 , 2
6406 , 2
1 1
*
2 ~ *
2 ~
*
22
*
21
2 ~
a
a
a
a
a

=
2 ~
a
(
379 , 0
926 , 0
Note que, 1
2 ~
'
2 ~
= a a

Logo:

[ ] 1
379 , 0
926 , 0
379 , 0 926 , 0 =
(

1 ) 379 , 0 )( 379 , 0 ( ) 926 , 0 )( 926 , 0 ( = +

1 144 , 0 856 , 0 = +

1 1 =

Logo, o segundo componente principal :

2 1 2
379 , 0 926 , 0
X X Y + =

Este componente responsvel por 20,20% da variao total.

OBSERVAES IMPORTANTES

a) Os componentes so ortogonais, ou seja:

0
2 ~
'
1 ~
= a a

[ ] 0
379 , 0
926 , 0
926 , 0 379 , 0 =
(

0 ) 379 , 0 )( 926 , 0 ( ) 926 , 0 )( 379 , 0 ( = +

0 351 , 0 351 , 0 = +

0 0 =

b) Cada componente admite na realidade duas solues, cada uma delas obtida da outra pela
multiplicao de seu segundo membro por (-1). Por exemplo,
2
Y tambm poderia ter o
seguinte valor:

151
2 1 2
379 , 0 926 , 0
X X Y =

Os escores relativos aos 9 tratamentos, obtidos em relao aos 2 componentes principais,
esto apresentados na Tabela 8.3.

Tabela 8.3. Escores relativos aos 9 tratamentos obtidos em relao aos 2 componentes
principais.

VARIVEIS
ESCORES PARA OS
COMPONENTES
TRATAMENTOS
(n = 9)
1
X
2
X
1
Y
2 1 1
926 , 0 379 , 0
X X Y + =

2
Y
2 1 2
379 , 0 926 , 0
X X Y + =

1 36 116 93,772 77,300
2 33 121 99,539 76,417
3 33 129 106,947 79,449
4 44 119 93,518 85,845
5 43 123 97,601 86,435
6 31 134 112,335 79,492
7 43 126 100,379 87,572
8 44 120 94,444 86,224
9 35 143 119,153 86,607

Com os escores dos dois componentes principais, podemos localizar cada tratamento em um
plano cartesiano no qual os eixos representam os componentes (Figura 8.6).

Figura 8.6. Disperso de 9 tratamento em relao aos componentes principais
1
Y e
2
Y .

Como observado na Figura 8.6, os grupos A, B, C e D, circundados com linhas pontilhadas,
apresentam boa correlao estatstica. Como exemplo, os pixels representativos dos
tratamentos do grupo A (4, 5, 7 e 8), nas bandas 3 (vermelho) e 4 (infravermelho), por estarem
prximos entre si, esto bem correlacionados estatisticamente.

A Tabela 8.4 mostra os resultados obtidos at o momento da anlise de componentes
principais, baseado em nosso exemplo.

75
80
85
90
85 90 95 100 105 110 115 120 125
Escores do Componente Principal 1 (Y1)
E
s
c
o
r
e
s

d
o

C
o
m
p
o
n
e
n
t
e

P
r
i
n
c
i
p
a
l

2

(
Y
2
)
9
3 6
4
8
5
7
1
2
A
B
C
D
152
Tabela 8.4. Componentes principais obtidos da anlise de duas variveis.

VARINCIAS DE X COVARINCIAS DE X
( (( ( ) )) ) 25 , 29 X ar V
1
= == = ( (( ( ) )) ) 50 , 72 X ar V
2
= == =
( (( ( ) )) ) 25 , 21 , X v o C
2 1
= == = X
COMPONENTE
PRINCIPAL
VARINCIA
(AUTOVALOR)
COEFICIENTE DE
PONDERAO
ASSOCIADO S
VARIVEIS
PERCENTAGEM
DA VARINCIA
DE
i
Y
(
i
Y )
( ) (
i i
Y ar V = == = ) 1
X
2
X (%)
PERCENTAGEM
ACUMULADA
DA VARINCIA
DE
i
Y
1
Y 81,194 -0,379 0,926 79,80 79,80

2
Y 20,557 0,926 0,379 20,20 100,00

CORRELAES ENTRE
j
X E
i
Y (
i j
Y X
r )*
1
X
2
X
=
1 1
Y X
r -0,631 982 , 0
1 2
=
Y X
r
775 , 0
2 1
=
Y X
r 204 , 0
2 2
=
Y X
r

* CLCULOS DAS CORRELAES ENTRE
j
X E
i
Y :

631 , 0
25 , 29
379 , 0
194 , 81
) (
1
11
1
1 1
=
= =
X ar V
a
r
Y X

982 , 0
50 , 72
926 , 0
194 , 81
) (
2
12
1
1 2
= = =
X ar V
a
r
Y X

775 , 0
25 , 29
926 , 0
557 , 20
) (
1
21
2
2 1
= = =
X ar V
a
r
Y X

204 , 0
50 , 72
379 , 0
557 , 20
) (
2
22
2
2 2
= = =
X ar V
a
r
Y X

Como a importncia relativa das variveis pode ser avaliada pela magnitude da correlao
destas variveis a partir dos ltimos componentes, no exemplo em considerao, identifica-se
a varivel
1
X , com maior correlao em
2
Y (0,775), como a de menor importncia no estudo
realizado.

A Figura 8.7 mostra os valores digitais (nveis de cinza) das bandas espectrais do vermelho
(banda 3)(X
1
) e infravermelho (banda 4) (X
2
) e da componente principal 1 (
1
Y ).

Banda 3 (vermellho)
(X
1
)
Banda 4 (infravermelho)
(X
2
)
Componente principal 1
(
1
Y )

Figura 8.7. Valores digitais (nveis de cinza) das bandas espectrais do vermelho (banda 3)(X
1
)
e infravermelho (banda 4) (X
2
) e da componente principal 1 (
1
Y ).
153
EXERCCIO

1. Baseados nos valores digitais (nveis de cinza) das bandas espectrais do vermelho (banda
3)(X
1
) e infravermelho (banda 4) (X
2
), demonstrados na Figura 8.8, faa a estimativa da
equao do componente principal 1 (Y
1
) visando:

a) determinar a matriz do componente principal 1 com os novos valores digitais (nveis de
cinza).
b) o plano cartesiano representativo dos componentes principais 1 e 2.

Banda 3 (vermellho)
(X
1
)
Banda 4 (infravermelho)
(X
2
)

Figura 8.8. Valores digitais (nveis de cinza) das bandas espectrais do vermelho (banda 3)(X
1
)
e infravermelho (banda 4) (X
2
).

REFERNCIAS BIBLIOGRFICAS

CROSTA, A. P. Processamento Digital de Imagens de Sensoriamento Remoto. ed. ver.
Campinas. SP: ig/unicamp, 1993. 170P.
140

Livro SPRING 512 PassoaPasso Aplicação Prática

Uploaded by

Document Information

Original Title

Copyright

Available Formats

Share this document

Share or Embed Document

Sharing Options

Did you find this document useful?

Is this content inappropriate?

Copyright:

Available Formats

Livro SPRING 512 PassoaPasso Aplicação Prática

Uploaded by

Copyright:

Available Formats

Alexandre Rosa dos Santos

Professor Adjunto do Programa de Ps-Graduao em Cincias Florestais e

342 1131 234,00 580,01 13230 142709 42808

) e a COVARINCIA ( v o C ), podemos obter os

Y 81,194 -0,379 0,926 79,80 79,80

Y 20,557 0,926 0,379 20,20 100,00

You might also like