Por: Rajabo c.b. Malua
malua7rcbm@gmail.com/malua7rcbm@sapo.pt
Classificação da imagem espacial como meio de comunicação
A classificação de uma imagem, consiste no reconhecimento de padrões espectrais e espaçais, o sucesso da utilidade das imagens em cartografia temática depende não só da adequalidade das imagens escolhida para a projecção cartográfica com determinadas especificações técnicas (escala, unidade mínima, nomenclatura), mas também, de metodologia e das características de áreas de estudo.
As imagens de satélite ou de avião são uma potencial fonte de informação para projectos que envolve campo, estudos quantitativos como qualitativos de vegetação a escala global, regionais ou sociais.
Globais geralmente com imagens de satélites meteorológicos com o NOAA/AVHARR.
Regionais – comum a solução de imagens ESPEOTE ou LANDSAT.
Locais – com imagens de alta resolução espacial IKONSS, QUOICKBIRD, fotografia aérea.
Interpretação Visual
A interpretação visual, pode ser melhorada substancialmente se algumas técnicas de processamento digital forem aplicadas a uma dada imagem, ao passo que as análises quantitativas dependem, para seu sucesso, de informações chaves fornecidas pelo analista.
Uma comparação entre os aspectos considerados na interpretação visual e análise quantitativa é apresentada na Tabela 1. Pela análise dessa tabela, pode-se verificar que a interpretação visual, envolvendo uma interacção directa com o ser humano e, consequentemente, um alto nível de decisão, é adequada para uma avaliação espacial, mas deixa a desejar quanto à exactidão quantitativa. A estimativa de área na interpretação visual envolve a medição planimétrica das regiões identificadas visualmente, e nesses casos, erros na definição dos contornos podem prejudicar a precisão na determinação da área.
Análise Quantitativa
No caso da análise quantitativa, essa requer menor interacção com o ser humano e um baixo nível de decisão do software; apresenta uma habilidade espacial pobre, mas uma alta exactidão quantitativa. Essa alta exactidão resulta da capacidade do computador de processar muitos pixels simultaneamente e levar em consideração toda a extensão dos detalhes espectrais, espaciais e radiométricos apresentados por um pixel.
Sua baixa capacidade de análise espacial resulta da dificuldade em implementar no computador critérios de decisão referentes à forma, tamanho, orientação, textura, contexto, etc.
Interpretação visual (analista humano/intérprete) |
Análise quantitativa (através do computador) |
. - Para uma grande escala em relação ao tamanho pixel |
- A nível de pixel individual |
- Estimativas de área com pouca precisão |
- Possibilidade de estimativas de área bastante acuradas |
- Análise multiespectral limitada |
- Pode executar análises multiespectrais precisas (multidimensionais) |
- Assimila apenas um número limitado de níveis de cinza distintos (~16 para cada cena) |
.- Pode usar qualitativamente todos os níveis de cinza disponíveis para cada atributo (ex. 64, 128, 246) |
- A forma é facilmente determinada e analisada |
- Determinação da forma envolve o uso de “softwares” complexos |
. - - A informação espacial é facilmente usada em um sentido qualitativo
|
- Disponibilidade de técnicas limitadas para o uso de dados espaciais. |
TABELA. Comparação entre as duas abordagens de Interpretação de Imagens Multiespectrais.
Uma imagem digital constitui uma matriz bidimensional que define um conjunto de células ou pixels. Cada pixel é definido pelas coordenadas espaciais (x, y) que indicam sua localização na cena, sendo que a cada posição (x, y) é atribuído um valor digital (nível de cinza) correspondente ao valor radiométrico registrado pelo sensor.
Imagens Multiespectrais
É uma representação digital mais complexa: na qual cada pixel com coordenadas espaciais (x, y) é representado por um conjunto de valores de brilho (níveis de cinza), ou seja, cada pixel é representado por um vector com tantas dimensões quantas forem as bandas espectrais analisadas, onde x e y definem as coordenadas espaciais do pixel e n é o vector que representa as bandas espectrais.
Processamento da imagem
Pré-processamento correcções das distorções radiometricas, alterações dos valores das imagens dos elementos das imagens (correcções atmosféricas).
Correcções das distorções geométricas (geometria da aquisição da imagem)
Métodos de classificação
- Métodos estatísticos de reconhecimentos de padrões no reconhecimento de classe de ocupação de solos em imagem de detenção remota, os padrões são as assinaturas estruturais das classes a identificar na imagem.
1º- Identificar conjunto de padrões (método supervisionado/assistido ou não supervisionado não assistido)
2º- Classificado dos padrões definidos anteriormente.
Métodos supervisionados (assistidos) - ter informação a prior da área a classificar.
Métodos não supervisionados ( não assistido)
1º- É realizado a segmentação da imagem em objectos em função de um critério de homogeneidade baseado nos valores radiómetro presentes no pixel.
2º- Os objectos são vitoriados e classificados com base em parâmetros de forma e /ou espectrais e/ ou contextuais.
Quando uma imagem está disponível na forma digital, ela pode ser submetida a técnicas de pré-processamento, para que os detalhes a serem utilizados na interpretação visual sejam realçados. A aplicação de processamentos criteriosos pode tornar perceptíveis características espaciais e espectrais mais significativas da cena. Os procedimentos que envolvem o carácter radiómetro da imagem são chamados de realce radiométrico, enquanto aquele que distingue o aspecto geométrico ou espacial refere-se ao realce geométrico.
O realce geométrico envolve normalmente algumas operações como suavização dos ruídos presentes na imagem; realce de bordas; detecção e realce de linhas. Além disso, implica na definição de novos valores de brilho para um pixel levando em conta os valores da vizinhança.
O realce radiométrico refere-se a alteração do intervalo de definição dos valores de brilho dos pixels em uma imagem. Do ponto de vista computacional, o realce radiométrico envolve a determinação de novos valores de brilho para um pixel a partir de seu valor de brilho na imagem original. Frequentemente estas operações são pontuais e associadas com modificação de contraste na imagem, a fim de melhorara a visualização da cena.
Análise Quantitativa.
A utilização da interpretação visual na identificação de feições presentes em uma imagem de sensoriamente Remoto pode ser útil na avaliação dos aspectos geométricos globais da cena e definição geral dos tipos de cobertura da terra (uso da terra). No entanto, sua aplicação é impraticável ao nível do pixel, a não ser quando apenas um conjunto de pixels de interesse seja considerado e quando não há necessidade de estimativas acuradas da área ocupada por um tipo específico de cobertura da terra.
A análise simultânea de um conjunto de bandas espectrais é bastante limitada na interpretação visual, o que é agravado pelo facto do intérprete humano ser incapaz de discriminar toda a extensão da resolução radiométrica disponível para um pixel (imagem quantizada em 8 bits = 256 níveis de brilho).
Por outro lado, a análise computacional permite examinar plenamente o aspecto multidimensional dos dados e sua resolução radiométrica.
A interpretação de dados de sensoriamente Remoto via computador é chamada análise quantitativa em função de sua habilidade em identificar pixels com base nas suas propriedades numéricas e devido a sua capacidade de calcular o número de pixels que determinam uma dada área homogénea na cena. Os sistemas disponíveis para a implementação de técnicas de análise quantitativa e os aplicativos utilizados pelos computadores comerciais, complementam os processos totalmente interactivos de processamento de imagens por computador. Em alguns casos, os processos de análise quantitativa são baseados em classificação de imagens.
CLASSIFICAÇÃO DE IMAGENS.
Classificações
São métodos pelos quais um pixel é alocado a uma determinada classe (legenda) com base nas suas características espectrais. Essa categorização (legenda) pode ser feita tanto a partir de uma mera segmentação espectral, quanto estabelecida a partir do treinamento inicial de um algoritmo de classificação.
Naturalmente, a imagem a ser analisada quantitativamente deve estar disponível na forma digital, e isso se constitui em uma vantagem na análise de alguns tipos de imagens, como aquelas obtidas pelos sensores multiespectrais de varredura (CBERS, ETM+, TM e MSS/Landsat; HRV/SPOT, IKONOS, etc.), cuja aquisição envolve um procedimento electrónico, que gera dados na forma essencialmente digital.
Já as fotografias aéreas obtidas a partir de câmaras convencionais requerem uma etapa prévia de digitalização para que a análise quantitativa seja desenvolvida.
A maneira mais eficiente de representar os dados multiespectrais, a fim de formular algoritmos para analisá-los quantitativamente é plotá-los em um espaço vectorial multiespectral com tantas dimensões quantos forem as bandas espectrais analisadas.
Nesse espaço de representação, cada pixel de uma imagem é pilotado como um ponto com coordenadas de localização definidas em função do valor de brilho associado ao pixel, em cada banda espectral. Na Figura 3 está representado o espaço bidimensional definido pelas bandas MSS-5 (intervalo espectral do vermelho – visível) e MSS-7 (infravermelho próximo) do sistema sensor MSS/Landsat.
Ilustração de um espaço multiespectral bidimensional (2 bandas espectrais) mostrando as características espectrais de tipos genéricos de cobertura da terra.
Definidas as bandas espectrais que fornecem uma melhor discriminação entre as categorias de interesse, espera-se que os pixels se agrupem no espaço multiespectral e que cada um dos grupos de pixels formados corresponda a um tipo diferente de cobertura da terra, e ainda mais, que o formato e tamanho desses agrupamentos, sejam dependentes da presença de ruídos sistemáticos, da variedade dos tipos de cobertura presentes e dos efeitos topográficos. Os agrupamentos ou agregamentos de pixels (clusters ou classes espectrais) são posteriormente associados a classes de informação, à medida que sejam associados a uma ocorrência real da superfície terrestre que um aplicativo computacional foi treinado para a reconhecer.
A classificação envolve a rotulação ou categorização dos pixels como pertencentes a classes espectrais (e posteriormente, de informação) distintas, usando os dados espectrais disponíveis. Essa ideia está representada na Figura 4.
Sensoriamente Remoto e Classificação
Devido à sua natureza explicitamente espacial e pelo fato de se manifestarem na forma de padrões, os elementos da paisagem podem ser investigados através de imagens que registrem essas condições e, além disso, podem ser analisados através de técnicas e ferramentas específicas.
Independente da escala, tipo de sensor utilizado ou nível da plataforma de aquisição de dados, o censoriamente remoto tem-se mostrado uma ferramenta importante para a análise das características e interacções da paisagem, no qual a colecta de dados ocorre sem perturbar o ambiente ao redor. Particularmente, conforme ressaltam Quattrochi & Pelletier (1990), as imagens de satélite, devido à sua característica multiespectral, apresentam uma perspectiva única para a observação e medição das características biofísicas. Além disso, face à visão qualitativa e sinóptica que oferecem da superfície terrestre, associada à possibilidade de colecta sistemática de dados de uma mesma área, a intervalos de tempo regulares, os dados orbitais de sensoriamento remoto tem se mostrado atractivos para a análise da paisagem.
Os sistemas de aquisição de dados de sensoriamento remoto, definidos como sistemas sensores, constituem-se de qualquer equipamento capaz de transformar a radiação electromagnética em um sinal passível de ser convertido em informações sobre o meio ambiente (NOVO, 1989). Dentre a grande variedade de equipamentos que apresentam essa capacidade, podem ser destacados os sensores imaginadores, os quais fornecem como produto, uma imagem da cena observada.
A aquisição de dados de sensoriamento remoto, com aplicação em recursos naturais, pode ser feita através de sensores instalados em plataformas orbitais. Estes sensores são representados, tradicionalmente, pelo MSS - Multispectral Scanner Subsystem (instalados a bordo dos primeiros satélites da série Landsat); o TM - Thematic Mapper (a bordo dos satélites Landsat 4 e 5); e os sensores HRV - Haute Resolution Visible, os quais constituem a carga útil do satélite francês SPOT. Em 1999 foi lançado com sucesso um novo satélite americano: o Landsat 7, cujo sensor ETM+ (Enhanced Thematic Mapper Plus) tem características técnicas que são um aprimoramento do TM.
Operando a bordo do satélite Landsat 5, o Thematic Mapper - TM constitui-se de um sensor imageador óptico multiespectral que colecta dados da superfície terrestre, simultaneamente, em sete bandas espectrais. Seis destas bandas operam na região reflectida do espectro óptico e apresentam uma resolução espacial de 30 metros no terreno. A outra banda espectral, designada como banda TM6, capta a radiação termal e tem uma resolução espacial de 120 metros. Na Tabela 2 são apresentadas as principais bandas espectrais do sensor TM, assim como os intervalos de comprimento de onda que as define e suas principais aplicações.
TABELA 2 - Principais aplicações das bandas espectrais do sensor TM/Landsat.
Bandas espectrais |
Intervalo espectral(mm) |
Principais aplicações |
TM1 |
0,45-0,52 |
- Mapeamento de águas costeiras - Diferenciação entre solo e vegetação - Diferenciação entre coníferas e folhosas |
TM2 |
0,52-0,60 |
- Reflectância da vegetação verde sadia |
TM3 |
0,63-0,69 |
- Absorção pela clorofila - Diferenciação entre espécies vegetais |
TM4 |
0,76-0,90 |
- Levantamento de biomassa vegetal - Delineamento de corpos d agua |
TM5 |
1,55-1,75 |
- Medidas de unidade da vegetação - Diferenciação entre nuvens e neve |
TM6 |
10,4-12,5 |
- Mapeamento de estresse térmico em plantas - Outros mapeamentos térmicos |
TM7 |
2,08-2,35 |
- Mapeamento hidrotermal |
Novo, E.M.L.M (1992).
Conforme sugere a leitura da Tabela 2, as bandas TM3, TM4 e TM5 favorecem as análises da vegetação. O posicionamento destas e das demais bandas nos seus respectivos intervalos espectrais específicos foi embaçado pelos estudos de comportamento espectral de alvos.
Em comparação com o TM, o sensor ETM+ mantém a designação e a resolução espacial das bandas do espectro reflectido (30 metros). As excepções ficam por conta da banda termal que, apesar de continuar sendo a de número 6, teve sua resolução espacial melhorada (60 metros), e da incorporação de uma banda pancromática (definida no intervalo espectral entre 0,52 e 0,90 mm), com resolução de 15 metros (SHEFFNER, 1999).
Qualquer objecto do mundo real ao ser representado, caracteriza-se por apresentar uma posição geográfica definida e atributos que descrevem um padrão em particular. Nesse contexto, antes de qualquer tentativa de analisar um padrão em termos de seus atributos, um conceito espacial fundamental deve ser considerado: sua localização. Demers (1997) esclarece que, localizar objectos no espaço implica em se dispor de um mecanismo estruturado para comunicar a localização de cada objecto observado, ou seja, deve-se considerar um sistema de referência em relação ao qual o objecto estará posicionado no espaço. Quando um conjunto de dados espaciais, mesmo sendo de diferentes tipos, têm sua localização na superfície terrestre estabelecida em função de um sistema de referenciamento específico, é possível analisá-los de forma integrada. Nestas situações, os dados são ditos georreferenciados.
A análise integrada dos dados georreferenciados em ambientes computacionais é realizada pelos Sistemas de Informações Geográficas ou sistemas de geoprocessamento, os quais, segundo Câmara (1993), se caracterizam pela sua faculdade de armazenar, recuperar e analisar mapas.
Via de regra, o uso de dados e técnicas de sensoriamento remoto em estudos da cobertura da terra, independente de produzir ou não uma representação cartográfica, pressupõem a definição de classes de uso e ocupação da terra. Essas classes representam unidades abstractas com as quais se procura mostrar, de forma generalizada, os tipos de cobertura da terra com características semelhantes, muito embora a generalização, implícita no processo de classificação, desconsidere muitas das variações que possam ocorrer dentro de cada classe.
Um dos aspectos básicos da aplicação do sensoriamento remoto aos mapeamentos temáticos é a definição de um sistema de classificação que seja adequado ao estudo que se pretende desenvolver. É importante estabelecer claramente as classes que constarão do mapeamento, e nesse processo deve ser levado em consideração o nível de retalhamento oferecido pelos dados disponíveis.
A classificação de imagens consiste em se estabelecer um processo de decisão no qual um grupo de pixels é definido como pertencente a uma determinada classe (Venturieri & Santos, 1998). Nesse sentido, os sistemas computacionais auxiliam o usuário na interpretação da imagem. Para Richards (1986), a classificação multiespectral consiste em rotular os pixels de uma cena a partir de suas características espectrais, sendo que essa categorização é implementada por um programa computacional habilitado para reconhecer os pixels espectralmente similares. Segundo Novo (1989), as técnicas de classificação digital implicam na implementação de um processo de decisão para que o computador possa atribuir certo conjunto de pontos (pixels) a uma determinada classe.
Para a análise de dados multiespectrais são definidos dois métodos de classificação, diferenciados em função da presença ou não de uma fase de treinamento onde o intérprete interage com o computador. Um deles, definido como classificação não-supervisionada, é um meio pelo qual os pixels de uma imagem são associados a classes espectrais, sem que haja um conhecimento prévio da existência ou nome destas classes. Nos métodos não-supervisionados, o algoritmo de classificação não utiliza a priori qualquer conhecimento sobre as classes existente na imagem e define, sem a interferência do intérprete, a estratificação da cena, atribuindo cada pixel a uma determinada classe espectral.
O outro método é a classificação supervisionada, o qual se constitui na ferramenta analítica essencial usada na extracção da informação quantitativa a partir de dados de sensoriamento remoto. O processo é dito supervisionado pois implica na interacção entre o intérprete humano e o sistema de análise, e no conhecimento prévio de algumas áreas que se deseja trabalhar, o que permite a selecção de amostras confiáveis que são usadas para o treinamento de um algoritmo de classificação. Nas abordagens supervisionadas, geralmente, o algoritmo classificador opera com base na probabilidade de ocorrência de cada classe seleccionada. Numa linguagem mais popular, o intérprete inicialmente treina o classificador, a partir de amostras das classes conhecidas, para depois associar os demais pixels da imagem a uma determinada classe (previamente definida), através do uso de regras estatísticas pré-estabelecidas (VENTURIERI & SANTOS, 1992).
Os métodos de classificação relacionados anteriormente são desenvolvidos com base no menor elemento de resolução da imagem, constituindo as abordagens de classificação pixel a pixel. No entanto, como tais métodos consideram, individualmente, cada unidade radiométrica na análise, pixels que apresentem um comportamento radiométrico inconsistente podem ser classificados incorrectamente (ou não ser classificados). De acordo com Venturieri & Santos (1998), uma alternativa para resolver esse problema é a utilização de uma técnica de segmentação da imagem, a fim de agrupar os pixels que apresentam características radiométricas similares em termos tonais e texturas, formando regiões homogéneas e, então, classificar as regiões formadas.
Nesse sentido, o processo de segmentação representa um passo no sentido de preparar as imagens para a futura classificação temática, onde os elementos analisados e utilizados na classificação são as regiões resultantes da aplicação do segmentador utilizado para a definição do espaço de atributos da classificação.
Gonzalez & Woods (1993) definem segmentação como a subdivisão de uma imagem em suas partes ou objectos constituintes. Venturieri & Santos (1998) acrescentam que essa subdivisão é feita com base em algumas propriedades intrínsecas da cena, tais como: níveis de cinza, contraste ou propriedades texturas e que o ato de segmentar uma imagem corresponde à formação de áreas (regiões) compostas por um certo número de pixels unidos segundo um critério de similaridade.
A segmentação prévia de uma imagem é uma etapa necessária em muitas das abordagens de classificação por regiões. A literatura especializada apresenta várias técnicas de segmentação de imagens, porém uma das mais utilizadas no contexto da análise multiespectral é o método baseado em crescimento de regiões, implementado no Spring.
Na segmentação por crescimento de regiões, o interesse do algoritmo são os pixels interiores das regiões homogéneas definidas por um determinado critério de similaridade, ou seja, de proximidade radiométrica. Neste sentido, o princípio básico é o agrupamento de pixels com características similares em regiões contínuas, formada pela junção adequada de pixels vizinhos (VENTURIERI & SANTOS, 1998).
A classificação das regiões, definidas a partir da segmentação prévia da imagem, pode ser realizada usando métodos supervisionados ou não supervisionados e utiliza os mesmos princípios do modelo classificatório pixel a pixel. Contudo, no caso da classificação supervisionada, a abordagem por regiões constitui um significativo aprimoramento em relação ao modelo tradicional, uma vez que se utiliza das regiões formadas na segmentação como amostras de treinamento.
Conclusão.
Após a realização do presente trabalho de cartografia intitulado classificação da imagem como meio de comunicação Conclui se que classificações são métodos pelos quais um pixel é alocado a uma determinada classe (legenda) com base nas suas características espectrais. Essa categorização (legenda) pode ser feita tanto a partir de uma mera segmentação espectral, quanto estabelecida a partir do treinamento inicial de um algoritmo de classificação.
Bibliografia.
BASTOS, Luísa e MATOS João, cartografia e Geodesia, Lidel-edicções técnicas Lda Lisboa Porto Coimbra
CÂMARA, g. (1993). Anatomia de sistema de informação geográfica. Visão actual e perspectivas de evolução. In: ASSAD: SANO, EPE, Ed Sistema de Informação geográfica: Aplicação na agricultura. CPAC
Novo, E.M.L.M (1992). Censoriamente remoto princípios e aplicação. São Paulo, 2 ed. Edgard bloucher.
. classificação da imagem e...
. Perspectivas do Pensament...
. DIDACTICA - METODOS DE EN...
. Teorias de opressão de gé...
. educacao bancaria e pedag...