ads:
UNIVERSIDADE ESTADUAL PAULISTA “JULIO DE MESQUITA FILHO”
FACULDADE DE CIÊNCIAS AGRONÔMICAS
CÂMPUS DE BOTUCATU
DESENVOLVIMENTO DE UM PROGRAMA COMPUTACIONAL PARA
CLASSIFICAÇÃO DO USO DA TERRA EM IMAGENS CBERS 2
RENATO LUIZ GAMBARATO
Dissertação apresentada à Faculdade de
Ciências Agronômicas da Unesp - Câmpus de
Botucatu, para obtenção do título de Mestre em
Agronomia: Energia na Agricultura.
BOTUCATU-SP
Dezembro - 2008
ads:
Livros Grátis
http://www.livrosgratis.com.br
Milhares de livros grátis para download.
UNIVERSIDADE ESTADUAL PAULISTA “JULIO DE MESQUITA FILHO”
FACULDADE DE CIÊNCIAS AGRONÔMICAS
CÂMPUS DE BOTUCATU
DESENVOLVIMENTO DE UM PROGRAMA COMPUTACIONAL PARA
CLASSIFICAÇÃO DO USO DA TERRA EM IMAGENS CBERS 2
RENATO LUIZ GAMBARATO
Orientadora: Profª Drª Célia Regina Lopes Zimback
Dissertação apresentada à Faculdade de
Ciências Agronômicas da Unesp - Câmpus de
Botucatu, para obtenção do título de Mestre em
Agronomia: Energia na Agricultura.
BOTUCATU-SP
Dezembro – 2008
ads:
IV
Aos meus pais, Luiz Mário e Suely,
meu avô Michel, minha amada
esposa Vivian, Vera, Ilton, vó Vivi,
Carol, Julinha e Neguim-Babi-
Hanna, pela vida maravilhosa que
tenho com vocês.
DEDICO
V
AGRADECIMENTOS
À Deus, pela minha vida, pela minha família e pela oportunidade de
escrever estas palavras.
À minha orientadora Profª Célia, pela acolhida, pela compreensão, pela
amizade e pelos conselhos valiosos.
Ao Professores Osmar e Ieoshua, pela amizade verdadeira e pela
disponibilidade para me ajudar e me aconselhar.
Ao Professor Zacarias, pela amizade, pelos conselhos, pelas críticas e
por acreditar no meu trabalho.
Aos amigos da FATEC/Botucatu, do SENAI e do Grupo GEPAG, pelos
bons momentos.
Aos Professores da FCA/UNESP pelo conhecimento passado.
Aos amigos da PG-Energia na Agricultura.
À todas as pessoas, as quais não tenho como contar, que direta e
indiretamente contribuíram para a conclusão deste trabalho.
Muito obrigado!
VI
"Se fiz descobertas valiosas, foi mais por
ter paciência do que qualquer outro
talento."
Isaac Newton
VII
SUMÁRIO
Páginas
LISTA DE TABELAS .............................................................................................................. IX
LISTA DE FIGURAS ................................................................................................................. X
RESUMO .................................................................................................................................... 1
SUMMARY ................................................................................................................................ 3
1 INTRODUÇÃO ....................................................................................................................... 5
2 REVISÃO BIBLIOGRÁFICA ................................................................................................ 7
2.1 Imagens Digitais ....................................................................................................................................... 7
2.1.1 Imagens Monocromáticas ...................................................................................................... 10
2.1.2 Imagens Coloridas.................................................................................................................... 10
2.1.3 Imagem de Satélite (multiespectrais) ................................................................................. 12
2.2 Imagens no Computador ...................................................................................................................... 12
2.2.1 Bitmap – BMP........................................................................................................................... 13
2.2.2 Imagem JPEG ou JPG ............................................................................................................. 14
2.2.3 Imagem TIFF ............................................................................................................................. 14
2.2.4 Imagem GeoTIFF ..................................................................................................................... 15
2.3 Processamento de Imagens Digitais – Segmentação de Imagens ............................................ 16
2.3.1 Limiarização - A Intensidade Como Separador .............................................................. 18
2.3.2 Métodos Baseados nos Contornos dos Objetos ............................................................... 19
2.3.3 Crescimento de Regiões ........................................................................................................... 20
2.4 A Cultura do Eucalipto ......................................................................................................................... 22
3 MATERIAL E MÉTODOS ................................................................................................... 25
3.1 Abrir e compor imagens GeoTIFF
.................................................................................................... 28
3.1.1 Abertura de imagens pancromáticas (tons de cinza) ...................................................... 28
3.1.2 Composição de imagens pelas bandas R – G – B – Infravermelho ........................... 29
3.2 Leitura e interpretação das GeoKeys ................................................................................................ 29
3.3 Recorte e gravação das imagens (BMP e TIFF) ........................................................................... 30
3.4 Método para os testes e coleta dos resultados ............................................................................... 31
VIII
3.4.1 O Satélite .................................................................................................................................... 31
3.4.2 As Bandas Espectrais .............................................................................................................. 31
3.4.3 Área para a verificação da verdade de campo .................................................................. 33
3.4.4 Média da reflectância das área de cultivo de eucalipto ................................................. 34
4 RESULTADOS E DISCUSSÕES ......................................................................................... 35
4.1 Resultados do desenvolvimento do sistema SmartClass
............................................................ 35
4.2 O processamento das imagens e discussões sobre os resultados obtidos .............................. 41
5 CONCLUSÕES ..................................................................................................................... 44
6 REFERÊNCIAS BIBLIOGRÁFICAS .................................................................................. 45
X
LISTA DE FIGURAS
Páginas
1 – Convenção das coordenadas espaciais de uma Imagem ....................................................... 8
2 – Uma Imagem Digital como uma matriz ............................................................................... 9
3 – Ilustração esquemática de uma Imagem Digita .................................................................... 9
4 – Uma imagem monocromática com dois níveis de intensidade de brilho............................ 10
5 – Combinação de cores primárias .......................................................................................... 11
6 – Uma imagem colorida e sua matriz de pixels ..................................................................... 11
7 – Imagens BMP – Resolução 100x100 .................................................................................. 13
8 – Imagens: (a) BMP – 3860 KB, (b) JPG – 177 KB ............................................................. 14
9 – Segmentação de imagem utilizando a técnica de crescimento de regiões .......................... 21
10 – Curvas de reflectância para água, asfalto, concreto, gramado e solo exposto .................. 23
11 – Esquema gráfico do sistema SmartClass .......................................................................... 26
12 – Janela principal do sistema SmartClass ............................................................................ 27
13 – Combinações das Bandas 2, 3 e 4 ..................................................................................... 31
14 – Combinações das Bandas 2, 3 e 4 ..................................................................................... 32
15 – Composição das Bandas 4, 2 e 1 ....................................................................................... 33
16 – Localização geográfica da área utilizada para validação da classificação das imagens ... 34
17 – Tela inicial do sistema SmartClass ................................................................................... 36
18 – Banda 1 (azul) aberta como uma imagem PAN ............................................................... 37
19 – Janela de escolha de bandas para composição .................................................................. 38
20 – Imagem composta e a barra de informações da imagem .................................................. 38
21 – Linhas de grade e mensagem de recorte ........................................................................... 39
22 – Janela de informações geogáficas da imagem (GeoKeys) ................................................ 40
23 – Processamento de uma imagem e detecção das áreas de cultivo de eucalipto ................. 41
24 – Imagem de teste antes do processamento. ........................................................................ 42
25 – Imagem de teste após o processamento. ........................................................................... 43
1
RESUMO
Entre as diversas áreas de estudo reunidas sob o denominador comum de processamento
digital de imagens, encontra-se a área conhecida como análise de imagens. Este campo de
estudos visa ao desenvolvimento de técnicas que permitam extrair informações das imagens,
possibilitando às pessoas e aos equipamentos maior poder de análise, resultando em maior
suporte às decisões. Neste processo, uma etapa importante é a de segmentação que se refere à
divisão da imagem em diversas partes elementares, permitindo a análise destas isoladamente.
Este é um processo complexo porque tenta traduzir para o computador um processo cognitivo
extremamente sofisticado realizado através da visão humana que realiza agrupamentos
baseados na proximidade, similaridade e continuidade das imagens captadas. Tais
agrupamentos são utilizados na classificação e análise semântica dos objetos percebidos.
Atualmente, o processamento de imagens de satélite é uma ferramenta importante e eficaz no
planejamento agrícola e no monitoramento ambiental. Fazendo uso de imagens de satélite e de
técnicas de processamento de imagens, o profissional pode analizar a área de interesse e
realizar um planejamento prévio sem a necessidade de uma visita ao local. As técnicas de
segmentação dividem a imagem em partes homogêneas, identificando, assim, as áreas de
cultivo, as áreas de mata, rios e lagos, facilitando o processo de identificação de áreas de
interesse do profissional. Diante deste contexto, o presente trabalho visou facilitar a detecção
de áreas de cultivo de eucalipto através do desenvolvimento do programa SmartClass, que
realiza a composição de imagens, a partir das bandas espectrais isoladas coletadas pelos
satélites imageadores, e o processamento para este fim, sendo que as etapas do processamento
2
são realizadas de forma automática. A detecção das áreas de cultivo de eucalipto foi realizada
com sucesso e o programa mostrou-se de fácil utilização.
________________________
Palavras-chave: Processamento de Imagens, Segmentação de Imagens, Imagens de Satélite.
3
DEVELOPMENT OF A COMPUTER PROGRAM FOR THE CLASSIFICATION OF
LAND USE IN CBERS 2 IMAGES.
Botucatu, 2008.
Dissertação (Mestrado em Agronomia/Energia na Agricultura) - Faculdade de Ciências
Agronômicas, Universidade Estadual Paulista.
Author: RENATO LUIZ GAMBARATO
Adviser: CÉLIA REGINA LOPES ZIMBACK
SUMMARY
Among the various fields of study grouped under the common
denominator of digital image processing, is the area known as analysis of images. This field of
study aims to develop techniques that allow extracting information from images, enabling the
people and equipment increased power of analysis, resulting in greater support for the
decisions. In the process, an important step is to target regard to the division of the image in
various parts elementary, allowing the analysis of isolation. This is a complex process because
the computer tries to translate to an extremely sophisticated cognitive process through the
vision that conducts human groupings based on proximity, similarity and continuity of images.
Such groupings are used in the classification and semantic analysis of the objects perceived.
Currently, the processing of satellite imagery is an important and effective tool in agricultural
4
planning and environmental monitoring. Making use of satellite imagery and techniques of
image processing, the operator can analyze the area of interest and conduct a preliminary
planning without the need for a site visit. The techniques of image segmentation divided into
parts homogeneous, identifying thus the areas under cultivation, the areas of forest, rivers and
lakes, facilitating the process of identifying areas of interest to the profession. In this context,
the present study to facilitate the detection of areas of cultivation of eucalyptus by developing
the SmartClass program, which makes the composition of images, from the individual spectral
bands collected by satellite images, and processing for this purpose, with the processing stages
are performed automatically. The detection of areas of cultivation of eucalyptus has been
successful and the program proved to be easy to use.
________________________
Keywords: Image Processing, Image Segmentation, Satellite Image.
5
1 INTRODUÇÃO
Fazer o reconhecimento de uma área, saber de seu potencial, onde será
realizado o trabalho é, além de essencial, o primeiro passo de profissionais de diversas áreas.
O médico inspeciona minunciosamente o paciente antes de diagnosticar. O engenheiro civil
verifica as condições da área a ser construída. O engenheiro agrônomo visita a área de
interesse para verificar as condições do solo, da água e a vegetação presente.
No campo agronômico, o conhecimento da vegetação presente em uma
área é um dado valioso para a tomada de decisão, visto que pela vegetação pode-se estimar
dados ambientais e levantar dados hidrográficos, entre outras análises, nem sempre uma visita
é possível, isto devido à distância, ou por ser um local de difícil acesso, ou mesmo pelo risco
de alguma endemia.
Com o avanço tecnológico, o reconhecimento das áreas de interesse
tornou-se mais fácil. As fotografias aéreas e imagens capturadas por satélites, as técnicas de
processamento de imagens, inteligência artificial (neurocomputação), extração de informações
de um grande conjunto de dados, entre outros instrumentos, facilitaram esse trabalho,
diminuindo o número de visitas ao local de estudo e, até mesmo, diminuindo os custos dos
trabalhos realizados.
6
Neste contexto, o processamento digital de imagens torna-se um valioso
instrumento aos profissionais que necessitam de um reconhecimento da área de interesse, um
maior detalhamento no processo de análise e até uma “segunda opinião” na tomada de
decisão, já que as técnicas de processamento inteligente mostram-se aptas a essa tarefa e com
uma precisão considerável.
O Brasil possui um vasto acervo de imagens de satélites. O Instituto
Nacional de Pesquisas Espaciais – INPE, conta com imagens do território brasileiro, e de
outros países sulamericanos, datados de 1973 até os dias atuais, e todo esse acervo está
disponível gratuitamente. Mas, essas imagens estão disponíveis em um formato de arquivo, ou
tipo de arquivo, que poucos programas conseguem trabalhar diretamente. Normalmente, há a
necessidade da conversão para outro formato, que o programa consiga trabalhar. Um trabalho
extra para os usuários dos programas e das imagens.
Assim, um estudo e desenvolvimento de um sistema computacional de
processamento de imagens de satélite para a detecção da vegetação de uma área de interesse,
com a utilização das imagens de satélite no formato que estão disponíveis, demonstra ser de
grande relevância.
Tendo em vista o processamento de imagens de satélite, os objetivos
específicos buscados neste trabalho foram:
- desenvolver um sistema computacional que visualise imagens de satélite, ou que as
componha a partir das bandas isoladas, além de trabalhar com as imagens diretamente
no seu formato nativo;
- segmentar a imagem do satélite visando as áreas de cultivo de eucalipto;
- classificar as áreas de cultivo de eucalipto.
7
2 REVISÃO BIBLIOGRÁFICA
2.1 Imagens Digitais
O olho humano forma uma imagem pela percepção da luz refletida por
diversos pontos dos objetos. As informações são enviadas ao cérebro por meio de sinais
elétricos transmitidos pelo sistema nervoso. Esses sinais são recebidos e interpretados,
formando a imagem (GONZALES, 2002).
Equipamentos eletrônicos, incluindo o computador, trabalham com
sinais digitais, que são informações codificadas no sistema binário de numeração (0 e 1) e
transmitidas por pulsos elétricos, sendo que a existência do pulso indica o valor 1, e sua
ausência indica o valor 0. Cada valor binário, 0 ou 1, em um sinal digital, é chamado de bit
(B
inary Digit – Dígito Binário), que agrupados em conjuntos de 2
n
elementos, representam
alguma informação digital.
Segundo Gonzales (2002), uma imagem é uma função bidimensional da
intensidade luninosa – ƒ(x,y), e o valor de ƒ em uma coordenada espacial (x,y) define a
intensidade (brilho) da imagem naquele ponto. Convencionou-se que a origem das
coordenadas espaciais (x,y) de uma imagem localiza-se no canto superior esquerdo e possui o
8
valor (0,0). Assim, os valores de x e y aumentam da esquerda para a direita e de cima para
baixo, respectivamente como mostrado na Figura 1.
Figura 1 – Convenção das coordenadas espaciais de uma imagem
Uma imagem digital é uma imagem ƒ(x,y), com suas coordenadas
espaciais e os respectivos valores da intensidade do brilho para cada ponto, que são
codificados e armazenados como informações digitais. Cada ponto é codificado por um
número de bits, ou seja, uma certa seqüência de zeros e uns – 00101011, de acordo com as
regras internas do equipamento eletrônico que faz uso dessa imagem (GONZALES, 2002).
Uma imagem digital pode ser considerada uma matriz. Os índices de
linhas e colunas representam as coordenadas dos pontos da imagem, e o valor armazenado em
cada elemento da matriz indica o nível de cinza (brilho) daquele ponto (P), como mostrado na
Figura 2.
9
Figura 2 – Uma Imagem Digital como uma matriz.
Segundo Almeida (1998), os elementos da matriz de uma imagem
digital são chamados de pixels, abreviação de Pi
cture Elements. Cada pixel contém suas
coordenadas espaciais (x,y) e o nível de cinza (ƒ) representado por ele. Uma imagem com 256
niveis de cinza tem os valores representados por números que variam de 0 a 255, sendo que os
números mais baixos representam intensidades menores de brilho, ou cores mais escuras, e os
números mais altos representam intensidades maiores de brilho, ou cores mais claras, como
mostrado na Figura 3.
Figura 3 – Ilustração esquemática de uma Imagem Digital.
10
2.1.1 Imagens Monocromáticas
As imagems monocromáticas são as imagens cujas matrizes de pixels
contêm valores de intensidade de brilho de apenas uma cor (GONZALES, 2002).
Alguns monitores de vídeo usados em computadores mais antigos
mostravam apenas a cor verde, e outros mostravam tons de cinza. As matrizes das imagens
exibidas nesses equipamentos continham valores da intensidade de brilho da cor verde, no
primeiro caso, e cinza no segundo caso. Supondo que há apenas dois níveis de intensidade de
brilho de uma imagem monocromática em tons de cinza, o valor 0 representará a menor
intensidade, neste caso a cor preta, e o valor 1 representará a maior intensidade, a cor branca.
A Figura 4 mostra uma imagem monocromática com dois níveis de intensidade de brilho e a
matriz de pixels que representa esta imagem (SANGWINE, 1998).
1 1 1 1 1 1 1 0 0 0 0 0 0 0 1
1 1 1 1 1 0 0 1 1 1 1 1 1 1 0
1 1 1 1 0 0 1 0 0 0 0 0 0 0 1
1 1 1 1 0 1 0 0 0 0 1 1 0 0 0
1 1 1 0 1 0 0 0 0 1 0 0 1 0 0
1 1 1 0 1 0 0 0 0 0 1 1 0 0 1
1 1 1 1 0 0 1 0 0 0 0 0 0 1 1
0 1 0 1 0 0 0 0 0 0 0 0 1 1 1
0 1 0 1 0 0 0 0 1 0 0 0 0 1 1
1 0 0 1 0 0 0 1 0 0 0 0 0 0 1
1 0 0 0 0 0 0 0 1 0 0 1 0 0 1
1 1 0 0 0 0 0 0 0 0 1 0 1 0 1
1 1 1 0 0 0 1 0 0 0 0 1 0 0 1
1 1 1 1 0 0 0 1 0 0 0 0 0 1 1
1 1 1 1 1 0 0 0 1 1 1 1 1 1 1
Figura 4 – Uma imagem monocromática com dois níveis de intensidade de brilho.
2.1.2 Imagens Coloridas
Uma cor (C) em uma imagem é a combinação das três cores primárias:
Vermelho (Red – R), Verde (Green – G) e Azul (Blue – B); e é expressa algebricamente por
C[C] ≡ R[R] + G[G] + B[B] (SANGWINE, 1998).
11
A Figura 5 apresenta a combinação de cores primárias, resultando em
outras cores.
Figura 5 – Combinação de cores primárias.
Fonte: <http://omnis.if.ufrj.br/~coelho/DI/Image25.gif>
Uma imagem colorida é a imagem cuja matriz de pixels contém os
valores de C, ou a combinação dos valores de R+G+B, ou ainda, os valores das intensidades
de brilho de R, G e B. A Figura 6 mostra uma imagem colorida e sua respectiva matriz de
pixels, sendo que os valores de R, G e B podem assumir os valores 0 ou 1 – com a cor ou sem
ela, respectivamente (GONZALES, 2002).
Figura 6 – Uma imagem colorida e sua matriz de pixels.
12
2.1.3 Imagem de Satélite (multiespectrais)
Uma grande área de estudo que utiliza imagens é o Sensoriamento
Remoto, que usualmente utiliza imagens obtidas por sensores instalados em satélites orbitais.
Essas imagens diferem-se das outras por serem multiespectrais, ou seja, são formadas por
várias outras imagens, dependendo dos sensores que as capturam (GONZALES, 2002).
Em 1988, o Brasil, com o Instituto Nacional de Pesquisas Espaciais –
INPE, e a China, com a Chinese Academy of Space Technology – CAST, assinaram um acordo
de parceria para o desenvolvimento de satélites de sensoriamento remoto, denominado
CBERS (China-Brasil Earth Resources Satellite). Atualmente, os satélites CBERS 2 e o
CBERS 2B estão em funionamento, adquirindo as imagens multiespectrais para os estudos dos
países envolvidos no programa (INPE, 2008).
Uma Imagem adquirida pelo instrumento CCD (Charge-Coupled Device
– Dispositivo de Carga Acoplado) do satélite CBERS 2B possui 5 bandas multiespectrais, ou
camadas, como mostra a Tabela 1 (INPE, 2008a).
Tabela 1 – Bandas Multiespectrais de uma Imagem CBERS 2B.
Banda nº Nome Comprimento de
Onda (µm)
Resolução
Espacial(m)/Temporal(dias)
1 Azul 0,45 - 0,52 20x20 / 26
2 Verde 0,52 - 0,59 20x20 / 26
3 Vermelho 0,63 - 0,69 20x20 / 26
4 Infravermelho próximo 0,77 - 0,89 20x20 / 26
5 Pan - Pancromática 0,51 - 0,73 20x20 / 26
2.2 Imagens no Computador
Todo arquivo, independente do tipo, é armazenado no computador na
forma binária, ou seja, as informações são codificadas em grupos de números binários, que
poder ser 0 ou 1.
13
Um arquivo de imagem não é diferente. Uma foto, uma figura, ou
mesmo uma imagem de satélite seguem o mesmo princípio. Apesar disso, existem tipos
diferentes de arquivos de imagens, cada um com suas particularidades e finalidades.
2.2.1 Imagem Bitmap – BMP
Uma imagem Bitmap, com extensão .bmp, é um arquivo que contém
uma matriz de informações. Cada elemento dessa matriz, corresponde a um pixel da imagem,
com suas coordenadas de posicionamento e as informações sobre a cor deste pixel.
Um arquivo BMP pode ser codificado de acordo com o número de bits
que definiram um pixel. Este número de bits pode variar de 1 bit, para imagens em preto e
branco, a 24 bits, que podem definir mais de 16 milhões de tonalidades de cores diferentes.
Quanto maior o número de bits, maior será a qualidade (definição) da imagem e vice-versa.
O tamanho do arquivo armazenado no computador será definido por
dois fatores:
- a resolução da imagem, que é definida pelo tamanho da matriz de pixels; e
- a definição da imagem, que é definida pelo número de bits de cores da imagem.
A Figura 7 mostra uma imagem BMP de resolução 100x100 e
definições iguais a 1 bit e 24 bits, respectivamente.
(a)
(b)
Figura 7 – Imagens BMP – Resolução 100x100 – Definição: (a) 1 bit ,(b) 24 bits.
14
2.2.2 Imagem JPEG ou JPG
Uma imagem JPG ou JPEG (Joint Picture Expert Group), suporta definição de
24 bits, mas com uma vantage em relação às imagens BMP – menor tamanho para
armazenamento.
O formato JPEG utiliza um algoritmo de compactação baseado na capacidade
do olho humano de distingüir cores. Esse algoritmo retira da imagem as tonalidades não
reconhecidas pelo olho humano, fazendo assim, com que o arquivo diminua de tamanho. Além
disso, há uma compactação no arquivo, diminuindo mais o tamanho para armazenamento
(ALECRIM, 2004).
Comparando uma imagem JPEG com uma BMP, a imagem JPEG
representa menos que 10% do tamanho da imagem BMP, sem reduzir muito a qualidade.
A Figura 8 mostra uma imagem BMP e uma imagem JPEG, com seus
respectivos tamanhos, medidos em KB (Kilobyte
1
).
(a)
(b)
Figura 8 – Imagens: (a) BMP – 3860 KB, (b) JPG – 177 KB.
2.2.3 Imagem TIFF
O padrão TIFF (Tagged Image File Format) foi publicado em meados
de 1986, e foi amplamente utilizado em Scanners
2
e programas para edição de fotografias.
1
KB é a abreviação de KiloByte, onde: 1KB = 1024 Bytes 1 Byte = 8 bits 1 KB = 8.192 bits.
2
Scanner: equipamento que digitaliza uma imagem em uma matriz de pixels.
15
Depois de várias revisões, o padrão TIFF chegou à versão 6.0 em 1992, a qual é utilizada até
os dias atuais (ADOBE, 1992).
Uma imagem TIFF é muito similar a uma imagem BMP, pois também
possui uma matriz de pixels, com as informações das cores e suas coordenadas de
posicionamento. Apesar da semelhança, uma imagem TIFF é muito mais complexa e completa
que uma imagem BMP.
Além da matriz de pixels, uma imagem TIFF possui as tags, que são
blocos de informações inseridas no cabeçalho do arquivo armazenado, ou seja, nos primeiros
bits do arquivo estão as tags.
As tags podem conter:
• informações do autor do arquivo, seja ele uma pessoa, programa ou equipamento;
• informações operacionais, como datas, horário, etc;
• informações sobre o armazenamento da matriz de pixels no computador, etc.
Um arquivo TIFF poder conter mais de uma imagem. Inserindo tags
informando o local de armazenamento, cria-se um vínculo entre as imagens. Este tipo de
arquivo é chamado de TIFF MULTILAYER (TIFF com várias camadas, onde cada camada
contém uma imagem), e é muito utilizada em equipamentos médicos, como tomógrafos,
mamógrafos, entre outros.
Em resumo, uma imagem TIFF não contém apenas pixels com suas
respectivas cores e coordenadas, contém, também, informações específicas para cada
aplicação da imagem.
2.2.4 Imagem GeoTIFF
Uma imagem GeoTIFF, como o próprio nome sugere, é uma imagem
TIFF que recebeu novas tags, chamadas de chaves ou GeoKeys, contendo informações
geográficas da imagem, como coordenadas geográficas, geocêntricas, projeções, etc (RITTER
e RUTH, 1995).
16
Como mencionado na seção 2.1.3, o satélite CBERS faz o imageamento
do Brasil. Utilizando o instrumento CCD, as imagens geradas são divididas em 5 bandas
espectrais, e todas elas são armazenadas no formato GeoTIFF.
Cada banda de uma imagem CBERS (2 ou 2b) contém a coordenada
geográfia de cada canto da imagem e pelo menos 3 chaves com informações sobre o tipo de
coordenada geográfia (Latitude/Longitude, UTM, etc) e a projeção geográfica (SAD69,
WGS84, etc).
Ritter e Ruth (1995) especificaram um padrão para o conteúdo das
chaves (GeoKeys) na especificação do GeoTIFF. Foram atribuídos valores numéricos para
representar as informações geográficas, agrupados por tipo de informação e colocados em
tabelas. A Tabela 2 mostra um exemplo de chave (GeoKey) com as informações geográficas e
seus respectivos valores.
Tabela 2 – Um exemplo de GeoKey.
Projected Coordinate System
PCS Key
PCS_SAD69_UTM_zone_22S 29182
PCS_WGS84_UTM_zone_22S 32722
2.3 Processamento de Imagens Digitais – Segmentação de Imagens
Equipamentos eletrônicos, incluindo o computador, trabalham com
Sinais Digitais, que são informações codificadas no sistema binário de numeração (0 e 1) e
transmitidas por pulsos elétricos, sendo que a existência do pulso indica o valor 1, e sua
ausência indica o valor 0.
O Processamento de Imagens Digitais, segundo Sangwine e Horne
(1998), refere-se à manipulação de imagens digitais em um computador, e faz parte de uma
área mais abrangente chamada Processamento de Sinais Digitais.
17
Segundo Beucher e Meyer (1982), a segmentação é um processo
complexo porque tenta traduzir para o computador um processo cognitivo extremamente
sofisticado realizado através da visão humana. Segmentação de imagens não é o primeiro passo
no entendimento da imagem estudada, mas uma conseqüência.
O princípio da segmentação foi introduzido no início do século XX por
alguns psicólogos alemães (Khler, Wertheimer e Kofftka) (MARQUES e VIEIRA, 1992). Eles
mostraram que o sistema de visão humana realiza agrupamentos baseados na proximidade,
similaridade e continuidade das imagens captadas. Tais agrupamentos são utilizados na
classificação e análise semântica dos objetos percebidos. Esta idéia foi estendida para o contexto
computacional e deu origem aos primeiros algoritmos de segmentação de imagens.
Os algoritmos de segmentação para imagens são geralmente baseados em
uma das seguintes propriedades básicas de valores de níveis de cinza: descontinuidade e
similaridade. Na primeira categoria, a abordagem é particionar a imagem baseada em mudanças
bruscas nos níveis de cinza. As principais abordagens da segunda categoria baseiam-se em
limiarização, crescimento, divisão e fusão de regiões.
Na segmentação procura-se distinguir as partículas umas das outras e do
fundo. Esta distinção permitirá ao programa computacional interpretar pixels contíguos e agrupá-
los em regiões. Esta etapa é a mais difícil do processo e também a mais delicada porque todas as
medidas são realizadas sobre as regiões identificadas.
Adquirida a imagem e definida a forma com que será apresentada e
armazenada, é realizado o processamento propriamente dito, executando toda a gama de
operações e algoritmos possíveis de acordo com a necessidade.
Na maioria das aplicações, depois de adquirida e armazenada a imagem
original, são utilizadas técnicas de segmentação de imagem (separação da imagem em regiões
que tenham algum significado) e depois técnicas de análise (identificação e classificação destas
regiões). Finalmente, são apresentados os resultados obtidos por esses processos.
Serão apresentadas algumas técnicas de segmentação de imagens
implementadas computacionalmente e que, segundo a literatura, apresentam bons resultados
dependendo do problema a ser resolvido:
18
2.3.1 Limiarização - A Intensidade Como Separador
A imagem de um objeto pode ser entendida como uma região formada por
pixels contíguos que tenham em comum uma faixa de intensidades (PACIORNIK, 2001). O
processo se baseia na análise do histograma da imagem, que é um gráfico que mostra o número
de pontos de uma imagem que tem o mesmo tom de cinza. Na abscissa tem-se os níveis de cinza,
enquanto na ordenada tem-se a quantidade de pontos. Uma imagem digital não colorida consiste
de vários tons de cinza (ou no mínimo 2 tons, se for preto e branco).
Uma imagem digital pode ser representada por uma matriz. Cada ponto da
matriz representa um ponto da imagem e contém o valor do tom de cinza desse ponto, ou seja, a
intensidade luminosa do ponto.
A técnica de limiarização não funciona bem em imagens com iluminação
não uniforme e com baixo contraste entre as diversas regiões.
Existem processos manuais e automáticos. Métodos automáticos baseiam-
se na análise de propriedades do histograma e utilizam os mínimos do histograma que
correspondem às tonalidades intermediárias entre duas bandas. Em geral, o operador escolhe a
tonalidade próxima à banda de interesse, e o programa busca os mínimos mais próximos, em
ambos os lados da banda. Basicamente todos os pixels que estão dentro de uma faixa de
intensidade são classificados como pertencentes a uma mesma região. Em sua forma mais geral, a
limiarização pode ser descrita matematicamente como (MARQUES e VIEIRA, 1992):
(
)
kjiS
=
,
se
(
)
kk
TjifT
<
≤
−
,
1
para
mk ,,2,1 K
=
(1)
onde:
-
(
)
jiS ,
é a função resultante
-
(
)
jif ,
é a função original (imagem)
-
m
TT ,,
0
K
são os valores de limiarização (thresholding)
-
m
é o número de classes distintas a serem aplicadas à imagem.
19
Se
1
=
m
, o método de limiarização é denominado limiarização binária.
Se, por outro lado,
1
>
m
, o método é descrito como limiarização multi-modal. Existem dois
problemas: os vales podem ser muito largos e planos, tornando a escolha de um valor mínimo
arbitrária e os vales podem assumir valores muito baixos, ficando muito sensíveis a ruído.
Uma das técnicas limiarização é a adaptativa, que subdivide a imagem,
aplica uma limiarização a cada subdivisão, obtendo assim vários tons de corte. Em seguida,
interpola os tons de corte obtidos para as subdivisões para obter um tom de corte para cada da
imagem. As vantagens da técnica são a menor sensibilidade à irregularidade de fundo e as
variações locais. A lentidão do processo vem a ser a sua principal desvantagem.
2.3.2 Métodos Baseados nos Contornos dos Objetos
Os métodos de segmentação baseados na detecção de bordas envolvem
basicamente a localização de regiões da imagem onde a variação dos tons de cinza ocorre de
maneira relativamente abrupta. As descontinuidades, como são chamadas, podem ocorrer na
forma de pontos isolados, linhas, segmentos ou curvas e, a partir delas, são formados os
contornos, ou bordas, dos objetos contidos na imagem (MARQUES e VIEIRA, 1992).
De fato, a existência de tais descontinuidades é característica de um
conjunto limitado de imagens. Em muitas delas, a transição de uma região para outra ocorre de
maneira tão sutil que tornam a aplicação dos métodos de detecção de borda uma opção inviável.
Após a detecção das descontinuidades segue-se, geralmente, a aplicação
de algum método capaz de conectar tais fragmentos e gerar contornos que estejam associados
com os contornos reais dos objetos.
Um objeto pode ser entendido como uma região dentro de um contorno.
Para distingui-lo, detecta-se as bordas e tenta-se construir um contorno a partir delas.
Este modelo é muito mais custoso computacionalmente, mas simula o
comportamento do olho humano, e é muito flexível e genérico.
A extração de bordas é realizada por um algoritmo de detecção de bordas
que considera os gradientes de nível de cinza da imagem original, para gerar uma imagem
gradiente ou imagem de intensidade de borda.
20
O algoritmo calcula um limiar para a perseguição de bordas. Quando ele
encontra um pixel com valor superior ao limiar estabelecido, tem-se início o processo de
perseguição da borda. Observa-se a vizinhança para identificar o próximo pixel de maior valor de
nível digital e segue-se nesta direção até que se encontre outra borda ou a fronteira da imagem.
Deste processo gera-se uma imagem binária com os valores de 1 referentes às bordas e 0, a
regiões de não-bordas.
A imagem binária será rotulada de modo que as porções da imagem com
valores 0 constituirão regiões limitadas pelos valores 1 da imagem, constituindo a imagem
rotulada.
2.3.3 Crescimento de Regiões
Define-se região como um conjunto conexo de pontos com uma
propriedade em comum. A imagem é a soma de todas as regiões. Este conjunto de pixels
contíguo se espalha bidirecionalmente e apresenta uniformidade. É uma técnica de agrupamento
de dados, na qual somente as regiões adjacentes, espacialmente, podem ser agrupadas. A partir de
um conjunto inicial de pontos (sementes), agrega-se a cada um deles novos pixels vizinhos que
contenham propriedades similares, tais como cor, textura ou nível de cinza (GONZALES, 2002).
Inicialmente, este processo de segmentação rotula cada pixel como uma
região distinta. Calcula-se um critério de similaridade para cada par de regiões adjacentes
espacialmente. O critério de similaridade baseia-se em um teste de hipótese estatístico que testa a
média entre as regiões. A seguir, divide-se a imagem em um conjunto de sub-imagens e então se
realiza a união entre elas, segundo um limiar de agregação definido (SANGWINE e HORNE,
1998).
Para a união de duas regiões A e B vizinhas, deve-se adotar o seguinte
critério:
⇒ A e B são similares (teste das médias);
⇒ A similaridade satisfaz o limiar estabelecido;
21
⇒ A e B são mutuamente próximas (dentre os vizinhos de A, B é a mais próxima, e
dentre os vizinhos de B, A é a mais próxima).
Caso as regiões A e B satisfaçam estes critérios, estas regiões são
agregadas, caso contrário o sistema reinicia o processo de teste de agregação. Um exemplo da
técnica é mostrado na Figura 9.
Figura 9 – Segmentação de imagem utilizando a técnica de crescimento de regiões: (a)
Imagem original mostrando um ponto semente; (b) estágio primário de
crescimento de região; (c) estágio intermediário de crescimento de região; (d)
região final (Fonte: Gonzalez, 2002).
Para o processamento das imagens de satélite, uma mescla das técnicas
de segmentação é indicada, utilizando o melhor potencial de cada técnica em partes
específicas do processo.
Na área agrícola, muitos trabalhos foram elaborados para a distinção de
uso e ocupação do solo e, entre eles, especificamente, para culturas perenes, como é o caso de
áreas reflorestadas.
22
2.4 A Cultura do Eucalipto
O eucalipto é o insumo fundamental na produção de celulose e papel,
carvão vegetal, painéis de madeira (MDF, HDF e MDP) e móveis. Apesar da imensa
importância no cenário nacional, o plantio deste gênero ainda continua sendo alvo de críticas,
na maioria das vezes fruto de uma visão fragmentada do assunto (citado em QUEIROZ e
BARRICHELO, 2007).
Acusado injustamente de desgastar a terra, de consumir água em
excesso, de gerar desertos verdes, o eucalipto na realidade é um aliado na preservação das
matas nativas. Os 30 milhões de metros cúbicos de madeira de eucalipto que o Brasil utiliza a
cada ano, teriam que ser conseguidos na Mata Atlântica, Floresta Amazônica, Cerrado ou
então com madeira importada, não fossem as florestas cultivadas. No Brasil, a silvicultura é
considerada necessária desde 1821, quando o então deputado paulista José Bonifácio de
Andrada e Silva convenceu D. Pedro I a assinar a lei de proteção às árvores madeireiras de
maior qualidade. Segundo os registros oficiais, o cultivo de eucalipto iniciou-se em 1868 no
Rio Grande do Sul com um agricultor chamado Frederico de Albuquerque (QUEIROZ e
BARRICHELO, 2007).
Atualmente, o Brasil possui quase 580 milhões de hectares de florestas,
onde 530 milhões de ha estão em florestas nativas, 45,5 milhões de ha estão em Unidades de
Conservação Federal e 4,8 milhões de ha estão em Florestas plantadas com pinus, eucalipto e
acácia-negra (EMBRAPA, 2003).
O segmento de produção florestal agrega cerca de 4,6 milhões de
empregos diretos e indiretos, gerando uma receita de R$ 49,8 bilhões em 2007. Isso demonstra
a importância do setor para a geração de empregos/renda, além dos tributos arrecadados que
em 2007 chegaram a R$ 8,45 bilhões (GAZETA, 2008).
Das várias espécies de eucalipto, algumas se destacam nas atividades de
cultivo, produção e manufatura industrial.
Segundo a Embrapa (2003), as espécies mais indicadas para o cultivo e
consequente manufatura são:
23
• Eucalyptus grandis: Possui o maior crescimento e rendimento volumétrico das
espécies, e pode aumentar a qualidade da madeira com o aumento do ciclo.
• Eucalyptus saligna: Possui uma madeira mais densa, quando comparada ao Eucalyptus
grandis, mas é bem menos suscetível à deficiencia de Boro.
• Eucalyptus urophylla: Possui um crescimento menor que o Eucalyptus grandis, mas
apresenta uma boa regeneração por brotação das cepas.
Há uma espécie híbrida que deriva do Eucalyptus grandis e do
Eucalyptus urophylla, comumente chamado de “urograndis”, que segundo Queiroz e
Barrichello (2007) é a espécie mais cultivada no Brasil.
Segundo Antunes (2003), a reflectância é a razão entre o fluxo de
energia solar refletido pela vegetação e o fluxo de energia incidente na mesma. Essa relação é
muito importante na análise de imagens de satélite, pois é a reflectância que está registrada na
imagem. Cada tipo de objeto (vegetação, solo, concreto, água, etc) responde melhor a
determinados comprimentos de onda, sendo mais fácil a análise quando combina-se as bandas
espectrais de uma imagem de satélite de acordo com o objeto de estudo. A Figura 10 mostra a
resposta de alguns objetos para determinados comprimentos de onda.
Figura 10 – Curvas de reflectância para água, asfalto, concreto, gramado e solo exposto
(ANTUNES, 2003).
24
Os comprimentos de onda do infravermelho próximo (NIR), que vão de
0,7 a 1,3 µm, apresentam a melhor resposta da vegetação. Sendo assim, o eucalipto também
será melhor analisado na banda infravermelha, que é a banda 4 no caso das imagens do satélite
CBERS 2B.
25
3 MATERIAL E MÉTODOS
Com base na literatura revisada, foi desenvolvido um sistema
computacional denominado de SmartClass, que possibilita ao usuário:
- gerar uma imagem pela composição de 3 bandas de uma imagem CBERS;
- abrir uma imagem pancromática (tons de cinza);
- gravar as imagens geradas em BMP ou TIFF;
- recortar uma parte de uma imagem (pancromática ou composta) e gravá-la em BMP ou
TIFF;
- verificar as informações geográficas contidas nas imagens;
- segmentar a imagem, definindo assim as áreas de cultivo, mata nativa, rios e lagos;
- verificar a presença, ou não, de áreas de cultivo de eucalipto.
A Figura 11 mostra um esquema gráfico do sistema SmartClass e suas
funcionalidades.
26
Figura 11 – Esquema gráfico do sistema SmartClass.
No desenvolvimento do sistema SmartClass, foram utilizadas as
seguintes ferramentas:
• Computador:
o HP/COMPAQ Presario C700
o Processador Intel Core 2 Duo T5750 2,00 GHz
o 2 GB Memória RAM DDR2 667MHz
o HD SATA 120GB 5400 rpm
• Sistema Operacional
o Windows Vista Home Basic SP1
• Ferramenta de Desenvolvimento
o Borland Delphi 7
• Imagens do satélite CBERS 2B obtidas pelo instrumento CCD
27
O programa foi desenvolvido tendo em vista um ambiente de fácil
utilização, dispondo os ítens visuais de forma que o usuário sinta-se à vontade, tendo opções
intuitivas para o uso. Também foram acrescentados dispositivos e regras internas que
disciplinam a utilização, impedindo ações indevidas e guiando o usuário nos processos
necessários ao resultado final.
Para um ambiente intuitivo e de fácil utilização, o ambiente de uso do
sistema é composto de uma janela principal, que é o início de todo o processo, e as demais
janelas, de imagens e ferramentas, são inseridas na janela principal, criando assim um
ambiente único de trabalho. Isso evita o desvio de atenção pela mudança de ambiente (várias
janelas em um mesmo programa).
A janela principal, mostrada na Figura 12, desenvolvida no método
MDI, que consiste em uma janela que será a MDIForm e as demais estarão incluídas e
delimitadas nesta janela. A janelas MDIChild não podem ser utilizadas ou manipuladas fora da
janela principal, dando ao usuário um ambiente único de trabalho.
Figura 12 – Janela principal do sistema SmartClass
28
A janela principal é composta somente pela opção de abrir uma imagem
PAN ou compor uma imagem a partir de 3 bandas espectrais. Isso evidencia que nada será
feito sem uma imagem. Assim que o usuário abre ou compõe uma imagem, as ferramentas
para o manuseio e processamento da mesma, aparece na janela principal.
3.1 Abrir e compor imagens GeoTIFF
As imagens GeoTIFF não podem simplesmente serem abertas e exibidas
na tela, por vários motivos, entre eles estão as GeoKeys e o tamanho físico das imagens. Elas
devem ser lidas do arquivo e escritas na memória RAM por partes, para depois serem
exibidas.
Para a leitura do arquivo são criados estruturas que auxiliarão no
processo de localização das informações e na transferência do conteúdo lido para a memória
RAM, são ponteiros – variáveis que armazenam o endereço físico do arquivo ou parte dele – e
memórias auxiliares temporárias chamadas buffers.
Nos processos de abertura e composição de uma imagem GeoTIFF, as
tags TIFF e as GeoKeys são lidas, interpretadas e utilizadas nos sub-processos. Por isso, se a
imagem inserida no sistema SmartClass não for uma imagem GeoTIFF, o programa a rejeita e
mostra uma mensagem avisando o usuário, porque nas etapas do processamento da imagem
existem tarefas relacionadas às tags TIFF e as GeoKeys que não podem ser ignoradas.
No desenvolvimento do sistema SmartClass foram utilizados alguns
componentes presentes no ambiente de desenvolvimento Delphi 7. Como já mencionado, o
formulário (janela) que conterá a imagem GeoTIFF foi definido no estilo MDI, mais
precisamente, a propriedade FormStyle do formulário recebeu o valor MDIChild. Para receber
a imagem GeoTIFF foi colocado um componente TImage no formulário.
3.1.1 Abertura de imagens pancromáticas (tons de cinza)
Como visto anteriormente, há a necessidade de se utilizar uma Imagem
GeoTIFF. Para a abertura da imagem segue-se os seguintes passos:
29
1 - Cria-se um buffer para a imagem temporária;
2 - Carrega-se a referência do arquivo físico através de um ponteiro;
3 - Lê-se as tags e as GeoKeys;
4 - Lê-se cada linha e escreve-se pixel por pixel no componente TImage;
5 - Esvazia-se o buffer e libera a memória.
3.1.2 Composição de imagens pelas bandas R – G – B – Infravermelho
Neste processo também há a necessidade de uma imagem GeoTIFF.
Para a composição das bandas são necessários os seguintes passos:
1 - Cria-se 3 buffers, uma para cada banda da imagem temporária;
2 - Carrega-se as referências dos arquivos físicos através de ponteiros;
3 - Lê-se as tags e as GeoKeys;
4 - Lê-se cada linha de cada banda e escreve-se as bandas nas propriedades RGB dos
pixels, que, um a um, são escritos na imagem resultante, e inserida no componente
TImage;
5 - Esvazia-se os buffers e libera a memória.
3.2 Leitura e interpretação das GeoKeys
Após a leitura das tags TIFF e das GeoKeys, são realizados alguns
cálculos para reconhecer as informações geográficas nelas contidas. Isso é feito comparando
os valores lidos nas tags e GeoKeys com as tabelas especificadas no padrão GeoTIFF. Caso
seja informado um valor que não esteja incluso nas tabelas, será informado ao usuário que as
informações geográficas não constam no padrão GeoTIFF. Isso pode ocorrer com os novos
padrões, como por exemplo, o SIRGAS 2000, que é o padrão reconhecido pelos órgãos
responsáveis pelo georrefernciamento no Brasil (INCRA, IBGE, etc). Até então, não há novas
inclusões nas tabelas do padrão GeoTIFF.
As informações geográficas contidas no GeoTIFF são as seguintes:
30
- as coordenadas geográficas dos pontos de controle localizados nos cantos da imagem;
- as coordenadas UTM de cada pixel, cálculadas pelas fórmulas (2) e (3):
(2)
(3)
onde:
o
são as coordenadas UTM do pixel;
o
é a coordenada da margem esquerda da imagem (origem);
o
é a diferença entre a imagem exibida e a origem;
o
e são as coordenadas do mouse na tela.
- a projeção geográfica e;
- o DATUM da imagem.
3.3 Recorte e gravação das imagens (BMP ou TIFF)
É possível gravar a imagem gerada, ou mesmo parte dela (recorte) nos
formatos BMP ou TIFF. Para isso, foram inseridas no sistema SmartClass algumas
ferramentas para gravação e recorte das imagens – pancromática ou composição de bandas
RGB.
As ferramentas ficam visíveis e disponíveis após a abertura ou
composição de uma imagem, garantindo assim que haverá uma imagem para realizar o
processamento.
Estão disponíveis, por enquanto, duas opções de ferramentas:
- recorte com o auxílio de uma grade que divide a imagem em 4, 8 ou 16 partes
iguais, para possibilitar o processamento de uma área menor ou específica; e,
- gravação de uma cópia da imagem composta por determinadas bandas, ou uma cópia
de uma parte da imagem.
O recorte deixa na tela somente a área selecionada, eliminando as outras
partes da imagem. Após o recorte também há a possibilidade de gravação da porção da
imagem nos formatos BMP ou TIFF.
31
3.4 Método para os testes e coleta dos resultados
Para a obtenção dos resultados, a padronização dos recursos é essencial.
Sem um padrão nos testes, os resultados poderiam ser alterados e distorcer as conclusões. Os
ítens seguintes mostram os padrões a adotados para a realização dos testes.
3.4.1 O Satélite
Para os testes forão utilizadas as imagens do satelite CBERS 2B, por ser
um satélite brasileiro, que disponibiliza as imagens de forma gratuita, além de imagear áreas já
conhecidas.
3.4.2 As Bandas Espectrais
A composição das bandas espectrais de uma imagem de satélite deve ser
feita de acordo com os objetivos. As bandas escolhidas e a ordem na qual são compostas
modificam a imagem resultante.
As Figuras 13 e 14 mostra as imagens resultantes das combinações
possíveis com as bandas 2, 3 e 4.
(a) (b)
Figura 13 – Combinações das Bandas 2, 3 e 4: (a) bandas 2-3-4 (b) bandas 2-4-3
32
(a) (b)
(c) (d)
Figura 14 – Combinações das Bandas 2, 3 e 4
(a) bandas 3-2-4 (b) bandas 3-4-2 (c) bandas 4-2-3 (d) bandas 4-3-2
Para que a combinação das bandas espectrais de uma imagem de satélite
esteja de acordo com os requisitos para alcançar os objetivos de um trabalho, não basta estar
visualmente de acordo com as necessidades. A combinação das bandas espectrais deve ser
funcional. Há uma diferença entre o que é visível ao olho humano e o que é sensível ao
processamento computacional.
Em diversas áreas, o processamento de imagens é feito para auxiliar ou
corrigir uma interpretação humana, como é o caso da medicina. Imagens radiológicas
(mamografias, ultrasonografias, etc) são submetidas à um processamento computacional para
auxiliar o médico em um diagnóstico.
Sendo assim, a escolha da combinação das bandas espectrais deve ser
feita de acordo com o processamento desejado, isso pode requerer um trabalho prévio que
verifique as funcionalidades das combinações desejadas.
Para os testes foi escolhida a composição das bandas 4, 2 e 1, por
mostrar-se mais eficiente nos testes, destacando as áreas de cultivo de eucalipto. Outras
33
combinações, como por exemplo, das bandas 4, 3 e 2, são melhores que a combinação das
bandas 4, 2 e 1 para o olho humano, mas no processamento essa vantagem é convertida em
desvantagem, causando conflitos entre algumas áreas de interesse.
A banda 4 (infravermelho) foi incluída para aumemtar a reflectância da
vegetação na imagem final, especialmente a reflectância do eucalipto.
A Figura 15 mostra a composição escolhida para os testes.
Figura 15 – Composição das Bandas 4, 2 e 1.
3.4.3 Área para a verificação da verdade de campo
Para a maior praticidade da verificação do processamento, foi escolhida
uma área conhecida para a validação da classificação das imagens.
A área situa-se no município de Botucatu/SP, entre as coordenadas
planas 748360 / 762500 S e 7462940 / 7453480 WGR, zona 22, como mostra a Figura 16.
34
Figura 16 – Localização geográfica da área utilizada para validação da classificação das
imagens. Fonte: <http://maps.google.com/> Acesso em: 05/11/2008.
3.4.4 Média da reflectância das área de cultivo de eucalipto
Com base nas reflectâncias das áreas conhecidas de cultivo de eucalipto,
uma média foi estabelecida, com valores variando de 0 a 255. Para o cálculo da média, foi
utilizada a área para a validação da classificação, ítem 3.4.3, e uma imagem do satélite
CBERS 2B composta pelas bandas 4, 2 e 1. Coletando pontos dispersos em uma área
conhecida de cultivo de eucalipto, valores para as reflectâncias no padrão de cores RGB serão
determinados pela amostragem da área com eucalipto.
35
4 RESULTADOS E DISCUSSÕES
Após a aquisição do material e definição dos métodos, os testes foram
realizados. Os resultados foram divididos em duas partes para uma melhor compreensão:
resultados do desenvolvimento do sistema SmartClass e o processamento das imagens de
satélite para a detecção das áreas de cultivo de eucalipto.
4.1 Resultados do desenvolvimento do sistema SmartClass
O sistema SmartClass foi desenvolvido utilizando a ferramenta Delphi 7
no modelo MDI, que é uma Janela principal que contém todas as janelas auxiliares, criando
um ambiente de trabalho único e de fácil utilização.
No desenvolvimento do programa, foram feitas seis partes: uma sendo o
programa principal e outras cinco contendo as informações necessárias para a manipulação
dos arquivos GeoTIFF e para a leitura e interpretação das informações geográficas das
imagens (GeoKeys).
Após algumas modificações e com a disponibilização do Service Pack 1
para o sistema operacional Windows Vista, por parte da Microsoft, o sistema SmartClass
tornou-se apto a trabalhar neste sistema operacional. Não foi implementada nenhuma versão
para as plataformas Linux e Macintosh (MAC), deixando o programa limitado à plataforma
Windows XP ou Vista.
36
Com uma interface amigável e de fácil utilização, o programa
desenvolvido demonstrou ser eficaz na detecção de áreas de cultivo de eucalipto.
Tem-se a seguir as telas do programa e a descrição dos recursos
disponíveis.
Na tela inicial, Figura 17, encontram-se apenas as opções de abrir uma
imagem pancromática (banda 5 do satélite CBERS 2 e 2B) ou fazer a composição de uma
imagem a partir de 3 bandas espectrais.
Figura 17 – Tela inicial do sistema SmartClass
Ao utilizar o menu ABRIR IMAGEM PAN, é exibida uma tela para
a escolha da imagem a ser aberta, e no título da janela é exibida a mensagem “Abrir Banda
PAN – CBERS 2 e CBERS 2B
Banda 5”.
Se o usuário abrir uma banda que não seja pancromática, ela será
exibida, mas como não é uma imagem e sim uma das bandas que compõem a imagem, a
exibição ficará bastante prejudicada.
37
A Figura 18 mostra a abertura da banda 1 (azul) como uma imagem
pancromática.
Figura 18 – Banda 1 (azul) aberta como uma imagem PAN
Ao utilizar o menu ABRIR IMAGEM RGB, são mostradas três
janela para a escolha das bandas a serem compostas.
A seqüência da composição, como mencionado anteriormente,
influencia a imagem resultante.
Nos títulos das janelas de escolha das bandas para a composição, são
informadas a seqüência de abertura e as bandas correspondentes para a composição da maneira
como vemos em uma foto. Essa seqüência não será utilizada para outras composições que são
feitas de acordo com a finalidade da composição.
A Figura 19 mostra uma das janelas de escolha das bandas para
composição.
38
Figura 19 – Janela de escolha de bandas para composição.
Após a abertura de uma imagem, ou a composição de bandas, a imagem
resultante é apresentada e no rodapé da tela principal é exibida uma barra com as informações
da imagem. Nas informações exibidas constam o tamanho da matriz de pixels e os valores
RGB e as Coordenadas UTM do local onde a ponta da seta do mouse encontra-se. A Figura 20
mostra uma imagem composta e a barra de informações da imagem.
Figura 20 – Imagem composta e a barra de informações da imagem
39
Com a imagem na tela, um novo menu é exibido, o menu
FERRAMENTAS. Este menu contém algumas ferramentas para a manipulação e o
processamento da imagem aberta. São as seguintes:
- MOSTRAR GRADE
Esta ferramenta divide a imagem em 4, 8 ou 16 partes, separando-as
com linhas amarelas horizontais e verticais. Ao lado dos botões no menu MOSTRAR GRADE
encontram-se pequenas imagens que demonstram como será a divisão.
Quando uma grade é inserida, é ativada a opção de recorte de uma das
partes definidas pela grade. Para efetuar o recorte de uma parte da imagem, basta clicar com o
botão direito do mouse. Uma mensagem é exibida informando o quadrante ao qual a porção
recortada da imagem pertence. Ao término do recorte, a imagem principal é descartada e
apenas o recorte é exibido.
A Figura 21 mostra uma imagem com as linhas da grade e a mensagem
do recorte.
Figura 21 – Linhas de grade e mensagem de recorte
40
- GEOTIFF MOSTRAR INFORMAÇÕES
Esta ferramenta mostra uma janela com as informações geográficas
(GeoKeys) presentes na imagem exibida. As imagens GeoTIFF contêm pelo menos três chaves
com as informações geográficas:
• Projeção Geográfica de Referência – GTModelTypeGeoKey – UTM, por
exemplo;
• Projeção Geográfica da Imagem – GTRasterTypeGeoKey;
• Sistema de Coordenadas – ProjectedCSTypeGeoKey – SAD69-22S, por
exemplo.
A Figura 22 mostra a janela de informações geográficas da imagem.
Figura 22 – Janela de informações geogáficas da imagem (GeoKeys)
41
- PROCESSAR IMAGEM CBERS 2B
Esta ferramenta processa a imagem e detecta áreas de cultivo de
eucalipto. Para uma melhor visualização e entendimento, uma “cortina” preta desce sobre a
imagem, deixando visíveis apenas as áreas de cultivo de eucalipto. A Figura 23 mostra o
processamento de uma imagem.
Figura 23 – Processamento de uma imagem e detecção das áreas de cultivo de eucalipto
4.2 O processamento das imagens e discussões sobre os resultados obtidos
Nas áreas conhecidas de cultivo de eucalipto e com uma imagem
CBERS 2B composta pelas bandas 4, 2 e 1, foram encontradas as seguintes reflectâncias
médias:
R (Red – Vermelho) de 83 a 150
G (Green – Verde) de 28 a 34
B (Blue – Azul) de 36 a 41
42
Foi utilizada uma imagem CBERS 2B, adquirida com data de
30/07/2008. A imagem é disponibilizada pela internet na página web do Instituto Nacional de
Pesquisas Espaciais – INPE, e é composta de cinco arquivos, cada um contendo uma banda
espectral.
As imagem adquiridas pelo satélite CBERS 2B contêm apenas a porção
sul do município de Botucatu/SP, pois a faixa de imageamento do satélite passa pelo meio do
território do município, tornando obrigatório o uso de duas imagens para obter o território
todo.
Como mencionado anteriormente, a imagem utilizada nos testes foi
composta pelas bandas espectrais de números 4, 2 e 1, que correspondem às bandas
Infravermelho (IR), Verde (G) e Azul (B), respectivamente.
Após o processamento, foram obtidos os resultandos mostrados nas
Figuras 24 e 25, onde está delimitada por um retângulo amarelo a área escolhida para a
validação dos resultados, ou seja, uma área com cultivo de eucalipto para a verificação das
marcações feitas pelo programa.
Figura 24 – Imagem de teste antes do processamento.
43
Figura 25 – Imagem de teste após o processamento.
As áreas classificadas com cultura de eucalipto mostraram áreas
distintas, que provavelmente representem locais com diferentes estágios de desenvolvimento
da cultura. Com isso, seria indicado estudos posteriores nesse aspecto, visando a classificação
por etapa de desenvolvimento para fins de exploração da cultura.
44
5 CONCLUSÕES
Pode-se concluir que o sistema computacional SmartClass possibilitou a
visualização de imagens de satélite diretamente dos arquivos obtidos no formato GeoTIFF,
sem tratamento ou conversões prévias.
A segmentação da imagem pelo sistema foi eficaz na detecção do objeto
de estudo, com baixo tempo de processamento e de fácil utilização.
O programa classificou facilmente as áreas cultivadas com eucalipto,
levando-se em conta a validação visual da área conhecida.
45
6 REFERÊNCIAS BIBLIOGRÁFICAS
ADOBE. TIFF ™ Revision 6.0. 1992. Disponível em:
< http://partners.adobe.com/public/developer/en/tiff/TIFF6.pdf >. Acesso em 02/08/2008.
ALECRIM, E. Imagens para a Internet: JPG, GIF e PNG. 2004. Disponível em:
<http://www.infowester.com/imagensnet.php>. Acesso em: 02/08/2008.
ALMEIDA, A.B. Usando o computador para Processamento de Imagens Médicas. 1998.
Disponível em:
<http://www.informaticamedica.org.br/informaticamedica/n0106/imagens.htm>. Acesso em:
20/01/2008.
ANTUNES, M.A.H. Correções Atmosféricas de imagens de Satélite utilizando o modelo
6S. 2003. Disponível em: <http://www.cartografia.org.br/xxi_cbc/174-SR21.pdf>. Acesso em:
06 nov. 2008.
BEUCHER, S., MEYER, F. Image Analysis and mathematical Morphology. London:
London Academic Press. 1982.
46
EMBRAPA. O cultivo do Eucalipto. 2003. Disponível em:
<http://sistemasdeproducao.cnptia.embrapa.br/FontesHTML/Eucalipto/CultivodoEucalipto/in
dex.htm>. Acesso em: 04/11/2008.
GAZETA Grupo de Comunicações. Anuário Brasileiro de Silvicultura. Santa Cruz do Sul,
RS: Editora gazeta. 2008.
GONZALES, R.C., WOODS, R.E. Digital Image Processing. 2. ed. New Jersey: Prentice
Hall. 2002. 793 p.
INPE. CBERS – Satélite Sino-Brasileiro de Recursos Terrestres: Histórico. 2008.
Disponível em: <http://www.cbers.inpe.br/?content=historico>. Acesso em: 20/01/2008.
____. CBERS – Satélite Sino-Brasileiro de Recursos Terrestres: Câmeras Imageadoras.
2008a. Disponível em: <
http://www.cbers.inpe.br/?content=cameras1e2e2b>. Acesso em:
20/01/2008.
MARQUES, O., VIEIRA, H. Processamento Digital de Imagens. São Paulo: Ed. Brasport
Livros e Multimídia Ltda. 1992.
PACIORNIK, S. Introdução ao Processamento Digital de Imagens. 2001. Disponível em:
<http://www.dcmm.puc-rio.br/Cursos/IPDI/tsld116.htm>. Acesso em: 24/08/2007.
QUEIROZ, L.R.S., BARRICHELO, L.E.G. O Eucalipto – um século no Brasil. São Paulo:
Antonio Bellini Editora & Cultura. 2007.
RITTER, N., RUTH, M. GeoTIFF Format Specification – Revision 1.0. 1995. Disponível
em: < landsathandbook.gsfc.nasa.gov/handbook/pdfs/geotiff_spec.pdf >. Acesso em:
02/08/2008.
SANGWINE, S.J., HORNE, R.E.N. The Colour Image Processing Handbook. 1 ed.
London: Chapman & Hall. 1998. 440 p.
Livros Grátis
( http://www.livrosgratis.com.br )
Milhares de Livros para Download:
Baixar livros de Administração
Baixar livros de Agronomia
Baixar livros de Arquitetura
Baixar livros de Artes
Baixar livros de Astronomia
Baixar livros de Biologia Geral
Baixar livros de Ciência da Computação
Baixar livros de Ciência da Informação
Baixar livros de Ciência Política
Baixar livros de Ciências da Saúde
Baixar livros de Comunicação
Baixar livros do Conselho Nacional de Educação - CNE
Baixar livros de Defesa civil
Baixar livros de Direito
Baixar livros de Direitos humanos
Baixar livros de Economia
Baixar livros de Economia Doméstica
Baixar livros de Educação
Baixar livros de Educação - Trânsito
Baixar livros de Educação Física
Baixar livros de Engenharia Aeroespacial
Baixar livros de Farmácia
Baixar livros de Filosofia
Baixar livros de Física
Baixar livros de Geociências
Baixar livros de Geografia
Baixar livros de História
Baixar livros de Línguas
Baixar livros de Literatura
Baixar livros de Literatura de Cordel
Baixar livros de Literatura Infantil
Baixar livros de Matemática
Baixar livros de Medicina
Baixar livros de Medicina Veterinária
Baixar livros de Meio Ambiente
Baixar livros de Meteorologia
Baixar Monografias e TCC
Baixar livros Multidisciplinar
Baixar livros de Música
Baixar livros de Psicologia
Baixar livros de Química
Baixar livros de Saúde Coletiva
Baixar livros de Serviço Social
Baixar livros de Sociologia
Baixar livros de Teologia
Baixar livros de Trabalho
Baixar livros de Turismo
