Registro semiautomático de imagens CBERS


Veja como operar o Módulo de Registro Semiautomático de imagens CBERS no SPRING

Registro semiautomático de imagens CBERS utilizando Coeficiente de Correlação de Pearson

Em um registro manual, um operador humano é responsável por encontrar as feições coincidentes, geralmente pontuais, em duas imagens ou indicar pontos de controle de coordenadas conhecidas, o que costuma ser uma tarefa demorada, cansativa e passível de erros. Desta forma, como uma alternativa que pode facilitar a etapa de registro de imagens CBERS, foi criado um módulo que permite ao usuário identificar apenas algumas feições, sem a necessidade de realizar todo o processo de registro. O módulo de registro semiautomático de imagens CBERS foi desenvolvido com base no método descrito por Alves et al. (2011).

Descrição do Método

A técnica de registro semi-automático proposta consiste em empregar o coeficiente de correlação de Pearson para encontrar feições homólogas em duas imagens e utilizar as coordenadas encontradas automaticamente como pontos de controle para o registro. O coeficiente de correlação de Pearson pode ser entendido como uma medida do grau de relacionamento linear entre duas variáveis aleatórias, apresentando, assim, ênfase na predição do grau de dependência entre ambas (BRITO, 2007). O cálculo da correlação é realizado através da Equação:

ρ = σxy / σx σy

onde:
σxy- é a covariância entre as duas imagens;
σx - é o desvio padrão da variável X;
σy - é o desvio padrão da variável Y.

O coeficiente de correlação pode conter qualquer valor entre -1 e 1, onde o sinal do coeficiente (+, -) define se a direção da relação entre as duas variáveis é positiva ou negativa. Assim, uma correlação positiva indica que, à medida que os valores das componentes de uma variável aumentam, os valores das componentes da outra variável também aumentam. O oposto ocorre para a correlação negativa, pois enquanto uns aumentam, os outros diminuem (BRITO, 2007).

No módulo de registro semiautomático, o algoritmo recebe o recorte de uma feição/objeto (definido pelo usuário) da imagem a ser registrada; posteriormente, o mesmo realiza uma busca na imagem de referência procurando a mesma feição. Ao encontrar o melhor coeficiente de correlação, o algoritmo grava as novas coordenadas da feição encontrada na imagem de referência. A partir destas coordenadas, os arquivos de ponto de controle são salvos no arquivo SPG da imagem CBERS.

Para obter desempenho satisfatório do coeficiente de correlação, a imagem a ser registrada e a imagem de referência tem de apresentar o mesmo tamanho de pixel. Assim, se a imagem CBERS 2B CCD a ser registrada apresenta tamanho de pixel de 20 metros, a imagem de referência também deverá ter tamanho de pixel de 20 metros (desta forma, pode ser necessário reamostrar a imagem de referência). Além disso, a imagem a ser registrada e a imagem de referência deverão apresentar as mesmas características espectrais, ou seja, se a imagem CBERS a ser registrada corresponde a banda 3 (faixa espectral do vermelho: 0,63 - 0,69 µm) a imagem de referência também deve apresentar estas características.

Como imagem referência, já testada e validada pelo método proposto em Alves et al. (2011), sugere-se utilizar imagens ortorretificadas do satélite LANDSAT 7 ETM+, Banda 8 - Pancromática (0.52 - 0.90 µm), de resolução espacial nominal de 15 metros. Estas imagens podem ser adquiridas gratuitamente no Catálogo de Imagens do INPE (http://www.dgi.inpe.br/CDSR/). Para se obter uma imagem CBERS com características espectrais semelhantes à da Banda 8 do sensor ETM+, deve-se criar uma imagem em tons de cinza a partir da média das bandas 2, 3 e 4 do CBERS 2B CCD. O módulo de registro semiautomático já possui uma função que realiza este procedimento.

A identificação de feições existentes nas duas imagens é uma tarefa que compreende certo tempo de análise; para reduzir o trabalho desta etapa, o módulo tem uma funcionalidade que possibilita empregar um limiar de corte de histograma nas imagens a fim de destacar feições/objetos que apresentam altos valores de nível digital (maiores tons de cinza) e tem baixa freqüência de ocorrência. A proposta de utilizar pontos de baixa freqüência de ocorrência para registro automático de imagens já foi empregada por Salvador et al. (2009), com a obtenção de bons resultados. Este limiar de corte pode ser definido pelo usuário e pode ser utilizado de forma independente para a imagem a ser registrada ou para imagem de referência.

Etapas para registro de imagem CBERS utilizando o Módulo de Resgistro Semiautomático

O algoritmo implementado no módulo de registro semiautomático permite trabalhar com imagens CBERS ou com outras imagens que já apresentem, pelo menos, uma correção geométrica de sistema; no entanto, para obter um desempenho satisfatório, sugere-se trabalhar com os seguintes dados:

As etapas a serem seguidas para o uso do módulo, são:

  1. Abrir Banco de Dados e Projeto que contenha imagem de referência;
  2. No módulo, criar imagem SPG a ser registrada a partir da seleção das bandas 2, 3 e 4 da imagem CBERS 2B CCD;
  3. Selecionar função para converter imagem multiespectral a ser registrada (3 bandas) em monocromática;
  4. Configurar e selecionar função para realizar limiar de corte na imagem a ser registrada;
  5. Configurar e selecionar função para realizar limiar de corte na imagem de referência;
  6. Adquirir feições na imagem a ser registrada;
  7. Selecionar função para pesquisar e identificar melhor coeficiente de correlação para cada feição selecioanda;
  8. Salvar pontos na imagem SPG.

Referências

ALVES, Andrei Olak; MELONI, Raphael B. da Silva; BRITO, Jorge Luis N e Silva. Registro Semi-automático de Imagens CBERS utilizando Coeficiente de Correlação de Pearson. In: XV Simpósio Brasileiro de Sensoriamento Remoto - SBSR, XV, 2011, Curitiba, PR. Anais... São José dos Campos: INPE, 2011.

BRITO, Jorge Luiz Nunes e Silva; COELHO FILHO, Luiz Carlos Teixeira. Fotogrametria Digital. 1 ed. Rio de Janeiro: EDUERJ, 2007.

SALVADOR, Adriano C.; Oliveira, Júlio C.; MELLO, Márcio P. de. Registro automático de imagens utilizando pixels de baixa freqüência de ocorrência. XIV Simpósio Brasileiro de Sensoriamento Remoto, p. 7127-7134, 2009.


Consulte também