Sensoriamento Remoto: Conceitos e Classificação de Imagens

Conceitos Fundamentais em Sensoriamento Remoto

Imagens Orbitais

Os sensores captam informações resultantes da interação do Espectro Eletromagnético (REM) com os objetos e fenômenos da superfície terrestre.

Resolução Espacial

Determina se o alvo pode ser identificado na imagem em função de seu tamanho.

Resolução Espectral

Determina se o alvo pode ser visto na imagem em função de seu comportamento espectral.

Resolução Temporal

Determina o período mínimo a ser aguardado para um novo imageamento.

Resolução Radiométrica

Determina se o alvo pode ser visto na imagem em função de seu contraste com os alvos vizinhos.

Realce por Contraste

Técnicas que modificam os Níveis de Cinza (NC) dos pixels através de funções matemáticas, melhorando a qualidade das imagens.

Classificação de Imagens

Classificação Não Supervisionada

O usuário não fornece nenhuma informação a priori relativa ao conjunto de temas para os quais a imagem deve ser mapeada.

Classificação Supervisionada

O usuário informa a priori o conjunto de temas para os quais os pontos da imagem serão mapeados (exige treinamento).

Tipos de Classificadores

Classificadores por Pixel

Classificam cada pixel isoladamente, mapeando-o para um dos temas de treinamento baseado somente em seu valor.

Classificadores por Regiões

Classificam regiões (um conjunto de pixels), mapeando todos os pixels que formam a região para um mesmo tema, baseando-se no valor de todos os pixels que a compõem.

Classificadores por Pixel (Supervisionados)

Isodata

Método de clustering que usa a distância espectral.

K-Médias

Objetiva minimizar a variabilidade interna do agrupamento.

MaxVer

Utiliza parâmetros estatísticos inferidos das amostras de treinamento.

MaxVer-ICM

Variação do MaxVer onde, numa segunda etapa, a informação contextual é levada em conta.

Paralelepípedo

Classifica um pixel se os Níveis de Cinza (NC) desse pixel, nas três bandas espectrais, estiverem contidos nos intervalos de NC determinados para cada banda.

Mahalanobis

Dada uma amostra teste, calcula-se a menor distância a cada uma das classes.

Distância Euclidiana

Associa cada pixel a um tema cuja distância euclidiana de seu valor ao valor médio da classe seja mínima.

Classificadores por Regiões

Isoseg (Não Supervisionado)

As regiões são caracterizadas pela média, matriz de covariância e por sua área.

Bhattacharya (Supervisionado)

Usa as amostras (treinamento) para estimar a função densidade de probabilidade de cada classe.

Clatex (Supervisionado)

Utiliza atributos texturais das regiões segmentadas.

Outros Conceitos e Técnicas Avançadas

Mistura Espectral

Fenômeno que ocorre devido à inclusão de vários objetos ou elementos da cobertura superficial dentro de um pixel.

Modelo Linear de Mistura

É um problema de inversão matemática, aplicado para a determinação de medidas indiretas de Sensoriamento Remoto (SR).

Método dos Mínimos Quadrados com Restrição

Estima a proporção de cada componente dentro do pixel, minimizando a soma dos erros ao quadrado.

Mínimos Quadrados Ponderados

Ampla variedade de problemas de ajuste de curvas que envolvem formas lineares com constantes indeterminadas.

Método de Componentes Principais

A matriz do componente puro é transformada em espaço PCA utilizando o número apropriado de autovetores.

Imagens Fração

Correspondem aos produtos gerados após a aplicação dos algoritmos descritos anteriormente.

Visada Vertical

Incoerência (ambiguidade) para detectar os alvos em suas posições e distâncias em relação ao sensor.

Abertura Sintética

Emprega uma antena de tamanho físico pequeno que sintetiza uma antena de centenas de metros.

Sensoriamento Hiperespectral

Objetivo: Medir, quantitativamente, a assinatura espectral dos componentes do sistema Terra a partir de espectros calibrados.

Correção Atmosférica dos Dados

Objetivo: Reduzir os efeitos que o espalhamento e a absorção dos gases atmosféricos causam nos dados.

Bibliotecas Espectrais dos Alvos

Podem ser obtidas tanto em medidas em campo, como em laboratório, bem como nos chamados "pixels puros" na imagem.

Minimum Noise Fraction (MNF)

Objetivo: Reduzir a dimensão dos dados, pois com centenas de bandas sempre haverá alta correlação espectral.