PROCESSAMENTO DIGITAL DE IMAGENS (PDI)

O PDI consiste na execução de operações matemáticas de dados, visando as suas transformações em imagens de melhores qualidades espectrais e espaciais, que sejam mais apropriadas para uma determinada aplicação. É a manipulação de uma imagem por computador de modo que a entrada e a saída do processo são imagens (MENESES & ALMEIDA, 2012).

Ainda de acordo com Meneses e Almeida (2012), geralmente os softwares de PDI dividem as técnicas de tratamento do dado digital em dois tipos básicos: realce e classificação da imagem. Para o estudo em questão, foram utilizadas as técnicas de realce combinações de bandas em sistema de cores Red-Green-Blue (RGB), Intensity-Hue-Saturation (IHS), as técnicas de Análise por Componentes Principais (ACP) e a técnica de classificação supervisionada, envolvendo a etapa do treinamento e da classificação da imagem.

35 4.3.1. Realce de Contrastes

4.3.1.1. Combinação em sistema de cores RGB

A composição colorida RGB ou composição falsa-cor, segundo Crósta (1992), é a forma mais tradicional de se combinar 3 bandas espectrais de sensores remotos, originalmente representadas em escalas de cinza, em um plano de cor a fim de colori-las a partir da combinação do vermelho, verde e azul. Isso facilita a percepção das feições da imagem, pois, conforme estudos de Thomas Young (1773-1829) apontaram, o olho humano pode distinguir apenas 20 a 30 tons de cinza, enquanto que para tonalidades de cores, é capaz de distinguir milhares.

Na composição colorida, cada pixel terá a cor resultante da combinação da intensidade das cores primárias expressas pelo seu Número Digital (DN), o qual varia de 0 a 255.

Os sensores remotos orbitais possuem um número de bandas com características espectrais específicas e a combinação destas irá resultar em diferentes colorações, cabendo ao intérprete utilizar as composições que mais se adequam aos alvos de sua análise (MENESES & ALMEIDA, 2012).

4.3.1.2. Combinação em sistema de cores Intensity-Hue-Saturation

O espaço de cores conhecido por IHS (Intensity, Hue, Saturation) é uma forma alternativa ao espaço RGB de representação de cores. No espaço IHS, as cores são definidas por três atributos, ao invés de três quantidades de cores primárias. Esses atributos são: Intensidade (Intensity), Matiz (Hue), Saturação (Saturation) (CRÓSTA, 1992).

Ainda segundo Crósta (1992), o Matiz é o principal atributo de uma cor que a distingue de outras cores do espectro. Matizes são o que vemos em um arco-íris e geralmente pensamos como uma cor (vermelho, amarelo, verde e assim por diante). A Saturação é a quantidade de cinza em uma cor ou na cor pura. As cores com alta saturação (pouco cinzentas) seriam as cores puras, vivas. As cores com pouca saturação (muito cinzentas) são cores pastéis ou sombrias. A Intensidade é o brilho relativo de uma cor. Cores com alta intensidade são claras e cores com baixa intensidade são escuras.

36 O uso dessa técnica para o estudo foi no sentido de produzir composições coloridas com correlação interbanda reduzida, consequentemente com melhor utilização do espaço de cores.

4.3.1.3. Análise por Componentes Principais (ACP)

A ACP é um método de análise estatística que objetiva reduzir a dimensionalidade dos dados multivariados, de modo a captar a maior parte das informações do conjunto original em novos conjuntos e, assim, permite uma análise mais parcimoniosa e confiável das variáveis (LATTIN et al., 2011).

Por meio da ACP é possível identificar padrões de associação e estimar a influência das variáveis e cada componente principal (CP ou PC em inglês). Cada PC é uma combinação linear das variáveis originais a que está mais fortemente associada, tendo como vantagem a redução do número de variáveis, com menor perda possível da informação (MINGOTI, 2005; PENDLETON

et al., 2010; LATTIN et al., 2011).

A técnica da ACP tem como base a análise estatística da correlação das bandas espectrais, isto é, o grau de inter-relacionamento entre suas características, de forma que são selecionadas as bandas que possuem menor correlação entre si (LOUGHLIN, 1991; GUPTA et al., 2013). A análise de tal correlação é expressa em valores que variam de 0 a 1, onde quanto mais próximo a 1, maior a relação entre as bandas.

Após a análise das bandas, realiza-se a geração da PC, que vai gerar uma matriz de autovetores, os quais possuem valores de -1 a 1, onde o quanto mais próximo o valor está de -1 ou 1, maior será a contribuição da banda na PC.

4.3.2. Classificação de Bandas Espectrais

Classificação é o processo de extração de informação em imagens para reconhecer padrões e objetos homogêneos, os quais são utilizados em Sensoriamento Remoto para mapear áreas da superfície terrestre que correspondem aos temas de interesse (CÂMARA et al., 1996).

O principal objetivo dos procedimentos é classificar automaticamente todos os pixels de uma imagem em classes de cobertura do solo (LILLESAND; KIEFER; CHIPMAN, 2008), o que

37 se mostra muito útil aos estudos de gerenciamento de uso e cobertura do solo, pois é possível contabilizar a área de cada classe mapeada.

Para o estudo em questão foi utilizado o processo de classificação supervisionada, que leva esse nome por possuir uma etapa inicial de treinamento. O treinamento consiste na determinação, pelo próprio intérprete, de amostras referentes aos pixels representativos para cada uma das classes de interesse, a fim de que o software, após receber as amostras de cada classe, produza uma imagem com todos os pixels classificados automaticamente.

Segundo Campbell (1996), o processo de classificação supervisionada das imagens apresenta vantagens e desvantagens. A principal vantagem é que o analista tem maior controle sobre o processo, como por exemplo, pré-definir classes e identificar possíveis imprecisões graves pela análise das áreas de treinamento. A principal desvantagem é que o analista impõe uma determinada estrutura de classificação aos dados, através da definição prévia das classes de informação. Estas classes podem não corresponder às classes reais existentes na cena imageada, ou não ser separáveis no espaço dimensionado. Vale aqui salientar que embora a classificação supervisionada possua um erro inerente ao processo, o PDI realizado previamente à classificação mostra-se como ferramenta essencial para diminuição de tais erros, haja vista o maior realce das classes de interesse produzida no PDI.

Aparentemente, o processo de classificação dos alvos presentes na imagem é uma questão simples. No entanto, há uma série de fatores que podem interferir nesse processo. Portanto, a classificação de imagens deve ser vista como um processo estatístico e probabilístico que tenta ao máximo aproximar o mapa digital à realidade. O resultado da classificação deve ser avaliado com base no desempenho do classificador proposto e validado por critérios numéricos para estimar a precisão e a sua acurácia (MENESES & ALMEIDA, 2012).

Algoritmos de classificação são adotados para extrair as feições de interesse em um espaço multidimensional (BERNARDI, 2007). Os algoritmos de classificação supervisionada são: Distância Mínima, Distância Mahalanobis, Distância de Bhattacharya, Máxima Verossimilhança, Método Paralelepípedo e Método Spectral Angle Mapper (AMARAL et al., 2009; CORREIA et

al., 2007; CRÓSTA, 2002; RIBEIRO et al., 2007; VIEIRA JUNIOR, 2011; ZANETTI et al.,

38 A classificação supervisionada foi realizada no software QGIS 3.4.11 Madeira com uso do

plugin “Semi-Automatic Classification”, com o uso do algoritmo da Distância Mínima. Esse

método calcula a distância espectral entre o vetor de medida para o pixel candidato e a média para cada assinatura de classe. O método se utiliza da medida de distância Euclidiana, em que cada pixel será incorporado a um agrupamento através da análise da medida de similaridade de distância, que é dada por:

𝐷(𝑥, 𝑛) = √(𝑋𝑖 − 𝑚𝑖)2

Onde xi é o pixel candidato, mi é a média das classes e n é o número de bandas. O classificador compara a distância Euclidiana de cada pixel à média de cada agrupamento. O pixel candidato é designado à classe com média mais próxima, isto é, à classe que apresenta a menor distância Euclidiana (MENESES & ALMEIDA, 2012).