Segmentação da Imagem

A segmentação de imagens é o processo de agrupamento de pixels que possuem características semelhantes, a mesma pode ser realizada de modo manual ou automático, o modo manual nada mais é que a criação de polígonos de referência sobre as regiões homogêneas que representam as classes, de forma muito similar a utilizada na classificação, já o modo automático onde se considera dados de natureza quantitativa, é capaz de gerar dados muito consistentes em uma porção de tempo bem inferior se comparado com a segmentação manual (BRITES; BIAS; ROSA, 2012, p. 209).

Diferentemente da classificação pixel a pixel o processo de segmentação, faz com que o contexto que está presente no pixel seja considerado na classificação, assim, se considera as características do meio (regiões) e não somente os valores espectrais dos mesmos. A segmentação realiza uma subdivisão da imagem em objetos constituintes, e este nível de subdivisão vai depender da escala e do problema a ser resolvido.

A segmentação é efetuada de uma única vez ou também em etapas, isto é, a mesma imagem pode passar por mais de um processo de segmentação. A escala e a escolha dos critérios da segmentação controlam o resultado da segmentação, criando objetos de diferentes tamanhos, graus de homogeneidade e ainda suavizados ou não. Segundo Baatz e Schäpe (2000, p. 3-4) a escolha dos parâmetros de escala e também dos critérios de semelhança depende das resoluções espacial e espectral da imagem.

5.10.2 Classificação Hierárquica

As técnicas de classificação hierárquicas também posem ser realizadas de modo automático ou manual, na classificação supervisionada é necessário o estabelecimento das classes que se deseja realizar a classificação pelo analista, orientando o software através das classes de treinamento, enquanto que no modo não supervisionado o próprio aplicativo

desenvolve o agrupamento das classes a partir de alguns critérios pré-estabelecidos pelo usuário (BRITES; BIAS; ROSA, 2012, p. 220).

A classificação hierárquica é realizada através de uma composição de classes e subclasses, por meio de uma relação de dependência subordinada ao conhecimento adquirido. Um exemplo da formação dessa relação pode ser através das regras booleanas sendo proveniente de algumas propriedades (caráter geométrico e descritivo) que compõem os objetos. Esta representada na Figura 4 um esquema hierárquico onde há duas grandes superclasses distintas que vão formando subclasses (GONÇALVES et al., 2007, p. 548).

Figura 4: Representação da classificação orienta com dependência hierárquica.

Fonte: (GONÇALVES et al. 2007, p. 548).

5.10.3 Orientação a Objetos

O processo de classificação orientada a objeto tem como objetivo a interpretação visual através da modelagem do conhecimento com finalidade da identificação de feições, se baseando na descrição de padrões identificadores, sendo estes como cores, textura, métrica e contexto. Além disso, o sistema Definiens dá a opção do manuseio de múltiplas resoluções da imagem, sendo dados temáticos, hipsometria, geomorfologia, solos e vegetação, alem de facilitar a identificação de diferentes tipologias florestais e/ou outros tipos de cobertura vegetal do solo (BRITES; BIAS; ROSA, 2012, p. 220).

Segundo estudo realizado por Darwish, LeuKert e Reinhardt, (2003, p. 2040) verificou-se que a tecnologia de orientação a objeto possibilita ao analista definir regras

complexas baseadas em características espectrais e relações espaciais, também é possível realizar um agrupamento de objetos através da topologia vetorial determinando regiões baseadas em características semânticas, capaz de gerar um mapa temático composto por um conjunto de regiões que compartilhem uma mesma classe.

Optou-se pela adoção de classificação hierárquica e agrupamento de classes devido à dificuldade de se obter diretamente, através de processamento digital de imagens, as características desejadas no trabalho, sendo que a legenda proposta visa grande quantidade de dados com alta qualidade, principalmente se tratando da diferenciação da tipologia vegetal. Para isso, o software Definiens realiza a consorciação de diferentes técnicas de classificação que possuem hierárquica em seu processo de decisão, porém, a interpretação visual continua sendo a técnica de maior relevância não podendo ser alterada pelas demais técnicas, e em segundo plano observa-se o método de manutenção das áreas de treinamento pré- estabelecidas (GONÇALVES et al., 2007, p. 549).

6 MATERIAIS E MÉTODOS

6.1 ÁREA DE ESTUDO

A área de estudo esta situada próximo a cidade de São Luís, capital do estado do Maranhão, pertencente à região Nordeste do país. A área se localizada sob as coordenadas geográficas, 2°47’57,14’’S e 44°22’29,70’’W, sob o Sistema Geodésico de Referência WGS- 84 pertencente à zona UTM 23 Sul, conforme representado na Figura 5.

Segundo estudo realizado por Muniz, Cesar e Monteiro (1994) a vegetação original da região era composta por Floresta Tropical Úmida, sendo que hoje existem apenas pequenos fragmentos florestais, esses quase que em totalidade de florestas secundárias, essa região era considerada o início da floresta amazônica, porém, devido a ações antrópicas atualmente existem poucos resquícios florestais. Seguindo a classificação de Köppen, a região esta inclusa no tipo “AW”, apresentando duas estações bem definidas, com verões chuvosos e invernos secos, com temperatura média anual em torno de 26°C. O solo predominante é dominado pela fração areia com baixa concentração de matéria orgânica.

Figura 5: Representação da área de estudo no município de São Luís Fonte: O Autor (2013).

6.2 MATERIAIS UTILIZADOS

Para a realização deste trabalho foram levantamento fotogramétrico

fornecimento de material, sendo este, uma ortofoto e dados de um sensor laser scanner, priorizando uma área com diferentes tipos de obstáculos, sendo estes vegetações, linhas de transmissão de energia, estradas, barragens, etc.

Entre os dados recebidos ENGEMAP, devido à qualidade do mate câmara de sistema fotogramétrico SAAPI,

realizado em uma aeronave Sêneca III, com uma altura média de vôo de 660 m a uma velocidade média de 190 km/h. Juntamente neste vôo foi realizado o perfilamento a laser, com o equipamento Riegl LMS 680i, com uma frequência de perfilamento do la

: Representação da área de estudo no município de São Luís-MA.

MATERIAIS UTILIZADOS

a realização deste trabalho foram pesquisadas as principais empresas do setor de levantamento fotogramétrico do Brasil, solicitando apoio à pesquisa na forma de fornecimento de material, sendo este, uma ortofoto e dados de um sensor laser scanner, priorizando uma área com diferentes tipos de obstáculos, sendo estes vegetações, linhas de

stradas, barragens, etc.

Entre os dados recebidos optou-se por utilizar as informações ENGEMAP, devido à qualidade do material. Foi recebida uma ortofoto, câmara de sistema fotogramétrico SAAPI, com uma resolução espacial de

realizado em uma aeronave Sêneca III, com uma altura média de vôo de 660 m a uma velocidade média de 190 km/h. Juntamente neste vôo foi realizado o perfilamento a laser, com o equipamento Riegl LMS 680i, com uma frequência de perfilamento do la

as principais empresas do setor de do Brasil, solicitando apoio à pesquisa na forma de fornecimento de material, sendo este, uma ortofoto e dados de um sensor laser scanner, priorizando uma área com diferentes tipos de obstáculos, sendo estes vegetações, linhas de

as informações da empresa rial. Foi recebida uma ortofoto, obtida com uma uma resolução espacial de 10 cm. O vôo foi realizado em uma aeronave Sêneca III, com uma altura média de vôo de 660 m a uma velocidade média de 190 km/h. Juntamente neste vôo foi realizado o perfilamento a laser, com o equipamento Riegl LMS 680i, com uma frequência de perfilamento do laser de

400.000 pontos por segundos (400 kHz), um ângulo de varredura do campo de visão (FOV) de 60°, obtendo assim um espaçamento de 0,35 m entre pontos.

6.3 METODOLOGIA

A sequência metodológica utilizada no presente trabalhado será demonstrada no fluxograma a seguir (Figura 6), sendo que maiores detalhes sobre os itens são discorridos nos subtópicos subsequentes.

Figura 6: Fluxograma demonstrando a sequencia do trabalho. Fonte: O Autor (2013). Escolha da área, e reconhecimento das características da região. Geração do MDS e extração do MDT Fotointerpretação da imagem através de parâmetros visuais

Definição das classes utilizadas em ambas às classificações

Classificação hierárquica

Classificação pixel a pixel

Comparação entre os resultados encontrados

6.3.1 Georreferenciamento da Imagem

Após o recebimento dos dados brutos, foi realizada uma análise das imagens, visando à escolha de imagens que tivessem a melhor representatividade de classes e obstáculos a serem identificados sob as linhas de transmissão.

Com a imagem definida não foi necessário realizar o georreferenciamento da mesma, pois a empresa já concedeu o material georreferenciado.

6.3.2 MDT e MDS

Foi construído o MDT e MDS para a visualização as alturas dos obstáculos pertencentes ao terreno, dando ênfase para os elementos encontrados dentro do limite da faixa de domínio das redes elétricas de transmissão.

Para a obtenção do MDS foi utilizado um arquivo de coordenadas tridimensionais (X, Y, Z) da mesma área da imagem classificada. Através dessas coordenadas se realizou a interpolação que consiste no processo de determinação do valor de todos os pixels que recobrem a área. O método de interpolação utilizado foi o vizinho mais próximo. Considerando que uma imagem é definida pelos valores digitais de uma matriz retangular, e que, nem todo pixel desta imagem artificial tem seu valor incidido pelo laser, assim os pixels que necessitam receber informação são preenchidos com o valor mínimo de sua vizinhança evitando a extrapolação das bordas das edificações para uma posição diferente da real. O programa utilizado foi o software Surfer 8.0. Após a realização do MDS foi realizada então a extração do MDT, que nada mais é que a representação digital do terreno de uma determinada região. O método empregado para a extração do MDT foi a filtragem morfológica devida ser a técnica com melhor resultado segundo Pacheco et. al. (2011).

Esta técnica consistem na adoção de um padrão para a classificação dos pontos LIDAR no terreno, em trabalho realizado por Assunção et al. (2008) , por exemplo, para a classificação dos pontos são comparadas as altitudes encontradas no perfilamento com os valores contidos em uma altura máxima estipulada, assim se a diferença entre as altitudes for

menor que a tolerância estipulada o ponto do perfilamento pertencerá ao terreno, caso contrário é excluído.

6.3.3 Área de Verificação

Foi realizada uma fotointerpretação da imagem adquirida (Figura 7) considerando-se características fundamentais de interpretação visual (Tonalidade e Cor, Forma e Tamanho, Padrão, Textura, Associação e Sombra) de acordo com as classes indicadas na seção 6.3.5.

Figura 7: Foto aérea utilizada na realização do trabalho. Fonte: O Autor (2013)

Na imagem abaixo (Figura 8), ressalta-se a qualidade da imagem, aproximando uma torre de transmissão de energia, sendo que a idéia principal do trabalho é a identificação de obstruções em suas linhas de transmissão.

Figura 8: Detalhe da torre de transmissão na imagem a ser classificada. Fonte: O Autor (2013).

6.3.4 Classificação Supervisionada

Realizaram-se duas classificações com técnicas diferentes para posteriormente verificar a potencialidade entre as mesmas, sendo essas a classificação pelo método de Maxver (pixel a pixel) e pelo método de classificação hierárquica (segmentação).

6.3.5 Amostragem

Para toda classificação supervisionada é necessário à realização de coleta de amostras para treinamento. Para esse trabalho foram definidas as seguintes classes (Figura 9):

Figura 9: Classes estabelecidas no trabalho. Fonte: O Autor (2013)

Estas classes foram definidas levando em consideração os obstáculos geralmente encontrados em campo, que na maioria das vezes consistem em diferentes tipologias florestais, uso e ocupação do solo, e a presença de edificações e/ou outras construções (linhas de transmissão, estradas, etc.).

Foi realizada a classificação supervisionada nas imagens para determinar o uso e ocupação do solo, bem como possíveis obstáculos dentro da faixa de servidão das linhas de transmissão, ou próximo das mesmas mas que possam interferir no funcionamento da própria. Possuindo também como aplicação secundária o uso em mapeamentos para a implantação de novas instalações de rede elétrica.

6.3.6 Classificação Hierárquica

A classificação por regiões considera um agrupamento de pixels de mesmas características, sendo realizada a classificação de forma orientada a objeto, utilizando o

software eCognition Developer 8.7 para a segmentação da mesma.

Floresta Estabelecida

Floresta em Regeneração

Vegetação Não Vegetação

Outros Edificações Solo Exposto

Linhas de Transmissão Estradas Ferrovias Água Áreas Cultivadas

Esse método foi escolhido, pois utiliza além da informação espectral dos pixels contidos na imagem, a relação entre esses pixels e seus vizinhos, assim se comparou a exatidão da classificação orientada a objeto em relação a outra tradicional. Essa classificação é feita a partir de atributos e seus intervalos de valores, definidos por meio de amostras selecionadas, o processo consiste em: segmentação da imagem, estabelecimento de uma rede hierárquica, definição de atributos e classificação (ALVES et al. 2009).

Para a realização desta classificação o processo aconteceu basicamente em 3

software, o eCognition para a segmentação da imagem, o ArcGis para seleção das amostras e

arranjo dos dados e o WEKA (WAYKATO, 2013) onde ocorreu o treinamento das amostras, a classificação propriamente dita e a verificação dos resultados.

Optou-se por esse software pelo fato de ser um sistema gratuito que dispunha de diversas ferramentas, dentre eles: rede neural artificial (RNA), árvores de decisão, entre outros. Foram testados todos os métodos de árvores de decisão, porém foram escolhidos os três que apresentaram resultados mais consistentes para a utilização no trabalho. A seguir é descrito brevemente algumas informações sobre os algoritmos utilizados.

• RNA: Segundo HAYKIN (2001, p. 271) uma RNA pode ser descrita como um arranjo de unidades, neurônios interconectados, que trabalham em paralelo para classificar e generalizar dados de entrada em classes de saída. Possui capacidade como classificador de realizar virtualmente a incorporação de qualquer tipo de dados espacialmente distribuídos, inclusive são capazes de realizar buscas, aprender pela experiência, descobrir novos caminhos e soluções para problemas, realizar associações e generalizações, além de aprender as características de um padrão a fim de transformá-la em informação utilizável (FITZ, 2008, p. 22).

• FT (Functional trees): O algoritmoutiliza umaestratégia de particionamento

recursivo no padrão “top-down” para a construção de um árvore de decisão onde a divisão em cada nó é única e variável, este algoritmo é capaz de

considerar tanto os atributos originais

dos dados como novos atributosconstruídosusandouma função deconstrutor de atributo. No caso de classificação, um novo atributo é criado para cada classe e os valores são previstos atavés de probabilidades (LANDWEHR;

• LMT (Logistic model trees): esse processo consiste basicamente em uma

estrutura de árvore de decisão padrão com logística, atendendo em funções de regressãopara as folhas.Como emárvores de decisõesnormais,um ensaio em um dos atributos é associado com cada nó interno. Para um atributo

nominal (enumerados), com valores de k, o

nó tem k nós filhos, e as instâncias são classificadas por uma das filiais k dependendo do seu valor do atributo. Para os atributos numéricos, o nó tem dois nós filhos e o teste consiste em comparar o valor do atributo com um limiar: uma instância é classificada abaixo do ramo esquerdo se o seu valor de atributo for menor do que o limite inferior da ordenada e para o ramo direito caso ocorra o contrário (LANDWEHR; HALL; FRANK, 2005, p. 173).

• Random Forest: Segundo Breiman (2001) este algoritmo é um conjunto de árvores de classificação. Cada árvore dá um voto que indica sua decisão sobre a classe do objeto. A classe com o maior número de votos é escolhida para o objeto.