Tratamento digital de imagens orbitais

As imagens de satélites, no formato digital ou analógica, são compostas de elementos discretos, pictoriais, denominados “Pixels”, cujas informações radiométricas são quantificadas em valores de níveis de cinza, que varia de 0 a 255 níveis para o caso de dados digital e de 0 a 16 níveis para o caso analógico (Chen, 1989).

O tratamento digital dessas imagens baseia-se em técnicas de reconhecimento de padrões, através da aplicação de funções matemáticas ou algorítimos aos dados gravados pelos sensores. Este procedimento é também conhecido como análise digital .

Lo (1994) enfatizou que o processamento das imagens multitemporais permitem extrair as características dos alvos ao longo do tempo, através de técnicas que incluem quocientes, transformações lineares entre bandas e transformações canônicas e de componentes principais.

O sucesso na obtenção de resultados através da análise digital, também está sujeito a alguns dos fatores básicos, citado por Duarte (1989), ou seja, época de obtenção dos dados bandas espectrais e experiência do pesquisador em associar os padrões espectrais observados nos dados digitais com os alvos na superfície da terra.

A metodologia utilizada para análise de digital de dados de satélite, segundo ainda Chen (1989), envolve duas etapas: o treinamento e a classificação. Entretanto, outras duas etapas devem ser mencionadas ou seja, o pré-processamento e o pós-processamento pois visam melhorar o resultado da análise digital.

2.5.2.1. Pré-processamento

Esta etapa tem como objetivo melhorar a qualidade da imagem, realçando detalhes importantes e eliminando possíveis defeitos de gravação, para facilitar a análise pelo interprete dentre as técnicas de pré-processamento, pode-se citar a manipulação de contraste, filtragem espacial, detecção de bordas, retificação radiométrica, registro de imagem, transformação de imagem nível de cinza em imagem reflectância, entre outras. Neste capítulo será comentado com maior detalhe apenas aquelas técnicas de pré-processamento que se julga necessárias para atender os objetivos propostos nesta pesquisa.

a) Manipulação de contraste

Quando os alvos de uma determinada área que é imageada pelo sensor TM, possuem pequenas variações da energia refletida e esta quantidade de energia é relativamente baixa, estes alvos e os dados do Landsat-TM apresentam valores de níveis de cinza muito próximos uns dos outros. A manipulação de contraste é empregada, neste caso, para aumentar o contraste visual entre alvos. Para tal, procura-se dar valores mais altos para os alvos que têm maiores reflectância e mais baixos para aqueles com menores valores de reflectância.

Desta forma, há uma maior diferenciação entre eles de modo a possibilitar uma visualização melhor desses diferentes alvos.

b) Retificação geométrica e registro

A retificação geométrica e registro das imagens representam fases importantes para possibilitar o estudo em várias imagens diferentes, pois, se não realizados podem induzir erros no processo interpretativo das mudanças na cobertura da terra, a partir de variações no número de pixels.

Townshend et al. (1992) mostraram que, em duas imagens MSS/ Landsat, um erro de registro de um pixel gerou um erro de mais de 50% de diferença aos valores de Índice de Vegetação da Diferença Normalizada (NDVI), em áreas densamente florestadas. Dados esses que levaram os autores a concluírem que para alcançar um erro menor (10%), ou seja, um melhor registro, seria necessário um exatidão mínima de 0,2 pixel para áreas densamente florestadas e de 0,5 - 1 pixel para áreas menos florestadas.

2.5.2.2. Técnicas de classificação de imagens digitais

A classificação digital de dados de satélites pode ser feita através do emprego de algoritmos de reconhecimento de padrões com diferentes abordagem de classificação, ou seja, algoritmos de classificação supervisionada (exige a interação do interprete

na fase de treinamento do computador para a definição das classes de ocupação do solo) e aqueles não-supervisionados, isto é, não necessita da fase de treinamento do computador.

Para Pereira (1994), a classificação de imagem consiste em identificar nas imagens os diferentes alvos, fenômenos ou feições que apresentem padrões espectrais similares e atribuí-los a uma determinada classe.

a) Classificação supervisionada

A classificação supervisionada baseia-se na suposição do conhecimento prévio da área a ser classificada, a partir do qual se selecionam as amostras de “pixels" que irão compor o arquivo de treinamento para o classificador. O conhecimento de diferentes classes de ocupação do solo, na área de estudo, pode ser adquirido de mapas temáticos obtidos através da interpretação visual de imagens de satélites no formato analógico (Schowengerdt, 1983).

A classificação supervisionada é o procedimento mais usado para análise quantitativa e nela o usuário seleciona áreas de treinamento pertencentes às classes desejadas. O usuário treina o analisador de imagens, deixando a ele a tarefa de localizar todos os demais "pixels" pertencentes às classes anteriormente definidas, baseado em algumas regras estatísticas pré-estabelecidas.

A maioria dos tipos de algoritmo de classificação utiliza a informação de cada “pixel” independentemente (“pixel” a “pixel”). Esses tipos de classificadores baseiam-se em funções de densidade de probabilidade ou apenas em modelos determinístico (Haralick & Fu, 1983).

A classificação supervisionada, segundo Gong & Hawarth (1990) requer cinco etapas principais que são: a) pré-processamento dos dados, ou seja, correção geométrica, radiométrica (no caso de classificação multitemporais) e redução da dimensionalidade; b)treinamento do classificador; c) rotulação dos “pixels” ou seja, atribuir a cada “pixel” uma determinada classe espectral da imagem, de acordo com as estatísticas de treinamento; d) pós processamento e d) avaliação da exatidão de mapeamento, através da comparação dos dados classificados com a informação de campo.

Os algoritmos de classificação supervisionada mais utilizados correspondem ao Método do Paralelepípedo ("Single Cell") e ao Método da Máxima Verossimilhança.

O algoritmo identifica todas as áreas da cena a ser classificada que apresentem características espectrais similares àquelas fornecidas pelas áreas de treinamento de classes (Pereira, 1994).

b) Classificação não-supervisionada

Na classificação não-supervisionada assume-se que o valores dos “pixels” da imagem formam uma série de agrupamentos (“clusters”). Estes “clusters” possuem os “pixels “com comportamento espectral homogêneo e, portanto, podem estar associado às classes

temáticas de interesse (Ramilo, 1988).

Segundo Crosta (1992), este sistema de classificação é utilizado quando não se tem nenhum tipo de conhecimento sobre a área de estudo, ou seja, quando não se dispõe de dados prévios sobre o número de classes presentes na cena de interesse. Essa abordagem de

classificação corresponde a uma técnica de segmentação de imagens onde elas são divididas em classes não conhecidas, ou seja, o classificador define as classes com base em regras estatísticas.

Existem vários algoritmos de classificação não-supervisionada. Richards (1995) comenta que o usuário deve escolher um número elevado de classes iniciais, levando em consideração que, após a execução do procedimento, algumas das classes resultantes podem ser agregadas num processo de união.