Академический Документы
Профессиональный Документы
Культура Документы
,1752'8d2
H dcadas que o sensoriamento remoto vem sendo utilizado como ferramenta para o
mapeamento da superfcie terrestre. Os primeiros produtos de sensoriamento remoto,
tais como as fotografias areas, apresentam altos custos de obteno e sofrem grande
restrio temporal e espacial. Estas restries se devem ao fato de que, geralmente, o
levantamento aerofotogramtrico realizado em pequenas regies e em grandes
intervalos de tempo. Com o advento dos sensores orbitais, grandes reas puderam ser
imageadas com uma certa periodicidade, o que possibilitou a realizao de estudos
multitemporais em extensas regies a um custo relativamente baixo.
Os sensores podem ser classificados de acordo com a regio do espectro
eletromagntico em que operam, cujas principais faixas podem ser vistas na Figura 1.
Dentro do sensoriamento remoto, os sensores nos quais os especialistas possuem
mais experincia so os pticos. Estes sensores so classificados desta maneira por
operarem na faixa ptica do espectro eletromagntico, regio esta que compreende
comprimentos de onda variando de 0,30 a 15,0P. Os sensores pticos podem ser
classificados, em funo do tipo de energia que detectam, como sensores termais e de
energia refletida, cujas regies de operao so 7,0 a 15,0P e 0,38 a 3,0P,
respectivamente. Algumas desvantagens associadas ao uso destes sensores so a
necessidade de uma fonte externa de iluminao (sensor passivo), excetuando-se os
sensores termais, e a grande dependncia das condies climticas.
Devido a limitaes na obteno de imagens de sensores pticos, outros sensores
podem ser utilizados operando em diferentes faixas do espectro eletromagntico, entre
elas a faixa de microondas. A faixa de microondas dividida em bandas, designadas
por letras, e est mostrada em detalhes na Figura 1. Os sensores que operam nesta
faixa possuem a grande vantagem de poderem adquirir dados independentemente da
iluminao solar e de serem pouco influenciados pelas condies atmosfricas, uma
vez que a transmitncia atmosfrica praticamente total para a faixa de microondas.
Esta caracterstica particularmente interessante para regies tropicais, onde
sensores pticos sofrem grande restrio devido alta probabilidade de ocorrncia de
nuvens.
Os sensores de microondas podem ser divididos em dois grupos bsicos: passivos
(radimetros) e ativos (radares). Os radimetros de microondas detectam a energia
emitida pelo alvo analisado, j que o espectro de emisso solar apresenta quantidades
praticamente nulas de energia na faixa de microondas e, ento, a parcela de
microondas refletida desprezvel. Os radares, por sua vez, possuem sua prpria
fonte de energia na faixa de microondas e captam a energia refletida pelo alvo em
estudo nesta faixa do espectro eletromagntico. O termo RADAR, acrnimo de 5$GLR
'HWHFWLRQ $QG 5DQJLQJ, define que o dispositivo capaz de detectar um objeto (alvo),
indicando sua distncia (UDQJH) e posio (Trevett, 1986). Pelo fato de medir
distncias, o radar possui um problema de ambigidade, uma vez que alvos
localizados mesma distncia da antena so indistingveis pelo sistema
Raio
Gama
20
10
Raio X
18
10
UV
16
10
V
i
s
v
e
l
Infravermelho
14
10
10
10
8
10
3000 km
30 km
3 km
300 m
udio
Rdio
Radar
Microondas
12
10
30 m
3m
300 mm
30 mm
3 mm
0,3 mm
0,03 mm
3000 nm
300 nm
30 nm
3 nm
0,3
0,03
Comprimento de onda
6
10
4
10
2
10
Freqncia (Hz)
Bandas
0,39
Freqncia (GHz)
0,3
Comp. de onda (cm) 100
1,55
C
3,9
5,75 10,9
36
V
46
W
56
1,0
3,0
10,0
30,0
100,0
30
10
0,3
entre outras. neste contexto que se insere este trabalho, enfatizando aspectos
relativos classificao de imagens de radar de abertura sinttica.
10
15
90
180
K
F
e =
,
"cos( )
2sen ( )
Direo de vo
/2
Range
Near range
Far range
Largura
da faixa
imageada
Azimute
"
.
2
Q"
.
2
3 *
3 =
,
) 5
c Retroespalhamento direto
das plantas
Retroespalhamento
direto
d
do solo (inclui 2 caminhos
de atenuao pelo dossel)
e Espalhamento mltiplo
pelo solo e plantas
U<
,
8cos( )
superfcie
rugosa
superfcie
ligeiramente rugosa
superfcie
lisa
Ulaby et al. (1986b), trabalhando com milho e trigo, encontraram correlaes positivas
entre os valores do e a porcentagem de cobertura at o ponto quando a cultura
atingiu a maturao. A partir deste momento, a correlao passou a ser negativa, ou
seja, o aumento da porcentagem de cobertura provocou diminuio dos valores do
coeficiente de retroespalhamento. Resultados similares foram conseguidos por Fischer
e Mussakowski (1989).
Estudando a relao entre o ndice de rea foliar (IAF) e o , Ulaby et al. (1984)
observaram que, para freqncia de 13 Ghz (banda K) e ngulo de incidncia de 50o,
houve um aumento linear do do dossel, para milho e sorgo, quando incrementou-se
o IAF at o valor prximo a 2. A partir deste ponto, a sensitividade do para o IAF foi
praticamente nula. J para o trigo, esta sensitividade foi mantida at altos valores de
IAF (prximo de 9). Os mesmos autores observaram que, na fase inicial de
desenvolvimento (plantas pequenas e IAF < 0,5), o do dossel foi muito afetado pela
umidade do solo. Durante a fase de desenvolvimento (IAF > 0,5), o foi dominado
pelas folhas. J no estgio de pr-colheita (IAF < 0,5), o foi dominado pelas
contribuies do solo, hastes e espigas. Brakke et al. (1981), analisando a relao
entre o IAF e , para as culturas de milho, trigo e sorgo utilizando quatro freqncias
(8,6; 13; 17 e 35,6 GHz) nas polarizaes HH, HV e VV e com trs ngulos de
incidncia (30o, 50o e 70o), observaram que as maiores correlaes entre IAF e
ocorreram para a freqncia de 13 GHz, polarizao VV e ngulo de incidncia de 30o.
A influncia da direo da linha de plantio da cultura sobre o tem sido analisada por
muitos autores (Batlivala e Ulaby, 1977; Ulaby et al., 1979; Paris, 1983). Batlivala e
Ulaby (1977), comparando as bandas L e C em culturas de sorgo e trigo, notaram um
grande efeito da direo da linha para as polarizaes HH e VV da banda L. Por outro
lado, os efeitos da direo da linha no foram evidenciados para a polarizao
cruzada da banda L e para qualquer uma das polarizaes da banda C. Paris (1983)
observou que, em culturas de milho e soja, o efeito da direo da linha sobre o
desapareceu quando ngulos de incidncia maiores que 25o foram utilizados.
10
formato digital (para formar uma seqncia de dados). A seqncia de dados formada
denominada UDQJH ELQ ou UDQJH JDWH e ir formar uma linha da imagem, com nmero
de SL[HOV dependente da taxa de amostragem empregada no sinal. Esta taxa de
amostragem define o espaamento entre centros de SL[HOV (SL[HO VSDFLQJ). medida
que o sensor se desloca (na direo azimutal), o processamento dos pulsos emitidos
ir compor as colunas da imagem (processamento em azimute). Em Mura (1990,
1991) e Fernandes (1993), o processamento SAR para a formao de uma imagem
descrito detalhadamente.
As imagens SAR complexas obtidas pelo processo de demodulao coerente podem
ser representadas pelas suas componentes em fase (,) e quadratura (4), como dito
anteriormente. Contudo, estas imagens ainda podem ser representadas em
intensidade ou amplitude, dependendo apenas do tipo de deteco realizada,
(b)
(c)
(d)
11
Na Figura 8, mostrado o efeito causado nos SL[HOV de uma imagem de radar quando
ocorrem algumas variaes de movimento da plataforma (sensor): o desvio horizontal
e o vertical, a arfagem (SLWFK) e a guinada (\DZ). Alm destes pode ocorrer tambm a
rolagem (UROO).
rota da plataforma
mapeamento
ideal do solo
desvio
horizontal
ou vertical
arfagem ou
variao de
velocidade
guinada
12
Imagem em
Radar
A BCD E F G
Imagem em
Frente de
onda
Cena
)RUHVKRUWHQLQJ
Distoro
Imagem
13
Frente de onda
Cena
/D\RYHU
Distoro
Imagem
AB < DE
Frente de
onda
rea de Sombra
14
1HDU 5DQJH
)DU 5DQJH
(a)
(b)
15
1& 2 + $0
= 10 log10 sen ( )
$
16
e < = <
I ( ) ( \ ) =
Q
\
( Q)
exp( Q\)
~ (Q, Q) e descrita
Q, \ > 0 ,
(1)
( )
( )
I ( ) ( \ ) =
2Q
\ 2
( Q)
1/ 2
exp(Q\ 2 )
Q, \ > 0 .
5HWURHVSDOKDPHQWR
A modelagem do retroespalhamento, geralmente, associada homogeneidade das
reas imageadas, a qual tambm depende dos parmetros do sensor (freqncia,
polarizao, ngulo de incidncia, etc.). Neste trabalho, seguindo a modelagem
proposta por Frery et al. (1997a), considerado um modelo geral para o
retroespalhamento, e a partir dele pode-se obter modelos mais simples para reas
com diferentes graus de homogeneidade, aqui denominadas, de maneira geral,
homogneas, heterogneas e extremamente heterogneas. O uso destes modelos
1
17
1/2( , )
Amplitude
Amplitude
(Q,Q)
1,5
2,5
Q=8
Q=1
1,0
gaussiana
1,5
Q=2
0,5
gaussiana
Q=2
1,0
0,5
0,0
Q=8
2,0
Q=1
0,0
0
I ( [) =
( ) 2
[ 2 1 exp 2 [ 2
. 2
[
[>0
> 0, 0, se < 0
> 0, > 0, se = 0
0, > 0, se > 0
(2)
1/2
18
I ( [) =
2 2 1
[
exp([ 2 )
( )
, , [ > 0 ;
I ( [) =
[ 2 1 exp 2
( )
[
2
, , [ > 0 .
( , )
Heterognea
/ 11/ 2
1/ 2
0
, > 0
11/ 2
Homognea
1 1/ 2 ( , , )
Extremamente
Heterognea
0
, > 0
1 / 2
( , )
21/ 2
,
/ 21/ 2
2Q
( )
(Q ). (2
2 1
+ Q] 2
( )
2
. 2 + Q] 2
))
]5,
(3)
I rt ( s ) ( ] ) =
2Q q
] 2q
q ( )
exp( Q] 2 / )
Q, , ] > 0 ,
(4)
19
I t ( ) ( ] ) =
4Q]
Q] 2
( ) (Q )
I t ( ) ( ] ) =
)(
. 2 ] Q
+ 2 )/ 2
2Q (Q )] 2
(Q ) ( )( + Q] 2 )
, , Q, ] > 0 ,
, , Q, ] > 0 .
(5)
(6)
K A ( , , Q)
Heterognea
0
, > 0
,
/ 1
1 / 2 ( Q, Q / 1 )
Homognea
G A ( , , , Q)
0
, > 0
Extremamente
Heterognea
G ( , , Q)
0
A
,
/ 2
1/ 2 (Q, Q 2 )
reas
Retroespalhamento
( ;)
Homogneas
1/2
Heterogneas
1/2(,)
Extr. Heterogneas
- (,)
Geral
1/2
N-1/2(,,)
6SHFNOH
( < ( ) )
(Q,Q)
1/2
Retorno Observado
( = ( ) )
1/2(Q,Q)
KA(,,Q)
G 0A (,,Q)
GA(,,,Q)
20
GA0
KA
1/2
Nvel de Cinza
6
6
6 = 6 H
= V H
=1
uma amplitude V
e fase .
6
= = 6
6
21
=
onde =
= = (N ) = (N ) ,
Q =
(7)
I t ( ) ( ] ) =
. (Q, T ) &
Q, T > 0 ,
(1 / 2 )
1)
(8)
(Q) (Q T + 1) ,
] e (( ) denota a esperana
matemtica.
Para reas heterogneas, o retroespalhamento pode ser modelado pela distribuio
Gama, como no caso de dados monoespectrais em intensidade. Baseado nesta
modelagem, Lee et al. (1994c) desenvolveram, a partir da Equao (7), a distribuio
de = ( ) , denominada KC multivariada PXOWLORRN, que caracterizada por:
I t ( ) ( ] ) =
2]
(Q ) ( +
. (Q, T ) &
)/2
. 2 Q7U (& ] )
( )7U (& ] )
) / 2
, Q, T > 0 .
(9)
22
I t ( ) ( ] ) =
(TQ )
( ) ( ) . (Q, T ) &
(Q7U (&
])
, Q, T > 0 .
(10)
1
1
2
2
= 1 = 6 ( N ) e = 2 = 6 (N ) .
Q =1
Q =1
A distribuio do par de imagens em intensidade PXOWLORRN, derivada em Lee et al.
(1994a), dada por:
I (
1,
2)
( ]1 ] 2 ) =
+1
]1 ] 2
( K11 K22
1
2
+1
2
Q(] K + ] K )
1
11
2
22
exp
Q 1
Q
]1 ] 2 (11)
,
K11 K22
onde K = ([ = ] , K = ([ = ] ,
([ 6 6 ]
([ 6
]( [ 6
complexo PXOWLORRN, L =
ordem Q 1 .
1 e ,
= H ,
Probabilidade
23
Valores d
e
Intensida
de 1
Valores de
e2
Intensidad
H
Seja uma imagem diferena de fase PXOWLORRN representada pela varivel aleatria ,
obtida a partir de duas componentes 6 e 6 da matriz de espalhamento, de acordo
com a equao (Lee et al., 1994a):
= $UJ 6 (N ) 6 (N ) ,
Q
=1
I ( ) =
onde
(Q + 1 / 2)(1
2 (Q)(1 2 )
= cos( ) ,
+1 / 2
2 )1 (
(1
2
)1 (Q, )
( ) , (12)
I ( Z) =
onde = K11 K22 .
(2Q)(1 ) ( + Z) Z
2
2 (Q)[( + Z) 2 4
Z]( 2
+1) / 2
(13)
24
Valores de
Diferena de Fase
Valores de Intensidade
25
%1 =
Q= 1
=
K11
6 (N )
=1
K11
E
exp
E1 exp
1
G
1 2 E1
G
,
I ( 1 , ) (E1 , ) =
1 )1 1
+
2 ( Q)
2 ( Q) G
2 G
1
onde G = 1
(14)
Probabilidade
Valores de
Diferena de Fa
se
de
Valores e
d
a
id
s
Inten
26
7(;785$
27
3 (L , M ) ( L + M ) = N ,
3 (N ) =
(N ) = 3 (L, M )
L M = N .
Dessa forma, utilizando-se a mesma imagem de 8 ELWV, o vetor soma ter 511
elementos e o vetor diferena 256 elementos.
A seguir apresentam-se algumas medidas de textura baseadas na matriz de coocorrncia:
uniformidade (energia)
81, =
contraste
&21 =
(L M ) 3(L, M )
2
homogeneidade
+20 =
entropia
(17 =
3(L, M )
3 (L, M )
1 + (L M )
correlao
&25 =
LM3(L, M )
onde
L3 (L ,), =
M3 (, M ) , =
=
(L ) 3(L,) ,
2
3 (L , M ) e 3 (, M ) =
3 (L , M )
3 (L,) =
chi-quadrado
&+, =
3 (L, M )
3(L,)3(, M )
( M ) 3(, M ) ,
2
28
Estas e outras medidas foram utilizadas por Renn (1995) e Soares et al. (1997) como
descritores texturais para a discriminao de culturas agrcolas. As medidas baseadas
na matriz de ocorrncia so, de modo geral, denominadas medidas de Haralick.
Sendo J([\) o valor digital da regio J na posio ([\), pode-se definir o valor de
autocorrelao considerando-se um deslocamento (ODJ) de (XY) como:
(X , Y) =
1
(Q | X |)(Q | Y |)
1
Q Q
| | | |
J ( [, \ ) J ( [ + X , \ + Y )
=1
=1
=1
=1
( [, \ )
| X | < Q e | Y | < Q ,
29
30
31
distribuies. Portanto, as regras de deciso para a atribuio de cada SL[HO a uma das
classes 1, 2 ou 3, do exemplo da Figura 20, so dadas por:
Probabilidade
Nvel de cinza
KA (Figura 21b) e G 0A (Figura 21c) que foram as melhores ajustadas a estes dados e
Em Vieira (1996), reportado (para dois tipos de imagens) uma melhora mdia de
aproximadamente 6% no desempenho do classificador MaxVer com as distribuies
melhores ajustadas, quando comparado com o obtido pelo classificador MaxVer sob a
hiptese de Gaussianidade. Esta melhoria relativamente pequena devida ao fato de
o classificador MaxVer s levar em conta a informao radiomtrica pontual e tambm
pela baixa relao sinal-rudo destas imagens.
O classificador MaxVer implementado no sistema desenvolvido no INPE, possibilita a
classificao de dados monoespectrais em amplitude (utilizando as distribuies 1/2,
KA e G 0A descritas na Seo 1.5.1.3, Weibull, Lognormal e Gaussiana), de dados
polarimtricos completos (utilizando as distribuies dadas pelas Equaes (8), (9) e
(10)), e para dados provenientes dos polarimtricos (utilizando as distribuies dadas
pelas Equaes (11), (12), (13) e (14)).
32
Gaussiana
Gaussiana
Probabilidade
Probabilidade
Probabilidade
Gaussiana
Nvel de Cinza
KA
GA0
Probabilidade
Nvel de Cinza
(a)
Probabilidade
Nvel de Cinza
1/2
Probabilidade
Nvel de Cinza
Nvel de Cinza
(b)
Nvel de Cinza
(c)
33
apresenta certas vantagens com relao aos outros dois, como descrito em
Frery (1993), e o utilizado no classificador contextual aqui apresentado.
O algoritmo ICM um mtodo de refinamento iterativo de uma classificao inicial,
consistindo em substituir a classe atual associada a cada SL[HO por aquela que
maximiza a distribuio D SRVWHULRUL da classe, dados o nvel de cinza (componente
MaxVer) e as classes vizinhas (componente contexto). Quando o modelo de PottsStrauss adotado para modelar a distribuio D SULRUL, a maximizao da distribuio D
SRVWHULRUL equivale a maximizar a seguinte funo de verossimilhana:
/ ( ) = I ( ] ) exp( # {W : = }) ,
onde I(] ) representa a distribuio associada classe , com o nvel de cinza ]s na
coordenada V, um parmetro real que quantifica a influncia das classes vizinhas,
sendo estimado iterativamente, representa o nmero de elementos de um conjunto, W
denota a coordenada de um pixel e s o conjunto de coordenadas em torno de V.
Esta expresso pode ser reduzida ao classificador MaxVer ou ao filtro de Moda,
quando 0 ou , respectivamente. Para mais detalhes sobre o algoritmo ICM e
a estimao do parmetro , recomenda-se Frery (1993), Vieira (1996) e Frery et al.
(1997c). A Figura 22 ilustra o processo iterativo de refinamento do algoritmo ICM na
classificao de uma imagem SAR, partindo-se inicialmente de uma classificao
MaxVer. Nesta figura, pode-se observar que para cada iterao (imagem ICM-0 at a
imagem ICM-7) o parmetro estimado ( ) possui um valor diferente, e que h uma
melhoria na classificao em cada passo.
(0) = 0,38
MaxVer
(1) = 0,53
ICM 0
...
(7) = 0,85
ICM 7
34
35
)'
Q (; ;
Q (; ;
=
+ Q (;
+ Q (;
=
(15)
Alguns resultados obtidos com o uso dos classificadores/sistemas acima citados sero
apresentados a seguir. Objetiva-se exemplificar o uso de imagens SAR no
mapeamento de diferentes usos e ocupaes do solo, com nfase em vegetao,
utilizando a classificao digital. Esses exemplos fazem uso de imagens adquiridas
pelos seguintes sistemas:
36
V 2
MaxVer Gaussianas
0,3859
7,296x10-5
MaxVer Ajustadas
0,4060
6,206x10-5
ICM Gaussianas
0,7222
3,321x10-5
ICM Ajustadas
0,7688
2,895x10-5
Classificao
37
&
5
)
(a)
(b)
38
(b)
(c)
(d)
39
V 2
MaxVer Gaussianas
0,3283
10,300x10-5
MaxVer Ajustadas
0,3728
9,789x10-5
ICM Gaussianas
0,6559
8,717x10-5
ICM Ajustadas
0,7388
6,779x10-5
Classificao
40
(a)
(c)
(d)
(e)
41
para modelar as observaes das trs classes da imagem filtrada pelo parmetro ,
muito embora estas observaes no tenham sido bem ajustadas a nenhuma das
distribuies.
7DEHOD 'LVWULEXLo}HV XWLOL]DGDV SDUD DV FODVVLILFDo}HV 0D[9HU,&0
Classes
Imagem
Ativ. Recente
Regenerao
Floresta
Lognormal
Lognormal
G 0A
KA
Lognormal
KA
Coef. de Variao
Lognormal
Lognormal
Lognormal
da K-Amplitude
Gaussiana
Gaussiana
Gaussiana
Degradada
Frost
Cruzadas
Individuais
Classificao
MaxVer
ICM
Degradada
0,0514
0,1150
Frost
0,0952
0,1300
Coeficiente Variao
0,4635
0,5430
da K Amplitude
0,6304
0,7072
Degradada e CV
0,4385
0,6141
Frost e CV
0,5136
0,6408
Degradada e
0,5673
0,6912
Frost e
0,6454
0,7176
42
(a)
(b)
(c)
(d)
43
(a)
(b)
(c)
(d)
(e)
(f)
44
Caatinga
Milho1
Milho2
Restolho
Rio
Soja1
Soja2
Soja3
Solo Preparado
)LJXUD &RPSRVLomR FRORULGD 5++ *+9 H %99 GD LPDJHP GH %HEHGRXUR
FRP DV DPRVWUDV GH WUHLQDPHQWR GDV FODVVHV GH LQWHUHVVH
)RQWH $GDSWDGD GH &RUUHLD S
Como mostrado em Correia (1998), de posse das amostras de treinamento das
classes foram realizadas todas as combinaes possveis entre as componentes
polarimtricas, para as bandas C e L, para cada um dos classificadores MaxVer/ICM
baseados nas distribuies univariadas (razo de imagens em intensidade e diferena
de fase) e bivariadas (par de imagens em intensidade e par de imagens intensidadediferena de fase), conforme descritas na Seo 1.5.2.
De posse das classificaes MaxVer e ICM, para cada tipo de dado uni/bivariado
polarimtrico, para as bandas L e C, foram geradas as respectivas matrizes de
confuso dessas classificaes, utilizando-se as amostras de testes (diferentes das
amostras de treinamento). Devida grande quantidade de classificaes geradas, so
mostrados na Tabela 6 apenas os valores de Kappa ( ) e das respectivas varincias
( V 2 ) das classificaes que melhor discriminaram cada classe de interesse. Essas
classificaes podem ser vistas na Figura 29.
7DEHOD 9DORUHV HVWLPDGRV GR FRHILFLHQWH GH FRQFRUGkQFLD .DSSD N H GH
VXDV YDULkQFLDV V
Classificao
V 2
0,6062
1,998x10-5
0,3572
1,507x10-5
0,5824
1,987x10-5
0,6824
1,714x10-5
0,6498
1,904x10-5
45
(b)
(a)
(d)
(c)
(e)
46
Classificao
Observaes
Restolho
Caatinga
Soja1
Soja3
Rio
Solo Preparado
Milho1
Soja2
Milho2
47
(a)
(b)
(c)
(d)
Medidas
Mediana
FP/RA
FP/RN
FP/AR
RA/RN
RA/AR
RN/AR
7,09
14,66
2,29
23,44
2,28
1,59
1,17
2,31
1,04
Entropia (Haralick)
Correlao (Haralick)
1,12
4,40
4,14
48
grande parte das pequenas regies foram classificadas como Regenerao Antiga,
quando, de fato, deveriam ser classificadas como Regenerao Nova.
Para melhorar este resultado, a seleo e classificao foi feita em dois passos.
Inicialmente, definiu-se dois grupos: o primeiro formado pelas classes Floresta
Primria e Regenerao Antiga, e o segundo formado pelas classes Regenerao
Nova e Atividades Recentes. O processo de seleo foi refeito e a mediana foi
escolhida como a melhor medida para discriminar estes dois grupos, com fator
discriminante igual a 10,10. A classificao foi feita a fim de separar esses 2 grupos.
Numa segunda etapa, as regies de cada grupo separadamente foram classificadas
em uma das classes que compunham o grupo usando-se a medida selecionada para
aquele par de classes (entropia de Haralick para o par Floresta Primria/Regenerao
Antiga e mediana para o par Regenerao Nova/Atividades Recentes). O resultado
desta classificao mostrado na Figura 30d. Visualmente, pode-se verificar uma
melhora na classificao quando comparado ao procedimento anterior (classificao
em um passo).
&216,'(5$d(6 ),1$,6
Este captulo teve como objetivo mostrar uma viso geral de diversos aspectos
relativos utilizao de imagens de radar, apresentando as principais caractersticas
que envolvem a geometria de imageamento de sistema de radar, comportamento dos
alvos na regio de microondas, modelagem estatstica utilizada para dados SAR,
descritores de textura e classificadores pontuais, contextuais e por regies. Para
ilustrar o uso de classificadores, utilizando-se diversas imagens SAR, foram
apresentados exemplos de aplicaes especificamente para discriminao de
diferentes tipos de uso e ocupao do solo.
Apesar da utilizao de imagens de radar em aplicaes civis ser um campo de
pesquisa relativamente novo, a bibliografia sobre ela extensa, e muitas tcnicas para
a anlise de imagens de radar tm surgido nos ltimos anos. Muitas destas tcnicas,
tais como filtragem do rudo VSHFNOH, segmentao de imagens, orto-retificao,
correo de distores geomtricas, fuso de dados, interferometria, gerao de
modelos digitais de terreno, etc., no foram abordadas neste captulo, uma vez que o
enfoque principal foi a classificao de imagens SAR, mas seu conhecimento de
extrema relevncia para usurios deste tipo de sensor.
Grande parte das tcnicas para a anlise de imagens de radar ainda se encontram em
desenvolvimento, as quais devero ser aprimoradas a fim de melhorar a confiabilidade
dos produtos obtidos a partir deste tipo de imagem. A utilizao das tcnicas mais
adequadas depender do tipo de aplicao, da caractersticas do sensor, etc. Estas
tcnicas, quando estiverem bem fundamentadas e integradas em um nico sistema,
sero de grande valia para a construo de um sistema de informaes geogrficas
capaz de agregar diferentes tipos de informaes.
$*5$'(&,0(1726
Os autores gostariam de agradecer o apoio financeiro recebido do CNPq (Proc.
300927/92-4) e do PPG-7 (0808/95 e 0816/95), Convnio FINEP (6.6.96.0473.00 e
6.6.96.0474.00). Um agradecimento especial feito AeroSensing Radar-Systeme
por permitir a utilizao das imagens obtidas pelo AeS-1, mostradas nas Figuras 7 e
13. Os autores agradecem tambm ao Instituto Nacional de Pesquisas Espaciais e
Diretoria de Servio Geogrfico do Exrcito Brasileiro pela oportunidade da realizao
deste trabalho.
49
5()(51&,$6 %,%/,2*5),&$6
Ahern, F.J. %DVLF FRQFHSWV RI LPDJLQJ UDGDU: a intensive course. Instituto Nacional de
Pesquisas Espaciais (INPE), So Jos dos Campos, out. 1994 (Notas de curso).
Amaral, S.; Shimabukuro, Y.E. Sensoriamento remoto por radar (SAR): prprocessamento de imagens RADARSAT ("Fine Mode") na regio da Floresta Nacional
de Tapajs. In: 3ULPHUDV -RUQDGDV /DWLQRDPHULFDQDV GH 3HUFHSFLyQ 5HPRWD SRU
5DGDU: Tcnicas de Procesamiento de Imgenes, Buenos Aires, dec. 1996. Paris,
ESA, 1997, p. 37-42. (ESA SP 407).
Batlivala, P.P.; Ulaby, F.T. )HDVLELOLW\ RI PRQLWRULQJ VRLO PRLVWXUH XVLQJ DFWLYH
PLFURZDYH UHPRWH VHQVLQJ. Lawrence, KS, University of Kansas Center for Research,
1977. (RSL Technical Report 264-12).
Besag, J. On the statistical analysis of dirty pictures (with discussion). -RXUQDO RI WKH
5R\DO 6WDWLVWLFDO 6RFLHW\ %, 48(3):259-302, 1986.
Besag, J. Towards Bayesian image analysis. -RXUQDO $SSOLHG RQ 6WDWLVWLF, 16(3):395407, 1989.
Brakke, T.W.; Kanemasu, E.T.; Steiner, J.L.; Ulaby, F.T.; Wilson, E. Microwave radar
response to canopy moisture leaf-area index, and dry weight of wheat, corn, and
sorghum. 5HPRWH 6HQVLQJ RI (QYLURQPHQW, 11(3):207-220, July 1981.
Brisco, B.; Brown, R.J.; Pultz, T.J. The effects of free canopy water on SAR crop
separability. In: 5HPRWH VHQVLQJ: an economic tool for the nineties. Canada, IEEE,
1989. v. 2, p. 424-429. IGARSS'
89, Canadian Symposium on Remote Sensing, 12.,
Vancouver, July 10-14, 1989.
Bush, T.F.; Ulaby, F.T. An evaluation of radar as a crop classifier. 5HPRWH 6HQVLQJ RI
(QYLURQPHQW, 7(1):15-36, 1978.
Chen, Y.; Dougherty, E.R.
Gray-scale morphological granulometric texture
classification. 2SWLFDO (QJLQHHULQJ, 33(8):2713-2722, 1994.
Cook, R.; McConnell, I.; Oliver, C.J. MUM (Merge Using Moments) segmentation for
SAR images. In: 3URFHHGLQJV RI 63,(, 2316, 92-103, 1994.
50
Fischer, J.A.; Mussakowski, R.S. Preliminary evaluation of multi-date SAR data for
identification of agricultural crops in Southern Ontario. In: 5HPRWH VHQVLQJ: an
economic tool for the nineties. Canada, IEEE, 1989. v. 2, p. 430-433. IGARSS'
89;
Canadian Symposium on Remote Sensing, 12., Vancouver, July 10-14, 1989.
Freitas, C.C., Correia, A.H.; Frery, A.C.; Sant'
Anna, S.J.S. A system for multilook
polarimetric SAR image statistical classification. In: 6HFRQG /DWLQR$PHULFDQ 6HPLQDU
RQ 5DGDU 5HPRWH 6HQVLQJ: Image Processing Techniques, Santos, sep. 1998.
Noordwijk, ESA, 1998, p. 141-148. (ESA SP 434).
Frery, A.C. $OJXPDV IHUUDPHQWDV HVWDWtVWLFDV QD VtQWHVH SURFHVVDPHQWR H DQiOLVH GH
LPDJHQV GH UDGDU GH DEHUWXUD VLQWpWLFD. Tese de Doutorado em Computao Aplicada,
Instituto Nacional de Pesquisas Espaciais, So Jos dos Campos, 1993. (INPE-5548TDI/534).
Frery, A.C.; Mller, H.J.; Yanasse, C.C.F.; Sant'
Anna, S.J.S. A model for extremely
heterogeneous clutter. ,((( 7UDQVDFWLRQV RQ *HRVFLHQFH DQG 5HPRWH 6HQVLQJ,
35(3):648659, 1997a.
Frery, A.C.; Yanasse, C.C.F.; SantAnna, S.J.S. Statistical characterization of SAR
data: the multiplicative model and extensions. In: Simposio Latinoamericano de
Percepcin Remota (SELPER), 7, Mxico, nov. 1995. /DWLQRDPpULFD HYDOXDGD GHVGH
HO HVSDFLR. Mxico , s.e., 1995a, p. 502515.
Frery, A.C.; Yanasse, C.C.F.; SantAnna, S.J.S. Alternative distributions for the
multiplicative model in SAR images. In: 1995 International Geoscience and Remote
Sensing Symposium, Italy, Jul. 10-14 1995b. 4XDQWLWDWLYH UHPRWH VHQVLQJ IRU VFLHQFH
DQG DSSOLFDWLRQV. Florence, Italy, IEEE, v. 1, p. 169171.
Frery, A.C.; Yanasse, C.C.F., Sant'
Anna, S.J.S. El modelo multiplicativo para el
anlisis de imgenes SAR. In: 3ULPHUDV -RUQDGDV /DWLQRDPHULFDQDV GH 3HUFHSFLyQ
5HPRWD SRU 5DGDU: Tcnicas de Procesamiento de Imgenes, Buenos Aires, dec.
1996. Paris, ESA, 1997b, p. 6370. (ESA SP 407).
Frery, A.C.; Yanasse, C.C.F.; Vieira, P.R.; SantAnna, S.J.S.; Renn, C.D. A userfriendly system for synthetic aperture radar image classification based on grayscale
distributional properties and context. In: 6LPSyVLR %UDVLOHLUR GH &RPSXWDomR *UiILFD H
3URFHVVDPHQWR GH ,PDJHQV, 10., 1997. Los Alamitos, CA, USA, IEEE Computer
Society, p. 211218, 1997c.
Geman, D; Geman, S. Stochastic relaxation, Gibbs distributions and the Bayesian
restoration of images. ,((( 7UDQVDFWLRQV RQ 3DWWHUQ $QDO\VLV 0DFKLQH ,QWHOOLJHQFH,
PAMI-6(6):721741, 1984.
Gradshteyn, I.S.; Ryzhik, I.M. 7DEOH RI LQWHJUDOV VHULHV DQG SURGXFWV. New York
Academic Press, 1980. 1160 p.
51
Haralick, R.M.; Shanmugan, K.; Dinstein, I. Texture features for image classification.
,((( 7UDQVDFWLRQV RQ 6\VWHPV 0DQ DQG &\EHUQHWLFV, SMC-3(6):610-621, Nov. 1973.
Haralick, R.M.; Shapiro, L.G. &RPSXWHU DQG URERW YLVLRQ. New York, Addison-Wesley,
1992. 672p.
Jain, A.K. )XQGDPHQWDOV RI GLJLWDO LPDJH SURFHVVLQJ. Englewood Cliffs, NJ, PrenticeHall International Editions, 1989. 569p.
Jakeman, E.; Pusey, P.N. The statistics of light scattered by a random phase screen.
-RXUQDO RI 3K\VLFV $: Mathematical and General, 6(L):89-92, 1973.
Jakeman, E.; Pusey, P.N. A model for non-Rayleigh sea echo. ,((( 7UDQVDFWLRQV RQ
$QWHQQDV DQG 3URSDJDWLRQ, AP-24(6):806-814, 1976.
Jao, J.K. Amplitude distribution of composite terrain radar clutter and the K distribution.
,((( 7UDQVDFWLRQV RQ $QWHQQDV DQG 3URSDJDWLRQ, AP-32:1049-1061, 1984.
Lee, J.S.; Du, L.; Schuler, D.L.; Grunes, M.R. Statistical analysis and segmentation of
multilook SAR imagery using partial polarimetric data. In: IGARSS95 International
Geoscience and Remote Sensing Symposium, Firenze, July 1014, 1995. 4XDQWLWDWLYH
5HPRWH 6HQVLQJ IRU 6FLHQFH DQG $SSOLFDWLRQV. Piscataway: IEEE, 1995. v.3, p.1422
1424.
Lee, J.S.; Grunes, M.R. Classification of multilook polarimetric SAR imagery based on
complex Wishart distribution. ,QWHUQDWLRQDO -RXUQDO RI 5HPRWH 6HQVLQJ, 15(11):2299
2311, Sept, 1994.
Lee, J.S.; Hoppel, K.W.; Mango, S.A.; Miller, A.R. Intensity and phase statistics of
multilook polarimetric and interferometric SAR imagery. ,((( 7UDQVDFWLRQV RQ
*HRVFLHQFH DQG 5HPRWH 6HQVLQJ, 32(5):10171028, Sept, 1994a.
Lee, J.S.; Miller, A.R.; Hoppel, K.W. Statistics of phase difference and product
magnitude of multi-look processed Gaussian signals. :DYHV LQ 5DQGRP 0HGLD, 4:307319, 1994b.
Lee, J.S.; Schuler, D.L.; Lang, R.H.; Ranson, K.J. Kdistribution for multilook
processed polarimetric SAR imagery. In: IGARSS94 International Geoscience and
Remote Sensing Symposium, Pasadena, Aug. 812, 1994. 6XUIDFH DQG $WPRVSKHULF
5HPRWH 6HQVLQJ WHFKQRORJLHV GDWD DQDO\VLV DQG LQWHUSUHWDWLRQ. Piscataway: IEEE,
1994c,. v.4, p.21792181.
Le Toan, T.; Lopes, A.; Huet, M. On the relationships between radar backscatering
coefficient and vegetation canopy characteristics. In: Remote sensing: from research
towards operational use. Noordwijk, ESA/ESTEC, 1984. v. 1, p. 155-160. (ESA SP215). 3URFHHGLQJV RI ,*$566
, Strasbourg, Aug. 27-30, 1984.
Lopes, A.; Laur, H.; Nezry, E. Statistical distribution and texture in multilook and
complex SAR images. In: IGARSS90 International Geoscience and Remote Sensing
Symposium, Washington DC, 1990. Remote Sensing Sciences for the Nineties. New
York: IEEE, 1990. v.3, p.24272430.
Marceau, D.; Howarth, P.J.; Dubois, J.M. Automated texture extraction from high
spatial resolution satellite imagery for land-cover classification: concepts and
application. In: IGARSS89 - Canadian Symposium on Remote Sensing, 12.,
Vancouver, July 10-14, 1989. 3URFHHGLQJV, IEEE, 1989. v. 5, p. 2765-2768.
52
NASA/JPL, ed. 6KXWWOH LPDJLQJ UDGDU& VFLHQFH SODQ. Pasadena, CA, 1986. (JPL
Publication 86-29).
Oliver, C.; Quegan, S. 8QGHUVWDQGLQJ V\QWKHWLF DSHUWXUH UDGDU LPDJHV. Norwood, MA,
Artech House, 1998. 479p.
Paris, J.F. Radar bachscattering properties of corn and soybeans at frequencies of
1.6, 4.75, and 13.3 GHz. ,((( 7UDQVDFWLRQV RQ *HRVFLHQFH DQG 5HPRWH 6HQVLQJ, GE21(3):392-400, July 1983.
Berlin,
Rosenqvist, Evalution of JERS-1, ERS-1 and Almaz SAR backscatter for rubber and
oil palm stands in West Malaysia. ,QWHUQDWLRQDO -RXUQDO RI 5HPRWH 6HQVLQJ,
17(16):3219-3231, 1996.
Sant'
Anna, S.J.S. $YDOLDomR GH ILOWURV UHGXWRUHV GH VSHFNOH HP LPDJHQV GH UDGDU GH
DEHUWXUD VLQWpWLFD. Dissertao de Mestrado em Sensoriamento Remoto, Instituto de
Nacional de Pesquisas Espaciais, So Jos dos Campos, 1995. (INPE-6125-TDI/586).
Sant'
Anna,
Amazonian
Percepcin
HO HVSDFLR.
S.J.S.; Dutra, L.V. SAR texture discrimination using AR-2D models for
land use classification. In: Simposio de Especialistas Latinoamericanos en
Remota (SELPER), 7, Mxico, nov. 1995. /DWLQRDPpULFD HYDOXDGD GHVGH
Mxico, s.e., 1995, p. 516-523.
Sant'
Anna, S.J.S.; Freitas, C.C.; Renn, C.D. The use of textural features on the
polarimetric SAR image classification. In: 6HJXQGD -RUQDGD /DWLQRDPHULFDQD GH
6HQVRULDPHQWR 5HPRWR SRU 5DGDU: Tcnicas de Processamento de Imagens, Santos,
set. 1998. Paris, ESA, 1998, p. 99-106. (ESA SP 434)
Sant'
Anna, S.J.S.; Yanasse, C.C.F.; Frery, A.C. Estudo comparativo de alguns
classificadores utilizando-se imagens RADARSAT da regio de Tapajs. In: 3ULPHUDV
-RUQDGDV /DWLQRDPHULFDQDV GH 3HUFHSFLyQ 5HPRWD SRU 5DGDU: Tcnicas de
Procesamiento de Imgenes, Buenos Aires, dez. 1996. Paris, ESA, 1997, p. 187194.
(ESA SP 407)
SantAnna, S.J.S.; Yanasse, C.C.F.; Hernandez Filho, P.; Kuplich, T.M.; Dutra, L.V.;
Frery, A.C.; Santos, P.P. Secondary forest age mapping in Amaznia using multitemporal Landsat/TM imagery. In: IGARSS, Italy, July 10-14 1995 4XDQWLWDWLYH UHPRWH
VHQVLQJ IRU VFLHQFH DQG DSSOLFDWLRQV. v.1, pages 323-325, Florence, Italy. IEEE
Sarabandi, K. Derivations of phase statistics from the Mueller matrix. 5DGLR 6FLHQFH,
27(5):553560, 1992.
53
Soares, J.V.; Renn, C.D.; Formaggio, A.R.; Yanasse, C.C.F.; Frery, A.C. Evaluation
of texture features for crops discrimination using SAR.
5HPRWH 6HQVLQJ RI
(QYLURQPHQW, 59(2): 234247, 1997.
Ulaby, F.T.; Elachi, C. 5DGDU SRODULPHWUL\ IRU JHRVFLHQFH DSSOLFDWLRQV. Norwood: Artech
House, 1990. 364p.
Ulaby, F.T.; Moore, R.K.; Fung, A.K. 0LFURZDYH UHPRWH VHQVLQJ UDGDU UHPRWH
VHQVLQJ DQG VXUIDFH VFDWWHULQJ DQG HPLVVLRQ WKHRU\. v.2. Reading, Addison-Wesley,
1982.
Ulaby, F.T.; Moore, R.K.; Fung, A.K. 0LFURZDYH UHPRWH VHQVLQJ: active and passive:
radar remote sensing and surface scattering and emission theory. 2a.ed. v.2. Norwood,
MA, Artech House, 1986a.
Ulaby, F.T.; Moore, R.K.; Fung, A.K. 0LFURZDYH UHPRWH VHQVLQJ: active and passive:
from theory to applications. v.3. Dedham, MA, Artech House, 1986b.
Unser, M. Sum and difference histograms for texture classification. ,((( 7UDQVDFWLRQV
RQ 3DWWHUQ $QDO\VLV 0DFKLQH ,QWHOOLJHQFH, PAMI-8(1):118-125. Jan. 1986.
54
Welch, R.M.; Kuo, K.S.; Sengupta, S.K. Cloud and surface textural features in polar
regions. ,((( 7UDQVDFWLRQV RQ *HRVFLHQFH DQG 5HPRWH 6HQVLQJ, 28(4):520-528. July
1990.
Weszka, J.S.; Dyer, C.R.; Rosenfeld, A. A comparative stydy of texture measures for
terrain classification. IEEE Transactions on Systems and Man Cybernetic, SMC6(4):269-285. Apr. 1976.
White, R.G. /RZ/HYHO VHJPHQWDWLRQ RI QRLVH LPDJHU\. Memorandum 3900, DRA,
Royal Signal and Radar Establisment, Works, 1986.
Yanasse, C.C.F.; Frery, A.C.; SantAnna, S.J.S. 6WRFKDVWLF GLVWULEXWLRQV DQG WKH
PXOWLSOLFDWLYH PRGHO: relations, properties, estimators and applications to SAR image
analysis. INPE, So Jos dos Campos, 1995. 31p. (INPE-5630-NTC/318).
Yanasse, C.C.F.; Sant'
Anna, S.J.S.; Frery, A.C.; Renn, C.D.; Soares, J.V.; Luckman,
A.J. Exploratory study of the relationship between tropical forest regeneration stages
and SIR-C L and C data. 5HPRWH 6HQVLQJ RI (QYLURQPHQW, 59(2):180190, 1997.