1

87,/,=$d2 '( ,0$*(16 '( 5$'$5 '( $%(5785$

6,17e7,&$ 1$ &/$66,),&$d2 '( 862 ( 2&83$d2 '2
62/2
Corina da Costa FREITAS, PhD.
Sidnei Joo Siqueira SANT'ANNA, MsC
Camilo Daleles RENN, MsC
Antonio Henrique CORREIA, MsC
Instituto Nacional de Pesquisas Espaciais (INPE)
12227-010
Av. dos Astronautas, 1758 So Jos dos Campos
e-mail: [corina,sidnei,camilo,correia]@dpi.inpe.br



,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

)LJXUD   (VSHFWUR HOHWURPDJQpWLFR H EDQGDV GD UHJLmR GH PLFURRQGDV

)RQWH $GDSWDGD GH 'DOOHPDQG HW DO  S 
Os sistemas de radar podem ser agrupados em imageadores e no imageadores.
Entre os no imageadores destacam-se os escatermetros e os altmetros. Os radares
imageadores compreendem os sistemas de antena rotatria e os de visada lateral
(SLAR - 6LGH /RRNLQJ $LUERUQH 5DGDU). A definio de SLAR engloba dois tipos de
radar: o de abertura real (RAR - 5HDO $SHUWXUH 5DGDU) e o de abertura sinttica (SAR6\QWKHWLF $SHUWXUH 5DGDU). O SLAR, por possuir visada lateral, diminui o problema de
ambigidade.
Os processos de formao das imagens pticas e de radar so muito distintos, assim
como as caractersticas apresentadas por cada uma delas, uma vez que os sensores
detectam informaes diferentes. Na Figura 2, mostrada uma imagem ptica do
sensor TM-Landsat (composio colorida, com a banda 5 colocada no canal vermelho,
a banda 4 no canal verde e a banda 3 no canal azul - 5R, 4G e 3B) adquirida em 29 de
maio de 1993 e uma imagem SAR do satlite JERS-1 (banda L e polarizao HH)
obtida em 26 de junho de 1993, a fim de se evidenciar as diferenas na formao e
entre as caractersticas de ambas. Na imagem do TM-Landsat, observa-se a influncia
das condies atmosfricas (nuvens) acarretando a perda de informao das reas
sob as nuvens e sob suas sombras. J na imagem do JERS-1, no se nota a
influncia de nuvens e de suas sombras, porm quando esta imagem comparada
imagem do TM-Landsat, ela , de modo geral, visualmente menos rica em informao
e detalhes, o que dificulta a interpretao visual deste tipo de imagem. Consideradas
as significativas diferenas entre imagens pticas e de radar, principalmente no que
concerne ao comportamento dos dados, muitas das tcnicas utilizadas no
processamento de imagens pticas no se adequam perfeitamente s imagens de
radar. Portanto, para a extrao de informaes das imagens de radar se faz
necessrio o desenvolvimento de ferramentas (tcnicas) especficas para a anlise
dos dados provenientes de radar, tais como filtros, segmentadores, classificadores,

entre outras. neste contexto que se insere este trabalho, enfatizando aspectos
relativos classificao de imagens de radar de abertura sinttica.

)LJXUD   ,PDJHQV ySWLFD 70/DQGVDW H GH UDGDU -(56

Este trabalho est organizado em sees. Na Seo 1.2, so descritas as principais
caractersticas dos sistemas de radar, que incluem a geometria de imageamento e
alguns parmetros relacionados ao sensor. A influncia de alguns parmetros do alvo
e do sensor sobre o coeficiente de retroespalhamento discutida na Seo 1.3. A
formao e a representao de imagens SAR, bem como os principais problemas
encontrados no imageamento da superfcie terrestre por este sensor, so
apresentados na Seo 1.4. A Seo 1.5 utilizada para descrever a modelagem dos
dados SAR, monoespectrais e polarimtricos. Na Seo 1.6 so apresentadas
diferentes abordagens para a descrio de textura em imagens. A classificao de
imagens discutida na Seo 1.7, onde so apresentados trs tipos de
classificadores: pontual, pontual/contextual e por regies. Alguns exemplos de
classificao de imagens SAR, utilizando estes classificadores, so apresentados na
Seo 1.8.



6,67(0$ '( 5$'$5

Os sistemas de radar so, geralmente, compostos por um transmissor, um receptor,

um modulador, um processador e uma antena. As principais caractersticas e
propriedades da antena de um sistema de radar so: polarizao, diagrama de
radiao, largura de feixe, lbulos laterais, diretividade, ganho, impedncia de entrada,
rea de recepo e reciprocidade. Definir-se-, a seguir, apenas as caractersticas
encontradas mais freqentemente na literatura de sensoriamento remoto por radar e a
ser utilizadas neste trabalho.
A polarizao definida como a orientao segundo a qual oscila, no tempo, o vetor
campo eltrico da onda eletromagntica. Esta orientao pode determinar uma
polarizao do tipo linear, circular ou elptica. A polarizao dita linear quando a
orientao do campo eltrico varia segundo uma linha reta, que pode ainda ser
horizontal ou vertical. A onda eletromagntica dita horizontalmente polarizada
quando o vetor do campo eltrico perpendicular ao plano de incidncia da onda
(plano que contm o vetor normal superfcie e o vetor de propagao da onda) ou de
maneira geral, quando o vetor do campo eltrico paralelo superfcie imageada.
Usualmente, os sistemas de radar utilizam polarizaes lineares paralelas, HH e VV,
ou cruzadas, HV e VH (a primeira letra refere-se polarizao da radiao transmitida
e a segunda polarizao da radiao recebida pela antena).

A funo que descreve o comportamento da potncia relativa da radiao de uma

antena de sistemas de radar com relao direo de propagao chamada
diagrama de radiao ou padro de radiao da antena (Figura 3), a qual define o
ganho da antena. Estas antenas so anisotrpicas, isto , possuem uma direo
preferencial para transmisso e recepo da radiao eletromagntica que determina
o maior lbulo (lbulo principal). A largura do feixe de uma antena definida como a
largura do lbulo principal nos pontos nos quais a potncia reduzida pela metade. Os
lbulos laterais, mostrados na Figura 3, so denominados lbulos secundrios. Estes
ltimos so indesejveis, uma vez que podem interferir na radiao detectada.
POTNCIA RELATIVA (DB)

10

15

90

180

)LJXUD   'LDJUDPD GH UDGLDomR GH XPD DQWHQD

O imageamento por radar consiste da emisso de pulsos de microondas a intervalos
regulares sobre a regio de interesse e a recuperao dos sinais de retorno (ecos)
provenientes desta regio, medida que o sensor se desloca. A recepo do sinal de
retorno pode ser feita utilizando-se a mesma antena emissora (sistemas
monoestticos) ou uma segunda antena (sistemas biestticos). Nos sistemas
biestticos, cada antena pode possuir caractersticas distintas de polarizao,
dimenso, ngulo de visada, etc. (Ulaby et al., 1986a).
A Figura 4 ilustra a geometria de imageamento de um SLAR, onde se destacam os
principais parmetros relacionados ao imageamento, tais como: ngulo de incidncia e
de visada, resolues espaciais em JURXQG UDQJH (direo no solo perpendicular
direo de vo) e em VODQW UDQJH (direo oblqua perpendicular direo de vo),
rea imageada, largura do feixe, entre outros.
A resoluo espacial (definida como a menor distncia na qual se pode discriminar
dois alvos) nos SLARs de abertura real diferente para as direes paralela ao vo
(DORQJ WUDFN ou azimutal) e perpendicular ao vo (FURVV WUDFN ou UDQJH). De acordo
com Ulaby (1982) e a Figura 4, as resolues espaciais no solo em azimute ( ) e em
UDQJH ( ) so dadas por:

K
F
e =
,
"cos( )
2sen ( )

onde o comprimento de onda (que proporcional ao inverso da freqncia I

utilizada, = F / I ), F a velocidade da luz, K a altura de vo, " o tamanho

fsico da antena, o ngulo de visada e a largura do pulso transmitido. Vale

ressaltar que / " aproximadamente igual largura do feixe em azimute ( ). J
estas resolues, quando medidas em VODQW UDQJH, no possuem os termos
dependentes do ngulo de visada que so utilizados para projetar as resolues no
solo. A resoluo em UDQJH diretamente proporcional largura do pulso transmitido,
enquanto que a resoluo azimutal inversamente proporcional ao tamanho da
antena e diretamente proporcional largura do feixe em azimute. O tamanho da
antena determina a largura do feixe em azimute, portanto torna-se um fator limitante
para a resoluo azimutal.

Direo de vo

/2

Range
Near range
Far range

Largura
da faixa
imageada

Azimute

)LJXUD   *HRPHWULD GH LPDJHDPHQWR GH XP 6/$5

)RQWH $GDSWDGD GH 7UHYHWW  S 
Um exemplo, citado em Ulaby (1982), mostra que para a obteno de uma resoluo
azimutal de 10P, usando-se um RAR operando com comprimento de onda de 3FP e a
uma distncia do alvo de 400.P, necessitar-se-ia uma antena de tamanho 1,2.P.
Este tamanho de antena no prtico e pode no ser tecnicamente factvel.
A fim de aumentar a resoluo azimutal do RAR sem a necessidade de se aumentar o
tamanho fsico da antena, desenvolveu-se o SAR. A diferena entre o RAR e o SAR
est basicamente no processamento do sinal retornado e na resoluo azimutal dos
dois sistemas. Segundo Di Cenzo (1981), o aumento da resoluo em UDQJH
conseguido com a tcnica de compresso de pulsos, sendo estes, normalmente,
modulados linearmente em freqncia (processo conhecido como FKLUS). O SAR utiliza
a informao de uma seqncia inteira de pulsos ao longo da direo azimutal (e no
apenas um pulso como nos RARs) para produzir uma simples faixa imageada. O SAR
usa o efeito Doppler (baseado no deslocamento da plataforma) e o histrico das
mudanas de fase a ele associado para simular uma antena cujo comprimento
muitas vezes maior que o da antena real. Este processo obtido eletronicamente, da
o termo "abertura sinttica". A resoluo azimutal no SAR independente da largura
do pulso transmitido e aproximadamente igual metade do tamanho fsico da
antena,

"
.
2

Desta forma, considerando-se um mesmo tamanho fsico da antena, o SAR possui

resoluo azimutal superior do RAR. Contudo, aquele consideravelmente mais

complexo, tanto em termos de sua construo quanto em termos de processamento

do sinal (Ulaby, 1982).
As imagens SAR podem receber um processamento especfico a fim de se reduzir o
seu rudo caracterstico, denominado VSHFNOH (Seo 1.4). Este processamento,
chamado PXOWLORRN, consiste em dividir a abertura sinttica da antena em alguns
setores (ORRNV), processando-os independentemente e somando-se em seguida cada
um destes ORRNV. Este processamento reduz o efeito do VSHFNOH mas causa a
diminuio da resoluo azimutal por aproximadamente o mesmo fator. Assim, por
exemplo, a resoluo azimutal de um sistema SAR que utilize um processamento com
Q ORRNV de

Q"
.
2

Ao interessado em mais detalhes sobre os princpios bsicos associados aos

diferentes tipos de radar, recomenda-se a leitura de Di Cenzo (1981), Ulaby (1982),
Ulaby et al. (1986a), Trevett (1986), Ulaby e Dobson (1989), e Dallemand et al. (1993).



&203257$0(172 '( $/926

A relao fundamental entre as caractersticas do sistema de radar, do alvo e do sinal

que transmitido pela antena, que interage com o alvo e novamente retorna para a
antena, pode ser resumida atravs da equao de radar, que, para um sistema
monoesttico, pode ser definida como:

3 *

3 =
,
 ) 5

onde 3 a potncia mdia recebida pela antena, 3 a potncia transmitida, o

comprimento de onda, * o ganho mximo da antena, 5 a distncia entre a antena
e o alvo (Figura 4), e o coeficiente de retroespalhamento (EDFNVFDWWHU). Pode-se
verificar que a potncia recebida pela antena diretamente proporcional ao coeficiente
de retroespalhamento, que o nico parmetro relacionado ao alvo; os demais
parmetros da equao podem ser reunidos, caracterizando o sistema de radar (Ulaby
e Dobson, 1989).
Uma clula de resoluo, representada na imagem pelo SL[HO, pode ser caracterizada
por um conjunto de elementos difusores que, no caso da vegetao, ocupam um certo
volume no espao, distribudos sobre uma superfcie tambm difusora, representada
pelo solo. O sinal de retorno, que chega at a antena proveniente desta clula de
resoluo, resultante da soma das contribuies diretas de cada elemento difusor e
da superfcie, e das reflexes mltiplas entre estes (Ulaby et al., 1984). A Figura 5
mostra esquematicamente as contribuies de um dossel agrcola no
retroespalhamento.
Para melhor entender o comportamento do de um alvo, necessrio estudar os
fatores relacionados a cada um de seus elementos (ou um conjunto deles). Segundo
Ulaby et al. (1986b), estes fatores so:

a constante dieltrica do alvo, que fortemente influenciada pelo seu contedo

de umidade. Para a vegetao, o contedo de umidade pode variar
significativamente entre os diferentes constituintes do dossel (folhas, troncos e
frutos) dependendo do estgio de desenvolvimento, causando, portanto, uma
variao da constante dieltrica;

tamanho, forma e orientao dos elementos difusores do dossel;

a rugosidade e a constante dieltrica da superfcie sob os elementos difusores

(o solo, no caso da vegetao); e

a geometria de distribuio dos elementos difusores (no caso de um dossel

agrcola: direo e espaamento das linhas de plantio da cultura, porcentagem
de cobertura, altura da planta, etc.).

c Retroespalhamento direto
das plantas
Retroespalhamento
direto
d
do solo (inclui 2 caminhos
de atenuao pelo dossel)
e Espalhamento mltiplo
pelo solo e plantas

)LJXUD   &RQWULEXLo}HV QR UHWURHVSDOKDPHQWR GH XP GRVVHO DJUtFROD

)RQWH 8ODE\ HW DO  S 
Outros fatores igualmente importantes so os relativos ao sensor:

a freqncia da onda incidente;

a direo da onda incidente, definida por (, ), onde o ngulo de

incidncia (Figura 4) e o ngulo azimutal relativo direo de visada; e

a direo de polarizao das antenas de transmisso e recepo.

A freqncia da onda incidente define a rugosidade relativa do alvo e, juntamente com

o ngulo de incidncia, determina o grau de penetrao da onda no alvo. Segundo
Dallemand et al. (1993), uma superfcie pode ser considerada lisa, pelo critrio de
Rayleigh, se

U<

,
8cos( )

onde U a altura mdia das variaes da superfcie, o comprimento de onda e

o ngulo de incidncia. Desta forma, uma mesma superfcie pode ser considerada lisa
para um determinado comprimento de onda e rugosa para outros.
Superfcies rugosas refletem a energia emitida pelo sensor de maneira uniforme para
todas as direes. J as superfcies consideradas ligeiramente rugosas possuem uma
direo preferencial de reflexo, sendo que as superfcie lisas refletem a energia
especularmente (Figura 6).
A maior variao do , para solos com alto teor de umidade, se d em baixas
freqncias e baixos ndices de rugosidade (superfcies mais lisas). As maiores
variaes do em relao umidade e rugosidade so observadas para ngulos
de incidncia prximos normal ou maiores que 30o (Ulaby et al., 1978).

superfcie
rugosa

superfcie
ligeiramente rugosa

superfcie
lisa

)LJXUD   5HIOH[mR GD HQHUJLD HPLWLGD SHOR VHQVRU SDUD GLIHUHQWHV JUDXV GH

UXJRVLGDGH GD VXSHUItFLH
O grau de penetrao da onda num alvo tambm influenciado pela polarizao
utilizada pelo sistema (Dallemand et al., 1993). Numa vegetao que possua estrutura
predominantemente vertical, como as gramneas, a atenuao pode ser mais
significante para a polarizao VV do que para polarizao HH, o que significa maior
penetrao de ondas horizontalmente polarizadas (Le Toan et al., 1984). Entretanto,
Fischer e Mussakowski (1989), estudando dossis de milho, encontraram maiores
valores de retorno para a polarizao HH. Isto pode ser explicado pela diferena entre
a estrutura desta cultura e a de outras gramneas. Os mesmos autores levantaram a
hiptese de que, talvez, a poro foliar do dossel de milho, que mais horizontal que
vertical, afete o sinal de retorno mais que a poro de hastes que verticalmente
orientada. evidente que esta resposta tambm influenciada por outros parmetros
do sensor, tais como o ngulo de incidncia, o comprimento de onda, etc.
As polarizaes cruzadas so geradas por mltiplos espalhamentos e
consequentemente geram espalhamento de menor intensidade, particularmente em
superfcies levemente rugosas para ngulos de incidncia prximos normal. Para
sistemas monoestticos, considera-se $ = $ (NASA/JPL, 1986). Segundo Evans
et al. (1986), a vegetao normalmente exibe uma alta componente de polarizao
cruzada.
Para a faixa de microondas, a constante dieltrica da gua possui uma ordem de
magnitude maior do que a do solo e a da vegetao secos. Dessa forma, pequenas
mudanas na umidade podem causar significantes mudanas nas propriedades
dielticas destes alvos (solo e vegetao) e consequentemente do (Brakke et al.,
1981).
Pesquisas tm mostrado que o aumenta com o acrscimo da umidade do solo,
tanto para solos nus (Ulaby et al., 1978) como para solos vegetados (Ulaby et al.,
1979). No ltimo caso, a sensitividade do em relao umidade do solo decresce
com o aumento do ngulo de incidncia e/ou da freqncia, devido ao acrscimo da
atenuao causada pela vegetao (Bush e Ulaby, 1978). Ulaby et al. (1978)
indicaram que a relao entre o e a umidade do solo nu foi aproximadamente
linear, com alta correlao.
Medidas de campo mostraram um incremento do em dossis com presena de
gua livre (Brisco et al., 1989). Um exame destes resultados indica que este tipo de
dado pode melhorar a separabilidade em culturas como as gramneas, cuja estrutura
do dossel permite armazenar gua aps precipitao ou irrigao.

A rugosidade outro importante fator que influencia na resposta do alvo. A descrio

completa da rugosidade de uma superfcie muito difcil de ser conseguida. Muitos
autores tm utilizado o desvio padro da variao da altura (ou altura RMS, 5RRW

0HDQ 6TXDUH) para descrever a rugosidade de uma superfcie. nadir ( 0o), o $

decresce rapidamente com o aumento da rugosidade e este decrscimo mais
acentuado para menores freqncias. Para o ngulo de incidncia de 10o, o
mostra-se pouco dependente com relao rugosidade. J para o ngulo de
incidncia de 20o, h uma inverso da dependncia, ou seja, o aumento da rugosidade
resulta no aumento do (Ulaby et al., 1978). Segundo Brakke et al. (1981), a
vegetao pode atuar sobre o como um fator de incremento da rugosidade da
superfcie.

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.



,0$*(16 '( 5$'$5

A formao de uma imagem SAR requer o processamento coerente do sinal de

retorno recebido aps a emisso dos pulsos. O processamento do sinal , geralmente,
dividido em duas etapas: o processamento em UDQJH e o processamento em azimute.
O sinal recebido (complexo) de cada pulso emitido demodulado em fase (,) e
quadratura (4), amostrado (dada uma funo de referncia) e convertido para o

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,

quadrtica ( , 2 + 4 2 ) ou linear ( , 2 + 4 2 ), respectivamente. As diferenas existentes

entre estas formas de se representar as imagens SAR podem ser observadas na
Figura 7, de onde nota-se a impossibilidade de se visualizar qualquer tipo de feio
(alvos) nas componentes complexas.
(a)

(b)

(c)

(d)

)LJXUD   ([HPSOR GH XPD LPDJHP GH UDGDU GR VHQVRU DHURWUDQVSRUWDGR $H6

$HUR6HQVLQJ QD EDQGD ; GD UHJLmR GH 2EHUSIDIIHQKRIHQ $OHPDQKD
QRV IRUPDWRV FRPSOH[R D SDUWH UHDO H E SDUWH LPDJLQiULD F
LQWHQVLGDGH H G DPSOLWXGH
As imagens em amplitude ou em intensidade resultantes podem ser armazenadas no
formato original em 32 ELWV, onde o valor de cada SL[HO representado por um nmero
real, positivo e de simples preciso. Muitas vezes, este valor pode ser quantizado
(discretizado) para 8 ou 16 ELWV, resultando em imagens com 256 ou 65536 nveis de
cinza (valores inteiros e positivos), respectivamente. Com o processo de discretizao,
em geral, procura-se manter a proporcionalidade entre o nvel de cinza e o sinal de
retorno. importante lembrar que as propriedades estatsticas da imagem podem ser
alteradas com o processo de discretizao da imagem, assim como a discriminao
de feies.

11

Os SLARs, dada a sua geometria de imageamento e por medirem distncias, podem

gerar imagens com certas degradaes. As principais degradaes encontradas nas
imagens de radar so as distores geomtrica e radiomtrica.
Dentre as distores geomtricas, pode-se citar as relativas s variaes nos
movimentos da plataforma, a intrnseca geometria de imageamento e formao
das imagens, e as trs principais referentes s dimenses dos alvos imageados:
IRUHVKRUWHQLQJ (encurtamento), OD\RYHU (superposio) e VKDGRZLQJ (sombreamento).

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

)LJXUD   'LVWRUo}HV FDXVDGDV SHOR PRYLPHQWR GD SODWDIRUPD

)RQWH $GDSWDGD GH 8ODE\ HW DO  S 
Dado que as medidas de distncias feitas pelos SLARs so realizadas em VODQW UDQJH,
a rea imageada no solo para a formao dos SL[HOV do QHDU UDQJH maior do que
aquela para a formao dos SL[HOV do IDU UDQJH, provocando com isso a compresso
das reas do QHDU UDQJH. A Figura 9 ilustra a diferena de imagens obtidas em VODQW e
em JURXQG UDQJH.
Para regies com qualquer tipo de elevao, todas as vertentes (rampas) voltadas
para o radar apresentam a distoro conhecida como IRUHVKRUWHQLQJ (Figura 10). Esta
distoro maior para aquelas vertentes com maior ngulo de inclinao. O OD\RYHU
(superposio), que um caso extremo do IRUHVKRUWHQLQJ, acontece quando a onda
eletromagntica refletida de elementos da parte superior de um alvo imageado retorna
ao radar antes da refletida pelos elementos da parte inferior, causando na imagem
uma inverso do alvo. Para pequenas distncias alvo-sensor e pequenos ngulos de
incidncia, o efeito da superposio mais intenso (Figura 11).
O VKDGRZLQJ (sombreamento) ocorre devido ausncia de resposta (sinal de retorno)
das partes no iluminadas do alvo imageado (partes no atingidas pelas ondas
eletromagnticas), ocasionando o aparecimento de reas escuras na imagem. O efeito
do sombreamento, para alvos de mesma altura, mais intenso para aqueles que

12

esto mais afastados do sensor e para menores ngulos de depresso, como

mostrado na Figura 12, onde 1 e 2 so os ngulos de depresso.

Imagem em

Radar
A BCD E F G

Imagem em

)LJXUD   ,PDJHQV HP VODQW H JURXQG UDQJH

)RQWH $GDSWDGD GH $KHUQ  S 

Frente de
onda

Cena

)RUHVKRUWHQLQJ

Distoro

Imagem

)LJXUD   &DUDFWHUL]DomR GR IRUHVKRUWHQLQJ QDV LPDJHQV GH UDGDU

)RQWH $GDSWDGD GH $KHUQ  S VQ

13

Frente de onda

Cena

/D\RYHU

Distoro

Imagem

)LJXUD   &DUDFWHUL]DomR GR OD\RYHU QDV LPDJHQV GH UDGDU

)RQWH $GDSWDGD GH $KHUQ  S VQ

AB < DE
Frente de
onda

rea de Sombra

)LJXUD   &DUDFWHUL]DomR GR VKDGRZLQJ QDV LPDJHQV GH UDGDU

Os dois tipos de distores radiomtricas mais comumente encontradas em imagens
de radar so aquelas causadas pelo padro de radiao da antena e pelo rudo
VSHFNOH, que inerente a sistemas que operam com iluminao coerente. O padro de
radiao da antena e a geometria de imageamento podem causar uma variao
gradual do sinal de retorno na direo perpendicular ao vo, podendo ser observada
na imagem como valores de nveis de cinza mais altos prximos ao QHDU UDQJH e mais
baixos prximos ao IDU UDQJH (Figura 13a). Esta variao pode ser amenizada com a
correo do padro da antena (Figura 13b).

14

1HDU 5DQJH

)DU 5DQJH

(a)

(b)

)LJXUD   ,PDJHP 6$5 GR VHQVRU $H6 GD )ORUHVWD $PD]{QLFD 9HQH]XHODQD

D EUXWD H E FRP R HIHLWR GR SDGUmR GD DQWHQD FRUULJLGR

O VSHFNOH gera na imagem uma aparncia granular (mudanas bruscas de nveis de

cinza de um SL[HO para outro). Este rudo causado pela caracterstica coerente do
sensor, pois a amplitude e fase do sinal de retorno so resultantes de uma soma
vetorial (coerente) dos sinais de retorno de vrios difusores contidos em cada clula
de resoluo. A fase de cada difusor est relacionada distncia entre o difusor e o
sensor. Se o sensor se move, as fases dos difusores mudaro, acarretando uma
alterao na amplitude total. Ento, observaes sucessivas da mesma rea quando o
sensor se move resultaro em diferentes valores de amplitude. Descries mais
detalhadas sobre a caracterizao, formao e reduo do rudo VSHFNOH podem ser
encontradas em Ulaby et al. (1982, 1986a), Trevett (1986), Ulaby e Dobson (1989),
Sant'
Anna (1995) e as referncias nelas contidas. Vale ainda ressaltar que os efeitos
causados pelas distores geomtrica e radiomtrica so mais acentuados para os
sensores aerotransportados que para os sensores orbitais.
Para muitos tipos de aplicaes em sensoriamento remoto utilizando imagens pticas
ou de radar necessrio que sejam realizadas correes (geomtricas e/ou
radiomtricas). Quando se objetiva comparar imagens adquiridas por diferentes
sensores ou em datas distintas, de fundamental importncia que se realize a
calibrao destas imagens. A calibrao efetuada para imagens de radar consiste da
recuperao dos valores de coeficiente de retroespalhamento do alvo a partir da
radiometria dos seus nveis de cinza, denominada calibrao absoluta. A forma de
calibrao das imagens de radar varia de acordo como o sensor e os parmetros
utilizados no imageamento. Como exemplo de calibrao absoluta, para imagens
RADARSAT e JERS-1 utilizam-se respectivamente as seguintes expresses (Amaral e
Shimabukuro, 1997; Rosenqvist, 1996):

15

1& 2 + $0

= 10 log10 sen ( )
$

e = 10 log10 ( 1& 2 ) + )& ,

onde o coeficiente de retroespalhamento (em decibis, dB), o ngulo de

incidncia que varia ao longo do UDQJH, 1& o nvel de cinza em amplitude, $0 e $
so constantes do sistema, e )& a fator de calibrao (para imagens JERS-1 de
1993, este fator aproximadamente igual a -68,5 dB).



02'(/$*(0 '26 '$'26 6$5

O desenvolvimento de tcnicas automticas de processamento de imagens SAR pode

ser realizado heuristicamente ou atravs da modelagem dos dados. No primeiro caso,
no se adota nenhum modelo para os dados. Neste trabalho, ser feita uma
abordagem estatstica para a modelagem dos dados. Logo, fundamental que se
conheam as propriedades estatsticas dos dados SAR. Estas propriedades podem
ser utilizadas para o desenvolvimento de ferramentas especficas para as imagens
SAR (filtros, classificadores, etc.), assim como para a discriminao de classes de uso
e ocupao do solo, por exemplo.
Muitos trabalhos tm sido realizados na tentativa de se modelar os dados SAR, entre
eles pode-se citar, Jakeman e Pursey (1973 e 1976), Jao (1984), Lopes et al. (1990),
Lee e Grunes (1994), Lee et al. (1994a e c), Frery et al. (1995a e b), Lee et al. (1995),
Du e Lee (1996) e Frery et al. (1997a e b). Para boa parte dos pesquisadores desta
rea, o modelo multiplicativo o que melhor se adequa a esse tipo de dado, e portanto
o mais utilizado e aceito atualmente. J para dados pticos, o modelo mais adotado
o aditivo, onde o sinal recebido pode ser decomposto como uma soma de duas
variveis aleatrias (o sinal da cena somado a um rudo) Gaussianas independentes e
identicamente distribudas.
No modelo multiplicativo, considerado que o valor observado em cada SL[HO da
imagem uma varivel aleatria (=), resultante da multiplicao de outras duas
variveis aleatrias. Estas duas ltimas variveis so independentes, uma relacionada
ao retroespalhamento do alvo (;) e outra representando o rudo VSHFNOH (<) que
corrompe o sinal recebido da cena. A varivel ; representa a raiz quadrada da
refletividade do alvo que por sua vez proporcional ao coeficiente de
retroespalhamento e ser denominada simplesmente como retroespalhamento. Desta
forma, matematicamente tem-se = = ; < , onde a varivel aleatria ; sempre
considerada real e positiva, enquanto que a varivel aleatria < pode ser complexa ou
real e positiva, dependendo apenas do formato de representao dos dados. Este
formato pode ser complexo, de intensidade ou de amplitude e as variveis aleatrias
denotando cada um deles sero indexadas com as letras "&", "," e "$",
respectivamente. Assim, = representa o sinal de retorno complexo recebido, = a
intensidade (potncia) e = a amplitude deste sinal. De modo geral, denominar-se- de
retorno a varivel =.
Na Seo 1.5.1, sero apresentados os modelos para os dados monoespectrais (uma
banda e uma polarizao) onde so considerados modelos para o VSHFNOH, para o
retroespalhamento do alvo, e para o retorno em amplitude. Quando o retorno dado
em amplitude ou intensidade, a informao de fase do sinal recebido perdida, o que
no acontece quando dados polarimtricos complexos so utilizados. A modelagem
para dados polarimtricos (uma banda e vrias polarizaes) apresentada na
Seo 1.5.2.

16

 'DGRV 0RQRHVSHFWUDLV

 5XtGR 6SHFNOH

No formato complexo, geralmente, considerado que o rudo VSHFNOH < possui

distribuio Gaussiana bivariada e suas componentes real ( < ) e imaginria ( < ) so
independentes e identicamente distribudas com mdia nula e varincia 1 / 2 . A relao
existente entre o VSHFNOH no formato complexo e o VSHFNOH nos formatos intensidade e

amplitude dada, respectivamente, por < = <

e < = <

modo, para imagens de ORRN, pode-se provar que <

= <2 + <2 1. Deste

possui uma distribuio

exponencial e < uma distribuio Rayleigh (Ulaby et al., 1986a).

Para a formao de uma imagem em intensidade com Q ORRNV (processamento PXOWL

ORRN), calcula-se a mdia de Q amostras independentes de < , conduzindo a uma
distribuio Gama para essa varivel aleatria, denotada por < (
por:

I ( ) ( \ ) =

Q
\
( Q)

exp( Q\)

~ (Q, Q) e descrita

Q, \ > 0 ,

(1)

onde ( ) denota a funo gama de Euler.

A amplitude, no caso PXOWLORRN, obtida extraindo-se a raiz quadrada dos dados em

intensidade PXOWLORRN, isto , < ( ) = < ( ) , onde < (

Equao (1). Desta forma, a varivel aleatria <

( )

Quadrada da Gama, denotada por <

( )

I ( ) ( \ ) =

2Q
\ 2
( Q)

1/ 2

tem a distribuio dada pela

possuir uma distribuio Raiz

(Q, Q) e caracterizada por:

exp(Q\ 2 )

Q, \ > 0 .

O nmero de ORRNV Q, quando estimado sobre dados reais, raramente um nmero

inteiro. Isto se deve ao fato de que, entre outras razes, a mdia de intensidade
calculada sobre observaes correlacionadas. Portanto, Q , em geral, denominado
nmero equivalente de ORRNV. Para grandes valores de Q e sob certas condies, as
distribuies (Q,Q) e 1/2(Q,Q) tendem para uma distribuio Gaussiana (como
mostrado na Figura 14), podendo ser explicado atravs do teorema central do limite.

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

Tanto o mdulo de um nmero complexo quanto o determinante de uma matriz sero

denotadas por | |, estando as matrizes representadas em negrito.

17

mais simples vantajoso devido menor quantidade de parmetros a serem

estimados e tambm menor complexidade computacional.
Intensidade
Intensidade
(Q,(Q) , )

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

)LJXUD   'LVWULEXLo}HV *QQ H * QQ SDUD GLIHUHQWHV YDORUHV GH Q

O retroespalhamento, no modelo geral, possui uma distribuio Raiz Quadrada da

Gaussiana Inversa Generalizada, com parmetros2 , e , denotada por
; ~ 1 1 2 ( , , ), e caracterizada por:

I ( [) =

( ) 2

[ 2 1 exp 2 [ 2
. 2
[

[>0

onde . ( ) denota a funo de Bessel modificada de terceiro tipo e ordem , e o

domnio dos parmetros dado por:

> 0, 0, se < 0

> 0, > 0, se = 0
0, > 0, se > 0

(2)

Os momentos, assim como referncias a respeito desta distribuio, podem ser

encontrados em Frery et al. (1997a).
Esta distribuio possui, como casos particulares (modelos mais simples), algumas
das distribuies que so amplamente utilizadas na modelagem de dados de radar:

1/2

a constante ( ), utilizada para a modelagem de reas homogneas, levando

os dados de retorno em amplitude distribuio Raiz Quadrada da Gama.

a Raiz Quadrada da Gama, usualmente utilizada na modelagem de reas

heterogneas, a qual leva os dados de retorno famlia de distribuies K. A
distribuio Raiz Quadrada da Gama, denotada por 1 / 2 ( , ) ,
caracterizada por:

Os parmetros , , e das distribuies descritas a partir desta Seo no representam os

parmetros do imageamento definidos na Seo 1.2.

18

I ( [) =

2 2 1
[
exp([ 2 )
( )

, , [ > 0 ;

a Recproca da Raiz Quadrada da Gama, utilizada para a modelagem de reas

extremamente heterogneas, a qual leva os dados de retorno famlia de
distribuies G Zero (G0). A distribuio Recproca da Raiz Quadrada da
Gama, denotada por 1 / 2 ( , ) , caracterizada por:

I ( [) =

[ 2 1 exp 2
( )
[
2

, , [ > 0 .

Estes casos particulares tm suas relaes com a distribuio N 1 2 ( , , )

explicitada no diagrama a seguir:

( , )

Heterognea

/ 11/ 2

1/ 2

0
, > 0

11/ 2

Homognea

1 1/ 2 ( , , )
Extremamente
Heterognea

0
, > 0

1 / 2

( , )

21/ 2

,
/ 21/ 2

onde ' e 3 indicam respectivamente convergncia em distribuio e probabilidade.

 5HWRUQR 2EVHUYDGR HP $PSOLWXGH

A distribuio do retorno em amplitude para dados PXOWLORRN, obtida atravs do

produto = ( ) = ; < ( ) , onde ; ~ N 1 2 ( , , ) e < ( ) ~ 1 / 2 ( Q, Q) , denotada por

G A ( ,   Q ) e caracterizada pela distribuio

I ( ) ( ] ) =

2Q

( )

(Q ). (2

2 1

+ Q] 2

( )
2

. 2 + Q] 2

))

]5,

(3)

onde o domnio dos parmetros dado na Equao (2).

Analogamente ao discutido na Seo 1.5.1.2, esta distribuio tem como casos
particulares a distribuio Raiz Quadrada da Gama (utilizada para regies
homogneas), a distribuio K-Amplitude (utilizada para regies heterogneas), e a
distribuio G-Amplitude Zero ( G 0A , utilizadas para regies extremamente
heterogneas), cujas distribuies so dadas respectivamente pelas equaes a
seguir:

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)

O esquema a seguir mostra a relao existente entre estas distribuies:

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 )

onde ' indica convergncia em distribuio.

Mais detalhes sobre as distribuies citadas acima, tais como propriedades,
aplicaes e estimadores dos parmetros, podem ser encontradas em Yanasse et al.
(1995), Vieira (1996), Frery et. al. (1997a) e Correia (1998).
Na Tabela 1, pode-se observar, de forma simplificada, as distribuies utilizadas na
modelagem dos dados PXOWLORRN em amplitude (VSHFNOH, retroespalhamento e retorno
observado) para reas com diferentes graus de homogeneidade. Na Figura 15, so
mostradas as distribuies do retorno em amplitude PXOWLORRN (com nmero de ORRNV
igual a 3) para os trs graus de homogeneidade considerados.
7DEHOD   0RGHODJHP GRV GDGRV PXOWLORRN HP DPSOLWXGH

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)

As distribuies para o retorno em intensidade podem ser obtidas das distribuies do

retorno em amplitude, atravs da transformao I ( ) ( ] ) = I ( ) ( ] ) /(2 ] ) , levando
as distribuies descritas nas Equaes (3), (4), (5) e (6) s distribuies GIntensidade (GI), Gama (), K-Intensidade (KI) e G-Intensidade Zero ( G 0I ),
respectivamente (Frery et al. 1997a).
Existem outras distribuies que so usadas para modelar os dados SAR, mas que
no so oriundas do modelo multiplicativo. Dentre estas distribuies pode-se citar a
Beta, Lognormal e Weibull.

20

GA0

KA

1/2

Nvel de Cinza

)LJXUD   'LVWULEXLo}HV GR UHWRUQR HP DPSOLWXGH PXOWLORRN *  

.    H *   

 'DGRV 3RODULPpWULFRV

Com a utilizao de radares imageadores polarimtricos, possvel medir a amplitude
e a fase relativa de todas as configuraes (componentes) das antenas de
transmisso e recepo (HH, VV, VH e HV), para todas as clulas de resoluo de
uma cena (Ulaby e Elachi, 1990). Desta forma, para obter essas configuraes para
cada clula de resoluo, medida a matriz de espalhamento complexa (FRPSOH[
VFDWWHULQJ PDWUL[):

6

6

Os termos 6 (onde S, T = K ou Y) so conhecidos como amplitude de espalhamento

complexa (FRPSOH[ VFDWWHULQJ DPSOLWXGH), e como mostra Sarabandi (1992), tem-se:

6 = 6 H

= V H

=1

onde 1 o nmero de difusores de uma clula de resoluo, cada um possuindo

uma amplitude V

e uma fase . O vetor resultante da soma vetorial de todos os

difusores ter amplitude 6

e fase .

Considerando-se que as antenas, de um modo geral, so monoestticas, pode-se

supor que os termos complexos 6 e 6 so iguais. Desta forma, a matriz 6 ter
informao redundante, podendo ser resumida a:

6
= = 6
6

onde = representa um vetor complexo.

O modelo multiplicativo tambm pode ser aplicado aos dados polarimtricos,
considerando-se modelos distintos para reas com diferentes graus de

21

homogeneidade. Neste caso, por se tratar de dados em diferentes polarizaes, o

VSHFNOH (< ) modelado por uma distribuio Gaussiana complexa multivariada.
Assim, o retorno = (aqui representado pelo vetor = ) ter tambm uma distribuio
Gaussiana complexa multivariada quando o retroespalhamento (;) modelado
atravs de uma constante (regies homogneas).
representa os dados polarimtricos ORRN, que por serem dados
O vetor =
complexos e poderem ter distintas polarizaes (componentes), produzem um grande
volume de dados da superfcie imageada. Desta forma, para compresso dos dados e
reduo do VSHFNOH, os dados SAR polarimtricos so freqentemente processados
com o aumento do nmero de ORRNV (PXOWLORRN). Sendo assim, a partir do vetor = (N),
que representa a N-sima amostra de ORRN, pode-se obter a matriz de covarincia
para QORRNV (PXOWLORRN), dada por (Lee et al., 1995):

=
onde =


= = (N ) = (N ) ,
Q =

(7)

(N ) denota o conjugado transposto do vetor = (N).

A grande vantagem de se trabalhar com a matriz de covarincia, quando o

retroespalhamento modelado
atravs de uma constante (regies homogneas),

que a matriz $ = Q= apresenta uma distribuio de Wishart complexa multivariada,
conforme Srivastava (1963). Sendo assim, a distribuio da varivel aleatria = ( ) ,
associada matriz = , dada por:

I t ( ) ( ] ) =

exp[ Q7U (& ] )]

. (Q, T ) &

Q, T > 0 ,

onde T denota o nmero de componentes, . ( Q, T ) =

7U( ) denota o trao de uma matriz, & = ([ = =

(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)

Seguindo a mesma abordagem, foi desenvolvida em Correia (1998), para reas

extremamente heterogneas, a distribuio de = ( ) denominada G 0C multivariada
PXOWLORRN. Para tanto, considerou-se que o retroespalhamento modelado pela
distribuio Inversa da Gama (a mesma para dados monoespectrais em intensidade).
A distribuio G 0C multivariada PXOWLORRN caracterizada por:

22

I t ( ) ( ] ) =

(TQ )

( ) ( ) . (Q, T ) &

(Q7U (&

])

, Q, T > 0 .

(10)

As distribuies descritas pelas Equaes (8), (9) e (10), reduzem-se respectivamente

s distribuies , KI e G 0I quando T = 1 (caso monoespectral). As distribuies
multivariadas complexas podem modelar adequadamente o retorno proveniente de
regies com diferentes graus de homogeneidade, porm exigido um grande esforo
computacional. Dessa forma, Lee et al. (1994a e c) e Lee et al. (1995) derivaram a
partir da Equao (8) (considerando o retroespalhamento constante, isto , reas
homogneas), distribuies bivariadas (par de imagens em intensidade e par de
imagens intensidade-diferena de fase) e univariadas (razo de imagens em
intensidade e imagem diferena de fase), descritas a seguir.
'LVWULEXLomR GR 3DU GH ,PDJHQV HP ,QWHQVLGDGH PXOWLORRN

Sejam duas imagens em intensidade PXOWLORRN representadas pelas variveis

aleatrias =1 e =2, obtidas a partir de duas componentes 6 e 6 da matriz de
espalhamento, de acordo com as equaes:

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

representa a magnitude (mdulo) e

complexo PXOWLORRN, L =
ordem Q 1 .

1 e ,

= H ,

a fase do coeficiente de correlao

representa a funo modificada de Bessel de

Na Figura 16, pode-se observar como se comporta a distribuio do par de imagens

em intensidade, ao se variar um dos parmetros (K22 = 60, 80 e 100) e mantendo-se os
demais fixos.

Probabilidade

23

Valores d
e
Intensida
de 1

Valores de
e2
Intensidad

)LJXUD   'LVWULEXLomR GR SDU GH LPDJHQV HP LQWHQVLGDGH SDUD K

Q  _U _  H K 
)RQWH $GDSWDGD GH &RUUHLD  S 

  H 

'LVWULEXLomR GD ,PDJHP 'LIHUHQoD GH )DVH PXOWLORRN

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

onde $UJ( ) denota o argumento de um nmero complexo. A distribuio de ,

derivada em Lee et al. (1994b), dada por:

I ( ) =
onde

(Q + 1 / 2)(1

2 (Q)(1 2 )

= cos( ) ,

+1 / 2

2 )1 (

(1
2

)1 (Q,   )

(  ) , (12)

) denota a funo hipergeomtrica Gaussiana

(Gradshteyn e Ryzhik, 1980) e a fase do coeficiente de correlao complexo.

Na Figura 17, pode-se observar o comportamento da distribuio da imagem diferena
de fase, quando um dos parmetros ( = -1,5, 0,0 e 1,5) alterado e os demais so
mantidos constantes.

'LVWULEXLomR GD 5D]mR GH ,PDJHQV HP ,QWHQVLGDGH PXOWLORRN

A partir de duas imagens em intensidade PXOWLORRN, representadas pelas variveis

aleatrias =1 e =2, a distribuio da razo : = = 1 = 2 foi derivada por Lee et al.
(1994a), e dada por:

I ( Z) =
onde = K11 K22 .

(2Q)(1 ) ( + Z) Z
2

2 (Q)[( + Z) 2 4

Z]( 2

+1) / 2

(13)

24

Na Figura 18, pode-se observar como se comporta a distribuio da razo de imagens

em intensidade, ao se variar um dos parmetros ( = 0,15, 0,25 e 0,35), enquanto os
demais so mantidos constantes.

Valores de
Diferena de Fase

)LJXUD   'LVWULEXLo}HV GD LPDJHP GLIHUHQoD GH IDVH SDUD [

Q  H _U _ 
)RQWH $GDSWDGD GH &RUUHLD  S 

  H 

Valores de Intensidade

)LJXUD   'LVWULEXLo}HV GD UD]mR GH LPDJHQV HP LQWHQVLGDGH SDUD W

H  Q  H _U _ 
)RQWH $GDSWDGD GH &RUUHLD  S 

 

25

'LVWULEXLomR GR 3DU GH LPDJHQV ,QWHQVLGDGH'LIHUHQoD GH )DVH PXOWL

ORRNV

Sejam duas imagens PXOWLORRN, uma em intensidade, representada pela varivel

aleatria =1, e uma diferena de fase, representada pela varivel aleatria , obtidas
de duas componentes 6 e 6 da matriz de espalhamento. Seja uma imagem
representada pela varivel aleatria %1, definida por (Lee et al., 1995):

%1 =

Q= 1
=
K11

6 (N )

=1

K11

A distribuio conjunta de %1 e foi derivada em Lee at al. (1995), e dada por:

1
E1 (1 2 )
E1
2

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)

, o parmetro vem da Equao (12) e 1)1( ) denota a funo

hipergeomtrica degenerada ou confluente (Abramowitz e Stegun, 1965).

Probabilidade

Na Figura 19, pode-se observar o comportamento da distribuio do par de imagens

intensidade-diferena de fase, onde um dos parmetros ( = -1,5, 0,0 e 1,5) alterado,
enquanto os demais so mantidos constantes.

Valores de
Diferena de Fa
se

de
Valores e
d
a
id
s
Inten

)LJXUD   'LVWULEXLomR GR SDU GH LPDJHQV LQWHQVLGDGHGLIHUHQoD GH IDVH SDUD

[   H  Q  _U _  H K 
)RQWH $GDSWDGD GH &RUUHLD  S 
Estimadores dos parmetros das distribuies dadas pelas Equaes (11) a (14)
podem ser encontrados em Correia (1998).

26



7(;785$

A textura uma importante caracterstica utilizada na interpretao visual de imagens

e por esta razo, o uso de medidas de textura pode aumentar o desempenho de
classificadores digitais, principalmente em imagens com alta resoluo espacial. No
entanto, a textura de uma imagem muito difcil de ser quantificada, uma vez que no
h um consenso na definio deste termo, nem tampouco uma formulao matemtica
precisa. Ao contrrio da informao espectral, que descreve a variao do nvel de
cinza de um SL[HO, a textura contm informaes sobre a distribuio espacial dos
nveis de cinza de uma regio da imagem (Ulaby et al., 1986b; Marceau et al., 1989).
As tcnicas de discriminao de alvos que incorporam a informao textural so em
sua grande maioria DG KRF. As primeiras tcnicas desenvolvidas para se descrever a
textura de uma imagem, procuravam entender as relaes de contraste,
direcionalidade, rugosidade e regularidade dos nveis de cinza de regies
consideradas homogneas texturalmente. Dentro desta linha, destacam-se as tcnicas
que utilizam funes de autocorrelao, matrizes de co-ocorrncia e morfologia
matemtica. Outras abordagens consideram que a textura presente numa imagem
podem ser explicadas atravs da adoo de modelos. Assim, dado um modelo e
conhecido seus parmetros, pode-se sintetizar reas com texturas homogneas.
Dessa forma, a anlise textural consiste da verificao da adeqabilidade de um
modelo e estimao de seus parmetros. Como exemplos de modelos pode-se citar
os autorregressivos de mdia mvel (que podem ser estendidos para o caso
bidimensional) e campos aleatrios Markovianos.
A textura no pode ser analisada sem se considerar a escala. Para qualquer superfcie
textural, existe uma escala na qual esta apresenta uma aparncia lisa ou praticamente
sem textura. A medida que a escala aumenta, esta superfcie pode apresentar uma
textura fina chegando at a uma textura bastante grosseira, e para uma anlise multiescala, este ciclo lisa/textura fina/textura grosseira pode se repetir.
Recomenda-se a consulta de Haralick and Shapiro (1992), para informaes sobre
aplicaes do uso da informao textural na discriminao de alvos nas mais diversas
reas do conhecimento, tais como uso do solo, geologia, medicina, etc. A seguir so
descritas algumas maneiras de se descrever a textura.

 &RRFRUUrQFLD GRV QtYHLV GH FLQ]D

A dependncia espacial de uma regio pode ser caracterizada atravs da coocorrncia dos nveis de cinza presentes nesta regio. Texturas grosseiras so
aquelas cujos nveis de cinza mudam suavemente com a distncia. Por outro lado,
texturas mais finas so aquelas cujas mudanas do nvel de cinza ocorrem mais
rapidamente com relao a distncia.
A co-ocorrncia dos nveis de cinza pode ser especificada numa matriz de freqncias
relativas, 3(LM), com que dois SL[HOV vizinhos, separados por uma certa distncia em
uma dada direo, ocorrem na imagem, um com nvel de cinza L e o outro com o nvel
de cinza M. Em geral, a matriz de co-ocorrncia simtrica, ou seja, considera-se
3(LM) 3(ML) (Haralick et al., 1973).
Dependendo do nvel de quantizao da imagem analisada, a matriz de co-ocorrncia
torna-se extremamente grande e ao mesmo tempo, quase sempre uma matriz
esparsa (grande parte da matriz constituda de "zeros"). Por exemplo, para uma
imagem de 8 ELWV (256 nveis de cinza), a matriz de co-ocorrncia composta por
65536 elementos (2562). Como alternativa, pode-se trabalhar com vetores de co-

27

ocorrncia da soma e da diferena de nveis de cinza (Weszka et al., 1976; Unser,

1986; Welch et al., 1990). Cada elemento do vetor soma definido como

3 (L , M ) ( L + M ) = N ,
3 (N ) =

enquanto que o elemento do vetor diferena definido como

3

(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, =

3(L, M )log 3(L, M )

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.

 )XQomR GH DXWRFRUUHODomR

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 ,

onde Q e Q representam respectivamente o nmero de colunas e linhas da regio J.

Uma vez que o padro textural numa imagem geralmente peridico, a funo de
autocorrelao tambm obedece essa periodicidade. A funo de autocorrelao para
regies com textura mais fina decresce rapidamente com a distncia. J em regies
com textura mais grosseira, esse decrscimo menos acentuado.
A adoo da funo de autocorrelao para caracterizar a textura de uma regio
pressupe que a organizao espacial definida pela dependncia linear que um SL[HO
tem com outro.

 0RUIRORJLD PDWHPiWLFD

A abordagem morfolgica para a anlise textural de imagens requer a definio de um
elemento estrutural (conjuntos de SL[HOV que constituem uma forma especfica como,
por exemplo, linhas, crculos ou retngulos) e a gerao de imagens binrias que
resultam da eroso da imagem pelo elemento estrutural por um processo de
translao deste elemento sobre a imagem. As medidas texturais podem ser obtidas
pela contagem do nmero de SL[HOV que possuem o valor "um" nestas novas imagens.
A operao de dilatao pode ser utilizada em conjunto com a eroso, resultando em
operaes de abertura (eroso seguida de dilatao) e fechamento (dilatao seguida
de eroso).
O nmero de SL[HOV que possuem valor "um" em uma imagem resultante de um
processo de abertura, como funo do tamanho do elemento estrutural, pode
determinar a distribuio do tamanho dos grnulos (elementos texturais primitivos) na
imagem.
Um exemplo do uso de morfologia matemtica para anlise textural pode ser
encontrado em Chen e Dougherty (1994).

 0RGHORV DXWRUUHJUHVVLYRV

Com a adoo de um modelo autorregressivo (caso particular do modelo
autorregressivo de mdia mvel), pode-se estimar o nvel de cinza de um SL[HO a partir
dos nveis de cinza de seus SL[HOV vizinhos, ou seja, a estimao feita atravs da
ponderao linear dos nveis de cinza da vizinhana de um SL[HO. Para texturas mais
grosseiras, os coeficientes utilizados na ponderao sero muito similares. Por outro
lado, para texturas mais finas, estes coeficientes podero ser muito distintos. A

29

estimao destes coeficientes pressupe uma dependncia linear entre os SL[HOV da

imagem que pode ser avaliada atravs da funo de autocorrelao (ver Seo 1.6.2).
A formao da textura, utilizando-se um modelo autorregressivo, se d atravs do
seguinte procedimento: a partir de uma imagem rudo gerada aleatoriamente e uma
seqncia qualquer de valores, o prximo valor desta seqncia pode ser calculado
como uma combinao linear dos valores previamente existentes somado
combinao linear dos valores de rudos previamente gerados. Os coeficientes dessas
combinaes lineares so os parmetros desse modelo.
A utilizao de modelos autorregressivos como descritores texturais pode ser
encontrada em Sant'
Anna e Dutra (1995), que avaliaram filtros redutores de VSHFNOH, e
em Soares (1998), que discriminou tipos de florestas atravs de classificao digital.

 3DUkPHWURV HVWDWtVWLFRV GH SULPHLUD RUGHP

A textura pode tambm ser caracterizada atravs de parmetros estatsticos de
primeira ordem, ou seja, que no levam em considerao a distribuio espacial dos
nveis de cinza de uma regio da imagem. Os parmetros que se relacionam com a
textura, em geral, descrevem a variao ou forma da distribuio dos nveis de cinza.
Assim pode-se utilizar como descritores de textura a varincia (ou o desvio padro), o
coeficiente de variao, assimetria, curtose, etc.
Muitas distribuies podem ser empregadas para descrever a variao dos nveis de
cinza de imagens de radar (para maiores detalhes ver Seo 1.5). Particularmente, o
parmetro da distribuio K tem se mostrado um importante descritor da textura de
uma regio. Pode-se verificar que a distribuio Raiz Quadrada da Gama um caso
particular da K-Amplitude quando tende a infinito e, que a primeira est associada a
regies mais homogneas e a segunda a regies mais heterogneas em imagens
amplitude. Dessa forma, uma estimativa do parmetro pode ser utilizado como
medida da homogeneidade (textura) de uma regio.
Sant'
Anna et al. (1997) utilizaram o coeficiente de variao e o parmetro da
distribuio K-Amplitude para descrever a textura de uma imagem do RADARSAT, na
discriminao de trs classes de uso do solo: floresta primria, sucesso secundria e
atividades recentes (solo exposto, pastagem e culturas agrcolas). Foi mostrado que
esses parmetros texturais so muito teis para a discriminao de floresta primria e
sucesso secundria (ver Seo 1.8.1.3).



&/$66,),&$d2 '( ,0$*(16

Em sensoriamento remoto, uma das tcnicas de processamento de imagens mais

importantes e utilizadas a classificao digital. No processo de classificao, partese de uma imagem de entrada e gera-se uma imagem rotulada, onde cada SL[HO
recebe um rtulo que identifica a classe a qual ele foi atribudo, segundo uma regra de
deciso. O classificador pode ser denominado pontual quando a classificao feita
SL[HO a SL[HO ou por regio quando a classificao realizada num conjunto de SL[HOV
(regio).
Os mtodos de classificao podem ser divididos em dois grupos: supervisionados
(semi-automtico) ou no supervisionados (automtico). No primeiro, supondo-se o
nmero de classes presente na imagem conhecido, define-se um conjunto de
amostras como pertencentes a cada uma das classes (amostras de treinamento),
extrai-se algum tipo de informao destas amostras para cada classe (etapa de
aprendizado ou treinamento), a partir da qual constroem-se critrios que permitiro
agrupar os SL[HOV ou regies com caractersticas similares (classificao propriamente

30

dita). No segundo, desconhecido o nmero de classes existente na imagem, e assim

procura-se verificar a existncia de grupos naturais de SL[HOV ou regies, de modo que
elementos de um mesmo conjunto (classe) tenham caractersticas semelhantes, ao
mesmo tempo que elementos de conjuntos diferentes possuam as caractersticas mais
distintas possveis. Desta forma, ao final da classificao, considera-se que os
conjuntos encontrados pertenam a classes distintas.
A classificao digital de uma imagem pode ser realizada usando-se vrias tcnicas,
tais como heursticas, estatsticas, redes neurais, morfologia matemtica, FOXVWWHULQJ
(agrupamento), entre outras. Ao leitor interessado em mais detalhes sobre mtodos e
tcnicas de classificao digital pode-se recomendar a consulta de Richards (1993),
Mascarenhas e Velasco (1989), e Dutra et al. (1993).
A seguir, sero apresentados trs mtodos de classificao supervisionada, sendo os
dois primeiros classificadores estatsticos pontuais e o ltimo um classificador por
regio. O segundo mtodo incorpora a informao contextual com o objetivo de
melhorar a classificao pontual.
Sistemas para classificao e anlise estatstica de imagens SAR para dados
monoespectrais e polarimtricos, incorporando os trs classificadores descritos a
seguir, foram desenvolvidos e implementados no Instituto Nacional de Pesquisas
Espaciais (INPE). Estes sistemas foram implementados em linguagem de
programao IDL (,QWHUDFWLYH 'DWD /DQJXDJH), baseados na plataforma ENVI
((1YLURQPHQW IRU 9LVXDOL]LQJ ,PDJHV), so amigveis (no requerendo treinamento
especfico do operador), possuem uma seqncia de passos natural e guiada (JRDO
GULYHQ) e permitem a incorporao de novos mdulos, como por exemplo, outras
distribuies para se modelar os dados.

 &ODVVLILFDGRU 3RQWXDO

Os classificadores que adotam tcnicas estatsticas requerem modelos tanto para os
SL[HOV quanto para as classes. As hipteses de independncia entre SL[HOV,
equiprobabilidade e Gaussianidade das classes so as hipteses mais comuns no
desenvolvimento e implementao deste tipo de classificador.
O classificador estatstico mais conhecido e comumente utilizado em sensoriamento
remoto o de Mxima Verossimilhana (MaxVer), que pontual, supervisionado e
possui baixo custo computacional. Este classificador, baseado na formulao
Bayesiana, consiste da maximizao da distribuio D SRVWHULRUL de uma classe dada
a ocorrncia de um SL[HO com valor [. Isto equivalente, aps algumas simplificaes,
maximizao da seguinte funo de verossimilhana:

/() = 3U([) = 3U([).3U().

Dada a hiptese de equiprobabilidade das classes (isto , 3U() igual para todas as
classes), a expresso anterior se reduz ao modelo de degradao adotado para o
sinal (3U([)). A maximizao de /() conhecida como a regra deciso por mxima
verossimilhana, a qual d o nome ao classificador. Para imagens pticas, geralmente,
adota-se a distribuio Gaussiana para modelar a 3U([).
O processo de maximizao (classificao) ilustrado graficamente na Figura 20, para
o caso da classificao MaxVer utilizando dados monoespectrais, considerando-se
trs classes 1, 2 e 3 (cujas distribuies so representadas nas cores vermelho,
azul e verde, respectivamente). Para encontrar a classe que maximiza 3U([),
procura-se aquela que possui os valores de sua distribuio superiores aos das outras

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:

o SL[HO pertence classe 1

[ 28

28 < [ 56 o SL[HO pertence classe 2

[ > 56
o SL[HO pertence classe 3

e representadas na Figura 20 pelas faixas nas suas respectivas cores.

Probabilidade

Nvel de cinza

)LJXUD   'LVWULEXLo}HV DVVRFLDGDV jV FODVVHV Z  Z H Z  H DV IDL[DV GH QtYHLV

GH FLQ]D XWLOL]DGDV QD FODVVLILFDomR
Neste trabalho, o classificador pontual considerado como especfico para imagens
SAR o MaxVer (ou seja, maximizao de 3U([) com 3U() igual para todas as
classes), porm supondo a hiptese de que os dados SAR so melhores descritos
pelas distribuies oriundas do modelo multiplicativo (vide Seo 1.5). Para ilustrar a
relevncia de se considerar diferentes distribuies para diferentes classes, ajustou-se
aos dados de trs classes distintas, as distribuies Gaussianas e as oriundas do
1/2
modelo multiplicativo. Na Figura 21, so mostradas as distribuies (Figura 21a),

KA (Figura 21b) e G 0A (Figura 21c) que foram as melhores ajustadas a estes dados e

as respectivas distribuies Gaussianas que seriam ajustadas aos dados destas

classes, caso o modelo Gaussiano fosse adotado (a hiptese de que os dados
proviessem de uma distribuio Gaussiana foi rejeitada em todos os casos, utilizando
o teste de aderncia de 2). Nesta figura, pode-se observar diferenas entre os ajustes
das distribuies Gaussianas e as provindas do modelo multiplicativo, sendo estas
diferenas mais significativas para as classes mais heterogneas.

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)

)LJXUD   $MXVWH GDV GLVWULEXLo}HV *DXVVLDQDV H GDV PDLV DSURSULDGDV D GDGRV

GH WUrV FODVVHV FRP GLIHUHQWHV JUDXV GH KRPRJHQHLGDGH D 5DL]
4XDGUDGD
GD *DPD KRPRJrQHD E .$PSOLWXGH KHWHURJrQHD H F

* $PSOLWXGH H[WUHPDPHQWH KHWHURJrQHD

 &ODVVLILFDGRU 3RQWXDO&RQWH[WXDO

A suposio de que os dados observados numa imagem so provenientes da
distribuio Gaussiana, pode conduzir a resultados da classificao MaxVer pobres ou
no satisfatrios. Isto ocorre quando este modelo no o mais adequado para
descrever os dados e/ou a relao sinal-rudo das imagens baixa. Portanto, para os
dados SAR, que se enquadram nestas duas situaes, h a necessidade de se
melhorar o desempenho do classificador MaxVer. Sem abandonar a teoria estatstica e
baseado na formulao Bayesiana, tem-se como alternativas: a adoo de modelos
mais realistas para os dados SAR observados (modelar 3U([) adequadamente,
como visto na seo anterior) e/ou a incorporao da informao contextual,
considerando uma distribuio espacial para as classes (modelar 3U()).
Um classificador que, alm de considerar o nvel de cinza do SL[HO, incorpore a
informao da vizinhana (contexto) deste SL[HO, pode minimizar o problema da
relao sinal-rudo, assim como aumentar o desempenho de classificao. A
modelagem Markoviana tem sido proposta para incorporar a noo de dependncia
espacial entre classes e/ou observaes, dadas as classes (Frery, 1993), e foi
utilizada em processamento de imagens, entre outros, por Besag (1986 e 1989) e
Geman e Geman (1984). O modelo de Potts-Strauss (que um caso particular dos
campos aleatrios Markovianos) usado para descrever, de forma estatstica, esta
dependncia espacial, e dentro da formulao Bayesiana, empregado na
modelagem da distribuio D SULRUL no desenvolvimento do classificador contextual.
Agora, conhecidos o modelo de degradao, 3U([), e a distribuio D SULRUL, 3U(),
tem-se que procurar um estimador para a distribuio D SRVWHULRUL, como no caso
MaxVer. Segundo Frery (1993), os principais estimadores relacionados tcnicas
Markovianas so os de Mximo a Posteriori (MAP - 0D[LPXP $ 3RVWHULRUL), de Moda
da Marginal a Posteriori (MPM - 0DUJLQDO 3RVWHULRUL 0RGH) e de Modas Condicionais
Iterativas (ICM - ,WHUDWHG &RQGLFLRQDO 0RGHV). O algoritmo deste ltimo estimador

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

)LJXUD   3URFHVVR LWHUDWLYR GH UHILQDPHQWR GD FODVVLILFDomR ,&0

Em Vieira et al. (1997), relatado que o uso da informao contextual (atravs do

algoritmo ICM), juntamente com o uso das melhores distribuies ajustadas aos
dados, permite a obteno de resultados de classificao, em mdia, 94% melhores
quando comparados aqueles obtidos com a classificao MaxVer. Entretanto, esta
melhora no desempenho de classificao ICM conseguida a um custo e
complexidade computacional maiores que os do classificador MaxVer. Outros
resultados da classificao ICM usando dados SAR podem ser encontrados em
Sant'
Anna et al. (1997), Frery et al. (1997c), Sant'
Anna et al. (1998).
Vale ressaltar que os classificadores MaxVer e ICM apresentados anteriormente para
imagens SAR foram descritos para dados monoespectrais (ou seja, dados com
apenas uma banda espectral e uma nica polarizao). Porm, os mesmos conceitos
podem ser aplicados a dados polarimtricos PXOWLORRN,. Neste caso, 3U([) tem sido
modelada utilizando-se as distribuies definidas pelas Equaes (8) a (14). Os
exemplos de aplicao apresentados neste trabalho (Seo 1.8.2), utilizam as
distribuies para os dados polarimtricos (par de intensidades, diferena de fase,
razo de intensidades e par intensidade-diferena de fase), definidas pelas
Equaes (11) a (14). O classificador contextual ICM ir refinar a classificao MaxVer
obtida por um dos diferentes tipos de dados polarimtricos. Exemplos do uso do

34

MaxVer/ICM para a classificao de dados polarimtricos podem ser encontrados em

Correia (1998) e Freitas et al. (1998).
O classificador ICM implementado no sistema desenvolvido no INPE utiliza as
mesmas distribuies usadas no classificador MaxVer descrito na seo anterior. O
contexto, neste classificador, incorporado considerando-se os oito vizinhos mais
prximos ao SL[HO a ser classificado.

 &ODVVLILFDGRU SRU 5HJL}HV

Os classificadores por regies podem utilizar, alm da informao espectral (nvel de
cinza) de cada SL[HO, a informao espacial que descreve a relao entre um SL[HO e
seus vizinhos. Cada regio ou segmento representa uma rea da imagem que
homognea sob algum aspecto.
O processo de segmentao de uma imagem, de modo simplificado, consiste da sua
partio em regies disjuntas (regies sem interseo), seja observando uma
caracterstica que se mantenha uniforme ao longo desta regio ou atravs da
deteco de descontinuidades (bordas) presentes nesta imagem. Dois mtodos
clssicos de segmentao so o de crescimento de regies e o de deteco de
bordas. No primeiro mtodo, os SL[HOV so agrupados de acordo com a similaridade
existente entre esses SL[HOV. O processo realizado iterativamente, considerando
inicialmente cada SL[HO como uma regio distinta. A cada iterao feito um teste de
igualdade de mdias de um atributo entre regies vizinhas, que sero agrupadas caso
este teste indique que estas regies sejam similares (neste caso, adotando-se um
limiar de aceitao para a hiptese de igualdade de mdias). No segundo mtodo,
procura-se determinar os limites (bordas) de cada regio, identificando-se e
perseguindo-se as bordas encontradas na imagem na qual se realou estas feies
utilizando-se, por exemplo, o filtro de Sobel (Jain, 1989).
Pode-se verificar que esses mtodos de segmentao so muito sensveis presena
de rudos e dessa forma, no apresentam em geral bom desempenho quando
utilizados sobre imagens de radar, resultando numa excessiva segmentao da
imagem (um nmero extremamente grande de regies). Especificamente para
imagens de radar, foram desenvolvidos mtodos de segmentao que utilizam as
distribuies mais apropriadas para esse tipo de dado para decidir sobre a
similaridade entre duas regies. Entre estes mtodos, pode-se citar: $QQHDOLQJ (Oliver
e Quegan, 1998), 0HUJH 8VLQJ 0RPHQWV (Cook et al., 1994) e 5:6(* (White, 1986).
Cada regio (segmento) pode ser considerada como um elemento nico (objeto) ou
como um conjunto de SL[HOV da imagem que compem esta regio. No primeiro caso,
a regio possui um ou mais atributos que podem descrever a natureza estatstica dos
dados, a forma geomtrica da regio, a textura ou a relao espacial existentes entre
os diferentes SL[HOV que compem esta regio. Dessa forma, cada regio pode ser
interpretada de forma similar a um SL[HO e as tcnicas desenvolvidas para classificao
pontual podem ser ento perfeitamente aplicveis. No caso de se considerar os
valores de todos os SL[HOV de uma regio, pode-se proceder classificao, de uma
maneira bastante simplificada, atravs da comparao entre a distribuio dos valores
dos SL[HOV desta regio e a distribuio dos valores de cada classe, usando alguma
medida de similaridade.
De modo geral, assim como a classificao pontual, a classificao por regio pode
utilizar critrios probabilsticos (atravs da maximizao de funes de
verossimilhana, por exemplo) para decidir a classe para qual ser atribuda cada uma
das regies analisadas. Para tanto, faz-se necessrio o conhecimento prvio da
distribuio associada aos dados de cada classe considerada. Como alternativa, pode-

35

se adotar medidas de separabilidade como critrio no processo de classificao. Entre

estas medidas, destacam-se a distncia quarteiro, euclidiana, a de Mahalanobis, a de
Bhattacharrya e a de Jeffries-Matusita. Para maiores detalhes sobre medidas de
separabilidade recomenda-se Richards (1993).
Em Renn et al. (1998), apresentado o sistema desenvolvido no INPE, o qual
envolve a extrao e seleo de medidas texturais, e a classificao por regio de
uma imagem. As medidas utilizadas so divididas em quatro grupos:

Medidas de Haralick:: contraste, entropia, energia, homogeneidade, correlao,

dissimilaridade, chi-quadrado, FOXVWHU VKDGH, FOXVWHU SURPLQHQFH, e mdia,
varincia, entropia e energia dos vetores soma e diferena, e contraste do
vetor diferena.

Medidas distribucionais: estimadores da mdia, varincia e desvio padro das

distribuies Gaussiana e Lognormal, e estimadores do parmetro baseados
nos momentos das distribuies K-Intensidade e K-Amplitude;

Medidas de primeira ordem: desvio mdio absoluto, assimetria, curtose,

coeficiente de variao, mediana, entropia e energia; e

Autocorrelaes espaciais e razes entre elas: considerando ODJV de -4 a 4.

A seleo de medidas que melhor discriminam as classes de interesse obtida,

considerando um par de classes $ e %, pelo fator discriminante definido por:

)'

Q  (; ;

Q  (; ;
=

+ Q  (;

+ Q  (;
=

(15)

onde ; ( = $ ou %) o valor da medida para a L-sima amostra, ; o valor

mdio da medida e Q o nmero de amostras da classe . Quanto maior a

separabilidade entre as classes, maior ser este fator. Portanto, para cada par de
classes, escolhida a medida que apresenta o maior valor do fator discriminante. A
classificao propriamente dita efetuada extraindo-se as medidas selecionadas para
cada regio da imagem e atribuindo-a classe que minimiza a distncia de
Mahalanobis.



(;(03/26 '( $3/,&$d(6

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:

6$5 - SAR aerotransportado, banda L (1,2 GHz), polarizao HH,

resoluo azimutal e em UDQJH de 3P, SL[HO VSDFLQJ de 1,5P, imagem
amplitude (8 ELWV/SL[HO), ORRN;

-(56 - SAR orbital, banda L (1,275 GHz), polarizao HH, resoluo

azimutal e em UDQJH de aproximadamente de 18P, SL[HO VSDFLQJ de 12,5P,
imagem amplitude (16 ELWV/SL[HO), ORRNV, ngulo de incidncia de 38o;

36

5$'$56$7 - SAR orbital, banda C (5,3 GHz), polarizao HH, resoluo

azimutal de 8,4P e em UDQJH de 7,8P ()LQH 0RGH), SL[HO VSDFLQJ de 3,125P,
imagem amplitude (16 ELWV/SL[HO), ORRN, ngulo de incidncia de 45o a 48o; e

6,5&& - SAR orbital, bandas C (5,304 GHz) e L (1,254 GHz), polarizaes

HH, HV e VV, resoluo azimutal e em UDQJH de 25P, SL[HO VSDFLQJ de 12,5P,
imagem PXOWLORRN complexa (64 ELWVSL[HO),  ORRNV, ngulo de incidncia
de aproximadamente 49o.

 8VR GH FODVVLILFDGRU SRQWXDOFRQWH[WXDO HP GDGRV PRQRHVSHFWUDLV

Nesta seo, sero apresentados exemplos do uso do classificador MaxVer/ICM em
imagens adquiridas pelos sistemas SAR-580, JERS-1 e RADARSAT.
Os resultados obtidos da classificao MaxVer/ICM de imagens adquiridas pelos
sensores SAR-580 e JERS-1 so apresentados em Vieira (1996) e em Vieira et al.
(1997). Em Sant'
Anna et al. (1997), apresentam-se os resultados obtidos da
classificao MaxVer/ICM da imagem adquirida pelo RADARSAT. apresentado aqui,
um resumo destes resultados.

 5HVXOWDGRV SDUD LPDJHP GR 6$5

A imagem do SAR-580 da regio de Freiburg, Alemanha mostrada na Figura 23a.
Foram definidas trs classes de interesse: Floresta, Cultura e Restolho, identificadas
na Figura 23a pelas letras F, C e R, respectivamente. Destas reas foram retiradas
amostras para a seleo das distribuies que melhor se ajustaram a cada uma das
classes, atravs do teste de aderncia de 2. A distribuio que mais se ajustou
classe Floresta foi a G 0A ; para a classe Cultura foi a KA e para a classe Restolho foi a
Raiz Quadrada da Gama (ou, neste caso, como o nmero de ORRNV igual a um, a
distribuio Rayleigh). Portanto, considerando-se as distribuies ajustadas, o grau de
homogeneidade maior para a classe Restolho e menor para classe Floresta.
Foram obtidas as classificaes MaxVer e ICM, tanto para a hiptese de
Gaussianidade das classes, quanto para a hiptese da distribuio mais ajustada para
as observaes de cada classe. As Figuras 23b e c apresentam os resultados das
classificaes MaxVer e ICM, respectivamente, com o uso das distribuies mais
ajustadas para as observaes de cada classe. As classificaes ICM foram iniciadas
com as classificaes MaxVer. As classes Floresta, Cultura e Restolho esto
representadas respectivamente pelas cores verde escuro, verde claro e magenta. A
Tabela 2 apresenta, para cada classificao, os valores estimados do coeficiente de
concordncia Kappa ( ) (Richards, 1993), e das suas respectivas varincias ( V 2 )
obtidos atravs de amostras de teste.
7DEHOD   9DORUHV HVWLPDGRV GR FRHILFLHQWH GH FRQFRUGkQFLD .DSSD  N H GH
VXDV YDULkQFLDV  V 

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

)RQWH $GDSWDGD GH 9LHLUD HW DO  S 

37

&

5
)

(a)
(b)

)LJXUD   ,PDJHQV D 6$5 RULJLQDO E FODVVLILFDGD SHOR PpWRGR 0D[9HU H

F FODVVLILFDGD SHOR PpWRGR ,&0
)RQWH $GDSWDGD GH 9LHLUD HW DO  S 
Os testes para a igualdade dos coeficientes de concordncia Kappa foram efetuados
para todos os pares de classificaes. Estes testes foram todos estatisticamente
significativos para nveis de significncia acima de 10%.
Dessa forma, pode-se afirmar que, para a imagem do SAR-580:

a classificao MaxVer com o uso das distribuies mais ajustadas s classes

apresenta um resultado de melhor qualidade, quando comparada MaxVer
com o uso de distribuies Gaussianas. Pelos resultados apresentados na
Tabela 2, possvel verificar que houve uma melhora de 5,2% para o da
classificao MaxVer ao se utilizar as distribuies mais ajustadas;

a classificao ICM com o uso das distribuies mais ajustadas s classes

apresenta um resultado de melhor qualidade, quando comparada ICM com o
uso de distribuies Gaussianas. Atravs da Tabela 2, possvel verificar que
houve uma melhora de 6,5% para o da classificao ICM ao se utilizar as
distribuies mais ajustadas; e

a classificao ICM sempre superior classificao MaxVer. Pelos

resultados apresentados na Tabela 2, pode-se verificar que houve uma
melhora mdia de 88,3% para o ao se utilizar a classificao ICM em
substituio MaxVer.

 5HVXOWDGRV SDUD D LPDJHP GR -(56

A imagem do JERS-1, da regio da Floresta Nacional de Tapajs, Par, Brasil,
apresentada na Figura 24b. As classes de uso do solo de interesse so Solo
Exposto/Pastagem, Regenerao (Floresta Secundria) e Floresta Primria, que
podem ser identificadas na Figura 24a (imagem do TM-Landsat, utilizada somente
como referncia) pelas cores: magenta/amarelo claro, verde claro e verde escuro,
respectivamente. As classes Solo Exposto e Pastagem foram agrupadas em uma
nica classe.
A distribuio que mais se ajustou aos dados foi a G 0A , para todas as trs classes de
interesse.
As classificaes MaxVer e ICM foram obtidas, tanto sob a suposio de normalidade
dos dados, quanto sob a suposio da distribuio mais ajustada cada classe. Os
coeficientes de concordncia Kappa foram estimados para cada classificao, atravs
das respectivas matrizes de confuso obtidas das amostras de teste. A Tabela 3

38

apresenta os valores estimados do coeficiente de concordncia Kappa ( ), e de suas

respectivas varincias ( V 2 ).
(a)

(b)

(c)

(d)

)LJXUD   ,PDJHQV D 70/DQGVDW QD FRPSRVLomR FRORULGD EDQGDV   H 

5*% E -(56 RULJLQDO F FODVVLILFDGD SHOR PpWRGR 0D[9HU H G
FODVVLILFDGD SHOR PpWRGR ,&0
)RQWH $GDSWDGD GH 9LHLUD HW DO  S

39

7DEHOD   9DORUHV HVWLPDGRV GR FRHILFLHQWH GH FRQFRUGkQFLD .DSSD  N H GH

VXDV YDULkQFLDV  V 

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

)RQWH $GDSWDGD GH 9LHLUD HW DO  S 

Os testes para a igualdade dos coeficientes de concordncia Kappa foram efetuados

para todos os pares de classificaes, indicando que os coeficientes de concordncia
Kappa so estatisticamente diferentes para todos esses pares, para nveis de
significncia de ordem prtica.
Portanto, pode-se afirmar que para a imagem do JERS-1 utilizada:

a classificao MaxVer, com o uso das distribuies mais ajustadas s

classes, apresenta um resultado de melhor qualidade quando comparada
MaxVer obtida com o uso de distribuies Gaussianas. Pelos resultados
apresentados na Tabela 3, pode-se verificar que houve uma melhora de 13,6%
para o da classificao MaxVer ao se utilizar as distribuies mais ajustadas
aos dados SAR;

a classificao ICM, com o uso das distribuies mais ajustadas s classes,

de melhor qualidade quando comparada classificao ICM com o uso de
distribuies Gaussianas, havendo uma melhora de 12,6% para o valor ; e

a classificao ICM superior classificao MaxVer, havendo uma melhora

mdia de 99% para o valor ao se utilizar a classificao ICM em substituio
MaxVer.

As Figuras 24c e d apresentam os resultados da classificaes MaxVer e ICM,

respectivamente, da imagem do JERS-1 com o uso das distribuies mais ajustadas
para as classes. As classes esto representadas pelas cores magenta (Solo Exposto e
Pastagem), verde claro (Regenerao) e verde escuro (Floresta). Estas figuras
evidenciam a superioridade da classificao ICM quando comparada classificao
MaxVer.

 5HVXOWDGRV SDUD D LPDJHP GR 5$'$56$7

A imagem do RADARSAT, datada de 3 de maio de 1996, da regio de Tapajs
utilizada para mostrar outro exemplo das classificaes MaxVer/ICM em imagens
SAR. A resoluo espacial desta imagem foi degradada computando-se a raiz
quadrada da mdia de 9 SL[HOV em intensidade. Isto , a cada conjunto de 33 SL[HOV
calculou-se a mdia gerando um novo valor de nvel de cinza, aumentando-se assim o
nmero de visadas nominal. A partir desta imagem degradada (Figura 25a) gerou-se,
atravs do processo de filtragem, trs outras imagens: uma com aplicao do filtro de
Frost (Figura 25b) e as demais usando-se estimadores do coeficiente de variao (CV)
e do parmetro da distribuio K-Amplitude (Figuras 25d e e, respectivamente). No
processo de filtragem destas imagens, empregou-se respectivamente os tamanhos de
55, 77 e 1111 SL[HOV para a janela de processamento. A imagem gerada pela
filtragem com o algoritmo de Frost apresenta um contraste geral maior que o da

40

imagem degradada. A imagem do TM-Landsat utilizada como referncia e

mostrada na Figura 25c.
(b)

(a)

(c)

(d)

(e)

)LJXUD  ,PDJHQV D GR 5$'$56$7 GHJUDGDGD E ILOWUDGD SHOR DOJRULWPR GH

)URVW F 70/DQGVDW QD FRPSRVLomR FRORULGD EDQGDV   H 
5*% G GR FRHILFLHQWH GH YDULDomR H H GR SDUkPHWUR D GD .
$PSOLWXGH
)RQWH $GDSWDGD GH 6DQW
$QQD HW DO  S 
Para efeito de classificao considerou-se apenas as classes dominantes na imagem,
que so:
Atividade Recente (Solo Nu e Pastagem): que aparece na Figura 25c na cor
magenta e apresenta uma textura mais lisa na Figura 25b;
Regenerao ou Sucesso Secundria: que aparece na Figura 25c na cor
verde mais clara e apresenta uma textura moderada na Figura 25b; e
Floresta Primria: que aparece na Figura 25c na cor verde escuro e apresenta
uma textura rugosa na Figura 25b.
Pode-se verificar que a distino destas trs classes no evidente na imagem
original do RADARSAT, onde os nveis de cinza mdio das classes Floresta Primria e
Regenerao so muito prximos e maiores que o da classe Atividade Recente. Notase, atravs das Figuras 25d e e, que os estimadores do coeficiente de variao e do
parmetro da distribuio K-Amplitude permitem discriminar a classe Floresta
Primria das demais classes. As classes Atividade Recente e Regenerao podem ser
consideradas mais homogneas que a Floresta Primria por possurem valores de
maiores.
O teste de aderncia do 2 foi usado para selecionar as distribuies que melhor se
ajustaram aos dados. As distribuies selecionadas foram utilizadas na classificao
MaxVer e ICM e so apresentadas na Tabela 4. A distribuio Gaussiana foi utilizada

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

)RQWH $GDSWDGD GH 6DQW$QQD HW DO  S 

As imagens classificadas usando apenas a informao tonal (imagens degradada ou

filtrada pelo algoritmo de Frost) apresentaram muita confuso entre as classes
Floresta e Regenerao. J as imagens classificadas usando a informao textural
(imagens filtradas pelo coeficiente de variao ou pelo parmetro ) apresentaram
muita confuso entre Atividade Recente e Regenerao. Contudo, com a informao
textural, possvel separar as classes Floresta e no Floresta (Regenerao e
Atividade Recente). Para se obter melhores resultados de classificao, utilizando-se
os atributos tonal e textural, efetuou-se o cruzamento das classificaes atravs de
operaes Booleanas (classificao cruzada). Estas operaes foram aplicadas em
pares de imagens classificadas, uma gerada a partir da classificao da imagem
degradada ou filtrada pelo filtro de Frost e a outra a partir da classificao da imagem
do coeficiente de variao ou do parmetro .
A avaliao dos resultados das classificaes foi efetuada atravs da anlise visual
das classificaes, das matrizes de confuso, e dos respectivos valores estimados do
coeficiente de concordncia Kappa ( ). Na Tabela 5, so apresentados os valores
estimados do coeficiente de concordncia Kappa ( ) para cada uma das imagens
classificadas.
7DEHOD   9DORUHV HVWLPDGRV GR FRHILFLHQWH GH FRQFRUGkQFLD .DSSD  N

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

)RQWH $GDSWDGD GH 6DQW$QQD HW DO 

Na Figura 26, so mostradas as imagens classificadas que obtiveram os piores e os

melhores resultados das classificaes individuais e cruzadas (menores e maiores
valores de ).

42

(a)

(b)

(c)

(d)

)LJXUD   ,PDJHQV GDV FODVVLILFDo}HV D 0D[9HU GD LPDJHP GHJUDGDGD E

,&0 GD LPDJHP D F UHVXOWDQWH GR FUX]DPHQWR GD 0D[9HU GD
LPDJHP GHJUDGDGD H GD 0D[9HU GD LPDJHP &9 H G UHVXOWDQWH GR
FUX]DPHQWR GD ,&0 GD LPDJHP )URVW H GD ,&0 GD LPDJHP D
)RQWH $GDSWDGD GH 6DQW
$QQD HW DO 
Atravs da anlise, pode-se concluir que:

as classificaes em que foi utilizada a imagem classificada baseada no

parmetro apresentaram melhores resultados do que as baseadas no
coeficiente de variao, evidenciando a relevncia do uso deste parmetro em
classificadores;

as classificaes em que foi utilizada a imagem classificada baseada no filtro

de Frost apresentaram melhores resultados do que as baseadas na imagem
original degradada, evidenciando a importncia de filtros redutores de VSHFNOH
nas classificaes;

o melhor resultado de classificao foi obtido utilizando-se as imagens

classificadas baseadas no filtro de Frost e no parmetro , na classificao
ICM;

verificou-se que todas as estimativas encontradas para o coeficiente de

concordncia foram estatisticamente diferentes entre si;

43

pode-se observar que os resultados da classificao ICM sempre superior

aos da classificao MaxVer, mostrando a relevncia do contexto quando se
classifica imagens de radar;

para as trs classes utilizadas nas classificaes destas imagens notou-se a

fundamental importncia da informao textural;

o melhor resultado de classificao foi obtido cruzando-se as classificaes

ICM das imagens filtradas pelo algoritmo de Frost e pelo estimador do
parmetro ; e

o resultado da classificao cruzada ICM (Frost x ) proporcionou um

incremento de apenas 1,5% em relao a classificao ICM obtida com a
imagem do parmetro , evidenciando que a informao textural a maior
responsvel pelo alto desempenho da classificao.

 8VR GH FODVVLILFDGRU SRQWXDOFRQWH[WXDO HP GDGRV SRODULPpWULFDV

Os resultados aqui apresentados foram extrados de Correia (1998), obtidos a partir
das imagens polarimtricas da misso SIR-C/X-SAR de 14/04/1994, nas bandas L e
C, do Projeto de Irrigao de Bebedouro, prximo a cidade de Petrolina-PE. Na
Figura 27, pode-se observar cada uma das componentes polarimtricas (HH, HV e
VV) em amplitude, para as bandas C e L.

(a)

(b)

(c)

(d)

(e)

(f)

)LJXUD   ,PDJHP 6,5& GH %HEHGRXUR FRP DV FRPSRQHQWHV D &++ E &

+9 F &99 G /++ H /+9 H I /99
Como pode-se observar na Figura 27, existem quatro pivs centrais (irrigao por
asperso) na rea de estudo, dentro dos quais encontram-se diferentes estgios de
cultivo de soja e milho. Desta forma, foram utilizadas as classes apresentadas na
Figura 28, identificadas atravs das amostras de treinamento, onde foram
considerados como classes distintas, trs estgios de soja e dois de milho, conforme
descrito em Correia (1998), alm de outras classes de interesse existentes na rea de
estudo.

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

ICM Intensidade-Fase L-HHVV

0,6062

1,998x10-5

ICM Razo L-HHVV

0,3572

1,507x10-5

ICM Par-Intensidade C-HVVV

0,5824

1,987x10-5

ICM Par-Intensidade L-HVVV

0,6824

1,714x10-5

ICM Par-Intensidade L-HHVV

0,6498

1,904x10-5

)RQWH $GDSWDGD GH &RUUHLD 

45

(b)

(a)

(d)

(c)

(e)

)LJXUD   &ODVVLILFDo}HV 3DU GH LPDJHQV HP LQWHQVLGDGH D ,&0 &+999

E ,&0 /+999 F ,&0 /++99 G ,&0 GD UD]mR GH LPDJHQV HP
LQWHQVLGDGH /++99 H ,&0 GR SDU GH LPDJHQV LQWHQVLGDGH
GLIHUHQoD GH IDVH /++99
)RQWH $GDSWDGD GH &RUUHLD 
Com base na Tabela 6, foram realizados os testes de hipteses para verificao da
igualdade dos coeficientes de concordncia , sendo todas as classificaes
estatisticamente diferentes aos nveis de significncia de ordem prtica. Com isso
pode-se afirmar que a classificao ICM Par-intensidade L-HVVV, por apresentar um
coeficiente de concordncia superior as demais, foi a que apresentou melhor
resultado, em mdia, 31,44% melhor que as demais classificaes.
importante notar que, a classificao ICM Par-Intensidade L-HVVV, apesar de ter
sido a melhor segundo o valor de , no forneceu a melhor classificao para todas
as classes de interesse. Este fato pode ser visto na Tabela 7 onde so mostradas as
classificaes que melhor discriminaram cada uma das classes de interesse.
Pode-se concluir, a partir da Tabela 7, que as classes Rio e Solo Preparado so
melhor classificadas com a banda C, enquanto que as demais so melhor
classificadas com a banda L. Alm disso, importante notar que as observaes da
Tabela 7 indicam que existe uma grande confuso entre as classes Soja2 e Milho2, de
forma que, quando a classe Soja2 foi bem classificada a classe Milho2 foi totalmente
confundida com Soja2, e vice-versa.
Estes resultados mostram que a utilizao dos dados polarimtricos uni/bivariados no
permitem separar a classe Soja2 da classe Milho2. Alm disso, no foi possvel
discriminar, em uma mesma classificao da imagem considerada, mais do que trs
classes com a banda C, e mais do que seis classes com a banda L. Entretanto,
dependendo do tipo de aplicao desejada, a utilizao dos dados polarimtricos
uni/bivariados pode produzir bons resultados, principalmente, se a informao de fase
estiver disponvel, indicando o aspecto complementar desse tipo de dado SAR
(Correia, 1998).

46

7DEHOD  0HOKRUHV FODVVLILFDo}HV GRV GDGRV SRODULPpWULFRV XQLELYDULDGRV SDUD

FDGD FODVVH
Classe

Classificao

Observaes

Restolho
Caatinga

ICM Intensidade-Fase L-HHVV

Soja1
Soja3
Rio
Solo Preparado
Milho1
Soja2
Milho2

ICM Razo L-HHVV

ICM Par-Intensidade C-HVVV

ICM Par-Intensidade L-HVVV

Milho2, Soja1 e Soja3

foram confundidas com
Soja2

ICM Par-Intensidade L-HHVV

Soja1 e Soja2 foram

confundidas com Milho2

)RQWH &RUUHLD  S 

 8VR GH FODVVLILFDGRU WH[WXUDO SRU UHJL}HV

A fim de avaliar a potencialidade do uso da informao textural em imagens SAR,
Renn et al. (1998) utilizaram uma imagem JERS-1 de 26 de junho de 1993 da regio
prxima Floresta Nacional de Tapajs (FLONA), Estado do Par (Figura 30a). A
Figura 30b apresenta o mapa de uso e ocupao do solo com quatro classes: Floresta
Primria (FP - verde escuro), Regenerao Antiga (RA - verde claro), Regenerao
Nova (RN - amarelo) e Atividades Recentes (AR - magenta). Para gerao deste
mapa, foi realizado um agrupamento de classes do mapa de uso e ocupao do solo
obtido a partir de uma seqncia temporal de imagens do TM-Landsat (de 1984 a
1993). A metodologia para a obteno do mapa de uso e ocupao completo (original)
descrita em Sant'
Anna et al. (1995).
Amostras de cada classe foram escolhidas com base no mapa de uso do solo, sendo
extradas, para cada amostra, um total de 35 medidas a partir da imagem do JERS-1,
apresentadas na Seo 1.7.3. Todas as medidas de Haralick foram calculadas sobre
uma matriz de co-ocorrncia considerando oito vizinhos mais prximos de um SL[HO.
Todas as medidas de primeira ordem e distribucionais foram utilizadas, exceto o
estimador do parmetro da K-Intensidade. Foram calculadas as autocorrelaes
espaciais para os ODJV (1,0) e (1,1), e a razo entre elas.
Dado este grande nmero de medidas, procedeu-se seleo das medidas que
melhor discriminaram as classes de interesse, segundo o fator discriminante descrito
na Equao (15).
A Tabela 8 mostra as trs melhores medidas de acordo com o fator discriminante para
cada par de classes. Pode-se observar que a maior discriminao ocorreu entre as
classes Floresta Primria e Regenerao Antiga quando foi utilizado a medida entropia
de Haralick. Este resultado muito importante pois estas classes no eram separveis
quando somente o valor mdio de nvel de cinza foi utilizado (Yanasse et al., 1993;
Yanasse et al., 1997). As classes Floresta Primria e Atividades Recentes foram
tambm bem discriminadas, uma vez que apresentaram alto valor discriminante. Os

47

menores valores do fator discriminante foram encontrados para o par de classes

Regenerao Antiga/Regenerao Nova e Regenerao Nova/Atividades Recentes.

(a)

(b)

(c)

(d)

)LJXUD   D LPDJHP GR -(56 E 0DSD GH XVR GH RFXSDomR GR VROR F

5HVXOWDGR GD FODVVLILFDomR EDVHDGD HP WUrV PHGLGDV WH[WXUDLV
PHGLDQD HQWURSLD GH +DUDOLFN H FRUUHODomR GH +DUDOLFN G
5HVXOWDGR GD FODVVLILFDomR EDVHDGD HP GXDV PHGLGDV WH[WXUDO
PHGLDQD H HQWURSLD GH +DUDOLFN UHDOL]DGD HP GRLV SDVVRV
)RQWH $GDSWDGD GH 5HQQy HW DO  S
7DEHOD   )DWRU GLVFULPLQDQWH SDUD FDGD SDU GH FODVVHV GH LQWHUHVVH
Par de classes de interesse*

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



Os valores em negrito indicam a medida selecionada para o par de classes.

)RQWH $GDSWDGD GH 5HQQy HW DO  S
O resultado da classificao usando as trs melhores medidas selecionadas
mostrado na Figura 30c. Pode-se notar que muitas regies da classe Atividades
Recentes foram erroneamente classificadas como Regenerao Recente, e que

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

Abramowitz, M; Stegun, I. +DQGERRN RI PDWKHPDWLFDO IXQFWLRQV ZLWK IRUPXODV JUDSKV

DQG PDWKHPDWLFDO WDEOHV. New York: Dover, 1965. 1046p.

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.

Correia, A. H. 3URMHWR GHVHQYROYLPHQWR H DYDOLDomR GH FODVVLILFDGRUHV HVWDWtVWLFRV

SRQWXDLV H FRQWH[WXDLV SDUD LPDJHQV 6$5 SRODULPpWULFDV. Dissertao de Mestrado em
Sensoriamento Remoto, Instituto Nacional de Pesquisas Espaciais, So Jos dos
Campos, 1998.
Dallemand, J.F.; Lichtenegger, J.; Raney, R.K.; Schumann, R. 5DGDU LPDJHU\: theory
and interpretation: lecture notes. Rome, FAO/ESA, 1993. (RSC Series 67).

Di Cenzo, A. 6\QWKHWLF DSHUWXUH UDGDU DQG GLJLWDO SURFHVVLQJ: an introduction.

Pasadena, CA, JPL, Feb. 1981 (JPL Publication).
Du, L.J.; Lee, J.S. Polarimetric SAR image classification based on target decomposion
theorem and complex Wishart distribution. In: 1996 International Geoscience and
Remote Sensing Symposium, Lincoln, May 27-31 1996. 5HPRWH VHQVLQJ IRU D
VXVWDLQDEOH IXWXUH. Piscataway, IEEE, v. 1, p. 439-441.
Dutra, L.V.; Frery, A.C.; Krug, T.; Mascarenhas, N.D.A.; Sant'
Anna, S.J.S.;
Yanasse, C.C.F.
$OJXQV DVSHFWRV GH PRGHODJHP HVWDWtVWLFD GH GDGRV GH

50

VHQVRULDPHQWR UHPRWR. Curitiba, INPE/SBC, maio 1993. Notas de curso do Simpsio

Brasileiro de Sensoriamento Remoto, 7. 25p.
Evans, D.L.; Farr, T.G.; Ford, J.P.; Thompson, T.W.; Werner, C.L. Multipolarization
radar images for geologic mapping and vegetation discrimination. ,((( 7UDQVDFWLRQV
RQ *HRVFLHQFH DQG 5HPRWH 6HQVLQJ, GE-24(2):246-256, Mar. 1986.

Fernandes, D. )RUPDomR GH LPDJHQV GH UDGDU GH DEHUWXUD VLQWpWLFD H PRGHORV GD

UHODomR VSHFNOHWH[WXUD Tese de Doutorado, Instituto Tecnolgico da Aeronutica,
So Jos dos Campos, 1993.

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.

Mascarenhas, N.D.A.; Velasco, F.R.D. 3URFHVVDPHQWR GLJLWDO GH LPDJHQV. So Paulo,

IME, 1989, Quarta Escola de Computao. 2a ed. 373p.

52

Mura, J.C. Algoritmos e metodologia de processamento para sntese de imagens de

radar de abertura sinttica (SAR). In: Simpsio Brasileiro de Sensoriamento Remoto,
6, Manaus, 2429 jun. 1990. $QDLV. So Jos dos Campos, INPE, 1990, v.1, p. 188196.
Mura, J.C. Um sistema de processamento de imagens de radar de abertura sinttica
(SAR) aerotransportado. In: Simpsio Brasileiro de Computao Grfica e
Processamento de Imagens, 4, So Paulo, 1417 jul. 1991. $QDLV. p. 95-98.

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.

Renn, C.D. $YDOLDomR GH PHGLGDV WH[WXUDLV QD GLVFULPLQDomR GH FODVVHV GH XVR

XWLOL]DQGR LPDJHQV 6,5&;6$5 GR 3HUtPHWUR ,UULJDGR GH %HEHGRXUR 3HWUROLQD 3(.
Dissertao de Mestrado em Sensoriamento Remoto, Instituto de Nacional de
Pesquisas Espaciais, 1995.
Richards, J.A. 5HPRWH VHQVLQJ GLJLWDO LPDJH DQDO\VLV: an introduction.
Springer-Verlag, 1993. 2a ed. 340p.

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.

Soares, S.M. &ODVVLILFDomR WH[WXUDO GH LPDJHQV GH UDGDU SRU PRGHODJHP HVWDWtVWLFD

DXWRUUHJUHVVLYD. Dissertao de Mestrado em Sensoriamento Remoto, Instituto de
Nacional de Pesquisas Espaciais, So Jos dos Campos, 1998.
Srivastava, M.S. On the complex Wishart distribution. $QQDOV RI 0DWKHPDWLFDO
6WDWLVWLFV, 36(1):313315, 1963.
Trevett, J.W. ,PDJLQJ UDGDU IRU UHVRXUFHV VXUYH\V. New York, NY, Chapman and Hall,
1986. 313 p.

Ulaby, F.T. Radar signature of terrain: useful monitors of renewable resources.

3URFHHGLQJV RI ,(((, 70(12):1410-1428, Dec.1982.
Ulaby, F.T.; Allen, C.T.; Eger, G.; Kanemasu, E.
Relating the microwave
EDFNVFDWWHUing coefficient to leaf area index. 5HPRWH 6HQVLQJ RI (QYLURQPHQW, 14(13):113-133, Jan. 1984.
Ulaby, F.T.; Batlivala, P.P.; Dobson, M.C. Microwave backscatter dependence on
surface roughness, soil moisture, and soil texture, part I: bare soil ,((( 7UDQVDFWLRQV
*HRVFLHQFH DQG (OHFWURQLFV, GE-16(4):286-295, Oct. 1978.
Ulaby, F.T.; Bradley, G.A.; Dobson, M.C. Microwave backscatteU dependence on
surface roughness, soil moisture, and soil texture, part II: vegetation-covered soil.
,((( 7UDQVDFWLRQV *HRVFLHQFH DQG (OHFWURQLFV, GE-17(2):33-40, Apr. 1979.
Ulaby, F.T.; Dobson, M.C. +DQGERRN RI UDGDU VFDWWHULQJ VWDWLVWLFV IRU WHUUDLQ. Norwood,
MA, Artech House, 1989. 357p.

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.

Vieira, P.R. 'HVHQYROYLPHQWR GH FODVVLILFDGRUHV GH PD[LPD YHURVVLPLOKDQoD H ,&0

SDUD LPDJHQV 6$5. So Jos dos Campos. Dissertao de Mestrado em
Sensoriamento Remoto, Instituto de Nacional de Pesquisas Espaciais, 1996. (INPE
6124TDI/585).

Vieira, P.R.; Yanasse, C.C.F.; Frery, A.C.; Sant'

Anna, S.J.S. Um sistema de anlise e
classificao estatsticas para imagens SAR. In: 3ULPHUDV -RUQDGDV /DWLQRDPHULFDQDV
GH 3HUFHSFLyQ 5HPRWD SRU 5DGDU: Tcnicas de Procesamiento de Imgenes, Buenos
Aires, dec. 1996. Paris, ESA, 1997, p. 170185. (ESA SP 407)

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.