49-CT05-VF

7/18/2019 49-CT05-VF

http://slidepdf.com/reader/full/49-ct05-vf 1/6

REALCE DE FEIÇÕES E OBJETOS EM UMA IMAGEM DIGITALUTILIZANDO CLASSIFICAÇÃO SUPERVISIONADA

E VARIAÇÕES NO BRILHO

Gleice Pereira da Silva (1º)Universidade Federal de PernambucoCentro de Tecnologia e Geociências

Departamento de Engenharia Cartográfica - Av. Acadêmico Hélio Ramos,s/n - 2º andar - DECart - Cidade Universitária

CEP: 50740-530 - Recife – [email protected]

João Marcos Leão Pereira de Araújo (2º)Universidade Federal de Pernambuco

Centro de Tecnologia e GeociênciasDepartamento de Engenharia Cartográfica - Av. Acadêmico Hélio Ramos,

s/n - 2º andar - DECart - Cidade Universitária

CEP: 50740-530 - Recife – Pernambuco [email protected]

Ana Lúcia Bezerra Candeias (3º)Universidade Federal de Pernambuco

Centro de Tecnologia e GeociênciasDepartamento de Engenharia Cartográfica - Av. Acadêmico Hélio Ramos,

s/n - 2º andar - DECart - Cidade UniversitáriaCEP: 50740-530 - Recife – Pernambuco

[email protected]

RESUMOAs imagens digitais tem grande aplicação na área da engenharia cartográfica, pois além da praticidade de manuseio,torna possível o uso da computação para realizar rapidamente alterações em seu aspecto pixel a pixel. Muitas vezes,objetos e feições nessas imagens são de difícil interpretação. Nesses casos é necessário um profissional mais experiente para executar a arte de interpretar cada um desses objetos. Este artigo propõe o uso de algumas ferramentas paramanipular de forma diferente o valor dos pixels das áreas de interesse, de forma que as feições desejadas possam ganharmaior destaque em relação a todo o resto da imagem. A primeira etapa consiste em aplicar um contraste ótimo naimagem para poder distribuir melhor o seu histograma. Na segunda, será feita uma classificação supervisionada onde ousuário deverá coletar algumas amostras de cada área de interesse. Em seguida é feita uma análise estatística sobre cadauma das amostras e estes dados servirão como parâmetros para a classificação. De acordo com esta classificação écriada uma máscara que passará por um processo de dilatação e erosão, minimizando assim pixels que possam estarcomo “buracos” nesta máscara. A última etapa será o ajuste no brilho de forma diferente em cada área de interesse, de

forma que possam se destacar dentro das demais, ou, dependendo do nível de brilho, possam ser completamenteextraídas. As imagens utilizadas no estudo foram adquiridas do software Google Earth. Os algoritmos para estes processamentos foram desenvolvidos em ambiente MATLAB. A escolha deste software se deu devido a sua facilidadeem se trabalhar com matrizes; já que as imagens são do tipo raster, ou seja, do tipo matricial. A intenção é que com poucos minutos, ou até segundos, o usuário possa realçar algumas feições de forma satisfatória.

Palavras Chave: Realce, Imagens Digitais, Classificação Supervisionada, Contraste, Brilho.

ABSTRACT

Digital images have wide application in cartographical engineering; moreover, they offer good handling convenienceand make possible the use of computers to quickly perform image changes in their pixel by pixel aspects. Often, objects

and features in these images are difficult to interpret. In these cases you need the help of an expert to perform theinterpretation each of these objects. This article proposes the use of some tools to handle differently the value of the pixels of the areas of interest, so that the desired features may offer greater prominence in comparison to the rest of the

XXV Congresso Brasileiro de Cartografia - Curitiba - PR - Brasil, 21 a 24 de agosto de 2011

234

3

7/18/2019 49-CT05-VF


image. The first step is to apply a great contrast in the image in order to better distribute its histogram. In the second,a supervised classification is applied, using user collected samples of each area of interest. This is followed by a statistical analysis on each sample and these data will serve as parameters for classification. .According to thisclassification a mask is created and next it will go through a process of dilation and erosion, minimizing pixels that mayappear as "holes" in this mask. The last step is to adjust the brightness differently in each area of interest so that theycan be evident enough, or, depending upon the brightness level, they can be completely extracted. The images used in

this study were acquired from Google Earth. The algorithms for these processes were developed in MATLAB. Thechoice of this software was due to its ease in working with arrays, since images are raster or matrices. The goal is thatwithin minutes or even seconds, the user can highlight some features satisfactorily.

Keywords: Metrics, Error, Covariance, Jaccard, RGB, XYZ, YUV, YIQ, CMY.

1 INTRODUÇÃO

Ao longo dos anos, o estudo em cima demanipulações de imagens digitais tem aumentado bastante. Cada vez mais é exigido uma transformaçãoou processamento em um curto espaço de tempo emuitas vezes, em tempo real. Um dos fatores que

contribuem para esta tendência é a capacidade de processamento dos computadores que aumentou bastante nos últimos anos, permitindo assim umaabertura maior na criação de softwares que exibem oresultado em poucos segundos.

Algumas aplicações necessitam que objetosde uma determinada imagem sejam realçadosrapidamente para poder facilitar a visualização deles, porém muitas vezes para se conseguir isso é precisotrabalhar com um software muito caro e que podeexigir muitos parâmetros de configuração, podendoacabar assim com a viabilidade e a agilidade dedeterminado processo.

A proposta deste artigo é apresentar umalgoritmo simples e capaz de realizar esta tarefa deforma expressa e sem exigir que o operador tenhaalgum treinamento para isso.

2 MATERIAIS E MÉTODOS

Foram utilizadas no estudo 4 imagens dosoftware Google Earth (obtidas no mês de julho de2011) e 1 imagem em alta resolução da Ilha deItamaracá (estado de Pernambuco), adquirida pelo dosatélite QuickBird. Abaixo seguem as imagens:

Fig. 1 – Imagem QuickBird: Itamaracá – PE.Resolução em pixels: 6614 x 7066

Fig. 2 – Imagem Google: Aeroporto – Recife – PE.


235

3

7/18/2019 49-CT05-VF


Fig. 3 – Imagem Google: Recife – PE.

Fig. 4 – Imagem Google: Rio Amazonas – AM.

Fig. 5 – Imagem Google: Globo terrestre (África).

As áreas escolhidas tem pouco, moderada ouintensa ação antrópica. Temos ainda uma imagem doglobo terrestre para mostrar realces de interesse visualapenas.

O Software MATLAB foi utilizado parafazer os algoritmos para estes realces. A escolha dosoftware MATLAB foi devido a sua facilidade para setrabalhar com matrizes; já que as imagens são do tiporaster, ou seja, matricial. As técnicas utilizadas foramde contraste, coleta de amostras, análise estatística,classificação, criação de uma máscara, dilatação e

erosão da máscara, adição ou subtração de brilho. Após

o processamento dos dados podemos comparar aimagem realçada com a original.

3 ETAPAS

A seguir serão listadas em ordem as etapas

seguidas para se atingir o resultado final:

3.1 Contraste ótimo:

O objetivo é que o histograma de cada bandaseja ajustado de forma que fique bem distribuído entreos valores de máximo e mínimo de nível de cinza;como as imagens são de 8 bits, estes valores são entre 0e 255. A figura a seguir mostra a o histograma médio ea imagem QuickBird antes e depois do contraste:

Fig. 6 – Imagem QuickBird do Rio Amazonas e seuhistograma médio antes e depois do contraste

Podemos observar que os valores dos pixelsficaram melhor distribuídos. Isso ajuda tanto no realcequanto na classificação que será feita. O mesmo foifeito com as demais imagens.

3.2 Coletas das amostras:

Aqui o usuário irá decidir qual das feiçõesou objetos deseja destacar. Neste exemplo iremosdestacar a área em terra que está sem cobertura vegetal.Esta é a etapa mais “demorada” do processo. Aqui ousuário irá indicar o número de amostras e coletá-las.

Normalmente com 4 ou 5 amostras já se obtém umótimo resultado e esta etapa em média demora menosde 30 segundos, variando de acordo com o tamanho daimagem e de usuário para usuário. Serão tambéminformados ao programa o valor do Brilho a seradicionado ou subtraído das áreas que não são deinteresse e um parâmetro chamado Confiança (C) queservirá para determinar a amplitude do intervalo declassificação. Este parâmetro será discutido melhor na próxima etapa.


236

3

7/18/2019 49-CT05-VF



237

Fig. 7 – Coletando amostras

3.3 Análise Estatística e Classificação:

Chamemos a imagem de (F). Retirada umaamostra é calculado seu nível de cinza médio (miF) edesvio padrão (stdF) para cada banda.

O classificador analisará para cada pixel daimagem se ele está dentro da seguinte condição: Se ovalor do pixel F(i,j,k) estiver dentro do intervalo, ou

seja, satisfazer ao mesmo tempo as duas condiçõesseguintesF(i,j,k) < (miF + C * stdF)F(i,j,k) > (miF – C * stdF)

significa que ele pertence àquela classe da amostra,caso contrário, não pertence. Para compreender melhor basta analisar a figura a seguir:

Fig. 8 – Histograma e intervalos de classificação

Em azul temos o histograma da imagem (F).Se o pixel estiver entre as barras verdes seráclassificado como pertencente à mesma classe da

amostra. O parâmetro de Confiança (C) diz respeito aoespaçamento entre as barras verdes, abrangendo assimum maior ou menor número de pixels. Bons valores para (C) são entre 1 e 2. Caso se deseje trabalhar com baixos valores de (C), deve-se aumentar o número deamostras para melhorar o resultado. O processo é entãorefeito para cada amostra.3.4 Máscara:

Foi então criada uma máscara com asmesmas dimensões da imagem F. Se um pixel estiverdentro do intervalo na máscara ele será branco e valerá255, caso contrário será preto com valor 0. A cada

amostra que é coletada os pixels na máscara sãosomados. A seguir é exibida a máscara criada sobre a

imagem e sendo adicionada a cada uma das 4 amostrascoletadas:

(após amostra 1) (após amostra 2)

(após amostra 3) (após amostra 4)

Fig. 9 – Máscara criada após as 4 amostras coletadas

3.5 Dilatação e erosão da máscara:

Para se obter um melhor resultado com amáscara é feita uma dilatação seguida de uma erosão.A idéia aqui é remover buracos que não seriaminteressantes para o resultado final. A figura a seguirmostra melhor o efeito deste processo e os buracossendo eliminados:

Fig. 10 – Antes e depois da dilatação e erosão

3.5 Brilho:

A idéia central deste artigo é de adicionar ouremover o brilho em toda a imagem, exceto nos pixelsclassificados como de interesse, realçando assim osobjetos desejados. Se estes objetos estiverem em tonsescuros o ideal é que seja adicionado brilho, casocontrário o brilho deve ser removido.

Neste nosso exemplo principal as áreas semcobertura vegetal possuem em média tons mais claros,o brilho do restante da imagem foi então removido paraque se destaquem as áreas de interesse. Vejamos oresultado final nas figuras 11 e 12:

3

7/18/2019 49-CT05-VF



238

Fig. 11 – Imagem QuickBird após contraste

Fig. 12 – Imagem QuickBird após a remoção do brilhofora das áreas de interesse.

Os seguintes parâmetros foram escolhidosneste processo:

Brilho = -85 (remoção)

Número de amostras = 4Confiança (C) = 1,5

Por fim, se forem observados os histogramasveremos que o segundo não é de fácil interpretação, porém se for observado direito será notado que temos 2grandes blocos, um à esquerda, representando amaioria dos pixel próximos ao valor 0 (preto) e umaglomerado dentro dos valores das áreas classificadas(entre 75 e 170). O que houve aqui é que foram tantos pixels que perderam brilho que o histograma estourouno eixo y numa potência de 106 e tornou-se difícil de seenxergar, porém ainda assim podemos ver a separaçãoentre as duas partes da imagem.

Fig. 13 – Histogramas da imagem original e daclassificada

4 DESTAQUE EM OUTRAS IMAGENS

Até agora foi mostrado o passo-a-passo paraa imagem QuickBird, agora iremos mostrar o realcenas demais imagens relativas às figuras 2, 3, 4 e 5:

Fig. 14 – Vias asfaltadas destacadasImagem Google: Aeroporto – Recife – PE

Fig. 15 – Rios e lagoas destacadasImagem Google: Recife – PE

Fig. 16 – Hidrografia destacadaImagem Google: Rio Amazonas – AM.

Fig. 17 – Desertos destacadosImagem Google: Globo terrestre (África).

Para a figura 14 obtivemos um bomresultado, porém muitos telhados, que possuem

3

7/18/2019 49-CT05-VF



239

resposta espectral parecida com o asfalto, não deveriamter sido classificados, mas foram.

Para a 15 o resultado foi muito bom e,observando visualmente, quase não teve erros.

Para a 16 o resultado foi medíocre, pois as 3 bandas da imagem são muito parecidas o que dificultou

a classificação. O ideal aqui é reduzir o valor de (C) para evitar confusões e aumentar o número deamostras.

Para a 17 o resultado foi excelente e tambémquase livre de erros.

7 CONCLUSÕES

Os resultados obtidos foram muito bons enos casos de onde as respostas espectrais são bemdistintas foram conseguidos os melhores resultados. Osdestaques mostram com clareza visual os alvos

desejados. O tempo de aplicação dos métodos foiextremamente rápido, durando menos de 30 segundos por imagem e ainda poucos parâmetros foramconfigurados, o que facilita a operação de usuáriosleigos nos assunto.

As técnicas de processamento de imagem,mostraram-se poderosas ferramentas para se manipularimagens digitais.

8 REFERÊNCIAS BIBLIOGRÁFICAS

Pedrini. H., Schwartz. W. R., 2008, Análise deImagens Digitais: Princípios, algoritmos e aplicações,Thomson, São Paulo, 508 páginas.

3

49-CT05-VF

Documents

Transcript of 49-CT05-VF