Michele Mengucci CVRM-Centro de Geo-Sistemas IST Lisboa

1. Aplicação semi-automática para extração de objetos cartográficos em imagens satélite com Morfologia Matemática Michele Mengucci CVRM-Centro de Geo-Sistemas IST Lisboa

2. Introdução • Objetivo: Automatização do ‘cartographic updating’, ou genericamente ‘object recognition’. • Meio: Segmentação em imagens de sensoriamento remoto e/ou set de imagens multi-canal. • Informação pertencente ao domínio espectral é complementar a do domínio espacial. Informação espacial de cada banda é simplificada com a imagem mosaico para o domínio espacial ficar dividido em pequenas áreas cujos pixels tem valores parecidos nas bandas, domínio espectral. Isto é garantido com um ‘watershed’ efetuado sobre o ‘gradiente multispectral’.

3. Estrutura e Funcionamento do Algoritmo Uma área é marcada do utilizador como pertencente ao objeto procurado. A seguir são encontradas as áreas vizinhas (spatial neighboorhood - vizinhança espacial). marcador Área marcada Áreas vizinhas espaciais

4. Estrutura e Funcionamento do Algoritmo No caso de trabalhar uma imagem “bi-dimensional” se podem projetar e representar as áreas como pontos no espaço dos atributos (‘feature space’). Espaço dos atributos Can I c II c II Can II c I c I Projeção da área Projeções das vizinhas Bandas da imagem multi-canal

5. Estrutura e Funcionamento do Algoritmo As áreas vizinhas que também pertencem ao objeto tem projeções espectrais vizinhas á projeção da área marcada (espectral neighborhood - vizinhança espectral). Para as encontrar (no caso bidimensional) se aplica dilatação + interseção. O tamanho desta dilatação é valor de solha para definir a vizinhança espectral. (2) (1) (1) projeção da área no espaço dos atributos (2) projeções das vizinhas (3) dilatação da projeção da área marcada (4) projeções das áreas vizinhas espacialmente E espectralmente [resultado da interseção da imagem (2) com a (3)] (3) (4)

6. Estrutura e Funcionamento do Algoritmo Regressando ao domínio espacial se separam as áreas cuja projeção foi identificada como espectralmente vizinha se juntam á área inicial. Assim se obtêm uma nova área com sentido espectral homogêneo. + = Áreas vizinhas espectrais Área inicial Área resultante da fusão O processo de junção é uma fusão, porque o novo nível de cinzento é uma media ponderada dos níveis das áreas juntadas. As áreas se juntam com um fecho. O processo de busca e adição de áreas segue a partir da nova área, até não encontrar mais vizinhas.

7. Estrutura e Funcionamento do Algoritmo Na figura se mostra sucessiva modificação da base binaria do mosaico.

8. Marcadores Marcadores automáticos: em casos de objetos simples um bom marcador pode ser criado manualmente. Com simples operações de pre-segmentação podem se encontrar objetos que são aproximadamente os procurados. O importante é que estejam contidos neles e que se localizem numa parte destes de onde os quais podem ser bem reconstruídos com o algoritmo mostrado. 1) Segmentação do canal HUEsegmentação baseada na cor do objeto procurado, aplicada em combinações coloridas em cor real. 2) Subtração de bandas a - b = c marcador

9. Exemplos de Aplicação Objeto: um rio Original pancromatica Mosaico final sobreposto Seqüência de criação do objeto

10. Exemplos de Aplicação Objeto: um aeroporto Original pancromatica Marcadores Seqüência de criação do objeto

11. Exemplos de Aplicação Objeto: uma zona urbana Este tipo de objeto é muito variado internamente, resulta complicado distinguir-o do background. O marcador tem que ser escolhido cuidadosamente. Imagem pancromatica inicial com marcadores manuais Imagem mosaico resultante

12. Exemplos de Aplicação A cartografia preexistente depois de ser digitalizada seria o marcador ideal mas tem que ser muito bem georeferenciada para ser usada com efeito positivo. Neste caso onde agora tem um bairro de periferia a cartografia só mostrava um edifício. Mas o desfasamento da carta geográfica com a imagem satélite fez que este funcionou como marcador do background em vez que da zona urbana. Marcador manual derivado da cartografia preexistente e resultado do algoritmo

13. Tarefas futuras Esta metodologia é valida para o reconhecimento de objetos em qualquer tipo de imagem multi-canal. Conforme ao tipo de utilizo ela precisa de ser afinada nos parâmetros que permitem um seu funcionamento adaptado ao tipo de objeto. No caso do seu uso para atualização de cartografia será preciso afinar o método de escolha dos valores do parâmetro de vizinhança espectral, e a sua diferenciação nas varias bandas. Isto porque a diferencia entre o valor de cinzento dum objeto e o seu fundo, ou background, tem valores diferentes nas varias bandas. Seria necessário criar um vector D: cujos n componentes são o a solha em níveis de cinzento nas n bandas da imagem multi-canal. Estes poderiam ser calculados partindo de valores encontrados em pontos/pixels escolhidos pelo utilizador dentro e fora do objeto.

14. Tarefas futuras Também será oportuno estudar a melhor maneira de assinar o valor de cinzento nas novas áreas criadas durante o funcionamento do algoritmo, que agora é uma média ponderada dos níveis das áreas fundidas sobre o tamanho das áreas. Também se poderá pesquisar a a escolha automática dos marcadores, por exemplo afinando a técnica de segmentação do canal Hue nas composições coloridas em cor real. Definindo uma certa “tinta” ou valor de Hue para cada tipo de objeto. Para testar o algoritmo será preciso: o aplicar sobre uma grande variedade de imagens de vários tipos de cobertura terrestre, comparar os seus resultados com outras metodologias como a classificação, supervisionada e não supervisionada, sobre as imagens mosaico. Em fim seria útil automatizar uma seqüência morfológica para processar os objetos resultantes de forma que sejam prontos a serem utilizados em SIG e na cartografia. Este é o estado atual desta pesquisa, entretanto qualquer contribuição poderá cambiar e/ou influenciar o seu formato futuro.