1 / 51

Análise Digital de Imagens

Análise Digital de Imagens. Disciplina de Fotointerpretação Nelson W. Dias, PhD UNITAU – Ciências Agrárias. RESPOSTAS ESPECTRAIS. Números Digitais ou ND. RESPOSTAS ESPECTRAIS. RESPOSTAS ESPECTRAIS. RESPOSTAS ESPECTRAIS. RESPOSTAS ESPECTRAIS. Energia Refletida pela Água.

jaunie
Download Presentation

Análise Digital de Imagens

An Image/Link below is provided (as is) to download presentation Download Policy: Content on the Website is provided to you AS IS for your information and personal use and may not be sold / licensed / shared on other websites without getting consent from its author. Content is provided to you AS IS for your information and personal use only. Download presentation by click this link. While downloading, if for some reason you are not able to download a presentation, the publisher may have deleted the file from their server. During download, if you can't get a presentation, the file might be deleted by the publisher.

E N D

Presentation Transcript

  1. Análise Digital de Imagens Disciplina de Fotointerpretação Nelson W. Dias, PhD UNITAU – Ciências Agrárias

  2. RESPOSTAS ESPECTRAIS Números Digitais ou ND

  3. RESPOSTAS ESPECTRAIS

  4. RESPOSTAS ESPECTRAIS

  5. RESPOSTAS ESPECTRAIS

  6. RESPOSTAS ESPECTRAIS Energia Refletida pela Água

  7. RESPOSTAS ESPECTRAIS

  8. RESPOSTAS ESPECTRAIS

  9. RESPOSTAS ESPECTRAIS Energia Refletida pelo Solo

  10. RESPOSTAS ESPECTRAIS

  11. RESPOSTAS ESPECTRAIS

  12. RESPOSTAS ESPECTRAIS Energia Refletida por Feições Mistas

  13. RESPOSTAS ESPECTRAIS Interpretação Digital da Imagem

  14. A N Á L I S E D I G I T A L • Pre-processsamento • Realce • Transformação • Classificação e Análise

  15. Conceito de Processamento Digital Pré-Processamento Pré-Processamento: Esticamento de Contraste

  16. “Striping” Ruído - Perda de linhas

  17. REGISTRO DE IMAGENS Pontos Homólogos Imagem Mapa de Referência

  18. R E A M O S T R A G E M Interpolação Bilinear Convolução Cúbica Vizinho Mais Próximo Ligado ao processo de Registro / Integração de Dados

  19. H i stograma

  20. Est i camento de Contraste Contraste Linear Equalização de Histogramas

  21. F i ltragem

  22. Correção Radiométrica Correção Atmosférica Conversão para Reflectância

  23. Correção Geométrica

  24. Correção Geométrica

  25. Correção Geométrica

  26. Correção Geométrica

  27. Reamostragem de píxels para resolução espacial maior 30 metros 15 metros 15 metros 15 metros ND = 64 ND = 73 30 metros ND = ? ND = 61 ND = 68 15 metros Banda ETM 4 Banda ETM Pancromática

  28. Transformações de Imagens Subtração de Imagens Índice de Vegetação --> NDVI Principais Componentes Outro exemplo: Modelo de Mistura Gera imagens sombra, vegetação, solo

  29. MELHORAMENTO DE IMAGENS Í N D I C E S NDVI = IVP - Verm IVP + Verm MSAVI = {(2 x (IVP+1)} – [{(2 x IVP)+1}2 – 8 (IVP-Verm)} x ½] . 2

  30. I N T E R P R E T A Ç Ã O

  31. I N T E R P R E T A Ç Ã O

  32. I N T E R P R E T A Ç Ã O

  33. I N T E R P R E T A Ç Ã O

  34. Composições coloridas do mesmo conjunto de bandas espectrais associadas a diferentes combinações de cores. 3(Vm) 4 (Vd) 5 (Az) 3 (A) 4 (Verd) 5 (Verm) 3 (A) 5 (Verd) 4 (Verm)

  35. C L A S S I F I C A Ç Ã O Tipos de classificação: - Supervisionada: as classes são criadas a partir de amostras que o operador coleta para cada classe; - Não-supervisionada: o computador cria automaticamente um número máximo de classes, o qual pode ser definido pelo operador.

  36. C L A S S I F I C A Ç Ã O • Passos do processo de classificação • 1) escolha do melhor conjunto de bandas espectrais para a classificação; • 2) localização precisa de áreas de “treinamento”; • 3) determinação da relação entre o alvo e o nível digital das bandas escolhidas (Função de distribuição de probabilidade); • 4) classificação de cada pixel para toda a cena; • 5) avaliação da exatidão da classificação (exatidão vs. Precisão).

  37. C L A S S I F I C A Ç Ã O Imagem a ser classificada

  38. Seleção de amostras • processo de “treinamento” do algoritmo - >cria regras de decisão para a alocação dos pixels em classes espectrais. • 1) as amostras de uma dada classe devem ser representativas de todos os dados daquela classe; • 2) as amostras de cada classe devem se ajustar aos pressupostos teóricos da regra de decisão adotada.

  39. TM 2 TM 3 TM 1 TM 1 C L A S S I F I C A Ç Ã O Seleção de canais • Gráfico de dispersão do nível digital de bandas espectrais.

  40. C L A S S I F I C A Ç Ã O Métodos de Classificação

  41. C L A S S I F I C A Ç Ã O • Classificação Probabilística A B D Probabilidade C E Comprimento de onda (Banda 3)

  42. C L A S S I F I C A Ç Ã O Imagem a ser classificada Amostragem

  43. C L A S S I F I C A Ç Ã O

  44. C L A S S I F I C A Ç Ã O

  45. C L A S S I F I C A Ç Ã O

  46. C L A S S I F I C A Ç Ã O

  47. C L A S S I F I C A Ç Ã O

  48. C L A S S I F I C A Ç Ã O

  49. A avaliação da exatidão da classificação • determinação da qualidade da classificação em relação à realidade. • avaliação da exatidão de classificação depende da disponibilidade de dados de campo. • Métodos: • razão entre a área total de cada classe obtida na imagem em relação • à área total da classe determinada em campo ou em fotografias áreas • sem levar em conta a localização das classes matriz de confusão.

More Related