Loading
Nota de Estudos
Study Reminders
Support
Text Version

Técnicas De Aprimoramento De Imagem-Revisão

Set your study reminders

We will email you at these times to remind you to study.
  • Monday

    -

    7am

    +

    Tuesday

    -

    7am

    +

    Wednesday

    -

    7am

    +

    Thursday

    -

    7am

    +

    Friday

    -

    7am

    +

    Saturday

    -

    7am

    +

    Sunday

    -

    7am

    +

Vídeo 1

Olá a todos e sejam bem-vindos a esta nova discussão sobre este curso remoto de sensoriamento essencial que é técnicas de aprimoramento de imagem 1. Alguns dos slides que você pode ver estão sendo repetidos aqui mas foi essencial ter esses slides novamente e teremos agora discussão porque vimos alguma demonstração e também vimos alguma técnica de aprimoramento de imagem, espaço de cores e outras coisas. Então agora podemos entender essas coisas de maneira muito melhor, portanto, essa repetição pode estar lá dos slides. Mas observe a parte de conteúdo ou de discussão, já que você sabe que após a aquisição de imagem o foco principal aqui é agora o processamento de imagens. Em última análise, estamos interessados em extração de recursos através da classificação e depois vamos para avaliações de precisão também. Agora qualidade de imagem quando dizemos qualidade de imagem há muitos aspectos nele não apenas o ruído que está presente nos dados na demonstração anterior do software do simulador de processamento de imagens digitais DIPS. Já vimos 2 tipos de ruídos, uma é linha completa sendo lançada e outro ruído que vimos em nossos dados. Nesse exemplo os dados foram um tipo de sal e pimenta de que um pixel está tendo 0 de valor, o próximo pixel na mesma linha está tendo 255 de valor e da mesma forma que você está tendo. Você sabe que estes são dispositivos eletrônicos embora antes de lançar o satélite e lançar todos os tipos de testes vai em frente. Mas, às vezes, por causa de quando eles estão em um espaço no ambiente é completamente diferente. Então o que você está tendo na terra e, portanto, às vezes por causa de algumas outras razões elas podem ir mal e podem começar a dar alguns dados. Às vezes, esses ruídos não são permanentes apenas para poucas cenas, poucos dias você está tendo ruídos nos dados, erros nos dados e posteriormente nele são corrigidos também. Mas, às vezes, não acontece eu me lembro de um cenário especialmente que acontece em caso de canais de infravermelho térmico que quando ele está sobre passar um recurso de temperatura muito alta do solo. Como por exemplo, sobre um vulcão são valores de temperatura muito alta e que o sensor que você conhece por si só satura por algum tempo e um começo dando ruído depois disso. E uma vez que esfriar depois de algum tempo ele começa novamente funcionando bem. Por isso, não é necessário que esses sensores tenham erros de ruído permanentemente. Às vezes, esses erros vêm e vai por isso que são colocados, às vezes, nos erros sistemáticos e em algum momento sistemático de erro. Os erros sistemáticos são mais fáceis de serem mais fáceis de remover as rotinas podem ser desenvolvidas, softwares podem ser desenvolvidos e estes podem ser removidos. Mas nenhum erro sistemático tem que ser tratado separadamente completamente separadamente. Por isso, quando dizemos qualidade de imagem, os dados de qualidade que significa dizer que não é apenas a parte de precisão que pode vir através de correções geográficas ou georeferenciadas ou geométricas ou que podem ser por causa de ruído ou menos ruído nos dados ou dados de alta qualidade ou distorções introduzidas pela atmosfera, esse é o maior problema nos dados de sensoriamento remoto. E, portanto, esses tipos de se esses são menos então podemos esperar um dado de sensoriamento remoto de alta qualidade. Eu também na discussão anterior um dia lhe disse que há chances de que em um ambiente muito poluído condições atmosféricas uma vez que haja uma chuva e então de repente as coisas se tornem muito claras e se esse tempo os dados foram adquiridos por meio do satélite passando. Depois, essa imagem é muito, muito limpa geralmente porque todos esses constituintes atmosféricos ou temporais foram assentados por causa da chuva e o céu é claro. Então, então, as coisas a atmosfera é clara e então obtemos um dado de altíssima qualidade de até mesmo o mesmo sensor que foi anterior dando a você conhecer os dados de má qualidade. Por isso, às vezes, estes não são permanentes às vezes estes continuam mudando. E o ambiente ou a atmosfera entre sensor e terra desempenha um papel muito, muito importante. Há fenômenos de dispersão, há fenômenos de absorção, nuvens, gotículas de água, gases que criam uma absorção, reflexão, espalhamento em diferentes parte do espectro EM e podem criar um ruídos. As malfunções aleatórias ou sistemáticas estão lá, aleatórias ou difíceis e, às vezes, por exemplo, não calibradas detectadas criam striping. Geralmente ela costumava acontecer em tecnologia de sensores anteriores mas agora essas calibrações melhoraram muito significativamente e não é muito comum agora ver esse efeito de striping. Butanytime os alguns sensores dentro de um airy podem passar mal e aí você começa a ver o stripping. Por isso, tudo não é todo o tempo confiável nesse sentido também quando discutimos sobre o pré-processamento dos dados de sensoriamento remoto. Então pode haver alguns erros podem ser introduzidos em durante esse estágio também. Assim como por exemplo porque às vezes as imagens são convertidas facilmente do analógico para a conversão de formato digital. E pode haver algum erro introduzido durante esse tempo e poucas mais coisas afetam a qualidade da imagem. Por isso, se quase todas essas coisas foram removidas então a imagem se torna de altíssima qualidade. Mas não é tão fácil fazê-lo, novamente esta parte já vimos esses slides. Mas como eu tenho dito que sempre que você está procurando por imagem de qualidade como você pode avaliar que a imagem está tendo qualidade é passando pelo histograma. Se a distribuição for distribuição normal, uma distribuição Gaussiana, bem moldada em toda a faixa dinâmica diz 8 bit cenário 0 255, se isso está aí. Então definitivamente aquela imagem parece ser de altíssima qualidade mas se você conseguir outros cenários que são mostrados como este ou este. Aí talvez a imagem não seja de altíssima qualidade. Por isso, um tem que ver o histograma não é indicador direto da qualidade mas a distribuição de valores de pixels nessa escala por escala entre 0 255 pode dizer algo sobre a qualidade.Também a posição de mediana, modo e média também dará algumas indicações sobre a qualidade de uma imagem onde estão concentradas. Como por exemplo, aqui distribuição negativamente defasada que estamos vendo. Aqui estamos vendo a distribuição positivamente defasada. Assim, os valores de pixel por causa da absorção ou de uma dispersão dos valores do pixel estão deslocando onde não deveria ter havido. E eles estão mudando a posição não é uma distribuição normal e podemos adivinhar que provavelmente qualidade de imagem não é boa. Por isso, esperamos a maior parte do tempo que esperamos que haja uma distribuição adequada normal e a posição de média, mediana e modo neste histograma deve estar em como no primeiro exemplo. Mas não é necessário todo o tempo embora imagem possa ter os dados de qualidade mas um ainda o histograma pode diferente. Por isso, não é o único indicador de qualidade de imagem, existem alguns outros parâmetros sobre os quais a qualidade de imagem é avaliada. Agora como você sabe representar com precisão essas imagens uma vez que obtemos os dados em um estágio de pré-processamento. Hoje anterior à discussão anterior sobre correções geométricas que vêm sob a etapa de pré-processamento de imagem que já discutimos. Como você sabe que betterand precisa o referenciamento de geo é feito que será melhor em processamento adicional ou posterior utilização dessa imagem ou datasets. Por isso, as correções geométricas ou referenciamento de geo desempenham papel muito, muito importante no sensoriamento remoto, assim como no GIS. Então, quando um está fazendo essas coisas, um tem que tomar todo o cuidado, para que alcancemos um referencial de geo muito bom. Pode haver alguma dúvida de que quando dizemos que o geo referenciamento é muito bom. Assim, aquele erro quadrado de raiz a soma de erro quadrado de raiz média que discutimos na discussão de geo referenciamento deve estar dentro de pixel. Portanto, se a sua resolução espacial da imagem de satélite sobre a qual você está realizando a referenciação geo está tendo resolução espacial de 10 metros. Em seguida, sua soma de RMS quadrado de raiz deve ser inferior a 10. Se você conseguir realizar por processo de iteração que você identifica o GCPS e achar que está dando alto erro você a exclui, recolocou, muda o local novamente identificar um novo GCP. E se continuar fazendo e passar algum tempo um e coletar mais GCPS então mínimo necessário. Então provavelmente você pode alcançar um alto geo referenciando dentro de um pixel e dentro de claro, pixel é a unidade de uma imagem ela é individual você não pode ver por dentro, você não pode fazer nada. Portanto, dentro de um pixel se o erro quadrado de raiz, algum erro quadrado de raiz estiver vindo assim, então é muito bom geo referenciamento pode ser considerado como um bem padrão. Por isso, enquanto fazer uma correção geométrica ou georeferenciar o máximo de cuidado deve ser feito porque essa imagem será usada posteriormente com outros conjuntos de dados, que também são geo referenciados. E se houver alguma incompatibilidade de correções geométricas erradas ter sido feito errado referenciamento de geo foi feito, então você pode acabar com os resultados errados. Porque um erro se propaga no processamento de imagens digitais tão bem como no GIS. Por isso, um tem que controlar esses erros, para que os resultados permaneça altamente confiáveis. Outra coisa são as correções radiométricas, a correção radiométrica geralmente não é feita pelo usuário estas são feitas pelas agências que adquiem os dados. E eles sabem que como os diferentes sensores em uma área estão funcionando, qual deles está se apresentando, que está sobre a execução e que eles, você sabe o correto as imagens fazendo a correção radiométrica. Mas novamente como usuário e principalmente quando você vai usar essas imagens para análise quantitativa. Para a análise qualitativa pode-se ainda saber dar uma menor ênfase às correções radiométricas ou atmosféricas. Mas se alguém está indo para análise quantitativa então deve-se saber que se correções radiométricas foram realizadas em suas imagens de entrada ou não. Similarmente as correções atmosféricas foram realizadas ou não que também vimos anteriormente. E isso faz com que um isso seja mais fácil o aprimoramento da imagem e depois é claro, uma vez que você melhorou a qualidade de uma imagem passando por esses processos e mais algum aprimoramento. E então a imagem se torna muito mais interpretável muito mais utilizável. E como também você sabe às vezes nós mesmos podemos não estar tendo capacidades ou apenas para em um determinado projeto que exigimos uma ou duas vezes as imagens. Então os nossos eus podem não estar fazendo aprimoramento de correções, podemos pedir à agência de abastecimento. Como na Índia, NDC de um RSA e para fazer essas correções, faça o geo referenciamento, faça a correção radiométrica faça a correção atmosférica e dê bem o produto. É claro que esse produto vai ser muito caro mas, ainda assim, essas coisas também podem ser feitas pelas retificações. Claro que removeu distorções e seja por causa do movimento da plataforma devido a pode ser sensor de rotação de terra ou distorções atmosféricas. Assim, na medida do possível todos esses erros devem ser removidos antes de partir para qualquer análise quantitativa ou qualitativa. Especialmente eu estou falando de análise quantitativa um desstripagem, remoção de ruído, acabamos de ver a demonstração através do software DIP.

Vídeo 2

Então muito rapidamente eu irei que correções radiométricas ou de desstrip-tease sejam feitas. Como aqui a linha que vimos foi horizontal no software aqui. As listras estão na direção vertical mas a técnica seria a mesma que o valor médio das pixels adjacentes é tomado e dado a essa linha de queda e você obter uma imagem corrigida. No entanto, se não teríamos o efeito de striping então a imagem seria diferente completamente então o que estamos vendo aqui. Mas já que não temos qualquer escolha. Temos que usar esses dados e, portanto, por esta média de pixels adjacentes a substituição com aquele pixel de queda pode resolver nosso problema para determinados aplicativos. Mas se eu for usar esta palavra certa imagem para alguma análise quantitativa então provavelmente isso não seria uma boa abordagem para ter. Por isso, as imagens que foram corrigidas por causa de desstrip-tease ou ruído não devem ser consideradas para uma análise quantitativa grave. Portanto, essa linha de queda ou linha de dados defeituosa escancaram talvez um problema e esses valores podem ser substituídos. Um barulho que tenho também aquele barulho de sal e pimenta o que você está vendo aqui, o barulho de pimenta salgada foi removido. E é mais ou menos é um método manual um tipo cirúrgico de método e é feito assim. Porque não sabemos se é um objeto real ou um ruído de palavra, por isso, é por isso que manualmente pode ser feito esses ruídos de speckle ou de sal e de pimenta que você geralmente vê nos dados do radar. Mas existem diferentes técnicas de filtragem de etapas de processamento por meio das quais estes um ruídos podem ser removidos. Para que não estejamos aqui discutindo quando vamos entrar nos dados do radar micro dados então nós estaremos discutindo. As correções atmosféricas, já discutimos e fizemos um tratamento separado significam 2 problemas na atmosfera espalhando-se e as absorções e estas podem ser umas às vezes podem ser, sabe-se que pode mudar a qualidade de uma imagem muito mal por causa destes fenômenos. Mas você sabe que a escolha da imagem certa especialmente da temporada certa de um local em particular é muito, muito importante. E geralmente o que fazemos, para aplicações sérias tentamos primeiro pensar em que tipo de qual é a melhor época do ano para uma aplicação particular. Então, suponhamos que eu tenha que identificar alguma vegetação e eu quero que os efeitos atmosféricos especialmente espalhadores e absorvente sejam mínimos.
Depois dizem que dizemos como mês de fevereiro ou março na Índia, especialmente na Índia central ou no sul da Índia podem ser meses muito bons para adquirir os dados de sensoriamento remoto. Lá você obterá uma boa discriminação entre a vegetação e outros objetos e esses afetos, espalhamento e absorções afeta geralmente são mínimos durante esses meses. Mas, ao contrário disso, se eu for adquirir os dados de digamos maio ou junho ou na parte norte talvez de novembro quando muita essa queima está ocorrando depois dessa safra paddy. Em seguida, haverá muitos fenômenos de absorção e talvez espalhamento também e sua qualidade de imagem vai ser muito, muito ruim. Por isso, escolher uma temporada certa que vai depender da localização é muito, muito importante. Então, data da cena uma tem que ser muito cuidadosa, se houver escolha, que eu possa escolher uma imagem de qualquer época do ano sabendo muito bem que esse é o meu alvo. Então como eu disse, que se eu estiver trabalhando em parte de vegetação. E eu não quero logo após o post monsoon porque apenas pós montaria, você pode ter uma vegetação muito saudável. Por isso, quero discriminar entre vegetação saudável e vegetação menos saudável então talvez janeiro, fevereiro, março quando um céu é claro, menos espalhamento e absorção afeta estão lá, eu posso ir para isso, sem nuvens geralmente naquele tempo também. Por isso, você sabe escolher um momento certo para aquisição de imagens é muito, muito importante. Porque hoje em dia este pode avaliar também sozinho se você vai no Google terra e você pode encontrar para uma determinada locação imagens estão disponíveis de temporada diferente. E você acharia dizer se eu dou o exemplo da Índia central ou do sul da Índia. E em mês de janeiro fevereiro você encontraria imagens são muito, muito claras e quando as imagens são claras então podemos dizer que elas estão tendo boa qualidade de imagem. E quando imagens não são claras como no norte da Índia em mês de novembro muita poluição absorve no espalhamento está acontecendo ou em durante a temporada de neblina então um não deve usar essas imagens para aplicações sérias. Então, essas são as coisas que se tem que lembrar, coisa importante são essas são as coisas que não são mencionadas geralmente em livros ou manuais ou pelo software essas coisas que você aprende apenas através da sua experiência. Por isso, porque você não pode evitar atmosfera que estará lá mas para um determinado local você pode avaliar através de alguns outros datasets. Depois, quando isso é dispersão e absorção são mínimos para aquela área específica. E um like de qualquer um do departamento de metrologia ou de algumas outras fontes. E uma vez que você tem certeza de que esses meses são melhores para mim então adquire a imagem daqueles meses. E essas imagens seriam de alta qualidade e se você produziria certos resultados, eles seriam também de altíssima qualidade. Então este tem que lembrar porque não podemos nos livrar de atmosfilia mas definitivamente podemos adquirir as imagens daquele tempo em particular quando as distorções atmosféricas são mínimas para aquele local, isso está em nossa mão e que podemos fazer. Depois que você sabe que se possível então você ainda pode realizar correções atmosféricas até mesmo naquelas imagens que são conforme avaliação inicial de boa qualidade. Por isso, se isso for feito então ainda imagens podem ser melhoradas ele é um outro problema na parte norte da Índia por causa da poluição e a partícula de poeira é outra coisa. Por isso, novamente, se eu vir muito você sabe previews desse lado de fornecedores eu e uma mesma hora eu vejo os dados da pluviomeia. Eu posso saber que quando a chuva ocorreu e logo depois disso se eu conseguir uma imagem eu posso não estar vendo muito está na imagem de satélite que é a imagem que se deve adquirir. Assim, logo após a chuva, se possível, quando as nuvens são menos imagem é a atmosfera muito clara são as distorções são mínimas, esse é o momento de adquirir a imagem ou tirar a imagem ou comprar a imagem, fazer o download da imagem daquele tempo em particular. Como você sabe que através desse software também o software DIPS, eu também tenho demonstrado através de um simples contraste linear de contraste que como a imagem pode ser melhorada e o que vai em segundo plano. E o exemplo que pegamos é o trecho de contraste linear e o cálculo muito simples continua por trás do cenário embora naquele software ele não esteja por trás dele esteja na frente. Estaremos em discussões futuras que também estaremos discutindo agora, filtrar uma filtragem espacial também aprimorando o cimento. Assim, em uma filtragem espacial, filtros de passe alto, filtros de passe baixo ou filtros direcionais nós estaremos discutindo. Também estaremos discutindo análise de Fourier e outras coisas em aprimoramento de imagem 2 ou algumas técnicas de filtragem espacial também. Nos softwares DIP eu parei na discussão anterior eu parei quando a coisa filtrante veio. Então agora quando estaremos discutindo filtragem, eu também estarei mostrando através desse software, quando vamos para uma filtragem espacial, que tipo de modificações nos valores de pixels vai para que você possa ver através daquela demonstração desse software específico. Assim, quem estiver interessado por técnicas de aprimoramento de imagem e gostaria de aprender o interior do aprimoramento de imagem, processamento de imagens, a melhor coisa primeira coisa download que o software DIPS, já que não é comercial. Por isso, posso repetir muitas vezes e solicitar que você faça o download da instalação em sua máquina e então tente, você sabe aprender as coisas máximas a partir desse software. Vai dar um verdadeiro bom entendimento também estamos usando regularmente em nossas aulas também. Agora manipulações de imagem multispectral quando iremos o mesmo também através do DIPS estaremos vendo a proporção de banda em componente principal. É claro que digital há índices de vegetação que podem não ser através desse software. Como temos visto naquele software que como os valores de pixels são aprimorados ou alterados quando escolhemos o trecho de contraste linear. Agora você pode perceber que como ele é feito porque quando usamos o intervalo dinâmico completo então o contraste na imagem é automaticamente aumentar conforme mostrado aqui e também para você através desse software. Aqui neste exemplo, os valores eram entre 84 e 153 estes tinham sido esticados para o alcance completo que é de 0 255 e a imagem original estava a ter um baixo contraste e isto está a ter alto contraste. Agora os usos de interpretabilidade desta imagem é muito mais alto, então um trecho linear de contraste linear às vezes funciona muito bem. Tem um outro que você sabe da mesma forma que eu estou mostrando aqui que aqui os valores ficam entre 0 158. E quando você vai para o trecho de contraste os valores de 60 vão para 0, 158 vai para 0 e o descanso se espalhou por lá. Esta é a equalização do histograma que nós também estaremos vendo. Por isso, na equalização do histograma, onde quer que mais frequência de pixels estejam lá, eles estão mais espalmados está lá da mesma forma. Esses slides nós já vimos, por isso não vou passar muito tempo aqui mas você pode perceber que o que vai em segundo plano quando escolhemos essas etapas de alongamento ou rotinas e que tipo de melhoria podemos trazer em nossas imagens. A equalização do Histograma pode criar um grande contraste em sua imagem em comparação com o contraste linear simples. Mas qual deles seria melhor para a sua imagem por aquela localização particular daquele determinado dia ninguém sabe dizer. Então, este é realmente um tem que escolher judiciosamente uma rotina de alongamento de contraste certo ou você sabe ferramenta. E então faça e tente e veja e avalie como os melhores resultados estão lá. E se não é lá você volta para a imagem original faça o outro jeito de esticar porque não existe um padrão que toda imagem tem que ser de linearidade de contraste não. Há um ninguém pode dizer que toda imagem tem que ser histograma equalizada, não. Ele depende da imagem, depende do contraste que está presente na imagem. Se supor que você obtenha uma imagem que já está tendo distribuição de valores de pixel em 8 bit cenário entre 0 a 255.
Depois você não tem muito espaço para o alongamento de contraste ou qualquer tipo de alongamento mas ainda assim você pode executar, você ainda pode melhorar o contraste mas não sobem muito espaços. Mas se você está tendo uma distribuição estreita de valores de pixel que significa que sua imagem está tendo um contraste muito pobre então definitivamente qualquer um desses contraste irá melhorar sua imagem muito significativamente. Por isso, você sabe escolher uma técnica de alongamento de contraste correta ou talvez a equalização do histograma ou o alongamento de contraste não linear seja até a imagem que você é ela depende da imagem de entrada basicamente. Portanto, isso traz para o fim desta discussão e definitivamente 2 pontos principais que mencionei aqui. Uma é que escolher um horário certo para a imagem ou a data certa para a imagem que é muito, muito importante. E segundo dia, escolhendo uma técnica de aprimoramento de contraste certo para a sua imagem. Ambos dependerão do seu julgamento dependendo da área local e do local do qual você está trabalhando e consequentemente você escolheria uma data certa para a sua imagem, temporada certa para a sua imagem. E também assim você escolheria um direito de alongamento certo, isso traz para encerrar essa discussão muito obrigado.