Estrutura e Funcionamento do Algoritmo

Aplicação semi-automática
para extração de objetos
cartográficos em imagens
satélite com Morfologia
Matemática
Michele Mengucci
CVRM-Centro de Geo-Sistemas
IST Lisboa
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’.
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
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
Projeção da
área
Bandas da
imagem
multi-canal
cI
cI
Projeções
das
vizinhas
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.
(1)
(3)
(2)
(4)
(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)]
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.
Estrutura e Funcionamento do Algoritmo
Na figura se mostra sucessiva modificação da base binaria do mosaico.
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 HUE
segmentação baseada na cor do objeto
procurado, aplicada em combinações
coloridas em cor real.
2) Subtração
de bandas
a-b=c
marcador
a
b
c
Exemplos de Aplicação
Objeto: um rio
Original pancromatica
Seqüência de criação do objeto
Mosaico final sobreposto
Exemplos de Aplicação
Objeto: um aeroporto
Original
pancromatica
Seqüência de criação do objeto
Marcadores
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
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
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:
Despectral  D1 , D2 ,..., Dn 
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.
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.