Carregar apresentação
A apresentação está carregando. Por favor, espere
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
15
A N Á L I S E D I G I T A L Pre-processsamento Realce Transformação
Classificação e Análise
16
Conceito de Processamento Digital
Pré-Processamento Pré-Processamento: Esticamento de Contraste
17
“Striping” Ruído - Perda de linhas
18
REGISTRO DE IMAGENS Pontos Homólogos Imagem Mapa de Referência
19
R E A M O S T R A G E M Vizinho Mais Próximo Interpolação Bilinear
Convolução Cúbica Ligado ao processo de Registro / Integração de Dados
20
H i s t o g r a m a
21
E s t i c a m e n t o d e C o n t r a s t e
Contraste Linear Equalização de Histogramas
22
F i l t r a g e m
23
Correção Radiométrica
Correção Atmosférica Conversão para Reflectância
24
Correção Geométrica
25
Correção Geométrica
26
Correção Geométrica
27
Correção Geométrica
28
Reamostragem de píxels para resolução espacial maior
30 metros 15 metros 15 metros ND = 64 ND = 73 15 metros 30 metros ND = ? ND = 61 ND = 68 15 metros Banda ETM 4 Banda ETM Pancromática
29
T r a n s f o r m a ç õ e s d e I m a g e n s
Subtração de Imagens Índice de Vegetação --> NDVI Principais Componentes Outro exemplo: Modelo de Mistura Gera imagens sombra, vegetação, solo
30
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
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
I N T E R P R E T A Ç Ã O
35
Composições coloridas do mesmo conjunto de bandas espectrais associadas a diferentes combinações de cores. 3 (A) 4 (Verd) 5 (Verm) 3(Vm) 4 (Vd) 5 (Az) 3 (A) 5 (Verd) 4 (Verm)
36
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.
37
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).
38
C L A S S I F I C A Ç Ã O Imagem a ser classificada
39
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.
40
C L A S S I F I C A Ç Ã O Seleção de canais
TM 1 TM 2 TM 3 Seleção de canais Gráfico de dispersão do nível digital de bandas espectrais.
41
Métodos de Classificação
42
C L A S S I F I C A Ç Ã O Classificação Probabilística A B D C E
Probabilidade D C E Comprimento de onda (Banda 3)
43
C L A S S I F I C A Ç Ã O Imagem a ser classificada Amostragem
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
C L A S S I F I C A Ç Ã O
50
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.
51
Avaliação da Exatidão da Classificação
Exemplo de Matriz de Erro (Adaptada de Fidalgo, 1995).
Apresentações semelhantes
© 2024 SlidePlayer.com.br Inc.
All rights reserved.