II Simpósio Brasileiro de Geomática
V Colóquio Brasileiro de Ciências Geodésicas
Presidente Prudente - SP, 24-27 de julho de 2007
ISSN 1981-6251, p. 996-1002
VALIDAÇÃO DE NUVENS E SOMBRAS DETECTADAS EM IMAGENS
CCD/CBERS POR CORRELAÇÃO DE PONTOS CANDIDATOS
WILLIAN ALVES DA SILVA 1
NILTON NOBUHIRO IMAI 1
AIRTON MARCO POLIDORIO 2
1
Universidade Estadual Paulista - UNESP
Rua Roberto Simonsen, 305 Cep: 19060-900 Presidente Prudente – SP, Brasil.
[email protected]
[email protected]
2
Universidade Estadual de Maringá - UEM
Avenida Colombo, 5790 – Cep: 87020-900 Maringá – PR, Brasil.
[email protected]
RESUMO – Nuvens e sombras causam sérias interferências em imagens aéreas e orbitais, degradando a
resposta radiométrica e/ou causando a completa ocultação da superfície, reduzindo a área útil da cena.
Técnicas utilizadas para a detecção de nuvens, baseadas na resposta espectral, em alguns casos, não
produzem resultados satisfatórios, quando na cena estão envolvidos elementos como solo arenoso, dunas,
gelo e neve que pela alta reflectância desses elementos são confundidos com nuvens. Corpos d’água e
solos de cor escura também são facilmente confundidos com sombras. Este trabalho apresenta uma
técnica que correlaciona os resultados de detecção de sombras e de nuvens produzidos por tais técnicas,
com o objetivo de refinar esses resultados para eliminar esses falsos resultados.
ABSTRACT - Clouds and shadows cause serious interferences in aerial and orbital images, degrading
the radiometric response and/or causing the complete occultation of the terrain surface, reducing the
useful area of the scene. Those interferences can drive detection and segmentation processes to produce
wrong results. Techniques used for clouds detection of, based only on radiometric analysis, in some cases,
do not produce satisfactory results, as in the scenes that involve elements as sandy soil; dunes; ice and
snow that possess high reflectance values, like a cloud and; water bodies and dark colored soils can be
confused with shadows. This work presents a technique that correlates the results of shadows and clouds
detection produced by such methods, with the objective of refining those results to eliminate those false
results and to validate the correct results.
1. INTRODUÇÃO
Nuvens causam sérias interferências em imagens
aéreas e orbitais degradando a resposta radiométrica ou
provocando redução na área útil da imagem. Devido a isso
imagens de sensoriamento remoto, adquiridas por sensores
instalados em plataformas orbitais, com resolução espacial
média, como o ETM do sistema Landsat e o CCD do
CBERS, são disponibilizadas com informação de
percentual de cobertura de nuvens. Entretanto, a redução da
área útil da imagem pode, em alguns casos, ser superior ao
dobro desse valor percentual, uma vez que também deve ser
considerada a degradação provocada por sombras
projetadas por essas nuvens sobre o terreno imageado.
As técnicas utilizadas para a detecção de sombras e
nuvens baseadas em suas respectivas respostas espectrais
(cor), costumam falhar se na cena estiverem presentes
classes que apresentam características semelhantes às que
W. A. da Silva; N. N. Imai; M. A. Polidorio
apresentam nuvens e sombras, como corpos d’água e
solo exposto de alta radiância.
Corpos d’água apresentam regularmente baixa
radiância, devido ao fato da maior parcela da energia
luminosa que incide sobre eles é transmitida, absorvida
e dispersada,. Regiões afetadas por sombras também
apresentam essas mesmas características, porém devido
ao pequeno fluxo de energia luminosa que incide
diretamente sobre a região afetada. Determinados tipos
de solo exposto, tais como solo arenoso, calcário, alguns
tipos de argila e solo glacial, apresentam altas
reflectâncias em todas as regiões do espectro
eletromagnético, similares aos valores de reflectância
registrados para nuvens. As nuvens têm alta radiância
devido ao espalhamento atmosférico não-seletivo da
energia luminosa incidente que ao desviar
indiscriminadamente todos os comprimentos de onda,
do espectro visível produz a luz branca, devido ao efeito
II Simpósio Brasileiro de Geomática
V Colóquio Brasileiro de Ciências Geodésicas
aditivo de todos os comprimentos de onda do espectro
visível (Polidorio et al., 2005). Se, somente atributos de cor
forem usados para discriminar nuvens e sombras nem
sempre será possível separar corpos d’água de sombras e
nuvens de outros elementos de alta radiância.
Nuvens suficientemente espessas, tais como as do
tipo Cumulos e alguns do tipo Stratos (baixas e densas), são
mais facilmente detectadas que as dos tipos Cirros e Altos
(altas e geralmente finas). Nuvens do tipo Cumulos
projetam sombras mais escuras que são mais fáceis de
serem detectadas pelas técnicas baseadas nas respostas
espectrais.
Este trabalho propõe um método automático para
correlacionar os resultados de discriminação de sombras e
de nuvens, obtidos pela aplicação de uma técnica qualquer
de detecção. O método proposto neste trabalho permite
ainda que tal técnica de detecção tenha seus valores
paramétricos relaxados, com objetivo de ampliar o
resultado da segmentação de sombras e nuvens, mesmo que
ocorra um excesso de pixels incluídos na segmentação, isto
é, obter resultados que contenham outros elementos não
relacionados com sombras e nuvens. Pois, neste trabalho,
esses resultados preliminares são tratados como candidatos,
os quais devem ser ainda relacionados com sombras e
nuvens. Tal relacionamento visa descartar aqueles
resultados que não são correlacionados com sombras e
nuvens e, com isso, confirmar os resultados corretamente
detectados. Na verdade, a proposta corresponde a um
processo de refinamento dos resultados produzidos por
outras técnicas Esse refinamento é baseado na análise de
correspondência de pares sombra-nuvem. Esse processo
melhora os resultados positivos da detecção e mensuração
prévia de cobertura de nuvens e sombras em segmentos de
imagens do CCD/CBERS.
2. TRABALHOS PRÉVIOS
Song e Civco (2002) usaram imagens das bandas
1 e 4 do Landsat TM adquiridas em duas datas diferentes d1
e d2 para detectar e reduzir áreas cobertas por nuvens e
sombras. Primeiro, fizeram um ajuste radiométrico entre as
imagens temporais para equilibrar o brilho e o contraste dos
valores DN (Digital Number) dessas imagens com base na
variação dos valores de brilho e no conhecimento prévio do
Modelo Digital do Terreno, ao considerarem que a variação
de relevo tem influência significativa na resposta
radiométrica observada. A observação da resposta espectral
dos alvos mostrou que a imagem da banda 1, desse sensor,
possui melhores condições para detectar nuvens e a imagem
da banda 4 para detectar sombras. Com base nessa
observação empírica, os autores especificaram valores de
limiar sobre os valores de brilho de cada banda como, por
exemplo, valores maiores que 41 na imagem da banda 1 da
data d1 incluem nuvens e menores que 33 na imagem da
banda 1 da data d2 não incluem nuvens. Presume-se que a
aplicação desses valores de limiar simplifique as imagens,
pois eliminam algumas classes que não são nem sombras
nem nuvens. No passo seguinte foi aplicado um limiar de
tolerância, maior que 10, sobre o resultado da subtração
entre as imagens das datas d1 e d2 da banda 1 para destacar
W. A. da Silva; N. N. Imai; M. A. Polidorio
Presidente Prudente - SP, 24-27 de julho de 2007
diferenças significativas entre as duas imagens. Fazendo
a intersecção entre as imagens simplificadas e a imagem
contendo diferenças expressivas, as áreas de nuvens são
mais precisamente detectadas, exceto nas áreas em que
houve a coincidência de nuvens nas imagens das duas
datas. O mesmo raciocínio é aplicado para detectar
sombras sobre as imagens da banda 4.
Polidorio et al., (2003) associaram regiões de
sombra com os componentes S e I do sistema de cor
HSI usando a composição colorida R3G2B1 (imagens
CBERS e Landsat). Sombras são regiões de baixa
intensidade luminosa (I), causada pelo bloqueio da
incidência de luz direta e, com alta saturação (S)
causada pelo espalhamento atmosférico de Rayleigh. A
diferença I – S produz valores menores ou iguais à zero
para aquelas regiões afetadas por sombras (ou
candidatas). A detecção final das áreas sombreadas é
feita pela aplicação de limiarização com valor k sobre as
regiões candidatas.
Polidório et al (2005) propuseram um método
para detectar e discriminar sombras, nuvens e corpos
d’água que se baseia na exploração das diferenças de
resposta espectral e atributos de cor dessas classes. Para
explorar as diferenças da resposta radiométrica entre as
várias feições que compõem a imagem, usaram os
índices Normalized Difference Vegetagion Index NDVI (Jensen, 2002) e o Normalized Difference Water
Index - NDWI (Polidorio et al, 2004), os quais são
computados usando as imagens das bandas 4, 3 e 2
adquiridas pelas câmaras CCD do CBERS. A fim de
realizar parte da análise também foram computados os
atributos de cor S (saturação) e I (intensidade) do
sistema de cor HSI, obtidos pela transformação da
composição colorida R3G2B1.
Choi e Bindschadler (2004) usaram uma
técnica para correlacionar a presença de nuvens com
presença de sombras para melhorar a confiabilidade das
identificações de nuvens sob solo congelado, situação
essa onde as características da superfície do terreno são
muito semelhantes às características das nuvens.
Sabendo-se o azimute solar podem-se “cruzar” as
informações vindas de áreas possivelmente cobertas por
nuvens com as possivelmente cobertas por sombras. Tal
técnica faz uso de várias funções morfológicas, índices
quantitativos e múltiplas iterações foram necessários
para determinar a distribuição de nuvens que melhor
condizem com a distribuição das possíveis sombras.
3. DETECÇÃO DE NUVENS E SOMBRAS
Em virtude da complexidade de alguns dos
métodos apresentados, que podem tornar a sua
utilização muitas vezes inviável em virtude da grande
quantidade de dados e formulações a serem processadas,
este trabalho faz uso de um método paramétrico
relaxado para produzir o maior número de pontos
candidatos possível. Com isso objetivou-se adotar um
algoritmo rápido cujos erros sejam principalmente de
inclusão, com poucos erros de omissão. Este método
está baseado nas Equações 1 até 4:
II Simpósio Brasileiro de Geomática
V Colóquio Brasileiro de Ciências Geodésicas
⎧⎪Sb2 = b2 < (min ( b2 ) + 25)
⎨
⎪⎩Sb4 = b4 < (min ( b4 ) + 60)
Sf = Sb2 I Sb4
⎧
⎧1, se b1 > 110
⎪ N b1 = ⎨
⎩0, caso contrário
⎪
⎪
⎧1, se b2 > 150
⎪ N b2 = ⎨
⎪
⎩0, caso contrário
⎨
⎪ N = ⎧1, se b3 > 130
⎪ b3 ⎨⎩0, caso contrário
⎪
⎪
⎧1, se b1 > 150
⎪ N b4 = ⎨
⎪⎩
⎩0, caso contrário
N f = (N b1 + N b2 + N b3 + N b4 ) ≥ 3
(1)
(2)
(3)
(4)
Sendo: b1, b2 e b3 os valores do pixel avaliado nas bandas
1, 2 e 3 do sensor CCD/CBERS, os quais correspondem
aproximadamente a luz azul, verde e vermelho da região
do visível do espectro eletromagnético. A banda 4 da
imagem CCD/CBERS é representada por b4 e o valor de
cada pixel por b4 e corresponde à faixa do espectro
conhecida como infravermelho próximo.
Pixels de sombra apresentam baixos valores de
brilho em qualquer uma das quatro bandas do sensor
CCD/CBERS, devido à ausência de radiação incidente
diretamente sobre as regiões afetadas. Na imagem da
banda 4 tem-se um alto contraste entre sombras e
vegetação, porém corpos d’água também refletem pouca
energia. Na imagem da banda 2 tem-se menor contraste
entre pixels das classes sombra e cobertura do solo. Porém
corpos d´água pouco profundos ou com material em
suspensão apresentam valores relativamente altos. Assim,
foram determinados, empiricamente, valores de limiares
baseados nos valores mínimos observados nas imagens das
bandas b2 e b4 (Equação 1) para segmentar os pontos
candidatos a sombra (Equação 2). Para a detecção dos
candidatos a ponto de nuvem, são utilizadas as imagens
das quatro bandas disponíveis, através do estabelecimento
de valores de limiar empiricamente determinados
(Equação 3). Somente os pixels selecionados em pelo
menos três das quatro possibilidades são aceitos como
candidatos a pontos de nuvem (Equação 4).Todos os
valores de limiares determinados foram estabelecidos de
forma a garantir sua aplicação em todas as imagens
testadas sem a necessidade de ajustes radiométricos ou
qualquer outra pré-análise da imagem visando simplificar
o processamento.
4. CORRELAÇÃO DO PAR NUVEM-SOMBRA
Em primeiro lugar, deve-se ressaltar que a
correlação nuvem-sombra somente é possível quando uma
dada nuvem projeta sombra, o que nem sempre ocorre, pois
certos tipos de nuvens, principalmente as dos tipos Cirros e
Alto, em virtude da sua pequena espessura e/ou grande
altura pode ter suas sombras amenizadas pela luminosidade
W. A. da Silva; N. N. Imai; M. A. Polidorio
Presidente Prudente - SP, 24-27 de julho de 2007
atmosférica. A correlação é indicada para a detecção de
nuvens de baixa altitude, tais como as nuvens dos tipos
Cumulus e Stratocumulus, que apresentem sombras
detectáveis e normalmente ocupam pequenas áreas,
tornando-as semelhantes às feições de alta reflectância
existentes sobre o território brasileiro.
Uma vez feita a detecção dos candidatos a
nuvens e sombras, a correlação nuvem-sombra é
aplicada em duas fases: (1) na primeira fase são feitas
restrições geométricas sobre os pontos candidatos a
sombras, com base na localização e na área das sombras
projetadas pelos pontos candidatos a nuvens para
confirmar os pixels da classe sombra; (2) a segunda fase
consiste na confirmação dos pixels da classe nuvem a
partir das sombras já confirmadas.
Tratar relações geométricas entre nuvens e
sombras é um processo que envolve muitos detalhes.
Devido a muitos fatores como relevo ou nível de
opacidade nas bordas de uma nuvem, a relação
geométrica mais confiável entre nuvens e sombras está
nas medidas de suas larguras (larguras medidas de
forma perpendicular ao azimute solar). Isto se deve: (1)
a distribuição vertical da nuvem, não perceptível do
ponto de vista do sensor orbital; (2) a inclinação dos
raios solares referentes ao horário do imageamento; (3)
à curvatura da terra e a topografia do terreno. Esse
último fator não é considerado neste trabalho por duas
razões: primeiramente, seria necessário o conhecimento
prévio da topografia da região dificultando assim a
aplicação da correlação de forma completamente
automática, e a segunda razão é a relativa raridade de
grandes desníveis na superfície do território brasileiro,
desta forma a superfície foi considerada plana para a
modelagem da correlação.
5. PROCESSAMENTO DAS MÁSCARAS
Para simplificar o modelo matemático
relacionado com esse processo de correlação entre os
pares de pixels das classes nuvem-sombra, todo o
processamento realizado é feito em imagens nas quais
as colunas da imagem a ser analisada estão alinhadas
com a direção de incidência dos raios solares na cena.
Esse alinhamento é feito pela aplicação de uma
transformação de rotação das imagens previamente
classificadas pelo valor angular do azimute solar. As
imagens giradas são processadas coluna a coluna.
Assim, cada coluna da imagem pode ser tratada
independentemente e, desta forma, a área de uma
entidade torna-se equivalente à extensão dessa entidade
na coluna. Também é aplicado um processo de dilatação
dos pixels de uma região classificada como nuvem, para
que pequenos buracos, descontinuidades ou variações
bruscas na forma sejam eliminados ou diminuídos. Essa
filtragem passa-baixa é importante para que partes da
mesma nuvem não sejam processadas separadamente.
II Simpósio Brasileiro de Geomática
V Colóquio Brasileiro de Ciências Geodésicas
Presidente Prudente - SP, 24-27 de julho de 2007
Os valores de alturas máximas e mínimas para
a ocorrência das nuvens, foram especificados através de
um processo inverso ao exposto na figura 2. Sobre as
imagens foram medidas as distâncias que separam o
início/fim de uma nuvem e o inicio/fim da sua
respectiva sombra ( Dist max e Dist min ). Com a aplicação
(a)
da expressão que relaciona as distâncias entre sombra e
nuvem com hmaxou min como incógnita, foi possível
(b)
(c)
Figura 1: (a) Composição R3G4B2 contendo nuvens e solo
exposto; (b) resultado do método de detecção utilizado
sobreposto à imagem anterior, candidatas a nuvem em azul
e sombras em amarelo; (c) alinhamento das imagens
classificadas pela rotação com o ângulo do azimute solar.
6. CONFIRMAÇÃO DAS SOMBRAS
Para prever onde uma possível nuvem projeta a sua
sombra são usadas as informações de alturas máxima e
mínima das nuvens. Conhecendo-se essas alturas e o valor
do ângulo de elevação solar, pode-se determinar a partir dos
pixels candidatos à nuvem, quais deles têm possibilidades
de projetar sombras na área imageada (Figura 2).
Distmaxoumin =
hmaxoumin
tan(e).GSD
Figura 2: Representação de uma coluna da imagem,
contendo pixels candidatos à nuvem (brancos), pixels de
outras classes (laranja) e os pixels onde existe a
possibilidade de sombras (em azul) abrangendo toda região
realmente sombreada.
Onde:
Dist: é a distância de projeção máxima ou mínima medida
em pixels.
e: é o angulo de elevação solar.
h: é a altura máxima ou mínima especificada para a
ocorrência de nuvens, em metros.
GSD: (ground sample distance) é a extensão que cada pixel
cobre sobre a superfície imageada (equivalem a 20 metros
para imagens CCD/CBERS).
W. A. da Silva; N. N. Imai; M. A. Polidorio
determinar as altura máxima e mínima de algumas
nuvens de cenas amostradas. Neste trabalho foram
adotados os maiores e menores valores encontrados
entre todas as imagens analisadas.
Após a delimitação da região de busca de uma
sombra específica, estimam-se, através da nuvem
correspondente, as dimensões da sombra por ela
projetada. Com isso pretende-se excluir falsos
candidatos à sombra que não estejam localizados dentro
das áreas de projeção determinadas pelo procedimento.
Uma nuvem de pequena extensão, deve também projetar
uma sombra de pequena extensão. A expectativa sobre a
extensão mínima da sombra projetada é proporcional à
extensão da nuvem. Esta proporcionalidade não é
verificada se a extensão da nuvem for superior à
distância da projeção mínima ( Dist min ) calculada para
o local, neste caso a nuvem começa a ocultar sua
própria sombra e assim, a expectativa sobre o tamanho
mínimo da sombra fica limitada a essa distância. Desta
forma é obtido o valor da expectativa mínima. A
expectativa de extensão máxima da sombra é definida
somando-se à expectativa mínima o valor referente à
projeção adicional que se espera que o desenvolvimento
vertical da nuvem (espessura) possa gerar. Esse
desenvolvimento é determinado em função da extensão
horizontal da nuvem seguindo a seguinte lógica: Uma
nuvem deverá ter uma espessura proporcional a sua
extensão horizontal e uma nuvem pequena é menos
espessa que uma nuvem grande. Essa relação entre a
extensão da nuvem e sua espessura é feita pelo fator de
desenvolvimento vertical ( f ) que, apesar de, raramente
ultrapassar o valor 2, para alguns casos, esse
processamento somente obteve sucesso quando adotou
valores superiores para f . O maior valor utilizado foi
f = 4, o qual deve ser adotado em processamentos não
supervisionados.
Figura 3: Esquema das expectativas máximas e
mínimas das sombras projetadas por cada nuvem.
II Simpósio Brasileiro de Geomática
V Colóquio Brasileiro de Ciências Geodésicas
Presidente Prudente - SP, 24-27 de julho de 2007
7. CONFIRMAÇÃO DAS NUVENS
Onde:
espmax : é a expectativa máxima calculada.
espmin : é a expectativa mínima.
A : é o ângulo de elevação solar.
f : é o fator de desenvolvimento vertical.
As primeiras sombras encontradas que estiverem
dentro das áreas de projeção cujos tamanhos estiverem
entre os valores das expectativas máximas e mínimas
determinados para a respectiva nuvem, respeitando o
sentido da incidência dos raios solares, serão aceitas como
verdadeiras. Esse é a condição padrão para a confirmação
dos candidatos a sombra, porém existe um conjunto de
situações onde esta condição não é valida. Citando apenas
um exemplo: em áreas de projeção localizadas entre duas
nuvens separadas por uma distância inferior ao valor
estimado para a distância de projeção máxima ( Dist max ),
Gerar parâmetros para prever o formato das
nuvens a partir das sombras é uma tarefa arriscada, pois
as sombras só apresentam forma ou área próxima às das
nuvens geradoras quando não estão parcialmente
ocultas, ou as nuvens não possuírem bordas muito
fragmentadas ou transparentes e a superfície do terreno
não possuir relevo acidentado.
Nesta etapa é realizada a confirmação de todas
as regiões candidatas à nuvens que geraram regiões de
projeção onde sombras foram confirmadas. Para isso a
partir das sombras confirmadas procura-se, no sentido
inverso ao de incidência dos raios solares, por nuvens
que quando encontradas terão toda sua extensão
confirmada.
há a possibilidade da sombra projetada estar parcialmente
oculta pela segunda nuvem, desta forma, o critério de
expectativa mínima para a área da sombra pode não ser
satisfeito, devendo ser ignorado.
(a)
(a)
(b)
(b)
(c)
Figura 4: (a) Em azul, nuvens previamente
classificadas e em (b) nuvens confirmadas a partir das
sombras confirmadas (em amarelo) anteriormente; (c)
resultado final.
8. RESULTADOS
(c)
Figura 3: (a) Em azul, regiões onde deveriam estar as
sombras projetadas pelas candidatas a nuvem; (b) Em
amarelo, seleção dos pixels previamente classificados como
sombras localizadas dentro destas regiões; (c) Sombras que
satisfizeram os critérios de tamanho determinados para as
regiões onde se encontram.
W. A. da Silva; N. N. Imai; M. A. Polidorio
Os resultados dos testes confirmam a hipótese
inicial de que a correlação entre uma nuvem e sua
sombra, representadas em cenas e sub-cenas de imagens
multiespectrais orbitais, pode ser usada para melhorar o
resultado da discriminação realizada inicialmente com
grande número de pixels de falsos candidatos de ambas
as classes.
Observou-se que, utilizado os parâmetros globais
determinados, a eliminação de falsos candidatos foi de
aproximadamente 85% enquanto a eliminação dos
candidatos verdadeiros variou em torno de 20%, porém
esses percentuais podem ser melhorados se forem
utilizados parâmetros de processamento mais adequados
para cada região e época do ano representada em cada
imagem.
II Simpósio Brasileiro de Geomática
V Colóquio Brasileiro de Ciências Geodésicas
Essa abordagem tem grandes potencial para
identificação (por exclusão) de corpos d’água e regiões de
queimada, assim como para identificação de superfícies de
alta reflectância. Isso o torna um método que pode ser
adaptado para outros objetivos.
O fato desse método somente ser aplicado para
certos gêneros de nuvens, traz o problema de inferir, à
priori, a existência desses tipos de nuvens, de forma
automática. Isso pode limitar a sua aplicação, mas devido
aos pequenos percentuais de áreas de cobertura do terreno
que os dois gêneros de nuvens especificados (Cumulus e
Stratucomulus) costumam apresentar, pode-se fazer uma
pré-analise de cada imagem a fim de avaliar a dimensão de
regiões de alta reflectância e comparar com um valor limite
e, ainda, cruzar com informações sobre o tamanho das
possíveis superfícies de alta reflectância existentes em uma
dada região.
Os erros gerados nas feições próximas a borda da
cena, devido a inexistência do alvo correspondente na
correlação, é um problema que pode ser tratado. De
qualquer modo, no processamento de cenas completas,
esses erros terão influência reduzida na estatística final.
Com isso concluí-se que o método de correlação do
par nuvem-sombra proposto neste trabalho é capaz de
produzir resultados de boa qualidade, não importando a
semelhança espectral de outros elementos existentes na
cena tanto com nuvens como com sombras.
8.1 Exemplos de resultados:
Presidente Prudente - SP, 24-27 de julho de 2007
Região de floresta – Floresta amazônica
Figura 6: Conjuntos de três imagens com: Composição
R3G4B2; Classificação inicial com candidatos à nuvem
em azul e candidatos à sombra em amarelo;
Segmentação final após a aplicação da correlação. Esse
método mostrou-se muito bom para eliminar a confusão
entre sombras e corpos d’água.
Região com queimadas de cana – Araraquara – SP
Região com solo exposto – Barreirinhas – MA
Figura 5: Conjuntos de três imagens com: Composição
R3G4B2; Classificação inicial com candidatos à nuvem em
azul e candidatos à sombra em amarelo; Segmentação final
após a aplicação da correlação. A única nuvem presente na
cena foi mantida e a grande parte dos falsos candidatos (rio
e areia) foram eliminados.
W. A. da Silva; N. N. Imai; M. A. Polidorio
Figura 7: Conjuntos de três imagens com: Composição
R3G4B2; Classificação inicial com candidatos à nuvem
em azul e candidatos à sombra em amarelo;
Segmentação final após a aplicação da correlação. Notase na parte inferior esquerda que várias regiões onde
houve queima da vegetação e algumas represas foram
corretamente eliminadas.
II Simpósio Brasileiro de Geomática
V Colóquio Brasileiro de Ciências Geodésicas
Região de alta reflectância – Salar Uyuni – Bolívia
Presidente Prudente - SP, 24-27 de julho de 2007
CHOI, H., BINDSCHADLER, R. Cloud detection in
Landsat imagery of ice sheets using shadow matching
technique and automatic normalized difference snow
index threshold value decision. Remote Sensing of
Environment 91 (2004) p.237–242
AGRADECIMENTOS
Agradecemos imensamente à FAPESP pelo apoio
financeiro, sem o qual este projeto de pesquisa não
poderia ter sido realizado, ao Dr. Airton Marco
Polidorio pela co-orientação do projeto, e ao INPE pelas
imagens e por todo o suporte técnico oferecido.
Também a todos os alunos da FCT-Unesp, em especial
amigos da turma 2003 do curso de Engenharia
Cartográfica e aos moradores da República Toska.
Figura 8: Conjuntos de três imagens com: Composição
R3G4B2; Classificação inicial com candidatos à nuvem em
azul e candidatos à sombra em amarelo; Segmentação final
após a aplicação da correlação.
9. REFERÊNCIAS BIBLIOGRÁFICAS
POLIDORIO, A. M., FLORES, F. C., FRANCO, C., IMAI,
N. N., TOMMASELLI, A. M. G. Detecção automática de
sombras e nuvens em imagens CBERS e Landsat 7 ETM.
Anais XII Simpósio Brasileiro de Sensoriamento Remoto,
Goiânia, Brasil, 16-21 abril 2005, INPE, p. 4233-4240.
POLIDORIO, A. M., IMAI, N. N., TOMMASELLI, A. M.
G. Correção radiométrica das imagens multiespectrais
CBERS e LANDSAT ETM usando atributos de reflectância
e de cor. 2005 Anais XII Simpósio Brasileiro de
Sensoriamento Remoto, Goiânia, Brasil, 16-21 abril 2005,
INPE, p. 4241-4248.
POLIDORIO, A. M.; FLORES, F. C.; IMAI, N. N.;
TOMMASELLI, A. M. G.; FRANCO, C. Automatic
shadow segmentation in aerial color images. Proceedings of
the IEEE XVI Brazilian Symposium on computer graphics
and image processing, 12 – 15 October, São Carlos, Brazil,
2003. Proceedings… p. 270 – 277.
SONG, M.; CIVCO, D. L. “A knowledge-based approach
for reducing cloud and shadow”. ASPRS-ACSM Annual
Conference and FIG XXII Congress April 22-26, 2002.
Proceedings… available in CR-ROM.
W. A. da Silva; N. N. Imai; M. A. Polidorio