Universidade Estadual de Santa Cruz
Programa Regional de Pós-Graduação em Desenvolvimento e Meio Ambiente
Mestrado em Desenvolvimento Regional e Meio Ambiente
ÁREA MÍNIMA MAPEÁVEL:
QUALIDADE DA CARTOGRAFIA AMBIENTAL
TIAGO OLIVEIRA MOTTA
ILHÉUS – BAHIA
2010
TIAGO OLIVEIRA MOTTA
ÁREA MÍNIMA MAPEÁVEL: QUALIDADE DA CARTOGRAFIA AMBIENTAL
Dissertação apresentada ao Programa de
Pós-graduação
em
Desenvolvimento
Regional e Meio Ambiente da Universidade
Estadual de Santa Cruz, como parte dos
requisitos para a obtenção do título de
Mestre em Desenvolvimento Regional e
Meio Ambiente, Sub-área de concentração:
Gestão de Bacias Hidrográficas e Zonas
Costeiras
ORIENTADOR: PROF. Dr. FELIX MAS MILIAN
ILHÉUS – BAHIA
2010
I
M921
Motta, Tiago Oliveira.
Área mínima mapeável: qualidade da cartografia
ambiental / Tiago Oliveira Motta. – Ilhéus, BA: UESC,
2010.
xii, 80f. : il.
Orientador: Felix Mas Milian.
Dissertação (Mestrado) – Universidade Estadual
de Santa Cruz, Programa Regional de Pós – Graduação em Desenvolvimento e Meio Ambiente.
Inclui bibliografia e apêndice.
1. Mapeamento ambiental. 2. Processamento de
imagens – Técnicas digitais. 3. Sistemas de Informação geográfica. 4. I. Mapeamento geológico. I. Titulo.
CDD 526
II
COMISSÃO EXAMINADORA
Ilhéus – BA, 20/05/2010.
______________________________________
Prof. Dr. Felix Mas Milian
UESC – Universidade Estadual de Santa Cruz
Orientador
______________________________________
Prof. Dr. Eleazar Gerardo Madriz Lozada
UFRB – Universidade Federal do Recôncavo Baiano
Examinador Externo
______________________________________
Prof. Dr. Maurício Santana Moreau
UESC – Universidade Estadual de Santa Cruz
Examinador Interno
III
DEDICATÓRIA
À DEUS, Senhor. Àquele que me deu a capacidade de desenvolver esse projeto e
de concluir essa empreitada com sucesso, razão de minha capacidade e vida.
À minhas meninas e mulheres: Paula (minha esposa) pela força e apoio
incondicional, Stella, Floricy e Isabel (em memória) – minhas mães pela educação e
exemplo de conduta, Elisa e Mariana (filhas) pelas ausências que um dia vocês
entenderão.
Aos meus amigos, que salvo minha família, me apoiaram e durante todo o período
dessa empreitada acreditaram que a mesma seria frutífera.
IV
AGRADECIMENTOS
À UESC e ao Programa Regional de Pós-Graduação em Desenvolvimento Regional
e Meio Ambiente pela oportunidade de realização do curso.
Ao professor Félix Milian que aceitou orientar-me e apoiar-me. Pessoa, à qual a
quem hoje chamo de amigo.
Ao professor Maurício Moreau, que iniciou esse projeto e que por circustâncias
profissionais finalizou sua participação como colaborador. Pessoa à quem já tinha
em meu ciclo de amizades e mantém-se.
Aos colegas de PRODEMA, que torceram pelo meu sucesso.
Ao CPq-CTR, que à luz da conclusão desse trabalho me ofereceu apoio logístico.
À todos os docentes do PRODEMA que participaram de minha formação.
Aos coordenadores do PRODEMA Neylor Calasans e Salvador Trevisan e ao Prof.
Max de Menezes (coordenador da rede), que me apoiaram no que foi possível.
À todas as “ajudas verbais” que recebi durante esse período.
V
“Aquilo que se deve chamar ‘ciência’ e
aquele que se deve chamar ‘cientista’
sempre permanecerão uma questão de
convenção ou decisão.”
“O Trabalho do Cientísta é elaborar
teorias e pô-las à prova”
Karl Popper
VI
ÁREA MÍNIMA MAPEÁVEL: QUALIDADE DA CARTOGRAFIA AMBIENTAL
RESUMO
A pesquisa Ambiental tem ganhado corpo frente ao cenário mundial devido às
recentes preocupações com os efeitos do aquecimento global. Nesse sentido o
volume de informações construídas sobre esse tema também cresce de forma
acelerada. Uma importante ferramenta para esse crescimento são os estudos
que levam em conta mapeamento de áreas com base principalmente no
sensoriamento remoto o qual tem nos sistemas de informações geográficas um
importante pilar. Esse, por sua vez, tem suas bases fincadas na cartografia e na
geografia em si. Nas ferramentas atuais o conceito de Área Mínima Mapeável
não tem sido prioridade. Para uma cartografia essencialmente de síntese, como
a cartografia ambiental, a qualidade das imagens apresentadas é de suma
importância para que os mapas produzidos de fato colaborem no
esclarecimento dos fenômenos pesquisados. Assim esse trabalho propõe-se o
desenvolvimento de uma ferramenta computacional que permita a analise de
mapas ambientais sob o aspecto cartográfico da Área Mínima Mapeável,
recuperando mapas que se apresentem em formado de imagens e contenham
limitações, assim como ofereça ao pesquisador a oportunidade de utilizá-los em
seus projetos através de arquivos shape produzidos a partir da imagem original.
Para tanto lançou-se mão de técnicas do Processamento Digital de Imagens
para que a imagem fosse desconstruída e analisada para que se procedesse a
aplicação do conceito cartográfico aqui discutido.
Palavras-chave: Cartografia Ambiental, Gestão de Recursos Naturais, Área Mínima
Mapeável, Processamento Digital de Imagens, Sistema de Informação Geográfica.
VII
ABSTRACT
The Environmental research has gained space in the world scenario due to the
recent worries related to the effects of the global warming. Thereby, the volume
of information built about this theme also grows fast. An important tool for this
growth is the studies that take in account the mapping of areas, based mainly
on the Remote Sensing, that has in the system of geographic information an
important pillar. This, on the other hand, has its basis stuck in cartography and
geography itself. In current tools, the concept of Minimum Mappable Area has
not been priority. To cartography essentially of synthesis, like the environmental
cartography, the quality of the images presented has paramount importance in
order that the maps produced indeed collaborate in the enlightenment of the
researched phenomena. Therefore, this paper propounds the development of a
computational tool that allows the analysis of environmental maps under the
cartographic aspect of the Minimum Mappable Area, recovering maps
presented in image format and containing limitations, as well as offer the
researcher the opportunity of using them in their projects through files shape
produced from original image. For this, it was resorted of techniques of Image
Digital Processing, so that the image was deconstructed and analyzed to the
execution of the application of the cartography concept here discussed.
Keywords: Environmental cartography, Minimum Mappable Area, Image Digital
Processing, System of Geographic Information.
VIII
LISTA DE FIGURAS
Figura 1– (1) Exemplo de 4 Vizinhança............................................................................ 1
Figura 2 – (2) Exemplo de vizinhança diagonal ............................................................... 1
Figura 3 – (3) Exemplo de 8 vizinhança ........................................................................... 1
Figura 4 - Fluxograma de Execução do Projeto .............................................................. 1
Figura 5 - Identificação dos pontos de uma legenda..................................................... 18
Figura 6 - Primeira e Segunda interação do método do crescimento por semente ... 19
Figura 7 - Imagens padrões utilizadas para testes do EASY AMM apresentando
diferentes niveis de degradação...................................................................................... 20
Figura 8 - Identificação de Regiões fronteiriças (F), de Contorno (C) e outros pixels
de uma área....................................................................................................................... 24
Figura 9 - Exemplo de detecção das arestas do quadrilátero, ..................................... 25
Figura 10– Imagens Geométricas de Tamanho conhecido ............................................ 1
Figura 11 - Imagens Irregulares de Tamanho conhecido................................................ 1
Figura 12 - Diagrama de Casos de Uso do Sistema ..................................................... 31
Figura 13 – Tela inicial do programa ................................................................................. 1
Figura 14 - Tela de Adição de arquivos........................................................................... 33
Figura 15 - Detecção de Cores........................................................................................ 34
Figura 16 - Imagem utilizada como padrão de mapas a ser utilizada em testes do
EASY AMM. Nela as cores das áreas são apresentadas de forma definida sem
apresentar qualquer tipo de degradação........................................................................ 34
Figura 17 - Detalhes das secções de imagens resultantes após a regularização da
imagem 7 em suas variações 1, 2, 3, 4, 5, 6 (a, b, c, d, e, f) respectivamente. ......... 36
Figura 18 – Diferença entre o padrão 1 (sem modificação) e os padrões 1, 2, 3, 4, 5
e 6 (a, b, c, d, e, f) respectivamente após da regularização da imagem..................... 37
Figura 19 – Resultados do processamento da Figura 10 com as Áreas Mínimas
informadas como 101, 105 e 176 pixels respectivamente............................................ 39
Figura 20 – Resultados do processamento da Figura 10 com as Áreas Mínimas
informadas como 901 e 1160 pixels respectivamente................................................... 39
Figura 21 – Resultados do processamento da Figura 11 com as Áreas Mínimas
informadas como 108, 798 e 2432 pixels respectivamente.......................................... 40
Figura 22 – Resultados do processamento da Figura 11 com AMM sendo
representado por 108, 798 e 1291 respectivamente..................................................... 40
Figura 23 - Resultados da Diferença entre a imagem original (padrão 1 - figura 2) e
as imagens resultantes do processamento das figuras padrão 1 (a), padrão 2 (b),
padrão 3 (c), padrão 4 (d), padrão 5 (e) e padrão 6 (f). ................................................ 41
Figura 24 - Histograma formado antes da regularização da imagem.......................... 43
Figura 25 - Histograma formado após a regularização da imagem............................. 43
Figura 26 - Resultado do Processo de Importação do Shapefile na ferramenta ArcGis
............................................................................................................................................ 45
Figura 27 - Inserção das Imagens Teste no ArcGis....................................................... 47
Figura 28 - Inserção das Imagens Teste no SPRING ................................................... 47
Figura 29 - Diagrama de Casos de Uso do EASY AMM............................................... 56
Figura 30 - Diagrama de Classes do pacote br.uesc.prodema.util .............................. 56
Figura 31 – Figura original produzida com legenda, simulando um mapa com cores
definidas, sem degradação e compressão (padrão 1). ................................................. 58
Figura 32 – histograma da imagem “padrão 1” sem qualquer processamento .......... 59
Figura 33 – histograma da imagem “padrão 1” após a aplicação da AMM................. 59
IX
Figura 34 – Captura de Tela do processo de aplicação da Área Mínima Mapeável
sobre a imagem “padrão 1” .............................................................................................. 60
Figura 35 - Captura de tela do processo de Comparação entre a Imagem original e
após a aplicação do AMM. ............................................................................................... 60
Figura 36 – Imagem modificada a partir da imagem “padrão 1”através do filtro BlurGausiano excluindo-se a legenda da imagem (padrão 2). ........................................... 61
Figura 37 – Comparação entre a imagem “padrão 2” e a imagem “padrão 1”, através
do GelAnalisis.................................................................................................................... 62
Figura 38 – histograma da imagem “padrão 2´ sem qualquer processamento .......... 62
Figura 39 - histograma da imagem “padrão 2” após a aplicação da AMM.................. 63
Figura 40 – Captura de Tela do processo de aplicação da Área Mínima Mapeável
sobre a imagem “padrão 2” .............................................................................................. 63
Figura 41 - Comparação entre a imagem “padrão 2” após o processamento da AMM
e a imagem “padrão 1”, através do GelAnalisis ............................................................. 64
Figura 42 – Imagem modificada a partir da imagem “padrão 1” através do filtro BlurGausiano (padrão 3). ........................................................................................................ 65
Figura 43 – Comparação entre a imagem “padrão 3” e a imagem “padrão 1”, através
do GelAnalisis.................................................................................................................... 66
Figura 44 - histograma da imagem “padrão 3” sem qualquer processamento ........... 66
Figura 45 – histograma da imagem “padrão 3” após a aplicação da AMM................. 67
Figura 46 – Captura de Tela do processo de aplicação da Área Mínima Mapeável
sobre a imagem “padrão 3” .............................................................................................. 67
Figura 47 - Comparação entre a imagem “padrão 3” após o processamento da AMM
e a imagem “padrão 1”, através do GelAnalisis ............................................................. 68
Figura 48 – Imagem modificada a partir da imagem “padrão 1”através do filtro BlurMore (padrão 4)................................................................................................................. 69
Figura 49– Comparação entre a imagem “padrão 4” e a imagem “padrão 1”, através
do GelAnalisis.................................................................................................................... 70
Figura 50 - histograma da imagem “padrão 4” sem qualquer processamento ........... 70
Figura 51 - histograma da imagem “padrão 4” após a aplicação da AMM.................. 71
Figura 52 – Captura de Tela do processo de aplicação da Área Mínima Mapeável
sobre a imagem “padrão 4” .............................................................................................. 71
Figura 53 - Comparação entre a imagem “padrão 4” após o processamento da AMM
e a imagem “padrão 1”, através do GelAnalisis ............................................................. 72
Figura 54 – Imagem modificada a partir da imagem “padrão 1”através da inserção
de ruídos (padrão 5). ........................................................................................................ 73
Figura 55 – Comparação entre a imagem “padrão 5” e a imagem “padrão 1”, através
do GelAnalisis.................................................................................................................... 74
Figura 56 - histograma da imagem “padrão 5” sem qualquer processamento ........... 74
Figura 57 – histograma da imagem “padrão 5” após a aplicação da AMM................. 75
Figura 58 – Captura de Tela do processo de aplicação da Área Mínima Mapeável
sobre a imagem “padrão 5” .............................................................................................. 75
Figura 59 - Comparação entre a imagem “padrão 5” após o processamento da AMM
e a imagem “padrão 1”, através do GelAnalisis ............................................................. 76
Figura 60 – Imagem modificada a partir da imagem “padrão 5” através da aplicação
do filtro Blur-Gausiano (padrão 6). .................................................................................. 77
Figura 61 – Comparação entre a imagem “padrão 6” e a imagem “padrão 1”, através
do GelAnalisis.................................................................................................................... 78
Figura 62 - histograma da imagem “padrão 6” sem qualquer processamento ........... 78
Figura 63 – histograma da imagem “padrão 6” após a aplicação da AMM................. 79
X
Figura 64 – Captura de Tela do processo de aplicação da Área Mínima Mapeável
sobre a imagem “padrão 6” .............................................................................................. 79
Figura 65 - Comparação entre a imagem “padrão 6” após o processamento da AMM
e a imagem “padrão 1”, através do GelAnalisis ............................................................. 80
XI
LISTA DE QUADROS
Quadro 1 - Comparativo e demonstrativo da detecção de cores reais nas imagens
padrões apresentadas utilizando o padrão HSV como sistema de cores. .................. 35
Quadro 2 – Relação entre as áreas processadas e a imagem original quantificando a
diferença entre essas em relação à quantidade de pixels, soma das diferenças de
cores, e diferença percentual absoluta. .......................................................................... 46
Quadro 3 – Relação entre as áreas processadas após a aplicação da Área Mínima
Mapeável e a imagem original quantificando a diferença entre essas em relação à
quantidade de pixels, soma das diferenças de cores, e diferença percentual
absoluta.............................................................................................................................. 46
XII
SUMÁRIO
1. INTRODUÇÃO ................................................................................................................ 1
1.1 Hipótese..................................................................................................................... 4
1.2 Objetivos .................................................................................................................... 4
1.2.1 Objetivo Geral .................................................................................................... 4
1.2.2 Objetivos específicos......................................................................................... 5
2. REVISÃO DE LITERATURA.......................................................................................... 6
2.1 Cartografia ................................................................................................................. 6
2.1.1 A Cartografia presente nos Sistemas de Informações Geográficas. ............ 8
2.1.2
Escala ............................................................................................................ 9
2.1.3
Área Mínima Mapeável .............................................................................. 10
2.2 Processamento Digital de Imagens ...................................................................... 11
2.2.2 Vizinhança e Adjacência ................................................................................. 12
2.2.4 Compressão e Descompressão de Imagens ................................................ 14
2.2.5 Detecção de bordas......................................................................................... 14
3. METODOLOGIA ........................................................................................................... 16
3.1 Desenvolvimento do software................................................................................ 16
3.2 Definição de cores reais......................................................................................... 17
3.3 Remoção de cores oriundas de processos de compressão da imagem .......... 20
3.4 Formação de áreas................................................................................................. 22
3.4.1 Detecção de contornos ................................................................................... 23
3.4.2 Detecção das arestas do quadrilátero que contém a área formada........... 24
3.5 Aplicação do Conceito de Área Mínima Mapeável .............................................. 25
3.5.1 Exportação de Imagem com realce ................................................................... 29
3.6 Formação dos histogramas das imagens............................................................. 29
3.7 Extração do shapefile oriundo da imagem processada ...................................... 29
3.9 Comparação com Outras Ferramentas ................................................................ 30
3.9.1 Seleção e Processamento dos mapas para comparação ........................... 30
4. RESULTADOS E DISCUSSÕES................................................................................. 31
4.1 Desenvolvimento do software................................................................................ 31
4.2 Definição de Cores Reais ...................................................................................... 32
4.3 Remoção de Cores Oriundas do processo de compressão e Formação de
Áreas .............................................................................................................................. 35
4.4 Aplicação do Conceito de Área Mínima Mapeável .............................................. 39
4.5 Formação dos Histogramas................................................................................... 42
4.6 Extração do Shapefile ............................................................................................ 44
4.7 Avaliação da Ferramenta EASY AMM .................................................................. 45
4.8 Comparação com outras ferramentas .................................................................. 47
5. CONCLUSÕES E TRABALHOS FUTUROS ............................................................. 50
6 REFERÊNCIAS BIBLIOGRÁFICAS............................................................................. 52
APENDICE A – DIAGRAMAS DE CASOS DE USO E SEQUÊNCIA DO EASY AMM
............................................................................................................................................ 56
APENDICE B – IMAGENS UTILIZADAS DURANTE O PROCESSO DE VALIDAÇÃO
DO EASY AMM ................................................................................................................. 58
B1. Resultados de Processamento para a imagem “Padrão 1” ............................... 58
B2. Resultados de Processamento para a imagem “Padrão 2” ............................... 61
B3. Resultados de Processamento para a imagem “Padrão 3” ............................... 65
B4. Resultados de Processamento para a imagem “Padrão 4” ............................... 69
B5. Resultados de Processamento para a imagem “Padrão 5” ............................... 73
XIII
B6. Resultados de Processamento para a imagem “Padrão 6” ............................... 77
APENDICE C - Códigos Fontes do EASY AMM .......... Disponível em CD anexo
APENDICE D - API do EASY AMM em formato doc ...... Disponível em CD anexo
APENDICE E - API do EASY AMM em formato html....... Disponível em CD anexo
APENDICE F - EASY AMM (executável) ......................... Disponível em CD anexo
1
1. INTRODUÇÃO
A pesquisa em Meio Ambiente é um campo multidisciplinar que requer a
cooperação de pesquisadores de várias áreas de conhecimento. Os dados
disponíveis são coletados em vários lugares do mundo por muitos grupos de
pesquisadores, sendo publicados em formatos distintos e especificados em
inúmeros padrões. Este cenário é caracterizado por sua heterogeneidade intrínseca
– não apenas de dados e modelos conceituais utilizados, como também de
necessidades e perfis dos especialistas que coletam e analisam os dados (DALTIO,
2007).
Estudos criteriosos e aprofundados, além da adoção de instrumentos eficazes
de extração e gerenciamento de informações consistentes, corretas e atualizadas,
possibilitam conhecer o espaço em que vivemos, além de subsidiar as atividades de
planejamento e gestão. O processo de planejamento e gestão do espaço, a
compatibilização dos interesses econômicos e políticos com as necessidades sociais
e o equilíbrio ecológico exigem suporte adequado capaz de apoiar o processo de
tomada de decisões (CYSNE, 2004).
Os Sistemas de Informação Ambientais representam soluções parciais para
alguns desses problemas, permitindo a análise de espécies e suas interações. Seu
propósito é auxiliar pesquisadores a aprimorarem e/ou complementarem seu
conhecimento e entendimento sobre os fatores que estão relacionados ao equilíbrio
ambiental. Esse conceito apóia-se substancialmente sobre as contribuições trazidas
pelos Sistemas de Informações Geográficas.
Segundo Burrough e McDonnell (1998) Sistema de Informação Geográfica
(SIG) é um conjunto de ferramentas para coletar, armazenar, recuperar, transformar
e visualizar dados do mundo real para um objetivo específico. Os fenômenos do
mundo real são representados considerando sua posição dentro de um sistema de
coordenadas conhecido, seus atributos e suas inter-relações com outros dados.
Câmara (1996) relaciona como principais características do SIG a capacidade de
inserir e integrar, numa única base de dados, informações espaciais provenientes de
dados cartográficos, dados censitários e cadastro urbano e rural, imagens de
2
satélite, redes e modelos numéricos de terreno; e oferecer mecanismos para
combinar as várias informações através de algoritmos de manipulação e análise,
bem como para consultar, recuperar, visualizar e desenhar o conteúdo da base de
dados georreferenciada.
Segundo Cysne (2004) os primeiros SIGs surgiram da necessidade de
automatizar o processamento de dados georeferenciados (em sua maioria
relacionados com o uso da terra, recursos naturais e análise ambiental). Câmara
(1996) relata que as primeiras tentativas para o desenvolvimento de SIGs,
apareceram na Grã-Bretanha e nos Estados Unidos, já nos anos 1950, e
objetivavam à diminuição de custos de produção e atualização e mapas.
Inicialmente, na área da Botânica, com a produção de mapas gerados a partir de
cartões perfurados para em seguida focar o controle do tráfico em algumas vias da
cidade. Na década seguinte, surgiu no Canadá, como parte de um planejamento
governamental de longo prazo, um SIG destinado a inventariar recursos naturais de
forma automatizada batizado de Canadá Land Inventory (CYSNE, 2004).
O conceito de SIG está fundamentado de forma ampla na área de
conhecimento chamada Geoprocessamento. O Geoprocessamento é definido como
uma tecnologia transdisciplinar que, através da localização e do processamento de
dados geográficos, integra várias disciplinas, equipamentos, programas, processos,
entidades, dados, metodologias e pessoas para coleta, tratamento, análise e
apresentação de informações associadas a mapas digitais georreferenciados
(ROCHA, 2000). As novas tecnologias de informação e tratamento de dados
espaciais,
assim
como
o
geoprocessamento
tornaram-se
instrumentos
indispensáveis, à medida que facilitam a espacialização da informação, acesso
maior, precisão e velocidade na obtenção e processamento de dados necessários às
análises, possibilitando o maior conhecimento do espaço, da sociedade e das
relações existentes entre ambos, constituindo subsídio indispensável à tomada de
decisões. Essa nova tecnologia muda a forma de coletar, utilizar e disseminar a
informação, permitindo o acompanhamento em tempo real do desenvolvimento de
planos e políticas por meio de imagens de satélite, mapas entre outras diversas
formas (VEIGA e XAVIER DA SILVA, 2004). Através do geoprocessamento, as
particularidades de um local ficam explícitas, possibilitando análises mais concretas
e confiáveis, contribuindo sobremaneira para a elaboração de planos e estratégias
3
necessários à gestão do território e de forma compatível com as características
particulares de cada sociedade e do espaço ocupado e produzido por ela
(FONSECA, 2006).
O conceito moderno de impacto ambiental com base em geoprocessamento
consiste em estabelecer a sensibilidade de cada ponto do território georreferenciado,
diante de uma intervenção humana concreta, e medir o possível impacto ambiental
das diversas atividades implementadas pelo homem (SENDRA, 1992). Devido a
isso, situações de impactos ambientais passaram a ser analisadas de maneira
conjugada às situações de riscos (desmoronamentos, deslizamentos e enchentes,
por exemplo); neste contexto a utilização de modelos digitais do ambiente (os SIG's),
permitindo o mapeamento de áreas de riscos e o seu monitoramento constante, é
uma ferramenta poderosa neste tipo de análise, pois é possível avaliar toda a
vulnerabilidade do local mediante ação humana ou até mesmo diante das mudanças
naturais ocorridas no próprio ambiente.
Contudo, observa-se que a adesão maciça aos recursos tecnológicos
supracitados como fonte principal de confecção de mapas ambientais trouxe aos
produtos oriundos dessas tecnologias produtos que violam um dos princípios
básicos da cartografia: O conceito de Área Mínima Mapeável, o qual determina o
tamanho mínimo que um polígono deve assumir numa determinada escala visando o
aproveitamento do dado que ele representa.
Uma vez que as alterações ambientais se acentuam diariamente e inquietam
tanto a população em geral quanto a comunidade científica internacional, deseja-se
saber com precisão o que deve ser feito para, ao menos, mitigar tais efeitos; em que
espaço de tempo os mesmos acontecerão; além de quais conseqüências a Terra
sofrerá caso não se adote as medidas obtidas como resposta pela comunidade
científica. Essas preocupações, segundo Martinelli (2007) acentuaram-se nos anos
1970, e desde então ocorreram grandes conferências de caráter multilateral sobre
Meio Ambiente dentre elas Estocolmo (1972), Nairobi (1977), Montreal (1988), Rio
de Janeiro (ECO-92), Nova York (RIO+5, 1997), Kyoto (1997) e Johannesburg
(RIO+10, 2002) onde foram debatidos temas como desertificação, alterações
climáticas, biodiversidade, redução de emissão de gases poluentes e diminuição da
camada de ozônio no planeta terra.
No processo investigativo, os Sistemas de Informações Geográficas (SIG)
4
apresentam-se como ferramentas fundamentais, uma vez que os mesmos oferecem
mecanismos para que se retrate o que vem ocorrendo sob alguns aspectos, o que
em alguns casos não é suficiente – uma visão sob todos os fatores envolvidos nesse
processo seria mais adequado.
Ao problema ora citado acrescenta-se o fato de que parte dos pesquisadores
da área se omite diante de algumas regras (convenções) trazidas pela cartografia e
que essas não estão explicitas na maioria dos SIG's disponíveis no mercado. Dentre
essas convenções percebe-se que a Área Mínima Mapeável é pouco considerada,
criando, desta forma, dificuldades para os usuários e pesquisadores que desejam
extrair informações relevantes sobre um determinado mapa.
Ante o exposto pergunta-se: Em que medida os mapas ambientais atualmente
disponíveis observam o Conceito de Área Mínima Mapeável? Diante de mapas
disponíveis apenas em forma de imagem, isto é, sem os arquivos shapes originais
como aplicar esse paradigma à mapas distribuídos sem esse conceito?
1.1 Hipótese
Freqüentemente são produzidos mapas e cartas geográficas com a intenção
de auxiliar a gestão de recursos naturais. A mesmas, construídas sob à luz do
conhecimento trazido pela Cartografia, nem sempre se utilizam dos preceitos e
recomendações trazidos por essa área de conhecimento. Dentre esses conceitos
destaca-se o conceito de Área Mínima Mapeável. Nesse contexto, estima-se que a
construção de uma ferramenta computacional que trate a imagem e forme um shape
que a represente representará uma solução para o problema apresentado.
1.2 Objetivos
1.2.1 Objetivo Geral
Desenvolver um pacote de ferramentas computacionais que analise a
qualidade dos mapas utilizados na Gestão Ambiental sob o aspecto cartográfico da
Área Mínima Mapeável, que recupere a imagem de possíveis ruídos e degradações,
5
caso necessário, proponha um mapa derivado do original refletindo a aplicação
desse conceito, permita a comparação entre os resultados obtidos e proponha uma
versão do mesmo em formato shape.
1.2.2 Objetivos específicos
Desenvolvimento de uma ferramenta computacional livre1 que permita ao
pesquisador processar digitalmente os mapas disponíveis apenas em formato
de imagem (png2, bmp3 e jpg4) e que sobre esse resultado:
Regularize a imagem, através da supressão de cores inseridas na imagem
indevidamente durante sua exportação;
Detecte as áreas presentes na imagem;
Possibilite a detecção das áreas não mapeáveis;
Ofereça a substituição dessas áreas;
Exiba as alterações realizadas na imagem;
Disponibilize histogramas da imagem antes do processamento e após o
mesmo;
Permita a exportação das imagens processadas em formato shapefile
(ESRI, 1998);
Permita a exportação das cores detectadas.
Validar a ferramenta desenvolvida observando seus resultados;
Comparar os resultados obtidos frente ao processamento de mapas através
do Software ArcGis5 e do Spring6.
1 Software que pode ser usado, copiado, estudado, modificado e redistribuído sem restrição. A forma
usual de um software ser distribuído livremente é sendo acompanhado por uma licença de
software livre (como a GPL ou a BSD), e com a disponibilização do seu código-fonte.
2 RFC 2083: Portable Network Graphics: Formato de arquivo criado para armazenar imagens simples
bastante comprimidas de forma portável e com baixo custo de armazenagem.
3 RFC 797: Formato de arquivo criado para armazenar imagens simples (um bit por pixel) num único
arquivo. Também conhecido como Bitmap.
4 RFC 1341: Joint Photographic Expert Group: Padrão desenvolvido para a exibição de imagens na
WEB, está definido num RFC sobre emails do tipo multipart, onde outros formatos também são
comentados.
5 Pacote de aplicativos contendo conjunto de softwares que unidos provêm ao usuário ferramentas
de Mapeamento de áreas, construção de Sistemas de Informações Geográficas,
Georreferenciamentos. Na atualidade é uma das ferramentas de GIS (Geographical Information
Systems) mais utilizadas. Trata-se de uma suite de propriedade da empresa ESRI®.
6 Aplicativo desenvolvido pelo INPE (Instituto Nacional de Pesquisas Espaciais) tem sua
distribuição feita de forma gratuita e permite a construção de Sistemas de Informações
Geográficas, Georreferenciamentos e Mapeamentos de Áreas.
6
2. REVISÃO DE LITERATURA
A revisão de literatura aqui apresentada abarca a questão a Cartografia é
inserida no contexto ambiental, apresentando uma visão multidisciplinar da área
supramencionada. Na continuação o uso de Sistemas de Informações Geográficas é
abordado como uma ferramenta de apoio à Cartografia, e são apresentados alguns
problemas decorrentes do uso dessas ferramentas no mapeamento ambiental. Na
seção seguinte são apresentados soluções em relação à Sistemas de Informações
Ambientais baseados em SIGs. Na subseção 2.3 são apresentados os conceitos do
ramo da Ciência da Computação utilizados nesse trabalho: a Computação Gráfica e
o Processamento Digital de Imagens. Essa seção é finalizada estabelecendo-se a
correlação entre o Conceito de Área Mínima Mapeável e a computação envolvida
para a garantia desse conceito em mapas e cartas geográficas produzidos por
Sistemas de Informações Geográficos.
2.1 Cartografia
Segundo Duarte (2006), cartografia é um conjunto de estudos e operações
científicas, artísticas e técnicas, baseado nos resultados de observações diretas ou
de análise de documentação, que objetivam elaborar e preparar cartas, planos, e
outras formas de expressão e utilização. Essa ciência continua em constante
evolução e estima-se que esse misto de arte e ciência é anterior inclusive à escrita
humana (Fitz, 2000). Muito abrangente, a cartografia contém várias classificações,
dentre as quais a Cartografia Temática que tem seu foco no planejamento, execução
e impressão de mapas. Fitz (2000) enfatiza alguns preceitos que devem ser
destacados para a obtenção de resultados satisfatórios, na atividade de confecção
de mapas:
•
Presença de Título de forma precisa e concisa;
•
Convenções utilizadas;
•
Origem de dados;
•
Referências;
7
•
Indicação de Norte;
•
Escala;
•
Sistema de Projeção utilizado, e;
•
Sistema de coordenadas utilizado.
Para a confecção dos mapas, é necessário que algumas convenções sejam
seguidas com o intuito de permitir ao mesmo clareza, correção e informação.
Fitz(2000) e Duarte (2006), informam que o uso de legendas em cores
diferenciáveis, devem prover a imediata compreensão dos dados ali descritos. A
seguir esses autores enfatizam que o tamanho dos elementos ali representados
deve manter uma proporção com a escala sob pena de tornar-se ilegível ou ainda
dificultar a compreensão de outros elementos.
Karnaukhova & Loch (2005) alertam que o cartógrafo deve atentar para
problemas decorrentes não apenas do processo de fabricação dos mapas mas
também para a padronização dos métodos de coleta e processamento dos dados
destinados ao mapeamento, das possibilidade desses mapas serem utilizados com
múltiplos propósitos, para o surgimento de novas tecnologias e métodos de
confecção, e disseminação das metodologias de uso e análise dos dados buscando
evitar erros interpretativos por seus futuros usuários.
O mais recente ciclo de evolução da Cartografia foi nomeado CAC
(Cartografia Assistida por Computador). Trata-se de um avanço obtido a partir dos
sistemas CAD (Projeto Assistido por Computador – Computer Aided Design) que por
sua vez disponibilizam programas de computador capazes de confeccionar mapas e
cartas geográficas. Fitz (2000) e Duarte (2006) descrevem a estrutura e o
funcionamento desses dispositivos e softwares.
É
importante
ressaltar
a
forma
como
essas
imagens
podem
ser
representadas. Fitz(2000) apresenta as estruturas Matricial e Vetorial, onde a
primeira representa os dados através de uma matriz n x m, onde N corresponde ao
número de linhas e M o número de colunas (tal qual imagens de propósito geral), as
segundas, por sua vez, representam os dados em forma de pontos, linhas e
polígonos (tal qual o padrão shapefile).
Na próxima seção são detalhadas algumas relações importantes entre a
Cartografia e os Sistemas de Informações Geográficas.
8
2.1.1 A Cartografia presente nos Sistemas de Informações Geográficas.
A questão ambiental requer um trabalho interdisciplinar para que sua
compreensão seja completa. O documento de Parâmetros Curriculares Nacionais
para a Geografia (1998) sentencia que os estudos mais detalhados das grandes
questões de Meio Ambiente, requerem apoio da cartografia na busca pela
especialização dos fenômenos geográficos. Bernaski & Watzlawick (2007) ressaltam
que sob essa óptica a Cartografia deve objetivar retratar a realidade em que o
homem vive, utilizando os mapas enquanto instrumento de representação.
Bernaski (2004) cita que as últimas décadas trouxeram um novo horizonte à
cartografia graças ao advento à fotogrametria, SIG e do sensoriamento remoto
suportados pelo maciço apoio computacional. Martinelli (2003) ressalta à seguir que
o advento dessas novas tecnologias trouxeram à cartografia a exploração de novas
operações de multimídia com grande aplicação educacional. Ao final ele acentua: “a
cartografia está se tornando um grande Sistema de Informação Geográfica”.
Silva (2004) estabelece a relação existente entre a cartografia e o meio
ambiente como sendo a expressão pura e simples da ecologia, pois permite ações
técnicas
precisas,
materializadas
na
superfície
terrestre
e
por
meio
de
representações gráficas, a demarcação, o monitoramento e proteção dos
ecossistemas e seus respectivos povos através de seus métodos. Silva & Telles
(2002) fortificam essa relação relatando a necessidade de conhecimento espacial do
local onde se deseja estudar e que a cartografia assume o papel de revelar o
conhecimento necessário. Martinelli (1994) ilustra a necessidade de um tratamento
diferenciado à cartografia ambiental afirmando que a mesma deve possuir um
caráter mais que meramente ilustrativo, permitindo a percepção de fatores
embutidos no mapeamento sem ambigüidades, dirigindo assim, o trabalho científico
de forma “abrangente, esclarecedora e crítica”.
Caracristi (2003), no entanto, alerta para duas situações normalmente pouco
observadas na confecção e interpretação de mapas: a primeira se trata da
representação gráfica mais adequada para esse contexto e a segunda relata o
caráter monossêmico7 que cada objeto deve representar no mapa final e que a
7
Aqui o conceito de monossemia é empregado no sentido do mapa apresentar um único
significado
9
polissemia8 presente no mapa não deve provocar dúvidas quanto à quais objetos
estão ali representados. Salichtchev (1977 apud Caracristi 2003) apresenta um fluxo
de processos envolvidos na confecção e interpretação dos mapas em geral.
Lima & Martinelli (2008) ressaltam alguns cuidados que devem ser
considerados na construção de um mapa sob pena de má interpretação do mesmo.
Destaca-se aqui a preocupação com o uso de uma escala que de fato reflita a
situação que se deseja mapear e que ao mesmo tempo não comprometa a
compreensão do mapa produzido ao compará-lo com outros já disponíveis e não
insira objetos que não contenham um tamanho mínimo que garanta sua presença
naquela representação.
2.1.2 Escala
Fitz (2000) conceitua escala como sendo a relação existente entre as
medidas lineares existentes num mapa e àquelas existentes no terreno ali
representado. Em geral, as escalas são representadas de forma numérica, gráfica
ou nominal. Durante esse trabalho, para efeito de correto entendimento, considere
que o uso do termo escala refere-se apenas ao tipo numérico. Ao final desse
expediente o autor ainda destaca a importância da escala na admissão de erros (de
posicionamento de objetos) concernentes ao mapeamento os quais não devem
ultrapassar 0,1 mm. Para efeito de esclarecimento, numa escala de 1:1.000.000 um
erro dessa magnitude representaria na realidade uma distorção de 10 metros do
local mapeado.
Duarte (2006) acentua que a escala permite o mapeamento de grandes áreas
sem que o mapa final tenha suas formas originais afetadas esclarecendo qual a
relação matemática existente entre o real e o cartografado uma vez que a mesma
informa o número de reduções que o mesmo sofreu. Ele ressalta a seguir que a
escala define a resolução do mapa, isto é, quanto de fidelidade métrica está ali
representado.
A oportunidade de discutir monitoramento ambiental com auxílio da cartografia
8
Nesse ponto o conceito de polissemia é empregado no sentido de que as interpretações do mapa
não devem ser restringidas e a representação (linguagem) deve cuidar disso.
10
e seus princípios, como a escala, traz à tona a necessidade de discussão sobre qual
o tamanho mínimo de uma área para que ela esteja presente num determinado
mapa. É daí que o conceito de Área Mínima Mapeável vem à tona.
2.1.3 Área Mínima Mapeável
O conceito de Área Mínima Mapeável associado à cartografia define o
tamanho da área que um determinado objeto deve conter para que seja
representado num mapa ou carta geográfica. A noção de área entende-se como o
conjunto de pixels contínuos em uma imagem. Streck et al. (2002); Dent & Young
(1981) definem como sendo 0,4 cm2 o tamanho mínimo de uma área a ser
apresentada num mapa temático de solos considerando uma escala de 1:10.000 .
Martinelli (1994) informa que a escala e a Área Mínima Mapeável por
conseguinte, devem obedecer à uma dimensão que atenda aos objetivos do que se
deseja estudar e mapear. Por fim é salutar destacar que a depender da escala
utilizada o tamanho da Área Mapeável define o tamanho do erro aceitável num
mapeamento.
Suponha-se que se dispõe de um mapa com escala de 1:10.000 (1 cm para
cada 100 m) e admite-se 0,4 cm2 como Área Mínima Mapeável. A implicação direta é
que áreas com tamanho menor que 40m2 deixarão de ser representadas no mapa
em questão. A pergunta que sucede a essa conclusão é: ganha-se em diminuir a
poluição visual do mapa extraindo-se do mesmo áreas menores que 0,4 cm2 ou
perde-se em deixar-se de representar áreas com tamanhos de até 39,9 m2 ? Ou
seja, esse conceito acentua a necessidade de reflexões quanto ao processo de
representação de fenômenos e estados num mapa, uma vez que informações
importantes podem ser deixadas de lado por conta de uma escala inadequada assim
como informações irrelevantes podem contribuir com a poluição visual do mesmo.
Martinelli (2002) acentua a necessidade de prudência nas iniciativas de
mapeamento observando-se a adequação e aplicabilidade da escala frente ao
fenômeno ou estado que se deseja demonstrar cartograficamente. A seguir ele
11
sentencia que pela natural complexidade presente nos mapas ambientais o mesmo
não deve apresentar um emaranhado de informações superpostas, mas apresentar
uma síntese clara e cristalina de um determinado aspecto.
Como se percebe até este ponto, a cartografia recebeu nova roupagem a
partir da adesão dos Sistemas de Informações Geográficas. Isso se deveu, dentre
outras coisas, pela aplicação de métodos trazidos à luz pelo Processamento Digital
de Imagens em tais ferramentas o que significou um novo horizonte para os
mapeamentos disponíveis apenas em papel impresso.
2.2 Processamento Digital de Imagens
O Processamento Digital de Imagens (PDI) é a área da computação destinada
à manipular numericamente imagens digitais. Ela permite desde o simples realce de
cores à correção de imagens deterioradas pela ação do tempo (desde que
digitalizadas) passando pela retirada de ruídos e pontos indesejáveis nas mesmas. A
seguir são apresentadas algumas ferramentas disponibilizadas pelo PDI e utilizadas
no decorrer do trabalho que se segue.
Gonzales e Woods (2000) caracterizam uma imagem como uma função F de
intensidade luminosa bidimensional denotada por F(x,y), onde o valor de F nas
coordenadas espaciais (x,y) informa a intensidade de brilho da imagem no referido
ponto.
Já Gomes & Velho (2002) apresentam a imagem como sendo um sinal
bidimensional representável tanto em forma discreta (matriz), quanto em forma
simbólica (como um conjunto ou ainda um vetor de pontos) e a definem como uma
função I:
I: U → C
onde U∈R 3 é uma superfície e C é um Espaço Vetorial. Normalmente U é um
subconjunto plano e C um espaço de cor.
12
2.2.1 Discretização de cores ou Quantização
Grande parte dos processos utilizados pelo PDI necessitam do uso da
quantização de cores como entrada dos dados a serem processados. Segundo
Gonzalez & Woods (2000) quantizar imagens é o ato de transformar uma imagem
numa matriz de cores onde uma imagem contínua f(x,y) é aproximada por amostras
igualmente espaçadas, arranjadas na forma de uma matriz Mnxo tais que cada
elemento Mi,j representa a cor representada naquele determinado ponto (i,j) da
imagem.
Tais cores definidas no conjunto C devem representar um numero inteiro
compreendido entre 0 e 255 se a imagem for representada em 8 bits e em escala de
tons de cinza ou em uma função (R,G,B) tal que "R" represente a escala de
vermelho, "G" a escala de verde e "B" a escala de azul. Esse processo de
representação dá-se o nome de Sistema RGB (Red, Green, Blue).
A noção de imagem, independente de sua representação, denota a
compreensão visual da mesma e daí surge a necessidade um novo conceito que
represente a relação entre os pontos ali presentes. Nesse contexto apresenta-se à
seguir o conceito de Vizinhança.
2.2.2 Vizinhança e Adjacência
Seja p um pixel nas coordenadas (i,j) define-se como vizinhança a
continuidade de cor entre pixels tais que os pixels localizados na próxima linha (i) ou
coluna (j) da representação matricial da imagem contém a mesma cor do pixel atual,
obedecendo a classificação a seguir (Russ,1992):
(1) Se pij é vizinho 4 conectado do pixel p'ij então p'ij é p(i+1,j) ou p(i-1,j) ou p(i, j-1) ou
p(i,j+1);
(2) Se pij é vizinho diagonal conectado do do pixel p'ij então p'ij é (i+1,j+1) ou p(i+1, j-1)
ou ou p(i-1,j+1) ou p(i-1,j-1);
(3) Se pij é vizinho 8 conectado do do pixel p'ij então p'ij é atende à relação I ou à relação
II.
13
Figura 1– (1) Exemplo de 4 Vizinhança
Figura 2 – (2) Exemplo de vizinhança diagonal
Figura 3 – (3) Exemplo de 8 vizinhança
Ao conceito de vizinhança adicione-se o conceito de adjacência, uma vez que
os mesmos são complementares no entendimento do conceito de conectividade
entre objetos de uma imagem. Nunes (2006) define adjacência como a presença de
áreas vizinhas que compartilham um mesmo vértice ou uma borda. No primeiro caso
nomeia-se esse fato como adjacência por vértice (ou 8-vizinhança) já na segunda
situação a classificação adequada é a de adjacência por borda (ou 4-vizinhança).
Uma vez obtido o entendimento sobre como os pixels relacionam-se numa
imagem é necessária a compreensão das transformações algébricas que uma
imagem pode sofrer. A essas transformações algébricas oriundas da transformação
de um espaço em outro dá-se o nome de convolução. A seguir são apresentadas
duas convoluções que atuam diretamente no processo de confecção e exportação
de imagens: a Compressão e a descompressão de Imagens.
14
2.2.4 Compressão e Descompressão de Imagens
A compressão de imagens é um processo que objetiva a diminuição da
quantidade de dados que representem a imagem digital (Gonzalez e Wood, 2002).
Esse conceito leva em consideração os níveis de redundância presentes numa
imagem, isto é, informações que estavam presentes em algum local da mesma e
cuja representação (para fins de armazenamento) não era mais necessária.
A necessidade de diminuição de tais níveis de redundância resultou em
estudos na área nos últimos 25 anos dos quais resultaram na disponibilidade de
diversos algoritmos como o Huffman, LZW e JPEG.
Gonzalez e Wood (2002) classificam esses algoritmos como extratores de
redundância de códigos, de redundância interpixel, de redundância psicovisual e de
critério visual. Para maiores detalhes sobre cada um deles recomenda-se acesso à
literatura supracitada. Vale ressaltar que o algoritmo escolhido infere em perdas de
definição, ou não da imagem, e que àqueles que conseguem níveis maiores de
compressão inevitavelmente resultam em perda de dados. A seguir é discutida uma
técnica utilizada no processo de recuperação de imagens comprimidas com
degradação: a detecção e substituição de bordas.
2.2.5 Detecção de bordas
O processo de interpretação (ou análise) de imagens envolve o conceito de
detecção de descontinuidades de cores. Esse processo se inicia com a
segmentação da imagem, onde o objetivo é identificar e separar determinadas
regiões de uma imagem e a partir daí decidir o que deve ser feito para que as
mesmas sejam absorvidas pelas áreas desejadas. Essas bordas, segundo Gonzalez
e Wood (2002) podem ser detectadas de duas formas: caracterizado a
descontinuidade ou caracterizado a similaridade.
O processo de detecção pela descontinuidade leva em conta a diferença no
RGB existente entre os pixels encontrados entre os lados opostos de duas regiões
fronteiriças. Gonzalez e Wood (2002) informam que a aplicação de um operador
Gradiente ou Laplaciano distinguem suficientemente as bordas e as regiões
15
fronteiriças.
Dentre o pacote tecnológico trazido pelo Processamento Digital de Imagens,
alguns se destacam como ferramentas utilizadas pelos Sistemas de Informações
Geográficas como os ajustes de contrastes, rotação de imagens, filtros de passa alta
e passa baixas, transformadas laplacianas e gausianas, correção geométrica de
imagem, equalização de histogramas, etc. CROSTA(1999) dedicou essa obra para a
demonstração
dos
métodos
citados
no
Sensoriamento
Remoto
e
Geoprocessamento. Florenzano (2007) e Novo (1998) também apresentam alguns
aspectos sobre a aplicação de Processamento Digital de Imagens e o
Geoprocessamento.
16
3. METODOLOGIA
Essa seção dedica-se ao esclarecimento dos passos executados para atingir
os objetivos desse projeto. A seguir são detalhados em cada subseção a
metodologia empregada para tal. Vale ressaltar que o software proposto por esse
trabalho não reclassificará as imagens em seu processo de execução, mas proporá
uma nova distribuição espacial das mesmas tendo como base o conceito de Area
Mínima Mapeável assim como corrigirá as imagens degradadas e proporá a
exportação dessas imagens para o formato shapefile.
3.1 Desenvolvimento do software
Inicialmente foi feito um levantamento de quais as funcionalidades deveriam
estar presentes nesse software. A Figura 4 (fluxograma abaixo) permite uma rápida
visualização de qual a sequência de processamento a ser utilizada no programa
após sua conclusão.
Definição de cores reais
Remoção de cores oriundas do
processo de compressão da imagem
Formação de áreas
Detecção de Contornos
Aplicação do conceito de Área Mínima Mapeável
Formação dos Histogramas da Imagem
Extração do arquivo Shape
Figura 4 - Fluxograma de Execução do Projeto
17
Partindo-se desse levantamento será produzido um Diagrama de Classes9
utilizando a linguagem de modelagem UML. Feito isso tratou-se de definir em qual
linguagem o software seria desenvolvido e em qual ambiente. Optou-se por
desenvolvê-lo em Java10 porque contém o ferramental necessário para o
desenvolvimento da aplicação, tem foco na orientação à objetos (utilizada na
modelagem) e possui características que favorecerem a divulgação dos resultados,
assim como a continuidade do projeto. Já a IDE11 adotada foi o Eclipse12, devido à
praticidade de uso da mesma e à abundância de plugins que aceleram o trabalho de
codificação de softwares.
O processo de desenvolvimento a ser utilizado foi produzido através de uma
customização do processo unificado e divide-se nas fases de Concepção (onde o
produto foi definido), Elaboração (onde a proposta foi analisada e projetada),
Construção (onde o software foi codificado) e Transição (onde o software produzido
será testado).
3.2 Definição de cores reais
Inicialmente o Easy AMM solicitará que o usuário carregue o arquivo em
formato de imagem antes de realizar qualquer processamento. Feito isso essa
ferramenta identificará quais as cores reais presentes no mapa em questão através
da leitura de sua legenda. Assim, solicitará ao usuário que escolha, para cada
legenda, um ponto no retângulo onde a mesma está contida e a partir daí a
ferramenta irá detectar cada cor associada. Isso poderá ser feito de duas
abordagens, configuráveis através da própria ferramenta:
A) A abordagem será através da detecção do ponto central de cada legenda.
Nessa opção a ferramenta buscará através do ponto passado como parâmetro
através do clique do mouse onde se encontram os vértices que formam o retângulo
que define a legenda. Isso se dará através da comparação da cor encontrada no
9 Diagrama da UML que explicita quais classes farão parte do sistema em desenvolvimento e para
cada uma é demonstrado quais os atributos e métodos contidos na mesma.
10 Linguagem Orientada à Objetos cujos direitos de uso estão vinculados à SUN: http://java.sun.com
11 Integrated Development Enviroment: Interface de Desenvolvimento Integrada, a ferramenta
utilizado para a programação e geração dos executáveis.
12 Eclipse IDE for Java and Report Developers - Build id: 20090619-0625
18
ponto passado como parâmetro e as demais vizinhas, buscando a transição para a
cor branca (onde os espectros R, G e B serão seguramente maiores que 250), pois
nessa região se encontrará um limitante para essa legenda (Xmin, Ymin, Xmax, Ymax). A
figura abaixo ilustra essa tarefa. Feito isso será calculado o ponto central da legenda
(Xpc, Ypc) sendo:
Figura 5 - Identificação dos pontos de uma legenda
Assumindo-se a cor desse ponto como sendo a cor original da legenda.
B) A abordagem será através da Moda através de uma Semente de
Crescimento partindo-se do ponto passado como parâmetro. Essa semente
percorrerá a legenda usando o algoritmo de 4-vizinhança seguindo a seguinte lógica
de crescimento: Dado um ponto Px,y, ela cresce para a direita se Px+1,y tem a mesma
cor que P ou está dentro de um grau de tolerância permitido (1% de variação, por
exemplo). O mesmo acontece com o crescimento para:
•
A esquerda onde Px-1,y ou tem a mesma cor que Px,y ou está dentro da
tolerância;
•
Acima onde Px,y+1 ou tem a mesma cor que Px,y ou está dentro da tolerância,
e;
•
Abaixo onde Px,y-1 ou tem a mesma cor que Px,y ou está dentro da tolerância.
Essa semente cresce recursivamente, isto é, após um teste positivo, o
método é novamente invocado tendo como ponto central o ponto cuja comparação
de cor retornou verdadeira (satisfatória).
A figura 6 ilustra como funcionará o algoritmo da semente de crescimento,
19
onde partindo-se do ponto "P" são analisados, em seguida, os pontos que formam a
4-vizinhança (Px,y-1, Px-1,y, Px+1,y, Px,y+1 – pixels destacados pela cor vermelha). Na
segunda interação, o ponto de partida será "Px,y-1", onde novamente é aplicado o
conceito de 4-vizinhança, dessa vez os pontos analizados são (P'x,y-1, P'x-1,y, P'x+1,y,
P'x,y+1 – pixels marcados com a cor verde), sendo P' o ponto Px,y-1.
Figura 6 - Primeira e Segunda interação do método do crescimento por semente
Gonzalez e Woods (op. sup. cit.) definem esse algoritmo como sendo um
procedimento que agrupa pixels ou sub-regiões em regiões maiores, partindo-se do
princípio da agregação de pixels com características similares (cores).
Em ambos os casos, após esse processamento será formado uma lista de
cores reais, armazenadas num objeto do tipo ArrayList do tipo Cor que será utilizado
na comparação com o mapa obtido e que de antemão já conterá as cores preta e
branca por se tratarem de cores escolhidas como cores de fundo do mapa e das
informações textuais, respectivamente.
Para o teste dessa função, a Figura 7 (desde a até f), será processada
individualmente pela ferramenta EASY AMM, onde a mesma irá detectar a cor
20
através do método supramencionado e exibi-la como fundo de uma janela de aviso
contendo os espectros da cor tanto em padrão HSV, quanto RGB. A eficácia da
ferramenta será comprovada demonstrando a proximidade entre as cores
detectadas entre as diferentes figuras processadas.
(a)
(b)
(d)
(c)
(e)
(f)
Figura 7 - Imagens padrões utilizadas para testes do EASY AMM apresentando diferentes niveis de
degradação.
a) Padrão1: imagem sem degradação; b)Padrão2: Variação do padrão1 aplicando um filtro BlurGaussiano de 1 pixel no Photoshop, deixando intacta a zona da legenda; c) Padrão3: Imagem similar
ao padrão2 onde a legenda também foi alterada; d) Padrão4: Resultante de aplicar um filtro blur-more
no photoshop, a imagem tem uma suavização maior que o Blur-Gaussiano; e) Padrão 5: Variação do
padrão1 adicionando um ruído formado por cores de até 1% do valor real em toda a imagem; f)
Padrão6: Resultante da aplicação de um blur-Gaussiano no padrão 5, imagem com maior grau de
degradação.
3.3 Remoção de cores oriundas de processos de compressão da imagem
Essa funcionalidade será implementada tendo como ponto de partida a matriz
de cores original do mapa carregado pelo EASY AMM e a Lista de cores produzida
através da análise da legenda.
A ferramenta a ser desenvolvida irá comparar pixel por pixel contido na matriz
de cores com a lista obtida através da legenda. Uma vez que o pixel contenha uma
das cores trazida pela Lista de cores, sua coloração é mantida, caso contrário será
adotado um método para que se consiga definir qual cor deu origem à cor
degradada. O EASY AMM possuirá três métodos a serem utilizados nesse cálculo os
quais são descritos a seguir e que no uso do software deverá ser configurada a
opção preferida pelo usuário desse produto:
A) Método Linear: Essa abordagem faz a comparação para cada pixel
21
considerando a cor como o valor expresso em formato de milhões de cores, onde
um único número inteiro que varia entre 0 e 16777215 a representa no espectro.
Esse número será extraído no formato RGB e transformado através da função de
transformação explicada em [III]:
C = HR ∗ 2 20 + LR ∗ 216 + HG ∗ 212 + LG ∗ 2 8 + HB ∗ 2 4 + LB ∗ 2 0
[III]
sendo:
•
C a cor representada num número inteiro;
•
HR os bits mais significativos da variável R;
•
LR os bits menos significativos da variável R;
•
HG os bits mais significativos da variável G;
•
LG os bits menos significativos da variável G;
•
HB os bits mais significativos da variável B, e;
•
LB os bits menos significativos da variável B.
Como resultado será retornada a cor cuja diferença entre o pixel comparado e
as cores presentes na lista de cores reais for menor.
B) Método Manhattan: Essa abordagem faz a comparação para cada pixel
levando em conta a soma do módulo da diferença de cada espectro formador do
sistema de cores adotado – Ângulo, Saturação e Intensidade (HSI); Vermelho, Verde
e Azul (RGB), ou; Ângulo, Saturação e Valor (HSV). Supondo que é necessária a
comparação de uma cor C1 e outra C2. Por esse método o cálculo se dá através das
funções [IV] (para HSV), [V] (para HSI) e [VI] (para RGB):
DHSV = | C1H – C2H| + |C1S – C2S| + |C1V – C2V|
[IV]
DHSI = | C1H – C2H| + |C1S – C2S| + |C1I – C2I|
[V]
DRGB = | C1R – C2R| + |C1G – C2G| + |C1B – C2B|
[VI]
Assim como no método anterior, a cor eleita para substituição será aquela que
apresentar a diferença.
C) Método Euclidiano: Essa abordagem faz a comparação para cada pixel
22
levando em conta a raiz quadrada da soma da diferença ao quadrado de cada
espectro formador do sistema de cores adotado – Ângulo, Saturação e Intensidade
(HSI – mostrada na função VII); Vermelho, Verde e Azul (RGB – mostrada na função
VIII), ou; Ângulo, Saturação e Valor (HSV – mostrada na função IX). Supondo que é
necessária a comparação de uma cor C1 e outra C2. Por esse método o cálculo se
dá por:
DHSI =
[VIII]
DHSV =
[VIII]
DRGB =
[IX]
Assim como no método anterior, a cor eleita para substituição será aquela que
apresentar a diferença.
Para a avaliação desse método, serão aplicadas as imagens constantes na
Figura 7, individualmente, e solicitada a remoção das cores não-reais. Após esse
processamento, será feita uma comparação entre a imagem original e a imagem
processada, com auxílio do Adobe Photoshop®, através do cálculo de distância de
cores, pixel por pixel, e ao final será produzida uma imagem onde cada pixel
diferente será representado na cor preta e os pixels de mesma cor em branco,
facilitando, assim, a visualização das diferenças.
3.4 Formação de áreas
23
Após a substituição das cores degradadas por suas respectivas cores reais, é
necessário construir conjuntos de pontos (Área) que contenham entre si cores em
comum e que possua ao menos um vizinho dentro do grupo, considerando o
aspecto de 8-vizinhança. Essas áreas possuirão, além do conjunto de pontos que a
formarão, outra lista de pontos (todos contidos no conjunto anterior) que representa
os contornos da área e como último atributo, cada área terá um vetor de inteiros de
tamanho quatro que conterá os vértices do quadrilátero que contém a área em
processamento.
Essas áreas formarão ao final um conjunto de áreas armazenadas num
ArrayList do tipo Area e representará a totalidade da imagem organizada nesses
agrupamentos.
3.4.1 Detecção de contornos
A função de detecção de contornos será de extrema importância, uma vez
que a mesma deverá ser consideravelmente utilizada no processo de substituição de
áreas. Para isso será construído um método que avalie, ponto por ponto, se o ponto
analisado tem algum vizinho que possua a uma cor diferente da sua (8-vizinhança).
Esses pontos serão agrupados no ArrayList<Cor> nomeado de contorno que indica
quais pontos da área fazem parte de sua região de fronteira.
A Figura 8, ilustra uma área formada por pixels de cores muito parecidas entre
si. Para a diferenciação das mesmas foram inseridas legendas, representadas por
letras do alfabeto onde a letra “F” representa um pixels que compõe uma região de
fronteira, isto é, fora da área identificada pelo programa, a letra “C” representa um
pixel que compõe o contorno da área processada e a letra “A” corresponde aos
pixels que compõem a parte interna da área visualizada. Dessa forma, tanto os
pixels rotulados como “A” ou como “C” fazem parte da Lista de Pixels que compõem
a área em questão, enquanto apenas os pixels rotulados como “C” fazem parte do
contorno da mesma.
A detecção desse contorno se faz necessária porque durante os processos de
formação de áreas e aplicação de AMM será necessário comparar áreas entre si,
pixel por pixel, para que se detecte a vizinhança entre as mesmas. A separação dos
pixels numa lista de pontos que fazem parte do contorno da referida área, reduz a
24
quantidade de interações necessárias, uma vez que os pixels que não fazem parte
das áreas de contorno não serão considerados.
Figura 8 - Identificação de Regiões fronteiriças (F), de Contorno (C) e outros pixels de uma área
3.4.2 Detecção das arestas do quadrilátero que contém a área formada
Os resultados produzidos pela função de detecção das arestas do
quadrilátero que contém a área formada será efetivamente utilizada durante a
exportação da imagem processada para o formato shapefile, uma vez que o shape
produzido necessita das arestas desse polígono para sua orientação. Essa função
trabalha partindo do contorno produzido, e deste extrai os pontos onde X tem o
menor e o maior valor assim como os valores máximo e mínimo de Y.
A Figura 9 representa o processo de detecção do quadrilátero onde está
inscrita a área em questão. Nele, as arestas representarão os valores máximo e
mínimo que X e Y poderão assumir. Na Figura 9, o X mínimo, estará no pixel
rotulado por 26, assim como o Y mínimo. Já o X máximo está sob o pixel rotulado
como 29 enquanto o Y máximo é representado por 8.
25
Figura 9 - Exemplo de detecção das arestas do quadrilátero,
onde Xmin = 26, Xmax = 29, Ymin = 26 e Ymax = 8.
Assuma-se para isso que cada quadrante represente 1 pixel.
3.5 Aplicação do Conceito de Área Mínima Mapeável
A aplicação do conceito de Área Mínima Mapeável depende da formação do
valor mínimo dessa área. O EASY AMM apresentará três formas desse valor ser
utilizado:
A) Por propriedade: Nessa opção o valor referência para o cálculo será
definido via tela de configuração e responderá a um número fixo de pixels contínuos
a serem buscados na lista de áreas, independentemente da escala utilizada no
mapeamento.
B) Por Solicitação: Nessa opção o valor referência para o cálculo será
perguntado ao usuário e assim como o anterior responderá a um número fixo de
pixels contínuos a serem buscados na lista de áreas, considerando ou não a escala
utilizada no mapeamento, uma vez que não se pode controlar a vontade expressa
pelo usuário ao informar o tamanho exceto no tocante ao fornecimento de
26
quantidades inferiores a 0.
C) Por Cálculo: Nessa opção será perguntada a escala em que foi realizado o
mapeamento e a partir disso, do tamanho da imagem e da resolução da tela
projetada será calculado o tamanho ideal que esse valor deverá assumir.
Uma vez conhecido o valor mínimo para a composição da área no
mapeamento final, será feita uma análise de cada área buscando aquelas que
deverão ser suprimidas da imagem e a partir daí ter a cor dos seus pontos
modificadas de acordo com a área que irá aglutiná-los. A análise das áreas a serem
removidas pode ser definida pela equação abaixo:
R = O − E ∋ Etam < min ∧ E ⊆ O
[X]
Sendo que:
•
R representa o espaço vetorial resultante da transformação linear;
•
O representa o espaço vetorial original;
•
E representa os espaços vetoriais a serem excluídos;
•
Etam representa o tamanho de cada espaço vetorial, e;
•
min representa o tamanho da Área Mínima Mapeável.
Dessa forma, resumidamente, a equação [X] demonstra que serão analisadas
todas as áreas da imagem em processamento e àquelas cujo tamanho forem
menores que o mínimo mapeável serão retiradas do mapeamento, sendo absorvidas
por outras áreas que se situam ao seu redor.
Após a separação das áreas a serem suprimidas, cabe avaliar qual a área
que irá absorver cada uma. Para a escolha das áreas substitutas, estão à disposição
três métodos, a saber:
A) Maior Tamanho: Através dessa técnica o EASY AMM selecionará as
regiões adjacentes candidatas a receber os pontos da região a ser removida. Feita
essa seleção aquela área adjacente que apresentar o maior tamanho, isto é a maior
quantidade de pontos, será a região eleita. Dessa formar todos os pontos da região
removida receberão a cor da região eleita para absorção.
B) Maior Fronteira: Através dessa técnica o EASY AMM selecionará as
regiões adjacentes candidatas a receber os pontos da região a ser removida. Feita
27
essa seleção aquela que apresentar a maior fronteira, isto é a maior quantidade de
pontos fronteiriços contínuos, será a região eleita. Dessa formar todos os pontos da
região removida receberão a cor da região eleita para absorção.
C) Máscara Quadrática: Através dessa técnica o EASY AMM formará
mascaras cujo tamanho será definido pelo usuário do sistema e que tenham como
ponto central cada ponto da área a ser removida. O efeito produzido será a
distribuição equitativa por cada área fronteiriça, obedecendo o critério de densidade
de pixels nas áreas de vizinhança com a com a região removida. Para isso utilizouse uma máscara n x n que obedece a fórmula expressa abaixo e remove os pixels
supramencionados. A aresta da máscara utilizada estará definida no EASY AMM
através do menu de configuração do sistema na seção “Outras Opções”. A equação
[XI] demonstra essa operação.
Mo = MAX(ς i )∀Aij
[XI]
sendo:
•
Mo a moda;
•
MAX o maior valor de um conjunto;
•
ς
•
Aij a matriz nxn.
a quantidade de vezes em que se repete o valor i, e;
Dessa forma a equação [XI], representa o cálculo da Moda Estatística, dada a
mascara quadrática de tamanho nxn tendo como centro o pixel a ser removido (P) e
como vizinhos considerados todos os pixels com coordenadas compreendidas entre
Px-
, y-
e P x+
, y+
.
A avaliação desse método, será feita de duas formas. A primeira considerará
duas imagens contendo apenas duas cores desenvolvidas para a execução desse
teste, sendo a primeira repleta de figuras geométricas (Figura 10) e de tamanho
conhecido através do software GelAnalisis (Milian, 2006) e a segunda formada por
um conjunto de figuras de formas irregulares (Figura 11) mas também com tamanho
conhecido os quais foram obtidos através do uso do GelAnalisis sendo que ambas
28
foram preenchidas utilizando apenas duas cores. Diante dessas serão apresentados
ao menos 5 valores distintos a serem considerados como AMM para cada uma, e a
partir daí serão apresentadas as figuras contendo as regiões a serem removidas em
cor amarela.
Figura 10– Imagens Geométricas de Tamanho
Figura 11 - Imagens Irregulares de Tamanho conhecido
Já a segunda forma, aplicará as imagens constantes na Figura 7 (que simulam
um mapa), individualmente, e solicitará a remoção das áreas que não contém a
quantidade mínima de pixels contínuos para permanecerem no resultado do
processamento. Após esse processamento, será feita uma comparação entre a
imagem original e a imagem processada, com auxílio do Adobe Photoshop®, através
do cálculo de distância de cores, pixel por pixel, e ao final será produzida uma
imagem onde cada pixel representará, em escala de tons de cinza, a diferença entre
as cores originais e as cores processadas, a seguir será apresentando o negativo da
imagem, facilitando, assim, a visualização das diferenças, pois onde não houver
diferença será plotado o pixel branco e onde houver a máxima diferença o pixel
assumirá a cor negra. Vale ressaltar que essas imagens serão utilizadas para avaliar
a eficácia da ferramenta em conjunto.
29
3.5.1 Exportação de Imagem com realce
Esse método permitirá explicitar com clareza, quais as áreas substituídas
nesse processo, formando uma nova imagem, a partir da anterior, contendo as áreas
removidas em cor negra. Para tanto, será criado uma matriz de pixels auxiliar onde
as áreas a serem removidas receberão a cor 0 (negra) e após isso a imagem será
formada e salva no diretório de salvamento indicado pelas configurações do EASY
AMM. Para a continuidade do processamento dessa imagem, essa matriz
modificada será desconsiderada.
3.6 Formação dos histogramas das imagens
O EASY AMM conterá entre suas ferramentas, a extração dos histogramas de
cores da imagem tanto antes quanto após o processamento da mesma. Essa
funcionalidade permitirá ao usuário a confirmação de que o espectro de cores da
imagem original foi alterado de tal forma que isso se perceba na formação dos
histogramas e em sua quantidade de cores.
Essa funcionalidade considerará a matriz de pixels apresentada na imagem
processada e a partir dela, quantificará a ocorrência de cada uma das cores
encontradas, retornando ao final um gráfico em barras verticais contendo a cor
encontrada e sua ocorrência.
3.7 Extração do shapefile oriundo da imagem processada
Uma vez processada e submetida ao conceito da Área Mínima Mapeável, a
imagem poderá ser transformada num conjunto de arquivos do tipo shapefile (.shp,
.shx, .dbf).
Isso ocorrerá através da exportação de um conjunto de MultiPoints a partir
das áreas formadas anteriormente. Feita essa exportação, esses arquivos estarão
aptos a serem importados em projetos de SIGs que suportem arquivos do tipo
shapefile 1998 (ESRI, 1998).
30
O primeiro arquivo a ser produzido é o arquivo “main” que responderá pela
extensão .shp e contém um cabeçalho padrão onde estão expressos o tamanho do
arquivo, o código do mesmo, o tipo de forma adotada, e os limitrofes do mapa. A
seguir, para cada linha serão expressas uma área mapeável. As mesmas serão
descritas através do uso de multipontos, onde cada registro contém o indice dos
mesmos, e os pontos que o compõem. Juntamente com o arquivo main, será criado
um arquivo de índice (.shx) com cabeçalhos idênticos aos utilizados no arquivo main
e que conterá as referências para o arquivo anterior. Por fim, será gerado um arquivo
de banco de dados, sem informações, também relacionado ao arquivo main.
3.9 Comparação com Outras Ferramentas
Uma vez que dois Sistemas de Informações Geográficas têm em sua proposta
a aplicação do conceito de Área Mínima Mapeável nos mapas produzidos com seu
auxilio, será procedida então uma comparação entre os resultados obtidos com esse
software e os outros dois produtos (ArcGis e Spring) em processamento das
mesmas imagens.
3.9.1 Seleção e Processamento dos mapas para comparação
Nesse passo, os mapas processados pela ferramenta aqui descrita serão
submetidos à processos parecidos tanto no ArcGis 9.2 quanto no Spring com uso do
módulo LEGAL (Linguagem Espacial para Geoprocessamento ALgébrico).
Serão observados os seguintes aspectos:
•
Procurou-se observar e comparar os resultados obtidos em relação à
incorporação de uma imagem ao plano de trabalho;
•
Detecção de cores degradadas na mesma e sua substituição;
•
Detecção e supressão de áreas não consonantes com o conceito de AMM,
e;
•
Como o que essas ferramentas fizeram com as áreas que foram
substituídas.
31
4. RESULTADOS E DISCUSSÕES
Nessa
seção
serão
apresentados
os
resultados
obtidos
com
o
desenvolvimento desse projeto. Conforme previsto, foi construído um software (o
Easy AMM) que atende aos objetivos desse projeto, os quais são listadas todas as
funções abaixo. Serão apresentadas as propriedades configuráveis do sistema
sendo indicadas as opções adotadas como padrão de uso as quais, ao desejo do
usuário, poderão ser substituídas por outras opções disponíveis.
4.1 Desenvolvimento do software
A partir do modelo concebido através da adaptação do Processo Unificado, foi
feito um levantamento inicial de requisitos, o qual gerou um diagrama de casos de
uso abaixo apresentado e, posteriormente, dois diagramas de classes, esses
diagramas encontram-se no Apêndice A.
Conforme previsto, foi desenvolvido um software batizado pelo nome de
EASY AMM, o qual contém todas as funções previstas no diagrama de Casos de
Uso apresentado abaixo (Figura 12). A seguir foi inserida uma imagem contendo a
tela inicial do software desenvolvido, o EASY AMM (Figura 13).
Figura 12 - Diagrama de Casos de Uso do Sistema
32
Figura 13 – Tela inicial do programa
4.2 Definição de Cores Reais
Para a definição das cores reais, o EASY AMM necessita que inicialmente
seja indicado o mapa a ser processado pelo mesmo, isso se dá através do menu
Funções
Adicionar Imagem. Após acesso a essa opção será aberta uma janela
solicitando que o usuário indique qual o mapa a ser processado. Conforme previsto,
esse mapa deverá estar no formato .bmp, .jpg ou png. Indicada a figura, a mesma
será carregada no software e a partir daí, a tela do EASY AMM será redimensionada
para o tamanho do mapa apresentado. As Figuras 14 e 15, ilustram esse processo.
O passo seguinte Será acionar a função de indicação da legenda (através do
menu Ferramentas .
Indicar legenda). Para cada legenda será necessário um
clique sobre a área da mesma, e a partir daí o sistema irá identificar a cor original
presente naquela área utilizando-se dentre os métodos já explicitados àquele
configurado pelo usuário. Uma vez identificada a cor, a mesma será exibida ao
usuário através de uma tela de aviso contendo ao fundo a cor identificada bem como
seu valor no sistema de cores solicitado.
33
Figura 14 - Tela de Adição de arquivos
Nesse passo a cor identificada é adicionada à Lista de cores reais
representada no sistema como uma ArrayList<Cor>. Caso a mesma não seja
identificada o software solicitará um novo ponto ao usuário, e em caso de três
tentativas sem sucesso o EASY AMM solicitará a mudança de método para a
definição da cor real, o que só acontecerá caso o usuário aprove.
A Figura 15, abaixo, demonstra o comportamento da ferramenta EASY AMM
durante o processamento de uma imagem padrão, a qual encontra-se exposta a
seguir (Figura 16). Nessa figura (Figura 15) é demonstrada a tela do programa com
a imagem a ser processada já carregada na tela de trabalho e o resultado do
processamento de uma das legendas presentes na mesma.
A noção exata do funcionamento desse aspecto presente no EASY AMM se dá
com a análise do Quadro 1. Nele são apresentados os dados referentes à detecção
de cores reais nas legendas das figuras padrão testadas e suas respectivas
degradações. Para efeito de consulta, todas as figuras utilizadas estão à disposição
no Apêndice B. Nesse quadro as opções em vigor foram o sistema de cores HSV e o
método de busca Semente de Crescimento.
34
Figura 15 - Detecção de Cores
Figura 16 - Imagem utilizada como padrão de mapas a ser utilizada em testes do EASY AMM. Nela as
cores das áreas são apresentadas de forma definida sem apresentar qualquer tipo de degradação.
Como se percebe, a taxa de variação é mínima entre as diferentes figuras
mesmo para as figuras mais degradadas, e quando existem são impercetíveis a olho
35
nu pois se tratam de variações menores que 1%, o que comprova a eficácia da
ferramenta.
Vale enfatizar que a primeira medida (Hue) varia de 0 a 360 (sendo esses
baseando-se numa circunferência onde 0 e 360 se equivalem) enquanto os demais
valores variam entre 0 e 100.
Quadro 1 - Comparativo e demonstrativo da detecção de cores reais nas imagens padrões
apresentadas utilizando o padrão HSV como sistema de cores.
Imagem padrão 1 (sem degradação)
L1
L2
L3
L4
L5
L6
L7
L8
L9
{0,100,72}
{0,100,53}
{234,52,86}
{179,68,92}
{63,68,92}
{112,89,81}
{295,68,92}
{38,100,100}
{57,100,100}
Imagem padrão 2 (com degradação a partir de um filtro Blur-Gausiano de 1 pixel, excluindo-se a legenda)
{0,100,72}
{0,100,53}
{234,52,86}
{179,68,92}
{63,68,92}
{112,89,81}
{295,68,92}
{38,100,100}
{57,100,100}
Imagem padrão 3 (com degradação a partir de um filtro de Blur-Gausiano de 1 pixel)
{0,100,72}
{0,100,53}
{234,52,86}
{179,68,92}
{63,68,92}
{112,89,81}
{295,68,92}
{38,100,100}
{57,100,100}
Imagem padrão 4 (com degradação a partir de um filtro de Blur-More)
{0,100,72}
{0,100,53}
{234,52,86}
{179,68,92}
{63,68,92}
{112,89,81}
{295,68,92}
{38,100,100}
{57,100,100}
Imagem padrão 5 (com degradação a partir da inserção de ruídos de até 1% da cor real na imagem).
{0,100,72}
{359,1,52}
{234,53,88}
{180,69,92}
{64,68,93}
{113,89,80}
{294,65,92}
{38,100,100}
{57,99,100}
Imagem padrão 6 (com degradação a partir de um filtro blur-Gaussiano na imagem padrão 5)
{1,100,72}
{359,99,52}
{234,53,87}
{180,69,93}
{65,68,92}
{112,90,82}
{294,68,93}
{38,100,100}
{59,100,98}
Fonte: Dados da pesquisa.
4.3 Remoção de Cores Oriundas do processo de compressão e Formação de
Áreas
Essa
Ferramentas
funcionalidade
somente
estará
disponível
(através
do
Menu
Regularizar Imagem) após a indicação das cores reais disponíveis
no mapa em questão. Uma vez acionada a mesma irá varrer a imagem buscando
cores não presentes na Lista de cores reais. Uma vez que um ponto se encaixe
nesse cenário, o mesmo terá sua cor alterada para àquela eleita como a mais
próxima contida na lista de cores reais. Essa eleição terá seu resultado definido pelo
método de distância de cores definida pelo usuário.
A Figura 17, em suas partes (a,b, c, d, e e f), demonstra a aplicação dessa
função numa secção da Figura 7. Notem que a secção foi aumentada facilitando
assim a percepção das transformações ocorridas na imagem.
36
(a)
(b)
(c)
(d)
(e)
(f)
Figura 17 - Detalhes das secções de imagens resultantes após a regularização da imagem 7 em suas
variações 1, 2, 3, 4, 5, 6 (a, b, c, d, e, f) respectivamente.
Avaliando com algum cuidado a Figura 17, percebe-se que os resultados
apresentam áreas não presentes no mapa original. Essas foram representadas em
cores presentes no conjunto de cores reais identificadas e tem sua ocorrência
justificada pela presença de pixels de transição nas imagens originais ocasionados
pelo processo de suavização e compressão da imagem. Esses pixels representam
uma espécie de mescla entre as cores das regiões que o cercam e por isso distam
das cores ao seu redor a ponto de serem confundidos com outras cores reais. Vale
ressaltar que esses pixels (ou conjuntos desses) serão removidos durante a
aplicação do conceito de AMM, uma vez que não apresentam quantidade contínua
suficiente para atender a esse padrão.
A Figura 18 (desde a até f) demonstra as diferenças percebidas entre a
imagem sem degradação e as imagens degradadas após o processamento.
37
(a)
(b)
(c)
(d)
(e)
(f)
Figura 18 – Diferença entre o padrão 1 (sem modificação) e os padrões 1, 2, 3, 4, 5 e 6 (a, b, c, d, e,
f) respectivamente após da regularização da imagem.
Analisando os resultados obtidos, percebe-se que tanto a secção “a” da
Figura 18 quanto a secção “b” da mesma figura, não apresentam diferenças na
38
região da legenda. Isso se deve no caso da secção “a” ao fato de tratar-se da
mesma imagem. De fato essa imagem (a) deveria encontra-se completamente
branca, mas o processo de regularização, cometeu um equívoco em relação à cor
das regiões enfatizadas devido à igualdade do Ângulo (H) e da Saturação (S), isso
decorreu da taxa de variação das cores para que fossem aceitas numa região
adjacente. Já a figura “b” apresenta algumas alterações de cores principalmente nos
pixels de transição entre regiões degradados no processo de exportação da imagem,
fenômeno o qual já fora discutido nessa seção.
Ao observar a secção “c” percebe-se que as diferenças entre ela e a secção
“b” da figura 18 resumem-se às alterações verificadas na região das legendas. Fato
explicado pelo processo de concepção da mesma. A secção ‘d”, por sua vez,
apresenta um nível de diferenças parecido ao apresentado pela secção “c”
justificado pela método de concepção parecido ao anterior, cuja diferença única é o
percentual de variação aceito.
Nas secções “e” e “f”, contudo, percebe-se a presença de manchas em
ambas as secções isso se deveu à um breve equívoco na detecção de cores (erro
menor que 1%) e isso determinou a substituição de uma cor por outra muito
parecida, também presente no mapeamento. Os pixels “chuviscados” na secção “e”
representam o ruído inserido nas mesmas, que também serão removidos após a
aplicação do processo de AMM. Nota-se, contudo, a ausência dos pixels dispersos
presentes na secção “e” ao analisar-se a secção “f”. Isso se deveu ao filtro BlurGausiano aplicado à imagem “chuviscada”, esse filtro suavizou os mesmos,
permitindo assim a eficiência do processo de regularização da imagem sobre eles.
Uma vez removidas as cores “intrusas” no mapa processado, o EASY AMM
tratará de transformar a matriz de pontos do mapa processado numa lista de Áreas
contendo todos pontos da mesma, assim como seus contornos e o quadrilátero na
qual a mesma está inscrita.
Nessa função, foram posicionados como opções padrões o uso o algoritmo de
distância de cores Manhattan, sistema de cores HSV e o método de busca Linear.
Para a detecção das bordas (contornos) de cada área foi utilizado o método da 8vizinhança. Já para a formação do quadrilátero onde está inscrita a área ocorre
através do método da busca pelas abscissas e ordenadas mínimas e máximas
dentro da lista de pontos que formam o contorno da área.
39
4.4 Aplicação do Conceito de Área Mínima Mapeável
Essa função (acessível através do menu Ferramentas Aplicar AMM) será
habilitada após a regularização da imagem. Ela tem por função identificar àquelas
áreas cujo tamanho não igualar ou ultrapassar o mínimo necessário para a presença
dessa no mapeamento final. Caso tenha sido solicitado à geração da imagem
contendo o realce de regiões removidas será produzida uma imagem contendo as
áreas mantidas e àquelas que serão removidas serão coloradas na cor preta, para
fins de realce.
As Figuras 19 e 20 apresentam o resultado do processamento da figura 10
frente ao método de AMM. Tratam-se de imagens monocromáticas onde as únicas
cores presentes inicialmente eram o preto e o branco. Após o processamento, as
áreas a serem removidas serão marcadas em cor Amarela (HSV – {40, 240, 120}).
Na secção “a” da Figura 18 foi considerado como AMM 101 pixels, já na secção “b” o
AMM considerado foi 105, enquanto que para a secção “c” foi utilizado um AMM
igual a 176. Já a Figura 20 contou com o valor de AMM igual a 901 e 1160 para as
secções “a” e “b” respectivamente dessa figura.
(a)
(b)
(c)
Figura 19 – Resultados do processamento da Figura 10 com as Áreas Mínimas informadas como 101,
105 e 176 pixels respectivamente
(a)
(b)
Figura 20 – Resultados do processamento da Figura 10 com as Áreas Mínimas informadas como 901
e 1160 pixels respectivamente
40
A Figura 21, por sua vez, resulta na mesma lógica utilizada na Figura 18. Para
tanto foi inserida a Figura 11 no EASY AMM em três momentos distintos onde o valor
de AMM variou entre 108 (secção a), 798 (secção b) e 2432(secção c), em todos os
três casos, as áreas com tamanho inferior ao referenciado como mínimo mapeável
foram realçadas na cor amarela.
A Figura 22 apresenta os resultados do processamento da Figura 11 sem o
realce, mas com a substituição das cores das áreas a serem removidas. Nessa
figura encontram-se os resultados do processamento da Figura 11 tendo como AMM
os valores 108 (secção “a”), 798 (secção “b”) e 1291 (secção “c”).
(a)
(b)
(c)
Figura 21 – Resultados do processamento da Figura 11 com as Áreas Mínimas informadas como 108,
798 e 2432 pixels respectivamente
(a)
(b)
(c)
Figura 22 – Resultados do processamento da Figura 11 com AMM sendo representado por 108, 798
e 1291 respectivamente
A Figura 23 apresenta a comparação entre as imagens padrão 1 (a), padrão 2
(b), padrão 3 (c), padrão 4 (d), padrão 5 (e) e padrão 6 (f) após serem submetidas à
regularização da imagem e ao processo de detecção de Áreas Mínimas Mapeáveis
e a imagem original (Figura 16). As figuras aqui citadas encontram-se no Apêndice B
para consulta.
A secção “a” da Figura 23, apresenta em escala de tons de cinza a diferença
entre a imagem produzida pelo processo de aplicação da AMM e a imagem original,
observa-se que a mesma apresenta grande similaridade com a imagem original,
41
ressalvando-se pequenas “manchas” na imagem, locais onde existiam na imagem
original áreas que deveriam ser removidas segundo o padrão AMM.
(e)
(a)
(b)
(c)
(d)
(f)
Figura 23 - Resultados da Diferença entre a imagem original (padrão 1 - figura 2) e as imagens
resultantes do processamento das figuras padrão 1 (a), padrão 2 (b), padrão 3 (c), padrão 4 (d),
padrão 5 (e) e padrão 6 (f).
42
As secções “b”, “c”e “d”apresentam resultados similares entre si, isso se deve
por conta da similaridade que existe entre os métodos utilizados para a produção
das mesmas. Vê-se que as regiões de contornos das áreas foram substituídas e que
também foram removidas as áreas menores que o padrão AMM.
A secção “e” precisa ser melhor analisada devido a grande quantidade de
“manchas” detectadas durante a comparação entre a imagem regularizada e a
imagem original. Nela percebe-se que todas as manchas apresentadas na Figura
18–(e) aparecem discretamente na Figura 23–(e). Confirma-se assim o afirmado na
seção 4.2 sobre os resultados obtidos para essa imagem. Ademais, percebe-se que
a mesma apresentou, após o processamento, a maior similaridade com a imagem
original, denotando assim que imagens com ruído e grau elevado de degradação
apresentam resultados melhores que os demais no processo de recuperação
através do EASY AMM.
A secção “f” da Figura 23, apresentou um resultado comparativo em relação à
imagem original semelhante aos apresentados nas secções “b”, “c” e “d”. Isso se
deve certamente ao uso do filtro Blur-Gausiano utilizado para a produção dos
mesmos. Nota-se que esse filtro recupera as bordas das regiões que sofreram
degradações e por esse motivo os contornos das áreas aparece claramente nas
imagens–diferenças produzidas.
Nessa função foi posicionado como opções padrões o uso do valor da AMM
definido nas configurações gerais. Já o algoritmo de substituição de regiões utilizado
como padrão é o algoritmo da Moda Estatística.
4.5 Formação dos Histogramas
O EASY AMM permite, através dessa função, a extração do histograma do
mapa uma vez que a mesma seja carregada no sistema. Ele será apresentado numa
janela separada da janela principal do EASY AMM e permite a quantificação das
cores utilizadas na imagem no momento da solicitação do mesmo. Essa função está
disponível também após a finalização do processamento do mapa, permitindo aos
usuários o acompanhamento da evolução de cores após o processo de
regularização do mesmo.
Para a geração do histograma presente na Figura 24, foi utilizada a imagem
43
original que contém as degradações descritas na seção 4.2. Nota-se que a
quantidade de cores ali apresentadas é significativa, o que não se observa na Figura
25, onde a mesma imagem foi quantizada após sofrer o processo de regularização
de cores, onde aparecem apenas as nove cores apresentadas na figura original.
Figura 24 - Histograma formado antes da regularização da imagem
Figura 25 - Histograma formado após a regularização da imagem
Nessa função foi utilizado o padrão o sistema de cores HSV, como identificador
44
de cada barra contida no gráfico gerado.
4.6 Extração do Shapefile
A função de extração do shapefile está presente nessa ferramenta para que o
cartógrafo que dela se utilize possa dar continuidade ao seu trabalho de
mapeamento caso só disponha da imagem. De posse desse arquivo o cartógrafo (ou
pesquisador de qualquer área que lance mão dos mapas como linguagem de
comunicação) poderá trabalhar aspectos diversos sobre a área como o
georreferenciamento e podendo inclusive construir um Sistema de Informação
Geográfica desde que tenha os dados que permitam essa tarefa. O conjunto de
arquivos gerados atenderá ao padrão descrito em ESRI (1998), e o padrão utilizado
para a exportação foi o padrão MultiPoint.
Para utilização dessa tarefa o pesquisador deverá utilizar a função de
extração de shapefile, disponível no menu de ferramentas do Easy AMM. Essa
função gerará a partir da imagem passada como parâmetro um arquivo em formato
shapefile que poderá ser utilizado por qualquer ferramenta de SIG nas tarefas
disponibilizadas pelas mesmas desde que essas tenham suporte a esse formato.
Após a exportação do conjunto de arquivos gerados será salvo na pasta indicada por
padrão pelo sistema. Aí estão presentes o arquivo main (de dados – .shp), de índice
(.shx) e o banco de dados em formato DBase13 (.dbf) que no caso do EASY AMM é
produzido sem informações, uma vez que a ferramenta apenas dispõe da imagem
mapeada.
A Figura 26, demonstra o processo de Importação dos Shapefiles gerados
pela ferramenta por parte do ArcGis 9.2.
13
DBASE Files: Sistema de Banco de Dados em arquivo texto.
45
Figura 26 - Resultado do Processo de Importação do Shapefile na ferramenta ArcGis
4.7 Avaliação da Ferramenta EASY AMM
Ao final dos testes que corroboraram as teses que sustentam o EASY AMM
foram quantificadas as áreas utilizadas ao longo desse processo de avaliação com o
intuito de confirmar ou refutar a eficiência dessa ferramenta. Estabeleceu-se então
comparações entre essas áreas (ao final do processamento) com a imagem padrão
1 (presente na Figura 16), avaliando a distância de cores. Frente à isso obteve-se os
dados apresentados no Quadro 2.
O Quadro 2, intensifica as certezas apresentadas durante a seção de
resultados uma vez que comprova o grau de modificações que cada imagem
processada sofreu após o processo de regularização da imagem sendo comparada
com a imagem inicial, indicando a soma das diferenças de cores que por sua vez
serve como indicador da distância entre as duas imagens. Esse quadro mostra
também a quantidade de pixels diferentes entre si, que é um util indicador para a
comparação entre imagens. Por fim esse quadro demonstra, percentualmente, o
quanto de cada imagem foi modificado, permitindo assim comparar entre as mesmas
qual apresentou o “melhor” processo de recuperação.
46
Quadro 2 – Relação entre as áreas processadas e a imagem original quantificando a diferença
entre essas em relação à quantidade de pixels, soma das diferenças de cores, e diferença
percentual absoluta.
Quantidade
de pixels
da imagem
Padrão 1
171107
Padrão 2
171107
Padrão 3
171107
Padrão 4
171107
Padrão 5
171107
Padrão 6
171107
Fonte: Dados da pesquisa.
Imagem padrão
Integral de
diferença
de cores
0
716570
722816
527718
391503
1003106
Pixels diferentes em
valor absoluto
(Integral/255)
0
2810
2835
2069
1535
3934
Diferença absoluta em
relação à P1
(pixels/tamanho)
0,00%
1,64%
1,66%
1,21%
0,90%
2,30%
O Quadro 3, intensifica as certezas apresentadas durante a seção de
resultados uma vez que comprova o grau de modificações que cada imagem
processada sofreu após o processo de aplicação da AMM sendo comparada com a
imagem inicial, indicando a soma das diferenças de cores que por sua vez serve
como indicador da diferença entre as duas imagens. Esse quadro mostra também a
quantidade de pixels diferentes entre si, que é um util indicador para a comparação
entre imagens e por fim demonstra qual a influência da AMM nessa diferença. Por
fim esse quadro demonstra, percentualmente, o quanto de cada imagem foi
modificada, permitindo assim comparar entre as mesmas qual apresentou o “melhor”
processo de recuperação.
Quadro 3 – Relação entre as áreas processadas após a aplicação da Área Mínima Mapeável e a imagem
original quantificando a diferença entre essas em relação à quantidade de pixels, soma das diferenças de
cores, e diferença percentual absoluta.
Imagem
padrão após
o AMM
Quantidade
de pixels da
imagem
Padrão 1
171107
Padrão 2
171107
Padrão 3
171107
Padrão 4
171107
Padrão 5
171107
Padrão 6
171107
Fonte: Dados da pesquisa.
Integral de
diferença
de cores
29190
327462
322495
277499
274384
559029
Pixels
diferentes em
valor absoluto
(Integral/255)
114
1284
1265
1088
1076
2192
Pixels diferentes
sem AMM
(padraoX - padrão1)
Percentagem de
Diferencia absoluta
(pixels/tamanho)
0
1170
1150
974
962
2078
0,000%
0,684%
0,672%
0,569%
0,562%
1,214%
Diante dos dados acima comprova-se que de fato a ferramenta promove
alterações nas imagens, de forma a retirar das mesmas cores degradadas
devolvendo às mesmas a identidade que possuíam antes de serem distribuídas e
facilitando o processo de extração do arquivo shape que a gerou.
47
4.8 Comparação com outras ferramentas
Conforme previsto, as imagens-teste foram inseridas nos Softwares ArcGis e
SPRING, conforme ilustram as figuras 27 e 28.
Figura 27 - Inserção das Imagens Teste no ArcGis
Figura 28 - Inserção das Imagens Teste no SPRING
48
Comparando-se o processo de carga da imagem entre as ferramentas obtevese um resultado parecido entre o ArcGis e o EASY AMM, ambas as ferramentas
concluíram esse processo instantaneamente. Para o Spring essa tarefa demorou oito
segundos até ser concluída14.
O processo de detecção e formação de áreas, por sua vez, não puderam ser
comparados, uma vez que essas etapas não estão explicitas no Arcgis nem
tampouco no SPRING.
Em relação à regularização da imagem, não se percebeu esse processo nem
no SPRING, nem tampouco no ArcGis. O EASY AMM conseguiu realizá-lo em cerca
de 5 segundos15, o que representa um período de tempo aceitável, dada a natureza
da operação.
Na questão da formação das áreas, o EASY AMM consumiu cerca de 4
minutos e 30 segundos no melhor caso16. O Spring, assim como o ArcGis, precisou
de configurações adicionais para adicionar a imagem (georreferenciá-la), feito isso
enquanto o primeiro consumiu cerca de 4 minutos no melhor caso, o segundo
consumiu cerca de 2 minutos e 30 segundos. Há de se ressaltar que em virtude dos
pixels degradados não testados, foram produzidas mais áreas que o necessário
tanto pelo ArcGis quanto pelo SPRING.
No quesito extração de áreas não mapeáveis, o EASY AMM, consumiu cerca
de 20 segundos, enquanto o ArcGis consumiu cerca de 40 segundos, e o SPRING,
através de seu módulo extensor LEGAL 50 segundos. Vale ressaltar no SPRING não
se trata de uma tarefa trivial e corriqueira, é necessária a ativação do módulo LEGAL
e conhecimento do mesmo e de linguagens de programação para executá-la, uma
vez feito isso, o tempo consumido é àquele supramencionado. No caso do ArcGis
não há a necessidade de construção de códigos para a execução dessa tarefa, mas
por se tratar de uma função pouco utilizada, seu acesso não é amplamente
divulgado,
dificultando
assim
a
execução
da
tarefa
principalmente
para
pesquisadores que estão se iniciando com a ferramenta ou com pouca proficiência
em informática.
14
Para os testes foi utilizada uma máquina Intel Dual Core 1,6 GHZ, 2MB L2 – cache, 533 MHZ FSB,
4GB RAM, Sistema Operacional Windows XP SP3.
15
No caso de uma figura com alta definição. No pior caso onde foi processado uma figura com
compressão e ruído esse tempo subiu para 8 segundos.
16
No caso de uma figura com alta definição. No pior caso onde foi processado uma figura com
compressão e ruído esse tempo subiu para 5 minutos e 30 segundos.
49
Para a substituição das áreas a serem removidas por áreas “incorporadoras”,
o processo deu-se quase que de forma instantânea nas três ferramentas (8
segundos ArcGis, 6 segundos SPRING, 5 segundos EASY AMM).
Já sobre a extração para shapefile o EASY AMM consumiu cerca de 12
minutos no melhor caso17 enquanto o ArcGis consumiu cerca de 30 segundos e o
SPRING não exporta nativamente os dados para esse formato, apenas tem suporte
para importação do mesmo. Vê-se que diante da tarefa de exportação do arquivo de
trabalho o ArcGis desempenha o papel de forma bastante superior em comparação
ao EASY AMM.
A opção de realce das áreas substituídas não é oferecida pelo SPRING e o
ArcGis apresenta apenas um contorno destas, o que sob alguma óptica apresenta
uma forma de realce. O EASY AMM, por sua vez, oferece o realce da imagem
exportando-a para o formato bmp, caso o usuário deseje verificar o arquivo em
pesquisas posteriores.
Quanto à extração do histograma, tanto o ArcGis, quanto o SPRING permitem
a extração dos mesmos, mas em relação à usabilidade e acesso repetem-se as
observações feitas quanto ao processo de aplicação da AMM. O EASY AMM o faz
em 10 segundos no melhor caso17 e ao final ainda permite a comparação entre os
histogramas antes e após o processamento da imagem.
17
No caso de uma figura com alta definição. No pior caso onde foi processado uma figura com
compressão e ruído esse tempo subiu para 15 minutos e 30 segundos.
50
5. CONCLUSÕES E TRABALHOS FUTUROS
A proposta de uma ferramenta de fácil utilização para a recuperação de
mapas impressos ou apenas disponíveis em formato de imagem contribui para a
maior utilização do mapa como veículo de comunicação ambiental.
Dentro desse contexto, a ferramenta produzida, o EASY AMM não se coloca
como uma ferramenta capaz de apresentar todas as funcionalidades disponíveis no
presente mercado de softwares dessa natureza. Ele apresenta uma solução na
recuperação de dados geográficos mantidos apenas através de imagens sem
informações associadas. São tarefas que, conforme exposto acima, já estão
contidas (ao menos em parte) pelos produtos dessa natureza atualmente disponíveis
todavia sem oportunizar à comunidade científica o conhecimento de como foram
processadas essas informações nem tampouco ofertar contribuições a essas. E em
alguns casos essas funcionalidades não estão à primeira vista nos SIGs analisados.
O EASY AMM, e esse trabalho, deixam de legado uma sugestão (e
implementação) de um conjunto de opções frente aos métodos de processamento a
serem utilizados na recuperação de informações a partir de mapas em forma de
imagens. Mais que isso, o produto será registrado mas manterá seu código fonte
aberto, e sua licença de uso será a GPL18 (FSF,2010). Juntamente com os fontes e o
diagrama de classes será distribuída a API correspondente ao desenvolvido,
incentivando assim a continuidade do projeto por parte de pesquisadores da área.
Dessa semente pode surgir um novo Sistema de Informações Geográfica a ser
utilizado por aqueles que anseiam uma nova opção nesse segmento, devidamente
documentado sem detalhes ocultos em relação ao seu funcionamento. Os códigos
fontes estão disponíveis no Apêndice C, a documentação sobre o desenvolvimento
do mesmo encontra-se no Apêndice D, já a API do EASY AMM encontra-se em
formato HTML e disponível no Apêndice E, por fim uma cópia do EASY AMM
encontra-se no Apêndice F.
Futuramente, é desejável que essa ferramenta exporte shapes em todos os
18
Gnu Public License – Licença que permite a livre distribuição, uso e modificação do código fonte do
software desde que citada a fonte produtora.
51
formatos como Ponto, Linhas, Polígonos, e outras formas que suportem 3
dimensões de uma imagem.
Também é necessário, que a ferramenta seja otimizada, de forma a processar
a imagem com maior rapidez, principalmente na exportação dos arquivos shapes.
52
6 REFERÊNCIAS BIBLIOGRÁFICAS
BERNASKI, S., A Utilização dos Mapas no Ensino de Geografia. Unicentro, Irati, PR,
2004.
BERNASKI, S.; WATZLAWICK, L. F. A ARTE CARTOGRÁFICA E SUA UTILIZAÇÃO
NAS ANÁLISES AMBIENTAIS. Revista Eletrônica Latu Sensu Ano número 1.
Disponível em:
http://web03.unicentro.br/especializacao/Revista_Pos/Lato_Sensu.htm Acesso em:
10 de Agosto de 2007.
BURROUGH, P. A.; McDONNELL, R. A. Principles of Geographical Information
Systems. Oxford University Press. 1998.
CÂMARA, G. (et al.). Anatomia de Sistemas de Informações Geográficas. Campinas: Instituto de Computação, UNICAMP, 1996.
CARACRISTI, I. GEOGRAFIA E REPRESENTAÇÕES GRÁFICAS: UMA BREVE
ABORDAGEM CRÍTICA E OS NOVOS DESAFIOS TÉCNICO-METODOLÓGICOS
PERPASSANDO PELA CLIMATOLOGIA. Rio de Janeiro: Revista Brasileira de
Cartografia, v. 55/02, 2003.
CROSTA, A. P. Processamento Digital de Imagens de Sensoriamento Remoto. 3 ª
reimpressão. Campinas: IG/UNICAMP, 1999.
CYSNE, Joney Rosas. Modelo Conceitual Para Gerenciamento de Recursos
Hídricos em Ambiente de SIG. (Dissertação de Mestrado em Ciência da
Computação) – UFC, Fortaleza, 2004.
DALTIO, Jaudete. Aondê: um Serviço Web de ontologias para interoperabilidade em
sistemas de biodiversidade. (Dissertação de Mestrado em Ciência da Computação)
– Unicamp, Campinas, 2007.
DENT, D.; YOUNG, A. Soil survey and land evaluation. London : Allen & Unwin, 1981.
53
DUARTE, P. A. Fundamentos de Cartografia. Florianópolis: Ed. da UFSC, 2006.
FITZ, P. R. Cartografia Básica. Canoas: La Salle, 2000
FLORENZANO, T. G. Iniciação em Sensoriamento Remoto. 2ª Edição. São Paulo:
Oficina de Textos, 2007
FONSECA, Giselle Prado da Silva. ANÁLISE DA POLUIÇÃO DIFUSA NA BACIA DO
RIO TELES PIRES COM TÉCNICAS DE GEOPROCESSAMENTO. (Dissertação de
Mestrado em Geografia) – UFMT, Cuiabá, 2006.
FSF Free Software Foudantion. Disponível em: http://www.fsf.org/. Acesso em: 14 de
Janeiro de 2010.
GOMES, J.; VELHO, L. Computação Gráfica: Imagem. Rio de Janeiro: IMPA, 2002.
GONZALEZ, R. C.; WOODS, R. E. Processamento de Imagens Digitais. São Paulo:
Edgard Blücher, 2000.
KARNAUKHOVA, E.; LOCH, Carlos. PROPOSTA DE CARTOGRAFIA
GEOECOLÓGICA APLICADA AO PLANEJAMENTO TERRITORIAL. IN: XXI
Congresso Brasileiro de Cartografia. Belo Horizonte, 2005. Disponível em:
http://www.cartografia.org.br/xxi_cbc/005-C04.pdf
LIMA, F. R.; MARTINELLI, M. AS UNIDADES ECODINÂMICAS NA CARTOGRAFIA
AMBIENTAL DE SÍNTESE. IN: I Simpósio de Pós-Graduação em Geografia do
Estado de São Paulo SIMPGEO-SP. Rio Claro, Anais. UNESP, 2008.
MARTINELLI, M. Cartografia Ambiental, Uma cartografia Diferente ? São Paulo:
Revista do Departamento de Geografia, v. 7, 1994.
54
MARTINELLI, M. Cartografia Ambiental: que cartografia é essa? In: SOUZA, Maria
Adélia A. de. et al. Natureza e Sociedade de Hoje: uma leitura geográfica. 4 ed. São
Paulo: Hucitec-Anpur, 2002.
__________, M. Mapas da geografia e a cartografia temática. São Paulo: Contexto,
2003.
__________, M. Um Ensaio de Cartografia Ambiental. Fórum Ambiental da Alta
Paulista. Periódico Eletrônico Volume III, 2007. Disponível em: <site>. Acesso em:
MILIAN, F. M. Estudo in vitro dos efeitos radiobiológicos no DNA plasmidial com
radiações ionizantes de baixo LET. (Tese de Doutorado em Física) - Universidade de
São Paulo, São Paulo, SP, 2006.
NOVO, E. M. L. de M. Sensoriamento Remoto: Princípios e aplicações. São Paulo:
Edgard Blücher, 1998.
NUNES, F. L. S. Introdução ao Processamento de Imagens Médicas para Auxílio ao
Diagnóstico - Uma Visão Prática. IN: BREITMAN, K.; ANIDO, R. Atualizações em
Informática. Rio de Janeiro: Ed. PUC-RIO: SBC, 2006.
RFC1341. MIME (Multipurpose Internet Mail Extensions). Disponível em:
http://tools.ietf.org/html/rfc1341. Acesso em: 14 de Janeiro de 2010.
RFC2083 PNG (Portable Network Graphics) Specification. Disponível em:
http://www.faqs.org/rfcs/rfc2083.html. Acesso em: 14 de Janeiro de 2010.
RFC797. Format for Bitmaps. Disponível em: http://www.faqs.org/rfcs/rfc797.html.
Acesso em: 14 de Janeiro de 2010.
55
ROCHA, C. H. B. Geoprocessamento: tecnologia transdisciplinar. Juiz de Fora: Ed.
do Autor, 2000.
RUSS, J. C. The Image Processing Handbook. Boca Ranton, FL, USA: CRC, 1992.
SENDRA, J. B. Evaluacion del Impacto Ambiental. In: Sistemas de Información
Geográfica. Cap. XVIII. Editora Rialp, S.A. Madri, Espanha, 1992.
SILVA, E. A da; TELLES, J. D. L. Novas tecnologias em cartografia no estudo do
meio ambiente. In: ENCONTRO NACIONAL DOS CENTROS DE REFERÊNCIA DO
MOVIMENTO DE CIDADANIA PELAS ÁGUAS. 4. Petrópolis, Anais., CREARJ/SESC DE NOGUEIRA, 2002
STRECK, E.V. et al. Solos do Rio Grande do Sul. Porto Alegre : Emater/RS –
UFRGS, 2002.
VEIGA, T. C.; SILVA, J. X. da. Geoprocessamento Aplicado à Identificação de Áreas
Potenciais para Atividades Turísticas: O caso do Município de Macaé - RJ. IN:
SILVA, J. X. da; ZAIDAN, R. T. Geoprocessamento & Análise Ambiental: aplicações.
Rio de Janeiro: Bertrand Brasil, 2007.
VEIGA, T. C.; XAVIER DA SILVA, J. Geoprocessamento aplicado à identificação de
áreas potenciais para atividades turísticas: o caso do município de Macaé-RJ. In:
XAVIER DA SILVA, J.; ZAIDAN, R. T. (Organizadores). Geoprocessamento & análise
ambiental: aplicações. Rio de Janeiro: Bertrand Brasil, 2004.
56
APENDICE A – DIAGRAMAS DE CASOS DE USO E SEQUÊNCIA DO EASY AMM
Nesse apêndice encontram-se os diagramas da UML produzidos durante o
desenvolvimento do EASY AMM.
Figura 29 - Diagrama de Casos de Uso do EASY AMM
Figura 30 - Diagrama de Classes do pacote br.uesc.prodema.util
57
58
APENDICE B – IMAGENS UTILIZADAS DURANTE O PROCESSO DE VALIDAÇÃO
DO EASY AMM
Nesse Apêndice serão apresentadas as imagens utilizadas durante o processo
de testes da ferramenta EASY AMM. Para cada imagem, será apresentada a figura
original, o histograma inicial, o histograma após o processamento, a tela de
processamento do AMM, a diferença entre a imagem processada e a imagem
original e a diferença entre a imagem utilizada e a imagem geradora das demais
(padrão 1).
B1. Resultados de Processamento para a imagem “Padrão 1”
A Figura 31 é uma imagem produzida no Adobe Photoshop ® que foi
desenvolvida com base em cores conhecidas de forma a produzirem alguma
dificuldade para ferramentas de Processamento Digital de Imagens por utilizar cores
com espectos parecidos no padrão HSV. Mantém todas as cores originais pois no
ato de exportação da mesma optou-se por mantê-las, dispensando, assim, qualquer
forma de compressão ou degradação.
Figura 31 – Figura original produzida com legenda, simulando um mapa com cores definidas, sem
degradação e compressão (padrão 1).
59
A Figura 32 apresenta o histograma da imagem “padrão 1” antes de qualquer
processamento.
Figura 32 – histograma da imagem “padrão 1” sem qualquer processamento
A Figura 33 apresenta o histograma da imagem padrão após a aplicação da
Área Mínima Mapeável.
Figura 33 – histograma da imagem “padrão 1” após a aplicação da AMM
60
A figura 34 apresenta os resultados do processo de aplicação da AMM na
imagem “padrão 1”.
Figura 34 – Captura de Tela do processo de aplicação da Área Mínima Mapeável sobre a imagem
“padrão 1”
A figura 35 apresenta a comparação entre os resultados do processo de
aplicação da AMM na imagem “padrão 1” através do GelAnalisis.
Figura 35 - Captura de tela do processo de Comparação entre a Imagem original e após a aplicação
do AMM.
61
B2. Resultados de Processamento para a imagem “Padrão 2”
A figura 36 é uma imagem produzida no Adobe Photoshop ® que foi
desenvolvida a partir da imagem 28 tendo como diferença principal a aplicação de
um filtro Blur-Gaussiano sobre a mesma excluindo-se do filtro a área da legenda.
Figura 36 – Imagem modificada a partir da imagem “padrão 1”através do filtro Blur-Gausiano
excluindo-se a legenda da imagem (padrão 2).
A figura 37 apresenta a comparação entre as imagens “padrão 2” e a imagem
“padrão 1” através do GelAnalisis.
62
Figura 37 – Comparação entre a imagem “padrão 2” e a imagem “padrão 1”, através do GelAnalisis
A figura 38 apresenta o histograma da imagem “padrão 2” antes de qualquer
processamento.
Figura 38 – histograma da imagem “padrão 2´ sem qualquer processamento
63
A figura 39 apresenta o histograma da imagem “padrão 2” após a aplicação da
Área Mínima Mapeável.
Figura 39 - histograma da imagem “padrão 2” após a aplicação da AMM
A figura 40 apresenta os resultados do processo de aplicação da AMM na
imagem “padrão 2”.
Figura 40 – Captura de Tela do processo de aplicação da Área Mínima Mapeável sobre a imagem
“padrão 2”
A figura 41 apresenta a comparação entre as imagens “padrão 2” após o
64
processamento da imagem e a imagem “padrão 1” original através do GelAnalisis.
Figura 41 - Comparação entre a imagem “padrão 2” após o processamento da AMM e a imagem
“padrão 1”, através do GelAnalisis
65
B3. Resultados de Processamento para a imagem “Padrão 3”
A figura 42 é uma imagem produzida no Adobe Photoshop ® que foi
desenvolvida a partir da Figura 28 tendo como diferença principal a aplicação de um
filtro Blur-Gaussiano sobre a mesma.
Figura 42 – Imagem modificada a partir da imagem “padrão 1” através do filtro Blur-Gausiano (padrão
3).
A figura 43 apresenta a comparação entre as imagens “padrão 3” e a imagem
“padrão 1” através do GelAnalisis.
66
Figura 43 – Comparação entre a imagem “padrão 3” e a imagem “padrão 1”, através do GelAnalisis
A figura 44 apresenta o histograma da imagem “padrão 3” antes de qualquer
processamento.
Figura 44 - histograma da imagem “padrão 3” sem qualquer processamento
67
A figura 45 apresenta o histograma da imagem “padrão 3”após a aplicação da
Área Mínima Mapeável.
Figura 45 – histograma da imagem “padrão 3” após a aplicação da AMM
A figura 46 apresenta os resultados do processo de aplicação da AMM na
imagem “padrão 3”.
Figura 46 – Captura de Tela do processo de aplicação da Área Mínima Mapeável sobre a imagem
“padrão 3”
68
A figura 47 apresenta a comparação entre as imagens “padrão 3” após o
processamento da imagem e a imagem “padrão 1” original através do GelAnalisis.
Figura 47 - Comparação entre a imagem “padrão 3” após o processamento da AMM e a imagem
“padrão 1”, através do GelAnalisis
69
B4. Resultados de Processamento para a imagem “Padrão 4”
A figura 48 é uma imagem produzida no Adobe Photoshop ® que foi
desenvolvida a partir da imagem 28 tendo como diferença principal a aplicação de
um filtro Blur-More sobre a mesma excluindo-se do filtro a área da legenda.
Figura 48 – Imagem modificada a partir da imagem “padrão 1”através do filtro Blur-More
(padrão 4).
A figura 49 apresenta a comparação entre as imagens “padrão 4” e a imagem
“padrão 1” através do GelAnalisis.
70
Figura 49– Comparação entre a imagem “padrão 4” e a imagem “padrão 1”, através do GelAnalisis
A figura 50 apresenta o histograma da imagem “padrão 4” antes de qualquer
processamento.
Figura 50 - histograma da imagem “padrão 4” sem qualquer processamento
A figura 51 apresenta o histograma da imagem “padrão 4” após a aplicação da
71
Área Mínima Mapeável.
Figura 51 - histograma da imagem “padrão 4” após a aplicação da AMM
A figura 52 apresenta os resultados do processo de aplicação da AMM na
imagem “padrão 4”.
Figura 52 – Captura de Tela do processo de aplicação da Área Mínima Mapeável sobre a imagem
“padrão 4”
A figura 53 apresenta a comparação entre as imagens “padrão 4” após o
72
processamento da imagem e a imagem “padrão 1” original através do GelAnalisis.
Figura 53 - Comparação entre a imagem “padrão 4” após o processamento da AMM e a imagem
“padrão 1”, através do GelAnalisis
73
B5. Resultados de Processamento para a imagem “Padrão 5”
A figura 54 é uma imagem produzida no Adobe Photoshop ® que foi
desenvolvida a partir da imagem 28 tendo como diferença principal a inserção de
ruídos na imagem.
Figura 54 – Imagem modificada a partir da imagem “padrão 1”através da inserção de ruídos (padrão
5).
A figura 55 apresenta a comparação entre as imagens “padrão 5” e a imagem
“padrão 1” através do GelAnalisis.
74
Figura 55 – Comparação entre a imagem “padrão 5” e a imagem “padrão 1”, através do GelAnalisis
A figura 56 apresenta o histograma da imagem “padrão 5” antes de qualquer
processamento.
Figura 56 - histograma da imagem “padrão 5” sem qualquer processamento
A figura 57 apresenta o histograma da imagem “padrão 5” após a aplicação da
75
Área Mínima Mapeável.
Figura 57 – histograma da imagem “padrão 5” após a aplicação da AMM
A figura 58 apresenta os resultados do processo de aplicação da AMM na
imagem “padrão 5”.
Figura 58 – Captura de Tela do processo de aplicação da Área Mínima Mapeável sobre a imagem
“padrão 5”
A figura 59 apresenta a comparação entre as imagens “padrão 5” após o
processamento da imagem e a imagem “padrão 1” original através do GelAnalisis.
76
Figura 59 - Comparação entre a imagem “padrão 5” após o processamento da AMM e a imagem
“padrão 1”, através do GelAnalisis
77
B6. Resultados de Processamento para a imagem “Padrão 6”
A figura 60 é uma imagem produzida no Adobe Photoshop ® que foi
desenvolvida a partir da Figura 54 tendo como diferença principal a aplicação de um
filtro Blur-More sobre a mesma excluindo-se do filtro a área da legenda.
Figura 60 – Imagem modificada a partir da imagem “padrão 5” através da aplicação do filtro BlurGausiano (padrão 6).
A figura 61 apresenta a comparação entre as imagens “padrão 6” e a imagem
“padrão 1” através do GelAnalisis.
78
Figura 61 – Comparação entre a imagem “padrão 6” e a imagem “padrão 1”, através do GelAnalisis
A figura 62 apresenta o histograma da imagem “padrão 6” antes de qualquer
processamento.
Figura 62 - histograma da imagem “padrão 6” sem qualquer processamento
A figura 63 apresenta o histograma da imagem “padrão 6” após a aplicação da
Área Mínima Mapeável.
79
Figura 63 – histograma da imagem “padrão 6” após a aplicação da AMM
A figura 64 apresenta os resultados do processo de aplicação da AMM na
imagem “padrão 6”.
Figura 64 – Captura de Tela do processo de aplicação da Área Mínima Mapeável sobre a imagem
“padrão 6”
A figura 65 apresenta a comparação entre as imagens “padrão 6” após o
processamento da imagem e a imagem “padrão 1” original através do GelAnalisis.
80
Figura 65 - Comparação entre a imagem “padrão 6” após o processamento da AMM e a imagem
“padrão 1”, através do GelAnalisis