Publicado por: sadeckgeo | maio 9, 2016

Resolução Radiométrica

RRadio

Para iniciarmos essa conversa é muito legal sabermos como surgiu essa unidade de medida que é o Bit. Criado por Claude Shannon, o bit é uma unidade de medida de informação, sem ela ainda estaríamos na era analógica e muitas das coisas que fazemos hoje não seriam possíveis… O inicio da postulação foi feito no artigo “A Symbolic Analysis of Relay and Switching Circuits”. Muito do que estudamos hoje se deve a Shannon, desde a “simples” transmissão de dados de um sensor para a terra, a formação de imagens, a análise, testes estatísticos e muitas outras etapas do trabalho em sensoriamento remoto e geoprocessanento já que ele foi o pai da era da informação.

Bem, de um tempo pra cá os sensores passaram a ter uma diversidade de resolução radiométrica. Geralmente pode ser entendida como a quantidade de níveis de cinza por pixel em uma imagem, exemplos são as imagens 8 bits ou 28 que dão 256 ou 255 tons de cinza sem contar o zero ou contando-o respectivamente, ou seja, um pixel pode ter valores que vão de 0 a 255 tons de cinza. Esse período áureo do sensoriamento remoto alterou-se com o passar do tempo e agora temos sensores com 10, 12, 16 e até mais bits, que possibilitam uma maior percepção computacional dos diferentes tons de cinza na imagem.

É importante lembrar que esses valores não estão representando uma medida de radiância e sim uma faixa continua e discreta da quantidade de energia. Vamos exemplificar:

Se um sensor consegue obter informação radiante em um intervalo de 0.0 a 10.0 W m−2 sr−1 µm−1, considerando ainda a relação sinal-ruido do sensor, podemos dizer que ele conseguirá dividir em 256 tons de cinza, ou seja, 0.0 = 0 e 10.0 = 255 os valores no meio seriam estabelecidos pelo cálculo (10.0 – 0.0) / 255.0 = 0.0392 W m-2 sr−1 µm−1, como apresentado no excelente “Computer Processing of Remotely-Sensed Images”.

Sendo assim, fica a pergunta, como conseguimos identificar os alvos na imagem? Tem basicamente duas formas, interpretação visual e interpretação computacional. Na interpretação visual, pensando aqui só nas questões de tonalidade, temos um problema biológico relevante, pois nossos olhos só conseguem diferenciar, segundo alguns autores, até 64 tons de cinza, ou seja, 6 Bits (26) bem divididos. (J.M.Brayer; F.Riley e J.L.Star et al). Eu acredito que essa afirmativa seja baseada em medidas bem acuradas, porém quando nos deparamos com imagens com 16 tons de cinza (4 Bits (24)) a coisa já fica complicada de ser diferenciada e nesse caso temos alguns outros autores (A.P.Cracknell e M.W.Burke ). Veja imagem!

Bits

Como NÃO podemos ver, nessa região de floresta (cinza mais escuro) na imagem 4 bits, temos pelo menos 2 tons de cinza, isso só para exemplificar a dificuldade… Agora olhando para os dados que nós trabalhamos, que são as de 8 e 16 bits, pensando só em landsat, veja como a diferença visual é irrelevante, mas a diferença matemática é gritante.

Bits2

No zoom que mostra o pixel foi aplicado um contraste equalizar para facilitar a interpretação. A imagem 8 bits é da banda 5 do sensor TM e a imagem 16 bits é da banda 6 do sensor OLI ambos Landsat.

Ok! Depois de apresentado o problema, como isso pode influenciar em nossas vidas? Já podemos perceber que uma interpretação visual, baseada somente em tonalidades de cinza, não nos permitirá identificar alguns desses alvos.

– Mas quando eu faço interpretação visual não considero só isso… 
– ok! Sabemos disso…

Agora vamos pensar nos efeitos que a conversão de 16 para 8 bits pode ocasionar nos procedimentos de PDI (Processamento Digital de Imagem). Vamos em uma das função mais básica que é o contraste, aqui o reescalonamento do dado feito pela formula IMG8b = unit8 (double (IMG16b) / (216 – 1)) * 255 no MatLAB, fará uma compressão no seu dado diminuindo a escala de cinza e somando pixels com o mesmo tom fazendo com que a contagem de pixels suba, sendo assim, na imagem 16 bits que você tinha o intervalo de 0 – 1400 passa na imagem 8 bits a ter 0 – 400000, ou seja, a perda / agregação de informação é grande, isso pode ser percebido nos histogramas, pois na imagem 16 bits os valores eram mais bem distribuídos.

Histograma

Esse é um problema que parece ser pequeno, mas para alguns processamentos de PDI como classificação, modelo linear, segmentação, fatiamento entre outro e isso trará algumas consequências.

Veja um exemplo de segmentação pelo método region growing usando os mesmos valores de distancia euclidiana (8) e área de pixel (16).

Segmpsd

É claro que comparar os dois produtos não é exatamente correto do ponto de vista matemático, por que eu deveria colocar valores diferentes para imagens diferentes… A intenção aqui é mostrar a quantidade de informação perdida na conversão, pois vejo muita gente usando valores sem pensar na questão rediométrica da imagem e obtendo resultados não agradáveis.

Depois de ter passado algumas noites escrevendo esse pequeno ensaio, o Luiz Cortinhas me aparece com o documento da USDA que tem algumas considerações bem legais sobre o assunto… Então deixo ele lincado aqui para você. “Displaying and Stretching 16-bit per Band Digital Imagery”.

Eu ia colocar mais exemplos mas acredito que já deu para entender a motivação da postagem. Criticas, duvidas, sugestões e/ou bater um papo sobre o assunto estamos por aqui.

Um abraço.

Referências:

BRINDLEY, Keith. Newnes electronics assembly handbook. Elsevier, 2013.

BURKE, Michael W. Image acquisition: handbook of machine vision engineering. Springer Science & Business Media, 2012.

CRACKNELL, Arthur P. Introduction to remote sensing. CRC press, 2007.

STAR, Jeffrey L.; ESTES, John E.; MCGWIRE, Kenneth C. (Ed.).Integration of geographic information systems and remote sensing. Cambridge University Press, 1997.

https://www.cs.unm.edu/~brayer/vision/perception.html

Anúncios

Responses

  1. Rapaz,

    Vc faz cada postagem show. Gosto do editorial que vc adotou no seu blog. Muito criativo!

    Abraços

    Curtido por 2 pessoas


Deixe um comentário

Preencha os seus dados abaixo ou clique em um ícone para log in:

Logotipo do WordPress.com

Você está comentando utilizando sua conta WordPress.com. Sair / Alterar )

Imagem do Twitter

Você está comentando utilizando sua conta Twitter. Sair / Alterar )

Foto do Facebook

Você está comentando utilizando sua conta Facebook. Sair / Alterar )

Foto do Google+

Você está comentando utilizando sua conta Google+. Sair / Alterar )

Conectando a %s

Categorias

%d blogueiros gostam disto: