Revisão de Métodos de Simulação de Imagens de Sensores …

Revisão de Métodos de Simulação de Imagens de Sensores Ópticos

Giovanni de Araujo Boggione 1,2 Leila Maria Garcia Fonseca 1

1 Instituto Nacional de Pesquisas Espaciais - INPE

Caixa Postal 515 - 12227-010 - São José dos Campos - SP, Brasil {giovanni, leila}@dpi.inpe.br

2 Instituto Federal de Educação, Ciência e Tecnologia de Goiás - IFG Rua 75, Nº46, Setor Central. 74055-110 - Goiânia - GO, Brasil

Abstract. The image simulation is important in all applications that need to work with different resolution images in order to compare the impact of the resolution change in visual or statistical terms. An important issue about images simulation is the quality or fidelity of the models. How well represent are the simulated images? The most natural response appears to be dependent of the application. Some applications need only change the pixel size of the image. Others need reproduce adequately the average radiation levels and all variations into the scene. Thus, it is concluded that the methods are, and indeed must be adjusted for each problem . This research intends to examine the simulation techniques, indicating which techniques is more feasible to the actual resource and data availability. It is also intended, to contribute in feasibility studies of future sensors, where the practice of developing simulation processes before sensor construction is very common to perform possible errors prediction . Palavras-chave: remote sensing, spatial resolution, MTF, sensoriamento remoto, resolução espacial, função de transferência de modulação. 1. Introdução

O propósito desta pesquisa é discutir as questões que envolvem a simulação de imagens de sensoriamento remoto passivo. São apresentados métodos de simulação e aplicações para as imagens geradas evidenciando as vantagens e os limites das técnicas empregadas. Desta maneira, é realizado um levantamento bibliográfico mostrando a evolução e o estado-da-arte neste contexto.

As imagens provenientes do sensoriamento remoto, que se apresentam como o principal e mais relevante dado produzido por esta tecnologia, necessitam de técnicas de tratamento e processamento, tais como: correção radiométrica, correção geométrica, registro, realce e transformação de cores. Tais processamentos são necessários porque no final deste fluxo está o analista que necessita de um dado ajustado, corrigido e realçado para que possa fazer suas interpretações. Portanto, o resultado destes processamentos é uma imagem contendo informações específicas que foram extraídas e realçadas a partir das imagens originais. Dentre as técnicas de processamento digital, a simulação de imagens se mostra como uma importante ferramenta de análise e desenvolvimento. Análise porque permite que se façam avaliações sobre os dados simulados, apontando para qual aplicação este dado será mais útil ou indicando para eventuais imperfeições na imagem. Desenvolvimento porque essas imagens podem servir de parâmetro para validar o projeto de um sensor.

A forma mais eficiente de produzir uma imagem simulada é entender o fluxo do processo de formação de imagens e criar um ambiente em que se reproduzam as condições de geração do dado. Como nem sempre isso é possível, a ideia é partir para aproximações e simplificações deste processo.

Imagens simuladas são ferramentas muito poderosas para o analista de sensoriamento remoto porque podem revelar que a nossa compreensão é insuficiente e que mais esforços de investigação e desenvolvimento podem ser necessários para o total entendimento do processo de formação das imagens de um sensor específico. Estas imagens ajudam a saber, se as

Anais XVI Simpósio Brasileiro de Sensoriamento Remoto - SBSR, Foz do Iguaçu, PR, Brasil, 13 a 18 de abril de 2013, INPE

8114

simplificações dos problemas são aceitáveis e podem também evidenciar a importância de um parâmetro ou componente que estava completamente esquecido. Por outro lado, um componente em que foi dada uma atenção especial pode se apresentar como sendo de pouca importância.

Se considerarmos que as imagens de satélite são geradas em função de quatro resoluções (espacial, temporal, radiométrica e espectral) e que a ideia de simulação é justamente reproduzir um dado em condições controladas, então, é razoável afirmar que os esforços da simulação devem ser voltados para as questões espacial e espectral, que são as características mais evidenciadas nas aplicações. Simular a questão temporal pode ser conseguida a partir de um conjunto de imagens tomadas na linha do tempo e desta forma, usar um modelo para estimar o dado num tempo desejado. Simular o dado com menor quantidade de bits também é relativamente fácil, pois basta comprimir um intervalo de níveis de cinza para um único valor, o que já não é tão trivial no processo inverso. Normalmente o aumento de bits na quantização depois da imagem produzida é conseguido pela adição de ruído. Desta forma, este trabalho colocará seu foco na questão espacial e espectral e nos componentes que os afetam. 2. Métodos de Simulação – Modelos Físicos

A primeira abordagem apresentada é a simulação de imagens através de modelos físicos. Os modelos físicos podem incluir o terreno, cobertura do solo, estruturas e veículos, com o detalhamento da cena em função da resolução do sensor a ser simulado. Esta abordagem é descrita por Francis et al. (1993). A cena é iluminada com um feixe colimado para simular o sol e muitas fontes difusas para simular o céu como mostrado na Figura 1. Os sensores estão localizados acima do modelo e a ótica é ajustada para simular o campo de visão desejado. A FEP (Função de Espalhamento Pontual) do sistema a ser simulado é, então, convoluída com a imagem digital adquirida pelo sistema de teste. A imagem neste caso é projetada para representar o campo de radiância no sensor. Também é fácil mudar a câmera e os ângulos solares para gerar várias imagens da mesma cena. Esta metodologia tem a desvantagem de que é necessário garantir que a alta reflectância e a variação da reflectância sejam incluídas neste cenário. Esse problema se torna grave quando essa abordagem é usada para simular cenas multiespectrais. Maver e Scarff (1993) descrevem uma abordagem híbrida para simular cenas multiespectrais onde os modelos físicos e a iluminação são utilizados para gerar cenários que são então processados por meio de visão computacional.

Figura 1. Simulação utilizando modelo físico.

FONTE: Schott (1997). A vantagem dessa abordagem é que algumas das variações espaciais e as interações de

certos materiais podem ser incluídas no projeto do modelo. A desvantagem é que a geração de cenas complexas pode tornar-se difícil, exigindo edição manual considerável. Além disso, os efeitos especulares (BRDF – Função de Distribuição de Reflectância Bidirecional) são muito


8115

difíceis de simular. Os elementos do modelo que compõe a cena precisam ser bastante difusos, a fim de evitar reflexões especulares de uma das muitas fontes de iluminação. Embora a abordagem híbrida tenha desvantagens significativas na formação da imagem simulada, ela possui uma grande vantagem quando o detalhe espacial é importante. Isso pode ser observado na Figura 2, onde uma imagem simulada é produzida por esta abordagem nas condições de simulação apresentada na Figura 1.

Figura 2. Imagem Simulada a partir de modelos físicos.

FONTE: Schott (1997). Segundo Schott (1997), uma alternativa para o uso de modelos físicos é uma abordagem

totalmente sintética. Os elementos de cena, a propagação da radiação, e os efeitos do sensor são simulados usando modelagens computacionais. Esta abordagem é atraente e amplamente utilizada porque permite variações infinitas, essencialmente, nos processos de ajuste de elementos de cena e interação. Por outro lado, as complexidades computacionais desta abordagem em termos de codificação e tempo de execução são desvantagens. Na prática, a ideia é modelar com precisão os processos físicos que ocorrem no processo de geração das imagens. O resultado é um modelo de alta-fidelidade que pode fornecer informações sobre o processo de formação de imagem, bem como a própria imagem simulada. Normalmente, um modelo radiométrico é usado para gerar uma estimativa da radiação do alvo para o sensor. Este modelo é frequentemente associado a um modelo de propagação da radiação, tal como MODTRAN (MODerate resolution atmospheric TRANsmission) utilizado para calcular o nível de radiação na superfície. O MODTRAN calcula a transmitância atmosférica e/ou a radiância na região espectral referente ao micro-ondas, infravermelho, visível, e ultravioleta próximo (Latorre, 2002). É um código que pode ser usado para predizer a radiância espectral para várias geometrias e condições atmosféricas. Os modelos de propagação atmosférica, muitas vezes, têm uma base de dados das condições atmosféricas que são necessários como entrada. Finalmente, um modelo de sensor deve estar disponível para caracterizar a localização do sensor, geometria de aquisição, campo de visada, resolução, resposta espectral e radiométrica.

3. Métodos de Simulação – Aproximações Computacionais Outras abordagens envolvendo técnicas de simulação propõem métodos em que as

imagens simuladas são geradas a partir de outras imagens. Essas técnicas, normalmente, tratam da degradação de uma imagem de melhor resolução para gerar imagens em resoluções piores, embora existam casos inversos.

Um trabalho interessante é o de Justice et al. (1989) que apresenta aspectos da degradação espacial. Os autores descrevem uma técnica de degradação espacial de dados de


8116

satélite de alta resolução para produzir dados em resoluções mais grosseiras. Neste estudo, são geradas imagens simuladas em seis grades de resoluções diferentes em um intervalo de 79 m a 4000 m, a partir do sensor (MSS) Multispectral Scanner/Landsat. A metodologia é a utilização de um filtro digital determinado a partir da Função de Transferência de Modulação do sensor.

O trabalho de Esposito et al. (1998) apresenta a simulação das imagens das câmeras do CBERS usando imagens AVIRIS (Airborne Visible/Infrared Imaging Spectrometer) . A Figura 3 apresenta o fluxograma do algoritmo de simulação utilizado neste estudo.

Figura 3. Fluxograma do algoritmo de simulação das imagens CBERS. FONTE: Esposito et al. (1999).

Para simular as imagens dos sensores do CBERS, que na época deste trabalho ainda não

tinha sido lançado, as bandas espectrais do AVIRIS passaram por um processo de convolução que resultaram nas bandas dos sensores a bordo do CBERS. As funções de resposta espectral determinadas em laboratório foram um dado básico para o início deste processo, pois determinaram como e quanto cada comprimento de onda do AVIRIS contribuiu para as bandas espectrais do CBERS. Para realizar a simulação das imagens CBERS, fez-se necessário extrapolar a radiância espectral medida pelo AVIRIS a 20 km de altitude, para a altitude da órbita do CBERS, a 778 km. O programa MODTRAN 3.0 foi utilizado para esse cálculo, fornecendo os valores de transmitância em cada comprimento de onda. Como havia diferença no horário de tomada das imagens (CBERS programado para passar sobre o equador às 10:30 h, e as imagens AVIRIS do estudo foram coletadas entre 13:30 h e 16:30 h), e conhecendo as condições de iluminação da cena, calculou-se o ângulo zenital solar tanto para o horário de passagem do AVIRIS como para o horário de passagem do CBERS, obtendo-se um fator de correção que foi aplicado em toda a cena. As funções de resposta espectral medidas em laboratório das câmaras CCD e WFI foram transformadas a partir de um algoritmo de interpolação spline. Uma vez obtidas as funções interpoladas para os canais do AVIRIS, aplicou-se um algoritmo de convolução para gerar as funções de resposta espectral ponderadas. Como resultado, foram obtidos valores que representam o peso de cada canal na resposta espectral, ou seja, o quanto, em termos relativos, aquele canal contribuiu


8117

para a formação da banda da câmara CBERS simulada. Essas funções de resposta espectral ponderadas são aplicadas às imagens do AVIRIS, produzindo as bandas espectrais das câmaras do satélite CBERS.

Boggione et al. (2003) apresentam a possibilidade de simulação de uma banda pancromática para o Landsat 5 a partir das suas bandas espectrais. Neste trabalho é utilizada a técnica de restauração combinada com interpolação para gerar imagens em grades mais finas. A questão espectral é resolvida usando a relação entre áreas das curvas espectrais das bandas do Landsat 7 e sua pancromática.

O trabalho de Fiete (2007) vem evidenciar a necessidade de entendimento do processo de formação de imagens para a realização de melhores simulações e a importância desta no contexto do projeto de sensores. A Figura 4 apresenta o efeito de cada subsistema na imagem e as curvas de FTM correspondentes a cada subsistema. As simulações de imagens são essenciais para o estudo dos sistemas e para análises pré-construção a fim de se evitar gastos em modificações no projeto durante e após a construção dos sensores.

Figura 4. Efeitos dos subsistemas na imagem e curvas de resposta.

FONTE: Fiete (2007).

Chen et al. (2008) propõem um método de simulação para adquirir imagens hiperespectrais simuladas utilizando imagens de baixa resolução espectral. O método proposto utiliza a ideia da mistura de pixel para entender a relação entre os valores espectrais de um pixel da imagem e para simular os processos de transmissão de radiação. Para isso, foram utilizadas bibliotecas espectrais e dados de classificação de objetos que são derivados de uma imagem de baixa resolução espectral. A Figura 5 apresenta o fluxograma metodológico do processo proposto. O artigo também propõe a utilização de medidas quantitativas como os coeficientes de correlação de imagens simuladas e imagens reais, no caso estudado, imagens Hyperion, para comparar o resultado obtido.


8118

Figura 5. Fluxograma metodológico do processo de simulação proposto por Chen et al.

(2008).

Yang et al. (2009) apresenta a simulação de imagens de alta resolução no intervalo espectral do infravermelho médio usando um modelo analítico de transferência radiativa da atmosfera. Diferentemente de outros intervalos espectrais, o infravermelho médio é altamente dependente da dispersão atmosférica e de emissões. A análise dos resultados indica que o modelo analítico e o modelo de efeitos de adjacência são mais adequado para simulação de imagens no infravermelho médio do que outros modelos existentes. De acordo com as simulações realizadas no trabalho, os efeitos atmosféricos de adjacência são consideráveis e seu impacto atinge cerca de 3% do sinal.

Dentre as aplicações envolvendo simulação de imagens, é interessante destacar o trabalho de Nelson et al. (2009) que usou a simulação de imagens para estudar os efeitos da resolução na estimativa de áreas florestais. Foram simuladas imagens de 90 a 990 metros de resolução a partir de imagens de 30 metros de resolução do sistema Landsat. A ideia foi utilizar dois métodos para reamostrar as imagens: a agregação por média que não afetou as estimativas e a agregação por moda que resultou em alterações no cálculo da área florestal. Este é um típico caso em que a simulação se torna apenas uma questão de reamostragem e escala.

Outro trabalho interessante foi o de Maeda et al. (2008) que simulou e avaliou o potencial das imagens WFI/CBERS-3 para classificação de uso e cobertura da terra em duas regiões com características de paisagens distintas. As simulações usaram a técnica da degradação de imagens ETM+/Landsat7 e reamostragem por vizinho mais próximo. Os autores usaram dois classificadores supervisionados (MAXVER e BHATTACHARYA) nas imagens simuladas para avaliarem a potencialidade do sensor na classificação da cobertura do solo. Os autores constataram que a simulação de imagens do WFI/CBERS-3 apresentou coerência em termos de áreas agrícolas, embora em certos casos, a degradação da imagem implique em erros na classificação. 4. Limitações e Problemas da Simulação

Esta seção propõe a discussão de outros componentes tais como relação sinal/ruído, presença de elementos especulares e sombra na cena.

Uma questão relevante é a relação sinal/ruído em dados de sensoriamento remoto. Imagens coletadas por sensores orbitais são comumente afetados por ruídos periódicos também chamados de coerentes. Estes ruídos são gerados por erros de instrumentação ou flutuações eletrônicas nos sensores e acarretam problemas no processamento e interpretação de imagens digitais (Souza Filho e Dinniss, 1997). Para que dados ruidosos possam ser melhor utilizados é essencial que o ruído presente no sinal seja atenuado ou eliminado.


8119

O artigo de Souza Filho e Dinnis (1997) examina os ruídos tipicamente presentes em imagens de sensoriamento remoto, abordando uma série de metodologias alternativas para recuperação parcial ou total da informação contida nestes dados. As metodologias investigadas compreendem a filtragem no domínio do espaço (filtros de convolução), a análise por Principais Componentes (APC) e as filtragens no domínio de frequências, utilizando-se Transformadas de Fourier.

Embora as técnicas de simulação por degradação sejam relativamente simples de serem implementadas e a disponibilidade de imagens de satélite seja grande, alguns problemas surgiram com o advento das imagens de alta resolução como QuickBird e EROS (Earth Remote Observation Satellite). Essas imagens, dadas as suas características de grade muito fina, carregam efeitos que antes não apareciam em imagens de pior resolução como, por exemplo, imagens do TM/Landsat ou CBERS. Os efeitos de reflexão especular e sombras ficam muito evidentes, e no processo de simulação acabam por contribuir com o resultado final.

A Figura 6 mostra imagens simuladas usando como entrada, imagens TM e QuickBird tomadas no mesmo dia. Este exemplo trata-se da simulação de uma imagem WFI com 64 metros de resolução espacial. A área apresentada é do Reservatório de Ibitinga no Estado de São Paulo, situado no médio Tietê e a seta amarela mostra o efeito especular da imagem QuickBird sendo transferido para a imagem simulada WFI.

(a) 3R2G1B – Landsat

(b) 3R2G1B - QB

(c) 3R4G2B - Landsat (d) 3R4G2B - QB

Figura 6. Efeitos em imagens Simuladas. (a) e (c) TM/Landsat. (b) e (d) Quick Bird.

5. Considerações Finais Pelas técnicas apresentadas fica claro que a utilização da compensação da MTF e a

relação entre as curvas espectrais são os métodos mais utilizados. A indagação a ser feita é se realmente estas técnicas continuam sendo o estado-da-arte ou se existe a necessidade real de maiores investimentos em recursos e tempo em função do benefício de pesquisas que abordam este tema.

Outra questão ainda não resolvida é o problema da reamostragem dos dados quando se utiliza imagens de outros sensores na simulação. A maioria dos trabalhos utiliza reamostradores convencionais como Vizinho Mais próximo e Agregação de Pixels, o que não parece ser o mais próximo do que acontece fisicamente. Esta questão precisa ser melhor estudada, já que mesmo caracterizando todos os subsistemas, a reamostragem é que contribui mais para o resultado da imagem final no que diz respeito à questão espacial.


8120

Uma proposta interessante é a simulação de imagens orientada à aplicação. Ao considerar que as simulações normalmente são definidas em função de um sensor já existente ou pelo menos projetado, uma questão relevante seria, portanto, simular imagens que resolvam um problema específico. A ideia é criar um simulador robusto que tenha a condição de otimizar o ajuste da escala e do intervalo espectral em função de um aplicação real. Para tanto, além de utilizar as técnicas já consolidadas de simulação envolvendo compensação de MTF, interferência atmosférica, adição de ruído e reamostragens, seria também incorporado ao modelo, técnicas de correlação espacial. Na realidade, a proposta é de uma estação inteligente que possa fornecer imagens simuladas em função da aplicação. Estas imagens seriam ajustadas espectralmente e espacialmente a partir de um banco de dados pré-existentes com as curvas espectrais e MTFs dos sensores, e seriam interpoladas, por técnicas de restauração, ou decimadas de acordo com o tamanho do pixel final desejado. 6. Referências Boggione, G.A.; Pires, E.G; Santos, P.A; Fonseca, L.M.G. Simulation of Panchromatic band by spectral combination of multispectral ETM+ bands. International Symposium on Remote Sensing of Environment (ISRSE), Hawai, Nov. 2003. Chen, F.; Niu, Z.; Sun, G.; Wang, C.; Tang, J. Using low-spectral-resolution images to acquire simulated hyperspectral images. International Journal of Remote Sensing, v. 29, p. 2963-2980, 2008. Esposito, E. S. C. Simulação das bandas espectrais das câmaras CCD e WFI do satélite CBERS, a partir de dados do sensor hiperespectral AVIRIS. versão: 1970-01-01. Dissertação (Mestrado em Sensoriamento Remoto) - Instituto Nacional de Pesquisas Espaciais, São José dos Campos, 1998. Fiete, R.D. Image Chain Analysis for Space Imaging Systems. Journal of Imaging Science and Technology, v. 51, n. 2, p. 103-109, 2007. Francis, I; Maver, L.; Schott, J.R. Comparison of physically and computer generated imagery. Proceedings SPIE, v. 1904, p. 20-23, 1993. Justice, C.O.; Markhan, B.L.; Townshend, J.R.G.; Kennard, R.L. Spatial degradation of satellite data. International Journal of Remote Sensing, v. 10, n. 9, p. 1539-1561, 1989. Latorre, M.; Abílio, O.; JúniorR, D.C.; Paula, A.; Carvalho, F.D.; Shimabukuro, Y.E. Correção Atmosférica,: Conceitos e Fundamentos. Espaço & Geografia, v.5, n. 1, p. 153-178, 2002. Maeda, E.E.; Arcoverde, G.F. B.; Formaggio, A.R.; Shimabukuro,Y.E. Evaluation of the potentiality of WFI/CBERS-3 Sensor data for land use and land cover classification. Revista Brasileira de Cartografia, v. 1, n. 60, p. 79-87, 2008. Nelson, M.D.; McRoberts, R.E.; Holden, G.R; Bauer, M.E. Effects of satellite image spatial aggregation and resolution on estimates of forest land area. International Journal of Remote Sensing, v. 30, n. 8, p. 1913-1940, 2009. Maver, L.; Scarff, L. Multispectral image simulation. Proceedings SPIE, v.1904, p. 144-160, 1993. Schott, J. R. Remote sensing the image chain approach. New York, NY: Oxford University, 1997 394305169. Souza Filho, C.R.; Diniss A. Periodic noise suppression techniques applied to remote sensing images. Bol. IG-USP Sér. Cient. V. 28,p. 23-61, 1997. Yang, G.; Liu, Q.; Liu, Q.; Huang, W.; Wang, J. Simulation of high-resolution mid-infrared (3–5 mm) images using an atmosphere radiative transfer analytic model. International Journal of Remote Sensing, vl. 30, n. 22, p. 6003–6022, 2009.


8121

Documents

Revisão de Métodos de Simulação de Imagens de Sensores …