Exploração de atributos de contexto em imagens digitais no estudo da cobertura vegetal em bacias hidrográficas

Abstract

O conhecimento atualizado da cobertura vegetal de bacias hidrográficas é importante para o estudo de processos hidrológicos como por exemplo os de erosão, infiltração ou escoamento superficial. Uma forma de estimar esta informação é através de técnicas de sensoriamento remoto, especialmente em países em desenvolvimento, onde a cobertura de aerofotogrametria não está regularmente disponível. O presente trabalho apresenta o uso dos atributos de contexto como meio de melhorar a precisão da classificação da Máxima Verossimi1hança Gaussiana de imagens usadas em sensoriamento remoto. Para isto. os algoritmos de relaxação fuzzy e probabilística são testados. Este tipo de processo implementa a informação contextual mediante coeficientes de compatibilidade espacial entre classes. De maneira geral. os processos de relaxação iniciam-se com uma primeira estimativa da probabilidade que associa cada pixel a cada uma das classes consideradas. a qual é posteriormente corrigida iterativamente utilizando os coeficientes de compatibilidade. Paralelamente, um método alternativo é proposto, no qual as probabilidades são submetidas a um processo de filtragem espacial para, a seguir, utilizar a relaxação probabilística. Testes com imagens sintéticas e reais, comprovam que a precisão da classificação pode ser aumentada utilizando os atributos de contexto. Os mapas temáticos obtidos por estas metodologias são mais homogêneos e neles pixels de mesma classe se apresentam agrupados espacialmente. tornando a imagem mais adequada para análise. facilitando assim a caracterização da cobertura vegetal da bacia.

Updated knowledge of Land-cover in watersheds plays an important role in the study of hydrological processes as soil erosion, infiltration or runoff. Remote sensing techniques are an invaluable tool for this purpose, specially in third word countries, where regular air-photograph coverage is not available. This study applies contextual attributes to improve the accuracy of the Gaussian Maximum Likelihood classification of remote sensing images. Therefore, fuzzy and probabilistic relaxation are tested Such iterative processes implement contextual information using coefficients that represent spatial compatibility between classes. Relaxation processes starts making an initial estimate of the probabilities that relate each pixel to the classes considered in the classification. This estimates are then iteratively updated using the compatibility coefficients. An alternative procedure is introduced, in which probabilites are first filtered using a low pass filter and then the probablilistic relaxation is used. Tests with synthetic images and real LANDSAT scenes confirm that the accuracy of the classification can be incremented using contextual information. The resulting thematic maps are more homogeneous and pixels of the same class form groups. making the image more adequated to analysis and making it easier to characterize land-cover of the basins.