SIG pré-processamento e análises dos dados gráficos e descritivos

Prévia do material em texto

SIG: pré-processamento e análises dos 
dados gráficos e descritivos
APRESENTAÇÃO
As técnicas de pré-processamento e processamento de imagens podem ter diferentes objetivos. 
O principal deles é facilitar a interpretação humana, por meio da melhoria da qualidade da 
imagem, realçando detalhes importantes, diminuindo erros e permitindo classificar padrões, de 
forma a possibilitar que informações mais convenientes à interpretação automática sejam 
extraídas.
Nesse contexto, os sistemas de informações geográficas (SIG ou GIS — Geographic 
Information Systems, do acrônimo em inglês) propiciam a análise, gestão ou representação do 
espaço e de inúmeros fenômenos.
Nesta Unidade de Aprendizagem, você verá os SIG e as principais ferramentas, sistemas e 
técnicas de análises de dados, pré-processamento e processamento de imagens.
Bons estudos.
Ao final desta Unidade de Aprendizagem, você deve apresentar os seguintes aprendizados:
Indicar técnicas de realce, contraste e correção de erros.•
Descrever técnicas de processamento de imagens.•
Reconhecer o SIG adequado para a realização das técnicas de pré-processamento e 
processamento de imagens.
•
INFOGRÁFICO
Os sistemas de informações geográficas (SIG) se tornaram ferramentas indispensáveis na gestão 
adequada de elementos e eventos que ocorrem na superfície terrestre.
Algumas correções de imagens bases são necessárias anteriormente ao processamento e à 
manipulação de análises, reduzindo erros e ruídos da aquisição dos bancos de dados.
Veja, no Infográfico, o pré-processamento de imagens e o funcionamento simplificado de SIG.
CONTEÚDO DO LIVRO
Os SIG propiciam adequação de monitoramento da superfície terrestre e o melhor entendimento 
de inúmeros fenômenos, utilizando, para isso, imagens provenientes de satélites, por exemplo.
As imagens que serão utilizadas nos SIG podem necessitar de diferentes formas pré-
processamento e processamento, seja para melhorar a qualidade da imagem, realçar detalhes, 
diminuir ruídos ou permitir agrupamentos para formação de classes (para a etapa posterior de 
classificação de imagens).
No capítulo SIG: pré-processamento e análises dos dados gráficos e descritivos, do livro 
Geoprocessamento, você verá as técnicas principais de pré-processamento e processamento de 
imagens, além de alguns softwares adequados para integração com sensoriamento remoto.
Boa leitura.
GEOPROCESSAMENTO 
Natalia de Souza Pelinson 
SIG: pré-processamento 
e análises dos dados 
gráficos e descritivos
Objetivos de aprendizagem
Ao final deste texto, você deve apresentar os seguintes aprendizados:
 Indicar técnicas de realce, contraste e correção de erros.
 Descrever técnicas de processamento de imagens.
 Reconhecer o SIG adequado para a realização das técnicas de pré-
-processamento e processamento de imagens.
Introdução
O geoprocessamento abrange técnicas matemáticas e computacionais 
para o tratamento da informação geográfica e apresenta interface com 
as áreas de cartografia, análise de recursos naturais, transportes, comuni-
cações, energia e planejamento urbano. As ferramentas computacionais 
para geoprocessamento, em sua maioria, são conhecidas como sistemas 
de informação geográfica (SIGs) e permitem a realização de análises mais 
complexas, pois integram dados de diversas fontes a bancos de dados 
georreferenciados.
Neste capítulo, você vai conhecer algumas das principais técnicas 
de pré-processamento de imagens. No contexto brasileiro, com a re-
conhecida dimensão continental, há uma evidente falta de informação 
adequada para tomada de decisões em inúmeros setores (urbanos ou 
rurais), e o uso de ferramentas de SIG figura como solução técnica e 
economicamente viável, permitindo tratamento e gestão de dados e 
imagens de forma ampla com aplicação de consultas locais, análises 
estatísticas e produção cartográfica úteis para diversos contextos, como, 
por exemplo, uso e ocupação do solo. 
Sistemas de informação geográfica: 
processamento de imagens
O sensoriamento remoto pode ser resumido como um efi ciente mecanismo 
para coletar dados ou imagens e, por meio da obtenção remota, representar um 
registro objetivo do espectro relacionado às propriedades físicas e químicas 
dos objetos da superfície terrestre. 
A extração de informações dessas imagens é, por outro lado, um processo 
subjetivo e detalhado. Nesse sentido, é notável que pessoas com diferentes 
focos de aplicação obterão informações temáticas muito diferentes da mesma 
imagem de origem. O processamento de imagens torna-se, assim, uma fer-
ramenta essencial para a extração de informações temáticas ou quantitativas 
dos dados brutos da imagem.
Para análises mais aprofundadas, as imagens devem ser analisadas em 
conjunto com outros dados complementares, como mapas temáticos exis-
tentes de topografia, geomorfologia, geologia e uso do solo, ou com dados 
de pesquisas geoquímicas e geofísicas ou dados logísticos e informações de 
infraestrutura local/regional.
Nesse contexto de integração da obtenção de dados, os sistemas de in-
formação geográfica (SIGs), como ferramentas do geoprocessamento e do 
sensoriamento remoto, permitem realizar análises complexas utilizando-se 
diferentes tipos de dados disponíveis em bancos georreferenciados. A proposta 
principal é que, além de conter a informação de interesse, exista a associação 
a dados espaciais.
Obtidas por satélites ou fotografias aéreas (aviões, helicópteros ou, até 
mesmo, drones), as imagens representam formas de captura indireta de infor-
mação espacial; pode-se dizer que uma imagem digital é uma figura, fotografia 
ou qualquer outra representação bidimensional de objetos ou paisagens. A 
informação fica contida nas variações de tons ou cores que a imagem possui. 
A imagem pode ser armazenada em forma de matriz e cada elemento da 
imagem (pixel) apresenta um valor associado, ainda, à energia eletromagnética 
da superfície da Terra (NERIS, 2011).
Basicamente, os dados utilizados em SIG podem ser classificados em:
 dados gráficos, espaciais ou geográficos que, simplificadamente, des-
crevem características da superfície, tais como posição e forma;
 dados não gráficos, alfanuméricos ou descritivos que, por sua vez,
fazem a descrição dos atributos de cada característica.
SIG: pré-processamento e análises dos dados gráficos e descritivos2
O processamento digital de imagens (PDI) pode melhorar a qualidade 
visual de uma imagem, aprimorando e destacando seletivamente os recursos 
específicos e permitindo classificar, identificar e extrair padrões espectrais e 
espaciais que representam diferentes informações temáticas da realidade. No 
entanto, o PDI pode alterar a geometria da imagem e as condições de ilumina-
ção para fornecer visualizações diferentes da mesma imagem. É importante 
ressaltar que o processamento não busca aumentar as informações dos dados da 
imagem original, apesar de possibilitar a otimização da visualização, tornando 
as imagens aprimoradas e mais “detalhadas” do que a original. 
Para aplicações reais, a melhor opção é dar preferência aos métodos que 
invistam na simplicidade na resolução de problemas. Como curiosidade, vale 
lembrar que o PDI não segue as leis da física clássica de conservação de energia. 
Inúmeras vezes, os resultados produzidos usando técnicas de processamento 
muito simples podem realmente representar melhorias muito significativas 
no trabalho a ser realizado. 
Técnicas de processamento de imagens 
O pré-processamento de imagens pode ser feito por meio principalmente de 
correções geométricas ou radiométricas. De forma geral, o processamento 
inicial de dados brutos pode ser realizado para a calibração radiométrica das 
imagens, para a correção de distorções geométricos e, ainda, para a remoção 
de ruídos. Adicionalmente, técnicas de realce visam aprimorar a qualidade 
da imagem para que os objetos possam ser melhor caracterizados na imagem 
base, enquanto, na classifi cação, tais objetos podem receber uma descrição 
maisdetalhada e serem atribuídos em categorias.
Pré-processamento
No pré-processamento, os dados de imagem gravados pelos sensores de um 
satélite contêm erros relacionados aos valores de geometria e brilho dos pixels. 
Esses erros são corrigidos usando modelos matemáticos apropriados, que 
podem ser defi nidos ou estatísticos. 
Dependendo da necessidade do usuário, alguns procedimentos de cor-
reção-padrão podem ser executados pelos operadores da estação terrestre 
antes que os dados sejam entregues ao usuário final. Esses procedimentos 
incluem correção radiométrica, para corrigir a resposta desigual do sensor 
3SIG: pré-processamento e análises dos dados gráficos e descritivos
em toda a imagem, e correção geométrica, para corrigir distorção geo-
métrica devido à rotação da Terra e outras condições de imagem (como 
visualização oblíqua). 
A imagem também pode ser transformada para se adaptar a um sistema 
de projeção de mapa específico. Além disso, se a localização geográfica pre-
cisa de uma área da imagem deve ser conhecida, pontos de controle de solo 
(GCPs) são usados para registrar a imagem em um mapa preciso (referência 
geográfica) (CRISP, 2001).
Correção radiométrica
O aprimoramento do contraste, às vezes chamado de aprimoramento radiomé-
trico ou modifi cação do histograma, é a técnica mais básica, mas também uma 
das mais efi cazes para otimizar o contraste e o brilho da imagem, possibilitando 
a visualização ou destaque de informações em intervalos de números digitais 
(digital number — DN) específi cos.
A correção radiométrica (Figura 1) é feita para calibrar os valores de 
pixel e corrigir erros nos valores. O processo melhora a interpretabilidade 
e a qualidade dos dados de sensoriamento remoto. A calibração e as corre-
ções radiométricas são particularmente importantes ao se comparar vários 
conjuntos de dados durante um período de tempo. A energia que os sensores 
de aeronaves ou satélites registram pode diferir da energia real emitida ou 
refletida de uma superfície no solo. Isso se deve ao azimute do sol, à elevação 
e às condições atmosféricas que podem influenciar a energia observada pelo 
sensor. Portanto, para obter os valores reais ou verdadeiros da radiação ou 
refletância do solo, os erros radiométricos devem ser contabilizados (HUM-
BOLDT STATE UNIVERSITY, 2014).
O brilho detectado ou medido por sensores baseados em satélite inclui 
a radiação refletida da superfície da Terra, bem como a radiação espalhada 
por partículas na atmosfera. Quase toda a energia registrada pelos sensores 
é afetada pela atmosfera em certa medida. A atmosfera influencia o brilho 
de duas maneiras opostas. Primeiro, ele pode espalhar a luz, aumentando a 
radiação ou o brilho detectado pelo sensor, o que é conhecido como brilho 
do caminho. Segundo, pode reduzir a energia que ilumina a superfície, 
conhecida como radiação incidente ou irradiação. A irradiância varia na 
época do ano devido a diferenças sazonais na elevação solar e na distância 
entre a Terra e o Sol. Os efeitos atmosféricos também são influenciados 
SIG: pré-processamento e análises dos dados gráficos e descritivos4
pelo comprimento de onda. Por exemplo, a dispersão de Rayleigh é mais 
pronunciada em comprimentos de onda mais curtos (HUMBOLDT STATE 
UNIVERSITY, 2014).
Leitores do material impresso, para visualizar as figuras 
deste capítulo em cores, acessem o link ou o código QR 
a seguir.
https://qrgo.page.link/8ujyK 
Figura 1. Correções e unidades comuns para pré-processamento de imagens detectadas 
remotamente.
Fonte: Adaptada de Colorado State University (2018).
O valor registrado para um determinado pixel inclui não apenas a radia-
ção refletida ou emitida da superfície, mas também a radiação dispersa e 
emitida pela atmosfera. Na maioria dos casos, estamos interessados apenas 
nos valores reais da superfície. Para atingir esses valores, os processos de 
calibração e correção radiométrica devem ser aplicados (HUMBOLDT STATE 
UNIVERSITY, 2014).
5SIG: pré-processamento e análises dos dados gráficos e descritivos
Na calibração radiométrica, um sensor registra a intensidade da radiação 
eletromagnética de cada pixel como um DN. Para muitos sensores, esses 
DNs podem ser convertidos em unidades do mundo real mais significa-
tivas, como brilho, ref letância ou temperatura de brilho. Informações 
específicas do sensor são necessárias para executar este processo de 
calibração. No caso de dados do satélite Landsat, o arquivo de metadados 
contém as informações necessárias. A maioria dos pacotes de software de 
processamento de imagens possui ferramentas de calibração radiométricas 
(um exemplo pode ser visualizado na Figura 2). No ENVI, os dados das 
imagens do Landsat podem ser convertidos diretamente em refletância, 
sem a necessidade de primeiro calcular o brilho (HUMBOLDT STATE 
UNIVERSITY, 2014).
Figura 2. Imagem processada com um aplicativo para correção atmosférica. 
Fonte: [AMAZONAWS], ([201-?], documento on-line). 
A correção atmosférica é o processo de remover os efeitos da atmosfera 
para produzir valores de refletância da superfície. A correção atmosférica 
pode melhorar significativamente a interpretabilidade e o uso de uma imagem. 
Idealmente, esse processo requer conhecimento das condições atmosféricas 
e das propriedades do aerossol no momento em que a imagem foi adquirida 
(HUMBOLDT STATE UNIVERSITY, 2014).
SIG: pré-processamento e análises dos dados gráficos e descritivos6
Veja, na Figura 3, o processo de calibração e correção radiométrica.
Figura 3. Processo de calibração e correção radiométrica.
Fonte: Adaptada de Humboldt State University (2014).
Correção geométrica
A correção geométrica é realizada para evitar distorções geométricas de uma 
imagem distorcida e é alcançada estabelecendo a relação entre o sistema de 
coordenadas da imagem e o sistema de coordenadas geográfi cas por meio de 
dados de calibração do sensor, dados medidos de posição e atitude, pontos 
de controle do solo, pontos de controle do solo, condição atmosférica, entre 
outros (JAPAN ASSOCIATION OF REMOTE SENSING, 1996).
A distorção geométrica nas imagens detectadas remotamente vem de duas 
fontes: a distorção interna causada pelo sensor e a distorção externa causada 
pela plataforma e pelos objetos. A distorção interna (distorção sistemática) 
está relacionada às variações da largura do feixe e amostragem no sensor (ou 
radar). A distorção externa (distorção não sistemática) refere-se às variações 
da localização, altitude, atitude e velocidade da plataforma, ao relevo e à 
curvatura da superfície do solo e à revolução da Terra (WISETPHANICHKIJ 
et al., 2009). 
7SIG: pré-processamento e análises dos dados gráficos e descritivos
Veja, a seguir, a descrição dos passos para a correção geométrica.
1. Seleção de método: após considerar as características da distorção 
geométrica, bem como os dados de referência disponíveis, um método 
adequado deve ser selecionado.
2. Determinação de parâmetros: parâmetros desconhecidos que definem 
a equação matemática entre o sistema de coordenadas da imagem e 
o sistema de coordenadas geográficas devem ser determinados com 
dados de calibração e/ou pontos de controle no solo.
3. Verificação de precisão: a precisão da correção geométrica deve 
ser verificada e corrigida. Se a precisão não atender os critérios, o 
método ou os dados utilizados devem ser verificados e corrigidos 
para evitar erros.
4. Interpolação e reamostragem: a imagem codificada geograficamente 
deve ser produzida pela técnica de reamostragem e interpolação. 
Observe a Figura 4, que esquematiza os passos para a correção geométrica, 
e a Figura 5, que apresenta o resultado de uma correção geométrica.
Figura 4. Passos da correção geométrica.
Fonte: Adaptada de Japan Association of Remote Sensing (1996).
SIG: pré-processamento e análises dos dados gráficos e descritivos8
Figura 5. Correção geométrica de uma imagem. 
Fonte: [CORREÇÃO GEOMÉTRICA DE UMA IMAGEM], ([201-?], documento on-line).
Vale ressaltarque existem três métodos principais de correção geométrica 
(JAPAN ASSOCIATION OF REMOTE SENSING, 1996), veja-os a seguir.
  Correção sistemática: quando os dados de referência geométrica ou a 
geometria do sensor são fornecidos ou medidos, a distorção geométrica 
pode ser evitada em teoria ou sistematicamente. Por exemplo, a geome-
tria de uma câmera de lente é dada pela equação de colinearidade com 
distância focal calibrada, parâmetros de distorção da lente, coordenadas 
de marcas fiduciais, etc. A correção de tangência para um scanner óptico 
mecânico é um tipo de correção do sistema. Geralmente, a correção 
sistemática é suficiente para remover todos os erros.
  Correção não sistemática: polinômios a serem transformados de um 
sistema de coordenadas geográficas para um sistema de coordenadas 
de imagem, ou vice-versa, serão determinados com as coordenadas 
dadas dos GCPs, usando o método dos mínimos quadrados. A pre-
cisão depende da ordem dos polinômios e do número e distribuição 
dos GCPs.
  Método combinado: primeiramente, a correção sistemática é aplicada 
e, em seguida, os erros residuais serão reduzidos usando polinômios de 
ordem inferior. Normalmente, o objetivo da correção geométrica é obter 
um erro dentro de mais ou menos um pixel de sua verdadeira posição 
(JAPAN ASSOCIATION OF REMOTE SENSING, 1996).
9SIG: pré-processamento e análises dos dados gráficos e descritivos
Aprimoramento de imagem: realce
Às vezes, as imagens obtidas de satélites e câmeras convencionais e digitais 
não têm contraste e brilho devido às limitações dos subsistemas de imagem 
e das condições de iluminação durante a captura. As imagens podem ter di-
ferentes tipos de ruído. No aprimoramento da imagem, o objetivo é acentuar 
certos recursos para análise subsequente ou exibição. Os exemplos incluem 
aprimoramento de contraste e borda, pseudocoloração, fi ltragem de ruído, 
nitidez e ampliação. O próprio processo de aprimoramento não aumenta o 
conteúdo da informação inerente aos dados, simplesmente enfatiza certas 
características de imagem especifi cadas. Os algoritmos de aprimoramento 
geralmente são interativos e dependem do aplicativo (CHITRADEVI; 
SRIMATHI, 2014).
Ao realizar a análise de imagem digital, é importante usar os valores de 
brilho originais que foram registrados pelo instrumento com as correções 
geométricas e radiométricas apropriadas, conforme discutido na seção an-
terior. No entanto, porque a maioria dos dados detectados remotamente é 
exibida em uma tela de computador; é possível e frequentemente desejável 
fazer alterações na aparência visual das imagens para melhorar a interpre-
tação de um ser humano. Vários tipos de aprimoramento de imagem podem 
ser muito úteis na criação de materiais de apresentação para discussão ou 
tomada de decisão. O analista de imagem também pode achar útil empregar 
aprimoramento de imagem como um meio de entender ou descobrir o conte-
údo da imagem como precursor da análise digital. Os tipos mais comuns de 
ferramentas de aprimoramento de imagem podem ser encontrados na maioria 
dos softwares de processamento de imagem e SIGs (O'NEIL-DUNNE; 
SCHUCKMAN, 2018).
Realce de contraste
Algumas imagens (por exemplo, sobre corpos d’água, desertos, fl orestas 
densas, neve, nuvens e sob condições nebulosas em regiões heterogêneas) 
são homogêneas, ou seja, elas não apresentam muitas mudanças em seus 
níveis. Em termos de representação do histograma, eles são caracterizados 
como a ocorrência de picos muito estreitos. A homogeneidade também pode 
ser devido à iluminação incorreta da cena. Em última análise, as imagens 
obtidas não são facilmente interpretáveis devido à fraca percepção humana. 
SIG: pré-processamento e análises dos dados gráficos e descritivos10
Isso ocorre porque existe apenas uma faixa estreita de níveis de cinza na 
imagem, permitindo uma faixa maior de níveis de cinza (CHITRADEVI; 
SRIMATHI, 2014).
Realce de contraste linear
Este é o algoritmo de contraste mais simples. Os valores de cinza na ima-
gem original e na imagem modifi cada seguem uma relação linear neste 
algoritmo. O número de densidade na faixa baixa do histograma original é 
atribuído a extremamente preto e um valor na extremidade alta é atribuído 
a extremamente branco. Os valores de pixel restantes são distribuídos 
linearmente entre esses extremos. Os recursos ou detalhes que estavam 
obscuros na imagem original serão nítidos na imagem esticada pelo con-
traste (Figura 6). Para fornecer uma variação ideal de contraste e cor em 
composições de cores, a pequena faixa de valores de cinza em cada banda 
é esticada (alongada) até a faixa de brilho total da unidade de saída ou 
exibição (KUMAR, 2003).
Realce de contraste não linear
Nesses métodos, os valores dos dados de entrada e saída seguem uma transforma-
ção não linear. A forma geral do aprimoramento de contraste não linear é defi nida 
por y = f (x), onde x é o valor dos dados de entrada e y é o valor dos dados de saída. 
As técnicas de aprimoramento de contraste não linear foram consideradas 
úteis para aprimorar o contraste de cores entre as quase classes e subclasses 
de uma classe principal. Um tipo de alongamento de contraste não linear 
envolve a escala dos dados de entrada logaritmicamente. Esse aprimoramento 
tem maior impacto nos valores de brilho encontrados na parte mais escura do 
histograma. Ele pode ser revertido para aprimorar os valores em uma parte 
mais brilhante do histograma, escalando os dados de entrada usando uma 
função de log inversa (KUMAR, 2003).
A equalização de histograma é outra técnica de aprimoramento de contraste 
não linear. Nesta técnica, o histograma da imagem original é redistribuído 
para produzir uma densidade populacional uniforme, o que é obtido agrupando 
certos valores de cinza adjacentes. Portanto, o número de níveis de cinza na 
imagem aprimorada é menor que o número de níveis de cinza na imagem 
original (KUMAR, 2003).
11SIG: pré-processamento e análises dos dados gráficos e descritivos
Figura 6. Aumento do contraste em uma imagem antes (a) e depois (b) de um 
alongamento linear de contraste.
Fonte: Adaptada de Natural Resources Canada (2016).
Filtragem
Uma característica das imagens detectadas remotamente é um parâmetro 
chamado frequência espacial, defi nido como o número de alterações no valor 
de brilho por unidade de distância para qualquer parte específi ca da imagem. 
Se houver muito poucas alterações no valor do brilho uma vez em uma deter-
minada área da imagem, isso será chamado de área de baixa frequência. Por 
outro lado, se o valor do brilho mudar dramaticamente em curtas distâncias, 
essa é uma área de alta frequência. A fi ltragem espacial é o processo de dividir 
a imagem em suas frequências espaciais constituintes e alterar seletivamente 
certas frequências espaciais para enfatizar alguns recursos da imagem. Essa 
técnica aumenta a capacidade do analista de discriminar detalhes. As técnicas 
SIG: pré-processamento e análises dos dados gráficos e descritivos12
de fi ltragem podem ser utilizadas, basicamente, para remoção de ruídos ou 
realce de certos elementos da imagem. Os três tipos de fi ltros espaciais usados 
no processamento de dados de sensores remotos são: fi ltros passa-baixa, fi ltros 
passa-alta, direcionais e passa-banda. Os fi ltros de passa-banda são menos 
utilizados devido à sua difícil implementação (KUMAR, 2003).
Filtros passa-baixa (suavização)
Os fi ltros de suavização foram projetados para remover informações de alta 
frequência e reter informações de baixa frequência, reduzindo, assim, o ruído, 
mas com o custo de degradar os detalhes da imagem. A Figura 7 ilustra um 
fi ltro passa-baixa típico H(u, v) e a função correspondente h(x, y), também 
conhecida como point spread function (PSF) ou fi ltro kernel. A maioria dos 
fi ltros kernel para suavização envolve médias ponderadas entre os pixels 
(LIU; MASON, 2016). 
Figura 7. Ilustração dos filtros de frequência passa-baixa e passa-alta. 
Fonte: Adaptada de Liue Mason (2016).
Quanto maior o kernel, menor a frequência de informações retidas. A 
suavização com base na média é eficaz para eliminar os pixels de ruído, que 
geralmente são distinguidos por DNs muito diferentes de seus vizinhos, mas, 
13SIG: pré-processamento e análises dos dados gráficos e descritivos
por outro lado, o processo desfoca a imagem como resultado da remoção de 
informação de alta frequência. Como ilustrado na Figura 8, uma imagem de 
aparência múltipla de radar de abertura sintética (SAR) parece barulhenta 
devido a manchas no radar (Figura 8a); a mancha é efetivamente removida 
usando um filtro médio de 5 × 5, revelando melhor as características do solo 
(Figura 8b). Esses recursos ficam desfocados quando um filtro médio 9 × 9 
é aplicado (Figura 8c). Para remover o ruído sem desfocar as imagens, a sua-
vização de preservação de borda se torna um importante tópico de pesquisa 
de filtragem (LIU; MASON, 2016). 
Figura 8. (a) Imagem original; (b) resultado médio do filtro 5 × 5; e (c) 9 × 9, resultado 
médio do filtro. 
Fonte: Adaptada de Liu e Mason (2016).
Filtros passa-alta (aprimoramento de borda)
Bordas e texturas em uma imagem são exemplos típicos de informações de 
alta frequência. Os fi ltros passa-alta removem informações de imagem de 
baixa frequência e, portanto, aprimoram informações de alta frequência, 
como bordas. Os fi ltros de aprimoramento de borda mais comumente usados 
são baseados em primeira e segunda derivadas ou gradiente e laplaciano. É 
importante notar que os dois tipos de fi ltros passa-alta funcionam de maneiras 
diferentes. O gradiente é a primeira derivada do pixel f(x, y) e, como medida da 
taxa de alteração do DN, é um vetor que caracteriza a magnitude e a direção 
máximas da inclinação do DN em torno do pixel f(x, y). O laplaciano, como 
a segunda derivada no pixel f(x, y), é um escalar que mede a taxa de variação 
do gradiente. Em palavras simples, laplaciano descreve a curvatura de uma 
inclinação, mas não sua magnitude e direção (LIU; MASON, 2016).
SIG: pré-processamento e análises dos dados gráficos e descritivos14
Filtros direcionais
Os fi ltros direcionais são um tipo especial de fi ltro passa-alta, combinado 
com uma linearização de níveis de cinza, caracterizados por realçar bordas 
em direções pré-determinadas. Esses fi ltros possuem apenas uma dimensão 
(horizontal ou em linha e vertical ou em coluna). Um problema referente aos 
fi ltros direcionais está no fato de frequentemente produzirem bordas artifi ciais, 
ou artefatos, que confundem o intérprete por parecer uma feição verdadeira. 
Os fi ltros direcionais podem também ser quadrados e, entre os tipos mais 
comuns, estão os fi ltros de Roberts, Sobel (Figura 9) e Prewitt. Diferentemente 
dos fi ltros normais de detecção de bordas, os direcionais possuem seus pesos 
distribuídos assimetricamente ao redor de um eixo hipotético. As direções 
a serem realçadas são paralelas a esse eixo hipotético, sendo que o realce se 
dá num intervalo de 45° para ambos os lados em relação à direção de realce 
(CRÓSTA, 2002). 
Figura 9. (a) Imagem original; (b) imagem com filtro Sobel na direção x; (c) imagem com 
filtro Sobel na direção y. 
Fonte: Adaptada de Liu e Mason (2016).
Análise do componente principal
Os dados da imagem multiespectral são geralmente fortemente correlacionados 
de uma banda para a outra. O nível de um determinado elemento de imagem 
em uma banda pode, até certo ponto, ser previsto a partir do nível desse mesmo 
pixel em outra banda. A análise de componentes principais é uma transfor-
mação de pré-processamento que cria novas imagens a partir dos valores não 
correlacionados de diferentes imagens. Isso é realizado por uma transformação 
15SIG: pré-processamento e análises dos dados gráficos e descritivos
linear de variáveis que corresponde a uma rotação e translação do sistema de 
coordenadas original. A análise de componentes principais opera em todas 
as bandas juntas. Assim, alivia a difi culdade de selecionar bandas apropria-
das associadas à operação de relação de banda. Os componentes principais 
descrevem os dados com mais efi ciência do que os valores de refl etância da 
banda original. O primeiro componente principal é responsável por uma parte 
máxima da variação no conjunto de dados, geralmente chegando a 98%. Os 
componentes principais subsequentes representam porções sucessivamente 
menores da variação restante (KUMAR, 2003).
As transformações de componentes principais são usadas para reconheci-
mento de padrões espectrais e aprimoramento de imagens. Quando usados antes 
do reconhecimento de padrões, os principais componentes menos importantes 
são descartados por completo. Isso nos permite omitir a parte insignificante do 
nosso conjunto de dados e, assim, evita o tempo adicional do computador. As 
funções de transformação são determinadas durante o estágio de treinamento. 
As imagens dos componentes principais podem ser analisadas como imagens 
em preto e branco separadas, ou quaisquer imagens de três componentes podem 
ser codificadas por cores para formar um composto de cores. As técnicas de 
aprimoramento de componentes principais são particularmente apropriadas 
em áreas nas quais pouca informação a priori sobre a região está disponível 
(KUMAR, 2003).
Classificação de imagens
Diferentes tipos de cobertura de terra em uma imagem podem ser discri-
minados usando algoritmos de classifi cação de imagem usando recursos 
espectrais, isto é, as informações de brilho e cor contidas em cada pixel. Os 
procedimentos de classifi cação podem ser supervisionados ou não supervi-
sionados. Na classifi cação supervisionada, os recursos espectrais de algumas 
áreas de tipos conhecidos de cobertura são extraídos da imagem. Essas áreas 
são conhecidas como áreas de treinamento. Cada pixel na imagem inteira 
é classifi cado como pertencente a uma das classes, dependendo de quão 
próximas são suas características espectrais das características espectrais 
das áreas de treinamento. Na classifi cação não supervisionada, o programa 
de computador agrupa automaticamente os pixels da imagem em clusters 
separados, dependendo de seus recursos espectrais. Cada cluster receberá 
um tipo de cobertura terrestre pelo analista. Cada classe de cobertura do 
solo é chamada de tema e o produto da classifi cação é conhecido como 
mapa temático. A Figura 10 mostra um exemplo de mapa temático, derivado 
SIG: pré-processamento e análises dos dados gráficos e descritivos16
da imagem SPOT (Satellite Pour l’Observation de la Terre) multiespectral 
da área de teste mostrada em uma seção anterior usando um algoritmo de 
classifi cação não supervisionado (CRISP, 2001).
Figura 10. Mapa temático derivado de imagem SPOT multiespectral.
Fonte: Adaptada de CRISP (2001).
SIG para técnicas de pré-processamento 
e processamento de imagens
Em geral, para a realização de pré-processamento e processamento de imagens, 
são utilizados softwares específi cos que combinam um banco de dados com o 
tratamento, processamento de imagens e geração de (novos) mapas. Dentre os 
inúmeros programas disponíveis para realização de projetos relacionados ao 
sensoriamento remoto e geoprocessamento, vale destacar que o ArcGis é um 
dos softwares com reconhecido desempenho, mais antigo no mercado, muito 
conhecido, com interface amigável e que vem sendo utilizado para diversas 
aplicações, mas apresenta como desvantagem signifi cativa o fato de ser um 
software pago (alto custo).
Neste contexto, softwares de código livre, como o Quantum GIS (QGIS), 
o Terraview, o Spring entre outros, figuram como opções interessantes prin-
cipalmente por serem viáveis técnica e economicamente. Há uma variada 
gama de freewares disponíveis, com diferentes requisitos de funcionamento 
e abordagens distintas de potencialidades.
Dentre os mais importantes SIGs, atualmente, podemos citar o QGIS, cujo 
desenvolvimento foi iniciado em 2002 e, a partir de 2007, o projeto passou a 
17SIG: pré-processamento e análises dosdados gráficos e descritivos
ser desenvolvido com o apoio da Open Source Geospatial Foundation (OSGeo). 
O QGIS apresenta como principais vantagens seu alto desempenho e, mesmo 
sendo um software novo, possui uma comunidade de usuários significativa e 
em expansão, tendo apresentado modificações recentes muito relevantes que 
corroboram para sua aplicação de forma confiável do produto e permanência 
no topo de preferência dos profissionais de sensoriamento remoto e geopro-
cessamento. O QGIS ainda apresenta, como vantagem, a versatilidade de 
permitir implementações de scripts em Python, uma linguagem de programação 
também em expansão recentemente.
O site do QGIS (2019) possui uma seção interessante com documentações disponíveis. 
A maioria do material está em inglês, mas alguns documentos podem ser lidos em outros 
idiomas, inclusive em português. Alguns documentos que podem ser encontrados são:
  guia de utilizador do QGIS;
  manual de formação QGIS;
  uma introdução suave para os SIG.
Há, além disso, a possibilidade de se engajar na comunidade (ser suporte, receber 
atualizações, reportar bugs e colaborar para a melhoria do sistema). Para saber mais, 
acesse o link a seguir.
https://qrgo.page.link/grchh
Na tentativa de criar um banco de dados com informações dos eventos que 
ocorrem no Brasil e propiciar um melhor entendimento dos eventos que ocorrem 
no território nacional, parcerias entre institutos, empresas e universidades vêm 
realizando o monitoramento de diversos fenômenos, além de colaborar com a 
disponibilização softwares, aplicativos e ferramentas gratuitas.
Neste contexto, o PDI do Instituto Nacional de Pesquisas Espaciais (INPE) 
está focado, principalmente, no aprimoramento e no desenvolvimento de 
métodos de integração, processamento e análise de dados de sensoriamento 
remoto oriundos de diferentes fontes, desenvolvendo técnicas de processamento 
paralelamente baseadas em placas gráficas para otimização de algoritmos 
de PDI.
Há duas áreas de aplicação do PDI constantemente sendo alimentadas: 
processamento de imagens de radar — radares de abertura sintética produzem 
SIG: pré-processamento e análises dos dados gráficos e descritivos18
imagens que apresentam necessidade de pré-processamento e processamento 
devido às particularidades estatísticas; geoestatística para saúde — uso de 
imagens de sensoriamento remoto e técnicas geoestatísticas para modelagem 
epidemiológica.
No site da Divisão de Processamento de Imagens do INPE, estão apresen-
tados ainda os principais softwares e projetos brasileiros de sensoriamento 
remoto: Spring, TerraLib, TerraView, TerraMA2, TerraHidro, GeoDMS, LabISA, 
TerraAmazon e TerraBrasilis.
O processamento de imagens pelo TerraView, do INPE/DPI (Divisão de 
Processamento de Imagens), está materializado em publicações, algoritmos e 
produtos tecnológicos de inovação, tais como GeoDMA e GeoSchisto. 
Adicionalmente, o Spring é um projeto de grande relevância do INPE/
DPI com a participação de inúmeros grupos, tais como Embrapa/CNPTIA 
(Centro Nacional de Pesquisa Tecnológica em Informática para Agri-
cultura da Empresa Brasileira de Pesquisa Agropecuária), IBM Brasil 
(Centro Latino-Americano de Soluções para Ensino Superior e Pesquisa), 
Tecgraf (Grupo de Tecnologia em Computação Gráfica da PUC-Rio) e 
PETROBRÁS/CENPES (Centro de Pesquisas Leopoldo Miguez), com 
apoio financeiro do CNPq (Conselho Nacional de Desenvolvimento 
Científico e Tecnológico), através dos programas RHAE e ProTeM-CC 
(projeto Geotec).
Os principais objetivos do projeto Spring são: 
  obter um sistema de informações geográficas para aplicações em agri-
cultura, floresta, gestão ambiental, geografia, geologia, planejamento 
urbano e regional; 
  disponibilizar para a comunidade brasileira um SIG de rápido 
aprendizado; 
  fornecer um ambiente unificado de geoprocessamento e sensoriamento 
remoto para aplicações urbanas e ambientais mantendo a difusão do 
conhecimento desenvolvido pelo INPE e seus parceiros, sob forma de 
novos algoritmos e metodologias.
O Spring possui funções de processamento de imagens, análise espacial, 
modelagem numérica de terreno e consulta a bancos de dados espaciais. Como 
modificações posteriores importantes, há uma nova ferramenta de Registro 
de Imagens Automático e Semiautomático com a utilização da biblioteca 
TerraLib5 e novas transformações geométricas, disponibilizada pela nova 
biblioteca (resampling, scaling and translation, RST), além da técnica de fusão 
19SIG: pré-processamento e análises dos dados gráficos e descritivos
de imagens, que torna possível combinar as cores das imagens multiespectrais 
de baixa resolução com os detalhes de uma banda pancromática que possui 
melhor resolução espacial utilizando métodos baseados na transformada IHS, 
na transformada principal component analysis e na transformada wavelet.
Muitos são os SIGs disponíveis gratuitamente e cada um apresenta van-
tagens e limitações, cabendo ao usuário testar para sua realidade a melhor 
aplicabilidade. Não há um único caminho correto, tampouco um único software 
adequado. A tendência a ser incentivada é que haja melhorias contínuas nos 
produtos ( freewares) e que o usuário seja um grande contribuidor nesse 
desenvolvimento de tecnologias.
Acesse o link a seguir para conferir maiores detalhes dos sistemas e projetos do INPE. 
https://qrgo.page.link/KJ7Sg
[AMAZONAWS]. [S. l.: s. n., 201-?]. Disponível em: https://s3.amazonaws.com/content.
satimagingcorp.com/media/cms_page_media/48/atcor%20sm_1.jpg. Acesso em: 9 
out. 2019.
CHITRADEVI, B.; SRIMATHI, P. An overview on image processing techniques. International 
Journal of Innovative Research in Computer and Communication Engineering, v. 11, n. 2, 
nov. 2014. Disponível em: http://www.rroij.com/open-access/an-overview-on-image-
-processing-techniques.pdf. Acesso em: 7 out. 2019.
COLORADO STATE UNIVERSITY. Geospatial training and applications for Ethiopia. Colo-
rado: CSU, 2018. Disponível em: https://ethiopia-gis.nrel.colostate.edu/pdf/RSLessons/
RS_Lesson_5_Radiometric_Correction.pdf. Acesso em: 7 out. 2019.
[CORREÇÃO GEOMÉTRICA DE UMA IMAGEM]. [S. l.: s. n., 201-?]. Disponível em: http://
www.fis.uni-bonn.de/sites/default/files/rte/passpoints_var.jpg. Acesso em: 9 out. 2019.
CRISP. Image processing and analysis. [S. l.: s. n.], 2001. Disponível em: https://crisp.nus.
edu.sg/~research/tutorial/process.htm. Acesso em: 7 out. 2019.
SIG: pré-processamento e análises dos dados gráficos e descritivos20
CRÓSTA, A. P. Processamento digital de imagens de sensoriamento remoto. Campinas: 
UNICAMP, 2002. Disponível em: https://edisciplinas.usp.br/pluginfile.php/1901009/
mod_folder/content/0/5_Capitulo_6.pdf?forcedownload=1. Acesso em: 7 out. 2019.
HUMBOLDT STATE UNIVERSITY. Radiometric calibration and corrections. California: HSU, 
2014. Disponível em: http://gsp.humboldt.edu/OLM/Courses/GSP_216_Online/les-
son4-1/radiometric.html. Acesso em: 7 out. 2019.
JAPAN ASSOCIATION OF REMOTE SENSING. Geometric correction. [S. l.: s. n.], 1996. Dis-
ponível em: http://wtlab.iis.u-tokyo.ac.jp/wataru/lecture/rsgis/rsnote/cp9/cp9-4.htm. 
Acesso em: 7 out. 2019.
KUMAR, M. Digital image processing. In: SATELLITE remote sensing and GIS applications 
in agricultural meteorology. Geneva: WMO, 2003. Disponível em: http://www.wamis.
org/agm/pubs/agm8/Paper-5.pdf. Acesso em: 9 out. 2019.
LIU, J. G.; MASON, P. J. Image processing and GIS for remote sensing: techniques and 
applications. 2nd. ed. Oxford: Willey, 2016.
NATURAL RESOURCES CANADA. Image enhancement. Canada: [S. n.], 2016. Disponível 
em: https://www.nrcan.gc.ca/maps-tools-publications/satellite-imagery-air-photos/
remote-sensing-tutorials/image-interpretation-analysis/image-enhancement/9389. 
Acesso em: 9 out. 2019.
NERIS, F. L. Geoprocessamento para projetos ambientais. Criciúma: UNESC, 2011. Disponível 
em: http://www.unesc.net/~fln/APOSTILAECO.pdf. Acesso em: 16 out. 2019.
O'NEIL-DUNNE, J.; SCHUCKMAN, K. Remote sensing image analysis andapplications. 
Pennsylvania: PSU, 2018. 
QGIS: um sistema de informação geográfica livre e aberto. [S. l.: s. n.], 2019. Disponível 
em: https://www.qgis.org/pt_PT/site/getinvolved/index.html. Acesso em: 9 out. 2019.
WISETPHANICHKIJ, S. et al. An improvement of geometric correction of satellite image. 
Geospatial World, jan. 2009. Disponível em: https://www.geospatialworld.net/article/
an-improvement-of-geometric-correction-of-satellite-image/. Acesso em: 
Leituras recomendadas
INPE. Divisão de Processamento de Imagens. Processamento de imagens. São José dos 
Campos: INPE, 2019. Disponível em: http://www.dpi.inpe.br/DPI/areas-de-atuacao/
processamento-de-imagens. Acesso em: 9 out. 2019.
QGIS. Get involved in the QGIS community. [S. l.: s. n.], 2019. Disponível em: https://qgis.
org/en/site/getinvolved/index.html. Acesso em: 9 out. 2019.
21SIG: pré-processamento e análises dos dados gráficos e descritivos
DICA DO PROFESSOR
Os SIG são cada vez mais utilizados para produzir novas informações e análises a partir de um 
banco de dados, devido ao aumento das aplicações de sensoriamento remoto, das melhorias nas 
redes de medição e também dos produtos disponíveis para os usuários finais.
Nesse contexto, aplicações diversas podem ser consideradas, entre elas: ordenamento territorial, 
análise de impactos ambientais, análise geográfica em estudos socioeconômicos, melhor 
entendimento da dinâmica de recursos hídricos, entre outras.
Um dos principais programas de obtenção de imagens de satélite dos Estados Unidos é o 
Landsat. As imagens das missões Landsat proporcionam um banco de dados com mais de 40 
anos de observação da superfície terrestre e são de relevante importância para a qualidade das 
análises utilizando-se SIG.
Conheça, na Dica do Professor, o programa Landsat e veja como obter as imagens desse banco 
de dados.
Conteúdo interativo disponível na plataforma de ensino!
SAIBA +
Para ampliar o seu conhecimento a respeito desse assunto, veja abaixo as sugestões do 
professor:
Topografia e geoprocessamento
O livro aborda conceitos de cartografia, topografia, altimetria, planialtimetria e do sistema de 
posicionamento global. Serve como base para diversos assuntos tratados em geoprocessamento 
e processamento de imagens.
Earth Explorer
Neste link, você acessa o site disponibilizado pelo United States Geological Survey (USGS), o 
Earth Explorer, para acessar e baixar diferentes imagens de satélite.
Conteúdo interativo disponível na plataforma de ensino!
Tutorial do QGis: como baixar imagens pelo Earth Explorer 
O Laboratório de Agricultura de Precisão da Escola Superior de Agricultura Luiz de Queiroz 
(ESALQ - USP) disponibiliza os primeiros passos para aprender como acessar e baixar 
diferentes imagens de satélite disponibilizadas pelo United States Geological Survey (USGS), o 
Earth Explorer.
Conteúdo interativo disponível na plataforma de ensino!
Fridays of QGIS: How to automatically download and preprocess Landsat, Sentinel-2 and 
Aster imagery (em inglês)
Neste minivídeo, você verá a classificação semiautomática (SCP plugin) e como baixar imagens 
e classificar as camadas para tratamento e correção usando QGis.
Conteúdo interativo disponível na plataforma de ensino!
Fridays of QGIS: Preprocessing images with the SCP plugin (em inglês)
Neste minivídeo, você verá a classificação semiautomática (SCP plugin) e como cortar imagens 
para tratamento e correção usando QGis.
Conteúdo interativo disponível na plataforma de ensino!