2017-SBG-CTIG-paper-87

Prévia do material em texto

IV Simpósio Brasileiro de Geomática – SBG2017
II Jornadas Lusófonas - Ciências e Tecnologias de Informação Geográfica - CTIG2017 
Presidente Prudente - SP, 24-26 de julho de 2017
p. 272-279 
EXTRAÇÃO DE BORDAS DE IMAGEM ALOS/PALSAR USANDO 
K-MÉDIAS E MORFOLOGIA MATEMÁTICA
ANA LÚCIA BEZERRA CANDEIAS1 
JOÃO RODRIGUES TAVARES JUNIOR1 
ARIELY MAYARA DE ALBUQUERQUE TEIXEIRA1 
ERIVALDO ANTÔNIO DA SILVA2 
1Universidade Federal de Pernambuco - UFPE 
Centro de Tecnologia e Geociências - CTG 
Departamento de Engenharia Cartográfica, Recife - PE 
analucia@ufpe.br; {rodriguesjoao380; ariely.albuq}@gmail.com 
Universidade Estadual Paulista - Unesp 
Faculdade de Ciências e Tecnologia - FCT 
2Departamento de Cartografia, Presidente Prudente - SP 
erivaldo@fct.unesp.br 
RESUMO - Este trabalho compara a extração de bordas de uma imagem ALOS/PALSAR com 
polarização HV (denotada aqui de f), de uma região do reservatório de Itaparica, PE por morfologia 
matemática (MM) e pelo filtro de Roberts. O método desenvolvido utiliza a filtragem da mediana 3x3 
para reduzir o speckle da imagem f, gerando a imagem filtrada f1 menos ruidosa. Utiliza-se a classificação 
k-médias com k=6 classes e n=10 iterações. Obtém-se f2 escolhendo-se no resultado de k-medias, a classe
dos alvos mais escuros que representam água e áreas úmidas. Gera-se f3 a partir da subtração da dilatação
B(f2) com f2 e denota-se como borda externa. Obtém-se f4 a partir do filtro de Roberts aplicado a f2.
Comparam-se as bordas obtidas pela MM (f3) com o filtro de Roberts (f4). Na análise dos resultados
observa-se que a borda externa por MM (f3) possui maior perímetro (maior quantidade de pixels) que o
método de Roberts (f4). A vantagem em se utilizar a borda externa é que ela irá definir segmentação do
lado externo dos alvos e isto é um diferencial para a representação cartográfica e reconhecimento de
padrões.
Palavras chave: Segmentação, ALOS/PALSAR, processamento de imagem, sensoriamento remoto 
ABSTRACT - This paper compares edges extracting of ALOS/PALSAR image with HV polarization 
(here denoted by f) of Itaparica’s reservoir, PE region by mathematical morphology (MM) and by 
Roberts’ filter. The method developed here uses median 3x3 filtering to reduce speckle of f image, and 
generate a filtered image f1 with less noisy. k-means classification with k = 6 classes and n = 10 iterations 
is then used. f2 is obtained by choosing the result of the class of the darkest targets that represent the water 
and wetlands of k-means. f3 is generated from the subtraction of the dilation B(f2) with f2 and is denoted 
as outer edge. f4 is obtained from the Roberts’ filter applied to f1. A comparison of edges is obtained by 
MM (f3) with Roberts’ filter (f4). The advantage of using the outer edge is that it will set segmentation 
outside of targets and this is an advantage for the cartographic representation and pattern recognition. 
Key words: Segmentation, ALOS / PALSAR, image processing, remote sensing 
1 INTRODUÇÃO 
A extração de bordas é um dos pontos cruciais 
na atualização cartográfica utilizando imagens de 
Sensoriamento Remoto (SR). Porém essa extração nem 
sempre é trivial de se obter. Com isso, tem-se uma 
dificuldade e uma oportunidade para pesquisas nessa 
área de segmentação de imagens. 
Gonzalez e Woods (2000) e Jain (2010) 
apresentam a segmentação de imagem e também em 
Dey, Zhang e Zhong (2010); Aly, Deris e Zaki (2011) e 
Kandwal, Kumar e Bhargava (2014) mostram uma 
revisão desse assunto. No caso das imagens de RADAR, 
 
 
IV Simpósio Brasileiro de Geomática – SBG2017
II Jornadas Lusófonas - Ciências e Tecnologias de Informação Geográfica - CTIG2017 
 
 
 
 
A. L. B. Candeias; J. R. Tavares Junior; A. M. A. Teixeira.; E. A. da Silva ISSN 1981-6251 
 
existe intrinsecamente a presença de ruído na geração 
das imagens e isto dificulta a definição das regiões 
homogêneas e segmentação. Trabalhos tais como 
Giróna, Frery e Cribari-Neto (2012); Nascimento et al 
(2014), Dias, Cribari-Neto e Ospina (2015) mostram 
soluções de segmentação para imagens de RADAR. 
A classificação por k-médias é bastante 
conhecida (JAIN, 2010) e baseia-se em obter centroides 
de k regiões (classes) homogêneas em n iterações de 
forma não supervisionada. 
As bordas de k regiões ou classes obtidas por 
k-médias podem ser adquiridas pela MM (Morfologia 
Matemática). Candeias (1997) e Candeias et al (2013) 
apresentam operadores da MM para extração de bordas 
externas, internas ou gradiente. 
No método desenvolvido utiliza-se 
inicialmente uma filtragem não linear da mediana 3x3 
para reduzir o speckle na imagem ALOS/PALSAR. 
Após isso, com a classificação k-médias obtém-se k 
classes a partir de n iterações. Finalmente, pela MM é 
tem-se a segmentação dessa imagem classificada com 
uma das classes k. 
Quando se pode escolher se: a borda será 
interna (f – B(f)), externa (B(f) - f) ou gradiente (B(f) - 
B(f)) é possível obter melhor o contorno dos alvos. Em 
um reservatório, por exemplo, pode-se obter o contorno 
onde começa o terreno (borda no terreno), ou onde 
termina a água (borda na água) essa diferenciação é 
importante para a representação cartográfica e 
reconhecimento de padrões na imagem. 
Nesse artigo, obtém-se as bordas da classe 
(obtida em k-médias) que representa os alvos mais 
escuros da imagem ALOS/PALSAR (HV) como água, 
áreas úmidas ou irrigadas. Os resultados obtidos são 
comparados com a filtro de Roberts (GONZALEZ e 
WOODS, 2000). 
 
2. FUNDAMENTAÇÃO TEÓRICA 
 
2.1 Sistema sensor ALOS 
 
O sistema de sensor Advanced Land Observing 
Satellite (ALOS) que é um projeto conjunto entre a 
Agência Japonesa de Exploração Aeroespacial (JAXA) 
e a observação de Organização do Sistema Recursos 
Japão (JAROS) são apresentados em Rosenqviste et al. 
(2007)) e em JAXA, 2008. 
Os instrumentos sensores do ALOS são: PRISM, 
AVNIR-2 e PALSAR (banda L - SAR). Em JAXA 
(2016) tem-se um detalhamento do PALSAR e em 
IBGE (2016) apresentam-se os metadados dessas 
imagens. 
 
2.2 Classificação não supervisionada por k-médias 
O método de K-médias (MACQUEEN, 1967) 
baseia-se em uma classificação não supervisionada que 
gera centroides de k regiões (classes) homogêneas em n 
iterações. Jain (2010) mostra matematicamente o 
processo da classificação k-médias. 
 
2.3 Morfologia Matemática 
A Morfologia Matemática (MM) é um 
processamento de imagem com abordagem não linear. 
Este enfoque foi desenvolvido por Matheron e Serra na 
École Nationale Supérieure des Mines de Paris nos 
anos 1960 (SERRA, 1982). No Brasil trabalhos como 
Silva (1995), Candeias (1997), Castro e Centeno (2010), 
Rodrigues e Silva (2010), Ishikawa, Silva e Nóbrega 
(2010) apresentam resultados da segmentação de feições 
utilizando os operadores da MM. 
Os operadores básicos de MM são a erosão e a 
dilatação da imagem f por um elemento estruturante B. 
Essa imagem f pode ser colorida, em níveis de cinza, ou 
binária. Aqui trata-se do caso de imagens das imagens 
ALOS/PALSAR com polarização HH e HV e, portanto, 
tem-se o caso de imagens em níveis de cinza. Essas 
imagens foram adquiridas gratuitamente do site do 
IBGE. Maiores detalhes sobre polarização das imagens 
ALOS/PALSAR podem ser obtidas em JAXA (2016). 
A dilatação δB(X) avalia máximos locais, enquanto 
a erosão (εB(X)), mínimos locais de uma imagem em 
níveis de cinza X supondo o elemento estruturante B 
(máscara 3x3). Para X uma imagem em níveis de cinza, 
tem-se como efeito da dilatação, uma imagem borrada e 
mais clara e na erosão uma imagem borrada e mais 
escura, como é mostrado em Candeias (1997). Por outro 
lado, no caso de X uma imagem binária, tem-se como 
efeito do dilatação δB(X), a ampliação do(s) objeto(s) 
claro(s) e respectivamente, como efeito do erosão B(X), 
a redução do(s) objeto(s) claro(s). 
É possível definir três tipos de borda em MM: 
borda externa, bordainterna e gradiente para uma 
imagem X binária ou para uma imagem em níveis de 
cinza (CANDEIAS,1997; CANDEIAS et al., 2013). As 
equações são apresentadas a seguir: 
 
Borda interna = (f – B(f)) (1) 
Borda externa = (B(f) - f) (2) 
Gradiente = (B(f) - B(f)) (3) 
 
O elemento estruturante B irá definir a largura 
dessa borda. Será usado no artigo: a borda externa por 
segmentar os alvos com água do seu lado externo. 
Maiores detalhes ver em (CANDEIAS et al., 2013). 
 
2.4 Filtro de Roberts 
O filtro de Roberts (GONZALEZ e WOODS, 
2000) é bastante conhecido para extração de bordas. A 
Figura 1 mostra a representação da máscara de Roberts 
para a filtragem. Aqui utiliza-se a união dos resultados 
Gx e Gy obtidos de uma imagem binária. 
 
 
Figura 1 - Filtro de Roberts. Adaptado: Dias, Soares e 
Fonseca (2011). 
 
 
 
IV Simpósio Brasileiro de Geomática – SBG2017
II Jornadas Lusófonas - Ciências e Tecnologias de Informação Geográfica - CTIG2017 
 
 
 
 
A. L. B. Candeias; J. R. Tavares Junior; A. M. A. Teixeira.; E. A. da Silva ISSN 1981-6251 
 
 
3. MATERIAL E MÉTODOS 
 
A metodologia desenvolvida foi dividida em cinco 
etapas e são mostradas a seguir. Na seção 4 tem-se um 
detalhamento de cada uma dessas etapas. 
 
a) Escolha das imagens ALOS das áreas estudadas 
b) Filtragem da mediana 3x3 
c) Classificação k-médias em k classes e n iterações 
d) Escolha da classe k a ser segmentada 
e) Filtragem pelo método de Roberts e comparação 
com a extração de bordas externas por MM 
 
Utilizou-se o software SPRING para a 
implementação da metodologia do trabalho e o 
MATLAB para a geração dos gráficos apresentados. 
 
A Figura 2 apresenta a localização da área teste. Em 
Matos et al (2015) tem-se uma descrição dessa área e 
onde está localizado o reservatório de Itaparica - PE
 
 
Figura 2 – Área teste. Adaptado: Matos et al (2015). 
 
4. RESULTADOS E DISCUSSÃO 
 
Nessa seção apresenta-se os resultados e discussão das 
etapas mostradas na seção 3. 
 
a) Escolha das imagens ALOS 
A imagem utilizada e denotada por f e está na 
polarização HV em FBD (Fine Beam Double 
Polarisation) e onde está contido o reservatório de 
Itaparica, Pernambuco obtida em 15/jul/2008). 
b) Filtragem da mediana 3x3 
A filtragem da mediana 3x3 foi usada para reduzir 
o speckle da imagem f e com isto gera-se uma 
imagem com regiões mais uniformes f1. 
 
c) Classificação k-médias em k classes e n iterações 
A classificação por k-médias não possui a 
inferência subjetiva do usuário e existe a reprodução do 
mesmo resultado de classificação supondo os mesmos 
valores de entrada k e n. Com a classificação k-médias 
aplicada a f1 obteve-se a definição das áreas uniformes 
com k (número de classes) e n (número de iterações). 
Na Figura 3 tem-se a classe dos alvos mais escuros 
que representam a água e áreas úmidas obtidas com k = 
6 classes e n = 10 iterações para f (imagem sem 
filtragem) e f1 (imagem com filtragem). A mesma classe 
escolhida é mostrada na Figura 4 e supõe-se que k = 5, 6 
e 7 classes e n = 10 iterações. 
Utiliza-se para a segmentação, a imagem f2 que é o 
resultado para k = 6 classes e n = 10 iterações (Figura 4 
(c)). 
 
 
 
IV Simpósio Brasileiro de Geomática – SBG2017
II Jornadas Lusófonas - Ciências e Tecnologias de Informação Geográfica - CTIG2017 
 
 
 
 
A. L. B. Candeias; J. R. Tavares Junior; A. M. A. Teixeira.; E. A. da Silva ISSN 1981-6251 
 
 
(a) 
 
(b) 
 
(c) 
 
(d) 
 
Figura 3 – Classificação dos objetos mais escuros no ALOS/PALSAR e filtragem. (a) Imagem ALOS/PALSAR – 
polarização HV. (b) K-médias na imagem sem filtro da mediana. (c) K-médias na imagem com filtro da mediana. (d) 
Filtragem morfológica. 
 
 
 
 (a) f 
 
(b) k-medias com k = 5 e n = 10 
 
 
(c) f2 = k-medias com k = 6 e n = 10 
 
(d) k-medias com k = 7 e n = 10 
 
Figura 4 – Resultado de k-médias, fixando n = 10 e variando k 
 
 
c) Aplicação da segmentação externa 
A segmentação f3 preserva a área interna do alvo e 
demarca-se apenas a borda externa. Essa flexibilidade 
de poder obter uma borda interna, externa ou gradiente 
(seção 1.3) é uma das vantagens de se utilizar MM. A 
 
 
IV Simpósio Brasileiro de Geomática – SBG2017
II Jornadas Lusófonas - Ciências e Tecnologias de Informação Geográfica - CTIG2017 
 
 
 
 
A. L. B. Candeias; J. R. Tavares Junior; A. M. A. Teixeira.; E. A. da Silva ISSN 1981-6251 
 
Figura 5 apresenta a borda externa obtida por MM da imagem filtrada pela mediana. 
 
 
(a) borda externa por MM (f3) 
 
 
(b) superposição ALOS e a borda externa 
 
Figura 5 – Borda externa obtida por MM da imagem filtrada pela mediana. 
 
d) Filtragem pelo método de Roberts e comparação com 
a extração de bordas externas por MM 
A comparação das bordas obtidas pelo método de 
Roberts e de Morfologia Matemática está apresentada 
na Figura 6, onde se mostra o perfil AB e o gráfico 
contendo os resultados para o filtro de Roberts, borda 
externa por MM e os perfis das imagens ALOS e da 
imagem filtrada pela mediana. 
 
 
 
(a) Localização do perfil AB 
 
 
(b) Gráfico dos perfis AB da borda externa, Filtro de Roberts, Imagem filtada pela mediana eimagem ALOS 
 
Figura 6 – Perfil obtido 
 
 
 
Ampliação 
 
 
IV Simpósio Brasileiro de Geomática – SBG2017
II Jornadas Lusófonas - Ciências e Tecnologias de Informação Geográfica - CTIG2017 
 
 
 
 
A. L. B. Candeias; J. R. Tavares Junior; A. M. A. Teixeira.; E. A. da Silva ISSN 1981-6251 
 
 
 
As equações (4), (5), (6), (7), (8) e (9) representam 
matematicamente estas regiões. Supõe-se que Borda1 
seja a borda externa por MM e que Borda2 seja a borda 
obtida pelo filtro de Roberts. 
 
A interseção entre as bordas é dada por: 
 
Borda3 = Borda1  Borda2 (4) 
A região que não está contida em B é dada por: 
 
Borda4 = Borda1 – Borda3 (5) 
A região que não está contida em A (Figura 7) é 
dada por: 
 
Borda4 = Borda2 – Borda3 (6) 
Percentual da região que está contida em C (Figura 
7) é dada por: 
 
Borda3 (%)= Borda3 / (Borda1  Borda2) (7) 
Percentual da região que não está contida em D 
(Figura 7) é dada por: 
 
Borda4 (%)= (Borda1 – Borda3) / (Borda1  
Borda2) 
(8) 
Percentual da região que não está contida em A 
(Figura 7) é dada por: 
 
Borda5 (%)= (Borda2 – Borda3) / (Borda1  
Borda2) 
 
(9) 
 
Figura 7 – Diagrama de Venn representando conjunto A: 
Borda1 (borda externa por MM), conjunto D: Borda2 
(borda obtida pelo filtro de Roberts) e conjunto C: 
interseção das bordas: Borda1 e Borda2 
 
 
Na Tabela 1 tem-se resultados numéricos para as bordas 
obtidas e observa-se que a borda externa por MM possui 
maior quantidade de pixels quando comparado ao 
método de Roberts. A borda obtida por MM contorna as 
regiões externamente enquanto o método de Roberts 
não tem esse controle. 
 
Tabela 1 – Resultados numéricos para as bordas obtidas 
Tipo de acordo com o diagrama de Venn Equação Valor 
Pixels das bordas de f3 Borda1 = Pixels das Bordas (f3) 700.310 pixels 
Pixels das bordas de f4 Borda2 = Pixels das Bordas (f4) 559.580 pixels 
Pixels da interseção das bordas de f3 e das bordas de f4 
(Região C) 
Borda3 = Borda1  Borda2 286.394 pixels 
Pixels das bordas de f3 que não estão contidos em D Borda4 = Borda1 – Borda3 413.916 pixels 
Pixels das bordas de f4 que não estão contidos em A Borda5 = Borda2 – Borda3 273186 pixels 
Percentual da região das bordas de f3 que estão 
contidos em A 
Borda1 (%) = Borda1 / (Borda1  Borda2) 55,59% 
Percentual da região das bordas de f4 que estão 
contidos em D 
Borda2 (%) = Borda2 / (Borda1  Borda2) 44,41% 
Percentual da região da interseção das bordas de f3 
contidos em C 
Borda3 (%)=Borda3 / (Borda1  Borda2) 22,73% 
Percentual da região das bordas de f3 que não estão 
contidos em D 
Borda4 (%)= (Borda1 – Borda3) / (Borda1  Borda2) 32,85% 
Percentualda região das bordas de f4 que não estão 
contidos em A 
Borda5 (%)= (Borda2 – Borda3) / (Borda1  Borda2) 21,68% 
 
 
5. CONCLUSÕES 
 
Este trabalho tratou da comparação da extração de 
bordas de uma imagem ALOS/PALSAR, polarização HV 
(denotada aqui de f), de uma região do reservatório de 
Itaparica, PE por morfologia matemática (MM) e pelo 
filtro de Roberts. 
 
O método desenvolvido utilizou filtragem não linear 
da mediana, classificação k-médias e segmentação usando 
MM. O filtro de Roberts foi usado para comparação do 
resultado obtido. Para segmentação, utilizou-se alvos 
mais escuros das imagens ALOS/PALSAR tais como 
água, áreas úmidas ou irrigadas 
 
A borda obtida por MM contorna as regiões 
externamente enquanto o método de Roberts não tem esse 
controle. O percentual de interseção entre as bordas por 
MM e Roberts é de 22,73%, já para a borda apenas obtida 
por MM 32,85% é de e apenas para Roberts é de 21,68%. 
 
 
IV Simpósio Brasileiro de Geomática – SBG2017
II Jornadas Lusófonas - Ciências e Tecnologias de Informação Geográfica - CTIG2017 
 
 
 
 
A. L. B. Candeias; J. R. Tavares Junior; A. M. A. Teixeira.; E. A. da Silva ISSN 1981-6251 
 
Foi visto também que a borda externa por MM possui 
maior quantidade de pixels que o método de Roberts. 
 
Como recomendação deve-se implementar a escolha 
do objeto na imagem binária onde será feita a extração de 
bordas usando a metodologia aqui apresentada. 
 
AGRADECIMENTOS 
 
Ao projeto FACEPE APQ-1405-1.07/12, ao projeto 
INNOVATE (Innovate Interplay between the multiple use 
of water reservoirs via innovative coupling of substance 
cycles in aquatic and terrestrial ecosystems) parceiros 
brasileiros: UFPE, UFRPE, EMBRAPA, IFPE, IPA e do 
lado da Alemanha os parceiros: TUB, UHOH, IGB, PIK, 
HTWD. Ao projeto PROPESQ/UFPE, processo: 
23076.049946/2013-9. E ao processo: 311120/2014-8, 
Chamada: PQ 2014, e intitulado “EXTRAÇÃO DE 
FEIÇÕES EM IMAGENS DE SENSORIAMENTO 
REMOTO UTILIZANDO MORFOLOGIA 
MATEMÁTICA” da 1ª autora. 
 
 
REFERÊNCIAS BIBLIOGRÁFICAS 
 
ALY, A. A; DERIS, S. B.; ZAKI, N. Research Review 
for Digital Image Segmentation Techniques. 
International Journal of Computer Science & 
Information Technology (IJCSIT). Vol 3, No 5, Oct 
2011. 
 
CANDEIAS, A. L.B. Aplicação da Morfologia 
Matemática à análise de imagens de sensoriamento 
remoto.1997. 187 f. Tese (Doutorado em Computação 
Aplicada) - Instituto Nacional de Pesquisas Aplicadas, 
São José dos Campos, SP,1997. Disponível em: 
http://mtc-
m12.sid.inpe.br/rep/dpi.inpe.br/analucia/1996/10.14.12.27
?mirror=sid.inpe.br/banon/2001/04.06.10.52.39&metadat
arepository=sid.inpe.br/banon/2001/04.03.15.37.23 
 
CANDEIAS, A. L. B.; MOURA, C. J. M. DE; 
NASCIMENTO, P. H. O. DO; TAVARES JR., J. R. 
Extração de borda: uma análise pela morfologia 
matemática. VIII Colóquio Brasileiro de Ciências 
Geodésicas, Curitiba, 2013. Disponível em: 
http://www.cbcg.ufpr.br/home/wp-
content/uploads/2013/11/f014_cbcg13.pdf 
 
DE CASTRO, F. S. P.; CENTENO, J. A. S. Road 
Extraction from ALOS Images Using 
Mathematical Morphology. In: Wagner W., 
Székely, B. (eds.): ISPRS TC VII Symposium – 
100 Years ISPRS, Vienna, Austria, July 5–7, 
2010, IAPRS, Vol. XXXVIII, Part 7B 
 
DEY, V.; ZHANG, Y.; ZHONG, M. A Review on Image 
Segmentation Techniques with Remote Sensing 
Perspective. In: Wagner W., Székely, B. (eds.): ISPRS 
TC VII Symposium – 100 Years ISPRS, Vienna, 
Austria, July 5–7, 2010, IAPRS, Vol. XXXVIII, Part 7A. 
p. 31-42. 
 
DIAS, F. G.; SOARES, H. C.; FONSECA, L. M. G. 
Estudo da aplicação de filtros de detecção de bordas na 
identificação da frente termal da Corrente do Brasil. 
Anais XV Simpósio Brasileiro de Sensoriamento 
Remoto - SBSR, Curitiba, PR, Brasil, 2011, INPE 
p.7086-7092 
 
DIAS, L.; CRIBARI-NETO, F.; OSPINA, R. Interval 
Edge Estimation in SAR Images. IEEE 
TRANSACTIONS ON GEOSCIENCE AND 
REMOTE SENSING, VOL. 53, NO. 2, 2015, p. 851 - 
861 
 
ERSAHIN, K.; CUMMING, I, G.; WARD, R. K. 
Segmentation and Classification of Polarimetric SAR 
Data Using Spectral Graph Partitioning. IEEE 
Transactions on Geoscience and Remote Sensing. p. 1 -
11 
 
GIRÓNA, E; FRERY, A. C.; CRIBARI-NETO, F. 
Nonparametric edge detection in speckled imagery. 
Mathematics and Computers in Simulation. Volume 
82, Issue 11, July 2012, Pages 2182–2198. 
 
GONZALES, R. C., WOODS, R. E. Processamento de 
imagens digitais. Traduzido. Editora Edgard Blücher 
Ltda. 2000. 509p. 
 
GOODCHILD, M.; BRADLEY, P.; STEYAERT, I. 
Environmental modeling with GIS. New York: Oxford 
University Press, 1993. 488p. 
 
IBGE. SIRGAS – Sistema de Referência Geocêntrico 
para as Américas. Disponível em: 
<http://www.ibge.gov.br/home/geociencias/geodesia/defa
ult_sirgas_int.shtm>. Acesso: 15 outubro 2011. 
 
IBGE, Instituto Brasileiro de Geografia e Estatística. 
Perfil de Metadados Geoespaciais do Brasil (Perfil 
MGB) 
Conteúdo de Metadados Geoespaciais em 
conformidade com a norma ISO 19115:2003, 
Disponível em: 
www.inde.gov.br/images/.../Perfil_MGB_Final_v1_homo
logado.pdf. Acesso em: 20 fev. 2016. 
 
ISHIKAWA, A. S.; SILVA, E. A.; NÓBREGA, R. A. A. 
Extração de Rodovias em Imagens Digitais de Alta 
Resolução com O Uso da Teoria de Morfologia 
Matemática. Revista Brasileira de Cartografia. Nº 
63/01, 2010. (ISSN 0560-4613) 
 
JAIN, A. K. Data clustering: 50 years beyond K-Means. 
Pattern Recognition Letters. 31 (2010) 651–666. 
 
http://mtc-m12.sid.inpe.br/rep/dpi.inpe.br/analucia/1996/10.14.12.27?mirror=sid.inpe.br/banon/2001/04.06.10.52.39&metadatarepository=sid.inpe.br/banon/2001/04.03.15.37.23
http://mtc-m12.sid.inpe.br/rep/dpi.inpe.br/analucia/1996/10.14.12.27?mirror=sid.inpe.br/banon/2001/04.06.10.52.39&metadatarepository=sid.inpe.br/banon/2001/04.03.15.37.23
http://mtc-m12.sid.inpe.br/rep/dpi.inpe.br/analucia/1996/10.14.12.27?mirror=sid.inpe.br/banon/2001/04.06.10.52.39&metadatarepository=sid.inpe.br/banon/2001/04.03.15.37.23
http://mtc-m12.sid.inpe.br/rep/dpi.inpe.br/analucia/1996/10.14.12.27?mirror=sid.inpe.br/banon/2001/04.06.10.52.39&metadatarepository=sid.inpe.br/banon/2001/04.03.15.37.23
http://www.cbcg.ufpr.br/home/wp-content/uploads/2013/11/F014_CBCG13.pdf
http://www.cbcg.ufpr.br/home/wp-content/uploads/2013/11/F014_CBCG13.pdf
http://www.inde.gov.br/images/.../Perfil_MGB_Final_v1_homologado.pdf.%20Acesso%20em:
http://www.inde.gov.br/images/.../Perfil_MGB_Final_v1_homologado.pdf.%20Acesso%20em:
 
 
IV Simpósio Brasileiro de Geomática – SBG2017
II Jornadas Lusófonas - Ciências e Tecnologias de Informação Geográfica - CTIG2017 
 
 
 
 
A. L. B. Candeias; J. R. Tavares Junior; A. M. A. Teixeira.; E. A. da Silva ISSN 1981-6251 
 
Japan Aerospace Exploration Agency (JAXA). Earth 
Observation Research AND Application Center. ALOS 
Data Users Handbook. Revision C. 2008. Disponível 
em: 
<http://www.eorc.jaxa.jp/ALOS/en/doc/fdata/ALOS_HB
_RevC_EN.pdf>. Acesso em: 15 fev. 2015. 
 
Japan Aerospace Exploration Agency (JAXA). 
Disponível em: 
<http://www.eorc.jaxa.jp/ALOS/en/about/palsar.htm>. 
Acesso em: 15 fev. 2016. 
 
KANDWAL, R.; KUMAR, A.; Bhargava, S., Review: 
Existing Image Segmentation Techniques. International 
Journal of Advanced Research in Computer Science 
and Software Engineering. 4(4), April - 2014, pp. 153-
156 
 
MACQUEEN, J.B, Some Methods for classification and 
Analysis of Multivariate Observations, Proceedings of 5-
th Berkeley Symposium on Mathematical Statistics 
and Probability, Berkeley, University of California 
Press, 1:281-297 
MATOS, R. C. M.; CANDEIAS, A. L. B.; AZEVEDO, J. 
R. G.; HATTERMANN, F. F.; KOCH, H.; 
KLEINSCHMIT, B. Análise Multitemporal do Albedo, 
NDVI e Temperatura no entorno do Reservatório de 
Itaparica – PE: Anos de 1985 E 2010. Revista Brasileira 
de Cartografia, Rio de Janeiro, N0 67/3 p. 545-554, 
Mai/Jun/2015.NASCIMENTO, A.D.C.; HORTA, M.M.; FRERY, A.C.; 
CINTRA, R.J. Comparing Edge Detection Methods 
Based on Stochastic Entropies and Distances for PolSAR 
Imagery. In : Selected Topics in Applied Earth 
Observations and Remote Sensing, IEEE Journal of , 
vol.7, no.2, pp.648-663, Feb. 2014 
 
ROSENQVIST, AKE; SHIMADA, M.; ITO, N.; 
WATANABE M. ALOS PALSAR: A Pathfinder Mission 
for Global-scale Monitoring of the Environment. IEEE 
Transactions on Geoscience and Remote Sensing, v. 
45, n. 11, p. 3307- 3316, Nov. 2007. 
 
RODRIGUES, T.G; SILVA, E. A.; LEONARDI, F. o 
uso de morfologia matemática na detecção de pistas em 
autódromo. Revista Brasileira de Cartografia. No 62 
Edição Especial 2, 2010. p. 337-343. 
 
SERRA, J. Image analysis and mathematical 
morphology. London: Academic Press, 1982. 610p. 
 
SILVA, E. A. Extração de feições cartográficas de 
imagens multiespectrais fundidas. São Paulo: USP, 
1995. 114p. Tese (Doutorado em Engenharia) – Escola 
Politécnica da USP, 1995.