O presente trabalho faz parte do programa GEOSAFRAS, estimativa e safras no Brasil, coordenado pela Companhia Nacional de Abastecimento e do Programa das Nações Unidas para o Desenvolvimento. Uma aplicação muito comum no gerenciamento de safras é o monitoramento de mudanças nos campos de cultivo usando imagens de satélite adquiridas em diferentes datas. Para isto, a compatibilidade espacial entre essas imagens é um requisito básico, mais ainda quando se trata de imagens de diferentes sensores. Nesse artigo é descrita uma metodologia para a semi-automação do processo de correção geométrica com a finalidade de facilitar o ajuste geométrico entre imagens de diferentes sensores. Inicialmente, uma imagem base é manualmente corrigida a partir de dados extraídos de uma carta topográfica digital. Após essa correção, a imagem corrigida é utilizada como elemento base de referência para corrigir as outras imagens (denominadas neste trabalho de imagens de ajuste), as quais são adquiridas em datas diferentes e/ou de diferentes sensores. Depois de corrigida a imagem base todas as imagens (base e de ajuste) são segmentadas e classificadas. Os segmentos classificados como vegetação florestal são escolhidos para compor a malha relacional. As imagens de ajuste são registradas pelo processo imagem-imagem usando os centróides dos segmentos de vegetação florestal. Os segmentos de vegetação florestal presentes na imagem base são confrontados com os segmentos correspondentes nas imagens de ajuste, para buscar correspondências (matching). O processo de matching é realizado através da aplicação de algoritmos genéticos. Ao obter um resultado satisfatório na busca de correspondência, calcula-se os centróides correspondentes aos segmentos detectados, os quais são utilizados como pontos de controle para o processo de registro das imagens. Os resultados mostram que os algoritmos genéticos encontraram a solução ótima na maior parte dos experimentos realizados. Porém, para a imagem LANDSAT 2002 reamostrada a solução encontrada foi sub-ótima, pois um segmento sofreu grandes variações em relação ao mesmo segmento na imagem base.

This work is part of the GEOSAFRAS program - estimates and harvests in Brazil - which is coordinated by the National Company of Supply and the United Nations Development Programme. A regular use in the management of harvests is the monitoring of the cultivation fields changes by using satellite images obtained at different dates. For this purpose, the spatial compatibility between these images is a necessary condition, even more when it comes to images from different sensors. This article describes a methodology for the semi-automation of the geometric rectification process aimed at facilitating the geometric adjustment between images from different sensors. First, a base image is manually rectified from data extracted from a digital topographic map. After such rectification, the correct image is used as a reference element to rectify other images (in this work, called adjustment images), which are acquired at other dates and/or from other sensors. Once the base image is rectified, all images (base and adjustment ones) are segmented and classified. The segments classified as forest vegetation are selected to compose the relational mesh. The adjustment images are registered by the image-image process by means of the forest vegetation segment centroids. The forest vegetation segments in the base image are compared to the corresponding segments in the adjustment images, to find pattern matching. The matching process involves the application of genetic algorithms. After obtaining a positive result regarding the pattern matching, the centroids corresponding to the detected segments are calculated; These centroids are used as control points for the image registry process. The results show that genetic algorithms have found the optimal solution in most experiments. However, regarding the LANDSAT 2002 resampled image, the solution found was sub-optimal because one of the segments showed large variations in relation to the same segment of the base image.

RESUMO Este trabalho teve como objetivo estudar padrões do “speckle” em função da textura das madeiras Bowdichia virgilioides (sucupira), Swietenia macrophylla (mogno) e Balfourodendron riedeliaum (pau-marfim) e de Eucalyptus grandis. A análise do fenômeno ótico denominado “speckle”, aliada a técnicas de tratamento digital de imagens foi utilizada para avaliação de rugosidade e teve como parâmetro de comparação o método microscópico tradicional. Foi utilizada uma fonte de luz laser de He-Ne 10mW para iluminar as amostras de madeira para produção do “speckle” e o resultado da interação da luz laser com a madeira foi capturado por uma câmera digital tipo CCD. As imagens capturadas contêm informações de variação espacial de intensidade luminosa de cada pixel do “speckle”, e variando entre 0 e 255 em tons de cinza. Uma área central de 16 x 16 pixels dessa imagem foi selecionada e analisada pela aplicação da função de convolução e da Transformada de Fourier, resultando na densidade espectral da variação espacial de intensidades da imagem. Os resultados mostraram que as informações obtidas pela densidade espectral permitiram classificar amostras de madeiras com rugosidades diferentes.

ABSTRACT This work had the objective of study in patterns of the “speckle” as function of the wood texture of Bowdichia virgilioides (sucupira), Swietenia macrophylla (mogno), Balfourodendron riedelianum (pau- marfim) and Eucalyptus grandis wood. The He-Ne laser 10 mW was used to illuminate the wood samples and a digital camera captured the result of the interaction of the wood with the laser light. The results obtained from image analysis were compared with the pattern obtained by microscopic methodology. The captured images show the intensities of each pixel, varying between 0 and 255 in the gray scale. From the images, a central area of 16x16 pixels was removed and analyzed by the application of the convolution function and its Fourier Transform, resulting in the power density spectrum. The results showed that the information obtained by the power density spectrum of the “speckle” space variation allow classing samples of woods with different texture.