Antes de apresentarmos sobre espaços e filtros de cores é necessário entender o que são cores e quais cores nós conseguimos enxergar para melhor entender como representá-las computacionalmente. Nesta primeira parte, serão explicados conceitos básicos sobre frequência de cores.

Caso você queira visualizar os efeitos que filtros de cores podem ter na área de visão computacional, vá para o final deste artigo.

Tudo o que sabemos sobre cores hoje em dia, iniciou em 1660, quando o cientista britânico Isaac Newton descobriu que, ao atravessar um feixe de luz solar num prisma de vidro, o feixe de luz sofria decomposição em uma gama de cores similares às do arco-íris. Newton concluiu que as cores que visualizou, faziam parte da luz solar branca. Logo em seguida, conseguiu demonstrar que, após decompor a luz branca com um prisma, poderia recompor as cores dispersadas com outro prisma invertido obtendo novamente a luz branca. [C] A ilustração da Fig.1, apresenta o espectro de cores produzido neste experimento, dividido em 7 regiões: vermelho, laranja, amarelo, verde, azul, anil, e violeta.

No experimento de Newton, conclui-se, que a cor branca é composta por todas as demais, com o violeta em uma extremidade ao vermelho na outra [GW]. As  cores são formadas, por frequências da radiação eletromagnética e todas estas variações de frequência compõem o espectro eletromagnético conforme ilustrado na Fig. 2.

Por muito tempo, achou-se que a luz era a  única parte conhecida deste espectro, porém ela representa uma parte muito pequena dele. O espectro se estende desde as ondas de baixa frequência, ondas de rádio, até as de maior frequência como as da radiação gama. Todas estas variações de frequências, servem como áreas de aplicação do processamento de imagens.

Uma forma fácil, de compreender a extensão de aplicações de processamento de imagens e possibilidades que um computador consegue enxergar, é categorizar estes espectros como, espectro de luz visível humana, raio x, infravermelho e assim por diante. Porém, ao categorizá-los não devemos esquecer que podemos utilizar mais de uma categoria ao mesmo tempo, como extração de informação.

Espectro visível da luz

Se observarmos a Fig. 2, percebemos que a variedade de cores que enxergamos é muito pequena, comparada a todo o espectro eletromagnético. Os espaços e filtros de cores apresentados a seguir foram criados para representar essa faixa do espectro de luz, também conhecida como espectro de luz visível humano.

Espaço de cores

Um espaço de cor, é uma fórmula/modelo matemática que descrever a cor. Existem vários espaços de cores diferentes, cada um foi pensado para um propósito diferente. Dentre eles os mais conhecidos são o RGB, CMYK, HSV e HSL.

Cores aditivas RGB (Red, Blue e Green)

O espaço de cor RBG, criado por James C Maxwell, e provavelmente o mais conhecido, é uma representação 3D das cores vermelho, azul, e verde, conforme Figura 4. Este espaço é associado a reprodução de cores em dispositivos eletrônicos, como monitor, celulares e TVs.

O RGB é um padrão de cores aditivas, elas são chamadas “aditivas” porque ao serem adicionadas, a soma dessas três cores, resulta na luz branca. Ao combinar apenas duas dessas cores primárias obtemos as cores secundárias: magenta, amarelo e ciano, conforme representado na Figura 3. O ciano é a união do azul com o verde. Já o amarelo, é a mistura do vermelho e do verde. Por fim, o magenta é resultado do azul mais o vermelho. Observer que as cores primarias no sistema aditivo é diferente das cores primarias no sistema subtrativo, visto na próxima seção.

Na Figura 5 outras demonstrações da mistura de cores no sistema aditivo. No cubo à esquerda, notar que o preto é obtido a partir da auxência de todas as cores, e no cubo a direita, a cor branca é o resultado da soma de todas as cores.

Uma consideração, o sistema RGB utilizado em monitores e televisões é o sistema sRGB, existem outros modelos RGB como o Adobe RGB, bastante utilizado na industria de impressão.

Cores Substrativas CMYK

O sistema CMYK CMYK (Cyan, Magenta, Yellow e Black) é utilizado em impressão, pois trabalha com pigmentos. Diferente do modelo aditivo, o sistema subtrativo funciona pela absorção de luz: quanto mais cores são misturadas, menos luz é refletida, ou seja, quanto mais cores diferentes é misturado, menos cor ela ira refletir.

A cor branca, ou tinta branca, no sistema subtrativo, é a cor que menos absorve cores, logo refletindo todas elas. A cor preta, por sua vez, é a que mais absorve cores, não refletindo nenhuma, conforme ilustrado na Figura 6.

No modelo subtrativo, uma tinta vermelha, por exemplo, absorve verde e azul, refletindo apenas o vermelho.

Sistema RYB (Red, Yellow, Blue)

Muito utilizado por artistas, o modelo RYB (Red, Yellow, Blue) define as cores primárias tradicionais ensinadas no ensino básico.

A partir das cores RYB, obtemos o círculo cromático, uma representação, simplificada e em círculo, das cores percebidas pelo olho humano. Esta representação é muito útil para designer, arquitetos, pintores e outras artistas, pois a partir dela, é possível identificar cores complementares e contrastantes, cores contrastante sem perda de harmonia.

No artigo Círculo Cromático: Veja Como Usar e Evite Erros na Escolha das Cores, são apresentados diversos exemplos de combinações de cores utilizando o círculo cromático.

Representação HSV e HSB

HSV é a abreviatura para o sistema de cores formadas pelos componentes Hue (matiz), Saturation (saturação) e Value (valor). O sistema de cor HSV é uma representação cilindrica das cores conforme Figuras 10 e 11.. O HSV também é conhecido como HSB (hue, saturation e brightness — matiz, saturação e brilho, respectivamente) [WK].

A cor, no sistema HSV, é definida conforme descrito abaixo:

• Matiz (tonalidade): Define o tipo de cor, abrangendo todas as cores do espectro, desde o vermelho até o violeta, mais o magenta. Atinge valores de 0 a 360, em algumas aplicações, esse valor é normalizado de 0 a 100% ou entre 0 e 1.
• Saturação: Também chamado de “pureza”. Quanto menor esse valor, mais com tom de cinza aparecerá a imagem. Quanto maior o valor, mais “pura” é a imagem. Atinge valores de 0 a 100% entre 0 e 1.
• Valor (brilho): Define o brilho da cor. Atinge valores de 0 a 100% ou entre 0 e 1.

Este espectro de cor é muito útil no processamento de imagens e visão computacional, pois é mais simples extrair um faixa ou tipo de cor com este modelo.

Representação HSL

HSL é a abreviatura para o sistema de cores formado pelos componentes Hue (matiz), Saturation (saturação) e Lightness (luminosidade). O sistema de cor HSL é uma representação cilíndrica (ou biconica) das cores, semelhante ao HSV, porém com uma forma diferente de representar a variação de brilho.

A cor, no sistema HSL, é definida conforme descrito abaixo:

• Matiz (Hue) -Define o tipo de cor, abrangendo todas as cores do espectro visível, desde o vermelho até o violeta, incluindo o magenta. Seus valores variam de 0 a 360 graus, podendo também ser normalizados entre 0 e 1 ou 0% e 100%.
• Saturação (Saturation) -Representa a intensidade ou pureza da cor. Quanto menor o valor, mais próxima a cor estará de tons de cinza. Quanto maior, mais intensa e “pura” será a cor. Seus valores variam entre 0 e 100% ou entre 0 e 1.
• Luminosidade (Lightness) – Define o grau de iluminação da cor. Diferente do modelo HSV, a luminosidade no HSL varia entre preto, cor pura e branco:
  • 0% representa preto
  • 50% representa a cor em sua intensidade normal
  • 100% representa branco

Esse modelo permite um controle mais intuitivo da iluminação da cor, sendo bastante utilizado em design gráfico e interfaces visuais.

Assim como o HSV, o sistema HSL também é útil no processamento de imagens e visão computacional, especialmente quando se deseja manipular ou analisar cores levando em consideração sua luminosidade de forma mais equilibrada.

RGB para HSV e HSL

O HSV e o HSL são modelos de cores semelhantes, porém distintos. Ambos utilizam representações baseadas em geometrias cilíndricas para organizar as cores, facilitando sua interpretação e manipulação. No entanto, eles diferem na forma como essa geometria é construída.
O modelo HSV é baseado no chamado “hexcone” (um cone hexagonal), enquanto o modelo HSL é baseado em um “bi-hexcone” (duplo cone hexagonal), o que resulta em diferentes formas de representar o brilho e a intensidade das cores.
Na Figura 12, é possível observar as diferenças entre essas duas representações cilíndricas. A ilustração apresenta:

• A estrutura geométrica de cada modelo (HSV e HSL);
• A visualização das cores quando a saturação está em 100%, evidenciando apenas cores puras;
• A visualização das cores quando luminosidade (no HSL) ou valor/brilho (no HSV) estão em 100%, mostrando como cada modelo trata regiões mais claras;
• Cortes verticais no cilindro para valores de matiz em 0° e 180°, permitindo observar como as cores se distribuem internamente em cada modelo.

Essas diferenças estruturais influenciam diretamente na forma como as cores são ajustadas e percebidas em cada sistema, especialmente em aplicações de design gráfico e processamento de imagens.

Nos Vídeos 1 e 2, abaixo, são demonstrados como são realizados as conversões de um cubo RGB para as representações HSV/HSV e HSL.

Na Figura 13, ilustração da fórmula base para conversão entre estas representações. Ná página HSL and HSV da Wikipédia, contém a explanação completa destes cálculos.

Filtros

A seguir, serão apresentados alguns filtros locais (ou espaciais), com o objetivo de demonstrar como, por meio de operações simples, é possível extrair regiões específicas de uma imagem ou isolar determinados tipos de objetos.

Os filtros apresentados aqui são considerados os mais básicos no processamento de imagens. Eles funcionam analisando individualmente o valor de cada pixel da imagem de entrada e, com base em determinados critérios, geram uma nova imagem contendo apenas as informações de interesse.

Esse processo permite destacar características específicas da imagem original, como cores, bordas ou regiões específicas, facilitando etapas posteriores de análise. O funcionamento geral desse tipo de filtro pode ser observado de forma ilustrativa na Figura 14.

Filtro de cor HSV.

No experimento apresentado no Vídeo 3, é possível observar como a aplicação simples de um filtro baseado em uma faixa de cores permite extrair objetos ou regiões de interesse de uma imagem.

Nesse experimento, são extraídas seis regiões distintas. Cada uma dessas regiões corresponde a uma faixa de cor específica, permitindo a separação dos elementos da imagem com base em suas cores. As faixas utilizadas representam as seguintes cores: vermelho, amarelo, verde, azul, roxo e ciano.

No caso apresentado no Vídeo 3, o objetivo principal é extrair as regiões da imagem que contêm morangos. Para isso, é aplicado um filtro correspondente à faixa de cor vermelha, permitindo isolar esses elementos do restante da imagem de entrada.

É importante observar que, para isolar completamente os morangos, foram utilizadas duas faixas de cor vermelha. Isso ocorre porque, na representação HSV, a cor vermelha está localizada tanto no início quanto no final do intervalo de matiz, devido à natureza cíclica dessa representação.

Apesar de sua simplicidade, esse tipo de filtro pode ser utilizado de forma eficiente em ambientes controlados como um primeiro estágio de detecção de objetos. Isso se deve ao seu baixo custo computacional, o que permite seu uso em conjunto com métodos mais avançados, como algoritmos de inteligência artificial, formando uma abordagem encadeada de processamento.

Filtro de cor NDVI

Uma outra forma de extrair informações de uma imagem utilizando apenas filtros de cores é por meio da comparação da diferença, ou distância, entre duas ou mais bandas de cor em cada pixel. Esse tipo de abordagem permite extrair informações relevantes, como a presença de água, a saúde da vegetação, entre outras características específicas da cena.

O Índice de Vegetação por Diferença Normalizada (NDVI) é um exemplo desse tipo de técnica. Ele consiste em um indicador simples que representa a quantidade de biomassa fotossinteticamente ativa, ou seja, fornece uma estimativa da saúde da vegetação. Em termos mais intuitivos, o NDVI mede o estado das plantas com base em como elas refletem e absorvem a luz em diferentes frequências do espectro eletromagnético.

De forma simplificada, plantas saudáveis tendem a absorver mais luz na faixa do vermelho visível e refletir mais luz na faixa do infravermelho próximo. Já superfícies não vegetais apresentam comportamentos diferentes nessas faixas.

O NDVI funciona justamente comparando essas duas respostas espectrais, utilizando a seguinte fórmula:

Fórmula: NDVI = (Infravermelho Próximo - Vermelho) / (Infravermelho Próximo + Vermelho)

O resultado desse cálculo é um valor normalizado que varia tipicamente entre -1 e 1, permitindo diferenciar diferentes tipos de cobertura do solo.

Observe a imagem à esquerda da Figura 14: ela foi gerada a partir do cálculo do NDVI, utilizando a diferença entre dois canais de cor — o vermelho e o infravermelho próximo. Nessa representação, elementos como troncos de árvores, grama seca e rochas apresentam valores baixos de NDVI, pois não realizam fotossíntese. Em contrapartida, áreas com vegetação saudável apresentam valores elevados de NDVI, destacando-se claramente na imagem.

Mais sobre NDVI e outros Índices você pode ler em NDVI e NDWI – Índice de Vegetação e Índice de Água, e em Experimento – NDVI e NDWI com o Google Earth Engine um exemplo de como detectar água e vegetação saudável utilizando o Google Maps, utilizando apenas filtros de cores.

Outros índices

Existem diversos outros índices, capazes de diferenciar nuvens de neve, queimadas, entre outros como:

• Índice de Diferença Normalizada da Água (NDWI)
• Índice De Queima Por Razão Normalizada (NBR), Índice De Clorofila Verde (GCI);
• Índice De Neve de Diferença Normalizada (NDSI);
• Índice De Clorofila de Borda Vermelha (RECl);
• Índice De Vegetação Ajustado ao Solo Modificado (MSAVI);
• Índice De Vegetação da Diferença De Verde Normalizado (GNDVI);
• Índice De Vegetação Ajustado ao Solo (SAVI);
• Índice De Vegetação Resistente À Atmosfera (ARVI);
• Índice De RedEdge por Diferença Normalizada (NDRE);

melhores detalhados no artigo Indices de Vegetação da Earth Observation System.

Comentários finais

Uma das melhores formas de entender melhor os efeitos destes filtro é testando operações e funções que alteram a imagem, pois uma mesma operações pode produzir diversos efeitos diferentes dependendo da imagem utilizada.

Referências:

[C] CALDAS, J. Museu Interativo da Física da UFPA: Ação educativa com ênfase em divulgação e popularização da História e da Filosofia da Ciência para o ensino de Física. 2015. Trabalho de Conclusão de Curso. Faculdade de Física. Universidade Federal do Pará, Belém, 2015.

[GW] GONZALEZ, R. C., WOODS, R. E. Processamento de Imagens Digitais.
Editora Edgard Blucher, ISBN 978-85-8143-586-2, 3 ed., São Paulo, 2010

[GKPB] CMYK, RGB e RYB: conheça os diferentes sistemas de cores primárias. Acessado 12 de agosto de 2024.

[GC] Gerenciamento de cor. Cores – sistema aditivo e substrativo. Acessado em 12/08/2024.

[WK] Wikipédia . HSV. Acessado em 29/08/2024.

[WK2] Wikipédia. HSL and HSV. Acessado em 30/08/2024.

[EOS-2] Earth Observation System, Índice De Água De Diferença Normalizada. Acessado em 18 fev 2024.

The post Espaço e Filtros de Cores HSV, RGB, CMYK, HSB, HSL e RYB appeared first on Visão Computacional.

Neste experimento, vamos demostrar a aplicação das técnicas NDWI e NDVI, capazes de identificar água e a saúde da vegetação, por meio de imagens públicas de satélites com o Google Earth Engine. Essas técnicas foram apresentadas no post “Índice de Vegetação e Índice de Água”.

A técnica NDVI – Índice de vegetação por diferença normalizada, identifica a saúde da planta, calculando a diferença de refletância entre o infravermelho-próximo e o vermelho, com a fórmula:

Fórmula: NDVI = (Infravermelho Próximo - Vermelho) / (Infravermelho Próximo + Vermelho).

A técnica NDWI – Índice de vegetação por diferença normalizada identifica água, inundações, mar, etc. Calculando a diferença de refletância entre o infravermelho-próximo e o verde, com a fórmula:

Fórmula: NDWI = (Verde – Infravermelho Próximo) / (Verde + Infravermelho Próximo).

Estas duas técnicas diferentes, podem ser aplicadas em imagens de satélite ou através de câmeras infravermelho de forma muito simples. Neste post, iremos demonstrar como aplicá-las com a ferramenta Google Earth Engine utilizando uma base de dados geoespaciais pública, para pesquisa.

Google Earth Engine

É uma ferramenta desenvolvida pela Google que combina um catálogo de várias de imagens de satélite e conjuntos de dados geoespaciais com recursos de análise em escala planetária. Com o objetivo, de que cientistas, pesquisadores e desenvolvedores usam o Earth Engine para detectar mudanças, mapear tendências e quantificar diferenças na superfície da Terra.

A ferramenta está disponível para uso comercial e é gratuito para uso acadêmico e de pesquisa. Para utilizar o Code Editor, basta acessar o link “code”, realizar o login com sua conta do Google e de um navegador web desktop. A ferramenta contém os seguintes 4 painéis:

• O Editor, de código onde serão adicionados todos os procedimentos e script;
• O Painel de status, que exibem as saídas dos procedimentos executados, como exibição de logs e erros;
• O Painel de navegação, semelhante ao Explorer do Windows;
• O Mapa, onde serão exibidos todos os resultados e análises feitas pelos scripts criado.

Catálogos de Dados do Google Earth

Pare aplicar as técnicas de análise de dados geoespaciais, com o Earth Engine, primeiro é preciso selecionar qual ou quais coleções de dados/imagens deseja-se utilizar. Existe uma grande variedade de base de dados e para diversas finalidades, porém, para nosso agrado, o Google disponibiliza um buscador (Clique aqui para acessar) que nos facilita a encontrá-la.

Neste experimento, iremos utilizar a base USGS Landsat 8 Collection 1 Tier 1 TOA Reflectance. Base de dados com informações de refletância do espectro de luz magnético, que possui imagens com as cores e o infravermelho, necessário para aplicar as fórmulas NDVI e NDWI.

Esta base de dados, possui imagens coletadas entre o período de 2013 à 2022. As informações da base de dados são divididas em bandas, cada banda representa uma faixa do espectro eletromagnético. No experimento iremos utilizar as bandas B3, B4 e B5, que representam respectivamente o verde, vermelho e infravermelho próximo.

Experimento

Coletar NDVI e NDWI com o Earth Engine é muito fácil, para testes rápidos precisamos apenas realizar 4 etapas: selecionar a coleção de dados; selecionar as bandas; aplicar as fórmulas e exibir o resultado no mapa.

Selecionar Coleção de dados

Na primeira etapa, é preciso selecionar a região de interesse no mapa, o local que se deseja extrair as imagens, no experimento foi selecionado a região de Florianópolis – SC. Esta região foi selecionada por meio da função ee.Geometry.Point que criar uma variável com as informações da coordenada desejada.

Também é necessário coletar a base de imagens ou coleção de dados, por meio da função ee.ImageCollection. Com a coleção de dados indicada, agora precisamos indicar 2 filtros, o filtro da região de interesse e o filtro de período de busca de imagens. Estes filtros são aplicados por meio das funções filterBounds e filterDate.

//Coleta as posições do mapa na região de Florianópolis - SC
var imagePoint = ee.Geometry.Point([-49, -27.6935391]);
var viewPoint = ee.Geometry.Point([-48.5449963, -27.5930994]);

//Base de imagens geoespaciais utilizada
var l8 = ee.ImageCollection('LANDSAT/LC08/C01/T1_SR');
//Informa o período de busca das imagens
var l8Query =  l8
    .filterBounds(imagePoint)
    .filterDate('2021-01-01', '2021-12-31')
    .sort('CLOUD_COVER');

//Coleta a primeira imagem identificada para o período informado
var image = ee.Image(l8Query.first());

//Centraliza o mapa
Map.centerObject(viewPoint, 13);

Com os filtros e a região de interesse informada, basta solicitar os registros com a função l8Query.first. Com os registros coletados, devemos convertê-los em dados de imagens que podemos trabalhar com a função ee.Image que retorna uma classe com diversas funcionalidade.

Observe que, além dos filtros foi informada para ordenar a coleção de dados por meio da função sort, com base na ordem de dados do atributo CLOUD_COVER da coleção de dados. Este atributo indica o quanto da região esta coberta por nuvens, e como não queremos realizar a analise dos dados com nuvens, então indicamos para trazer a primeira imagem com o menor número de nuvens identificadas. Também é possível realizar filtros por este atributo, porém isso pode fazer com que não venha nenhuma imagem da região devido o filtro aplicado.

Selecionar Bandas

Na segunda etapa, basta extrairmos da imagem as bandas B3, B4 e B5 da coleção de dados que correspondem ao verde, vermelho e infravermelho-próximo do espectro eletromagnético, conforme código abaixo:

//Coleta as bandas de cores NIR, Vermelho e Verde 
var green = image.select('B3');
var red = image.select('B4');
var nir = image.select('B5');

Aplicar e visualizar Fórmulas

Por fim, basta realizar os cálculos e adicionar a camada (Layer) com a imagem do NDVi gerada pelo Earth Engine ao mapa. Para adicionar ao mapa basta chamar a função Map.addLayer. Note que ao adicionar a camada NDVI, foram adicionados 2 parâmetros adicionais, o primeiro parâmetro (ndviParams), indica quais cores representarão cada extremo do cálculo NDVI, utilizamos a cores vermelha pra representar o valor -1, verde +1 e branco valores próximo ao zero. O segundo parâmetro “NDVI imagem” indica o nome do botão que ativa e inativa a visualização da camada no visualizador do mapa.

// Computa o Índice de Vegetação de Diferença Normalizada (NDVI).
var ndvi = nir.subtract(red).divide(nir.add(red)).rename('NDVI');
var ndviParams = {min: -1, max: 1, palette: ['red', 'white', 'green']};
Map.addLayer(ndvi, ndviParams, 'NDVI image');

Para calcular o NDWI basta realizar as mesmas operações do NDVI, porém ajustando o cálculo para utilizar o infravermelho e o verde.

// Computa o Índice de Água de Diferença Normalizada (NDWI).
var ndwi = green.subtract(nir).divide(green.add(nir)).rename('NDVI');
var ndwiParams = {min: -1, max: 1, palette: ['red', 'white', 'blue']};
Map.addLayer(ndwi, ndwiParams, 'NDWI image');

Também é possível realizar todo o cálculo do NDVI e NDWI de uma forma bem mais simples. Como essas duas formulas são cálculos de normalização, basta utilizar os seguintes códigos abaixo que o próprio Earth Engine converte para as fórmulas descritas acima.

//Formas resumidas de coletar a informação
var ndvi = image.normalizedDifference(['B5', 'B4']).rename('NDVI');
var ndwi = image.normalizedDifference(['B3', 'B5']).rename('NDVI');
Map.addLayer(ndvi);
Map.addLayer(ndwi);

Com este experimento e o código acima foram geradas as seguintes imagens:

Na primeira imagem, na parte esquerda, visualizamos em verde a refletância de áreas cobertas por vegetação e em vermelho áreas com nenhuma refletância de vegetação segundo a fórmula do NDVI. Quanto mais escuro o verde é indicativo de maior concentração de vegetação ou vegetações mais saudáveis.

Observar que nem toda vegetação saudável possui um alto nível de NDVI, cada vegetação possui uma característica especifica de saúde, que requerem estudos específicos para saber identificar sua saúde através do NDVI. Porém para identificar regiões de mata, floresta ou de cultivo, o NDVI é ideal ideal.

Na segunda imagem, na parte esquerde, visualizamos em azul todas as regiões com superfície coberta por água, inundações e em vermelho a ausência d’água. O interessante nesta segunda imagem é que ela consegue identificar a Lagoa da Conceição, uma lagoa situada no meio de Florianópolis e se olharmos a mesma imagem, na parte direita, não é possível identificar a lagoa pela imagem de satélite.

Para visualizar esta aplicação, basta acessar o link Teste NDVI NDWI. Todo este experimento foi criado, com base no tutorial criado pelo próprio Google (clique aqui para acessar o tutorial).

Plataforma MapBiomas

Uma ferramenta muito mais elabora, que esta criada neste post, é a plataforma MapBiomas que disponibilizam diversas análises sensoriais do Brasil com scripts criados por meio do Google Earth Engine.

Clique aqui para acessar a ferramenta ou clique aqui para visualizar uma análise sensorial e temporal da superfície d’água no Brasil.

Todo o código fonte do projeto, está disponível para replicação do experimento no link abaixo. Caso tenha dúvidas ou sugestões de melhorias no post, deixe seu comentário abaixo.

Source:

https://github.com/visaocomputacionalexemplos/espectroeletromagnetico/tree/main/google_earth_ndvi_ndwi

Referências:

Iporã Brito Possantti via MasAbertos, O Google Earth Engine. Acessado em 04 mar 2022.

Google, NDVI, Mapping a Function over a Collection, Quality Mosaicking . Acessado em 04 mar 2022.

The post Experimento – NDVI e NDWI com o Google Earth Engine appeared first on Visão Computacional.

NDWI – Índice de Diferença Normalizada da Água

O índice NDWI foi proposto por McFeeters em 1996. Sua principal utilização hoje em dia é a detecção e monitoramento de ligeiras mudanças no teor de água. Aproveitando as bandas espectrais NIR (infravermelho próximo) e GREEN (verde visível), o NDWI é capaz de realçar a água em imagens multiespectrais [EOS-2].

Sempre que houver necessidade de detectar uma massa de água, definir o seu contorno no mapa e monitorar as mudanças na sua clareza é aplicado o índice NDWI. Além do espectro visível, em direção ao infravermelho, a água reflete quase nenhuma luz. O NDWI faz uso desta propriedade para delinear com sucesso as massas de água. A desvantagem do índice é que é sensível às estruturas construídas [EOS-2].

O NDWI funciona comparando matematicamente a quantidade de luz verde refletida e a quantidade de luz infravermelha absorvida de uma imagem através da fórmula abaixo:

Fórmula: NDWI = (Verde – Infravermelho Próximo) / (Verde + Infravermelho Próximo)

Note que o cálculo é feito com base no infravermelho próximo, uma região do espectro infravermelho, normalmente dividido em próximo, médio e distante.

Na figura abaixo é possível visualizar o resultado da aplicação deste cálculo através de imagens de satélite. A imagem foi retirada da ferramenta EOS e para reproduzi-la basta clicar neste link e criar uma conta via Facebook ou Google.

NDVI – Índice de Vegetação por Diferença Normalizada

O Índice de Vegetação por Diferença Normalizada é um indicador simples de biomassa fotossinteticamente ativa ou, em outros termos, um cálculo da saúde da vegetação. Simplificando a explicação, o NDVI é uma medida do estado da saúde das plantas com base em como elas refletem a luz em determinadas frequências (algumas ondas são absorvidas e outras são refletidas).

O NDVI funciona comparando matematicamente a quantidade de luz vermelha visível absorvida e a luz quase infravermelha refletida através da fórmula abaixo.

Fórmula: NDVI = (Infravermelho Próximo - Vermelho) / (Infravermelho Próximo + Vermelho)

O pigmento de clorofila na planta saudável absorve a maior parte da luz vermelha visível, e a estrutura celular de uma planta reflete a maior parte da luz quase infravermelha. Isto significa que a atividade fotossintética elevada, normalmente associada à vegetação densa, terá menos reflectância na banda vermelha e maior reflectância na banda infravermelha próxima. Olhando para a forma como estes valores se comparam entre si, é possível detectar e analisar a cobertura vegetal separadamente de outros tipos de cobertura do solo. [EOS].

Observe na ilustração abaixo que a diferença do valor refletido entre o infravermelho e o vermelho na região saudável é de 42% (50-8), muito maior que a diferença de reflectância da região doentio de 10% (40 – 30).

Observe a imagem da Figura abaixo, ela foi derivada de dois canais de cores em uma única foto tirada com uma câmera modificada e com um filtro infravermelho especial. Observe que troncos de árvores, grama marrom e rochas têm valores de NDVI muito baixos porque não são fotossintéticos e por isso possuem baixo NDVI [PL].

O valor do NDVI é diferente para plantas diferentes?

Sim, cada tipo de cultura tem uma estrutura de copa diferente, fases de crescimento, e requer condições climáticas específicas para crescer adequadamente. Todos estes fatores influenciam as propriedades de reflectância da cultura e produzem diferentes valores do NDVI em vários tipos de culturas e plantas diferentes [EOS].

Técnicas de sensoriamento remoto

O sensoriamento remoto, no setor agropecuário, pode utilizar sensores em satélites, aviões e helicópteros. No entanto, o recurso mais aplicado atualmente são os drones e os veículos aéreos não tripulados (VANTs).

Os drones atuam de forma segura e são guiados por um controle remoto e com o avanço da inteligência artificial estão sendo controlados por sistemas computadorizados.

Esse controle envia os comandos para a aeronave por meio de ondas de rádio. Trata-se de uma das mais versáteis tecnologias na agricultura, e um dos seus maiores diferenciais é a ampla disponibilidade. Isto é, drones operam independentemente das condições climáticas, com menores custos e fácil operação [AHUB].

Outros índices

Existem diversos outros índices de vegetação, capazes de diferenciar nuvens de neve, queimadas, entre outros como:

• Índice De Queima Por Razão Normalizada (NBR), Índice De Clorofila Verde (GCI);
• Índice De Neve de Diferença Normalizada (NDSI);
• Índice De Clorofila de Borda Vermelha (RECl);
• Índice De Vegetação Ajustado ao Solo Modificado (MSAVI);
• Índice De Vegetação da Diferença De Verde Normalizado (GNDVI);
• Índice De Vegetação Ajustado ao Solo (SAVI);
• Índice De Vegetação Resistente À Atmosfera (ARVI);
• Índice De RedEdge por Diferença Normalizada (NDRE);

melhores detalhados no artigo Indices de Vegetação da Earth Observation System.

Referências:

[EOS] Earth Observation System, Tudo O Que Você Precisa Saber Sobre O Índice. Acessado em 01 jan 2022.

[EOS-2] Earth Observation System, Índice De Água De Diferença Normalizada. Acessado em 18 fev 2022.

[PL] Public Lab, NDVI and NRG Acessado em 18 fev 2022.

[AHUB] AgriHub. Sensoriamento remoto em práticas agrícolas: o que é NDVI?. Acessado em 18 fev 2022.

The post NDVI e NDWI – Índice de Vegetação e Índice de Água appeared first on Visão Computacional.