CLASSIFICAÇÃO E ELIMINAÇÃO DOS RUÃDOS EM IMAGENS HIPERESPECTRAIS PELA ANÁLISE SEQÜENCIAL DA TRANSFORMAÇÃO POR FRAÇÃO DE RUÃDO MÃNIMA

Abstract

As imagens hiperespectrais são muito suscetíveis às interferências de ruídos, o que dificulta a identificação e a quantificação mineral. Portanto, torna-se fundamental o emprego de técnicas para minimizá-los. Um eficiente procedimento matemático para redução de ruídos é a Fração de Ruído Mínima (MNF). Esse método é derivado e análogo à transformação Análise de Componentes Principais, distinguindo-se por promover a maximização do ruído ao invés da variância dos dados, o que proporciona um ordenamento que reflete a qualidade das imagens. A transformação MNF pode ser subdividida em quatro etapas: a) obtenção de uma amostra do ruído; b) formulação de um índice de fracionamento do ruído; c) implementação de uma função de transformação linear no molde da APC, e d) inversão do MNF considerando apenas as informações de sinais. No presente trabalho é proposta uma metodologia de MNF seqüencial, utilizando referências internas e externas da imagem. Como referência externa foi utilizada a referência escura coletada durante o vôo simultaneamente à obtenção da imagem. A referência interna foi obtida por técnicas estatísticas para a segmentação da fração do ruído em relação ao sinal. Três tipos de ruídos podem ser definidos conforme a variância e correlação: a) ruídos não-correlacionados e com igual variância; b) ruídos altamente correlacionados; e c) ruídos com matriz de covariância desconhecida. Para as imagens AVIRIS pode-se esquematizar um procedimento seqüencial de MNF com duas etapas, sendo que, na primeira, são eliminados os ruídos de referência interna e na segunda, os de referência externa relativos ao ruído instrumental. Esse procedimento permite distinguir diferentes tipos de ruídos e eliminá-los seqüencialmente, de forma simples e eficiente.

Keywords :Sensoriamento remoto; hiperespectral; processamento de imagem; ruído.

ABSTRACT

Hyperspectral images are extremely susceptible to noise interferences which hinder mineral identification and quantification. Therefore, it is fundamental the use of techniques to minimize them. An efficient mathematical noise reducing procedure employs the Minimum Noise Fraction (MNF). The MNF procedure is derived from and similar to the Principal Component Analysis (APC). The main difference between them is that the MNF considers the noise while the PCA considers the data variation. It results in an ordering that reflects the image quality. The MNF transformation can be subdivided in four stages: a) obtaining a noise sample; b) formulation of a noise fraction index; c) implementation of a linear transformation function as PCA; and d) inversion of MNF considering only signs information. In the present work a methodology of MNF sequential steps is proposed using internal and external references of the image. As external reference it was used the dark reference collected during a flight simultaneously to the image acquisition. The internal reference was obtained by statistical techniques for the segmentation of the noise fraction in relation to the sign. Three types of noises can be defined by variance and correlation: a) uncorrelated noises with equal variance in all bands, b) highly correlated noises, and c) Noises with Unknown Covariance. Matrix. For the AVIRIS images, a sequential procedure of MNF can be accomplished with two stages: the first one eliminates the noises of intern reference and the second the relative external reference to the instrumental noise. That procedure allows to distinguish different types of noises and to eliminate them sequentially and efficiently.

Keywords :Remote sensing; image processing; hyperspectral; noise.