Numerical improvements of the texture analysis method by fractal dimension from the hurst coefficient

A geometria fractal torna-se uma alternativa a geometria euclidiana para a descrição de formas irregulares, rugosidade e textura de superfícies. A dimensão fractal tem sido utilizada, principalmente, no processamento de imagens médicas e observações microscópicas de morfologia de partículas. O presente trabalho objetiva implementar o algoritmo de detecção de padrãode textura utilizando o coeficiente de Hurst e avaliar o seu emprego em imagens de sensoriamento remoto. Esta abordagem considera uma relação de vizinhança complexa e bastante robusta. O algoritmo consiste em três etapas: (a) cálculo do número de classes de distância; (b) cálculo da amplitude e do desvio padrão para cada classe de distância; e (c) regressão linear entre o logaritmo da distância e o logaritmo da amplitude ou desvio padrão. No presente trabalho são realizados os seguintes aprimoramentos do algoritmo previamente descrito: (a) cálculo do Coeficiente de Hurst para qualquer dimensão de janela móvel, (b) permitir a adoção do desvio padrão como alternativa da amplitude, (c) geração das imagens referentes ao coeficiente linear, além do usual coeficiente angular; e (d) complementação da análise de textura com o emprego do algoritmo “no-maximumsuppression” (NMS) melhorando a delimitação das feições de borda.O método foi aplicado em imagens do sensor TM-Landsat na região Oeste da Bahia. Os resultados demonstram que este método é excelente na detecção de bordas, realçando os limites de plantações e estradas. _________________________________________________________________________________ ABSTRACTFractal geometry becomes an alternative to Euclidean geometry to describe irregular shapes, roughness and texture surface. The fractal dimension has been used mainly in medical image processing and microscopic observations of morphology fromparticles.This paper aims to implement an algorithm for the texture detection using the Hurst coefficient, evaluating its use in remote sensing images. This approach considers a very complex and robust neighborhood relationship. The algorithm consists of three steps: (a) calculation of the number of distance classes, (b) calculation of the range and standard deviation for each distance class, and (c) linear regression between the logarithm of the maximum differenceand the logarithm of the distance from the central pixel. In this work we made the following improvements of the algorithm previously described: (a) use of variable window size, and (b) use of the standard deviation as an alternative to the amplitude(c) generation of linear coefficient images (besides the usual slope); and (d) completion of the texture analysis using the “no-maximum suppression” (NMS) algorithm improving the edge detection. The method was applied to Landsat-TM images of Western Bahia region.The results show that the coefficient of Hurst is excellent in detecting edges, highlighting the limits of crops and roads