Made available in DSpace on 2015-03-26T13:27:49Z (GMT). No. of bitstreams: 1 texto completo.pdf: 1650980 bytes, checksum: 2eada7484c172bd2ec1018551b573927 (MD5) Previous issue date: 2008-08-04 / Coordenação de Aperfeiçoamento de Pessoal de Nível Superior / Very high resolution orbital sensor images are becoming more and more frequently used for any number of applications: in the construction of databases for use in Geographic Information Systems (GIS); in the creation and revision of regional scale mapping; as support for area planning and organization in regional, municipal and urban capacities; etc. The high spatial resolution of these sensors allows for the identification of many well-defined features, and facilitates point collection for performing geometric correction on these images. However, due to this high resolution, and with the possibility of obtaining more accurate geometric corrections, great care should be taken to obtain more accurate terrestrial reference coordinates and in choosing transformation models between coordinate systems. Otherwise, the quality of the generated products may be compromised, seeing as the errors committed in reference coordinates will propagate throughout the derivative products. Consequently, to evaluate the geometric quality of these images, techniques that determine their properly assessed positional uncertainty spatially are required. The objective of the present work is to evaluate geometric corrections in the coordinates of a very high resolution orbital image, applying the following planar and spatial transformation models: affine projection, projective and modified projective. To determine parameters that correlate the image and terrestrial systems, the Method of Least Squares was employed, using the parametric model, with the purpose of adjusting image coordinates, relating these directly with homologous reference coordinates using control points that are found distributed through the image. With good precision estimates available for the reference coordinates, the quality of screen (image) coordinates and transformation parameters can be evaluated. Inverse transformations were subsequently made to obtain surface coordinates and their standard deviations. From this, using propagation of variance, an image containing the root mean square (RMS) error value in meters for each pixel was generated. With the obtained results and the spatial positional accuracy analysis, it was concluded that the three-dimensional space projective model is the most accurate of the various models presented. / Imagens provenientes de sensores orbitais de altíssima resolução vêm sendo cada vez mais utilizadas em diversos trabalhos, tais como: confecção de base de dados para uso em Sistema de Informações Geográficas (SIG); atualização e ou confecção de mapas em escalas regionais; auxílio no planejamento e organização do espaço em âmbito regional, municipal e ou urbano; etc. A alta resolução espacial desses sensores permite a identificação de muitas feições com boa definição, e proporcionam maior facilidade na coleta de pontos para a realização da correção geométrica dessas imagens. Porém, devido à alta resolução e a possibilidade de se obter resultados mais precisos na correção geométrica, deve-se ter cuidado elevado na obtenção de coordenadas terrestres de referência mais precisas e na escolha dos modelos de transformação entre sistemas de coordenadas, pois, caso contrário, a qualidade dos produtos gerados pode ser comprometida, uma vez que os erros cometidos nas coordenadas de referência se propagam para os produtos derivados. Conseqüentemente, para avaliar a qualidade geométrica dessas imagens, há a necessidade de envolver técnicas que evidenciem a incerteza posicional - devidamente avaliada - de forma espacializada. O presente trabalho tem por objetivo, avaliar a correção geométrica nas coordenadas de uma imagem orbital de altíssima resolução, aplicando os seguintes modelos planos e espaciais de transformações: modelo de projeção afim, modelo projetivo e modelo projetivo modificado. Para determinar os parâmetros que relacionam o sistema de imagem e o sistema terrestre é empregado o Método dos Mínimos Quadrados – MMQ, através do método paramétrico, com a finalidade de ajustar as coordenadas de imagem, relacionando-as diretamente com as coordenadas homólogas de referência, utilizando pontos de controle que se encontram distribuídos em toda imagem. Com a disposição de uma boa estimativa da precisão das coordenadas de referência, a qualidade das coordenadas de tela (imagem) e dos parâmetros de transformação pode ser avaliada. Posteriormente, realizam-se transformações inversas para obter as coordenadas de superfície e seus desvios padrão. Daí, através da propagação de variâncias, gera-se uma imagem contendo o valor do erro médio quadrático (RMS), em metros, para cada pixel da imagem. Consequentemente, de posse dos resultados obtidos e da análise da precisão posicional espacializada, conclui-se que o modelo projetivo utilizando o espaço tridimensional é o mais preciso quando comparado com outros modelos apresentados.

Uncertainty analysis is an important part of system design. The formula for error propagation through a system model that is most-often cited in literature is based on a first-order Taylor series. This formula makes several important assumptions and has several important limitations that are often ignored. This thesis explores these assumptions and addresses two of the major limitations. First, the results obtained from propagating error through nonlinear systems can be wrong by one or more orders of magnitude, due to the linearization inherent in a first-order Taylor series. This thesis presents a method for overcoming that inaccuracy that is capable of achieving fourth-order accuracy without significant additional computational cost. Second, system designers using a Taylor series to propagate error typically only propagate a mean and variance and ignore all higher-order statistics. Consequently, a Gaussian output distribution must be assumed, which often does not reflect reality. This thesis presents a proof that nonlinear systems do not produce Gaussian output distributions, even when inputs are Gaussian. A second-order Taylor series is then used to propagate both skewness and kurtosis through a system model. This allows the system designer to obtain a fully-described non-Gaussian output distribution. The benefits of having a fully-described output distribution are demonstrated using the examples of both a flat rolling metalworking process and the propeller component of a solar-powered unmanned aerial vehicle.