Segmentação e Classificação

Prof. Herondino

Segmentação

} Conjunto finito de regiõesdefinido por:

onde e

SRR ,...,1

US

iiRR

1=

=

=ji RR I

Neste processo, divide-se a imagem em regiões que devem corresponder às áreas de interesse da aplicação. Entende-se por regiões um conjunto de "pixels" contíguos, que se espalham bidirecionalmente e que apresentam uniformidade, ou seja, dado

Crescimento por Região} A divisão em porções consiste basicamente em um processo

de crescimento de regiões, de detecção de bordas ou de detecção de bacias.

} Crescimento de regiões} É uma técnica de agrupamento de dados, na qual somente as

regiões adjacentes, espacialmente, podem ser agrupadas.} Inicialmente, este processo de segmentação rotula cada "pixel"

como uma região distinta.} Calcula-se um critério de similaridade para cada par de

regiões adjacentes espacialmente.

Crescimento por Região} O critério de similaridade baseia-se em um teste de hipótese

estatístico que testa a média entre as regiões.} A seguir, divide-se a imagem em um conjunto de sub-imagens

e então se realiza a união entre elas, segundo um limiar de agregação definido.

Segmentação no SPRING

Limiar de Similaridade

Área do objeto

Detecção de bacias} A classificação por detecção de bacias é feita sobre uma

imagem resultante da extração de bordas. A extração de bordas é realizada por um algoritmo de detecção de bordas, ou seja, pelo filtro de Sobel

} O algoritmo calcula um limiar para a perseguição de bordas. Quando ele encontra um "pixel" com valor superior ao limiar estabelecido, tem-se início o processo de perseguição da borda

Segmentação Binária

<

≥=

TjifparaTjifpara

jig),(0),(1

),(

} Algoritmo Básico de Limiar:} Buscar todos os pixels da imagem . Um elemento de

imagem da imagem segmentada é um pixel do objeto se e um pixel de fundo caso contrário.

),( jif f),( jig

Tjif ≥),(

Segmentação Binária

(a) Imagem Original. (b) Imagem segmentada a partir do limiar escolhido Fonte: (Sonka, Hlavac e Boyle, 2008)

<

≥=

TjifparaTjifpara

jig),(0),(1

),(

Tipos de Classificação} Em relação ao tipo de treinamento, a classificação

automática pode ser dividida em dois grupos:o Classificação Supervisionada - nesta

classificação cada pixel da imagem é associado a uma classe espectral sem que o usuário tenha um conhecimento prévio do número das diferentes classes presentes na imagem.

o Não supervisionada – o usuário seleciona amostras representativas para cada uma das classes.

Classificação utilizando a segmentação

Criar o Contexto

Criação do Contexto

Contexto Criado e pronto para treinamento

Faz-se a seleção das Bandas que serão usadas na classificação e a segmentação que será utilizado na captura das amostras

Etapas para a classificação

Para o treinamento do algoritmo faz-se necessário a escolha dos temas para a classificação

Criando os temas das classes

Criando os temas da classificação.Na criação do temas é necessário a associação com uma cor que pode ser escolhida no menu de Cor...

Associando a cor ao tema

Criando os temas das classes

Criando os temas para a classificação.Após a criação dos temas pode-se iniciar a aquisição das amostras (treinamento) definida o tipo de aquisição por região.

Fazendo o treinamento

Fazendo o treinamento

Algoritmos Classificadores

ISOSEG

O Isoseg é um algoritmos de de agrupamento (clustering) de dados não-supervionado, aplicado sobre um determinado conjunto de regiões, caracterizadas por seus atributos estatísticos de média, matriz de covariância e área (INPE/DPI, 2006)

Battacharya} A distância de

Battacharya é usada para medir a separabilidadeestatística entre um par de classes espectrais.

} Ela mede a distância média entre as distribuições de probabilidades de classes espectrais.

ClaTex} É um algoritmo supervisionado

que utiliza ambos os atributos texturais das regiões de uma imagem segmentada para efetuar a classificação por regiões.

} A medida utilizada consiste na distância de Mahalanobis entre a classe de interesse e as regiões candidatas à relação de pertinência com esta classe.

Referência Bibliográfica

} GONZALEZ, R. C.; WOODS, R. E. Digital Image Processing. 2a. Edition. ed. New Jersey: Prentice Hall, 2001.

} INPE. Tutorial de Geoprocessamento disponível em http://www.dpi.inpe.br/spring/portugues/tutorial/introducao_pro.html. Acesso em 05/02/2014.

} CCRS - CANADA CENTRE FOR REMOTE SENSING (Canada). Canada. Tutorial: Fundamentals of Remote Sensing: Introduction What is Remote Sensing?. Natural Resources Canada. Disponivel em: <http://www.ccrs.nrcan.gc.ca/resource/tutor/fundam/chapter1/01_e.php>. Acesso em: 25maio 2011

} SAUSEN, T. M.; COSTA, S. M. D.; DI, M. A. C. Projeto Educa SeRe III -Atlas de Ecosssistemas da America do Sul e Antartica. XII Simpósio Brasileiro de Sensoriamento Remoto, Goiania, 16-21 Abril 2005. 1345-1352