avaliaÇÃo do uso de informaÇÃo de textura dos dados laser...

IV Simpósio Brasileiro de Geomática – SBG2017

II Jornadas Lusófonas - Ciências e Tecnologias de Informação Geográfica - CTIG2017

Presidente Prudente - SP, 24-26 de julho de 2017

p. 226-231

T. S. G. Mendes; A. N. Hernandes; A. P. Dal Poz ISSN 1981-6251

AVALIAÇÃO DO USO DE INFORMAÇÃO DE TEXTURA DOS DADOS

LASER NA CLASSIFICAÇÃO DE SUPERFÍCIES IMPERMEÁVEIS

1TATIANA SUSSEL GONÇALVES MENDES

1ANDRESSA NALU HERNANDES

2ALUIR PORFÍRIO DAL POZ

Universidade Estadual Paulista - Unesp1Instituto de Ciência e Tecnologia - ICT

Departamento de Engenharia Ambiental, São José dos Campos - SP2Faculdade de Ciências e Tecnologia - FCT

Departamento de Cartografia, Presidente Prudente - SP

[email protected], [email protected], [email protected]

RESUMO - Este trabalho tem como objetivo integrar informação espectral da imagem aérea de alta

resolução com informações dos dados LASER (intensidade do pulso LASER e Modelo Digital de

Superfície normalizado) e suas respectivas informações de texturas, calculadas a partir da matriz de co-

ocorrência dos níveis de cinza, para classificar superfícies impermeáveis em ambientes urbanos. A

classificação por Support Vector Machine foi aplicada em diferentes combinações de dados de entrada e a

acurácia é avaliada usando o coeficiente kappa. Os experimentos realizados mostraram que a acurácia

aumentou de 0,59 para 0,83 ao adicionar dados do LASER, e para 0,87 ao incluir os dados de textura.

Palavras chave: Support Vector Machine, dados de varredura a LASER, Textura.

ABSTRACT – This work aims to integrate spatial information by high resolution aerial image with

LASER data (LASER pulse intensity image and normalized Digital Surface Model) and their respective

textures information obtained by grey-level co-occurrence matrix in order to classify impervious surface

in urban environments. The classification using Support Vector Machine was applied in different

combinations of input data and the accuracy was evaluated using the kappa coefficient. The experiments

performed showed that the accuracy increased from 0.59 to 0.83 when adding the LASER data and 0.87

when including the texture data.

Key words: Support Vector Machine, LASER Scanner Data, Texture.

1 INTRODUÇÃO

Pesquisas relacionadas ao mapeamento de

superfícies impermeáveis a partir de dados de

Sensoriamento Remoto tem atraído interesse desde

1970. Superfícies impermeáveis são geralmente

definidas como objetos antrópicos, tais como, vias e

rodovias, edificações, estacionamentos, calçadas etc. No

contexto urbano, o estudo de superfícies impermeáveis é

altamente relevante, sendo importante para o

planejamento urbano e ambiental e para o

gerenciamento de recursos (WENG, 2012). O aumento

da impermeabilidade do solo por meio da urbanização

repercute na capacidade de infiltração das águas

(RIBEIRO, 2007), tendo como consequência o aumento

do volume de água e da velocidade de escoamento

superficial, com maior possibilidade de risco de

enchentes durante as tempestades. Dependendo do

relevo e da declividade do terreno, a baixa taxa de

infiltração também provoca erosões e deslizamentos.

Na literatura encontram-se diversas técnicas para

o mapeamento dessas superfícies, que utilizam diversos

métodos de classificação de imagens. Dentre eles, o

Support Vector Machine (SVM) tem recebido grande

atenção pelos pesquisadores devido a sua sólida

fundamentação teórica e determinadas características

atrativas, tais como arquitetura simples, moderada

complexidade computacional e excelente capacidade de

generalização (BRUZZONE e PERSELLO, 2009), com

diversas aplicações envolvendo dados de Sensoriamento

Remoto, por exemplo, na extração de rodovias

(MATKAN et al., 2014) e de edificações (TURKER e

KOC-SAN, 2015), na classificação de uso e cobertura

do solo (DIXON e CANDADE, 2008; SONG et al.,

2012; SHAO e LUNNETA, 2012), em detecção de

mudanças (SRIVASTAVA et al., 2012) e em detecção




de superfícies impermeáveis (SUN et al., 2011;

ZHANG et al., 2012).

Além da informação espectral, métodos têm

incorporado informações adicionais no processo de

classificação, como por exemplo, informações de dados

de varredura a LASER (HUANG et al., 2008, ALONSO

e MALPICA, 2010, GUO et al., 2011 e HUANG et al.,

2011) e informações de textura (ZHU e TOUTIN, 2013;

FERNÁNDEZ et al., 2014).

Este trabalho tem como objetivo integrar dados

LASER (intensidade do pulso LASER e Modelo Digital

de Superfície normalizado) e, suas respectivas

informações de textura, com a imagem de alta resolução

para mapear superfícies impermeáveis, avaliando a

contribuição da informação de textura na classificação

por SVM.

2 MATERIAL E MÉTODO

2.1 Materiais

No presente trabalho foi usado o conjunto de

dados (imagem aérea e dados LASER) correspondente a

uma área urbana da cidade de Curitiba-PR. A Figura 1

mostra o recorte da área.

Figura 1 – Recorte da imagem aérea de alta resolução.

Os softwares utilizados foram: LASTools para o

processamento dos dados LASER; e ENVI para a

classificação por SVM.

2.2 Classificação por SVM

O objetivo do SVM para a classificação é

determinar um hiperplano ótimo de separação entre

duas classes. Tal hiperplano é determinado usando

dados de treinamento e sua habilidade de generalização

é verificada usando dados de validação (SRIVASTAVA

et al., 2012).

Para uma classificação n-dimensional, n-1

hiperplanos são produzidos com o SVM. No entanto,

somente um hiperplano, considerado ótimo, fornece

uma máxima margem entre as duas classes

(KAVZOGLU e COLKESEN, 2009), conforme mostra

a Figura 2.

Figura 2 – Hiperplano de dados linearmente separáveis

(em cinza), vetores de suporte e o hiperplano ótimo (em

preto) (Adaptado de Kavzoglu e Colkesen (2009)).

A formulação original do método SVM permite

apenas a separação entre duas classes, não atendendo a

maioria dos problemas reais. Para contornar esta

limitação são empregadas estratégias multiclasse, por

exemplo, Um-Contra-Todos (One-Against-All - OAA).

No problema de separação dos dados em um número de

c de classes, são definidos c classificadores binários,

onde cada um é responsável pela separação de uma

classe específica com relação às demais.

2.3 Estratégia de classificação e avaliação da

acurácia

O método SVM foi empregado na classificação

usando diferentes combinações de dados de entrada. Os

dados de entrada são: imagem aérea decomposta em R,

G e B; imagem de intensidade e Modelo Digital de

Superfície normalizado (MDSn) oriundos dos dados

LASER; e imagens de textura (contraste, média,

segundo momento angular, correlação, dissimilaridade,

entropia, homogeneidade e variância) obtidas a partir da

matriz de co-ocorrência (HARALICK et al., 1973)

usando as imagens provenientes dos dados LASER.

As imagens de entrada na classificação foram

combinadas de modo a verificar a contribuição dos

dados no resultado, avaliando a acurácia atingida e a

imagem gerada. A técnica de Transformação por

Componentes Principais foi usada como uma das

formas de combinar as diferentes informações e reduzir

a dimensionalidade dos dados.

Uma vez que o SVM é um método

supervisionado, amostras de treinamento são

necessárias. Na cena, foram coletadas amostras para as

seguintes classes: asfalto, grama, árvore, telhado

vermelho (cerâmica), telhado cinza, concreto (quadras

de esporte cimentadas e calçadas de concreto, blocos e

pedras), solo exposto e água (piscinas). Diferentemente

da maioria das abordagens para a classificação, a classe

sombra não foi incluída, uma vez que a adição dos

dados LASER, principalmente da imagem de

intensidade, ajuda a diminuir a interferência desse

fenômeno no resultado.




Com o objetivo de avaliar os resultados e as

diferentes formas de combinar os dados, as acurácias

foram avaliadas usando o conjunto de amostras de

validação por meio do coeficiente kappa

(CONGALTON e GREEN, 2009).

3 EXPERIMENTOS

Os dados LASER e a imagem aérea foram

integrados num mesmo sistema de referência através do

registro rigoroso, que consiste em projetar

fotogrametricamente a nuvem de pontos LASER na

imagem aérea, seguida da regularização dos pontos

projetados segundo uma grade com mesma resolução da

imagem aérea, o que permite gerar o MDS e a imagem

de intensidade. Por meio do processo de filtragem dos

pontos LASER, usando o software LASTools, pontos

que representam a superfície topográfica foram obtidos

e o MDSn foi gerado. As Figuras 3(a) e 3(b)

apresentam, respectivamente, a imagem de intensidade e

o MDSn para a área de estudo.

(a)

(b)

Figura 3 - Imagens oriundas dos dados LASER: (a)

Imagem de intensidade; e (b) MDSn.

Amostras de treinamento e de validação foram

obtidas a partir da análise da imagem aérea. O número

de pixels de treinamento e de validação para cada classe

é apresentado na Tabela 1.

Na classificação por SVM, foi adotada a Função

Base Radial como função kernel. O parâmetro

penalidade foi definido com valor igual a 100. Altos

valores para a penalidade resultam em menores índices

de erro durante o treinamento, no entanto, pode ocorrer

a perda de generalidade do modelo.

Tabela 1 – Amostras de treinamento e de validação.

Classes Treinamento

(pixels/polígono)

Validação

(pixels/polígono)

Asfalto 564/17 315/10

Concreto 296/15 143/8

Telhado cinza 413/17 217/12

Telhado vermelho 284/15 160/9

Árvore 309/13 122/5

Grama 206/9 142/6

Água 38/4 21/2

Solo exposto 114/4 69/3

As diferentes combinações de dados de entrada

são apresentadas na Tabela 2, juntamente com os

valores do coeficiente kappa alcançados na

classificação. As imagens de entrada são:

RGB: imagens R, G e B;

(I): imagem de intensidade;

(H): Modelo Digital de Superfície

normalizado;

T[I]: imagens de textura provenientes da

imagem de intensidade;

T[H]: imagens de textura provenientes do

MDSn;

1CPT[I]: primeira componente principal

das imagens de textura da imagem de

intensidade;

1CPT[H]: primeira componente principal

das imagens de textura do MDSn;

T[I][Ent_2Mom_Var]: Imagens de textura

(entropia, segundo momento angular e

variância) obtidas a partir da imagem de

intensidade.

T[H][Ent_2Mom_Hom_Diss]: Imagens de

textura (entropia, segundo momento

angular, homogeneidade e dissimilaridade )

obtidas a partir do MDSn.

T[I][Var]: Imagem de textura (variância)

obtida a partir da imagem de intensidade.

T[H][Diss]: Imagem de textura

(dissimilaridade) obtida a partir do MDSn.

Tabela 2 – Combinações de dados de entrada.

Combinação Kappa

SVM

A RGB 0,59

B RGB + I + H 0,83

C RGB + I + H + T[I] 0,84

D RGB + I + H + T[H] 0,85

E RGB + I + H + T[I] + T[H] 0,83

F RGB + I + H + 1CPT[I] + 1CPT[H] 0,85

G RGB + I +H + T[I][Ent_2Mom_Var] 0,85

H RGB + I + H + T[H][Ent_2Mom_Hom_Diss] 0,85

I RGB + I + H + T[I][Var] + T[H][Diss] 0,87




As duas primeiras combinações (A e B),

apresentadas na Tabela 2, são para fins de comparação,

uma vez que estas não apresentam informação de

textura. As demais combinações usam informação de

textura acrescidas na combinação RGB+I+H, sendo que

a combinação F usa as primeiras componentes

principais das imagens de textura para reduzir a

dimensionalidade dos dados. As combinações de G a I

usam as imagens de textura, geradas a partir da imagem

de intensidade e do MDSn, que mais contribuem para

separar as classes.

A adição das informações dos dados LASER

(imagem de intensidade e MDSn) aumentou

consideravelmente o valor do kappa, de 0,59 para 0,83.

A inclusão da informação de textura, de uma forma

geral, aumentou a acurácia, alcançando o valor do kappa

igual a 0,87 quando as imagens de textura (segundo

momento angular para a imagem de intensidade e

dissimilaridade para o MDSn) foram incluídas na

classificação.

As imagens resultantes da classificação são

apresentadas na Figura 4. Na combinação A, por usar

somente as imagens RGB, verifica-se que houve muitos

pixels classificados como asfalto e a classe concreto não

é representada, ficando evidenciado a confusão entre as

classes asfalto, concreto, grama e telhado cinza. Na

combinação B, a inclusão da imagem de intensidade

melhora o resultado para a classe asfalto, reduz a

influência da sombra nesta classe e contribui para o

aparecimento da classe concreto (calçadas). O MDSn

permite melhor separar os objetos altos dos que estão no

nível do terreno, e por isso, melhora o resultado para as

classes edificação cinza e asfalto.

RGB (A)

RGB + I + H (B)

RGB + I + H + T[I] (C)

RGB + I + H + T[H]

(D) RGB + I + H + T[I] + T[H]

(E) RGB+I+H+1CPT[I]+1CPT[H]

(F)

RGB + I +H + T[I][Ent_2Mom_Var]

(G) RGB + I + H + T[H][Ent_2Mom_Hom_Diss]

(H) RGB + I + H + T[I][Var] + T[H][Diss]

(I)

Figura 4 - Imagens resultantes da classificação, segundo as combinações de A a I.




Ao incluir separadamente as imagens de textura da

imagem de intensidade e do MDSn na classificação

(combinações C e D) obteve resultados muitos próximo,

visualmente. O que se observa é que a combinação D, que

usa a imagem de textura do MDSn diferenciou melhor a

vegetação, enquanto que classificou mais pixels

erroneamente como classe solo exposto. Já a combinação

C, que usa a textura da imagem de intensidade, verificou-

se um resultado melhor para a classe asfalto e concreto.

A integração de todas as informações de textura no

processo de classificação (combinação E) reduziu o valor

de kappa, e apresentou, conforme Figura 5, um resultado

mais ruidoso em comparação com os dois anteriores. A

combinação que insere as primeiras componentes

principais das imagens de textura (combinação F)

apresentou um melhor resultado para a classe grama e

concreto, quando comparado com a combinação E.

Analisando todas as imagens de textura geradas,

verificou-se que as imagens entropia, segundo momento e

variância (combinação G) poderiam ajudar na

classificação, principalmente em relação às vias e

concreto. Da mesma forma o procedimento foi realizado,

selecionando as imagens entropia, segundo momento,

homogeneidade e dissimilaridade (combinação H),

obtidas a partir do MDSn. Entre o resultado das

combinações G e H, verificou-se uma ligeira diferença

entre as classes grama e concreto, com maior confusão

entre elas na combinação H, que inclui informação de

textura do MDSn.

A combinação I diminuiu a quantidade de imagens

que entram no processo de classificação, inserindo

somente uma imagem de textura gerada a partir da

imagem de intensidade (variância) e uma imagem de

textura do MDSn (dissimilaridade). O resultado dessa

classificação alcançou o valor de 0,87, com melhor

definição das bordas dos objetos e com o aparecimento de

mais pixels da classe concreto.

A Figura 5 mostra a classificação associando as

classes resultantes em duas: superfície impermeável (em

branco) e superfície permeável (em preto). Para a

superfície impermeável foram consideradas as classes

asfalto, concreto, telhado cinza, telhado vermelho e água.

Como os corpos d’água presentes na área de estudo

correspondem somente a piscinas, esta classe foi incluída

como impermeável. Para a classe permeável, foram

consideradas as classes árvore, grama e solo exposto.

Do total da área de estudo, 52% é considerada

como superfície impermeável e o restante, 48%, como

permeável. É importante considerar que apesar da área

possuir muitas edificações, há muitas áreas gramadas,

sendo duas delas de grande extensão, as quais contribuem

para que a área de estudo apresente aproximadamente

50% de superfície impermeável, conforme o método

proposto.

Figura 5 – Superfícies impermeáveis (em branco) obtidas

pela classificação integrando informações espectrais, de

dados LASER e de textura.

4 CONCLUSÕES

A classificação por SVM usando diferentes

combinações de dados de entrada (R, G e B; imagem de

intensidade e Modelo Digital de Superfície normalizado

(MDSn) oriundas dos dados LASER; e imagens de

textura obtidas a partir da matriz de co-ocorrência usando

as imagens provenientes dos dados LASER) foi realizada

para verificar se o uso da informação de textura contribui

para separar as classes de cobertura do solo com o

objetivo de mapear superfícies impermeáveis.

É fato que a integração dos dados LASER com as

imagens RGB melhora o resultado da classificação, como

ocorreu neste trabalho, aumentando o valor do kappa de

0,59 para 0,83. As experimentações foram realizadas para

verificar se os dados de textura obtidos a partir dos dados

LASER, incluídos aos dados espectrais, de intensidade e o

MDSn, melhoram os resultados da classificação. No

presente trabalho, houve um aumento da acurácia de 0,83

para 0,87 ao integrar as informações de textura (variância

da imagem de intensidade e dissimilaridade do MDSn).

O aumento da acurácia não foi muito expressivo,

uma vez que o resultado está relacionado a diversos

fatores, por exemplo, o método de classificação por pixel

e a baixa densidade da nuvem de pontos dos dados

LASER. Neste sentido, como trabalhos futuros pretende-

se analisar outras formas de inserir a informação de

textura no processo de classificação; propondo também

usar um método de classificação orientado a objeto; e

realizar os experimentos usando uma nuvem de pontos de

dados LASER mais densa, para produzir imagens com

menos ruído.

AGRADECIMENTOS

Os autores agradecem à FAPESP pelo apoio

financeiro através da bolsa de Iniciação Científica do

segundo autor (Processo 2016/05240-8) e ao LACTEC

pelo fornecimento dos dados de varredura a LASER.




REFERÊNCIAS

ALONSO, M. C.; MALPICA, J. A. Satellite imagery

classification with LiDAR data. In: International

Archives of the Photogrammetry, Remote Sensing and

Spatial Information Sciences, v. XXXVIII, Part 8,

Japan, pp. 730-735, 2010.

BRUZZONE, L.; PERSELLO, C. A novel context-

sensitive semisupervised SVM classifier robust to

mislabeled training samples. IEEE Transactions on

Geoscience and Remote Sensing, v. 47, n. 7, pp. 2142-

2154, 2009.

CONGALTON, R.; GREEN, K. Assessing the Accuracy

of Remotely Sensed Data: Principles and Practices. Boca

Raton: Lewis Press, 1999. Cap. 3, p. 12-14.

DIXON, B; CANDADE, N. Multispectral landuse

classification using neural networks and support vector

machine: one or the other, or both? International

Journal of Remote Sensing, v. 29, n. 4, pp. 1185-1206,

2008.

FERNÁNDEZ, I; AGUILAR, F. J.; AGUILAR, M. A.;

ÁLVAREZ, M. F. Influence of Data Source and Training

Size on Impervious Surface Areas Classification Using

VHR Satellite and Aerial Imagery through an Object-

Based Approach. IEEE Journal of Selected Topics in

Applied Earth Observations and Remote Sensing, v. 7,

n. 12, pp. 4681-4691, 2014.

GUO, L.; CHEHATA, N.; MALLET, C.; BOUKIR, S.

Relevance of airborne LiDAR and multispectral image

data for urban scene classification using Random

Forests,” ISPRS Journal of Photogrammetry and

Remote Sensing, v. 66, pp. 56-66, 2011.

HARALICK, R. M.; SHANMUGAN, K.; DINSTEIN, I.

Textural Features for Image Classification. IEEE

Transaction on System, man and Cybernetics, New

York, v. 3, n. 6, pp. 610-621, 1973.

HUANG, M; SHYUE, S.; LEE, L.; KAO, C. A

Knowledge-based Approach to Urban Feature

Classification Using Aerial Imagery with Lidar Data.

Photogrammetric Engineering & Remote Sensing, v.

74, n. 12, pp. 1473-1485, 2008.

HUANG, X.; ZHANG, L.; GONG, W. Information fusion

of aerial images and LIDAR data in urban areas: vector-

stacking, rec-classification and post-processing

approaches. International Journal of Remote Sensing,

v. 32, n. 1, pp. 69-84, 2011.

KAVZOGLU, T.; COLKESEN, I. A kernel functions

analysis for support vector machines for land cover

classification. International Journal of Applied Earth

Observation and Geoinformation, v. 11, pp. 352-359,

2009.

MATKAN, A. A.; HAJEB, M.; SADEGHIAN, S. Road

extraction from Lidar data using Support Vector Machine

classification. Photogrammetric Engineering &


SHAO, Y.; LUNETTA, R.S. Comparison of support

vector machine, neural network, and CART algorithms

for the land-cover classification using limited training

data points. ISPRS Journal of Photogrammetry and


SONG, X.; DUAN, Z.; JIANG, X. Comparison of

artificial neural networks and support vector machine

classifiers for land cover classification in Northen China

using a SPOT-5 HRG image. International Journal of


SRIVASTAVA, P.K.; HAN, D.; RICO-RAMIREZ,

M.A.; Bray, M.; Islam, T. Selection of classification

techniques for landuse/land cover change investigation.

Advances in Space Research, v. 50, pp. 1250-1265,

2012.

SUN, Z.; GUO, H.; LI, X.; LU, L.; DU, X. Estimating

urban impervious surfaces from Landsat-5 TM imagery

using multilayer perceptron neural network and support

vector machine. Journal of Applied Remote Sensing, v.

5, 2011.

TURKER, M.; KOC-SAN, D. Building extraction from

high-resolution optical spaceborne images using the

integration of support vector machine (SVM)

classification, Hough transformation and perceptual

grouping. International Journal of Applied Earth

Observation and Geoinformation, v. 34, pp. 58-69,

2015.

WENG, Q. Remote Sensing of impervious surfaces in the

urban areas: Requirements, methods, and trends. Remote

Sensing of Environment, v. 117, pp. 34-39, 2012.

ZHANG, H.; ZHANG, Y.; LIN, H. A comparison study

of impervious surfaces estimation optical and SAR

remote sensing images. International Journal of

Applied Earth Observation and Geoinformation, v. 18,

pp. 148-156, 2012.

ZHU, X; TOUTIN, T. Land cover classification using

airborne LiDAR products in Beauport, Québec, Canada.

International Journal of Image and Data Fusion, v. 4,

n. 3, pp. 252-271, 2013.

avaliaÇÃo do uso de informaÇÃo de textura dos dados laser...

Documents