Classificação de Imagens

Classificação

• Classificação é o processo de extração de

“informação” em imagens para reconhecer

padrões e objetos homogêneos;

• Usados para mapear áreas da superfície

terrestre que apresentam um mesmo

significado em imagens digitais.

Cada pixel tem as coordenadas espaciais

x, y e a coordenada espectral L, que

representa a radiância de um alvo no

intervalo de comprimento de onda de uma

banda espectral.

Classificação

• Classificação unidimensional: As técnicas de

classificação são aplicadas apenas a um canal

espectral, ou seja, banda da imagem;

• Classificação multiespectral: Quando o critério

de decisão depende da distribuição de níveis de

cinza em vários canais espectrais.

Classificação

Tipos de Análise

• Classificadores pixel a pixel:

– Utilizam apenas a informação espectral de cada pixel para achar regiões

homogêneas;

– Métodos estatísticos;

– Métodos determinísticos.

• Classificadores por regiões:

– Utilizam, além de informação espectral de cada "pixel", a informação espacial que

envolve a relação com seus vizinhos;

– Para a classificação por regiões é preciso fazer a segmentação das imagens a serem

classificadas.

Interface de Classificação

Treinamento

• Treinamento é o reconhecimento da assinatura

espectral das classes.

• Existem basicamente duas formas de

treinamento:

– Supervisionado;

– Não- supervisionado.

Treinamento Supervisionado

• Quando existem regiões da imagem em que o usuário

dispõe de informações que permitem a identificação

de uma classe de interesse.

• Deve ser identificada na imagem uma área

representativa de cada classe.

• A amostra deve ser homogênea.

Treinamento Não-supervisionado

• Quando o usuário utiliza algoritmos para reconhecer as

classes presentes na imagem.

• O usuário não deve se preocupar com a homogeneidade das

classes.

• Os "pixels“ são submetidos a um algoritmo de agrupamento

("clustering") que determina o agrupamento do dado.

Amostras

• Aquisição– Participam realmente do classificador;

– Podem ser utilizadas como teste.

• Teste– São utilizadas apenas como estudo;

– Geralmente são aquisições imperfeitas.

Amostras

Contorno das amostras:

– Retangular

– Poligonal

– Região

Tipos de Classificador

• Maxver (Máxima Verossimilhança)

– Baseado no princípio de que a classificação errada de um pixel

particular não tem mais significado do que a classificação

incorreta de qualquer outro pixel na imagem.

– O resultado do Maxver é tanto melhor quanto maior o número

de pixels numa amostra de treinamento.

– O método Maxver deve ser aplicado quando o analista conhece

bem a imagem a ser classificada, para que possa definir classes

que sejam representativas.

• Maxver-ICM (Interated Conditional Modes)

– Associa classes considerando pontos individuais da imagem e

também a dependência espacial na classificação.

– 1ª Fase: Classificação pelo algoritmo Maxver.

– 2ª Fase: Leva-se em conta a informação contextual da imagem.

– Este processo é finalizado quando a porcentagem de mudança

definida pelo usuário é satisfeita.

Tipos de Classificador

• Distância euclidiana

É um procedimento de classificação supervisionada que utiliza esta distância para associar um "pixel" a uma determinada classe. Na classificação, cada "pixel" será incorporado a um agrupamento, através da análise da medida de similaridade de distância Euclidiana, que é dada por:

d (x,m) = (x2 - m2) 1/2

onde: x = "pixel" que está sendo testado m = média de um agrupamento N = número de bandas espectrais

O classificador compara a distância Euclidiana do "pixel" à média de cada agrupamento. O "pixel" será incorporado ao agrupamento que apresenta a menor distância Euclidiana. Este procedimento é repetido até que toda a imagem seja classificada.

• KMedias

• Limiar de aceitação

Os conjuntos de treinamento definem o diagrama de dispersão das classes e suas distribuições de probabilidade, considerando a distribuição de probabilidade normal para cada classe do treinamento. Para duas classes (1 e 2) com distribuição de probabilidade distintas, as distribuições representam a probabilidade de um "pixel" pertencer a uma ou outra classe, dependendo da posição do "pixel" em relação a esta distribuição. Ocorre uma região onde as duas curvas sobrepõem-se, indicando que um determinado "pixel" tem igual probabilidade de pertencer às duas classes. Nesta situação estabelece-se um critério de decisão a partir da definição de limiares.

Exemplo de limite de aceitação de uma classificação, no ponto onde as duas distribuições se cruzam. Um "pixel" localizado na área sombreada, apesar de pertencer à classe 2, será classificado como classe 1.

O limiar de aceitação indica a % de "pixels" da distribuição de probabilidade de uma classe que será classificada como pertencente a esta classe. Um limite de 99%, por exemplo, engloba 99% dos "pixels", sendo que 1% serão ignorados (os de menor probabilidade), compensando a possibilidade de alguns "pixels" terem sido introduzidos no treinamento por engano, nesta classe, ou estarem no limite entre duas classes. Um limiar de 100% resultará em uma imagem classificada sem rejeição, ou seja, todos os "pixels" serão classificados.

Para diminuir a confusão entre as classes, ou seja, reduzir a sobreposição entre as distribuições de probabilidades das classes, aconselha-se a aquisição de amostras significativas de alvos distintos e a avaliação da matriz de

classificação das amostras.

A matriz de classificação apresenta a distribuição de porcentagem de "pixels" classificados correta e erroneamente. No exemplo a seguir, apresenta-se uma matriz de classificação com as porcentagens de 4 classes definidas na aquisição de amostras, os valores de desempenho médio, abstenção (quanto não foi classificado) e confusão média.

• Desempenho médio: 89.37 • Abstenção média: 3.15 • Confusão média: 7.48 • O valor de N representa a quantidade de cada classe (porcentagem de

"pixels") que não foi classificada. • A classe 1 corresponde à floresta, a classe 2 ao cerrado, a classe 3 ao rio e a

classe 4 ao desmatamento.

• Análise de amostras

Uma matriz de classificação ideal deve apresentar os valores da diagonal principal próximos a 100%, indicando que não houve confusão entre as classes. Contudo esta é uma situação difícil em imagens com alvos de características espectrais semelhantes.

O valor fora da diagonal principal, por exemplo 13.3 (classe linha 3 e coluna 1), significa que 13.3% da área da classe "rio" amostrada foi classificada como classe 1 (floresta). O mesmo raciocínio deve ser adotado para os outros valores.

Para diminuir a confusão entre as classes, aconselha-se a análise das amostras.

Os valores em porcentagem indicam que na amostra 1, 90% dos "pixels" são classificados como floresta, 5% como cerrado e 5% como rio, o que resulta em uma amostra confiável. Por sua vez, a amostra 2 apresentou uma confusão de 50% entre as classes floresta e cerrado, indicando que esta deve ser eliminada.

• Pós classificaçãoAplica-se este procedimento em uma imagem classificada, com o objetivo de uniformizar os temas, ou seja, eliminar pontos isolados, classificados diferentemente de sua vizinhança. Com isto, gera-se um imagem classificada com aparência menos ruidosa.

• Peso e limiar

O peso varia de 1 a 7 e define o número de vezes que será considerada a freqüência do ponto central. O limiar varia também de 1 a 7 e é o valor de freqüência acima do qual o ponto central é modificado.

A definição de peso e limiar dependerá da experiência do usuário e das características da imagem classificada. Quanto menor o peso e menor o limiar, maior o número de substituições que serão realizadas.

Em uma janela de 3 x 3 "pixels", o ponto central é avaliado quanto à freqüência das classes (temas), em sua vizinhança. De acordo com os valores de peso e limiar definidos pelo usuário, este ponto central terá ou não sua classe substituída pela classe de maior freqüência na vizinhança. Por exemplo, para a janela de uma imagem classificada será avaliado o "pixel" central pertencente à classe 2. Considera-se um peso e um limiar iguais a 3.

A tabela acima é a frequência de classes e indica que a classe 1 ocorre uma vez; a classe 3 ocorre três vezes e a classe 5, quatro vezes. A freqüência da classe 2 é considerada 3, pelo fato do peso definido ser 3. O limiar igual a 3 fará com que o ponto central (de classe 2) seja atribuído à classe 5, cuja freqüência (4) é maior que o limiar definido. A janela classificada com seus temas uniformizados torna-se:

• Mapeamento

Cria um mapa temático a partir de uma imagem classificada.

Prática- Classificação de imagem

1º Passo: Criar um Banco de Dados ;

2º Passo: Ativar o projeto ;

3º Passo: Selecione a categoria Imagem e ative os três PI’s em que cada um representará uma banda diferente.

4º Passo: Clique em Imagem>Classificação

• 5º Passo: Clique em “Criar...”na janela de classificação;

• 6º Passo: Dê um nome, selecione o tipo de análise ( pixel ou região), clique sobre as três bandas e a seguir mande executar

• 7º Passo: Novamente na janela de classificação no campo Contextos, selecione o contexto que você criou e a seguir clique em “Treinamento...” ;

• 8º Passo: Na janela Treinamento dê nomes aos temas que você deseja classificar em sua imagem e selecione uma cor para cada nome e clique em criar

• 9º Passo: Clique sobre um tema e a seguir adquira as imagens, determinando o tipo de contorno (Retangular ou Poligonal). Depois vá na imagem e demarque as áreas que devem pertencer ao tema. Repita esta operação para outros temas. E depois clique em Salvar e Fechar.

10º Passo: Clique em “Classificação...”. Na janela que se abre, selecione o tipo de classificador (neste caso usaremos o Maxver), depois o limiar de aceitação (neste caso será 99%).

11º Passo: Clique em Análise de Amostras e verifique o desempenho de sua amostragem se

estiver perto de 100% ela foi boa. Clique em Salvar e depois Fechar.

12º Passo: Voltando a janela de Classificação de Imagens, dê um nome ao PI da Imagem de Saída.

Depois clique em Executar.

• 13º Passo: Na janela Classificação, clique no ícone “Pós-Classificação...” e determine um Peso e uma Limiar e a seguir clique em Executar.

14º Passo: Está pronta a sua Classificação