classificação orientada a objeto
TRANSCRIPT
-
8/19/2019 Classificação Orientada a Objeto
1/9
Classificação Orientada a Objeto (considerações)
INTRODUÇÃO
No decorrer do desenvolvimento das atividades na área de geotecnologias o mercado quer cada
vez mais ter agilidade nas respostas, o que implica uma extração de informações, nesse caso em
imagens de satélite, de forma rápida e automatizada, onde o interprete (analista) tenha o mnimo
de interfer!ncia possvel"
Nessa postagem tentaremos a#ordar a técnica de classificação orientada a o#$eto, no sentido mais
te%rico" &xplicitando alguns termos e técnicas usadas para se o#ter o resultado ágil" 'ogo não
temos a pretensão de finalizar o assunto somente com essa postagem, pois levando em
consideração a quantidade distinta de dados, fica inviável propor uma solução para as aplicações
dessa técnica"
SEGMENTAÇÃO
principio da segmentação é, que partindo de uma imagem digital, possamos através de
algoritmos estatsticos, reduzir as informações da mesma em regiões (o#$etos) homog!neas, as
quais são funções diretas do pro#lema considerado, a$udando em uma análise mais adequar da
imagem"
orem é importante lem#rar que a qualidade da segmentação depende não apenas do algoritmo
selecionado, mas de um apropriado a$uste dos valores de seus par*metros" +omo $á foi dito, o
a$uste desses par*metros necessita de uma longa $ornada de testes para cada imagem, ho$e $á
existem alguns procedimentos para tornar a inserção desses par*metros mais aferida, no entanto
gastam mais tempo"
segmentação pode ser classificada genericamente em dois grandes grupos"
-.&/ &0 /&.+N12N32//&4 particiona a imagem levando em consideração a mudança
a#rupta nos nveis de cinza que podem ser o#servados através de matrizes de convolução que
percorrem a imagem detectando pontos isolados, linhas e #ordas de um o#$eto"
-
8/19/2019 Classificação Orientada a Objeto
2/9
0atriz de convolução (/etection isolate points)
Na prática, pude perce#er que na maioria das vezes as detecções de linhas e #ordas retornam
erros de detecção que posteriormente precisam ser a$ustados manualmente ou usando algum
processamento anterior a segmentação"
-.&/ &0 .202'52//&4 leva em consideração o interior dos o#$etos, analisando
propriedades similares entre os pixels, tendo como critério os métodos de segmentação por
crescimento de regiões, limiarização, detecção de #acias, pir*mides e clustering" &sses métodos
serão descritos a #aixo"
• +5&.+20&N1 /& 5&627&.4 este método agrega pixels ou su#8regiões e regiões
maiores, o processo pelo qual se inicia esse método é a coleta automática de
pixels fontes, partindo8se desses o algoritmo vai agregando pixels vizinhos que
tenham caractersticas similares de cor, intensidade, textura e etc" até que não
ha$a mais possi#ilidade de agregação"
.egmentação por crescimento de regiões
• '202529:;4 aqui é feita uma discretização dos o#$etos por limiares so#re o
histograma da imagem, esse limiar retorna uma imagem com valores de < para
os o#$etos e = para o fundo"
-
8/19/2019 Classificação Orientada a Objeto
3/9
.egmentação por limiarização >
-
8/19/2019 Classificação Orientada a Objeto
4/9
.egmentação por pir*mide (quadtree) > .cale C=• +'3.1&52N64 para esse método a imagem e convertida em valores de atri#uto
(pontos) que são visualizados em um espaço amostral" s cluster são porções
continuas desse espaço com alta densidade de pontos, o que define o o#$eto é a
separa#ilidade entre essas nuvens de pontos adensadas" &xistem ainda
su#divisões desse método que determinam que um ponto pertence a apenas uma
classe ou ainda os que permitem que um ponto pertença a todas as classes até
certo grau" clustering pode usar algoritmos 2..&6 ou D80E/2."
.egmentação por clustering
.&60&N1:@ -.&/ &0 -F&1 (03'125&.'3:@)4 #asicamente esse tipo de
segmentação leva em consideração varias caractersticas da imagem, como heterogeneidade
espacial (forma) que tam#ém é su#dividido em compacidade e suavidade, assim como espectral
(cor) e diferença dos o#$etos de entorno, utilizando em sntese o método de crescimento de
regiões para agregar pixels vizinhos" &sse processo termina quando o o#$eto excede o limiar
(escala) definido pelo usuário"
> heterogeneidade (+or e forma) define a uniformidade dos o#$etos
> limiar de escala é a propriedade que define o tamanho dos o#$etos
-
8/19/2019 Classificação Orientada a Objeto
5/9
.egmentação orientada a o#$eto (multiresolução) > .cale
-
8/19/2019 Classificação Orientada a Objeto
6/9
2nterface e+ognition K
InterIMAGE http4HHGGG"lvc"ele"puc8rio"#rHpro$ectsHinterimageH
5esultado da cooperação /.5 e /2 > 2N&, /epto" &ngenharia &létrica da 3+85F e 3niversidade
de Lannover (lemanha)" &sse aplicativo livre congrega a escrita da #i#lioteca 1erra'2- e do
softGare 6eo2/, tentando ultrapassar os limites do e+ognition"
&m resumo, 2nter206& implementa uma estratégia especfica de interpretação de imagens" 1al
estratégia é #aseada e guiada por uma descrição hierárquica do pro#lema de interpretação,
estruturado em uma rede sem*ntica" (+.1 et" al", J==B)"
2nterface 2nter206&
-
8/19/2019 Classificação Orientada a Objeto
7/9
.52N6 é um .26 no estado8da8arte com funções de processamento de imagens, análise
espacial, modelagem numérica de terreno e consulta a #ancos de dados espaciais, desenvolvido
pela /2 > 2N& e apoiado por diversas outras instituições"
processo de classificação por o#$etos (regiões) no .52N6 ainda não é totalmente automático
sendo necessário a identificação manual dos o#$etos para cada classe aplicando assim umclassificador supervisionado -hattacharMa"
2nterface .52N6 ?"
-
8/19/2019 Classificação Orientada a Objeto
8/9
-
8/19/2019 Classificação Orientada a Objeto
9/9
-laschIe, 1"T Dux, L" F" L" Sen-ori"+ento re+oto e SIG "v"n")o- ! novo- -i-te+"-
-en-ore-/ +to)o- inov")ore-. .ão aulo4 ficina de 1extos, J==U, JV ed", W=W p"
-laschIe, 1"T 'ang, ."T LaM, 6" F" (&ds") O&'e%t(1"-e) I+"ge An"*,-i- > .patial +oncepts for
DnoGledge8/riven 5emote .ensing pplications" -erlim4 .pringer8erlag, J==K, K 2nstituto Nacional de
esquisas &spaciais, .ão Fosé dos +ampos" J=