mapeamento do uso do solo para manejo de propriedades rurais · 3 - calculo dos centros de grupos...

1/284 Técnicas de classificação de imagens

Mapeamento do uso do solo para manejo de propriedades ruraisTeoria

Eng. Allan Saddi ArnesenEng. Frederico Genofre Eng. Marcelo Pedroso Curtarelli


Conteúdo programático:

• Capitulo 1: Conceitos básicos de cartografia e SIG;• Capitulo 2: Fundamento de Sensoriamento Remoto;• Capitulo 3: Aquisição de imagens e processamento de dados;• Capitulo 4: Técnicas de classificação de imagens e processamento digital;• Capiutlo 5: Mapeamento do uso do solo para o manejo de propriedades rurais;• Capitulo 6: Validação, extração de informações e estimativas de produção.


Tópicos abordado neste capitulo:

• Conceitos básicos sobre classificação de imagens;• Técnicas de classificação não supervisionada;• Técnicas de classificação supervisionada; • Técnica de classificação manual.


O que é a classificação de imagens?

• “É o processo de extração de informação em imagens para reconhecer padrões ealvos homogêneos, sendo utilizado em Sensoriamento Remoto para mapear áreasda superfície terrestre que correspondem aos temas de interesse.”

• Utiliza atributos espectrais das imagens (p.ex. o ND ou o valor de radiância);

• Associa a cada elemento de imagem um “rótulo”;

• Produto final mapa com os temas de interesse.


Atributos Espectrais

• São atributos associados a cada“pixel” ou “região” da imagemque variam em função docomprimento de onda (banda)

• Exemplo de atributos espectrais:ND, reflectância, radiância;

• Alvos distintos apresentam feiçõesespectrais que os distinguem dosdemais alvos na imagem.


Qual a sua finalidade?

• Utilizada na maioria dos casos parafins de mapeamento em geral;

• Análise multi temporal de alvos;

• Possibilidade de extração deinformações adicionais: calculo deáreas, estimativas de produção,detecção de mudanças ao longo dotempo...


Técnicas de classificação de imagens

• Subdividido em duas categorias classificadores “pixel” a “pixel” e classificadorespor regiões (objetos);

• “pixel a pixel”: utilizam apenas a informação espectral de cada pixel;

• Regiões: além da informação espectral, utilizam informação de relação com ospixels vizinho;

• Podem ser unidimensionais (1 única banda) ou multi espectrais (mais de umabanda).


Seg

men

tado

rC

lass

ifica

dor

Bandas2

ImagemClassificada

ImagemSegmentada

Atributosde Região

Classificador

Classificação:1


Etapas da classificação

• Definição dos objetivos;

• Seleção do classificador;

• Treinamento;

• Classificação;

• Pós classificação (opcional);

• Avaliação do resultado.


Definição dos objetivos e seleção do classificador

• Qual pergunta se busca responder?

• Qual o nível de detalhamento necessário (escala)?

• Qual a precisão do estudo?

• Quais recursos financeiros disponíeis?

• Qual imagem irei utilizar?

• Qual software irei utilizar?


Treinamento do classificador

• (1) Supervisionado e (2) não Supervisionado;

(1) Método Supervisionado:

- Necessidade de conhecimento prévio de áreas utilizadas no treinamento;

- Coleta da assinatura espectral nas imagens áreas de treinamento;

- Classificação de toda a imagem.


(1) Método Supervisionado:

- Treinamento: são identificadas áreas detreinamento onde há uma descrição dosatributos espectrais de cada tipo decobertura de interesse na imagem;

- Classificação: cada pixel é classificadoem função de seus atributos espectrais(similaridade);

- Resultado: mapas temáticos, tabelascom dados estatísticos para as váriasclasses de cobertura de solo e dados paraposterior utilização em geoprocessamento.


(1) Método Supervisionado Técnicas utilizadas:

(A) Máxima Verossimilhança (MAXVER):

- Este método avalia quantitativamente a variância e covariância dos padrões espectraisde cada pixel;

- Supõe que os dados de treinamento possuem distribuição de probabilidade normal“Gaussiana”;

- Padrões de resposta: vetor de médias e uma matriz de covariância;

- Calculo da probabilidade de um pixel pertencer a uma dada classe.



(A) Máxima Verossimilhança (MAXVER):

- A distribuição de probabilidade para cadaclasse é definida com base nos valores dasamostras de treinamento;

- Limite de decisão: indica a % de "pixels" dadistribuição de probabilidade de uma classe queserá classificada como pertencente a esta classe;

- Para diminuir a confusão entre as classesaconselha-se a aquisição de amostrassignificativas de alvos distintos.

A B

Valor ND

Pro

babi

lidad

e

Limite de decisão

C



(A) Máxima Verossimilhança (MAXVER) Vantagens e Limitações:

- Método mais preciso dentre os classificadores “pixel” a “pixel”;

- Leva em consideração a variância das classes;

- Custoso computacionalmente.


1 Método Supervisionado Técnicas utilizadas:

(A) Distância Mínima:

- Uma das estratégia mais simples de classificação de imagens caso particular doMAXVER;

- Determina-se para cada banda da imagem e para cada classe de interesse a médiados valores nas áreas de treinamento;

- “Pixels” desconhecidos são classificados em função da distância em relação ao valormédio da classe;

- Diferentes métricas de distância podem ser utilizadas.


(A) Distância Mínima: Exemplo para um caso utilizando 2 bandas



(A) Distância Mínima Vantagens e Limitações:

- Computacionalmente mais simples (baixo custo computacional);

- Insensibilidade aos diferentes graus de variância dos dados;

- Não aconselhado para mapear classes que possuem comportamento espectralsemelhante.


EXEMPLOS:

MAXVER

Distância mínima


(2) Método não Supervisionado:

- Este método assume que os níveis de cinza (ouo valor de qualquer outro atributo espectral) deuma imagem formam uma série de agrupamentosou “clusters”;

- Clusters comportamento homogêneo;

- 3 processos principais:

- Seleção de variáveis- Seleção de critério de distância;- Seleção de critério de agrupamento.



- Critérios de agrupamento K-médias:

1 - Estabelecimento de centros de grupos iniciais;

2 - Distribuição dos pixels entre os grupos usando a distância Euclidiana;

3 - Calculo dos centros de grupos existentes média dos pixels do grupo;

4 – Os passo 2 e 3 são repetidos até que não haja mais trocas nos centros degrupos ou que se atinja o número máximo de iterações.



- Critérios de agrupamento K-médias:

Parâmetros:

- Número de Clusters (classes);

- % de mudança;

- Número de iterações.

Inicio

Inicializa centros de grupos

Determina rótulos de grupos para todos os

pixels

Calculo dos novos centros Saída



K-médias Vantagens e Limitações:

- Independência de limiares fornecidos pelo usuário;

- Depende de uma boa estimativa para o número de grupos presentes naimagem;


(3) Método Manual:

- Método simples;

- Acurácia geralmente maior do que métodos automatizados;

- Depende da habilidade do especialista em distinguir visualmente os alvos naimagem;

- Mais demorado que os métodos automatizados;

- Geralmente utilizada na pós classificação;

- Inviável para grandes áreas.


Próxima aula....

Aula prática com o aplicativo ArcGIS;

Favor instalarem a versão trial (ver tutorial).

mapeamento do uso do solo para manejo de propriedades rurais · 3 - calculo dos centros de grupos...

Documents