UMA ABORDAGEM HÍBRIDA PARA CLASSIFICAÇÃO DE IMAGENS DE

SENSORIAMENTO REMOTO

Aluno: Sandro Luiz Jailson Lopes TinôcoOrientador: David Menotti Gomes

Organização do Trabalho

• Objetivo• Imagens Hiperespectrais• Abordagem Proposta– KNN– Kmeans

• Experimentos e Resultados• Conclusão

Introdução

• Objetivo:– Diminuir o conjunto de treinamento do KNN e

reduzir o tempo de execução do algoritmo, mantendo ou melhorando a precisão.

Imagens Hiperespectrais

Abordagem Proposta

• Passo 1:– Separar os pixels rotulados em conjuntos.– Cada conjunto representando uma classe.

Abordagem Proposta

Abordagem Proposta

• Passo 2:– Fazer a classificação não supervisionada de cada

conjunto com um algoritmo de clusterização, como o Kmeans.

Abordagem Proposta

Abordagem Proposta

• Passo 3– Criar novos conjuntos de treinamento formados

pelos centros encontrados

Abordagem Proposta

Abordagem Proposta

• Passo 4– Fazer a classificação com um algoritmo de

classificação supervisionada, como o KNN, utilizando os novos conjuntos de treinamento.

Abordagem Proposta

Balanceamento das Classes

• K = quantidade de clusters• C = quantidade de classes• Q = quantidade de elementos de cada classe• M = mediana{Q1, Q2, ..., Qn},

com n = 1,2, ..., C,

R = M/KNKn = Qn/R

• NK = quantidade de clusters para cada classe

Validação Cruzada

Experimentos

• Código Matlab• Imagens dos sensores Aviris e Rosis

Aviris Rosis

Mapa temático: Aviris, 3-NN

Mapa temático: Aviris, 1-NN e 60 centros

Mapa temático: Rosis, 3-NN

Mapa temático: Rosis, 1-NN e 60 centros

Resultados: Precisão Geral

Resultados: Tempo de Execução

Análise

• A precisão da abordagem proposta está abaixo da precisão do KNN, em torno de 2% para imagens AVIRIS e 4% para imagens ROSIS.

• O tempo de execução da abordagem proposta chega a ser 10 vezes menor para imagens ROSIS e 2 vezes menor para imagens AVIRIS

Resultados: Precisão Média por Classe - Aviris

Resultados: Precisão Média por Classe - Rosis

Conclusão e Trabalhos Futuros

• A abordagem se mostrou promissora, uma vez que diminui o tempo de execução do KNN.

• Pesquisar algoritmos de redução de dimensionalidade.

Obrigado!

Perguntas?