Você está na página 1de 27

Classificao de imagens digitais

Tradicionalmente a
classificao de
imagens era realizada a
partir da interpretao
visual.
Interpretao visual
muito poderosa.
(cor, textura, geometria,
vizinhana,
conhecimento da
regio)

Classificao automtica
Embora a interpretao visual seja poderosa, a
velocidade e a capacidade de repetio da
classificao automtica no computador muito
atraente e hoje em dia a maior parte das
atividades de classificao conta com a
classificao automtica guiada por interpretao
humana.
Metodologia bsica de classificao automtica
Tomar valores de um mesmo pixel nas n bandas
e decidir a qual classe pertence.

O que Classificao a Automtica?

o processo de extrao de informao da imagem para


reconhecimento de padres e objetos homogneos

Como resultado de uma classificao cada ponto (ou regio)


da imagem mapeado para um tema.
Pixels associados a temas (cores)

Dois tipos de classificao

Supervisionada

Usurio fornece pistas para a classificao.

No supervisionada

Usurio no fornece pistas para a classificao. A


classificao realizada de forma completamente automtica
e deve ser verificada depois.
Anlise estatstica de clusters ou amontoados ou grupos.

Espao de Atributos

Os elementos de imagem
pertencentes a um mesmo
objeto (tema) aparecem
plotados como uma nuvem
de pontos (aglomerado)

Os trs aglomerados de
pontos definem trs
diferentes alvos

...
.......
......
......
..

...
.......
......
......
.. urbana
...
.......
......
......
..
mata

gua
Banda 1

Classificadores Implementados no ENVI

Nome

Tipo de Anlise
(classificador)

Tipo de
Treinamento

Isodata

Pixel

K-Means

Pixel

Max Ver

Pixel

NoSupervisionado
NoSupervisionado
Supervisionado

Mtodo
Paraleleppedo
Distancia
Mnima

Pixel

Supervisionado

Pixel

Supervisionado

Tipos de Classificadores

Classificadores por PIXEL: classifica cada pixel


isoladamente mapeando-o para um dos temas de
treinamento baseado somente no seu valor.

Classificadores por REGIES: classifica regies (um


conjunto de pixels) mapeando todos os pixels que formam a
regio para um mesmo tema baseando-se no valor de todos
os pixels que formam a regio

Tipos de Classificadores

Classificadores supervisionados: o usurio informa a


priori o conjunto de temas para as quais os pontos da
imagem sero mapeados (exige treinamento). O princpio
de classificao supervisionada baseado no uso de
algoritmos para se determinar os pixels que representam
valores de reflexo caractersticos para uma determinada
classe. A classificao supervisionada a mais utilizada
na anlise quantitativa dos dados de sensoriamento
remoto.
Classificadores no supervisionados: o usurio no
fornece nenhuma informao a priori relativa ao conjunto
de temas para as quais deve-se mapear a imagem utiliza
um algoritmo de agrupamento para determinar o nmero de
classes diferentes presentes na imagem

Classificadores por pixel (ENVI)


Classificadores por pixel (todos supervisionados):
Max Ver : Este mtodo baseado no princpio de que a
classificao errada de um pixel particular no tem mais
significado do que a classificao errada de qualquer
outro pixel na imagem (Richards, 1993, p. 321).
Utiliza parmetros estatsticos inferidos das amostras de
treinamento como critrio de deciso sobre que tema um
pixel ir pertencer
A eficcia do Max ver depende, principalmente, de uma
preciso razovel da estimativa do vetor mdio (m) e da
matriz de covarincia (S) de toda classe espectral. Isso
depende da quantidade de pixels includos nas amostras
de treinamento.
9

Classificadores por pixel (ENVI)


Mtodo do paraleleppedo
considera uma rea no espao de atributos ao redor do
conjunto de treinamento. Essa rea tem a forma de um
retngulo, definindo os nveis de cinza mximo e mnimo do
conjunto de treinamento. Os lados desse retngulo, que inclui
uma classe prpria, chamam-se os limites de deciso dessa
classe. Os pixels que excedem os limites de deciso, como
os pixels nas reas de inseparabilidade, apresentam
problemas na sua distribuio em uma classe.
A correlao normalmente existente entre bandas vai causar
uma distribuio ao longo da reta de 45 no espao de
atributos e os limites de deciso vo sempre abranger alguns
pixels no pertencentes classe (Crsta, 1993, p. 117).

10

Classificadores por pixel (ENVI)


Mtodo da distncia mnima

11

No caso do tamanho dos conjuntos de treinamento seja


pequeno, recomenda-se um mtodo de classificao mais
simples, como o algoritmo de distncia mnima
(Richards,1993, p. 189). Este algoritmo no usa uma
matriz de covarincia, por isso no to flexvel como o
algoritmo da classificao por mxima verossimilhana
(Max ver). Os modelos de classes so caracterizados
pela simetria espectral.
As classes podem ser definidas com base em dados
estatsticos, calculando-se a mdia de cada classe, em
cada banda espectral. O mtodo de distncia mnima
atribui cada pixel desconhecido classe cuja mdia seja
mais prxima a ele.

Classificadores por pixel (ENVI)


Mapeador de ngulo espectral
("Spectral Angle Mapper", SAM).

12

O SAM um mtodo de classificao que usa o


ngulo entre as amostras de treinamento no
espao de n-dimenses para determinar os pixels
para uma determinada classe. O algoritmo
determina a similaridade espectral entre dois
espectros e calcula o ngulo entre eles. Os
ngulos so tratados como vetores no espao ndimensional

Classificadores por pixel (ENVI)


Classificao por distncia de Mahalanobis.
O classificador da distancia de Mahalanobis
similar ao da distncia mnima e usa estatsticas
para cada classe, porm, ele supe que a
covariana das amostras so iguais, portanto,
um classificador ainda mais rpido que o mtodo
de mnima distncia.

13

Classificadores por Pixel ENVI

Isodata no-supervisionada
O mtodo de classificao isodata , provavelmente, o

14

mais conhecido e descrito como um meio de


interpretao de imagens de sensoriamento remoto
assistida por computador. O programa de classificao
identifica padres tpicos nos nveis de cinza. Esses
padres so classificados efetuando-se visitas de
reconhecimento a alguns poucos exemplos escolhidos
para determinar sua interpretao. Em razo da tcnica
usada nesse processo, os padres so geralmente
referidos como "clusters" (agrupamentos ou nuvens)
(Eastman, 1994, p. 104). Neste tipo de classificao, as
classes so determinadas pela anlise de agrupamentos
("cluster analysis").

Classificadores por Pixel ENVI


Mtodo de Classificao K-Means

15

O Mtodo K-Means calcula inicialmente as classes


distribuindo em uma classe uniformemente no espao e
ento aglomera classe por classe em um processo
iterativo usando a tcnica de distncia mnima. Melhor
ser a classificao quanto melhor for agrupada a nuvem
de pixels. A classificao estar pronta quando o nmero
de iteraes definido pelo usurio for concludo, ou
quando for alcanado o critrio de nmero de pixels que
mudam de classe (Change Threshold); por exemplo, se
escolhermos 5%, e, se menos de 5% dos pixels
migrarem de uma classe para a outra, o critrio estar
alcanado.

Processo de Treinamento

Identifica amostras para cada uma dos temas


As amostras de um tema devem ser homogneas
As amostras devem conter toda a variabilidade
espectral esperada para cada tema
Analisar as amostras antes da classificao grau
de confuso entre os temas

gua
reflorestamento
rea urbana
cultura

16

Ps-Classificao: refinamento

Elimina pixels isolados


Define-se um peso e um limiar
Cada pixel comparado com os seus
vizinhos (3x3)
Substitui o pixel pelo tema de maior
frequncia nessa vizinhana

Depois

EX: Peso 3 e Limiar 3

Imagem
Classificada
original

17

Antes

1
3
3 = 1 x 3 (peso)
4

Imagem
Classificada
modificada

Mapeamento para Classes Temticas

18

A imagem classificada continua pertencendo a categoria


do modelo IMAGEM
O mapeamento de classes gera uma imagem temtica
em alguma categoria do modelo TEMTICO
Todos os temas obtidos no processo de classificao
devem ser mapeados para alguma classe da categoria do
modelo temtico

- Mapa de Uso da Terra do Distrito Federal

Exerccio 9

19

Segmentao

20

Processo executado antes da Classificao por Regies


Segmentao: Identifica as regies homogneas dentro da
imagem
Regio: um conjunto de pixels contguos bi-direcionalmente que
possuem uma semelhana espectral
Atributos estatsticos so usados

Realce de Contraste
Uma funo y f (x)mapeia os pixels com um
valor x para um novo valor y
O resultado depende da forma da funo

h( y )

f (x )

h(x )
SPRING Bsico

21

Realce de contraste: Linear


define uma funo de transferncia linear
maior a inclinao da reta maior o realce

y ax b

imin

max
SPRING Bsico

22

Raiz quadrada
Reala as reas escuras da imagem
Inclinao da reta decresce dos valores escuros
para os claros

y f ( x) a x

SPRING Bsico

23

Quadrado
Reala as reas claras da imagem
A inclinao da curva aumenta dos valores mais
escuros para os mais claros

y ax 2

SPRING Bsico

24

Logaritmo

Reala as reas escuras da imagem ( intervalo


menor do que a raiz quadrada)

y a log( x 1)

SPRING Bsico

25

Negativo
Funo de mapeamento inverso
Transforma reas claras em escuras e vice-versa

y (ax b)

SPRING Bsico

26

Equalizao de Histograma

O histograma da imagem de sada aproxima-se


de um histograma uniforme

SPRING Bsico

27