Escolar Documentos
Profissional Documentos
Cultura Documentos
Dissertao de Mestrado
Dissertao apresentada ao Programa de Psgraduao em Engenharia Eltrica da PUC-Rio
como requisito parcial para a obteno do ttulo de
Mestre em Cincias da Engenharia Eltrica
Orientador: Raul Queiroz Feitosa
Co-orientador: Luiz Felipe Guanaes Rego
Ficha Catalogrfica
Cazes, Thiago Broerman
Interpretao baseada em conhecimento de
imagens de sensores remotos de alta resoluo
/ Thiago Broerman Cazes ; orientador: Raul
Queiroz Feitosa ; co-orientador: Luiz Felipe
Guanaes Rego. Rio de Janeiro : PUC,
Departamento de Engenharia Eltrica, 2005.
94 f. ; 30 cm
Dissertao
(mestrado)
Pontifcia
Universidade Catlica do Rio de Janeiro,
Departamento de Engenharia Eltrica.
Inclui referncias bibliogrficas.
1. Engenharia eltrica Teses. 2.
Sensoriamento remoto. 3. Imagens de alta
resoluo. 4. Interpretao de imagens baseada
em conhecimento. 5. Classificao de imagens.
6. IKONOS. I. Feitosa, Raul Queiroz. II. Rego,
Luiz Felipe Guanaes. III. Pontifcia Universidade
Catlica do Rio de Janeiro. Departamento de
Engenharia Eltrica. VI. Ttulo.
CDD: 621.3
Agradecimentos
Resumo
Palavras-Chaves
Sensoriamento remoto; Imagens de alta resoluo; Interpretao de imagens
baseada em conhecimento; Classificao de imagens; IKONOS.
Abstract
New high resolution satellites for commercial purposes became available in the
few years. This increases the need of new automatic knowledge based image
interpretation methods. Such methods partially emulate the reasoning of an image
analyst during the visual image interpretation. The present work falls into this context
and proposes an automatic classification model for high resolution remotely sensed
images. The model consists of three stages. In the first stage only spectral and textural
information are used for classification. In the second stage GIS (geographic information
system) data are combined with the result of the spectral analysis by means of fuzzy
rules. In the third stage the multitemporal knowledge is introduced by estimating class
transition possibilities within a given time span.
experiments were performed based on IKONOS images from 2001 and 2002 as well as
aerial photos from 1999 of the Pedra Branca Park, which is an important Atlantic Forest
fragment in the State Rio de Janeiro in Southeast Brazil.
Keywords
Remote sensing; High Resolution Images; Knowledge-based interpretation; Image
Classification; IKONOS.
Sumrio
1
Introduo
1.1 Objetivos
1.1.1 Objetivo Geral
1.1.2 Especfico
1.2 Organizao
13
15
15
16
16
2
Fundamentos Tericos
2.1 Sensoriamento remoto
2.1.1 Sensoriamento remoto em imagens de alta resoluo
2.1.2 Pr-processamento
2.2 Mtodos computacionais
2.2.1 Classificao de padres
2.3 Segmentao
2.3.1 Histrico
2.3.2 Segmentao baseada em crescimento de regies
2.3.3 Segmentao em mltiplas escalas
2.4 Parmetros de textura
17
17
19
22
24
24
33
33
34
35
36
3
3.1
3.2
3.3
37
37
40
42
4
Modelo proposto
45
4.1 Introduo
45
4.2 Descrio geral do modelo
45
4.2.1 Fase 1: Classificao automtica supervisionada baseada em dados
espectrais e textura
47
4.2.2 Fase 2: Classificao baseada em regras do especialista
47
4.2.3 Fase 3: Representao de conhecimento multitemporal
48
5
Avaliao experimental
5.1 Descrio da rea de estudo e preparao dos dados
5.1.1 Parque Estadual da Pedra Branca
5.1.2 Imagens Utilizadas
5.1.3 Preparao dos dados
5.1.4 Segmentao
5.1.5 Definio das classes
5.1.6 Processo de classificao visual
5.2 Fase 1 Classificao Espectral e Textura
5.2.1 Dados utilizados
5.2.2 Resultados
5.3 Fase 2 Classificao estrutural baseada em regras
51
51
52
56
58
59
60
64
68
68
69
70
71
73
74
75
77
82
86
87
Comentrios finais
Referncias
89
Lista de Figuras
18
21
21
23
26
27
Figura 7 Arquitetura de uma rede neural do tipo MLP com uma camada oculta
27
31
32
46
48
49
52
53
Figura 15 Detalhe da rea marcada em azul na Figura 14. Bandas visveis (RGB).
Observa-se a expanso urbana e as reas de vegetao.
54
54
Figura 17 Foto da rea do Parque Nacional da Pedra Branca. Detalhe para a rea da
represa facilmente observvel a partir da imagem de satlite.
55
Figura 18 Foto da rea do Parque Nacional da Pedra Branca. Detalhe para a vegetao
densa tpica da Mata Atlntica.
55
56
57
Figura 21 Ilustrao gerada com a foto area de 1999 e o DTM da rea de estudo
utilizado no processo de ortoretificao.
58
60
66
Lista de Tabelas
64
Tabela 2 Percentual de rea na imagem classificada coberta por cada classe da legenda
(imagens de 1999 e 2001 classificao visual)
65
65
Tabela 4 Alteraes reais detectadas pela classificao visual entre os anos de 2001 e
1999, relativo ao numero de segmentos.
67
Tabela 5 Alteraes reais detectadas pela classificao visual entre os anos de 1999 e
67
70
74
76
80
81
83
Lista de Grficos
69
Grfico 2 Erro de omisso mdio por classe aps a FASE 2. (resultado aps 20
execues)
75
82
84
84
85
13
1
Introduo
14
Para avaliar as tcnicas estudadas no mbito desta pesquisa, foi escolhido como
stio alvo uma rea representativa da Mata Atlntica no Estado do Rio de Janeiro.
Inmeras so as razes que justificam esta escolha. Primeiramente a Mata Atlntica o
bioma brasileiro mais devastado. Inicialmente esta mata ocupava a regio costeira do
pas do Cear ao Rio Grande do Sul em rea aproximada de 1.000.000 km2. Atualmente
est restrita a manchas distribudas por vrios Estados, ocupando rea aproximada de
91.000 km2. No Estado do Rio de Janeiro encontramos atualmente 19.000 km2
ocupados com a Mata Atlntica1 . Este nvel de devastao pode ser explicado tanto
pelo valor econmico de suas espcies florestais, como pela intensa ocupao humana
j que aproximadamente 70% da populao brasileira vive em seu entorno, o que
implica em todo tipo de presso antrpica [8, 9].
A Mata Atlntica, definida pela UNESCO como uma Reserva da Biosfera2,
uma das florestas mais ricas do mundo em termos de diversidade biolgica, com
PUC-Rio - Certificao Digital N 0321207/CA
elevados ndices de endemismo: 30% das espcies arbreas, 150 tipos de pssaros e 50
tipos de pequenos animais, entre outros. responsvel pela manuteno de nascentes de
rios que abastecem cerca de 10.000.000 pessoas. Alm de ter efeito muito positivo sobre
a sustentao e estabilidade de encostas ngremes. Sua existncia tambm contribui para
a qualidade de vida da populao que vive em seu entorno, principalmente, por seu
valor esttico, criando uma paisagem equilibrada e saudvel. O Rio de Janeiro,
juntamente com os estados do Esprito Santo e da Bahia, so apontados como centros de
endemismo de flora e fauna Atlntica [10].
A preservao deste bioma necessariamente envolve o conhecimento da
distribuio espacial destes remanescentes (land-cover), assim como a dinmica de sua
transformao
temporal
(land-cover
change).
As
tecnologias
orbitais
so
Atlas dos Remanescentes Florestais da Mata Atlntica Perodo 1995/2000 Fundao SOS Mata
Atlntica
2
http://www.unicamp.br/nipe/rbma/
15
1.1
Objetivos
1.1.1
Objetivo Geral
O objetivo principal desse trabalho avaliar um modelo baseado em
conhecimento para a interpretao automtica de imagens de sensores remotos de alta
resoluo. Embora o modelo tenha elementos de aplicabilidade geral, o trabalho foi
direcionado a fragmentos florestais da Mata Atlntica, mais especificamente ao Parque
Nacional da Pedra Branca no Municpio do Rio de Janeiro, RJ, Brasil.
http://www.sosmatatlantica.org.br/
16
1.1.2
Especfico
So objetivos especficos deste trabalho:
1.2
Organizao
17
2
Fundamentos Tericos
trabalho.
Na primeira parte do captulo apresentada uma breve introduo sobre
sensoriamento remoto e tcnicas de processamento de imagens de sensores remotos,
principalmente em alta resoluo. Detalhes de correo geomtrica e topogrfica so
apresentados.
Na segunda parte so apresentados algoritmos especficos de classificao
supervisionada utilizados durante o trabalho. Tambm so descritos modelos de
classificao baseados em lgica nebulosa e sistemas neuro-fuzzy e algoritmos
genticos utilizados para otimizao de parmetros.
O algoritmo de segmentao ou extrao dos objetos a partir de imagens de
sensores remotos descrito na terceira parte do captulo.
Na quarta e ltima parte apresenta-se uma breve descrio dos parmetros de
Haralick [37], utilizados como atributos de textura ao longo desse trabalho.
2.1
Sensoriamento remoto
Sensoriamento Remoto a tcnica ou arte de obter informaes sobre objetos,
reas e fenmenos atravs da anlise de informaes obtidas sem contato direto com o
objeto, rea ou fenmeno de estudo [1]. Nesse contexto a anlise de uma foto de uma
determinada rea geogrfica pode ser denominada de sensoriamento remoto.
18
19
2.1.1
Sensoriamento remoto em imagens de alta resoluo
Os estudos em sensoriamento remoto em alta resoluo espacial comearam a
ganhar fora quando cmeras a bordo de avies foram utilizadas para a obteno
fotografias areas. Durante anos as tecnologias tanto de obteno quanto de
processamento e anlise dessas imagens se desenvolveram intensamente, inicialmente
nos setores militares e em seguida na administrao pblica e em setores privados [15].
Os mapas produzidos por fotos areas podem ser obtidos em diferentes escalas,
dependendo basicamente do tipo de cmera utilizada e da altitude do sobrevo.
O grande problema detectado com as imagens areas so os seus elevados custos
de obteno e a complexidade que cresce com a rea a ser analisada. A anlise de uma
rea relativamente grande com fotos areas um processo caro e trabalhoso
principalmente pelo complexo processo de obteno que envolve um plano de vo
preciso e o controle necessrio para garantir a homogeneidade na aquisio das
imagens.
Com o avano das tecnologias espaciais especialmente a partir de 1972, e o
desenvolvimento de cmeras e sensores digitais, foi possvel a aquisio de imagens a
partir de satlites no militares. O programa LANDSAT surgiu ainda em 1972 com o
objetivo de produzir imagens de toda a superfcie do globo terrestre de maneira contnua
e sistemtica, e a custos razoveis.
Desde o incio da utilizao no-militar de sensores remotos baseados em
satlites, um grande nmero de diferentes sensores foram desenvolvidos. Estes sensores
passam a forar os desenvolvimentos cientficos, e tecnolgicos, tanto no que se refere a
resoluo espacial quando a resoluo radiomtrica. As imagens geradas esto sendo
utilizadas amplamente, principalmente em tarefas de planejamento. A maior
periodicidade na obteno das imagens tornou possvel uma anlise de sries histricas
em determinadas regies que mostram claramente tendncias de alterao de padres de
ocupao de solo. Com esses dados possvel um melhor planejamento a longo e mdio
20
vez era possvel, de forma sistemtica, em alguns casos custos inferiores aos das fotos
areas, a identificao e representao de objetos com at 1m2.
O satlite IKONOS realiza a rbita em torno da Terra em aproximadamente 98
minutos em uma altitude de aproximadamente 680 km [16]. Lanado em uma rbita em
sincronia com o sol o IKONOS consegue passar por uma dada longitude em
praticamente o mesmo horrio local (10h30min AM) diariamente. Com isso o IKONOS
capaz de produzir imagens de 1m de resoluo de uma determinada rea geogrfica a
cada 3 dias.
21
22
O QUIKCKBIRD, por
2.1.2
Pr-processamento
Para que vrias imagens de sensores remotos sejam integradas entre si e com
outros dados geogrficos em um ambiente SIG (Sistema Geogrfico de Informao),
necessrio um processo prvio de correo.
O processo de georeferenciao o responsvel por converter as coordenadas
das imagens de sensores remotos para uma base geogrfica real. Esse processo associa
posio de cada pixel da imagem a coordenada geogrfica do ponto imageado. Isso
permite, por exemplo, a integrao da informao contida na imagem com dados de SIG
23
Sensor
remoto
1pixel = 1m
Figura 4 Representao do problema da topografia em captura de imagens de sensores
remotos
24
ser obtido a partir de isolinhas, ou seja, das curvas de nvel da regio estudada. Por ser
digital possui uma resoluo espacial e radiomtrica assim como as imagens. A
resoluo, principalmente a espacial, do DTM utilizado afeta a qualidade da
ortoretificao.
Alm de alterar propriedades geomtricas nas imagens capturadas, a topografia
traz consigo outros efeitos, como a iluminao e a reflectncia dos objetos. Tcnicas de
correo topogrficas tambm so utilizadas para amenizar esses problemas. Essas
tcnicas levam em conta, alm do DTM, vrios outros fatores, tais como a posio do
sol no ato da captura da imagem e a altitude do sensor.
Uma descrio detalhada dos procedimentos especficos, para a ortorretificao
2.2
Mtodos computacionais
Esta seo aborda os fundamentos e as tcnicas de processamento de imagem,
inteligncia computacional e reconhecimento de padres necessrios para a
compreenso do restante do trabalho.
2.2.1
Classificao de padres
O processo de classificao de padres o procedimento computacional capaz
de atribuir a diferentes grupos ou classes alguns determinados padres apresentados. Por
exemplo, um procedimento que separe laranjas podres de laranjas sadias pode ser
considerado um procedimento de classificao de padres onde os padres so os
objetos analisados (laranjas). Os inmeros fatores que tipicamente se usam para
diferenciar uma laranja podre de uma sadia, por exemplo, o cheiro, a cor, a textura
dentre outros so conhecidos como atributos dos padres analisados.
Os procedimentos de classificao podem ser divididos em dois grandes
conjuntos. Primeiro pode-se definir um grupo de procedimentos que no necessita de
dados de treinamento, ou seja, no necessria a apresentao das classes dos de uma
parte do conjunto de padres (conjunto de treinamento) de cada uma das classes para
25
2.2.1.1
Redes neurais artificiais
O crebro humano pode ser visto como um processador de informaes
altamente complexo, no-linear e paralelo [20]. Por causa dessa capacidade de
aprendizado e generalizao o funcionamento dos neurnios tem sido estudado e com o
objetivo de reproduzi-los em ambientes computacionais.
O neurnio artificial uma unidade de processamento de informao
fundamental para a operao das chamadas Redes Neurais Artificiais [20].
26
Entrada
x1
wk1
x2
wk2
x3
wk3
Bias (bk)
Juno
aditiva
xm
vk
(.)
Sada
yk
Funo de
ativao
wkm
Pesos
sinpticos
uk = j =1 wkj x j
Eq.(1)
v k = u k + bk
Eq.(2)
y k = (vk )
Eq.(3)
27
0.5
0.5
-0.5
-0.5
-1
-3
logsig
-2
-1
-1
-3
-2
-1
(a)
(b)
Figura 6 Funes de ativao: (a) tangente hiperblica sigmide (tansig) e (b) sigmide
logartmica (logsig) a direita.
Sinal de
entrada
Sinal de
sada
Camada
de entrada
Camada
escondida
Camada
de sada
Figura 7 Arquitetura de uma rede neural do tipo MLP com uma camada oculta
28
2.2.1.2
Lgica nebulosa
A lgica nebulosa permite a expresso de forma clara e simples da incerteza e
impreciso inerentes s avaliaes de um especialista, cuja experincia se deseja
modelar num sistema de classificao baseado em conhecimento. Em outras palavras, a
lgica nebulosa pode ser vista como uma maneira de expressar incerteza [21]. A lgica
29
2.2.1.3
Sistema neuro-fuzzy
O grande problema dos sistemas de classificao nebulosos est na quantidade
de parmetros livres a serem estimados para um funcionamento adequado do modelo.
Esses parmetros livres se encontram na formao das funes de pertinncia dos
antecedentes e dos conseqentes. Em outras palavras para se criar uma regre nebulosa
do tipo SE ALGO FOR ALTO ENTAO A SAIDA E BAIXA precisa definir-se que tipo
de funo e quais os parmetros das funes de pertinncia ALTO e BAIXO nesse
contexto.
Nesse contexto introduzem-se os sistemas adaptativos neuro-fuzzy. Unindo a
flexibilidade dos sistemas fuzzy com a arquitetura de Redes Neurais. A idia central por
trs do algoritmo neuro-adaptativo de treinamento utilizado no ANFIS (adaptivenetwork-based fuzzy inference system) [22] o aprendizado por meio de dados de
treinamento por um algoritmo de retropropagao do erro [23] em conjunto com um
mtodo dos mnimos quadrticos. Esse mtodo muito semelhante ao utilizado para a
aprendizagem em redes neurais artificiais.
Os sistemas ANFIS possuem uma arquitetura em rede similar a arquitetura das
redes neurais artificiais, que mapeiam um conjunto de entradas em uma sada. Esse
30
31
2.2.1.4
Algoritmos Genticos
Algoritmo gentico um mtodo de resoluo de problemas de otimizao
baseado nos conceitos do processo biolgico de evoluo das espcies conhecido como
a seleo natural. A teoria da seleo natural das espcies foi desenvolvido por C.
Darwin muito tempo antes do descobrimento de mecanismos genticos [25]. A hiptese
inicial de Darwin supe que qualidades ou caractersticas de dois ou mais indivduos se
unem ou se fundem em seus filhos formando indivduos que de alguma forma herdam
caractersticas, sejam qualidades ou defeitos de seus parentes mais prximos.
Em algoritmos genticos o vocabulrio vem diretamente da gentica natural.
Indivduos so solues possveis para um determinado problema. Esses indivduos
possuem um conjunto de caractersticas que pode ser denominado como o cromossomo
Genes
...
Individuo
Caracterstica 2
Caracterstica 1
Caracterstica n
32
crossover por sua vez, a mistura de caractersticas de dois ou mais indivduos de uma
gerao para produzir um indivduo na prxima gerao com caractersticas misturadas.
Existem vrios tipos de crossover, nesse trabalho utiliza-se somente crossover de um
ponto e mutaes de maneira aleatria. O crossover de um ponto realiza a mistura de
maneira simples do material gentico dos indivduos. Na Figura 9 exemplificado o
crossover de um ponto. O individuo A em verde misturado com o individuo B em
amarelo. Um ponto de corte nos dois indivduos definido, em geral aleatoriamente. A
partir desse ponto de corte so construdos dois indivduos filhos que herdam o material
gentico dos dois pais relacionados. Dessa maneira os indivduos gerados carregam as
caractersticas ou genes, dos seus pais para a prxima gerao.
Individuo A
Individuo B
Ponto de
crossover
CROSSOVER
Indivduos Filhos AB
33
2.3
Segmentao
2.3.1 Histrico
O processo de segmentao um pr-requisito para a anlise baseada em
objetos.
A tarefa de segmentao divide a imagem em objetos ou segmentos. O nvel
dessa diviso depende do que se pretende expressar no procedimento de classificao. A
tarefa de segmentao pode ser considerado boa, ou aceitvel, quando os objetos de
interesse do problema estiverem isolados, o que permitir em tese discriminar
adequadamente as classes da legenda [27].
As tcnicas de segmentao procuram delimitar na imagem regies com
PUC-Rio - Certificao Digital N 0321207/CA
34
INPE - http://www.dpi.inpe.br/spring
INCITE, Stirling University http://www.incite.org.uk/projects
6
N.A. Software Ltd. http://www.nasoftware.co.uk
7
InfoSAR Ltd. - http://www.infosar.co.uk
5
35
2.3.3
Segmentao em mltiplas escalas
A representao de objetos em mltiplas escalas natural para o ser humano e
crucial para todo o processo de reconhecimento, principalmente em imagens de alta
resoluo. Por exemplo, ao olhar um objeto como uma laranja muito de perto somente
observa-se apenas a sua textura e no possvel a associar aquela superfcie a uma
casca de laranja. Ao se afastar um pouco do objeto analisado possvel definir que
aquele objeto de fato uma laranja.
A idia da segmentao multi-escala agrupar objetos de uma determinada
escala em objetos maiores em uma escala maior. Essa aglomerao realizada
respeitando os mesmo critrios do procedimento de segmentao inicial porm
mudando o parmetro de escala na anlise.
8
36
Desta forma os objetos da imagem, ou segmentos, esto unidos por uma relao
hierrquica. Nessa relao temos vrios nveis de segmentaes elaboradas com
parmetros de escalas diferentes. Em linhas gerais cada objeto tem um super-objeto em
um nvel superior que o contm; e ainda contm inmeros objetos em um nvel abaixo
do seu, os chamados sub-objetos.
2.4
Parmetros de textura
Alm de informaes espectrais, a textura uma caracterstica muito importante
Homogeneidade
Contraste
Dissimilaridade
Entropia
Mdia
Desvio Padro
Correlao
A descrio detalhada dos clculos dos parmetros de Haralick pode ser
encontrada em [37].
37
3
Estado da arte em classificao de imagens de alta resoluo
3.1
Mtodos baseados em pixels
Mtodos automticos de classificao baseados em pixels foram amplamente
utilizados em procedimentos de classificao em mdia e baixa resoluo e tm sido
utilizados ainda em imagens de alta resoluo. A tarefa de classificao de imagens de
alta resoluo pode ser considerada difcil, tendo em vista a elevada complexidade e
38
composio dos tipos de cobertura do solo que podem ser discriminados nesse tipo de
imagem, como se demonstra, por exemplo em [38].
Vrias abordagens foram realizadas utilizando apenas dados espectrais e
classificadores como o de mxima probabilidade e distncia euclidiana [39]. Em [40,
41, 42, 56 e 57 diversos mtodos de classificao baseados em lgica nebulosa, foram
utilizados para a classificao de imagens de alta resoluo. Tais mtodos baseados
somente na informao espectral alcanam resultados modestos, quando aplicados a
imagens de alta resoluo [42].
O conhecimento estrutural e contextual foi considerado em [43] utilizando uma
anlise de vizinhana dos pixel. A informao numa vizinhana em torno de cada pixel
foi usada para extrair dados sobre o relacionamento espacial entre os pixels, gerando
desta forma um atributo de contexto. Esse mtodo foi avaliado utilizando imagens
IKONOS pancromticas e fotos areas em conjunto com um classificador baseado em
PUC-Rio - Certificao Digital N 0321207/CA
39
40
3.2
Classificao baseada em objetos
Os mtodos de interpretao e classificao baseados em pixels tm se
mostrados insatisfatrios para imagens de alta resoluo. Imagens de alta resoluo
classificadas por mtodos baseados em pixel tendem a mostrar pixels isolados como
uma classe claramente inserida em uma rea que representa uma outra classe [54].
Por outro lado surge a abordagem baseada em objetos que supe uma prorganizao dos pixels em grupos, denominados objetos ou segmentos. O processo de
extrao ou formulao de grupos ou segmentos conhecido como segmentao. A
anlise por segmentos pode realmente simplificar a complexidade de informao
contida em um pixel de uma imagem, especialmente em imagens de alta resoluo,
tanto espacial quanto radiomtrica [55].
Do ponto de vista da arquitetura do classificador a classificao de segmentos
idntica classificao baseada em pixels. A diferena principal que o padro um
segmento e no um pixel. Por esse motivo a maioria das tcnicas para a classificao
baseada em pixels, em princpio, funciona bem para a classificao de objetos. A maior
41
diferena est nos atributos ou no conhecimento que se pode expressar utilizando uma
abordagem por segmentos.
Com o objetivo de investigar novas metodologias de classificao explorando
dados de SIG para a cidade do Rio de Janeiro, Rego [56] e [57] adota imagens IKONOS
tanto multiespectrais quanto pancromtica. A partir desses dados o autor desenvolve
uma metodologia de classificao baseada em atributos espectrais, contextuais e
estruturais para imagens de alta resoluo para a rea de estudo. Ainda nesse trabalho
foram utilizadas regras nebulosas para expressar o conhecimento impreciso do
especialista. O autor alcana melhor desempenho atravs de mtodos baseados em
segmentos do que por meio de mtodos baseados em pixels. Os resultados mostram
ainda que a incluso de conhecimento do especialista atravs de classificadores
baseados em regras nebulosas foi capaz de aumentar significativamente a discriminao
de classes que se confundiam no espao de atributos puramente espectral e estrutural.
PUC-Rio - Certificao Digital N 0321207/CA
42
estruturais como forma e tamanho. Para a validao dos resultados foram utilizados
dados oficiais em uma escala compatvel com dados SAR. Neste trabalho no foi
possvel separar algumas classes baseando-se somente nos dados polarimtricos e
radiomtricos provindos diretamente do SAR, porm quando agregados s
caractersticas contextuais oriundas do processo de segmentao, como forma ou
tamanho dos objetos, as mesmas classes foram distinguidas mais claramente.
Em [38] foi utilizada uma abordagem mista, baseada em pixel e em objetos ao
mesmo tempo. Inicialmente os pixels da imagem foram classificados utilizando tanto
dados espectrais quanto contextuais a partir de um classificador baseado em regras
nebulosas. A imagem ento foi segmentada e as informaes, tais como forma e outros
atributos estruturais, foram ento adicionadas ao conjunto de regras nebulosas,
elaborando uma nova classificao. O desempenho melhorou quanto taxa de
reconhecimento global. Segundo os experimentos somente com a informao de pixels
PUC-Rio - Certificao Digital N 0321207/CA
3.3
Classificao Multitemporal
A utilizao de imagens multitemporais foi abordada em [61] de forma a
representar mltiplas imagens de instantes de tempo distinos como uma srie de
camadas ou bandas em uma imagem multi-canais. A partir dessa representao,
mtodos tradicionais baseados em classificadores de mxima probabilidade e dados
espectrais foram utilizados normalmente. A estratgia bsica no mtodo proposto
baseia-se em uma classificao em dois estgios, no primeiro estgio realiza-se as
classificaes em cada instante de tempo individualmente para que no segundo estagio a
deciso final seja tomada atravs da combinao dos resultados. O artigo prope trs
modos de combinao do resultado multitemporal: no primeiro, chamado de adio de
probabilidade ou LA (likelihood addition) a deciso tomada para a classe que possui a
soma do maior valor nos scores de classificao; o segundo mtodo, denominado de
maioria de probabilidade ou LM (likelihood majority), atribui a classificao final
classe com maior freqncia nas classificaes anteriores; o terceiro e ltimo mtodo
43
44
45
4
Modelo proposto
4.1
Introduo
Este captulo apresenta o modelo proposto no trabalho para interpretao de
4.2
Descrio geral do modelo
O modelo proposto orientado a objetos, o que envolve a segmentao prvia da
imagem.
Com a segmentao devidamente realizada parte-se para os procedimentos de
classificao. O modelo de classificao divide-se em trs fases, como mostra a Figura
10.
46
Imagem (t)
Fase 1
Segmentao
Segmentos (t)
Atributos de textura
Atributos espectrais
Classificao
Fase 1 (t)
Classificao espectral
Fase 2
Fase 3
Classificao
Fase 2 (t)
Base de regras
Base de conhecimento
multitemporal
Classificao
referncia (t-t)
Classificao baseada em
conhecimento multitemporal
Classificao Final(t)
Classificao
Fase 3 (t)
Defuzzyficao
47
modelo.
4.2.1
Fase 1: Classificao automtica supervisionada baseada em dados
espectrais e textura
Nessa Fase um classificador supervisionado introduzido ao modelo para prover
uma primeira classificao com base em dados espectrais e parmetros de textura. Os
padres classificados constituem-se dos segmentos ou objetos representados pela
segmentao da imagem original. A resposta espectral (nas bandas disponveis)
medida como uma media no objeto.
Esse classificador ento e treinado por um conjunto de treinamento previamente
selecionado. Uma vez treinado os dados de teste so classificados obtendo o resultado
da classificao da primeira fase.
4.2.2
Fase 2: Classificao baseada em regras do especialista
48
os
atributos
de
contexto;
atributos
estruturais,
por
exemplo,
4.2.3
Fase 3: Representao de conhecimento multitemporal
49
4
f
c
2
colunas s classes a que o mesmo objeto pode pertencer num instante posterior t. Os
elementos da matriz so as respectivas possibilidades de transio ij. A matriz de
transio relativa ao diagrama da Figura 12 dada por:
b
0
=
0
e
a
0
f
g
e
0
0
Eq.(4)
50
x = i1 3 x1 , i 2 3 x 2 ,..., in 3 x n ,
Eq.(5)
Uma questo relevante a esta altura, diz respeito estimativa dos valores de
possibilidade de transio ij. Isto se faz com o auxlio de um especialista conhecedor da
dinmica das classes na rea alvo. Ele indica as transies impossveis, e, portanto com
possibilidade nula, e para cada classe de partida a transio mais provvel, que recebe
possibilidade igual a 1.
51
5
Avaliao experimental
De fato, em nossa base de dados existe uma grande diferena entre o nmero de
segmentos disponveis em cada uma das classes da legenda. A classe gua, por
exemplo, possui apenas quatro segmentos no ano de 2001, enquanto a classe Floresta
representada por mais de 700 segmentos no mesmo perodo. Nesse cenrio a taxa de
acerto global no indicaria um desempenho igual em todas as classes.
5.1
Descrio da rea de estudo e preparao dos dados
A rea de estudo selecionada para esse trabalho compreende cerca de 49km2 que
inclui o Parque Estadual da Pedra Branca no Estado do Rio de Janeiro, Brasil. Esta rea
indica um dos ltimos remanescentes florestais de Mata Atlntica situada no estado do
Rio de Janeiro,
A seo 5.1.1 apresenta a rea de estudo assim como uma discusso sobre
fatores scios econmicos relacionados expanso urbana e preservao de reas
nativas de Mata Atlntica. .
Na seo 5.1.2 so apresentadas as imagens utilizadas nesse trabalho. Em
seguida so descritos os procedimentos de preparao (seo 5.1.3) e correo dos
dados e o processo de segmentao utilizado para a extrao dos objetos a serem
classificados (seo 5.1.4).
As classes de cobertura de solo analisadas so detalhadamente descritas na seo
5.1.5 e o procedimento de classificao visual realizado para a elaborao de dados de
referncia so apresentados na seo 5.1.6.
52
5.1.1
Parque Estadual da Pedra Branca
A rea do Parque Estadual da Pedra Branca foi escolhida para esse trabalho
devido a sua grande importncia para o estado do Rio de Janeiro em termos ecolgicos
e aos problemas acarretados pela sua proximidade com reas urbanas altamente
povoadas. Problemas como a degradao do solo e a expanso urbana desordenada em
reas internas ao parque vm reduzindo drasticamente a rea de Mata Atlntica nativa
do Parque.
Nesse contexto um monitoramento regular dessa rea muito importante para o
planejamento de medidas de preservao, que uma v aplicadas com sucesso podero
PUC-Rio - Certificao Digital N 0321207/CC
53
54
Figura 15 Detalhe da rea marcada em azul na Figura 14. Bandas visveis (RGB). Observase a expanso urbana e as reas de vegetao.
Figura 16 Detalhe da rea marcada em azul na Figura 14. Destaque na banda infravermelha.
Composio (NRG) realando a vegetao.
55
Figura 17 Foto da rea do Parque Nacional da Pedra Branca. Detalhe para a rea da represa
facilmente observvel a partir da imagem de satlite.
Figura 18 Foto da rea do Parque Nacional da Pedra Branca. Detalhe para a vegetao
densa tpica da Mata Atlntica.
56
Figura 19 Foto do Parque Nacional da Pedra Branca; detalhe da expanso urbana sobre a
rea do parque.
5.1.2
Imagens Utilizadas
Foram utilizadas imagens de sensores remotos de alta resoluo, obtidas em
junho de 1999 e maro de 2001 de uma rea de aproximadamente 13 Km2. Essa rea
cobre uma grande parcela do Parque Estadual da Pedra Branca e tambm a sua
vizinhana, composta de reas urbanas e industriais.
Os dados selecionados compreendem uma imagem IKONOS do ano de 2001 do
sensor multiespectral, ou seja, com quatro bandas espectrais: vermelho, azul, verde e
infravermelho. Essas imagens tm resoluo espacial de 4m. As imagens utilizadas tm
57
Vermelho
Verde
Azul
Infravermelho prximo
Foi utilizada ainda uma foto rea do ano de 1999 com resoluo original de
aproximadamente 0,63 m por pixel e que foi reamostrada para uma resoluo
compatvel com as imagens IKONOS. O procedimento de reamostragem foi efetuado
no software ERDAS [71] e as imagens validadas visualmente.
A foto area, apesar de possuir uma resoluo espacial de menos de 1 mo, elas
apresentam pelo menos trs desvantagens principais com relao s imagens IKONOS
multiespectrais. A primeira, e mais evidente, que imagens areas so capturadas
geralmente no espectro visvel, e no tm a informao na regio do infravermelho. A
segunda desvantagem que a resoluo radiomtrica de 8 bits menor do que nas
imagens IKONOS. O terceiro aspecto diz respeito geometria de aquisio de imagens
areas e o ngulo de visada das imagens analisadas; satlites esto a uma altitude muito
maior do que avies, o que diminui efeitos relacionados ao ngulo de captura dos
sensores em relao ao solo.
Os experimentos descritos neste trabalho no utilizam, contudo, em nenhum de
seus passos automticos diretamente a resposta espectral da imagem area, mas apenas.
a classificao dessa imagem. As imagens areas foram analisadas somente na etapa de
classificao visual para a elaborao de dados de referncia.
58
5.1.3
Preparao dos dados
No processo de preparao de dados a principal atividade foi a correo
geomtrica e topogrfica das imagens. O processo de correo geomtrica ou
georeferenciamento consiste basicamente em registrar a imagem com base em um
sistema de coordenada fixo, conforme descrito na seo 2.1.2 utilizando dados de
altimetria.
A imagem de referncia utilizada foi foto area de 1999 por possuir uma
resoluo espacial mais elevada. Essa imagem j se encontrava corretamente
Figura 21 Ilustrao gerada com a foto area de 1999 e o DTM da rea de estudo utilizado
no processo de ortoretificao.
59
5.1.4
Segmentao
A segmentao, conforme descrita na seo 2.3, o processo de subdividir a ser
analisada em objetos discretos. A segmentao pode levar em conta informaes
espectrais e relaes de formas dos objetos gerados.
O algoritmo utilizado para a segmentao nesse trabalho do tipo crescimento
de regies, conforme implementado no software e-Cognition 4.0.
A determinao do parmetro de escala, assim como todos os outros parmetros
de segmentao por si s um processo complexo. A dificuldade de definir uma
segmentao ideal um problema que ainda no foi resolvido no mundo do
sensoriamento remoto e muito dependente do tipo de anlise a ser efetuada.
PUC-Rio - Certificao Digital N 0321207/CC
Em [56] um trabalho foi realizado em uma parte da rea de estudo descrita nesse
trabalho. Esse procedimento de classificao baseou-se tambm em objetos obtidos pelo
software eCognition. Nesse trabalho foram analisados visualmente por um especialista
os resultados da segmentao produzida por diversos valores dos parmetros do
algoritmo de segmentao. Esses estudos foram realizados em uma rea muito
semelhante desse trabalho, alm de tratar de classes similares s classes consideradas
nesta dissertao. Por isso foram utilizados no presente trabalho os mesmos valores dos
parmetros de segmentao sugeridos em [56].
Foi utilizado ento parmetro de escala igual a 90 e fatores de cor/forma de 0.2 e
suavidade/compactao de 0.5. Uma explicao mais detalhada sobre esses parmetros
encontra-se em [34] e [35].
Para a realizao de uma anlise de contexto foi utilizada, assim como em [56],
uma srie de segmentaes hierrquicas com diferentes valores de escala, seguindo o
procedimento apresentado na seo 2.3.3..
Na
60
5.1.5
Definio das classes
As classes da legenda so apresentadas na Tabela 1. Para cada classe so
mostrados exemplos retirados das imagens IKONOS do ano de 2001. Esses exemplos
sempre so apresentados na composio vermelho, verde e azul (ou RGB) e na
composio infravermelho, vermelho e verde (ou NRG).
61
CLASSE
Caractersticas predominantes
gua
(RGB)
Campo
(NRG)
62
CLASSE
Caractersticas predominantes
Campo Alagado
(RGB)
Floresta
(NRG)
Floresta (RGB)
Floresta (NRG)
63
CLASSE
Caractersticas predominantes
Floresta Urbana
(RGB)
Urbano
(NRG)
urbanas densas.
(RGB)
Rocha
(NRG)
(RGB)
(NRG)
64
CLASSE
Caractersticas predominantes
Campo Urbano
(RGB)
(NRG)
5.1.6
Processo de classificao visual
Como parte desse trabalho foi realizada em conjunto com alunos de graduao e
ps-graduao do Departamento de Geografia da PUC-RJ a classificao visual das
duas imagens utilizadas nesse trabalho.
Esse procedimento teve dois propsitos. O primeiro foi gerar dados de
treinamento e de referncia para a anlise de desempenho do modelo proposto. O
segundo propsito foi levantar o conhecimento utilizado pelo especialista durante o
procedimento de classificao visual.
O processo de classificao visual das imagens foi realizado no software
eCognition [35].
Alm das prprias imagens a serem classificadas foram utilizados pelo
especialista dados de apoio como imagens pancromticas com 1 m de resoluo dos
anos de 2001 e 2002, dados de SIG, alm do conhecimento prvio da rea de estudo.
O processo de classificao visual das trs imagens tomou cerca de quatro
meses. Para reduzir o efeito da subjetividade foram geradas chaves de classificao
65
Classe
gua
Campo Alagado
Campo
Floresta alterada
Floresta
Urbano
Rocha
Campo Urbano
Imagem de
1999 (%)
Imagem de
2001 (%)
0,3%
0,7%
8,1%
2,4%
72,1%
5,1%
3,1%
8,1%
0,2%
1,1%
10,5%
2,4%
70,2%
6,5%
2,5%
6,5%
Tabela 2 Percentual de rea na imagem classificada coberta por cada classe da legenda
(imagens de 1999 e 2001 classificao visual)
Classe
gua
Campo Alagado
Campo
Floresta alterada
Floresta
Urbano
Rocha
Campo Urbano
Total
Imagem de
1999
Imagem de
2001
13
11
419
196
771
345
96
278
4
9
431
169
795
402
68
251
2129
2129
Tabela 3 Nmero de segmentos gerados por classe da legenda (imagens de 1999 e 2001,
classificao visual)
66
67
Classificao 2001
gua
gua
Campo
Alagado
Classificao 1999
Floresta
Campo
Urbana
0
Floresta
0
Urbano
0
Rocha
0
Campo
Urbano
Campo Alagado
Campo
260
119
18
19
12
Floresta Urbana
93
10
24
35
Floresta
111
614
30
18
12
Urbano
24
46
16
227
85
Rocha
57
Campo Urbano
12
50
46
130
gua
Classificao 2001 (%)
Tabela 4 Alteraes reais detectadas pela classificao visual entre os anos de 2001 e 1999,
relativo ao numero de segmentos.
gua
Campo
Alagado
30,8
0,0
Campo Alagado
0,0
Campo
0,0
Floresta Urbana
Classificao 1999
Floresta
Campo
Urbana
0,0
0,0
45,5
0,0
0,0
62,1
0,0
0,0
1,7
Floresta
46,2
0,0
Urbano
7,7
9,1
0,0
0,0
15,4
45,5
Rocha
Campo Urbano
Floresta
Urbano
0,0
0,0
0,0
0,0
1,5
15,4
47,4
1,3
26,5
2,0
5,7
23,5
1,2
0,0
2,9
25,5
Rocha
Campo
Urbano
0,0
0,0
0,0
0,0
1,4
5,2
19,8
4,3
7,0
0,0
12,6
79,6
8,7
18,8
4,3
2,1
65,8
2,1
30,6
0,8
0,0
59,4
0,0
0,8
13,3
0,0
46,8
Tabela 5 Alteraes reais detectadas pela classificao visual entre os anos de 1999 e 2001,
percentual de mudana em relao ao ano de 1999.
68
5.2
Fase 1 Classificao Espectral e Textura
Mtodos convencionais de classificao baseados na resposta espectral pura e
simples, ou mesmo quando se utilizam atributos de textura, no apresentam
desempenho satisfatrio em imagens de alta resoluo. Um dos propsitos deste
trabalho avaliar a esperada superioridade de mtodos mais sofisticados de
classificao baseados em conhecimento. Afim de obter uma classificao espectral e de
textura o mais eficiente possvel foi adotado um mtodo baseado em Redes Neurais
Artificiais para classificao de padres.
Redes neurais artificiais vem se mostrando eficientes em tarefas complexas de
PUC-Rio - Certificao Digital N 0321207/CC
5.2.1
Dados utilizados
A base de dados utilizada no classificador supervisionado baseado em redes
neurais refere-se aos valores espectrais, ou seja, a resposta media espectral em cada um
dos segmentos analisados; e ainda as medidas de textura obtidas a partir dos parmetros
de Haralick.
Nesse trabalho os atributos para representar textura foram escolhidos
empiricamente por anlise visual. A escolha recaiu sobre parmetros de Haralick, mais
especificamente Homogeneidade, Dissimilaridade e Correlao mdia considerando
todas as bandas da imagem. Os parmetros foram calculados utilizando o software
eCognition.
Foram utilizados 50 segmentos por classe durante a fase de treinamento
totalizando 400 segmentos no conjunto de treinamento. Em algumas classes foi
necessrio replicar os dados para que atingissem tal nmero. Foram selecionados
69
tambm 50 padres por classe para a validao. O demais padres formaram o conjunto
de teste..
O classificador baseado em redes neurais foi configurado com 10 neurnios na
camada oculta todos configurados com funes de transferncia tangente hiperblica. .
Na camada de entrada tem-se 7 entradas relativas s quatro respostas espectrais e trs
parmetros de textura selecionados. J na camada de sada tem-se 8 neurnios que
representam cada um uma das classes da legenda configurados com funes de
transferncia logartmica. O algoritmo de treinamento utilizado atualiza os pesos e os
valores dos bias da rede de acordo com o gradiente descendente por retropropagao,
utilizando momento e uma taxa de aprendizado adaptativa.
Inicialmente a taxa de aprendizado foi configurada com o valor de 0,01 e o
5.2.2
Resultados
Erro %
Agua
Campo
Alagado
Campo
Floresta
Urbana
Floresta
Urbano
Rocha
Campo
Urbano
Media
40,00%
52,50%
88,05%
66,67%
36,67%
29,75%
79,12%
94,16%
60,86%
Grfico 1 Taxa de erro mdio de omisso por classe aps a classificao supervisionada com
atributos espectrais e textura.
70
pode realmente ser diferenciada de Campo somente com dados espectrais, no caso, o
que a caracteriza a proximidade com a rea urbana. No caso da Rocha acontece o
mesmo j que espectralmente se confunde com o Campo. O que caracteriza a Rocha
neste caso a declividade,.
No caso de classes com identificao mais imediata, como o Campo Alagado, o
Urbano e at mesmo a Floresta, a classificao supervisionada obteve resultados
razoveis. Ainda no caso da Floresta Urbana ocorre o mesmo que com o Campo
Urbano, isto , no possvel a identificao sem a utilizao da informao de
proximidade com a classe Urbana.
A taxa de erro global de classificao foi de 55,48%. Essa alta taxa de erro pode
ser justificada pela dificuldade de separao em classes com muitos segmentos, como
5.3
Fase 2 Classificao estrutural baseada em regras
Na segunda fase do modelo proposto, o conhecimento do especialista
acrescido ao procedimento de classificao usando para isso regras nebulosas. O
objetivo modelar o raciocnio do analista humano para melhorar o resultado de
classificao baseada somente na informao espectral e textura apresentada na fase 1.
gua
Classificao FASE 1 (%)
Floresta e Campo.
gua
Campo Alagado
Campo
Floresta Urbana
Floresta
Urbano
Rocha
Campo Urbano
60,0
20,0
0,0
0,0
10,0
0,0
10,0
0,0
Campo
Alagado
Classificao de referncia
Floresta
Campo
Floresta
Urbana
20,0
47,5
0,0
10,0
2,5
5,0
7,5
7,5
13,8
3,3
12,0
22,7
32,3
5,3
7,3
3,3
11,2
4,5
15,2
33,3
15,0
10,1
5,1
5,5
15,2
1,2
7,2
7,5
63,3
2,4
2,2
1,0
Urbano
10,9
4,2
1,4
4,9
2,1
70,2
2,6
3,6
Rocha
Campo
Urbano
26,5
17,4
5,0
13,2
9,4
5,0
20,9
2,6
11,3
5,2
6,3
18,4
4,9
45,4
2,7
5,8
Tabela 6.
71
(ou verdade de campo) a uma outra classe (na vertical). Assim, na diagonal dessa matriz
so apresentados os acertos de classificao em cada uma das classes.
O procedimento da Fase 2 tem ento o objetivo de, atravs da utilizao de
outros dados como altimetria, forma e contexto, elaborar regras que sejam capazes de
reduzir os erros de classificao e melhorar a classificao da primeira fase.
Algumas confuses, marcadas na
nebulosos de classificao nas sees 5.3.2 e 5.3.3 respectivamente. Por ltimo na seo
5.3.4 so apresentados os resultados dos experimentos.
5.3.1
Atributos utilizados na classificao estrutural
Os atributos de entrada para as regras podem ser divididos em dois conjuntos.
O primeiro conjunto de atributos deriva do resultado da primeira fase, mais
especificamente dos valores de pertinncia de cada segmento produzidos pela rede
neural.
Os atributos do segundo grupo so calculados a partir da prpria imagem ou de
dados de SIG, como descrito abaixo:
NDVI (i) =
( NIR RED)
( NIR+ RED)
Eq.(6)
72
360, por exemplo, contm vrios segmentos menores gerados na escala 120,
180 e 270.
Para medir o grau de ocupao urbana na escala 90, por exemplo, mede-se o
percentual da rea do objeto nessa escala que coberto por objetos urbanos
(definidos na fase 1) na escala 30. Da mesma forma para medir o grau de
ocupao urbana na escala 180 mede-se o percentual de rea coberta por rea
urbana na segmentao de escala 30.
Quatro parmetros foram medidos nas escalas anteriormente mencionadas e
foram denominados como Contexto Urbano 120, Contexto Urbano 180,
Contexto Urbano 270 e Contexto Urbano 360;
Altura calculada pela mdia de altura no segmento analisado, baseandose no DTM (Digital Terrain Model ou Modelo Digital de Terreno);
73
5.3.2
Regras
74
5.3.3
Ajuste das funes de pertinncia
Resta agora definir o que alto (a) ou baixo (a) para relevo, contexto, NDVI
dentre outros parmetros. Em outras palavras o formato das funes de pertinncia
nebulosa (membership functions) tem que ser escolhidos e ajustados. Como foram
escolhidas funes de pertinncia gaussianas, estes parmetros so a mdia e o desvio
padro das gaussianas.
Nesse trabalho a estimativa dos parmetros das funes de pertinncia nebulosas
foi realizada utilizando um sistema neuro-fuzzy denominado ANFIS (seo 2.2.1.3). O
sistema neuro-fuzzy ajusta os parmetros relativos ao formato das funes de
pertinncia e aos pesos de cada regra no procedimento de classificao. Para isso
PUC-Rio - Certificao Digital N 0321207/CC
100
0,01
Incremento e Decremento
10%
75
5.3.4
Resultados da classificao estrutural baseada em regras
FASE1
100,0%
80,0%
60,0%
40,0%
20,0%
0,0%
Agua
Campo
Floresta
Campo
Floresta Urbano
Alagado
Urbana
Rocha
Campo
Urbano
Media
FASE2 40,0%
52,5%
58,6%
59,5%
26,7%
35,8%
88,2%
73,6%
54,4%
FASE1 40,0%
52,5%
88,0%
66,7%
36,7%
29,8%
79,1%
94,2%
60,9%
Grfico 2 Erro de omisso mdio por classe aps a FASE 2. (resultado aps 20 execues)
76
50,0
0,0
0,0
0,0
0,0
0,0
50,0
0,0
0,0
50,0
25,0
0,0
0,0
0,0
0,0
25,0
0,5
4,7
41,4
7,9
31,2
5,1
4,7
4,7
1,2
6,0
17,9
40,5
9,5
4,8
2,4
17,9
0,2
2,0
12,8
2,5
73,3
3,1
2,9
3,1
0,0
4,5
5,0
8,5
1,5
64,2
0,0
16,4
0,0
23,5
32,4
2,9
5,9
2,9
11,8
20,6
0,0
2,4
18,4
12,0
4,8
34,4
1,6
26,4
Tabela 8 Matriz de confuso de uma classificao tpica aps a Fase 2. Resultado percentual
relativo a referencia de uma interao.
77
60,00%
50,00%
40,00%
30,00%
20,00%
10,00%
0,00%
FASE2
44,32%
FASE1
55,48%
5.4
Fase 3 Classificao multitemporal
78
longo do tempo.
79
Classe
em t-1
gua
Campo
Alagado
Campo
Floresta
Urbana
Floresta
Urbano
Transio
Classe em t
Causas
gua
Campo Alagado
Campo
Urbano
Campo Urbano
Campo Alagado
Campo
Urbano
Campo Urbano
Aterramento no natural.
10
Campo
11
Campo Alagado
Alagamento
12
Floresta
13
Urbano
Crescimento urbano
14
Campo Urbano
15
Floresta Urbana
16
Rocha
17
Urbano
18
Campo Urbano
19
Floresta Urbana
20
Campo
Desmatamento
21
Floresta
22
Urbano
23
Campo Urbano
24
Floresta Urbana
25
Urbano
26
Campo urbano
27
Floresta Urbana
28
Campo Urbano
29
Campo
Rocha
80
Classe
em t-1
Campo
Urbano
Classe em t
Transio
Causas
30
Rocha
31
Urbano
Crescimento urbano
32
Campo Urbano
33
Floresta Urbana
seguir.
crisp
1
0
0
=
0
0
0
1
1
1
0
1
1
1
0
0
0
1
1
0
0
1
0
1
1
1
1
0
0
1
0
0
0
0
0
1
0
1
0
1
0
0
1
1
0
0
0
1
1
1
1
0
0
1
0
1
1
1
1
1
1
1
nebuloso
1 2 3
0 6 7
0 10 11
0
0
0
=
0
0 20
0
0
0
0
0 27
0
0
0
4
5
0
0
0
8
9
0
0
0
12 13 14 15 16
17 0 18 0 19
21 22 23 0 24
0
0 25 0 26
0
0 28 29 30
31 0 32 0 33
81
analisado (t). A ordem das classes, tanto nas linhas quanto nas colunas, segue a ordem
de classificao definida pelas classes para todo o processo (gua, Campo Alagado,
Campo, Floresta Urbana, Floresta, Urbano, Rocha e Campo Urbano).
Tratando-se do conhecimento multitemporal crisp pode-se passar diretamente
para a tarefa 4 da avaliao. J o conhecimento multitemporal nebuloso requer que
antes se estimem os valores das possibilidades de transio.
Esta tarefa de estimao dos valores de probabilidade utilizou o mesmo conjunto
de treinamento de dados anteriormente selecionado e utilizado durante a Fase 1 e Fase
2.
O especialista da rea identificou para cada classe da legenda a transio mais
freqente que recebeu o valor de possibilidade igual a 1. Isso fez com que matriz de
transio tivesse valor 1 em toda a sua diagonal. Restaram ento 25 valores de transio
para serem estimados. Um algoritmo gentico (GA) ento aplicado sobre os dados de
1999 e 2001 visando minimizar o erro mdio de omisso, usando como referncia a
classificao visual da imagem de 2001 e os dados de treinamento anteriormente
selecionados. A configurao do GA utilizado nesse trabalho esta descrito na Tabela 10.
Funo de avaliao
Tamanho da populao
Numero de geraes
100
80%
Operaes de cruzamento
Operaes de mutao
Mutao simples
Creep Pequeno (0,2)
Creep Grande (0,8)
82
5.4.1
Resultados do classificador multitemporal
Uma srie de experimentos foi realizada para avaliar a contribuio do
conhecimento multitemporal e nebuloso, conforme mostrado nas sees a seguir.
5.4.1.1
Contribuio do conhecimento multitemporal crisp
80,0%
70,0%
60,0%
50,0%
40,0%
30,0%
20,0%
10,0%
0,0%
Agua
Campo
Floresta
Campo
Floresta Urbano
Alagado
Urbana
Rocha
Campo
Urbano
Media
FASE1
40,0%
52,5%
88,0%
66,7%
36,7%
29,8%
79,1%
94,2%
60,9%
FASE2
40,0%
52,5%
58,6%
59,5%
26,7%
35,8%
88,2%
73,6%
54,4%
FASE3 - CRISP 40,00% 50,00% 60,00% 35,71% 29,21% 33,83% 73,53% 71,20% 49,19%
83
5.4.1.2
Contribuio do conhecimento multitemporal nebuloso
No segundo experimento aplicou-se o conhecimento multitemporal nebuloso. A
Tabela 11 mostra os valores da matriz de transio obtida pelo algoritmo gentico com
base nos dados de treinamento.
t-t
gua
Campo Urbano
Campo
Floresta Urbana
Floresta
Urbano
Rocha
Campo Urbano
gua
1,00
0,00
0,00
0,00
0,00
0,00
0,00
0,00
Campo
0,33
1,00
0,11
0,00
0,00
0,00
0,00
0,00
Campo
Urbano
0,49
0,13
1,00
0,00
0,49
0,00
0,16
0,00
Floresta
Urbana
0,00
0,00
0,29
1,00
0,77
0,69
0,00
0,76
Floresta
0,00
0,00
0,29
0,00
1,00
0,00
0,00
0,00
Urbano
0,16
0,21
0,49
0,50
0,19
1,00
0,25
0,28
Rocha
0,00
0,00
0,58
0,00
0,00
0,00
1,00
0,00
Campo
Urbano
0,18
0,76
0,39
0,69
0,41
0,50
0,30
1,00
84
GRFICO DE DESEMPENHO
0.77
0.765
Avaliao
0.76
0.755
0.75
0.745
0.74
10
20
30
40
50
60
Gerao
70
80
90
100
Campo
Campo
Alagado
Floresta
Floresta Urbano
Urbana
Rocha
Campo
Urbano
Media
FASE1
40,0%
52,5%
88,0%
66,7%
36,7%
29,8%
79,1%
94,2%
60,9%
FASE2
40,0%
52,5%
58,6%
59,5%
26,7%
35,8%
88,2%
73,6%
54,4%
FASE3 - CRISP
40,0%
50,0%
60,0%
35,7%
29,2%
33,8%
73,5%
71,2%
49,2%
FASE3 - NEBULOSA
40,0%
50,0%
44,7%
29,8%
35,5%
39,8%
44,1%
60,8%
43,1%
85
60,00%
50,00%
40,00%
30,00%
20,00%
10,00%
0,00%
FASE1
55,48%
FASE2
44,32%
FASE3 - NEBULOSA
40,81%
Grfico 7 Taxa de erro global aps a classificao por incluso de dados multitemporais
nebulosos.
86
5.5
Concluses
Os experimentos realizados e descritos neste captulo levaram algumas
observaes e concluses que cabem ressaltar ao final desta seo.
Em primeiro lugar se confirmou a tese de que mtodos convencionais de
classificao baseados apenas na informao espectral, trazem resultados insatisfatrios
quando aplicados a imagens de alta resoluo. De fato, ao se introduzir conhecimento
prvio no processo de classificao obteve-se um aumento importante de desempenho
da classificao.
Nos experimentos realizados o conhecimento multitemporal se mostrou mais
efetivo do que o conhecimento monotemporal. Sem dvida o modelo de conhecimento
PUC-Rio - Certificao Digital N 0321207/CC
87
6
Comentrios finais
88
elaborado. ,
portanto, razovel admitir que os ganhos de desempenho obtidos nesta etapa podem ser
significativamente mais elevados do que o alcanado em nossos experimentos, desde de
89
Referncias
1 CORR, D.G.; TAILOR, A.M.; CROSS, A.; MASON, D.C.; PETROU, M.; HOGG,
D.C.; LAWRENCE. D.H. Progress In Automatic Analysis of Multitemporal
Remotely-Sensed Data. In: IGARSS 1988 - International Geoscience And Remote
Sensing Symposium, Edinburgh, Scotland, sep. 13-16 1988. Proceedings of
IGARSS 1988, p. 1175-1178, 1988.
2 BCKNER, J.; STAHLHUT, O.; PAHL, M.; LIEDTKE, C.-E. A Knowledge Based
Automatic Image Data Analyzer for Remote Sensing Data. In: ICSC CONGRESS
ON COMPUTATIONAL INTELLIGENCE METHODS AND APPLICATIONS
2001 - CIMA 2001, 2001, Bangor, Wales, Reino Unido. Proceedings (CD ROM)
of The Congress on Computational Intelligence Methods and Applications
2001 CIMA 2001. International Computing Sciences Conventions University
of Wales in Bangor, U.K, 2001.
3 LIEDTKE, C.-E.; BCKNER, J.; GRAU, O.; GROWE, S.; TNJES, R. AIDA: A
System for the Knowledge Based Interpretation of Remote Sensing Data, In:
THIRD INTERNATIONAL AIRBORNE REMOTE SENSING CONFERENCE
AN EXHIBITION, 1999, Copenhagen, Dinamarca, Proceedings of the Third
International Airborne Remote Sensing Conference and Exhibition,
Environmental Research Institute of Michigan, AGU, 1997.
4 NIEMANN, H.; SAGERER G.; SCHRODER, S.; KUMMERT, F. ERNEST:A
Semantic Network System for Pattern Understanding. IEEE Transactions on
Pattern Analysis and Machine Intelligence, v. 12, n. 9, set 1990.
5 CLEMENT, V.; GIRAUDON, G.; HOUZELLE, S.; SANDAKLY F. Interpretation of
Remotely Sensed Images in a Context of Mutisensor Fusion Using a Multispecialist
Architecture. IEEE Transactions on Geoscience and Remote Sensing, v. 31, n. 4,
p. 779-791, jul 1993.
6 MATSUYAMA, T.; HWANG, V. Advances in computer vision and machine
intelligence. SIGMA, a knowledge-based aerial image understanding system. New
York: Plenum, 1990. ISBN: 030643301X
7 MCKEOWN, D. M.; HARVEY, W.A.; MCDERMOTT, J. Rule Based interpretation
of aerial imagery. IEEE Transactions on Pattern Analysis and Machine
Intelligence, v. 7, v. 5, p. 570-585, 1985.
8 THOMAS W.W.; CARVALHO, A.M.V.; AMORIM, A.M.A.; GARISON, J.;
ARBELZ, A.L. Plant endemism in two forests in southern Bahia, Brazil.
Biodiversity and Conservation 7, p. 311-322, CIFOR/UNESCO, 1998.
9 SIPS, P. The Atlantic Forest of South Bahia, Brazil: Hotspot within a Hotspot.
European Tropical Research Network. n. 29, p. 41- 43, 1999. Disponivel em:
<http://www.etfrn.org/etfrn/newsletter/nl29_oip.html#theatl >
10 MORI, S. A.; BOOM, B.M.; PRANCE, G.T. Distribution and conservation of easter
Brazilian coastal forest tree species. Brittonia, 33, p. 233-245, 1981.
90
91
27 GONZALEZ, R.C., WOODS, R.E. Digital Image Processing. 2. ed. New Jersey:
Prentice Hall, 2001. ISBN 0-201-18075-8
28 MOHAN, B.K.; KADAM, S.U.; RAO E.P. Segmentation of High Resolution
Imagery. Map Asia 2003, GISdevelopment.NET. Disponvel em:
<http://www.gisdevelopment.net/>
29 PESARESI, M.; BENEDIKTSSON, J.A. A New Approach for the Morphological
Segmentation of High-Resolution Satellite Imagery. IEEE Transactions on
Geosciences and Remote Sensing, v. 29 , n. 2 , p. 309 320, fev. 2001.
30 BEUCHER, S.; LANTEUJOUL, C. Use of watersheds in contour detection. In:
International Workshop on Image Processing, real-time edge and motion
detection/estimation, Rennes, France, Sept. 17-21 1979. Proceedings of
International Workshop on Image Processing, real-time edge and motion
etection/estimation, sept. 1979.
92
93
52 LEE, C.; LANDGREBE, D.A. Decision boundary feature extraction for neural
networks. IEEE Transactions on Neural Networks, v. 8 , n. 1, p. 75 83, Jan.
1997.
53 LEE, C.; LANDGREBE, D.A. Decision boundary feature extraction for
nonparametric classification. IEEE Transactions on Systems, Man and
Cybernetics, v. 23 , n. 2 , p. 433 444, Mar./Apr. 1993.
54 BLASCHKE, T.; STROBL. J. What is wrong with pixel? Some recent developments
Interfacing remote sensing and GIS. GeoBIT/GIS 6, p. 12-17, 2001.
55 SMITH, G.M.; HOFFMANN, A. 2001: An Object based Approach to Urban Feature
Mapping, In: 2nd International Symposium Remote Sensing of Urban Areas,
Regensburg, Germany, 22-23 June, 2001. Proceedings of Symposium on Remote
Sensing of Urban Areas, Jun. 2001.
94