Classificação Baseada em Conhecimento

A-PDF Merger DEMO : Purchase from www.A-PDF.
com to remove the watermark
PUC-Rio - Certificao Digital N 0321207/CD
Thiago Broerman Cazes
Interpretao Baseada em Conhecimento de

Imagens de Sensores Remotos de Alta Resoluo
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
Rio de Janeiro, 09 de Setembro de 2005
Interpretao Baseada em Conhecimento

de Imagens de Sensores Remotos de
Alta Resoluo
Dissertao apresentada como requisito parcial para
obteno do grau de Mestre pelo Programa de PsGraduao em Engenharia Eltrica do Departamento de
Engenharia Eltrica do Centro Tcnico Cientfico da PUCRio. Aprovada pela Comisso Examinadora abaixo
assinada.
Dr. Raul Queiroz Feitosa

Orientador
Departamento de Engenharia Eltrica - PUC-Rio
Dr. Luiz Felipe Guanaes Rego

Co-Orientador
Departamento de Geografia - PUC-Rio
Dra. Marley Maria Bernardes Rebuzzi Vellasco

Departamento de Engenharia Eltrica - PUC-Rio
Dr. Herman Johann Heinrich Kux

INPE
Prof. Jos Eugenio Leal

Coordenador Setorial do Centro
Tcnico Cientfico - PUC-Rio
Rio de Janeiro, 09 de setembro de 2005
Todos os direitos reservados. proibida a reproduo total ou

parcial do trabalho sem autorizao da universidade, do autor e do
orientador.
Graduao em Engenharia Eltrica com nfase em Sistemas e

Computao na UERJ. Objetivando ttulo de Mestre em Mtodos
de Apoio a Deciso no Departamento de Engenharia Eltrica da
PUC-RJ atuando em pesquisa na rea de mtodos automticos de
interpretao em sensoriamento remoto. Toma parte do projeto
ECOWATCH que envolve instituies brasileiras e alems e
gerido pelo programa PROBRAL.
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
Ao meu orientador Prof. Raul Queiroz Feitosa;

Ao meu co-orientador Prof. Luiz Felipe Guanaes Rego;
A toda a equipe do projeto ECOWATCH;
Aos professores que participaram da Comisso examinadora;
Aos meus amigos da PUC-RIO;
A CAPES, ao DAAD e ao CNPQ pelo apoio financeiro;
Aos alunos de graduao Marlene, Daniele e Ricardo em geografia pelo apoio no
procedimento de interpretao visual e apoio nos procedimentos especficos de
cartografia;
Aos meus pais, familiares e amigos.
Resumo
Cazes, Thiago Broerman; Feitosa, Raul Queiroz . Interpretao Baseada em

Conhecimento de Imagens de Sensores Remotos de Alta Resoluo Rio de
Janeiro, 2005, 94 p. Dissertao de Mestrado Departamento de Engenharia
Eltrica, Pontifcia Universidade Catlica do Rio de Janeiro.
A cada dia mais e mais satlites de alta resoluo tm se tornado disponveis,

criando grande demanda por novos mtodos de interpretao baseados em
conhecimento. Estes mtodos emulam parcialmente o trabalho do especialista em
anlise visual de imagens. Nesse contexto, o presente trabalho apresenta um modelo de
classificao baseado no conhecimento do especialista aplicado a imagens de alta

resoluo. O modelo de interpretao consiste de trs fases. A primeira inclui o
conhecimento espectral e a informao de textura. Na segunda fase dados de SIG
(sistema de informao geogrfico) so combinados com o resultado da anlise
espectral atravs de regras nebulosas. Na terceira e ltima fase introduzido o
conhecimento multitemporal atravs de uma estimativa das possibilidades de transio
entre classes de uma mesma rea em um dado intervalo de tempo. Para validao desse
modelo experimentos foram realizados em imagens IKONOS e fotos areas de 1999,
2001 e de 2002 da rea do Parque Estadual da Pedra Branca, que um importante
fragmento da Floresta Atlntica situado no estado do Rio de Janeiro, Brasil.
Palavras-Chaves
Sensoriamento remoto; Imagens de alta resoluo; Interpretao de imagens
baseada em conhecimento; Classificao de imagens; IKONOS.
Abstract
Cazes, Thiago Broerman; Feitosa, Raul Queiroz (Advisor). Knowledge-based

Interpretation of High Resolution Remote Sensing Images Rio de Janeiro,
2005, 94 p. MSc. Dissertation Department of Electrical Engineering, Pontifical
Catholic
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.
To validate the proposed model
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
Estado da arte em classificao de imagens de alta resoluo

Mtodos baseados em pixels
Classificao baseada em objetos
Classificao Multitemporal
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
5.3.1 Atributos utilizados na classificao estrutural

5.3.2 Regras
5.3.3 Ajuste das funes de pertinncia
5.3.4 Resultados da classificao estrutural baseada em regras
5.4 Fase 3 Classificao multitemporal
5.4.1 Resultados do classificador multitemporal
5.5 Concluses
71
73
74
75
77
82
86
87
Comentrios finais
Referncias
89
Lista de Figuras
Figura 1 Exemplo da influncia da refletncia e do comprimento de onda em

diferentes tipos de cobertura de solo []
18
Figura 2 resposta espectral relativa ao comprimento de onda na banda pancromtica

IKONOS [16]
21
Figura 3 resposta espectral relativa, conforme o comprimento de ondas para o sensor

multiespectral IKONOS [16]
21
Figura 4 Representao do problema da topografia em captura de imagens de sensores

remotos
Figura 5 Modelo de neurnio artificial no linear [22]
23
26
Figura 6 Funes de ativao: (a) tangente hiperblica sigmide (tansig) e (b)

sigmide logartmica (logsig) a direita.
27
Figura 7 Arquitetura de uma rede neural do tipo MLP com uma camada oculta
27
Figura 8 Representao de um individuo e genes em algoritmos genticos
31
Figura 9 demonstrao do operador gentico de crossover simples de um ponto.
32
Figura 10 Modelo de interpretao baseado em conhecimento para imagens de alta

resoluo.
46
Figura 11 - diagrama detalhado do procedimento de interpretao na fase 2.
48
Figura 12 Exemplo de diagrama de transio de estados para 4 classes
49
Figura 13 Mapa representativo do Parque Estadual da Pedra Branca localizado no sul

do Eestado do Rio de Janeiro.
52
Figura 14 Imagem IKONOS Multiespectral (4m de resoluo) da rea do Parque

Estadual da Pedra Branca no ano de 2001. Em azul o recorte correspondente a
Figura 15 e Figura 16 mostrado apenas para exemplificar a riqueza de informao
contida em imagens de alta resoluo.
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
Figura 16 Detalhe da rea marcada em azul na Figura 14. Destaque na banda

infravermelha. Composio (NRG) realando a vegetao.
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
Figura 19 Foto do Parque Nacional da Pedra Branca; detalhe da expanso urbana

sobre a rea do parque.
Figura 20 Representao da imagem IKONOS
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
Figura 22 Comparao entre as segmentaes em uma rea da imagem selecionada; a)

imagem, segmentao com parmetro de escala b) 90, c) 60 e d) 30.
Figura 23 - Classificao Visual da imagem IKONOS de 2001.
60
66
Lista de Tabelas
Tabela 1 Caractersticas da legenda utilizada no processo de classificao.
64
Tabela 2 Percentual de rea na imagem classificada coberta por cada classe da legenda
(imagens de 1999 e 2001 classificao visual)
65
Tabela 3 Nmero de segmentos gerados por classe da legenda (imagens de 1999 e

2001, classificao visual)
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
2001, percentual de mudana em relao ao ano de 1999.
67
Tabela 6 Matriz de confuso da classificao espectral da imagem de 2001 aps a

primeira fase. Resultados apresentados em percentual relativo a imagem de
referncia.
Tabela 7 Configurao dos sistemas neuro-fuzzy.
70
74
Tabela 8 Matriz de confuso de uma classificao tpica aps a Fase 2. Resultado

percentual relativo a referencia de uma interao.
76
Tabela 9 Transies entre classes para a rea de teste.
80
81
Tabela 11 Matriz de transio nebulosa. Valores em zero indicam transies

impossveis.
83
Lista de Grficos
Grfico 1 Taxa de erro mdio de omisso por classe aps a classificao

supervisionada com atributos espectrais e textura.
69
Grfico 2 Erro de omisso mdio por classe aps a FASE 2. (resultado aps 20
execues)
75
Grfico 3 Erro de classificao global aps a FASE 2. (resultado aps 20 execues)

77
Grfico 4 Erro de classificao global aps a incluso de conhecimento multitemporal
de maneira CRISP. (resultado aps 20 execues)
Grfico 5 Evoluo do algoritmo gentico durante a sua evoluo.
82
84
Grfico 6 Avaliao do erro de omisso aps a incluso da informao multitemporal

nebulosa.
84
Grfico 7 Taxa de erro global aps a classificao por incluso de dados

multitemporais nebulosos.
85
13
1
Introduo
As tcnicas de sensoriamento remoto esto em constante processo de evoluo

permitindo acurcia cada vez melhor na descriminao de classes de uso e cobertura do solo [1].
Uma grande gama de novos sensores comerciais vem sendo desenvolvida com
resoluo espacial de poucos metros, em alguns casos at mesmo com menos de 1 metro.
Sensores como o IKONOS com resoluo de 1m na banda pancromtica ou o QUICKBIRD
com 60cm, permitem um desenvolvimento sem precedentes na rea de sensoriamento remoto
em imagens de alta resoluo.
Alm da resoluo espacial observa-se uma grande evoluo nos sensores orbitais
PUC-Rio - Certificao Digital N 0321207/CA
tambm em termos de resoluo espectral e radiomtrica. Sensores com centenas de bandas

espectrais permitem a captura de imagens em diferentes faixas do espectro eletromagntico com
elevada resoluo radiomtrica em cada uma de suas bandas.
Isso tudo implica em um enorme aumento da complexidade e do volume de dados
disponvel em escala mundial, o que faz aumentar a demanda por ferramentas automticas
capazes de interpretar a massa de dados produzida.
Uma das aplicaes mais importantes de sensores remotos so atividades de

planejamento ligadas a preservao ambiental. Monitoramento de queimadas,
acompanhamento de reas de risco e planejamento de expanso urbana sobre reas de
florestas so alguns exemplos dessas aplicaes.
Nesse contexto tem crescido o interesse mundial por mtodos ou sistemas
baseados no conhecimento [2, 3, 4, 5, 6 e 7]. Esses sistemas buscam reproduzir em um
ambiente computacional o raciocnio, muitas vezes subjetivo, do foto-interprete. Ainda
no existem mtodos que consigam realizar toda a tarefa de interpretao independente
da interao do ser humano, ou seja, completamente automticos. Contudo, pesquisas
vem apontando para um aumento significativo dos nveis de automatizao de vrios
passos envolvidos no processo de interpretao.
O presente trabalho se insere nesta linha de pesquisa que procura desenvolver novos
mtodos automticos de interpretao de imagens de sensores remotos, especialmente sensores
de alta resoluo espacial. Mais especificamente este trabalho investiga mtodos
automticos de classificao com nfase nos mtodos baseados em conhecimento.
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
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
reconhecidamente capazes de produzir este tipo de mapeamento e vm sendo utilizadas

para este fim com resultados prticos como, por exemplo, a srie de mapeamentos
desenvolvidos pela Fundao SOS Mata Atlntica3 e pelo Instituto Nacional de
Pesquisas Espaciais - INPE.
Nas ltimas dcadas o mapeamento do padro de cobertura do espao
geogrfico vem sendo produzido a partir de imagens de mdia resoluo como a srie
LANDSAT. Os mapas de cobertura produzidos a partir dessas imagens geram produtos
1
Atlas dos Remanescentes Florestais da Mata Atlntica Perodo 1995/2000 Fundao SOS Mata
Atlntica
2
http://www.unicamp.br/nipe/rbma/
15
compatveis com a escala 1:50.000 ou menores em funo de sua resoluo espacial de

30 m 30 m. Esses mapas permitem uma viso geral do problema, mas dificultam, pela
escala, a definio mais precisa dos limites do processo de mudana, dificultando a
definio de parmetros operacionais que permitam aes objetivas na soluo de
problema locais [11].
Os novos sensores orbitais com resoluo espacial de poucos metros
possibilitam a produo de mapeamentos em escalas maiores que permitem uma
compreenso detalhada tanto do padro de cobertura do espao como, com o passar do
tempo, do nvel de alterao deste padro [12]. Em funo das resolues espacial,
espectral e radiomtrica dessas imagens ser possvel identificar classes mais finas que
as produzidas pelos sistemas orbitais anteriores, o que permitir, consequentemente,
uma melhor compreenso dos processos ambientais nas reas sob risco e uma definio
mais direcionada e mais fundamentada das aes que visam a sua preservao.
, portanto, importante, atravs de um processo ordenado e sistemtico de

pesquisa, avaliar a eficincia do processo de classificao de imagens orbitais de alta
resoluo em termos de acurcia e detalhamento de classes qualitativas de cobertura,
visando aumentar o conhecimento do padro de cobertura dos remanescentes de Mata
Atlntica no Estado do Rio de Janeiro e contribuir com tecnologias de ponta para sua
conservao.
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:
Construir um modelo de classificao que leve em conta trs

modalidades de conhecimento: espectral, estrutural (ou contextual) e
multitemporal;
Avaliar a contribuio individual de cada uma das modalidades de

conhecimento para o desempenho da classificao de imagens de alta
resoluo.
1.2
Organizao
Este trabalho est organizado em seis captulos descritos mais detalhadamente a

seguir.
O captulo 2 descreve os principais mtodos de interpretao baseados em
conhecimento pesquisados atualmente, com foco em imagens de alta resoluo. Nesse
captulo so abordados assuntos como interpretao baseada em pixels ou objetos,
segmentao e multitemporalidade.
O captulo 3 apresenta de forma introdutria os conceitos tericos usados neste
trabalho. Esse captulo se divide em duas partes. A primeira introduz conceitos bsicos
sobre sensoriamento remoto necessrios para um bom entendimento do modelo
apresentado. A segunda parte trata de mtodos computacionais utilizados na
implementao dos modelos.
No quarto captulo apresentado o modelo de interpretao baseado em
conhecimento proposto neste trabalho.
O captulo 5 descreve os experimentos realizados para avaliar os mtodos
propostos no trabalho. A rea de estudo e a base de dados so descritos, assim como os
procedimentos de pr-processamento das imagens. Esse captulo tambm apresenta a
legenda da aplicao escolhida, os procedimentos de segmentao das imagens e a
metodologia de classificao visual realizada por um especialista, que produziu os
dados de referncia para a avaliao dos mtodos propostos no trabalho. O captulo
termina apresentando e discutindo os resultados experimentais.
No sexto e ltimo captulo realizada uma anlise global dos resultados e so
apresentadas concluses e propostas para trabalhos futuros.
17
2
Fundamentos Tericos
A presente pesquisa tem um carter claramente multidisciplinar. Por isso foi

introduzido neste documento o presente captulo, cujo propsito apresentar os
fundamentos bsicos tericos e algumas tcnicas das reas relacionadas que so
essenciais para a compreenso dos modelos e procedimentos apresentados nesse
trabalho.
Leitores j iniciados nos temas aqui abordados podero prescindir da leitura da
seo correspondente ao captulo sem prejuzo para a compreenso do restante deste
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
A principal ferramenta do sensoriamento remoto o sensor de captao da

imagem a ser analisada. Atualmente, existe uma grande variedade de sensores ativos e
passivos para a captao de imagens [13]. Sensores ativos emitem energia em um
determinado comprimento de onda e a captam de volta aps ser refletida pelo material
analisado. Atravs de medidas realizadas na emisso e captao possvel a estimao e
criao de imagens remotas. Sensores passivos no emitem radiao, mas simplesmente
captam a reflexo da radiao, principalmente a radiao eletromagntica solar, sobre os
objetos. Esse trabalho concentrara-se em sensores passivos, sensveis a radiaes
eletromagnticas.
Esses sensores baseiam-se na propagao da energia eletromagntica e na sua
interao com alvos naturais. Em poucas palavras a energia eletromagntica emitida
pelo sol atinge alvos naturais e refletida por esses, sendo ento capturada por sensores
remotos transportados por satlites, aeronaves, bales meteorolgicos, etc. Essa reflexo
eletromagntica sofre alguns fenmenos devidos interao com a cobertura do solo ou

disperso ou absoro pela atmosfera. As influncias da atmosfera no so tratadas
nesse trabalho e podem ser melhor estudadas em [1].
Ao atingir alguma regio da superfcie da Terra a radiao eletromagntica sofre
interaes de acordo com as caractersticas fsico-qumicas da cobertura do solo ou da
composio do objeto; como resultado uma parte da energia eletromagntica refletida
e uma outra parte absorvida pela superfcie. Em termos gerais, tipos diferentes de
cobertura de solo oferecem comportamentos diferentes, conforme o comprimento de
onda por ele atingido pelo alvo, como o apresentado na Figura 1.
Figura 1 Exemplo da influncia da refletncia e do comprimento de onda em diferentes tipos

de cobertura de solo [14]
19
Os sensores remotos passivos que detectam energia eletromagntica refletida ou

emitida pelo alvo permitem medir a proporo de energia refletida da superfcie
terrestre que os atinge, num determinado comprimento de onda.
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
prazo de atividades que impactam direta ou indiretamente no padro de cobertura do

solo.
Os sensores remotos baseados em satlites tornaram possvel uma utilizao
mais ampla e democrtica da informao e do sensoriamento remoto como um todo.
Porm, o tipo de informao extrada depende fundamentalmente do tipo de imagem
obtida. Em outras palavras, uma imagem LANDSAT consegue representar objetos no
menores do que 900 m2, assim como uma imagem de um satlite de metrologia como o
AVHRR consegue representar informaes a partir de 1Km2.
Em meados de 1999 ocorreu um marco na rea de sensoriamento remoto para
aplicaes no militares. O IKONOS, o primeiro satlite de alta resoluo destinado
exclusivamente para sensoriamento remoto e voltado a objetivos civis foi lanado. Com
a resoluo espacial de 1m no modo pancromtico, as imagens IKONOS trouxeram
para o mundo do sensoriamento remoto uma nova gama de possibilidades. Pela primeira
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
Figura 2 resposta espectral relativa ao comprimento de onda na banda pancromtica

IKONOS [16]
Figura 3 resposta espectral relativa, conforme o comprimento de ondas para o sensor

multiespectral IKONOS [16]
O satlite IKONOS produz dois tipos de imagens bem distintas em termos de

resoluo espectral e espacial. Com a resoluo de apenas 1m por pixel a imagem
22
pancromtica possui uma faixa de sensibilidade eletromagntica que cobre todo o

espectro visvel (Figura 2). A imagem multiespectral IKONOS possui uma resoluo
um pouco menor, 4 m por pixel, porm essa imagem possui quatro bandas de deteco
oferecendo uma faixa dinmica mais ampla em cada uma dessas bandas (Figura 3).
Todas as imagens IKONOS so geradas com uma resoluo radiomtrica de 11bits e 8-bits. A resoluo radiomtrica de 11-bits permite uma faixa dinmica de nveis
muito maior, podendo chegar a 2048 nveis em cada banda. A resoluo de 8-bits
fornecida por compatibilidade com softwares existentes. O processamento com 11bits
fornece uma maior riqueza de detalhes j que so 1048 nveis de cinza e no 256 como
no caso das imagens LANDSAT.
Assim como o IKONOS, outros satlites de alta resoluo j foram e outros
sero ainda lanados voltados a propsitos no militares.
O QUIKCKBIRD, por
exemplo, j operacional e trabalhando em uma resoluo espacial de at 60cm e o

SPOT 5 com uma resoluo de at 2.5m j esto operacionais comercialmente.

O governo Brasileiro mostra o seu envolvimento com sensoriamento remoto em
imagens de alta resoluo atravs de um programa em conjunto com o Governo Chins
chamado CBERS (China-Brazil Earth Resources Satellite). Atravs desse programa
satlites com cmeras de mdias resolues j se encontram operacionais. Esse mesmo
programa promete colocar em rbita os satlites CBERS-3 e CBERS-4 em 2008 e 2010
respectivamente. Esses satlites devem operar com cmeras de mdia resoluo capazes
de produzir imagens com ate 5m de resoluo espacial na banda pancromtica, e ainda
com uma taxa de revista (perodo no qual o satlite passa no mesmo local) de
aproximadamente cinco dias.
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
disponveis em todo o mundo. O georeferenciamento parte normalmente de pontos na

imagem, cuja coordenada geogrfica bem conhecida, os chamados pontos de controle
ou GCPs (ground control points). Os GCPs podem ser obtidos atravs de coleta de
campo por GPS (Global Position System ou Sistema de Posicionamento Global) ou at
mesmo a partir de algum dado j georeferenciado. Em outras palavras, os GCPs so um
conjunto de pontos, facilmente identificveis, em que se pode definir o posicionamento
real ou geogrfico de alguma maneira especfica. A partir desses pontos procedimentos
matemticos so aplicados com o objetivo de realizar uma reamostragem na imagem
como um todo segundo um sistema de coordenadas geogrficas. Como resultado do
georeferenciamento obtm-se uma nova imagem, denominada de imagem retificada,
ou georeferenciada.
Um outro problema com imagens de satlite diz respeito altimetria. Em regies
muito montanhosas ou em uma escala muito fina o tamanho de um pixel pode no estar
compatvel com a realidade apresentada em campo.
Sensor
remoto
1pixel = 1m
Figura 4 Representao do problema da topografia em captura de imagens de sensores
remotos
A Figura 4 ilustra o problema decorrente da elevao do terreno relacionado na

captura de imagens de sensores remotos. Um pixel de 1m (rea em azul) representa na
realidade ou geograficamente falando uma rea maior (em vermelho).
A soluo para o problema da correo altimtrica est na georetificao em
conjunto com a correo altimtrica com base no modelo digital de terreno, ou DTM
(Digital Terrain Model). Esse processo comumente chamado de ortoretificao. O
DTM uma representao digital da superfcie com informaes altimtricas, que pode
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
e para a correo topogrfica, pode ser encontrada em [15, 17, 18 e 19].
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
que as mesmas sejam reconhecidas. Esses procedimentos normalmente trabalham

dividindo o conjunto de padres segundo os atributos apresentados ao sistema e so
denominados mtodos de classificao no supervisionados.
Um outro conjunto de mtodos e algoritmos trabalha de maneira supervisionada,
ou seja, existe uma fase de ajuste de parmetros dos procedimentos denominada de fase
de treinamento onde as classes de cada padro so apresentadas ao modelo. Assim como
o ser humano, que tem que aprender alguma tarefa, esses mtodos utilizam-se da fase de
treinamento para aprender a como diferenciar as classes apresentadas ao sistema com
base no conjunto de atributos disponveis. Esses mtodos so mais robustos em termos
de desempenho de classificao e em tarefas especificas de classificao de imagens
sensores remotos tem mostrado melhor desempenho segundo a literatura exposta no
Capitulo 2.
Nesse trabalho foi abordado um modelo de classificao supervisionada baseado
em Redes Neurais Artificiais.

Em um segundo momento abordado mtodos supervisionados baseados em
lgica nebulosa (ou lgica nebulosa) nas tarefas de classificaes de padres. Esse tipo
de procedimento depende da elaborao de regras de inferncia por um especialista.
Essas regras interagem sobre os atributos dos padres analisados inferindo a classe de
cada padro.
No final desse captulo sero apresentadas resumidamente as teorias sobre
sistemas neuro-fuzzy e algoritmos genticos. Esses mtodos sero utilizados mais a
frente no modelo proposto, neste trabalho.
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
Figura 5 Modelo de neurnio artificial no linear [20]
O modelo de um neurnio artificial apresentado na Figura 5. O neurnio

artificial consiste de m entradas ponderadas pelos pesos wk1..m e ento somadas numa
juno aditiva. Esses pesos so conhecidos como pesos sinpticos e so responsveis
pela capacidade de modelar e aprender de uma rede neural. Uma funo de ativao
colocada em seguida ao somador, essa funo dita como restritiva segundo [20], o que
em linhas gerais significa que ela limita o intervalo permissivo de sada do neurnio a
que se referencia. O modelo prev ainda um ajuste denominado bias que tem o efeito de
aumentar ou diminuir o valor aplicado funo de ativao [20].
Em termos matemticos pode-se definir a operao no neurnio k da Figura 5,
que possui as entradas j (j=1,2,....m) atravs das seguintes equaes:
uk = j =1 wkj x j
Eq.(1)
v k = u k + bk
Eq.(2)
y k = (vk )
Eq.(3)
A funo de ativao (.) responsvel pela definio da sada de um neurnio

em termos de uma entrada v. Essas funes podem ser representadas de inmeras
maneiras. Mais comumente, e nesse trabalho, utilizam-se funes sigmides (Figura 6).
27
Basicamente o tipo de funes de ativao limita o comportamento no intervalo de

sada. A funo tangente hiperblica sigmide (tansig) por exemplo pode ter uma sada
variando entre -1 e 1, enquanto a sigmide logartmica (logsig) tem uma sada sempre
entre 0 e 1.
tansig
1
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.
Uma vez definida a caracterstica de um neurnio pode-se definir a arquitetura

de uma rede neural ligando neurnios entre si atravs dos pesos sinpticos. A
configurao apresentada neste trabalho a de uma rede neural de mltiplas camadas
conhecida como Perceptrons de mltiplas camadas ou MLP (multilayer perceptrons).
Essa configurao ilustrada na Figura 7.
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
As redes MLPs consistem de um conjunto de unidades sensoriais, ou neurnios,

arrumados em camadas, conforme o apresentado na Figura 7. Tem-se uma camada de
entrada com ns no computacionais, uma ou mais camadas ocultas com ns
computacionais e ainda uma camada de sada com ns tambm computacionais. Nesse
trabalho exploram-se apenas redes neurais do tipo MLP com uma camada oculta. Os
ns chamados computacionais realizam algum tipo de processamento, conforme o
modelo do neurnio apresentado anteriormente. Os ns no computacionais so apenas
entradas ou sadas de dados e no realizam qualquer processamento.
Cada arco que liga um neurnio a outro em uma rede MLP possui um peso
sinptico associado denotado por wji. Esse peso pode ser entendido como um peso que
associa entrada do neurnio j a sada do neurnio i. Em uma rede neural do tipo MLP
existe um grande nmero de pesos a serem definidos ou estimados. O algoritmo de
retropropagao, ou BP (backpropagation), um processo supervisionado de
aprendizado baseado no gradiente descendente que estima os valores dos pesos

sinpticos a partir de padres de treinamento. Nesse algoritmo o erro de previso se
propaga da camada de sada para a camada oculta, procurando assim o melhor conjunto
de valores para os pesos de toda a rede. Uma descrio detalhada do algoritmo de
retropropagao relativamente complexa e no foge ao escopo desse trabalho. Esse
procedimento pode ser encontrado com mais detalhes de implementao em [20].
Um outro ponto interessante utilizado nesse trabalho sobre as redes neurais diz
respeito relao entre sada da rede neural e a probabilidade a posteriori. Segundo
Haykin em [20] um classificador MLP aproxima de fato as probabilidades das classes a
posteriori, desde que o tamanho do conjunto de treinamento seja suficientemente
grande, garantindo que o processo de aprendizado por retropropagao no caia em um
mnimo local.
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
nebulosa permite representar valores de pertinncia (grau de verdade) intermedirios

entre os valores de verdadeiro e falso da lgica clssica (bivalente).
As variveis de entrada em um sistema nebuloso so mapeadas em conjuntos
nebulosos por meio de funes de pertinncia. O mapeamento de uma entrada em um
conjunto nebuloso gera um grau de pertinncia dessa entrada ao conjunto nebuloso.
Por meio de regras SE-ENTO o sistema capaz de expressar condies de
pertinncia. Tais regras so formuladas da seguinte forma: SE (ANTECEDENTES)
ENTO (CONSEQUENTE). Nessa formulao os ANTECEDENTES expressam as
condies a serem satisfeitas que resultam em um desdobramento representado pelo
CONSEQUENTE da regra.
Atravs dos mecanismos da lgica nebulosa possvel a criao de sistemas de
inferncia nebulosa capazes de realizar tarefas complexas, como modelagem,
classificao e previso. Esse trabalho se concentra na elaborao de sistemas nebulosos
voltados para a tarefa de classificao de padres.
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
mapeamento e feito atravs de funes de pertinncia fuzzy. Os dados de entrada ento

so mapeados pelas funes de pertinncia relacionadas a entrada e ento por outras
funes de pertinncia associadas as sadas. Todas essas funes de pertinncia
possuem uma serie de parmetros livres. A computao desses parmetros e facilitada
nos sistemas do tipo ANFIS pelo calculo do vetor de gradiente do erro relacionado a
sada. Em outras palavras um sistema ANFIS computa os parmetros das funes de
pertinncia nebulosa interativamente durante a fase de treinamento calculando a
resposta obtida pelo sistema e a resposta esperada. E ento pelo erro entre essas
respostas o sistema automaticamente se adapta modificando os parmetros das funes
de pertinncia fuzzy relacionadas com os antecedentes o os conseqentes obtendo assim
uma nova resposta para o sistema. Esse procedimento e executado com os dados de
treinamento at que no se tenha mais diminuio significativa do erro relativo a sada
esperada.
Para testar a capacidade de generalizao do sistema fuzzy utilizado um

conjunto de dados de validao. Esses dados tem o mesmo formato que os dados de
treinamento e os de teste. Geralmente procura-se um sistema de inferncia fuzzy capaz
de mapear uma dada entrada em uma sada de forma eficiente. O modelo dos sistemas
ANFIS fixo, ou seja, depois de treinado o sistema no modifica mais os seus
parmetros. Dessa forma existe uma tendncia de overfit aos dados de treinamento o
que pode causar um desempenho ruim durante os dados de teste. Nesse caso os dados de
validao so usados e aplicados ao sistema de inferncia fuzzy a cada passo do
treinamento. Esse resultado e monitorado e tipicamente quando o erro de validao
aumenta o sistema de inferncia pode ser considerado em sua etapa de mxima
generalizao e o treinamento para.
Uma particularidade do sistema ANFIS e que se trata de um sistema fuzzy do
tipo Takagi-Sugeno [24]. A principal conseqncia desse tipo de sistema e que somente
possvel representao de uma sada. Esse tipo de sistema foi desenvolvido
inicialmente para previso. Na pratica podemos ter em um sistema ANFIS inmeras
entradas, inmeras regras porem apenas uma sada. Esse fato altamente relevante
nesse trabalho de classificao de padres e define a arquitetura do classificador
baseado em regras apresentado nesse trabalho.
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
do indivduo. Cada caracterstica individual de um cromossomo em um indivduo

denominada gene [26], conforme a Figura 8.
Genes
...
Individuo
Caracterstica 2
Caracterstica 1
Caracterstica n
Figura 8 Representao de um individuo e genes em algoritmos genticos
Um conjunto de indivduos em uma mesma gerao denominado de populao

e pode ser entendido como um conjunto de solues potenciais para um determinado
problema proposto.
Um processo evolucionrio roda em uma populao de cromossomos ou
indivduos correspondendo a uma procura de solues sub-timas em um espao de
solues potenciais [26]. Esse processo equilibra o interesse da busca de uma soluo
tima e o interesse de explorao do espao de solues. Atravs das geraes a
populao evolui para uma soluo tima ou sub-tima.
32
Os algoritmos genticos utilizam regras para a criao de indivduos em uma

prxima gerao a partir de indivduos de uma gerao corrente. Essas regras podem ser
divididas em mtodos de seleo e operadores genticos.
O mtodo de seleo indica a regra de escolha dos pais ou indivduos que
contribuiro para a criao da nova gerao. Somente aos indivduos selecionados so
aplicados os operadores genticos. Para que seja possvel a avaliao dos indivduos
necessrio introduzir o conceito de funo de avaliao. Essa funo tem como entrada
os genes de um indivduo e indica a qualidade do indivduo em uma populao. Em
outras palavras a funo de avaliao capaz de avaliar diferentes solues para um
problema e indicar qual a melhor ou a menor, segundo algum critrio utilizado.
Os operadores genticos mais comuns so mutao e o crossover. Na mutao
um gene ou uma caracterstica de um determinado indivduo alterado, em geral
aleatoriamente, com o objetivo de gerar um novo indivduo em uma nova populao. O
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
Figura 9 demonstrao do operador gentico de crossover simples de um ponto.
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
propriedades comuns. Podem-se dividir a maioria dos mtodos de segmentao atuais

em dois principais grupos de algoritmos: o primeiro so os mtodos baseados em
crescimento de regies; e o segundo formado pelos mtodos de agrupamento e divises
sucessivas de objetos [28].
Na abordagem de dividir e agrupar, conhecida como Split and Merge, os
algoritmos subdividem ou agrupam segmentos sucessivamente. A deciso se um objeto
deve ser subdividido, ou dois objetos adjacentes devem ser agrupados, baseia-se na
avaliao de uma funo de custo. As diferentes funes de custo definem as variantes
dos algoritmos do tipo dividir e agrupar.
As tcnicas do tipo crescimento de regio ou region growing consideram
como ponto de partida cada pixel como um objeto. Objetos adjacentes so agrupados
formando objetos cada vez maiores. A cada passo do algoritmo a deciso de agrupar ou
no objetos adjacentes leva em conta algum critrio de homogeneidade do novo objeto
que se formaria aps o agrupamento. Os critrios de homogeneidade so especficos de
cada algoritmo adotado.
Existem outros mtodos mais particulares de segmentao. Esses mtodos no
se baseiam especificamente nem em crescimento de regies e nem em agrupamento e
diviso de objetos. Dentre eles destacam-se os mtodos baseados em morfologia
matemtica, como o watersheds.
O mtodo de segmentao alternativo baseado no divisor de guas (watersheds)
descrito sucintamente em [27]. Esse mtodo utiliza a magnitude do gradiente da
34
imagem no seu critrio de segmentao [29]. Ainda em [30] Beucher e Lanteujoul

utilizam o algoritmo de watersheds com sucesso para a deteco de fraturas em imagens
de micrografias de ao e deteco de bolhas em radiografia. Em 1991 [31] Beucher
aplica o algoritmo de watersheds para a segmentao de imagens de sensores remotos e
trata de um problema particular desta classe de algoritmos conhecido como super
segmentao. Em [28] o algoritmo de watersheds utilizado especificamente para
segmentao de imagens de alta resoluo.
Um mtodo de segmentao no convencional, baseado nas caracteristicas
morfolgicas dos componentes conectados foi proposto em [32]. Esse mtodo parte dos
resduos de duas operaes morfolgicas sucessivas de abertura (opening) e fechamento
(closing) [27]. O mtodo foi testado em imagens de alta resoluo tanto em reas de
campo quanto em reas urbanas, mostrando um timo desempenho comparado com
outros mtodos de segmentao mais comuns. Uma melhor descrio das formas foi
alcanada e o mtodo intrinsecamente reduz o efeito da super segmentao devido a

detalhes de implementao. Porm nesse mtodo o custo computacional bastante
elevado, conforme mostram os experimentos apresentados no artigo, principalmente se
houver nas imagens reas muito uniformes em termos espectrais. Nesses casos os
algoritmos de watersheds tendem a ter um desempenho melhor.
Vrios algoritmos de segmentao so comparados em [33]. O estudo destacou
dois softwares: o eCognition e o SPRING 4.04. Ambos baseiam-se em crescimento de
regio, embora o SPRING oferea tambm uma opo de segmentao por
watersheads, um mtodo que ser abordado mais adiante nesta seo. Nesse trabalho
tambm foram avaliados algoritmos de softwares como: Data Dissection Tools5,
CAESAR 3.16, InfoPACK 1.07 e Image Segmentation (componente para o ERDAS
Imagine)8.
2.3.2 Segmentao baseada em crescimento de regies

Nesse trabalho utilizaremos um processo de segmentao baseado em
crescimento de regies desenvolvido por [34] e implementado comercialmente no
4
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
software eCognition [35]. O procedimento pode ser descrito como um algoritmo de

aglomerao de objetos. Inicialmente cada pixel tratado como nico objeto. Atravs
de passos interativos esses objetos so agrupados com os seus vizinhos formando
objetos cada vez maiores. Em cada passo agrupado somente um dos vizinhos do
objeto analisado, a escolha de qual vizinho ser agrupado segue o critrio de
homogeneidade local. Em termos prticos o objeto unido com o seu vizinho que
oferece menor incremento possvel na homogeneidade do objeto resultante. O processo
de crescimento do objeto para quando o incremento de homogeneidade devido unio
dos vizinhos maior que uma determinada funo de custo. Essa funo provida para
o algoritmo como um parmetro de escala.
O clculo da homogeneidade local do objeto realizado levando em conta n
fatores espectrais e de forma do objeto. Em termos de forma dois parmetros so
analisados, a suavidade das bordas e a compactao do objeto gerado como um todo.
Mais detalhes sobre esses clculos podem ser obtido em [34]

Esse processo de segmentao permite uma variao no tamanho dos segmentos
gerados a partir de um controle sobre o parmetro de escala. Sendo assim a sua
expanso para um procedimento em mltiplas escalas simples e intuitiva, tornando o
algoritmo muito produtivo para o processamento de imagens de alta resoluo.
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
USDA Forest Service, Remote Sensing Application Center http://www2.erdas.com/SupportSite/
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
para a discriminao das classes na tarefa de classificao de cobertura de solo.

Os parmetros de Haralick tm sidos amplamente utilizados na classificao de
imagens de sensores remotos (por exemplo [36 , 45, 46 e 47]).
Os parmetros de Haralick se baseiam na computao da matriz de coPUC-Rio - Certificao Digital N 0321207/CA
ocorrncia de nveis de cinza da imagem (GLCM gray level cooccurrence matrix) .

A matriz GLCM representa a freqncia de ocorrncia de pares de valores de tom de
cinza em uma determinada relao espacial. A partir da matriz GLCM uma srie de
parmetros estatsticos pode ser extrada. Destes somente os seguintes parmetros ou
ndices foram analisados nesse trabalho:
Homogeneidade
Contraste
Dissimilaridade
Entropia
Segundo momento angular
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
Com a recente disponibilidade de imagens de alta resoluo produzidas por

sensores orbitais como IKONOS e QUICKBIRD se tornou-se possvel modelar com
maior nvel de detalhes caractersticas da cobertura do solo do que era possvel com
imagens de mdia ou baixa resoluo. Imagens IKONOS, por exemplo, tm pixels de
1m por 1m, no caso da banda pancromtica. Essa resoluo o suficiente para
visualizar com detalhes, por exemplo, o teto de uma casa, rvores, jardins e ruas.
Graas elevada resoluo espacial possvel consolidar a informao contida
em imagens de alta resoluo com dados de um SIG que normalmente se encontraram

disponveis em escalas grandes, principalmente trabalhando a nveis locais.
Nesse contexto uma srie de trabalhos tm sido desenvolvidos utilizando
diferentes tcnicas automticas de representao e interpretao em imagens de alta
resoluo. Essas tcnicas envolvem no somente diferentes modelos de tratamento de
dados, mas tambm englobam diferentes mtodos de representao da informao
relevante para a tarefa de interpretao.
Esse captulo aborda o estado da arte em classificao de imagens de alta
resoluo. O captulo inicia com mtodos baseados em pixel, e passa depois para uma
abordagem mais generalista e mais moderna baseada em objetos ou segmentos. O
procedimento de segmentao e as diferentes formas de representao de conhecimento
so tambm considerados neste captulo. Por ltimo uma descrio dos mtodos atuais
de representao de conhecimento multitemporal apresentada.
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
redes neurais. Os resultados demonstraram claramente os benefcios do uso dos

atributos de contexto.
Um novo mtodo multi-escala foi proposto em [44] que combina imagens
IKONOS pancromticas e multiespectrais com fotografias areas. Neste trabalho o
conjunto de dados ento tratado por classificadores de mxima probabilidade e
classificadores baseados em arvore de regresso (CART). O resultado desse trabalho
deu uma medida objetiva da importncia da resoluo espacial na tarefa de
interpretao. O trabalho mostra ainda que a informao multi-escala pode ser utilizada
com uma espcie de contexto no processo de classificao. Foi mostrado, por exemplo,
que imagens com 1m de resoluo favorecem a interpretao de alguns tipos de classes,
por exemplo, sombreamento entre as rvores
A utilizao da informao de textura na classificao de imagens de sensores
remotos tambm vem sendo bem explorada desde h muito tempo.
Um [45] novo mtodo de representao da textura foi proposto baseado no
conceito de vises de um determinado padro de textura. Basicamente o conceito
aplicado que uma determinada classe possui inmeros padres de textura e ainda que
cada um desses padres possui algumas vises. Essas vises foram obtidas com dados
de treinamento e atravs de uma serie de parmetros de textura. Foi desenvolvido ento
um algoritmo de classificao semelhante ao KNN, o K-View. Esse mtodo em linhas
gerais atribui o padro analisado a classe que possui vises mais semelhantes. Esses
mtodos de extrao de textura e de classificao foram aplicados a imagens de satlite
39
de alta resoluo resultando num incremento significativo da capacidade de

discriminao de classes de cobertura de solo.
Em [46] anlise de textura foi aplicada em imagens IKONOS e QUICKBIRD
para mapeamento de rvores, pomares e plantaes de caf em Uganda. Foram
utilizados parmetros de textura de Haralick, calculados com base na matriz de
coocorrncia de nveis de cinza ou GLCM (gray-level cooccurrence matrix). Os
resultados relatados no trabalho foram muito positivos principalmente no que disse
respeito ao reconhecimento de rvores e pomares. Porm o autor relata uma dificuldade
para determinar a dimenso ideal da vizinhana em torno de cada pixel a ser usada no
clculo dos atributos de textura. Um outro trabalho [47] reafirma a importncia da
informao de textura no processo de classificao, e ressalta igualmente a necessidade
de uma escolha adequada do tamanho dessas janelas de anlise.
Alm dos estudos sobre atributos muito se tem investigado sobre diferentes
modelos de classificadores para as aplicaes em sensoriamento remoto.

Uma comparao entre mtodos estatsticos e redes neurais aplicados
diretamente em classificao de imagens de sensores remotos descrita em [48]
utilizando mltiplas fontes de dados LANDSAT MMS e dados topogrficos. Os
experimentos mostraram que os modelos baseados em redes neurais tm taxas de
reconhecimento potencialmente superiores aos mtodos estatsticos convencionais, mas
perdem em termos de desempenho computacional. Esse baixo desempenho se justifica
pelo elevado nmero de padres que se tem em imagens de alta resoluo, o que onera
principalmente a fase de treinamento da rede neural. Os experimentos tambm
mostraram a importncia de se condicionar os dados adequadamente quando se utilizam
redes neurais. Pequenas mudanas no condicionamento dos dados podem alterar
sensivelmente o resultado da classificao.
Em [49] foi utilizado um mtodo estatstico multivariado baseado em SVD
(Ssingular Vvalue Ddecomposition) e anlise de vetores chaves (key vector analysis)
oferecendo uma soluo alternativa a redes neurais artificiais para a classificao de
imagens areas de alta resoluo. A justificativa dada pelos autores para a procura de
um mtodo alternativo as redes neurais foi mais uma vez o baixo desempenho
computacional das redes neurais, quase sempre devido fase de treinamento, e a alta
sensibilidade das redes neurais aos seus pesos iniciais, que so gerados de forma
randmica, na maioria dos casos.
40
Imagens de alta resoluo espectral, obtidas a partir de sensor aerotransportado,

AVIRIS, de 1991 foram analisadas em [50]. Esse tipo de imagem possui 224 canais, ou
bandas espectrais, o que impossibilita, ou pelo menos torna difcil, uma anlise
estatstica multivariada. A soluo adotada pelo autor foi reduzir a dimensionalidade
dos dados e aplicar em seguida um classificador no paramtrico. Foram utilizadas,
mais uma vez, redes neurais artificiais como mtodos no paramtricos de classificao.
Para a reduo de dimensionalidade foi utilizado um mtodo chamado de DBFE
(Ddecision Bboundary Ffeature Eextraction) [51][52][53]. A dimensionalidade foi
reduzida de 224 para 35 e 36 bandas em dois experimentos realizados. Vrios
classificadores estatsticos foram comparados com as redes neurais artificiais para
avaliar como cada um se comportava diante da reduo de dimensionalidade dos dados.
Classificadores baseados em redes neurais se mostraram superiores em termos de
reconhecimento global. Os experimentos realizados mostraram ainda uma singular
dificuldade do algoritmo de mxima verossimilhana nos casos em que determinadas

classes possuem poucos padres de treinamento, o que impossibilita uma boa estimao
da matriz de covarincia.
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.
Em [58] uma metodologia orientada a objetos foi aplicada para classificar

imagens de sensores diferentes, KOMPSAT-1 e SPOT-5. A legenda continha 5 classes
de cobertura do solo. O resultado da classificao automtica foi comparado com a
classificao visual da cena do KOMPSAT-1. Os resultados mostram que a abordagem
baseada em objetos no s foi capaz de prover uma diferenciao mais rpida e precisa
das classes bsicas como foi capaz de, facilmente, se adaptar a outras imagens tomadas
em datas diferentes em resolues espaciais diferentes.
Como objetivo de investigar o mtodo de classificao orientado a objetos na
discriminao de diferentes tipos de cobertura de solo em reas urbanas utilizando
imagens de alta resoluo, em [59] utilizam-se imagens pancromticas e multiespectrais
IKONOS na cidade de Vienna. A validao baseou-se em dados oficiais, classificados
manualmente a partir de ortofotos, por um especialista. Nos experimentos executados
obteve-se um erro de 43%, em termos de nmero de objetos. Por outro lado se
analisarmos a rea dos objetos classificados corretamente, observamos que essa
representa 72% da rea total. Essa observao sugere que objetos com reas menores
esto sujeitos a mais erros em termos de classificao do que objetos com reas
maiores.
Imagens SAR (Synthetic Aperture Radar) foram analisadas em [60] com o
objetivo de desenvolver mapas urbanos de alta resoluo. O trabalho foi realizado no
eCognition incluindo a segmentao hierrquica em trs nveis. Caractersticas
radiomtricas e polarimtricas foram utilizadas em conjunto com caractersticas
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
e as regras nebulosas o desempenho de 10 a 20% maior se comparado a um

classificador de mxima verossimilhana. Quando se introduz a anlise baseada em
objetos o desempenho final aumenta mais ainda, chegando a taxas de reconhecimento
de at 86%.
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
utilizado a deciso baseia-se na combinao de regras de Dempsters onde a deciso

tomada onde a medida de aceitabilidade se mostra mxima.
Em [62] o mtodo anteriormente apresentado foi expandido com a utilizao de
matrizes de coocorrncia como atributos espaciais e classificadores baseados em redes
neurais artificiais. Nesse trabalho dois tipos de redes neurais foram utilizados, a com
treinamento com retropropagao do erro e uma rede neural nebulosa. Dois modelos
tambm foram apresentados: o primeiro baseado em uma rede neural nica para a
anlise das matrizes de coocorrncia de todas as imagens avaliadas; o segundo modelo
utiliza uma srie de redes neurais organizadas em dois estgios, onde cada rede neural
no primeiro estgio realiza a classificao da matriz de coocorrncia da imagem de cada
um dos ano de anlise, e ento a rede no segundo estgio toma a deciso de
classificao baseada nos resultados obtidos das redes do primeiro estagio. Os
resultados obtidos mostram um grande incremento de desempenho da tarefa de
classificao quando comparado com o mtodo original apresentado em [61].

Em [1] um mtodo de segmentao baseado em conhecimento proposto. Nesse
mtodo utilizado para a segmentao dados de SIG, conhecimento especfico do
especialista e dados de srie temporais. Nesse trabalho os autores concluem que
sistemas baseados em conhecimento utilizados para a tarefa de segmentao oferecem
segmentos mais bem delineados e por conseqncia uma classificao mais precisa.
Quanto a avaliao multitemporal, o artigo indica que a segmentao usando uma srie
temporal tende a convergir para uma segmentao tima conforme o nmero de
imagens da srie. Ainda nesse trabalho os autores enfrentam problemas srios de erro de
registro nas imagens de foto areas e prope a utilizao de imagens de satlite de alta
resoluo para resoluo desses problemas.
Os dados multiespectrais so tratados em [63] como um conjunto de dados
multidimensionais assim como todas as bandas das imagens LANDSAT analisada. O
mtodo apresentado extrai atributos do conjunto de dados multidimensionais. A idia
principal extrair atributos como uma combinao linear de componentes ortogonais de
variao dos dados. demonstrado que com a utilizao de dados multitemporais o
sistema foi capaz de reconhecer mais facilmente os objetos a serem classificados, ou
seja, com menos nmero de atributos extrados.
Em [64] e [65] redes neurais artificiais so apresentadas como solues
vantajosas em termos de desempenho global de classificao se comparado com
mtodos estatsticos.
44
Em [66] prope-se um classificador que leva em conta relaes estruturais e

temporais analisando a interdependncia temporal e espacial entre os pixels de uma
imagem. O contexto espacial utilizado para estimar a probabilidade a priori e o
conhecimento multitemporal como a probabilidade de transio entre as classes em um
determinado intervalo de tempo. O classificador apresentado testado com imagens bi
temporais LANDSAT e mostra um incremento significativo no desempenho da
classificao se comparado com mtodos tradicionais de mxima verossimilhana.
Em [67] e [68] o conhecimento multitemporal foi empregado por meio de
diagramas de transio de estado entre as classes da legenda em um determinado
intervalo de tempo. Esses diagramas expressam a possibilidade de transio de uma
classe para uma outra classe determinada. Os resultados de ambos os trabalhos mostram
que houve um grande incremento no desempenho da classificao em relao
classificao sem informao multitemporal. Porm, em ambos os trabalhos houve
dificuldade em modelar as possibilidades de transies entre as classes e foram

definidos valores experimentais. Esta abordagem estendida em [69] e [70] utilizando
algoritmos genticos para estimar os valores dos parmetros de transio. Isso resultou
numa melhora significativa no desempenho de classificao.
45
4
Modelo proposto
4.1
Introduo
Este captulo apresenta o modelo proposto no trabalho para interpretao de
PUC-Rio - Certificao Digital N 0321207/CC
imagens de sensores remotos baseada em conhecimento.
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
Dados Estruturais, Contexto e SIG
Classificao
Fase 2 (t)
Base de regras
Classificao baseada em regras do especialista
Base de conhecimento
multitemporal
Classificao
referncia (t-t)
Classificao baseada em
conhecimento multitemporal
Classificao Final(t)
Classificao
Fase 3 (t)
Defuzzyficao
Figura 10 Modelo de interpretao baseado em conhecimento para imagens de alta

resoluo.
Os dados de entrada para o modelo apresentado e a imagem a ser analisada

obtida em um determinado instante de tempo t e a classificao de uma imagem da
mesma rea obtida em um instante de tempo anterior t-t.
Na primeira fase do modelo realiza-se uma classificao supervisionada dos
segmentos baseando-se na informao espectral e nos atributos de textura. A
classificao produz para cada objeto um vetor com os graus de pertinncia a cada uma
das classes da legenda.
Da segunda fase em diante utilizam-se modelos de conhecimento de um
especialista. Computacionalmente esse conhecimento modelado por meio de regras
47
nebulosas. Agrega-se ao resultado produzido na primeira fase dados de SIG e outros

atributos estruturais relacionados forma e arranjo espacial dos segmentos..
Na terceira e ltima fase aplica-se o conhecimento multitemporal. Este se baseia
na classificao da rea de estudo em um instante de tempo anterior t-t e utiliza
estimativas de possibilidades de transies entre classes durante o intervalo de tempo
t .
Aps a terceira fase realizada a defuzzificao que gera o resultado final da
classificao.
Os resultados produzidos por uma fase so usados como entrada para a fase
seguinte. A primeira fase prev a utilizao de algum mtodo supervisionado
absolutamente convencional. Nas sees seguintes descrevem-se as fases 2 e 3 do
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
Figura 11 - diagrama detalhado do procedimento de interpretao na fase 2.
A Figura 11 mostra a fase 2 do modelo proposto. Em linhas gerais a

classificao nesta fase feita por um conjunto de regras nebulosas elaboradas pelo
especialista, que tm como entrada o resultado da classificao na fase 1, atributos de
contexto, dados de SIG e atributos estruturais dos objetos. O conjunto de regras
especifico a imagem ou mesmo a regio analisada, podendo assim ser considerado
como uma entrada do procedimento. Esse conjunto de regras mapeia a entrada do
sistema (todos os atributos disponveis) as sadas (classes) coerentes.
Entre os parmetros que podem ser utilizados para a criao da base de regras
destacam-se:
os
atributos
de
contexto;
atributos
estruturais,
por
exemplo,
excentricidade, rea, relao da rea com o permetro e dados gerais de SIG.

O classificador baseado em regras nebulosas envolve uma srie de funes de
pertinncia cuja forma definida por um conjunto de parmetros. Os valores adequados
para estes parmetros so freqentemente definidos pelo mtodo tradicional de
tentativa-e-erro. Neste trabalho eles so estimados por um mtodo automtico de ajuste.
4.2.3
Fase 3: Representao de conhecimento multitemporal
Na terceira fase do modelo proposto inclui-se o conhecimento multitemporal no

processo de classificao automtica. O conhecimento multitemporal modelado
conforme a proposta em [68], [69] e [70], isto , atravs das possibilidades de transio
49
entre classes em um determinado intervalo de tempo. Um diagrama de transio de

estados, como o da Figura 12, representa pictoricamente o modelo de conhecimento
multitemporal para um dado intervalo t.
4
f
c
2
Figura 12 Exemplo de diagrama de transio de estados para 4 classes
Os ns 1, 2, 3 e 4 correspondem s classes da legenda e os arcos s

mudanas de classes que podem ocorrer em um determinado intervalo de tempo t.
Associa-se a cada arco da Figura 12 um valor entre 0 e 1, representado na figura
pelas letras a, b, c, d, e, f e g, que expressam as possibilidades de ocorrncia da
correspondente transio; zero indica transio impossvel e 1 a transio com maiores
chances de ocorrncia.
O diagrama de transio de estados define a chamada Matriz de Transio
= { ij }i , j =1 , onde cada linha corresponde classe do objeto no instante t-t e as

n
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)
A classificao multitemporal admite conhecida a classificao i do segmento

no instante anterior. Os valores de pertinncias produzidos nesta terceira fase so dados
pelo produto de cada elemento da i-sima linha da matriz de transio pelo
correspondente valor de pertinncia produzido na fase 2. Se, por exemplo,
50
x = ( x1 ,..., xn ) o vetor com os valores de pertinncia gerados na fase 2 em relao a
cada uma das n classes, as pertinncias da fase 3 em que se explora a informao

multitemporal ser dada por:
3
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.
Resta estimar ainda as possibilidades de ocorrncias das demais transies

possveis. Neste trabalho consideram-se duas abordagens. A primeira abordagem, que
chamaremos de crisp, consiste em simplesmente atribuir valor 1 a todas as transies
possveis. Esta alternativa tem meramente o efeito de reduzir o espao de busca na
classificao.
A segunda alternativa, que chamaremos nebulosa, admite valores entre 0 e 1
para as possibilidades de transio. Estes valores podem ser estimados atravs de
tentantivas-e-erros ou utilizando algum mtodo de busca automtico. No presente
trabalho utiliza-se o mesmo procedimento adotado em [69], baseado em algoritmos
genticos.
51
5
Avaliao experimental
Nesse captulo so apresentados os procedimentos experimentais para validar o

Modelo de Interpretao de Imagens proposto e apresentado no Captulo 4.
Na avaliao do procedimento automtico de classificao/ interpretao
proposto, foi escolhido como indicador de desempenho o erro mdio de omisso. Esta
escolha deveu-se a que este ndice independe da distribuio inicial dos dados de teste.
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
ser estendidas a outros fragmentos da Mata Atlntica.
Figura 13 Mapa representativo do Parque Estadual da Pedra Branca localizado no sul do

Eestado do Rio de Janeiro.
O Parque Estadual da Pedra Branca compreende uma rea de 12.500 hectares

coberta por vegetao tpica da Mata Atlntica situada no macio da Pedra Branca
acima dos 100m de altitude, conforme representado na Figura 13. A rea se situa entre
as latitudes 2253 e 23 sul e 4323 e 4332 oeste. O Parque cercado pelos bairros de
Guaratiba a oeste, Bangu e Realengo ao norte, Jacarepagu ao leste, Barra da Tijuca ao
sudoeste e sul, Recreio dos Bandeirantes e Grumari ao sul e Campo Grande ao noroeste
[57].
53
Na rea analisada a temperatura mdia anual de 22C, chegando a picos de

40C no vero, e abaixo de 18C no inverno. A densidade pluviomtrica varia de 1.500
a 2.500mm de chuvas, tendo o vero como a estao de maiores chuvas. As variaes
microclimticas so resultado direto da proximidade da cidade com o mar, da influncia
da rea urbana e do processo abusivo de desflorestamento [57].
Na Figura 14 a imagem do satlite IKONOS na banda multiespectral do ano de
2001 apresentada com detalhe marcado em azul e reproduzido na Figura 15 e Figura
16 em composies RGB e NRG respectivamente. Nessas imagens pode-se observar o
alto ndice de cobertura de vegetao remanescente na rea do parque, assim como a
expanso urbana sobre a rea de vegetao.
Figura 14 Imagem IKONOS Multiespectral (4m de resoluo) da rea do Parque Estadual da

Pedra Branca no ano de 2001. Em azul o recorte correspondente a Figura 15 e Figura 16
54
mostrado apenas para exemplificar a riqueza de informao contida em imagens de alta

resoluo.
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.
Nas Figura 17, Figura 18 e Figura 19 so apresentadas fotografias tomadas

durante a visita rea de estudo realizada no incio do ano de 2005. Essas fotografias,
mesmo no tendo sido tomadas na mesma poca que a imagem de satlite, permitem
observar o alto ndice de vegetao nativa e a expanso urbana acelerada em torno 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
uma resoluo radiomtrica de 11 bits em cada banda espectral, como indicado na

Figura 20.
Vermelho
Verde
Azul
Quatro bandas espectrais
Infravermelho prximo
11bits 2048 nveis representados
Figura 20 Representao da imagem IKONOS multiespectral
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
referenciada e com as devidas correes topogrficas.
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.
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
Figura 22 apresentado um exemplo de uma rea da imagem e a segmentao

em mltiplas escalas. Observa-se o aumento do tamanho mdio dos objetos gerados,
conforme o aumento do fator de escala escolhido.
60
Figura 22 Comparao entre as segmentaes em uma rea da imagem selecionada; a)

imagem, segmentao com parmetro de escala b) 90, c) 60 e d) 30.
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
Inclui lagoas rios e canais
(RGB)
Campo
(NRG)
reas, quase em sua totalidade, origem antrpica, incluindo campos

de capim-colonio, de outras gramneas, de dicotiledneas
herbceas, e macega ou ainda reas de solo exposto, seja por

ocorrncia de terraplenagem, deslizamentos ou outras causas e as
reas de minerao - pedreiras, saibreiras. Inclui campos altos e
campos baixos.
Campo Baixo (RGB) campo baixo
Campo Baixo (NRG) campo baixo
Campo Alto (RGB) campo alto
Campo Alto (NRG) campo alto
62
CLASSE
Campo Alagado
reas com vegetao arbustivo-herbcea - nativa, secundria ou

invasora - sobre solos encharcados, seja por deficincia de
drenagem ou por afloramento de lenol fretico.
(RGB)
Floresta
(NRG)
Floresta Ombrfila Densa - Mata Atlntica - pouco alterada ou no
alterada, fitofisionomia nativa do Municpio, podendo tambm ser

uma Floresta Alterada tardia que inclui diversas fitofisionomias
associadas alterao das florestas nativas, como raleamento por
corte seletivo, ou pequenas reas de desmatamento, alm de
associadas s diversas fases sucessionais que seguem a supresso
total ou parcial da floresta nativa. Inclui tambm os bananais que
ocupam diversos trechos das encostas.
Floresta Alterada (RGB)
Floresta Alterada (NRG)
Floresta (RGB)
Floresta (NRG)
63
CLASSE
Floresta Urbana
reas com vegetao de campo e porte arbreo nos grandes parques

pblicos da cidade ou em reas predominantemente urbanas.
(RGB)
Urbano
(NRG)
Grupo heterogneo de alvos espectrais caractersticos de reas
urbanas densas.
(RGB)
Rocha
(NRG)
Afloramentos de rocha de origem natural e costes rochosos.
(RGB)
(NRG)
64
CLASSE
Campo Urbano
reas de campo nitidamente inseridas em contexto urbano.
(RGB)
(NRG)
Tabela 1 Caractersticas da legenda utilizada no processo de classificao.
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
contendo a descrio detalhada de cada classe da legenda e do raciocnio aplicado para

reconhec-las.
Os resultados da classificao visual so apresentados na Tabela 2 e na Tabela 3
em termos da rea em metros quadrados, e nmero de objetos ou segmentos de cada
classe.
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)
Figura 23 apresenta, como exemplo, o resultado da classificao visual numa

subrea da imagem IKONOS do ano de 2001. Analisando mais detalhadamente a
classificao visual realizada pelo especialista nota-se que uma grande parte da rea de
estudo corresponde s classes Campo e Floresta. Esse fato justificado pela rea de
estudo cobrir um Parque sob preservao ambiental, o que, de alguma forma, limita a
expanso urbana nessa rea.
66
Figura 23 - Classificao Visual da imagem IKONOS de 2001.
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.
Analisando as classificaes de 1999 e 2001 possvel montar a matriz de

transio dos segmentos entre os perodos considerados. Essa matriz apresentada na
Tabela 4. Na diagonal dessa matriz esto destacados os segmentos que permanecem na
mesma classe nos dois perodos analisados. Observa-se como uma caracterstica
importante a ser salientada a grande transio existente entre Floresta e Campo tanto de
1999 para 2001 quanto de 2001 para 1999.
Um outro importante ponto revelado pela matriz de transio a perda de reas
floresta para reas urbanas (edificaes e campos urbanos), mostrando o avano urbano
sobre o Parque mesmo se tratando de uma rea de preservao ambiental protegida por
lei.
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
classificao de imagens de sensores remotos, segundo a literatura.

Nesse trabalho utiliza-se um classificador baseado em redes neurais do tipo
perceptrons de mltiplas camadas (multilayer perceptrons ou MLP) em conjunto com
algoritmo de treinamento baseado em retro propagao do erro (Backpropagation ou
simplesmente BP)
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
treinamento e executado durante 1000 pocas no mximo.
5.2.2
Resultados
Erro de omisso por classe

100,00%
90,00%
80,00%
70,00%
60,00%
50,00%
40,00%
30,00%
20,00%
10,00%
0,00%
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.
Os resultados do classificador supervisionado baseado em redes neurais

artificiais mostram um baixo desempenho na classificao de reas de Rocha, Campo e
Campo Urbano principalmente. Esse fato pode ser justificado devido real confuso
espectral e em termos de textura dessas classes. Na verdade a classe Campo Urbano no
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 Matriz de confuso da classificao espectral da imagem de 2001 aps a primeira

fase. Resultados apresentados em percentual relativo a imagem de referncia.
O resultado da classificao espectral na Fase 1 apresentado em maiores detalhes pela
matriz de confuso mostrada na
Tabela 6.
Nessa matriz so apresentados o percentual dos segmentos
classificados em uma determinada classe (na horizontal) e pertencentes na referncia
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
Tabela 6 em vermelho, foram escolhidas para o tratamento via regras de

inferncia com o objetivo de diminuir o erro de omisso em cada uma das classes. Estas
confuses foram escolhidas por orientao de um fotointrprete, conhecedor da regio,
que considerou possvel resolv-las a partir de regras usando os dados disponveis..
Na seo 5.3.1 so descritos os dados e atributos utilizados para a elaborao das
regras de inferncia. A seguir so descritas as regras e a implementao dos sistemas
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 ndice de vegetao - indica a quantidade de vegetao em uma

determinada rea. O seu clculo est descrito na Eq.(6) onde NIR o valor
de intensidade da banda infravermelha da imagem e RED a intensidade da
banda que representa espectralmente o vermelho;
NDVI (i) =
( NIR RED)
( NIR+ RED)
Eq.(6)
72
Contexto Urbano indica o grau de ocupao urbana na rea do segmento

analisado. O contexto Urbano avaliado considerando a proximidade do
objeto analisado a objetos e reas de ocupao urbana. Para isso foi utilizada
a tcnica de segmentao hierrquica em que cada segmentao em uma
escala mais alta gera objetos maiores, que contm os objetos menores dos
nveis abaixo deste - produzidos com fator de escala mais baixos. Maiores
detalhes sobre segmentao em mltiplas escalas ou hierrquica so
apressentados no captulo 2.3.3 e tambm em [35].
Atravs da segmentao hierrquica so gerados vrios nveis ou camadas de
segmentaes em diferentes escalas. Essas segmentaes so aqui
denominadas segundo o fator de escala utilizado para obt-la. Foram
utilizados fatores 120, 180, 270 e 360. Um segmento representado na escala
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;
Contexto de Vegetao indica o grau de vegetao em torno do objeto

analisado em quatro escalas, assim como no contexto urbano. A extrao do
parmetro contexto de vegetao segue o mesmo procedimento para medida
do contexto urbano, considerando-se porm a rea relativa coberta por
vegetao em cada objeto. Os parmetros gerados so denominamos da
seguinte forma: Contexto de Vegetao 90, Contexto de Vegetao 180,
Contexto de Vegetao 270 e Contexto de Vegetao 360;
Altura calculada pela mdia de altura no segmento analisado, baseandose no DTM (Digital Terrain Model ou Modelo Digital de Terreno);
Declividade a declividade no era um dado diretamente disponvel; foi

utilizado em seu lugar o desvio padro da altura dentro do objeto analisado.
73
5.3.2
Regras
O conhecimento do especialista foi modelado no procedimento de interpretao

automtica atravs de regras nebulosas no formato SE(condio) ENTAO(conseqente.
O primeiro conjunto de regras atua apenas nos segmentos classificados como
Campo na Fase 1. As regras nesse conjunto foram criadas para dirimir a confuso entre
Rochas e Campo. A informao de altimetria e declividade, permite solucionar esse
tipo de confuso para uma boa parte dos segmentos. A conhecimento no caso consiste
em que Rochas normalmente tm uma declividade mais elevada, quando comparada
com Campo. Na verdade na regio analisada os Campos em geral so formados por
acmulo de matria orgnica sobre as Rochas, e em reas de alta declividade no

possvel esse acmulo, o que deixa as Rochas expostas.
O segundo conjunto de regras atua nos objetos atribudos Classe Floresta
Urbana na fase 1 com a finalidade de resolver a confuso com Campo, Floresta e
Campo Urbano. Com relao Floresta o critrio discriminante a proximidade a rea
Urbana ou a contexto urbano. Com relao ao Campo o ndice de Vegetao (NDVI) foi
utilizado critrio de diviso. No caso do Campo Urbano o NDVI e o contexto urbano
foramutilizados em conjunto.
O terceiro conjunto de regras atua nos segmentos previamente classificados
como Floresta objetivando os mesmos critrios da segunda regra.
O quarto conjunto atua sobre a classe Urbano objetivando somente a confuso
com Campo urbano e as variveis de critrio utilizadas foram o contexto urbano e o
NDVI.
O quinto conjunto de regras age sobre a classe Rocha visando a confuso com
Campo, Campo Urbano e Urbano. Foi utilizado o NDVI, a declividade e o contexto
urbano para a discretizacao.
Finalmente o ultimo conjunto age sobre a classe Campo Urbano e na confuso
com Floresta, Floresta Urbana, Campo e Urbano. Uma serie de variveis so utilizadas
entre eles o contexto urbano e o contexto de vegetao, a altimetria e o NDVI.
Neste trabalho todas as regras nebulosas foram modeladas utilizando duas
funes de pertinncia por entrada. Esses conjuntos foram criados a partir de funes
gaussianas.
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
utilizado um conjunto de treinamento e um algoritmo de retropropagao do erro. Em

nossos experimentos foi utilizado como treinamento uma parcela da imagem de 2001,
no caso a mesma utilizada na primeira fase do experimento. Os restantes dos segmentos
foram utilizados como um conjunto de teste.
Toda a implementao do sistema de inferncia nebulosa, assim como o
procedimento de ajuste automtico dos parmetros, foi realizada no MATLAB na
verso 7.0.4.
Em termos de implementao foram utilizados sistemas neuro-fuzzy distintos
para cada grupo de regras apresentado anteriormente. Dessa maneira a otimizao dos
parmetros dos sistemas nebuloso se restringe a dados de atuao distintos, diminuindo
o espao de busca. Cada um desses sistemas pode ento possuir duas sadas (0 e 1)
indicando cada um dos conseqentes.
Os parmetros dos sistemas neuro-fuzzy utilizados em todos os sistemas
nebulosos apresentados esto descritos
Configurao dos sistemas neuro-fuzzy (ANFIS)

Numero de pocas
100
Tamanho do passo inicial
0,01
Incremento e Decremento
10%
75
O conjunto de treinamento utilizado e o mesmo da primeira fase porem sem a

replicao dos dados feita para garantir o mesmo numero de padres em cada uma das
classes.
5.3.4
Resultados da classificao estrutural baseada em regras
Erro mdio de omisso aps a inferncia de regras da FASE 2

FASE2
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)
Os resultados apresentados no Grfico 2 mostram claramente um incremento de

desempenho, no que se diz respeito a diminuio do erro de classificao em cada
classe, aps a incluso do conhecimento do especialista modelado por regras nebulosas.
As classes afetadas pelo procedimento da Fase 2 claramente tiveram o seu erro
de classificao ou omisso, reduzidos significativamente. A maior reduo ocorre na
classe Campo onde antes 88% dos segmentos eram classificados erroneamente, aps a
Fase 2 cerca de 58% so classificados erroneamente. Embora esse valor ainda seja alto,
verifica-se que a incluso do conhecimento atravs de regras nebulosas traz um
melhoria importante de desempenho.
O mesmo ocorre porm com menos intensidade, nas classes Floresta, Floresta
Urbana e Campo Urbano. No caso destas duas classes que esto intimamente ligadas
com a informao de contexto urbano (Floresta Urbana e Campo Urbano) as regras
76
nebulosas baseadas em informao de contexto principalmente foram realmente capazes

de identificar e separar os segmentos relativos s classes citadas.
Em algumas classes como Urbano e Rocha o erro aps a Fase 2 teve um ligeiro
acrscimo, possivelmente porque no havia dados de treinamento suficientes para estes
casos, ou ainda porque as regras elaboradas no so capazes de resolver as confuses
entre as classes para estes casos.
Observa-se pela Tabela 8 uma confuso grande entre Urbano e Campo Urbano e entre
Rocha e Campo mesmo aps a aplicao das regras.
As classes no afetadas pelo procedimento da segunda fase continuam
Classificao FASE 2 (%)
naturalmente com o mesmo erro de omisso.

Classificao de referncia
Campo
Floresta
Campo
gua
Campo
Floresta Urbano Rocha
Alagado
Urbana
Urbano
gua
Campo Alagado
Campo
Floresta Urbana
Floresta
Urbano
Rocha
Campo Urbano
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
Taxa de erro global, comparao Fase 1 e Fase 2
60,00%
50,00%
40,00%
30,00%
20,00%
10,00%
0,00%
Taxa global de erro
FASE2
44,32%
FASE1
55,48%
Grfico 3 Erro de classificao global aps a FASE 2. (resultado aps 20 execues)
O erro global de classificao teve um decrscimo significativo aps a incluso

das regras da segunda fase. Esse decrscimo est sem duvida ligado principalmente ao
incremento na taxa de reconhecimento na classe Floresta que representa uma grande
proporo dos segmentos .
5.4
Fase 3 Classificao multitemporal
A terceira Fase da classificao inclui o conhecimento multitemporal no

processo de interpretao, conforme o apresentado em sees anteriores. Os
experimentos realizados para esta fase compreendem 4 tarefas:
1. Construo do diagrama de transio,
2. Preparao dos dados,
3. No caso de conhecimento temporal nebuloso, estimativa das
possibilidades de transio, e
4. Avaliao de desempenho.
78
A primeira tarefa consiste em representar o conhecimento multitemporal atravs

de um diagrama que indica as transies de classes possveis em um determinado
intervalo de tempo.
O diagrama de transio para esse trabalho foi elaborado por um especialista
conhecedor da rea de teste. Devido ao grande nmero de classes da legenda nesse
trabalho, as transies so apresentadas na Tabela 9, onde a primeira coluna
corresponde classe em um instante anterior ao analisado (t-t), a segunda coluna ao
rtulo do arco da transio e a terceira coluna classe no instante analisado (t). Essa
tabela foi elaborada durante entrevistas com o especialista em classificao de imagens
de sensores remotos e com amplo conhecimento da rea de estudo e de sua dinmica ao
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
Aterramento natural, secagem de rios e

mananciais.
mananciais.
Aterramento urbano para construo
Campo Urbano
Aterramento urbano para construo
Campo Alagado
Campo
Urbano

mananciais.
Aterramento no natural seguido de construo.
Campo Urbano
Aterramento no natural.
10
Campo
11
Campo Alagado
Alagamento
12
Floresta
Crescimento de espcies arbreas
13
Urbano
Crescimento urbano
14
Campo Urbano
Crescimento urbano ao redor da rea
15
Floresta Urbana
16
Rocha
17
Urbano
Crescimento urbano ao redor da rea e ainda

crescimento de vegetao arbrea na rea.
Desmatamento ou deslizamento de rea de campo
sobre rocha
Crescimento urbano
18
Campo Urbano
Derrubada de rvores em reas urbanas
19
Floresta Urbana
20
Campo
Desmatamento
21
Floresta
22
Urbano
Desmatamento com crescimento urbano
23
Campo Urbano
24
Floresta Urbana
Desmatamento com crescimento urbano ao redor

da rea
Crescimento urbano ao redor da rea
25
Urbano
26
Campo urbano
27
Floresta Urbana
28
Campo Urbano
Desocupao urbana ou demolio para

construo o que causa uma resposta caracterstica
de campo
Desocupao urbana com replantio de espcies
arbreas
Desocupao urbana
29
Campo
Rocha
Acumulo de matria orgnica causa crescimento

de vegetao sobre rochas.
80
Classe
em t-1
Campo
Urbano
Classe em t
Transio
Causas
30
Rocha
31
Urbano
Crescimento urbano
32
Campo Urbano
33
Floresta Urbana
Crescimento de vegetao arbrea em reas de

campo urbano
Tabela 9 Transies entre classes para a rea de teste.
A partir da Tabela 9 possvel montar a matriz de transio crisp, que indica

transies possveis e impossveis com 1 e 0 respectivamente, como mostrado a
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
Semelhantemente, a matriz de transio nebulosa toma a seguinte forma:
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
Onde os parmetros no nulos so nmeros reais no intervalo (0,1].

As linhas correspondem ao instante anterior (t-t) e as colunas ao instante
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.
Configurao do sistema de otimizao baseado em algoritmos genticos

Cromossomo
27 genes ou parmetros a serem estimados

Nmeros reais entre 0 e 1
Funo de avaliao
Minimizar o erro mdio de omisso entre as classes
Tamanho da populao
100 ( populao inicial randmica)
Numero de geraes
100
Substituio por gerao
80%
Operaes de cruzamento
Crossover simples de um ponto

Crossover aritmtico
Operaes de mutao
Mutao simples
Creep Pequeno (0,2)
Creep Grande (0,8)
Os valores de possibilidade de transio estimados a partir dos dados de

treinamento foram ento aplicados aos dados de teste e o resultado final apresentado
nesse capitulo.
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
Erro mdio de omisso apos a inclusao o conhecimento multitemporal

crisp
100,0%
90,0%
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%
Grfico 4 Erro de classificao global aps a incluso de conhecimento multitemporal de

maneira CRISP. (resultado aps 20 execues)
Os resultados da incluso do conhecimento multitemporal crisp mostram um

aumento significativo de desempenho, ou seja, a diminuio do erro de omisso mdio
em cerca de cinco pontos percentuais. Algumas classes, como Floresta Urbana e Rocha
foram mais afetadas. Essas classes claramente se beneficiam de informao
multitemporal. No caso da Rocha, ela tende a no se alterar ao longo do tempo e no
caso de Floresta Urbana, que compreende parques e jardins, ocorre o mesmo.
Na mdia, no entanto, o erro de omisso cai significativamente aps a incluso
do conhecimento multitemporal, mesmo usando a modelo crisp.
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
Tabela 11 Matriz de transio nebulosa. Valores em zero indicam transies impossveis.
A funo objetivo do algoritmo gentico, conforme citado anteriormente, a

taxa mdia de acerto entre as classes. No Grfico 5 apresentado um exemplo retirado
dos experimentos realizados que retrata a evoluo do algoritmo gentico durante a sua
evoluo. Observa-se um incremento significativo na funo de avaliao a cada
gerao.
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
Grfico 5 Evoluo do algoritmo gentico durante a sua evoluo.
Erro mdio de omisso apos a inclusao do conhecimento multitemporal

nebuloso
100,0%
90,0%
80,0%
70,0%
60,0%
50,0%
40,0%
30,0%
20,0%
10,0%
0,0%
Agua
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%
Grfico 6 Avaliao do erro de omisso aps a incluso da informao multitemporal

nebulosa.
Observa-se pelo Grfico 6 que aps a incluso da informao multitemporal

nebulosa o erro mdio de omisso entre as classes tem um declnio significativo. A
maior parte das classes apresenta uma queda significativa no seu erro de omisso.
85
Se comparado com a Fase 1 a incluso do conhecimento multitemporal pode

oferecer uma queda de quase 17% em termos de erro de omisso. E em algumas classes
como Rocha essa queda pode chegar a cerca de 35%.
Nas classes Floresta e Urbano porm ocorre um ligeiro acrscimo no erro de
omisso. Esse fato pode estar relacionado com a escolha pelo especialista das transies
possveis.
Taxa de erro global, comparao Fase 1, Fase 2 e Fase 3
60,00%
50,00%
40,00%
30,00%
20,00%
10,00%
0,00%
Taxa global de erro
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.
O Grfico 7 mostra que apesar de todo o procedimento ser focado na diminuio

da taxa mdia de erro entre as classes, indicadores como a taxa global de acerto tambm
se comportam de maneira favorvel.
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
monotemporalcriado neste trabalho passvel de ser aperfeioado, e os experimentos

no permitem avaliar todo o potencial do mtodo de classificao estrutural.
Outro aspecto diz respeito dificuldade para a aquisio de conhecimento. A
modelagem de conhecimento atravs de regras se faz a partir sries de entrevistas com o
analista, num processo longo e trabalhoso, alm de estar sujeito impreciso inerente
subjetividade do processo de interpretao das imagens.
O conhecimento multitemporal, na forma em que foi apresentado neste trabalho,
, ao contrrio, fcil de se obter junto ao analista, j que se resume a discriminar entre
transies de classe possveis e impossveis.
Um outro comentrio se refere ao volume de dados necessrios para o ajuste dos
parmetros do modelo. O modelo de conhecimento requer uma imagem e a
correspondente classificao de referncia. O modelo multitemporal nebuloso requer
alm destas, ainda a classificao de uma imagem anterior da mesma rea. O mtodo
multitemporal crisp, no requer uma classificao anterior, j que no se estimam os
valores de possibilidade de transio, mas tem desempenho inferior ao do modelo
nebuloso.
Finalmente cabe mencionar que o mtodo multitemporal nebuloso, admite que
os valores de possibilidade de transio estvel ao longo do tempo. Esta uma
hiptese que no foi questionada neste trabalho e que no necessariamente se aplica a
todos os problemas de interpretao de imagens de sensores remotos.
87
6
Comentrios finais
O objetivo desse trabalho foi avaliar a contribuio de diversas formas de

conhecimento em um sistema automtico de classificao aplicado a imagens de
sensores remotos de alta resoluo. O conhecimento empregado foi dividido em trs
modalidades expressas em trs fases do processo de classificao. Na primeira houve o
emprego de classificao espectral; na segunda a incluso de informaes de contexto e
estruturais em conjunto com o conhecimento do especialista modelado por regras
nebulosas, e na terceira fase a incluso de conhecimento multitemporal por meio de
diagramas de transio de classes.

A incluso do conhecimento especfico, atravs de regras elaboradas pelo
especialista, ofereceu um ganho importante na taxa global de acerto. O modelo neurofuzzy para otimizao dos parmetros dessas regras mostrou-se eficiente.
A incluso de conhecimento multitemporal trouxe tambm um aumento do
desempenho da classificao. O ganho de desempenho obtido pela incluso do
conhecimento multitemporal foi, contudo, maior do que o ganho obtido pela incluso
do conhecimento monotemporal.
Cabe relevar que essa anlise est condicionada rea de estudo selecionada. A
rea do Parque da Pedra Branca sofre poucas alteraes em um intervalo de tempo
reduzido uma vez que uma rea de preservao ambiental. Com isso uma rea
pouco suscetvel a mudanas bruscas nas caractersticas de cobertura do solo, fato esse
que sem dvida aumenta o impacto do conhecimento multitemporal.
Os resultados mostram que o melhor desempenho foi alcanado quando foi
utilizado o conhecimento prvio envolvendo relativo a variveis espectrais e contextuais
em conjunto com o conhecimento multitemporal.
importante ressaltar que todos os procedimentos aqui abordados visam a
elaborao de um modelo de classificao para a rea de estudo analisada. Outras reas
podem vir a utilizar o mesmo mtodo de modelagem, porm as regras, como as da fase
2 ou o diagrama de transio da fase 3, so paraticulares para uma determinada rea de
estudo.
88
Vrios trabalhos podem ser desenvolvidos sobre a mesma temtica seguindo a

linha aqui proposta. Provavelmente o desempenho na primeira fase no aumentaria
muito qualquer que fosse a informao includa no classificador espectral
supervisionado. Isso pode ser justificado pela complexidade das classes da legenda e do
uso de imagens de alta resoluo.
Finalmente importante mencionar que no foi um objetivo central deste
trabalho construir um modelo de conhecimento contextual/espacial
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
se crie um conjunto de regras mais elababorado.
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
11 Rio de Janeiro (Estado) Secretaria Municipal de Meio Ambiente. Relatrio Tcnico,

SMAC. 2000. Mapeamento e caracterizao de usos das terras e cobertura vegetal
no municpio do Rio de Janeiro entre os anos de 1984 e 1999. Rio de Janeiro, 2000.
12 ANTUNES, A. F. Classificao de ambiente ciliar baseada em orientao a
objetos em imagens de alta resoluo. Curitiba, 2003. Tese ( Ps Graduao em
Cincias Geodsicas 0) - Universidade Federal do Paran.
13 CAMPBEL, J.B. Introduction to Remote Sensing. 3.ed. New York: Guilford
Publications, 2002. 621p. ISBN 1572306408
14 RST - The Remote Sensing Tutorial. Disponvel em:
<http://rst.gsfc.nasa.gov/Homepage/Homepage.html> Acesso em: 01 jul. 2005.
15 LILLESEND, T.M.; KIEFER, R.W. Remote Sensing and Image Interpretation.
4th ed., New York: Wiley , 1999. ISBN: 0471255157
16 SPACE IMAGING WEB SITE. Informaes sobre o sensor IKONOS. Disponvel
em: < http://www.spaceimaging.com/ >. Acesso em: 20 jul. 2005.
17 CIVCO, D.L. Topographic normalization of Landsat Thematic Mapper digital

imagery, Photogrammetric Engineering and Remote Sensing, v. 55, n. 9, p.
1303-1309, 1989.
18 MATHER, P.M. Computer processing of remotely sensed images. John Wiley and
Sons Ltd. 1987. ISBN: 0471906484.
19 RICHARDS, J.A.; JIA, X. Remote Sensing Digital Image Analysis : An
Introduction, 4th ed, Springer, 2005. ISBN: 3540251286.
20 HAYKIN, S. Redes Neurais: Princpios e prticas. 2. ed. Porto Alegre: Bookman,
2001. ISBN: 85-7307-718-2.
21 ELKAN, C.; BERENJI, H.R.; CHANDRASEKARAN, B.; SILVA, C.J.S.;
ATTIKIOUZEL, Y.; DUBOIS, D.; PRADE, H.; SMETS, P.; FREKSA, C.;
GARCIA, O.N.; KLIR, G.J.; Bo YUAN; MAMDANI, E.H.; PELLETIER, F.J.;
RUSPINI, E.H.; TURKSEN, B.; VADIEE, N.; JAMSHIDI, M.; Pei-Zhuang
WANG; Sie-Keng TAN; Shaohua TAN; YAGER, R.R.; ZADEH, L.A. The
paradoxical success of fuzzy logic. IEEE Expert, v.9, n. 4, p.3-49, ago. 1994.
22 JANG, J.-S. R., ANFIS: Adaptive-Network-based Fuzzy Inference Systems. IEEE
Transactions on Systems, Man, and Cybernetics, v. 23, n. 3, p. 665-685, mai.
1993.
23 CHEN, Mu-Song. A comparative study of learning methods in tuning parameters of
fuzzy membership functions. In: 1999 IEEE International Conference on Systems,
Man, and Cybernetics, 12-15 Oct. 1999. IEEE SMC '99 Conference Proceedings,
v. 3, p.40-44, oct. 1999.
24 SUGENO, M., Industrial applications of fuzzy control, Elsevier Science Pub. Co.,
1985.
25 SVIREZHEV, Yu.M.; PASSEKOV, V.P. Fundamentals of Mathematical
Evolutionary Genetics, Londres: Kluwer Academic Publisher, Mathematics and
Its Applications (Soviet Series), v. 22, 1989.
26 MICHALEWICZ, Z., Genetic Algorithms + Data Structures = Evolution
Programs, 3rd ed., Springer, 1998. ISBN: 3540606769.
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.
31 BEUCHER, S. The watersheds transformation applied to image segmentation. In:

1Oth Pfefferkorn Conf. on Signal and Image Processing in Microscopy and
Microanalysis, Cambridge, UK, Sept. 16-19 1991. Scanning Microscopy
International 6, p. 299-314.
32 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, Feb. 2001.
33 MEINEL G., NEUBERT M. A comparison of segmentation programs for high
resolution remote sensing. In: XXth Congress of the International Society for
Photogrammetry and Remote Sensing, Istanbul. International Archives of
Photogrammetry and Remote Sensing, v. 35, Part B, p. 1097-1105, 2004.
34 BAATZ, M.; SCHPE, A. Multiresolution Segmentation: an optimization approach
for high quality multi-scale image segmentation. In: Angewandte Geographische
Informationsverarbeitung XII, eds. Strobl, J., Blaschke, T.& Griesebner, G.
Wichmann-Verlag: Heidelberg. Proceedings of Angewandte Geographische
Informationsverarbeitung XII, p. 12-23, 2000. Disponvel em:
<http://www.agit.at/papers/2000/baatz_FP_12.pdf >
35 DEFINIENS e-Cognition Professional, version 4.0: multiscale image interpretation
software. DEFINIENS IMAGING, 2004. Manual disponvel em:
<http://www.definiens-imaging.com/>.
36 BARALDI, A.; PARMIGGIANI, F. An Investigation of the Textural Characteristics
Associated with Gray Level Cooccurrence Matrix Statistical Parameters. IEEE
Transactions on Geoscience and Remote Sensing, v. 33, n. 2, p. 293 303, Mar.
1995.
37 HARALICK, R.M.; SHANMUGAM, K.; DINSTEIN, J. Textural features for image
classification. IEEE Transactions on System, Man and Cybernetics, v. 3, n. 6, p.
610-621, Nov. 1973.
38 MASUOKA P.M. Use of IKONOS and LANDSAT for malaria control in the
Republic of Korea. Remote Sensing of Environment 88, p. 187194, 2003.
39 JENSEN, J.R.; Introductory Digital Image Processing: A Remote Sensing
Perspective, 2nd ed. Upper Saddle River, NJ: Prentice-Hall, 1996.
92
40 SHACKLFORD, A.K.; DAVIS, C.H. A Hierarchical FUZZY Classification

Approach for High-Resolution Multispectral Data Over Urban Areas, IEEE
Transactions on Geosciences and Remote Sensing, v. 41, p.2354-2363, Sept.
2003.
41 MELGANI, F.; Al HASHEMY, B.A.R.; TAHA, S.M.R. An explicit FUZZY
supervised classification method for multispectral remote sensing images, IEEE
Transactions on Geosciences and Remote Sensing, v. 38, p.287-295, Jan. 2000.
42 SHACKLFORD, A.K., DAVIS, C.H. A fuzzy classification approach for highresolution multispectral data over urban areas, In: IGARSS 2002 - International
Geoscience And Remote Sensing Symposium, Toronto, ON, Canada, June 24-28,
2002. Proceedings of IGARSS 2002, v. 2, p. 1621-1623, Jun. 2002.
43 BINAGHI, E.; GALLO, I.; PEPE, M. A cognitive Pyramid for Contextual

Classification of Remote Sensing Images, IEEE Transactions on Geosciences
and Remote Sensing, v. 41, p.2906-2922, Dec. 2003.
44 SUGUMARAN, R.; PAVULURI, M.K. The Use of High-Resolution Imagery for
Identification of Urban Climax Forest Species Using Traditional and Rule-Based
Classification Approach, IEEE Transactions on Geosciences and Remote
Sensing, v. 41, p.1933-1939, Sept. 2003.
45 SHISONG Y.; CHIH-CHENG, H. Texture classification in remotely sensed images,
In: IEEE Southeast Conference. 5 7 April 2002, Columbia, SC. Proceedings of
IEEE Southeast p. 62 66, Apr. 2002.
46 LELONG, C.C.D.; THONG-CHANE, A. Application of textural analysis on very
high resolution panchromatic images to map coffee orchards in Uganda, In:
IGARSS 2003 - International Geoscience And Remote Sensing Symposium, July
21-25 2003. Proceedings of IGARSS 2003, v. 2, p. 1007 1009, 2003.
47 PESARESI, M. Textural classification of very high-resolution satellite imagery:
Empirical estimation of the interaction between window size and detection
accuracy in urban environment, In: ICIP99 - International Conference on Image
Processing, Kobe, 24-28 Oct. 1999. Proceedings of ICIP99, Kobe , v. 1, p. 114
118, Oct. 1999.tober 1999, Vol.1, 25AP3.3, pp.114-118
48 BENEDIKTSSON, J.A.; SWAIN, P.H.; ERSOY, O.K. Neural Network Approaches
Versus Statistical Methods In Classification Of Multisource Remote Sensing data.
IEEE Transactions on Geosciences and Remote Sensing, v. 28 , n. 4 , p. 540
552, jul. 2003.
49 HERRIES, G.M.; SELIGE, T.M. Characterization of agricultural land using signal
processing and cognitive learning techniques. In: IGARSS 1997 - International
Geoscience And Remote Sensing Symposium, Toronto, ON, Canada, August 3-8,
1997. Proceedings of IGARSS 1997, v. 2, p. 1032 1034, Ago. 1997.
50 BENEDIKSSON, J.A.; SVENSSON, J.R.; AMASON, K. Classification and feature
extraction of AVIRIS data. IEEE Transactions on Geosciences and Remote
Sensing, v. 33 , n. 5 , p. 1194 1205, Sept. 1995.
51 LEE, C.; LANDGREBE, D.A. Feature extraction based on decision boundaries.
IEEE Transactions on Pattern Analysis and Machine Intelligence, v. 15, n. 4 ,
pp. 388 400, Apr. 1993.
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.
56 REGO, L.F.G.; KOCH, B. Automatic classification of land cover with high

resolution data of the Rio de Janeiro City Brazil, In: 2nd GRSS/ISPRS Joint
Workshop on Remote Sensing and Data Fusion over Urban Areas, Berlin,
Germany, 22-23 Mai. 2003. Proceedings of 2nd GRSS/ISPRS Joint Workshop on
Remote Sensing and Data Fusion over Urban Areas, p. 172 176, Mai. 2003.
57 REGO, L.F.G. Automatic land-cover Classification Derived from High-Resolution
IKONOS Satellite Image in the Urban Atlantic Forest in Rio de Janeiro, Brazil, by
Means of an Objects-Oriented Approach, Ph.D. Thesis, Universitat Freiburg
(Germany)
58 KRESSLER, F.P.; KIM Y.S.; STEINNOCHER, K.T. Object-oriented land cover
classification of panchromatic KOMPSAT-1 and SPOT-5 data. In: IGARSS 2003 International Geoscience And Remote Sensing Symposium, Jul. 21-25 2003.
Proceedings of IGARSS 2003, v. 6, p.3471 3473, 2003.
59 KRESSLER, F.P.; BAUER, T.B.; STEINNOCHER, K.T. Object-oriented per-parcel
land use classification of very high resolution images. In: IEEE/ISPRS Joint
Workshop on Remote Sensing and Data Fusion over Urban Areas, nov. 8-9 2001.
Proceedings of IEEE/ISPRS Joint Workshop on Remote Sensing and Data
Fusion over Urban Areas, p.164 167, Nov. 2001.
60 CORR, D.G.; WALKER, A.; BENZ, U.; LINGENFELDER, I.; RODRIGUES, A.
Classification of urban SAR imagery using object oriented techniques. In: IGARSS
2003 - International Geoscience And Remote Sensing Symposium, July 21-25
2003. Proceedings of IGARSS 2003, v. 1, p. 188 - 190, 2003.
61 HONG, S.; FUKUE, K.; SHIMODA, H.; SAKATA, T. Multitemporal Satellite
Images for Land Cover Classification. In: IGARSS 1991 - International
Geoscience And Remote Sensing Symposium. Proceedings of IGARSS 1991, p.
1831-1834, 1991.
62 KUSHARDONO, D.; FUKUE, K.; SHIMODA, H.; SAKATA, T. Comparison of
Multi-Temporal Image Classification Methods. In: IGARSS 1995 - International
Geoscience And Remote Sensing Symposium, Jul. 10-14 1995. Proceedings of
IGARSS 1995, v. 2, p. 1282-1284, 1991.
63 FUJIMURA, S.; KIYASU, S. Classification of Terrain Objects using HyperDimensional (Multi-Temporal Multi-Spectral) Images Through Purpose-Oriented
94
Feature Extraction. In: IGARSS 1999 - International Geoscience And Remote

Sensing Symposium, Jun 28-Jul 02 1999. Proceedings of IGARSS 1999,v. 2, p.
1192-1194, 1988.
64 KAMATA, S.-I.; NIJIMI, M.; KAWAGUCHI, E. A multi-temporal classification of
multi-spectral images using a neural network. In: 12th IAPR International
Conference on Pattern Recognition, out. 9-13 1994. Proceedings of the 12th IAPR
International, v. 2, p. 470 472, 1999.
65 KAMATA, S.-I; KAWAGUCHI, E. A Neural Net Classifier for Multi-Temporal
LANDSAT Images Using Spatial and Spectral Information. In: International Joint
Conference on Neural Networks, 1993. Proceedings of 1993 International Joint
Conference on Neural Networks, p. 2199-2202, 1993.
66 JEON, B.; LANDGREBE, D.A. Classification with spatio-temporal interpixel class
dependency contexts. IEEE Transactions on Geosciences and Remote
Sensing, v. 30, n. 4, p. 663 672, Jul. 1992.
67 MLLER, S.; MOTA, G.L.A.; LIEDTKE, C.-E. Multitemporal Interpretation of

Remote Sensing Data. In: XXth ISPRS Congress, Jul. 12-23 2004 Istanbul, Turkey.
Proceedings of ISPRS. v. 35, part B4, p. 1244-1248, 2004.
68 MOTA, G.L.A. Knowledge-based Interpretation of Multitemporal Low
Resolution Satellite Images. Rio de Janeiro, 2004. 206p. Ph.D Electrical
Engineering Thesis - Pontifical Catholic University of Rio de Janeiro, Rio de
Janeiro, Brazil.
69 CAMPOS, V.O.; FEITOSA, R.Q.; MOTA, G. L.A.; PACHECO, M A.C.;
COUTINHO, H.L.C. Um Mtodo para Modelagem do Conhecimento
Multitemporal no Processo de Classificao Automtica de Imagens de Sensores
Remotos. In: XII SBSR Simpsio Brasileiro de Sensoriamento Remoto, Goinia,
GO, Brazil, Abr. 16-21 2005. Revista Brasileira de Cartografia, No 57/01, 2005.
p. 28-35. ISSN 1808-0936. Disponvel em:
<http://www2.prudente.unesp.br/rbc/_2005/57_1_05.htm>. Acesso em 23 de maio
de 2005.
70 CAMPOS, V. O.; FEITOSA, R. Q.; MOTA, G. L. A.; PACHECO, M A.C.;
COUTINHO, H. L. C; Um mtodo para modelagem de conhecimento
multitemporal no processo de classificao automtica de imagens de sensores
remotos. In: Simpsio Brasileiro de Sensoriamento Remoto, 12. (SBSR), 16-21
Abr. 2005, Goinia. Anais XII Simpsio Brasileiro de Sensoriamento Remoto,
So Jos dos Campos: INPE, 2005a. Artigos, p. 4021-4028. CD-ROM.
71 LEICA GEOSYSTEMS, ERDAS Imagine, version 8.7: geographic imaging
software. [S.I.] Leica Geosystems GIS & Mapping, 2003.

Classificação Baseada em Conhecimento

Enviado por

Dados do documento

Título original

Direitos autorais

Formatos disponíveis

Compartilhar este documento

Compartilhar ou incorporar documento

Opções de compartilhamento

Você considera este documento útil?

Este conteúdo é inapropriado?

Direitos autorais:

Formatos disponíveis

Classificação Baseada em Conhecimento

Enviado por

Direitos autorais:

Formatos disponíveis

A-PDF Merger DEMO : Purchase from www.A-PDF.

com to remove the watermark

PUC-Rio - Certificao Digital N 0321207/CD

Thiago Broerman Cazes

Interpretao Baseada em Conhecimento de

Rio de Janeiro, 09 de Setembro de 2005

Thiago Broerman Cazes

PUC-Rio - Certificao Digital N 0321207/CD

Interpretao Baseada em Conhecimento

Dr. Raul Queiroz Feitosa

Dr. Luiz Felipe Guanaes Rego

Dra. Marley Maria Bernardes Rebuzzi Vellasco

Dr. Herman Johann Heinrich Kux

Prof. Jos Eugenio Leal

Rio de Janeiro, 09 de setembro de 2005

Todos os direitos reservados. proibida a reproduo total ou

Thiago Broerman Cazes

PUC-Rio - Certificao Digital N 0321207/CD

Graduao em Engenharia Eltrica com nfase em Sistemas e

PUC-Rio - Certificao Digital N 0321207/CD

Ao meu orientador Prof. Raul Queiroz Feitosa;

Cazes, Thiago Broerman; Feitosa, Raul Queiroz . Interpretao Baseada em

A cada dia mais e mais satlites de alta resoluo tm se tornado disponveis,

PUC-Rio - Certificao Digital N 0321207/CD

classificao baseado no conhecimento do especialista aplicado a imagens de alta

Cazes, Thiago Broerman; Feitosa, Raul Queiroz (Advisor). Knowledge-based

PUC-Rio - Certificao Digital N 0321207/CD

To validate the proposed model

PUC-Rio - Certificao Digital N 0321207/CD

Estado da arte em classificao de imagens de alta resoluo

5.3.1 Atributos utilizados na classificao estrutural

PUC-Rio - Certificao Digital N 0321207/CD

Figura 1 Exemplo da influncia da refletncia e do comprimento de onda em

Figura 2 resposta espectral relativa ao comprimento de onda na banda pancromtica

Figura 3 resposta espectral relativa, conforme o comprimento de ondas para o sensor

Figura 4 Representao do problema da topografia em captura de imagens de sensores

PUC-Rio - Certificao Digital N 0321207/CD

Figura 5 Modelo de neurnio artificial no linear [22]

Figura 6 Funes de ativao: (a) tangente hiperblica sigmide (tansig) e (b)

Figura 8 Representao de um individuo e genes em algoritmos genticos

Figura 9 demonstrao do operador gentico de crossover simples de um ponto.

Figura 10 Modelo de interpretao baseado em conhecimento para imagens de alta

Figura 11 - diagrama detalhado do procedimento de interpretao na fase 2.

Figura 12 Exemplo de diagrama de transio de estados para 4 classes

Figura 13 Mapa representativo do Parque Estadual da Pedra Branca localizado no sul

Figura 14 Imagem IKONOS Multiespectral (4m de resoluo) da rea do Parque

Figura 16 Detalhe da rea marcada em azul na Figura 14. Destaque na banda

Figura 19 Foto do Parque Nacional da Pedra Branca; detalhe da expanso urbana

Figura 22 Comparao entre as segmentaes em uma rea da imagem selecionada; a)

PUC-Rio - Certificao Digital N 0321207/CD

Figura 23 - Classificao Visual da imagem IKONOS de 2001.

Tabela 1 Caractersticas da legenda utilizada no processo de classificao.

Tabela 3 Nmero de segmentos gerados por classe da legenda (imagens de 1999 e

PUC-Rio - Certificao Digital N 0321207/CD

2001, percentual de mudana em relao ao ano de 1999.

Tabela 6 Matriz de confuso da classificao espectral da imagem de 2001 aps a

Tabela 8 Matriz de confuso de uma classificao tpica aps a Fase 2. Resultado

Tabela 9 Transies entre classes para a rea de teste.

Tabela 10 Configurao dos sistemas neuro-fuzzy.

Tabela 11 Matriz de transio nebulosa. Valores em zero indicam transies

Grfico 1 Taxa de erro mdio de omisso por classe aps a classificao

Grfico 3 Erro de classificao global aps a FASE 2. (resultado aps 20 execues)

PUC-Rio - Certificao Digital N 0321207/CD