Capitulo F

Guia do ENVI em Portugus
F: Classificao
A classificao de objetos ou fenmenos feita pela escolha das caractersticas que os
descrevem para diferenci-los entre si. Na definio matemtica, usa-se o espao de
atributos ("feature space"), que essencial para se entender como funciona a
classificao de imagens multiespectrais. No processamento digital, a cada eixo desse
espao so atribudos os nveis de cinza de uma determinada banda espectral.
Os mtodos de classificao se dividem basicamente em duas categorias: a classificao
supervisionada e a no-supervisionada. Nesta segunda no h qualquer conhecimento
prvio do classificador sobre os atributos das classes pertinentes a cena, enquanto que
na classificao supervisionada, o classificador orienta sua busca de classes a partir de
amostras de treinamento feitas anteriormente com as classes de interesse da cena.
Alguns dos algoritmos clssicos, tanto de classificao no-supervisionada quanto
supervisionada, so descritos a seguir.
1. Classificao no-supervisionada
1.1. Isodata
O mtodo de classificao isodata , provavelmente, o mais conhecido e descrito como
um meio de interpretao de imagens de sensoriamento remoto assistida por computador.
O programa de classificao identifica padres tpicos nos nveis de cinza. Esses padres
so classificados efetuando-se visitas de reconhecimento a alguns poucos exemplos
escolhidos para determinar sua interpretao. Em razo da tcnica usada nesse
processo, os padres so geralmente referidos como "clusters" (agrupamentos ou
nuvens) (Eastman, 1994, p. 104). Neste tipo de classificao, as classes so
determinadas pela anlise de agrupamentos ("cluster analysis").
Vantagens
No requer um conhecimento prvio
da rea de estudo
Desvantagens
O usurio tem pouco controle sobre a
separao entre classes.
Determinao do nmero de classes.
Podemos dizer que, no caso das classificaes no-supervisionadas, quanto maior a

heterogeneidade das amostras, maior a certeza de que todas as classes possveis
estaro representadas (Novo, 1988, p. 285). Os pixels nas reas de treinamento so,
ento, submetidos a algoritmos de agrupamento ("clustering"), que determinam o
agregamento natural dos dados, considerando sua distribuio num espao de n
dimenses (no caso, bandas espectrais).
SulSoft Servios de Processamento de Dados Ltda. - Todos os direitos reservados
Selecione, dentro do menu principal, a cadeia de comandos Classificao No

Supervisionada IsoData .
Aparece a caixa de dilogo do arquivo de entrada para a classificao (Figura 1).
Nmero de classes
O usurio precisa determinar o nmero de classes para as quais o computador deve
calcular o algoritmo de grupamento. O valor padro de cinco classes.
Nmero de iteraes (repeties do processo)
A cada iterao, recalculam-se e reclassificam-se os pixels, considerando-se os novos
valores mdios. Alm disso, o usurio pode determinar o desvio padro e o erro de
distncia mnima.
Figura F 1: Caixa de dilogo dos parmetros da

classificao isodata.
Clique no boto "OK" para aceitar os parmetros da classificao isodata.
Para maiores detalhes tcnicos, consulte a bibliografia Tou, J. T. and R. C. Gonzalez,

1974. Pattern Recognition Principles, Addison-Wesley Publishing Company,
Reading, Massachusetts.
1.2. K-Means
O ENVI tambm oferece o mtodo K-Means para realizar classificaes no
supervisionadas. O Mtodo K-Means calcula inicialmente as classes distribuindo em uma
classe uniformemente no espao e ento aglomera classe por classe em um processo
iterativo usando a tcnica de distncia mnima. Melhor ser a classificao quanto melhor
for agrupada a nuvem de pixels. A classificao estar pronta quando o nmero de
iteraes definido pelo usurio for concludo, ou quando for alcanado o critrio de
nmero de pixels que mudam de classe (Change Threshold); por exemplo, se
escolhermos 5%, e, se menos de 5% dos pixels migrarem de uma classe para a outra, o

critrio estar alcanado. Para maiores detalhes tcnicos, consulte a bibliografia Tou, J.
T. and R. C. Gonzalez, 1974. Pattern Recognition Principles, Addison-Wesley
Publishing Company, Reading, Massachusetts.
Selecione, no menu principal, a cadeia de comandos Classificao No

Supervisionada K-Means
Selecione o arquivo desejado, clique em OK e aparecer a janela K-Means

Parameters (Figura 2)
Figura F 2 : Caixa de
dilogo dos parmetros da
classificao K-Means
Preencha todos os parmetros e clique em OK. O resultado aparecer na lista de

bandas disponveis
2. Classificaes supervisionadas
O princpio de classificao supervisionada baseado no uso de algoritmos para se
determinar os pixels que representam valores de reflexo caractersticos para uma
determinada classe. A classificao supervisionada a mais utilizada na anlise
quantitativa dos dados de sensoriamento remoto.
Etapas de uma classificao supervisionada:
1. Definio das classes nas quais a imagem vai ser dividida (por exemplo: gua,
floresta, floresta degradada, agricultura, pasto, reas urbanas, solo puro, rochas).
Ferramentas de auxlio: Dispersograma Bi-dimensional (Tutorial B), Visualizador
N-Dimensional (Captulo 3)

2. Escolha de amostras de treinamento para cada classe pelo uso de mapas
topogrficos, aerofotos, trabalho de campo, etc. e controle com a ajuda de
avaliaes estatsticas. O conjunto dos pixels que fazem parte de uma classe
chama-se assinatura da classe. Ferramentas de auxlio: Mdulo de Regio de
Interesse (Tutorial C)
3. Aplicao de um algoritmo de classificao em que
todos os pixels so classificados conforme o mtodo
estatstico escolhido (por
exemplo, Mtodos do
Paraleleppedo, Mnima
Distncia, Mapeador de
ngulo
espectral
("Spectral
Angle
Mapper", SAM), Mxima
Verossimilhana).
Valores de cinza dos pixels
4. Homogeneizao
do
resultado
de Figura F 3: Exemplo de valores de cinza em todas as bandas
do sensor LANDSAT TM (Gegg, 1989, p. 16).
classificao
com
passos de filtragens,
tais como aglutinao ("clump") e peneiramento ("sieve").
5. Vetorizao dos contornos e produo de mapas temticos com o resultado da
classificao.
A interpretao visual limitada observao de apenas trs bandas, enquanto as
classificaes automticas so aplicadas a qualquer nmero de bandas que se queira.
A Figura F-3 mostra que um pixel caracterizado por um nvel de cinza prprio em cada
banda disponvel.
Considerando-se que os nveis de

cinza da classe "gua encontramse, na banda 1, no intervalo entre
15 e 25 e, na banda 4, entre 80 e
120, podemos classificar um pixel
de valor de cinza de 18 na banda
1 e de 120 na banda 4, para
classe "gua". Esse exemplo
mostra que o tempo de
computao aumenta quanto
maior o nmero de classes e de
bandas.Nas classificaes
supervisionadas, se est em
constante interao com o
processo de anlise. Selecionam-
Figura F4: Esquema de classificao automtica

(Lillesand e Kiefer, 1987, p. 687).

se reas de treinamento ou amostra de treinamento
("training areas") da imagem como parmetros para a classificao.
As reas de treinamento representam o comportamento mdio das classes que devero
ser mapeadas automaticamente (Novo, 1988, p. 283).
Todos os pixels dentro de uma rea de treinamento para uma dada classe constituem o
chamado conjunto de treinamento para aquela classe (Crsta, 1993, p. 115). A Figura
F-4 descreve os passos de uma classificao automtica. O resultado final uma imagem
de uma s banda. Para facilitar a interpretao visual, deve-se colorir o resultado da
classificao.
2.1. Mtodo do paraleleppedo

O mtodo do paraleleppedo considera uma rea no espao de atributos ao redor do
conjunto de treinamento. Essa rea tem a forma de um retngulo, definindo os nveis de
cinza mximo e mnimo do conjunto de treinamento. Os lados desse retngulo, que inclui
uma classe prpria, chamam-se os limites de deciso dessa classe. Os pixels que
excedem os limites de deciso, como os pixels nas reas de inseparabilidade,
apresentam problemas na sua distribuio em uma classe (Figura F-5). A correlao
normalmente existente entre bandas vai causar uma distribuio ao longo da reta de 45
no espao de atributos e os limites de deciso vo sempre abranger alguns pixels no
pertencentes classe (Crsta, 1993, p. 117).
Figura F-5: Esquema de classificao

paraleleppedo (Fonte: Richards, 1993, p.193).
por
Definio das amostras de treinamento

A determinao das amostras de treinamento pressupe bons conhecimentos em
interpretao de imagens de satlites. Alm disso, o uso de outras fontes de informao,
como mapas, aerofotos, e tambm de dados estatsticos, ajudam a avaliar se a classe
definida nas amostras de treinamento corresponde, de fato, superfcie natural. Na
prtica, escolhem-se as amostras de treinamento em vrias bandas.
Determine as amostras de treinamento em uma imagem favorvel (9 ou 10

classes) com Regio de Interesse.
Clique com o boto direito do mouse sobre a imagem e selecione a opo ROI
Tool.. no menu de atalho
Clique no boto "New Region" e inicie a definio de um polgono em uma classe

reconhecida na imagem escolhida.
Na janela de controle de regies de interesse (Figura F-6), aparece esta nova

regio.
Determine um nome, a cor e o tipo de preechimento da ROI clicando no boto

Edit da janela ROI Tool.
Ao mesmo tempo, a regio aparece sobre a imagem associada, na cor escolhida. Repita
esse passo para cada classe que se deseje implementar no algoritmo de classificao. O
nome do arquivo de sada deve ter extenso .roi.
Figura F 6: Definio de amostras de

treinamento.
A seleo de amostras de treinamento foi padronizada, o que torna possvel a aplicao

das mesmas amostras em vrias classificaes sem a necessidade de recarreg-las. Isto
simplifica a comparao dos resultados das classificaes.
Selecione a cadeia de comandos "Classificao - Coleo de Amostras".

Determine as bandas de entrada na caixa de dilogo "Classification Input File".
Clique "OK". Selecione o algoritmo de classificao no menu "Algorithm", na janela
"Endmember Collection:...", assim como o arquivo espectral no menu sob o item

"Import Spectral Library": se arquivo ASCII, regio de interesse (ROI), biblioteca
espectral ou estatstico. Por fim, clique no boto "Apply".
A Tabela 1 mostra os canais do LANDSAT 5 e as qualidades de cada banda para
interpretao visual.
Tabela 1. Aplicaes das bandas do LANDSAT 5 (Lillesand & Kiefer, 1979, p. 567).
Banda
Espectro
Comprimento de
Onda
TM 1
azul (VIS)
0,45 - 0,52
TM 2
verde (VIS)
0,52 - 0,60
TM 3
vermelho (VIS)
0,63 - 0,69
TM 4
NIR
0,76 - 0,90
TM 5
MIR
1,55 - 1,75
TM 6
TIR
10,4 - 12,5
TM 7
MIR
2,08 - 2,35
Aplicaes
- Boa penetrao na gua (mapeamento do
litoral) Distino solo / vegetao
- Reflexo mxima no espectro verdeDeterminao da vitalidade da vegetao
- Absoro alta de clorofila
- Distino solo / vegetao
- Diferena dos tipos de trigo
- Reflexo alta da vegetao
- Determinao da massa orgnica
- Distino terra / gua
- Absoro mnima da gua
- Determinao do contedo de gua no solo
e na
- Vegetao
- Distino nuvem / neve
- Aplicaes geolgicas
- Determinao de temperatura e umidade
das superfcies terrestres
- Anlise de "stress" da vegetao
- Distino cidade / campo
- Aplicaes geolgicas
- Diferena entre os minerais e rochas
- Determinao do contedo de gua no solo
e na vegetao
Etapas para a classificao

por paraleleppedo
Selecione a cadeia de
comandos Classificao
Supervisionada
Paraleleppedo ".
Aps selecionar, na caixa

de dilogo, um arquivo de
entrada
de
imagem,
Figura F 7: Caixa de dilogo de parmetros da
aparece uma outra caixa
classificao por paraleleppedo.
onde se definem os
parmetros
de
classificao pelo mtodo do paraleleppedo (Figura F-7). Clique em OK.
Definio de mscara
Tornou-se possvel a eliminao de reas especficas dos processos de classificao por
meio de imagem-mscara (ver Cap. Ferramentas).
Visualizar o resultado da classificao
Quando termina o clculo de classificao por paraleleppedo, o resultado aparece
automaticamente na lista das bandas disponveis. Note que o resultado da classificao
uma imagem s, que carregada em modo "Gray Scale" (imagem em tons de cinza).
2.2. Mtodo da distncia mnima

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

Mnima ".
Note que os passos da classificao so os mesmos que foram apresentados para

classificao no mtodo de paraleleppedo. A nica diferena encontra-se na caixa
de dilogo de definio dos parmetros, onde pode-se determinar um erro de
distncia mxima a ser aplicado para classificar a imagem.
Use o mesmo arquivo de regio de interesse que foi usado anteriormente para a
classificao por paraleleppedo e inicie a classificao pela distncia mnima.
Examine as estatsticas das regies de interesse para determinar o desvio padro
e o erro de mxima distncia.
2.3. Mtodo da mxima verossimilhana (Maxver)

A classificao Maxver a classificao supervisionada mais aplicada no tratamento de
dados adquiridos por satlites. Este mtodo baseado no princpio de que a classificao
errada de um pixel particular no tem mais significado do que a classificao errada de
qualquer outro pixel na imagem (Richards, 1993, p. 321). O usurio determina a
significncia nos erros de atributos especificados para uma classe em comparao a
outras. Por exemplo, tendo-se duas subclasses da classe "trigo", seria mais aceitvel
classificar um pixel particular na subclasse "milho" para a subclasse "cevada" do que para
a classe "gua".

A eficcia do Maxver depende, principalmente, de uma preciso razovel da estimativa do
vetor mdio (m) e da matriz de covarincia (S) de toda classe espectral. Isso depende da
quantidade de pixels includos nas amostras de treinamento.
Sendo x o vetor correspondente ao um pixel nas N classes envolvidas, o vetor mdio dos
pixels pertencentes a uma classe dado por:
onde K o nmero de pixels na classe e E(x) a esperana de x, uma notao estatstica

para estimar a mdia de x.
J a matriz de covarincia ser dada por
Cada amostra de treinamento representada por pixels com reflexo caracterstica e vale
como rea de referncia dos nveis de cinza da classe. O resultado do Maxver melhor
quanto maior o nmero de pixels numa amostra de treinamento para implement-los na
matriz de covarincia. Se os tamanhos das amostras de treinamento para as classes
limitado, recomenda-se um mtodo de classificao mais simples e rpido, que no use
uma matriz de covarincia (p.ex.: mtodo da distncia mnima ou do paraleleppedo).
Nas classificaes em que se usa o algoritmo Maxver, cada classe determinada por um
modelo de classes normal e multivariado. Este modelo toma conta das extenses de
dados em direes espectrais determinadas.
Crsta (1993, p. 123) considera que o mtodo Maxver deve ser aplicado quando o
analista conhece bem a imagem a ser classificada, para que possa definir classes que
sejam representativas.
Selecione, dentro do menu principal, a cadeia de comados Classificao

Supervisionada Mxima Verossimilhana".
Ao contrrio das classificaes mostradas acima, a possibilidade de se digitar um valor

para o desvio padro substitudo pela caixa de texto rotulada "Image Threshold". Digite
um valor entre 0 e 1 para controlar a probabilidade dos parmetros da classificao
Maxver.
2.4. Mapeador de ngulo espectral ("Spectral Angle Mapper", SAM)

O SAM um mtodo de classificao que usa o ngulo entre as amostras de treinamento
no espao de n-dimenses para determinar os pixels para uma determinada classe. O
algoritmo determina a similaridade espectral entre dois espectros e calcula o ngulo entre
eles. Os ngulos so tratados como vetores no espao n-dimensional (Figura F-8).
Esta tcnica possui a grande vantagem de os espectros ("endmembers") no serem muito
sensveis aos efeitos da iluminao e do albedo. Arquivos em formato ASCII, curvas

espectrais da biblioteca espectral e, tambm, regies de interesse podem ser usados
como entrada da classificao. ngulos menores representam relaes mais prximas ao
espectro de referncia. Pixels fora do ngulo mximo definido no so classificados.
Banda I
Material A
ngulo
Espectral
Material B
Banda J
Figura F 8: Exemplo de SAM bidimensional.
A aplicao do SAM considera dados reduzidos reflectncia aparente (reflectncia

original multiplicada por alguns fatores de
ganho no conhecidos, que dependem da
topografia e da sombra). O SAM s usa a
direo dos vetores, e no o seu mdulo, o que
significa que todas as iluminaes possveis
so tratadas da mesma maneira. A cor de um
material definida pelo seu vetor prprio.
Selecione, no menu principal, a cadeia

de comandos Classificao
Supervisionada Spectral Angle
Mapper
Depois de selecionar no dilogo arquivo

de entrada de uma imagem, aparece um
outro dilogo para a definio dos
parmetros de classificao pelo SAM
(Figura F-9).
Defina as regies de interesse.. Examine

as estatsticas das regies de interesse
para determinar o desvio padro e o erro
Figura F 9: Caixa de dilogo do

conjunto de espectros do SAM.
10

de mxima distncia.
Note que as regies de interesse tambm podem ser extradas pelos dispersogramas
bidimensionais e pelo Visualizador n-dimensional. Arquivos de polgonos no formato
ASCII e curvas espectrais da biblioteca espectral tambm podem ser usados como
entrada de classificao.
2.5. Classificao por distncia de Mahalanobis

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

Distance", no menu principal ou na caixa "Coleo de Amostras...".
Selecione a imagem desejada, clique em OK e aparecer a janela Mahalanobis

Distance Parmeters.
Preencha os parmetros e clique em OK.
Classificao por "Binary Encoding"
Selecione a cadeia de comandos "Classificao - Supervisionada - Binary

Encoding", no menu principal ou na caixa "Coleo de Amostras...".
3. Visualizador N-Dimensional ("N-dimensional Visualizer")

O visualizador n-dimensional um dispersograma de pontos em n-dimenses, onde n
depende do nmero de bandas usadas (Boardman, 1993; Boardman & Kruse, 1994). As
coordenadas dos pontos selecionados no espao n-dimensional so compostas de n
valores que descrevem a radincia ou reflectncia espectral em cada banda para todos os
pixels. A distribuio desses pontos no espao n-dimensional usada para estimar o
nmero dos valores extremos ("endmembers") e as assinaturas puras das bandas.
Selecionar os dados
Antes de carregar o visualizador n-dimensional, o
usurio precisa determinar uma regio de interesse,
incluindo pixels de mxima variedade espectral. Defina
esta regio na ferramenta das regies de interesse. As
regies de interesse podem ser extradas da imagem
realada, mas tambm de imagens tratadas com o
algoritmo de frao mnima de rudo ("minimum noise
fraction"). importante dizer que a regio de interesse
inclui uma grande variedade de reflectncia.
Figura F 10: Caixa de dilogo

de entrada de regies de
interesse do visualizador ndimensional.
11
Implementao das regies de interesse
Selecione , dentro do menu principal, a cadeia de comandos "Ferramentas

Regio de Interesse Exportar ROIs para Visualizador n-D.
Depois de selecionar o arquivo de imagem de entrada, aparece uma outra caixa de

dilogo que possibilita a escolha de uma regio de interesse a ser utilizada no
visualizador n-dimensional (Figura F-10).
Janela de visualizador n-dimensional
Clique, na lista, a regio de interesse desejada, o que provoca a aparecimento da

caixa de dilogo de controle de visualizador n-dimensional (Figura F-11a) e da tela
do visualizador n-dimensional (Figura F-11b).
A caixa de dilogo de controle do visualizador n-dimensional

Depois que os nveis de cinza das regies de interesse so carregados, aparece a caixa
de dilogo de controle do visualizador de n-dimensional,
junto com o visualizador n-dimensional
Seleo das bandas
Inicialmente, a janela do visualizador aparece em preto.
Nos controles do visualizador n-dimensional aparecem
todas as bandas carregadas, com botes numerados
(em preto) para cada uma (Figura F-11a).
Para selecionar uma banda, clique sobre seu

nmero correspondente na caixa de controle do
visualizador. O boto torna-se branco.
Automaticamente, aparecem os pixels

correspondentes a essa banda, em branco, na
janela do visualizador n-dimensional (Figura F11b).
Selecionando-se duas bandas, produz-se um

dispersograma bidimensional; clicando-se trs
bandas, um dispersograma tridimensional, etc.
Figura F 11: Caixa de
dilogo de controle do
visualizador ndimensional (a) e Janela
do visualizador ndimensional (b).
12
Escolha das dimenses e giro do dispersograma

necessrio escolher-se trs bandas, no mnimo, para o uso da funo "Start/Stop". Os
eixos giram automaticamente, sendo possvel observar os pixels no espao tridimensional
(ou n-dimensional, se mais bandas forem escolhidas). Para visualizar os eixos, selecione,
dentro da caixa de dilogo Options , a opo Axes: On.
Arraste o "mouse" com o boto esquerdo pressionado, na tela do visualizador ndimensional, para girar os eixos coordenados.
Definio de regies de interesse

Para interromper a rotao, deve-se clicar o boto "Start/Stop", quando o dispersograma
mostrar uma projeo conveniente para diferenciar nuvens de pixels. Certifique-se de que
na caixa de texto a esquerda do boto de escolha est escrito "Define ROI". No caso
desta caixa indicar o texto "Drive Axes", clique o boto de escolha para carregar o texto
"Define ROI".
Definir vrias regies de interesse, arrastando o "mouse" com o boto esquerdo
pressionado, e fechar o polgono com um clique no boto direito do "mouse". Usar vrias
projees diferentes para determinar um grupo maior de pixels isolados. Pode-se definir
uma cor prpria para cada classe, clicando-se no boto "Red" e arrastando o cursor do
"mouse" para cor desejada.
Exportar as classes definidas
Clique no boto "Export" para salvar as regies de interesse atualmente obtidas e

export-las pela caixa de dilogo "Define ROI's". Esta regio de interesse criada
para localizar os pixels correspondentes na imagem de entrada.
Clique no boto "Export All" para gravar todas as regies de interesse criadas.
Abra a caixa de dilogo de regio de interesse para gravar as regies escolhidas e
verifique as estatsticas.
Utilize as regies de interesse obtidas pelo mtodo do visualizador n-dimensional e

implemente-as na classificao SAM.
4. Comparao dos resultados das classificaes

O controle dos resultados de classificao um dos passos mais importantes para se
chegar a um resultado bem homogneo, mas tambm para controlar a qualidade das
diferentes classificaes aplicadas. A classe que normalmente causa a maior
percentagem de pixels classificados incorretamente a classe "cidade". No exemplo de
deteco de cidades, pode ser avaliada a eficcia de cada classificao.
Compare os trs melhores resultados das classificaes, conferindo com a

imagem original.
13
Abra vrias janelas aplicando as funes "Link" e "Maximize". Avalie a qualidade

dos resultados obtidos pelos diferentes mtodos de classificao. Examine as
estatsticas de todos os resultados.
Estatsticas de classes
Os resultados de classificao podem ser verificados
com o controle visual ("On/Off") de alguns pixels
escolhidos por acaso, mas tambm com a anlise de
estatsticas.
Selecione a opo "Classificao

Classificao Estatsticas de Classe".
Aparece a caixa de dilogo de arquivos de

entrada. Note que s imagens classificadas
podem ser selecionadas como arquivo de entrada.
Clique no boto "OK" na caixa de dilogo de

arquivos de entrada.
Aparece a caixa de dilogo de arquivo de entrada

de estatstica.
Clique no arquivo de imagem do qual se quer

extrair as estatsticas e clique "OK".
Aparece a caixa de dilogo de seleo de classes.
Selecione as classes de que deseja um

relatrio e clique "OK".
Aparece a caixa de dilogo "Compute Statistic

Parameters" (Figura F-12). Note que s
imagens classificadas podem ser selecionadas
como arquivo de entrada. Alm disso, o
analista pode escolher tambm as estatsticas
e
relatrios,
clicando
nos
rtulos
correspondentes. As estatsticas podem ser
gravadas como um arquivo de estatstica
(extenso .sta), mas tambm como um arquivo
de relatrio.
Ps
Figura F 12: Caixa de

dilogo de parmetros da
estatstica.
Figura F 13: Visualizao da

estatstica
Para aplicar os parmetros escolhidos e iniciar o clculo, clique o boto "OK"
14
Para cada classe, aparecem as janelas de histograma (Figura F-13) e de relatrio

(Figura F-14).
Figura F 14: Relatrio estatstico da

classificao.
4.1. Matriz de Confuso ou de Erros (Confusion Matrix ou Error Matrix)

A Matriz de Confuso ou de Erros usada para avaliar o resultado de uma classificao.
Para fazer isso ela compara os dados da verdade de campo com os da classificao,
agrupando-os como mostrado na tabela 2.
Verdade de Campo
Total
Incluso [%]
Pixels bem
classificados [%]
Classes do
35
39
10,2
89,8
Mapa Temtico
10
37
50
26,0
74,0
41
47
12.8
87,2
50
40
46
136
30,0
7,5
10,9
Total pixels de campo

Omisso [%]
Exatido Global[%]
83,1
Tabela 2 - Matriz de Confuso adaptada de

Richards, J. A. (1986), pp. 272
Temos aqui trs classes de interesse (A, B e C). A matriz de confuso restringe-se s
linhas e colunas referentes s classes A, B e C. Os componentes da diagonal principal da
matriz de confuso fornecem o nmero de pixels corretamente classificados para cada
classe correspondente. Por exemplo, para a classe B, no mapa temtico foram
corretamente classificados 37 pixels.
15
No entanto, para 10 pixels dessa mesma classe B no mapa temtico, analisando a

verdade de campo, constatou-se que na realidade eles pertenciam a classe A. Bem como
outros 3 pixels que na realidade so da classe C.
Portanto, para os 50 pixels da classe B do mapa temtico, 37 (74,0%) foram bem
classificados, enquanto o restante 13 (26,0%) foram mal classificados. Este erro de
classificao denominado erro de incluso (commission), pois se est incluindo pixels
em uma classe quando na verdade eles pertencem a outra(s).
Analisando agora do ponto de vista da verdade de campo, a classe C, por exemplo, tem
41 pixels bem classificados. Porm h 2 pixels seus que so classificados como A e
outros 3 que so classificados como sendo da classe B. Este erro agora o erro de
omisso (omition), pois nos dois casos est-se a omitir pixels da classe correta
atribuindo-os a outra(s) classe(s).
Na ltima coluna da tabela, temos a exatido especfica de cada classe, isto , a
percentagem de pixels do mapa temtico que foram bem classificados. E no final desta
coluna, encontramos a exatido global (accuracy) da classificao. Neste caso,
tnhamos no total 136 pixels, sendo que no mapa temtico 113 foram bem classificados, o
que perfaz um percentual de 83,1% do total, que foram bem classificados.
Um subproduto da matriz de confuso, que auxilia na avaliao do classificador o
coeficiente kappa ().
Uma das vantagens alegadas para uso do kappa de que ele incorpora a informao dos
pixels mal classificados, e no apenas dos bem classificados como a exatido global.
A equao que fornece o valor de kappa dada por
onde,
representa o somatrio em cada linha e coluna;
o nmero de linhas e de colunas;
N o nmero total de pontos, o somatrio de toda a matriz;
Dividindo o numerador e o denominador por N 2
onde
16
Grosso modo, a exatido global seria um ndice que superestima a acurcia da

classificao, e o kappa seria uma avaliao mais adequada. Para reforar essa idia,
peguemos a mesma matriz de confuso dada acima, onde o kappa vale k = 0,747.
Portanto, menor do que a exatido global de 0,831.
Vamos agora, modificar um pouco a nossa matriz de confuso original, com o intuito de
fixar que o kappa realmente pode ser, geralmente, considerado um avaliador mais
adequado.
Verdade de Campo
Total
Incluso [%]
Pixels bem
classificados [%]
Classes do
35
45
22,2
77.8
Mapa Temtico
10
32
48
33,3
66,7
35
43
18,6
87,4
50
40
46
136
30,0
20,0
23,9
Total pixels de campo

Omisso [%]
Exatido Global[%]
75
Tabela 3 Matriz de confuso anterior

modificada
Ao diminuir a exatido das classes B e C, a exatido global passou para 75%, uma queda
de aproximadamente 10,8%. J o kappa agora vale k = 0,626, uma diminuio de cerca
de 19,3%. Portanto o kappa sensvel no s a perda de acurcia global como um todo,
mas tambm as variaes dos erros de omisso e de incluso, que ficaram maiores nas
classes B e C.
Para obter no ENVI a matriz de confuso de uma classificao, necessrio realizar
algumas tarefas de ps-classificao.
Selecione a cadeia de comandos Classificao Ps Classificao. Clique em

"Matriz de Confuso" e opte entre comparar a classificao com a imagem de
verdade de campo "Usando Imagem de Verdade de Campo" ou com as regies de
interesse (ROIs) observadas em campo "Usando ROIs de Verdade de Campo".
17
Na janela "Classification Input File", voc dever escolher a imagem de

classificao obtida. Caso voc tenha optado por comparar com a imagem de
verdade de campo , em seguida aparece janela "Ground Truth Input File" para
carreg-la. Caso voc tenha optado por comparar com as regies de interesse
segue-se o passo seguinte.
Agora tem-se que, na janela "Match Classes Parameters", selecionar entre as

classes (ou regies) da verdade de campo e da classificao listadas - em "Select
Ground Truth Class" (Figura F-15a) ou "Select Ground Truth ROI" (Figura F-15b) e
"Select Classification Image", respectivamente - as que so correspondentes numa
e noutra imagem.
Selecione a regio correspondente de cada vez e clique em "Add Combination".

Terminando, clique "OK".
Figura F-15: Escolha de regies correspondentes, tanto para com a Imagem de

campo quanto para com as regies de interesse
de verdade de campo.
Aps definir os parmetros de sada da matriz de confuso o ENVI ir gerar uma tela com
todas as informaes acerca da mesma (Figura F-16).
18
Figura F-16: Exemplo de matriz de confuso gerada pelo ENVI, ao

confrontar regies da classificao com dados dessas regies
obtidas no campo.
5. ClassEdit
Esse captulo contm uma descrio do aplicativo ClassEdit, uma das rotinas que
usurios do ENVI + IDL / ENVI podem descarregar da nossa pgina de Programas
Especiais ( em www.envi.com.br , com os seguintes tpicos:
Introduo
Modos de Visualizao
Modo Bsico de Operao
Definio de reas de Interesse
Opes de Reclassificao
Descrio dos Menus
Introduo
Mesmo escolhendo as amostras de treinamento com todo cuidado, o resultado da
classificao nunca ser perfeito; em parte devido as limitaes tcnicas (do sistema de
aquisio), em parte devido a semelhana espectral de determinadas componentes da
sua imagem (por exemplo solo exposto - rea urbana).
19

A SulSoft desenvolveu um aplicativo - o ClassEdit - para possibilitar o usurio de corrigir
reas que foram interpretadas incorretamente no processo de classificao. Da idia
bsica de um simples editor de valores digitais - uma classe representada pelo valor
numrico do pixel, e esse pixel pode ser atribudo uma outra classe, simplesmente
mudando o valor numrico dele - o ClassEdit evoluiu para uma ferramenta sofisticada
usada muitas vezes na produo de
empresas brasileiras de mapeamento.
O ClassEdit iniciado pelo menu de
funes
interativas
(na
janela
principal); os dados de entrada so as
trs bandas R, G, B da imagem
original, e o resultado de classificao.
Caso a imagem de entrada exceda
um certo tamanho, abre-se um dilogo
perguntando se o usurio prefere
executar o programa completamente
na memria RAM do computador
(requer memria disponvel maior do
que a indicada na janela), ou se ele
prefere a execuo em disco.
Modos de Visualizao
Aps o fechamento dos dilogos iniciais aparece uma janela com os seguintes elementos
grficos:
Figura F-17: Tela de Apresentao do ClassEdit
20
Na parte superior da janela localizam-se os menus, detalhados em seguida. No canto

superior direito da janela aparece uma reamostragem da imagem original, seguindo os
conceitos da janela global ("scroll window") do ENVI: um retngulo vermelho, que pode
ser deslocado clicando-e-arrastando com o boto esquerdo do mouse, define a rea
visualizada na janela principal. O fator de ampliao na janela principal define-se com o
slider "zoom" , no canto superior direito da janela.
Embaixo da imagem reamostrada aparece uma lista das classes da imagem classificada,
com cor, nome e contedo da classe (com slider, caso tiver mais de 5 classes). No canto
inferior direito tem os botes para a definio das reas de interesse, e uma indicao da
posio atual do cursor, da classe (s para imagem principal), e posio geogrfica caso
a imagem original georreferenciada.
Existem muitos modos de visualizao para a janela principal (veja abaixo); a imagem
reamostrada sempre aparece com a combinao de bandas escolhida na inicializao do
ClassEdit, aps aplicado um realce linear de 2%.
Aparece tambm uma pequena janela no canto superior direito da tela (em geral
escondido atrs da janela principal com o boto "->ENVI"; esse boto preserva a tabela
de cores dos aplicativos e s tem importncia para quem tem uma configurao do
display de apenas 256 cores (desaconselhvel para trabalho com imagens de satlite).
Neste caso deve-se usar este boto para restabelecer as tabelas de cores do ENVI, caso
o usurio queira trabalhar no ENVI sem sair do ClassEdit antes.
Modo bsico de operao
O objetivo do ClassEdit poder modificar o resultado de classificao. Para poder efetuar
isso com a mxima eficincia, o ClassEdit dispe de opes poderosas e versteis de
visualizao e edio, permitindo a seleo de um fundo (por exemplo a imagem original
r,g,b; a imagem filtrada; uma banda s, etc.) e de qualquer combinao de classes para
ser sobreposta ao fundo. As classes a serem sobrepostas podem ser selecionadas:
1) clicando no quadradinho colorido ao lado de nmero e nome da classe
2) com as teclas 1,2,3,4,5,6,7,8,9,a,b,c,d,e,f , para at 15 classes .
Importante para uma avaliao eficiente da qualidade da classificao atual a
possibilidade de mudar rapidamente entre a imagem (em geral selecionado para o fundo)
e o resultado da classificao (as classes selecionadas), o que efetuado no ClassEdit
apertando a tecla "barra de espao".
Um exemplo: Aps ter carregado o ClassEdit, voc seleciona as classes 1,2,4 e 6
digitando as teclas 1,2,4 e 6 no seu teclado (ou clicando com boto esquerdo nos
quadrinhos coloridos referentes essas classes). Na medida em que voc digita as
teclas, as classes vo aparecendo uma por uma, sobrepostas imagem original.
Apertando a tecla "barra de espao" uma vez far com que desapaream as classes da
tela (fica a imagem original); apertando novamente a tecla "barra de espao" far com que
as classes selecionadas reapaream novamente.
21

O ClassEdit foi otimizado para que essa mudana entre "classes ligadas" e "classes
desligadas" possa ser efetuada com bastante agilidade, permitindo desta forma a
avaliao simultnea da imagem e do resultado de classificao.
Definio de reas de Interesse
A definio da rea de interesse feita na imagem principal, clicando e/ou clicando-earrastando com o boto esquerdo do mouse. Os controles no canto inferior direito
permitem a seleo do tipo de rea ("Polgono", "Polilnea", ou "Ponto"), e se para
adicionar um novo ponto ou vrtice ("Adicionar") ou para remover o ponto mais prximo
do cursor ("Remover"). Com o boto "Limpar" pode-se remover todos os pontos e vrtices
atualmente desenhados. O clique com o boto direito do mouse fecha a rea atual e
chama a janela com as opes de reclassificao.
Opes de Reclassificao
Uma vez identificados os pixels aparentemente "errados" na classificao, existem essas
possibilidades para reclassific-los:
1. Marcando os pixels com a seleo tipo "Polilnha" ou "Ponto", e associando uma
nova classe todos os pixels marcados ("Expandir classe").
2. Traando um polgono ao redor dos pixels, e associando uma nova classe todos
os pixels dentro do polgono ("Expandir classe").
3. Traando um polgono ao redor dos pixels, e redefinindo determinados pixels a
partir de critrios escolhidos pelo usurio ("Redefinir Pixels").
Nos primeiros dois mtodos o usurio apenas escolhe a nova classe a ser associada
todos os pixels no polgono. No terceiro mtodo aparece uma janela oferecendo as
seguintes opes:
Figura F-18: Janela do modo de edio de classes
Redistribuir classe: Aqui o usurio pode definir quais a(s) classe(s) que sero
afetadas pela redistribuio (os nmeros tm que ser separados por espao,
vrgula ou ponto-e-vrgula). No exemplo acima seriam escolhidos os pixels das
classes 2,4,5 e 6 .
para: Aqui consta a nova classificao dos pixels selecionados. No exemplo acima
o destino final dos pixels selecionados (aqueles que resolvem todas as condies)
seria a classe 3.
com rea menor que (m2): Neste campo o usurio pode definir um limite para as
reas a serem modificadas. S reas contnuas menores do que o limite indicado
22
sero redistribudos. Se por exemplo a classe dois no exemplo acima caracteriza a

classe de gua, e no polgono traado pelo usurio ficam quatro audes, s os
audes com uma rea menor do que 50.000 m2 sero reclassificados para a
classe 3. Caso a imagem original no seja georreferenciada, esse limite deve ser
dado em pixels. Obs.: Colocar o valor 0 como limite dispensa a avaliao de rea.
Excluir borda: Ao traar o polgono, o usurio pode (no exemplo acima, com
classe 2 = gua) ter cortado um aude no meio; metade do aude ficou dentro do
polgono, a outra metade fora. Caso essa metade do aude dentro do polgono for
agora menor do que o limite, o algoritmo normalmente redistribuiria esses pixels
para a nova classe 3 (opo Excluir borda: no). Com a opo Excluir borda: sim
(o padro) as reas cortadas pelo contorno do polgono sero automaticamente
descartadas (inalteradas).
Descrio dos menus:

Salvar a classificao modificada.
Aplicar as ltimas modificaes e atualizar a visualizao (para o
modo "Troca Rpida").
Visualizar resultado de classificao (todas as classes).
Visualizar imagem original (r,g,b), sem classes sobrepostas.
Desfazer a ltima modificao (a visualizao ser automaticamente
atualizada) . Obs.: A tecla "Z" um atalho para o boto Desfazer.
Encerrar o ClassEdit. Obs.: A classificao modificada no ser
automaticamente salva.
Menu em cascata para a seleo da imagem do fundo (p.ex.
combinao 3-2-1, ou s banda 2 etc.) .
Menu em cascata para a seleo da filtragem da imagem do fundo
(Nenhuma/Realce de Borda 1/ Realce de Borda 2/ Filtro Laplaciano).
Menu em cascata para a seleo do realce da imagem do fundo
(Nenhum/Linear 2%/Equalizao)
Opo para importar um arquivo vetorial do tipo ENVI Vector File .evf
, e sobrepor imagem da janela principal. possvel importar at 5
planos ("layers") diferentes. "Editar layer" permite posteriormente
modificar cor, espessura etc. do plano. "Gravar template" permite
salvar a configurao atual, e com "Restaurar template" esta
configurao pode ser rapidamente restabelecida. Os planos podem
ser ligados e desligados na opo "Editar layer", ou - similar aos
classes - com as teclas "y","u","i","o", e "p" correspondentes aos
planos 1,2,3,4 e 5 .
O modo "Troca Rpida" permite a reclassificao rpida de reas,
simplesmente colocando o cursor em cima da rea de interesse e
clicando a tecla "x". Com o mtodo de crescimento so identificados
os pixels pertencentes rea escolhida, sendo possvel definir no
menu de cascata "4 vizinhos" se a vizinhana definida por 4 ou 8
pixels. O valor da nova classe definido com o menu em cascata
"T.R. desligada". Na inicializao do ClassEdit esta opo
desligada. Para agilizar o processo de redefinio de classes essas
reas permanecem inalteradas na janela, apenas aparecendo no
centro da rea escrito "O.K." para sinalizar que essa rea j foi
modificada. A visualizao das modificaes deve ser obtida com o
boto "Atualizar").
A opo "Desfazer" desfaz todas as modificaes entre uma
atualizao e outra.
23
6. Homogenizao do resultado de classificao

Normalmente, o resultado de uma classificao uma imagem com muito rudo, causado
por pixels isolados ou poucos pixels atribudos a diversas classes, que ocorrem prximos
a reas homogeneamente classificadas (Crsta, 1993, p. 129). Assim, bastante comum
ao se fazer a homogeneizao do resultado da classificao em reas de topografia
acidentada, uma vez que os efeitos causados por reas sombreadas e iluminadas so
extremamente variveis. Outro efeito provocado por reas em que os pixels contm
uma mistura de duas ou mais classes (pixels impuros).
A classe de reas urbanas (cidade) conhecida como a que se mistura com quase
todas as outras classes. Por exemplo: depois da colheita, os terrenos agrcolas ficam
caracterizados por uma reflexo semelhante a de solos puros ou, principalmente, de
reas urbanas. Esse fato explica a ocorrncia de pixels da classe cidade na classe
agricultura ou solos puros.
Por vezes, os pixels da classe cidade aparecem na classe floresta. Isso ocorre quando
o usurio define amostras de treinamento na classe cidade para reas residenciais
densamente arborizadas. Alm disso, aparecem, algumas vezes, pixels da classe
cidade em margens de rio ou no mar, especialmente em guas com alto contedo de
material em suspenso. O algoritmo da classificao distribui esses pixels na classe
gua, porque essas partes fornecem uma informao espectral parecida como a da
classe cidade (densa).
Filtragem do resultado da classificao

Um dos passos mais comuns, para homogeneizar o resultado da classificao, a
aplicao de um filtro da mediana (Seo G-1.6).
Selecione a cadeia de comandos Filtros

Convoluo .
Aparece a caixa de dilogo de arquivo de

entrada.
Aparece a caixa de dilogo dos

parmetros de convoluo, que possibilita
a escolha do tamanho da mscara (Figura
F-19).
Teste vrios tamanhos de mscara. Digite Figura F-19:

Caixa de dilogo dos
o nome do arquivo de sada e clique o parmetros da matriz de convoluo
do filtro da mediana.
boto OK.
Carregue o resultado da filtragem (uma imagem em preto e branco) numa nova

tela. Para colorir essa imagem, mude o cabealho com um clique no boto Editar
Cabealho de Arquivo ENVI, do menu Arquivo. Mude o tipo de arquivo para
24

Classification e digite o nmero das classes includas. Para visualizar a imagem
filtrada nas mesmas cores do resultado da classificao, chame no menu da janela
grfica a cadeia de comandos Mapeamento de Cores Mapeamento de Cores
de Classificao. Mude os nomes e as cores das classes.
Funo de aglutinao de classes (Clump Classes)
Geralmente, as imagens classificadas apresentam rudo, o que dificulta a interpretao
visual. A funo de Clump Classes resolve esse problema ao aglutinar classes
adjacentes.
Determine, na imagem filtrada, as classes que sero aumentadas e verificar o

tamanho da mscara.
Selecionar a opo Clump no menu de classificao Ps Classificao
Aparece a caixa de dilogo de arquivos de entrada.
Aparece a caixa de dilogo dos parmetros de convoluo, que possibilita a

escolha do tamanho da mscara.
Para adicionar classes do arquivo na imagem homogeneizada, clique o boto

Band Math, no menu Ferramentas.
Aparece a caixa de dilogo Band Math. Digite clas_add (b1,b2) na caixa de texto
entitulada Enter an expression.
Clique as expresses b1/b2 e associar, para b1, a imagem e, para b2, a

imagem.
Funo de separao de classes (Sieve Classes)

A funo de separao de classes resolve o problema de eliminar classes adjacentes.
Normalmente, as funes de aglutinao (Clump) e separao (Sieve) so aplicadas
em etapas sucessivas. Por exemplo, nas margens da classe cidade, encontram-se
pixels classificados erroneamente como rocha.
Selecione a cadeia de comandos Classificao Ps Classificao Sieve

Class.
25
7. Classificao supervisionada usando Rede Neural

A partir da verso ENVI 3.6 a funo de classificao supervisionada foi incrementada
com a opo do uso de rede neural que um sistema inspirado nos neurnios biolgicos
e na estrutura massivamente paralela do crebro, com capacidade de adquirir, armazenar
e utilizar conhecimento experimental.
Aquisio de Conhecimento (aprendizado):
Treinamento efetuado atravs da apresentao de exemplos (coletas de amostrasROIs)>Existe uma variedade de algoritmos que estabelecem QUANDO e COMO os
parmetros da Rede Neural devem ser atualizados->Algortmos substituem a
programao necessria para a execuo das tarefas nos computadores.
Aplicaes Gerais:
1 Reconhecimento de padres;
2 Classificao de Padres;
3 Correo de padres;
4 Previso de sries temporais;
5 Aproximao de Funes;
6 Suporte deciso;
7 Extrao de informaes.
Processamento Neural:
O processamento de uma rede neural pode ser dividido em duas fases:
Learning - Processo de atualizao dos pesos

conhecimento (Aquisio da informao);.
para a aquisio do
Recall - Processo de clculo da sada da rede, dado um certo padro de entrada

(recuperao da informao)
Aprendizado:
Processo pelo qual os parmetros livres (pesos sinpticos) de uma rede neural so
adaptados atravs de um processo contnuo de estimulao pelo ambiente.
Existem 3 tipos bsicos de aprendizado:
1 Treinamento Supervisionado;
2 Treinamento No-supervisionado;
3 treinamento em "Batch".
No caso do ENVI 4.0 limitaremos a descrio ao treinamento supervisionado:
Treinamento Supervisionado:
A rede treinada atravs do fornecimento dos valores de entrada e seus respectivos
valores da sada desejada "training pair"-> Geralmente efetuado atravs do processo de
minimizao do erro calculado na sada.
Recuperao de Dados:
Assumindo que um conjunto de padres tenha sido armazenado, a Rede Neural pode
executar as seguintes tarefas:
Auto-associao;
Hetero-associao;
26

Classificao.
No caso da classificao a rede neural responde com a informao relativa s classes a
qual o padro de entrada pertence.-> Caso especial de Hetero-associao. Ex: Padres
de entrada com ou sem rudo .
Generalizao: A rede neural responde corretamente a um padro de entrada fora do
conjunto de treinamento.
7.1 Aplicando classificao com rede neural.
Use Neural Net ,disponibilizada a partir do ENVI 3.6, para executar classificao atravs
de estruturas de interconexo feed-forward de mltiplas camadas. A rede feed-forward
consiste em uma ou mais camadas de processadores cujo fluxo de dados possui, sempre,
uma nica direo, isto , no existe realimentao. Com base nos estudos j realizados,
pode-se afirmar que os tipos de redes neurais mais adequados so as redes
multicamadas do tipo "feed-foward" com mtodo de aprendizagem supervisionado. A
tcnica de rede neural utiliza-se do modelo de algoritmo backpropagation (retropropagao) para a aprendizagem supervisionada.
Como a maioria das aplicaes utilizam o algoritmo de backpropagation ou suas variantes
para treinamento destas redes. Pode-se dizer que o algoritmo de backpropagation uma
generalizao do algoritmo do mtodo dos mnimos quadrados, que utiliza tcnicas de
gradiente descendente interativo para minimizar uma funo de custo igual a diferena
mdia quadrada entre a sada desejada e a sada real da RNA.
7.2 Executando a Classificao Neural Net
Voc deve primeiramente definir as ROIs para usa-las como amostra de pixels para cada
classe. Quanto mais pixels compor uma amostra, melhor sero os resultados obtidos. ,
1 - Selecione ->Classificao -> Supervisionada -> Rede Neural;
2 - Quando a caixa de dilogo de seleo do arquivo aparecer, selecione o arquivo de
entrada;
27
3 - Ao selecionar o arquivo desejado clique em ok, surgir, ento, a janela Neural Net
Parameters;
4 - Selecione as amostras das classes clicando nos nomes das ROIs na lista de seleo
de classes por regio (Select Classes from Regions);
5 - Selecione o mtodo de ativao desejado clicando no boto de seleo
correspondente;
6 - Na caixa de texto "Training Threshold Contribution, entre com um valor entre 0 e 1. A
"training threshold contribution" estipula a dimenso da contribuio do peso interno com
o respectivo nvel de ativao do ponto. Ele usado para ajustar as mudanas para um
peso interno . O treinamento do algoritmo ajusta interativamente os pesos entre os pontos
e opcionalmente o valor percentual;
7 - No campo Training Rate determine um valor entre 0 e 1. A taxa de treinamento
estabelece a magnitude do ajustamento dos pesos. Para valores prximos de 1 ocorrer
um aumento de velocidade em relao processamento do treinamento, entretanto o risco
da ocorrncia de oscilaes ou no convergncia no resultado do treinamento tambm
ser maior;
8 - Em Training Momentum determine, tambm, um valor entre 0 e 1. Entrando com
uma taxa de permissividade maior que 0 proporcionar uma maior taxa de treinamento
sem oscilaes.
9 - No campo Training RMS Exit Criteria, a seu critrio, entre com um valor do erro RMS
para o qual o treinamento dever parar.
Obs.1: Caso o erro RMS, que mostrado durante a execuo do treinamento, ficar
abaixo do valor limite o treinamento parar ;
28
10 - No campo Number of Hidden Layers entre com o nmero de layers internos. Para
uma classificao linear, entre com o valor 0. No caso de uma classificao no linear
defina valores a partir de 1.
11 - Em Number of Training Interations, entre com o nmero de interaes desejado
para a execuo do treinamento;
12 - Selecione a forma de sada do resultado do processamento entre as opes File ou
Memory;
13 - Opcionalmente voc pode selecionar uma sada para o arranjo de imagens que
representam cada classe, selecionando o boto de alternncia Yes/No no campo
Output Rule Images;
14 - Clique no boto ok para iniciar a execuo da classificao de Rede Neural Neural
Net. Surgir uma janela de status informando o progresso da operao. Durante o
treinamento apresentado, tambm, um grfico informando o erro mdio quadrado RMS
para cada interao.
Dica : Caso o RMS estiver oscilando sem apresentar sinais de convergncia , tente
atribuir um valor menor para a taxa de treinamento Training Rate ou ROIs diferentes.
O resultado da classificao por redes neurais aparecer na caixa de lista de bandas
disponveis Available bands List quando o processamento estiver encerrado.
8. Classificao por rvore de deciso:

O classificador por rvore de deciso, disponvel a partir do ENVI 4.0 uma tcnica
inovadora que executa classificaes atravs de um processamento multi-etapas usando
uma srie de decises binrias para alocao de pixels. Cada deciso separa pixels,
pertencentes um arranjo de imagens, dentro de duas classes baseadas numa
determinada expresso. Para cada nova classe possvel subdividi-la em mais duas
classes, ou seja, voc pode definir tantas classes quanto for necessria para gerar a
classificao. Uma outra vantagem a possibilidade de unir dados provenientes de
diferentes origens para produzir uma nica deciso do classificador em rvore. Por
exemplo:
A informao multi-espectral pode ser usada em conjunto com a informao
referente ao modelo de elevao digital (DEM) com o intuito de encontrar reas
sujeitas ao processo de eroso do solo, ou seja, zonas que apresentam um baixo
ndice de vegetao associada a uma acentuada declividade;
Imagens georreferenciadas em projees diferentes assim como tambm em
resolues diferentes (tamanho do pixel diferente) podem ser usadas em conjunto
em uma nica deciso.
Nos dois casos citados acima o ENVI reprojetar e reamostrar o arranjo da deciso de
forma instantnea.
29
As ilustraes a seguir mostram um exemplo da classificao por rvore de deciso no

ENVI 4.0:
8.1 Criando uma nova rvore de deciso:

1. A partir do menu principal do ENVI 4.0, selecione ->Classificao ->rvore de
Deciso -> Criar Nova rvore de Deciso; A janela ENVI Decision Tree aparecer
j com um n de deciso singular e duas classes subordinadas;
2. Clique com o cursor do mouse sobre o n Node 1 informe um nome, determine
uma expresso na janela de edio Edit Decision Tree Properties e clique em
ok;
3. Na caixa de variveis Variable / File Pairings clique sobre o nome da varivel e
selecione a entrada do arquivo ou a banda associada varivel;
Obs.1: Observe que os nomes de cada n aparecem automaticamente no diagrama da
rvore de deciso ENVI Decision Tree.
30
4. Voc pode adicionar sub-classes ao n clicando com o boto direito do mouse

sobre o n da classe atual e no menu de atalho que aparece selecione Add
Children;
5. Clique sobre o novo n, informe um nome, determine uma nova expresso e clique
em ok para aceitar;
6. Repita as etapas 2 e 4 adicionando tantos ns de classes quanto for necessrio
para a sua classificao.
8.2 Executando uma nova rvore de deciso:
Para executar e editar interativamente uma classificao por rvore de deciso siga as
seguintes instrues:
1. Na janela da rvore de deciso no ENVI 4.0, selecione Options->Execute;
2. Ao surgir a caixa de dilogo dos parmetros de execuo Decision Tree
Execution Parameters selecione apenas um segmento da rvore, caso desejar, e
determine um nome de sada para a classificao;
31

Obs.1: Se o seus dados esto georreferenciados, selecione a imagem que servir
como base, determine o tamanho do pixel de sada e selecione o mtodo de
reamostragem a partir do boto de seleo;
Obs.2: No momento da execuo cada n de classe mudar de cor para verde, ou
seja, a cor verde representa o instante de processamento de cada classe durante a
execuo da classificao;
3. Para visualizar detalhes sobre a quantidade de pixels em cada n de classe,
clique com o boto direito do mouse sobre o fundo da janela da rvore de deciso
ENVI Decision Tree e selecione Zoom In a partir do menu de atalho que
surgir. Cada n mostrar a quantidade de pixels inseridos dentro da sua
respectiva classe. Outra fonte de informao e dada pela barra de status que
fornece detalhes no momento que voc posiciona o cursor sobre o n de classe;
4. Mesmo aps a execuo da classificao voc poder editar interativamente a
sua rvore de deciso clicando com o cursor do mouse sobre o n e efetuando as
alteraes desejadas na caixa Edit Decision Properties
Obs.3: Voc, tambm, pode alterar a cor e o nome da cada classe, clicando sobre o
n da classe e informando um novo nome e uma nova cor na caixa de dilogo de
edio de classe Edit Class Properties;
5. Execute a classificao, novamente, e observe os resultados;
6. Repita as etapas 3 e 4 at que voc esteja satisfeito com os resultados.
9. Classificador SVM (Support Vector Machine)

A partir do ENVI 4.3, voc pode contar com mais um mtodo de classificao
supervisionada. Trata-se do Support Vector Machine (SVM) desenvolvido especialmente
para obter bons resultados de classificao sobre imagens complexas e ruidosas. O SVM
um sistema de classificao derivado da teoria de aprendizagem por anlise estatstica.
Ele separa as classes atravs de uma superfcie de deciso que maximiza a margem de
separao entre as classes. Essa superfcie tambm conhecida como o hiperplano ideal
(optimal hyperplane) e os pontos que esto prximos a margem do hiperplano ideal
chamam-se vetores de suporte (support vectors). Os vetores de suporte so elementos
crticos do sistema de treinamento.
Figura F-20: Hiperplano de

Separao Entre Classes.
Penalty Parameter =100
32
Voc pode adaptar o SVM para que ele atue como um classificador no linear atravs do
uso de funes kernels no lineares. Ainda que o SVM seja um classificador binrio na
sua forma mais simples, ele pode funcionar como um classificador multiclasses, atravs
da combinao de vrios classificadores binrios SVM.
A classificao SVM inclui o parmetro de penalidade penalty parameter que controla a
concesso entre os erros de treinamentos permissveis e o limite rgido das margens,
gerando uma margem de tolerncia entre classes. Dependendo do valor estipulado para o
penalty parameter possvel permitir que alguns pontos de treinamento estejam
situados no outro lado do hiperplano (veja figura 1 e 2 ).
Figura F-21: Hiperplano de Separao Entre Classes.

Penalty Parameter = 50
O classificador SVM do ENVI dispe de

quatro tipos de funes Kernels: linear,
polynomial, radial basis function (RBF), e
sigmoid. O padro a funo RBF, visto que
funciona bem na maior parte dos casos. A
figura ao lado mostra a arquitetura de uma
rede RBF. Um vetor x usado como entrada
para diversas RBFs, cada uma com diferentes
parmetros. A sada da rede uma
combinao linear das sadas das RBFs.
Figura 3: Rede RBF
A representao matemtica de cada funo kernel segue listada abaixo:

Linear
Polynomial
RBF
Sigmoid
K(xi,xj) = xiTxj
K(xi,xj) = (xiTxj + r)d, > 0
K(xi,xj) = exp(-||xi - xj||2), > 0
K(xi,xj) = tanh(xiTxj + r)
33
Onde:
o termo gama da funo kernel para todos tipos de kernel, exceto linear.
d
refere-se ao termo do grau polinomial da funo kernel do tipo polinomial.
r refere-se ao termo de inclinao da funo kernel do tipo polinomial e sigmoid.
, d, e r so parmetros controlados pelo usurio e a suas corretas definies
representam uma maior acurcia na soluo do processamento SVM.
O processamento de grandes cenas em alta resoluo consomem um certo tempo,
entretanto no sentido de melhorar a eficincia do processamento, sem degradar o
resultado, o classificador SVM aplica um processo hierrquico de reduo da resoluo
da imagem que consiste das seguintes etapas:
1. O ENVI reamostra a imagem para um nvel de resoluo mais baixo;
2. O ENVI reamostra, tambm, as ROIs para a mesma resoluo da imagem;
3. O classificador SVM executa o treinamento sobre a imagem e as ROIs em resoluo
reduzida;
4. O Classificador SVM examina todos valores de rule image para determinar os pixels
que excedem o parmetro reclassification probablility threshold. As informaes de
classe e probabilidade so associadas a estes pixels e armazenadas para serem
aplicadas, posteriormente, no resultado da classificao.
5. O processo de verificao continua na direo do prximo nvel piramidal de maior
resoluo at que atinja o layer da mxima resoluo.
9.2 Aplicando Classificao Atravs do Mtodo SVM

Antes de executar o processo, preciso selecionar ROIs ou vetores para serem usados
como amostras de cada classe. Quanto maior a quantidade de pixels em cada amostra,
em geral, melhor sero os resultados.
1. A partir do menu principal do ENVI, selecione Classification > Supervised > Support
Vector Machine;
2. Selecione o arquivo de entrada e, opcionalmente, execute um subrecorte na imagem
ou clique em OK para processar toda a imagem;
3. Na lista Select Classes from Regions, selecione ao menos uma ROI e / ou vetor
como amostra de classe. A lista de ROIs derivada a partir das ROIs disponveis na
caixa de dilogo ROI Tool. A lista de vetores derivada a partir de vetores carregados
na lista de vetores disponveis. O nmero mximo de amostras so 16.
4. Selecione um tipo de funo Kernel para ser aplicada no processo de maximizao
da margem do hiperplano, a partir do menu em cascata Kernel Type. As opes so
Linear, Polynomial, Radial Basis Function (RBF), e Sigmoid. Dependendo da opo
selecionada, campos adicionais iro aparecer.
34
Figura F-22: Caixa de Parmetro da Classificao SVM
5. Se o Kernel Type for Polynomial, defina o grau do Kernel Polynomial d para ser
aplicado na classificao SVM. O valor mnimo 1, o padro 2 e o mximo valor 6.
6. Se o Kernel Type for Polynomial ou Sigmoid, especifique o grau de inclinao da
funo kernel r. O valor padro 1.
7. Se o Kernel Type for Polynomial, Radial Basis Function ou Sigmoid, use o
parmetro Gamma do campo Kernel Function . Este valor apresenta-se no
formato ponto flutuante com valores maiores que 0. O padro o inverso do nmero
de bandas relativo a imagem de entrada (1/num bandas).
8. Especifique o parmetro de penalidade Penalty Parameter para o algortmo SVM
usar. Este valor deve apresentar-se no formato ponto flutuante maior que 0. O
parmetro de penalidade controla a concesso entre os erros de treinamentos
aceitveis e o limite da margem do hiperplano . Quanto maior for o valor do parmetro
de penalidade, mais rgido ser gerado o modelo de separao entre classes, ou seja,
menor ser a tolerncia entre classes. O valor padro 100.
35

9. Use o campo Pyramid Levels para definir o nmero hierrquico de nveis piramidais
de processamento para serem aplicados durante o treinamento SVM e o processo de
classificao. Se este valor for 0 (valor padro), o ENVI processa a imagem em
resoluo completa, somente. O valor mximo dinmico, isto , varia com o
tamanho da imagem selecionada. O mximo valor determinado atravs do critrio
de maior nvel piramidal da imagem que considera dimenses superiores a 64 x 64.
Por exemplo, para uma imagem que possui dimenso de 24000 x 24000, o nvel
mximo 8.
10. Se o campo dos nveis piramidais for um valor maior que 0, especifique o valor do
campo Pyramid Reclassification Threshold referente a restrio de probabilidade
que um pixel, classificado num nvel de resoluo mais baixo, deva possuir para evitar
que venha a ser reclassificado num nvel de resoluo mais alto. O intervalo deve
variar entre 0 e 1. O valor padro 0.9.
11. Use o campo Classification Probability Treshold para definir a probabilidade
requerida para o classificador SVM classificar um determinado pixel. Os pixels onde
todas regras de probabilidade so menores que o valor de restrio sero
considerados como no classificados. O intervalo da restrio de probabilidade varia
entre 0 e 1. O valor padro 0.
12. Selecione uma sada para o resultado da classificao File ou Memory
13. Responda a pergunta Output Rule Images? atravs do boto seletor, caso voc
deseja gerar ou no uma sada para as imagens de regra. As imagens de regra so
usadas para criar resultados de classificao intermedirios antes da classificao
final. Voc pode, posteriormente, usar as rule images atravs da funo Rule
Classifier para criar uma nova classificao sem ter que recalcular a classificao
inteira;
14. Se voc selecionar Yes para gerar as rule images, selecione uma sada em File ou
Memory;
15. Clique em OK para que o ENVI processe e adicione o resultado na lista de bandas
disponveis. Se voc selecionar a sada para as rule images, o ENVI criar uma rule
image para cada classe com os valores de pixel equivalentes a porcentagem (0-100%)
das bandas que combinam com essa classe. As reas que satisfazem a restrio de
probabilidade mnima sero consideradas como reas classificadas dentro da
imagem.
36
9.3 Comparao Entre a Imagem Landsat e a classificao SVM
Figura F-23: Imagem Landsat composio falsa cor
Figura F-24:Classificao SVM Imagem Landsat
37

Capitulo F

Enviado por

Dados do documento

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

Capitulo F

Enviado por

Direitos autorais:

Formatos disponíveis

Guia do ENVI em Portugus

Podemos dizer que, no caso das classificaes no-supervisionadas, quanto maior a

SulSoft Servios de Processamento de Dados Ltda. - Todos os direitos reservados

Guia do ENVI em Portugus

Selecione, dentro do menu principal, a cadeia de comandos Classificao No

Aparece a caixa de dilogo do arquivo de entrada para a classificao (Figura 1).

Figura F 1: Caixa de dilogo dos parmetros da

Clique no boto "OK" para aceitar os parmetros da classificao isodata.

Para maiores detalhes tcnicos, consulte a bibliografia Tou, J. T. and R. C. Gonzalez,

SulSoft Servios de Processamento de Dados Ltda. - Todos os direitos reservados

Guia do ENVI em Portugus

Selecione, no menu principal, a cadeia de comandos Classificao No

Selecione o arquivo desejado, clique em OK e aparecer a janela K-Means

Preencha todos os parmetros e clique em OK. O resultado aparecer na lista de

SulSoft Servios de Processamento de Dados Ltda. - Todos os direitos reservados

Guia do ENVI em Portugus

Valores de cinza dos pixels

Considerando-se que os nveis de

Figura F4: Esquema de classificao automtica

SulSoft Servios de Processamento de Dados Ltda. - Todos os direitos reservados

Guia do ENVI em Portugus

2.1. Mtodo do paraleleppedo

Figura F-5: Esquema de classificao

Definio das amostras de treinamento

Determine as amostras de treinamento em uma imagem favorvel (9 ou 10

SulSoft Servios de Processamento de Dados Ltda. - Todos os direitos reservados

Guia do ENVI em Portugus

Clique no boto "New Region" e inicie a definio de um polgono em uma classe

Na janela de controle de regies de interesse (Figura F-6), aparece esta nova

Determine um nome, a cor e o tipo de preechimento da ROI clicando no boto

Figura F 6: Definio de amostras de

A seleo de amostras de treinamento foi padronizada, o que torna possvel a aplicao

Selecione a cadeia de comandos "Classificao - Coleo de Amostras".

SulSoft Servios de Processamento de Dados Ltda. - Todos os direitos reservados

Guia do ENVI em Portugus

Etapas para a classificao

Aps selecionar, na caixa

SulSoft Servios de Processamento de Dados Ltda. - Todos os direitos reservados

Guia do ENVI em Portugus

2.2. Mtodo da distncia mnima

Selecione a cadeia de comandos Classificao Supervisionada Distncia

Note que os passos da classificao so os mesmos que foram apresentados para

2.3. Mtodo da mxima verossimilhana (Maxver)

SulSoft Servios de Processamento de Dados Ltda. - Todos os direitos reservados

Guia do ENVI em Portugus

onde K o nmero de pixels na classe e E(x) a esperana de x, uma notao estatstica

Selecione, dentro do menu principal, a cadeia de comados Classificao

Ao contrrio das classificaes mostradas acima, a possibilidade de se digitar um valor

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

Guia do ENVI em Portugus

A aplicao do SAM considera dados reduzidos reflectncia aparente (reflectncia

Selecione, no menu principal, a cadeia

Depois de selecionar no dilogo arquivo

Defina as regies de interesse.. Examine

Figura F 9: Caixa de dilogo do

SulSoft Servios de Processamento de Dados Ltda. - Todos os direitos reservados

Guia do ENVI em Portugus

2.5. Classificao por distncia de Mahalanobis

Selecione a cadeia de comandos "Classificao - Supervisionada - Mahalanobis

Selecione a imagem desejada, clique em OK e aparecer a janela Mahalanobis

Preencha os parmetros e clique em OK.

Classificao por "Binary Encoding"

Selecione a cadeia de comandos "Classificao - Supervisionada - Binary

3. Visualizador N-Dimensional ("N-dimensional Visualizer")