Escolar Documentos
Profissional Documentos
Cultura Documentos
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.
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.
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
Figura F 2 : Caixa de
dilogo dos parmetros da
classificao K-Means
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)
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.
por
Clique com o boto direito do mouse sobre a imagem e selecione a opo ROI
Tool.. no menu de atalho
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.
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
Selecione a cadeia de
comandos Classificao
Supervisionada
Paraleleppedo ".
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).
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.
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.
Banda I
Material A
ngulo
Espectral
Material B
Banda J
Figura F 8: Exemplo de SAM bidimensional.
10
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.
11
12
Arraste o "mouse" com o boto esquerdo pressionado, na tela do visualizador ndimensional, para girar os eixos coordenados.
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.
13
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.
Ps
14
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
Exatido Global[%]
83,1
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
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
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
Exatido Global[%]
75
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.
17
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
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
20
21
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
23
24
Aparece a caixa de dilogo Band Math. Digite clas_add (b1,b2) na caixa de texto
entitulada Enter an expression.
25
para a aquisio do
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
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 ;
SulSoft Servios de Processamento de Dados Ltda. - Todos os direitos reservados
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.
29
30
31
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 ).
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.
34
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
36
37