CapituloF PDF

*XLDGR(19,HP3RUWXJXrV
)&ODVVLILFDomR
A classificação de objetos ou fenômenos é feita pela escolha das características que os
descrevem para diferenciá-los entre si. Na definição matemática, usa-se o espaço de
atributos ("feature space"), que é essencial para se entender como funciona a
classificação de imagens multiespectrais. No processamento digital, a cada eixo desse
espaço são atribuídos os níveis de cinza de uma determinada banda espectral.
Os métodos de classificação se dividem basicamente em duas categorias: a classificação

supervisionada e a não-supervisionada. Nesta segunda não há qualquer conhecimento
prévio do classificador sobre os atributos das classes pertinentes a cena, enquanto que
na classificação 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 clássicos, tanto de classificação não-supervisionada quanto

supervisionada, são descritos a seguir.
&ODVVLILFDomRQmRVXSHUYLVLRQDGD
,VRGDWD
O método de classificação isodata é, provavelmente, o mais conhecido e é descrito como

um meio de interpretação de imagens de sensoriamento remoto assistida por computador.
O programa de classificação identifica padrões típicos nos níveis de cinza. Esses padrões
são classificados efetuando-se visitas de reconhecimento a alguns poucos exemplos
escolhidos para determinar sua interpretação. Em razão da técnica usada nesse
processo, os padrões são geralmente referidos como "clusters" (agrupamentos ou
nuvens) (Eastman, 1994, p. 104). Neste tipo de classificação, as classes são
determinadas pela análise de agrupamentos ("cluster analysis").
9DQWDJHQV 'HVYDQWDJHQV
Não requer um conhecimento prévio O usuário tem pouco controle sobre a
da área de estudo separação entre classes.
Determinação do número de classes.
Podemos dizer que, no caso das classificações não-supervisionadas, quanto maior a

heterogeneidade das amostras, maior a certeza de que todas as classes possíveis
estarão representadas (Novo, 1988, p. 285). Os pixels nas áreas de treinamento são,
então, submetidos a algoritmos de agrupamento ("clustering"), que determinam o
agregamento natural dos dados, considerando sua distribuição num espaço de n
dimensões (no caso, bandas espectrais).
*8,$)±&ODVVLILFDomR
• Selecione, dentro do menu principal, a cadeia de comandos “Classificação – Não

Supervisionada – IsoData” .
• Aparece a caixa de diálogo do arquivo de entrada para a classificação (Figura 1).
1~PHURGHFODVVHV
O usuário precisa determinar o número de classes para as quais o computador deve

calcular o algoritmo de grupamento. O valor padrão é de cinco classes.
1~PHURGHLWHUDo}HVUHSHWLo}HVGRSURFHVVR
A cada iteração, recalculam-se e reclassificam-se os pixels, considerando-se os novos
valores médios. Além disso, o usuário pode determinar o desvio padrão e o erro de
distância mínima.
)LJXUD)±&DL[DGHGLiORJRGRVSDUkPHWURVGD
FODVVLILFDomRLVRGDWD
• Clique no botão "OK" para aceitar os parâmetros da classificação isodata.
Para maiores detalhes técnicos, consulte a bibliografia ³7RX - 7 DQG 5 &*RQ]DOH]
3DWWHUQ 5HFRJQLWLRQ 3ULQFLSOHV $GGLVRQ:HVOH\ 3XEOLVKLQJ &RPSDQ\
5HDGLQJ0DVVDFKXVHWWV´
.0HDQV
O ENVI também oferece o método K-Means para realizar classificações não

supervisionadas. O Método K-Means calcula inicialmente as classes distribuindo em uma
classe uniformemente no espaço e então aglomera classe por classe em um processo
iterativo usando a técnica de distância mínima. Melhor será a classificação quanto melhor
for agrupada a nuvem de pixels. A classificação estará pronta quando o número de
iterações definido pelo usuário for concluído, ou quando for alcançado o critério de
número 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
critério estará alcançado. Para maiores detalhes técnicos, consulte a bibliografia ³7RX-
7 DQG 5 & *RQ]DOH] 3DWWHUQ 5HFRJQLWLRQ 3ULQFLSOHV $GGLVRQ:HVOH\
3XEOLVKLQJ&RPSDQ\5HDGLQJ0DVVDFKXVHWWV´
• Selecione, no menu principal, a cadeia de comandos “Classificação – Não

Supervisionada – K-Means”
• Selecione o arquivo desejado, clique em OK e aparecerá a janela “K-Means

Parameters” (Figura 2)
)LJXUD)±&DL[DGH
GLiORJRGRVSDUkPHWURVGD
FODVVLILFDomR.0HDQV
• Preencha todos os parâmetros e clique em OK. O resultado aparecerá na lista de

bandas disponíveis
&ODVVLILFDo}HVVXSHUYLVLRQDGDV
O princípio de classificação supervisionada é baseado no uso de algoritmos para se
determinar os pixels que representam valores de reflexão característicos para uma
determinada classe. A classificação supervisionada é a mais utilizada na análise
quantitativa dos dados de sensoriamento remoto.
Etapas de uma classificação supervisionada:
1. Definição das classes nas quais a imagem vai ser dividida (por exemplo: água,
floresta, floresta degradada, agricultura, pasto, áreas urbanas, solo puro, rochas).
Ferramentas de auxílio: Dispersograma Bi-dimensional (Tutorial B), Visualizador
N-Dimensional (Capítulo 3)
2. Escolha de amostras de treinamento para cada classe pelo uso de mapas

topográficos, aerofotos, trabalho de campo, etc. e controle com a ajuda de
avaliações estatísticas. O conjunto dos pixels que fazem parte de uma classe
chama-se DVVLQDWXUD GD FODVVH. Ferramentas de auxílio: Módulo de Região de
Interesse (Tutorial C)
3. Aplicação de um algoritmo de classificação em que

todos os pixels são classificados conforme o método 9DORUHVGHFLQ]DGRVSL[HOV
estatístico escolhido (por

exemplo, Métodos do
Paralelepípedo, Mínima
Distância, Mapeador de
ângulo espectral
("Spectral Angle
Mapper", SAM), Máxima
Verossimilhança).
4. Homogeneização do
resultado de )LJXUD)±([HPSORGHYDORUHVGHFLQ]DHPWRGDVDV
classificação com EDQGDVGRVHQVRU/$1'6$770*HJJS
passos de filtragens,
tais como aglutinação ("clump") e peneiramento ("sieve").
5. Vetorização dos contornos e produção de mapas temáticos com o resultado da

classificação.
A interpretação visual é limitada à observação de apenas três bandas, enquanto as

classificações automáticas são aplicadas a qualquer número de bandas que se queira.
A Figura F-3 mostra que um pixel é caracterizado por um nível de cinza próprio em cada
banda disponível.
Considerando-se que os níveis de

cinza da classe "água encontram-
se, 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 "água". Esse exemplo
mostra que o tempo de
computação aumenta quanto
maior o número de classes e de
bandas.Nas classificações )LJXUD)±(VTXHPDGHFODVVLILFDomRDXWRPiWLFD
supervisionadas, se está em /LOOHVDQGH.LHIHUS
constante interação com o
processo de análise. Selecionam-
seiUHDVGHWUHLQDPHQWR ou DPRVWUDGHWUHLQDPHQWR
("training areas") da imagem como parâmetros para a classificação.
As áreas de treinamento representam o comportamento médio das classes que deverão

ser mapeadas automaticamente (Novo, 1988, p. 283).
Todos os pixels dentro de uma área de treinamento para uma dada classe constituem o
chamado FRQMXQWRGHWUHLQDPHQWR para aquela classe (Crósta, 1993, p. 115). A Figura
F-4 descreve os passos de uma classificação automática. O resultado final é uma imagem
de uma só banda. Para facilitar a interpretação visual, deve-se colorir o resultado da
classificação.
0pWRGRGRSDUDOHOHStSHGR
O método do paralelepípedo considera uma área no espaço de atributos ao redor do
conjunto de treinamento. Essa área tem a forma de um retângulo, definindo os níveis de
cinza máximo e mínimo do conjunto de treinamento. Os lados desse retângulo, que inclui
uma classe própria, chamam-se os OLPLWHV GH GHFLVmR dessa classe. Os pixels que
excedem os limites de decisão, como os pixels nas áreas de inseparabilidade,
apresentam problemas na sua distribuição em uma classe (Figura F-5). A correlação
normalmente existente entre bandas vai causar uma distribuição ao longo da reta de 45º
no espaço de atributos e os limites de decisão vão sempre abranger alguns pixels não
pertencentes à classe (Crósta, 1993, p. 117).
)LJXUD ) (VTXHPD GH FODVVLILFDomR SRU

SDUDOHOHStSHGR)RQWH5LFKDUGVS
'HILQLomRGDVDPRVWUDVGHWUHLQDPHQWR
A determinação das amostras de treinamento pressupõe bons conhecimentos em

interpretação de imagens de satélites. Além disso, o uso de outras fontes de informação,
como mapas, aerofotos, e também de dados estatísticos, ajudam a avaliar se a classe
definida nas amostras de treinamento corresponde, de fato, à superfície natural. Na
prática, escolhem-se as amostras de treinamento em várias bandas.
• Determine as amostras de treinamento em uma imagem favorável (9 ou 10

classes) com Região de Interesse.
• Clique com o botão direito do mouse sobre a imagem e selecione a opção “ROI
Tool..” no menu de atalho
• Clique no botão "New Region" e inicie a definição de um polígono em uma classe

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

região.
• Determine um nome, a cor e o tipo de preechimento da ROI clicando no botão

“Edit” da janela “ROI Tool”.
Ao mesmo tempo, a região aparece sobre a imagem associada, na cor escolhida. Repita
esse passo para cada classe que se deseje implementar no algoritmo de classificação. O
nome do arquivo de saída deve ter extensão .roi.
)LJXUD)±'HILQLomRGHDPRVWUDVGH
WUHLQDPHQWR
A seleção de amostras de treinamento foi padronizada, o que torna possível a aplicação

das mesmas amostras em várias classificações sem a necessidade de recarregá-las. Isto
simplifica a comparação dos resultados das classificações.
• Selecione a cadeia de comandos "Classificação - Coleção de Amostras".

Determine as bandas de entrada na caixa de diálogo "Classification Input File".
Clique "OK". Selecione o algoritmo de classificação no menu "Algorithm", na janela
"Endmember Collection:...", assim como o arquivo espectral no menu sob o item
"Import Spectral Library": se arquivo ASCII, região de interesse (ROI), biblioteca

espectral ou estatístico. Por fim, clique no botão "Apply".
A Tabela 1 mostra os canais do LANDSAT 5 e as qualidades de cada banda para

interpretação visual.
Tabela 1. Aplicações das bandas do LANDSAT 5 (Lillesand & Kiefer, 1979, p. 567).
&RPSULPHQWRGH
%DQGD (VSHFWUR $SOLFDo}HV
2QGD
- Boa penetração na água (mapeamento do
TM 1 azul (VIS) 0,45 - 0,52
litoral) Distinção solo / vegetação
- Reflexão máxima no espectro verde-
TM 2 verde (VIS) 0,52 - 0,60
Determinação da vitalidade da vegetação
- Absorção alta de clorofila
TM 3 vermelho (VIS) 0,63 - 0,69 - Distinção solo / vegetação
- Diferença dos tipos de trigo
- Reflexão alta da vegetação
TM 4 NIR 0,76 - 0,90 - Determinação da massa orgânica
- Distinção terra / água
- Absorção mínima da água
- Determinação do conteúdo de água no solo
e na
TM 5 MIR 1,55 - 1,75
- Vegetação
- Distinção nuvem / neve
- Aplicações geológicas
- Determinação de temperatura e umidade
das superfícies terrestres
TM 6 TIR 10,4 - 12,5
- Análise de "stress" da vegetação
- Distinção cidade / campo
- Aplicações geológicas
- Diferença entre os minerais e rochas
TM 7 MIR 2,08 - 2,35
- Determinação do conteúdo de água no solo
e na vegetação
(WDSDV SDUD D FODVVLILFDomR

SRUSDUDOHOHStSHGR
• Selecione a cadeia de
comandos “Classificação
– Supervisionada –
Paralelepípedo ".
• Após selecionar, na caixa

de diálogo, um arquivo de
entrada de imagem,
aparece uma outra caixa )LJXUD)±&DL[DGHGLiORJRGHSDUkPHWURVGD
onde se definem os FODVVLILFDomRSRUSDUDOHOHStSHGR
parâmetros de
classificação pelo método do paralelepípedo (Figura F-7). Clique em OK.
'HILQLomRGHPiVFDUD
Tornou-se possível a eliminação de áreas específicas dos processos de classificação por
meio de imagem-máscara (ver Cap. Ferramentas).
9LVXDOL]DURUHVXOWDGRGDFODVVLILFDomR
Quando termina o cálculo de classificação por paralelepípedo, o resultado aparece

automaticamente na lista das bandas disponíveis. Note que o resultado da classificação é
uma imagem só, que é carregada em modo "Gray Scale" (imagem em tons de cinza).
0pWRGRGDGLVWkQFLDPtQLPD
Caso do tamanho dos conjuntos de treinamento seja pequeno, recomenda-se um método
de classificação mais simples, como o algoritmo de distância mínima (Richards, 1993, p.
189). Este algoritmo não usa uma matriz de covariância, por isso não é tão flexível como
o algoritmo da classificação por máxima verossimilhança (Maxver). Os modelos de
classes são caracterizados pela simetria espectral.
As classes podem ser definidas com base em dados estatísticos, calculando-se a média
de cada classe, em cada banda espectral. O método de distância mínima atribui cada
pixel desconhecido à classe cuja média seja mais próxima a ele.
• Selecione a cadeia de comandos “ Classificação – Supervisionada – Distância

Mínima ".
• Note que os passos da classificação são os mesmos que foram apresentados para
classificação no método de paralelepípedo. A única diferença encontra-se na caixa
de diálogo de definição dos parâmetros, onde pode-se determinar um erro de
distância máxima a ser aplicado para classificar a imagem.
• Use o mesmo arquivo de região de interesse que foi usado anteriormente para a
classificação por paralelepípedo e inicie a classificação pela distância mínima.
Examine as estatísticas das regiões de interesse para determinar o desvio padrão
e o erro de máxima distância.
0pWRGRGDPi[LPDYHURVVLPLOKDQoD0D[YHU
A classificação Maxver é a classificação supervisionada mais aplicada no tratamento de
dados adquiridos por satélites. Este método é baseado no princípio de que a classificação
errada de um pixel particular não tem mais significado do que a classificação errada de
qualquer outro pixel na imagem (Richards, 1993, p. 321). O usuário determina a
significância nos erros de atributos especificados para uma classe em comparação a
outras. Por exemplo, tendo-se duas subclasses da classe "trigo", seria mais aceitável
classificar um pixel particular na subclasse "milho" para a subclasse "cevada" do que para
a classe "água".
A eficácia do Maxver depende, principalmente, de uma precisão razoável da estimativa do

vetor médio P e da matriz de covariância 6 de toda classe espectral. Isso depende da
quantidade de pixels incluídos nas amostras de treinamento.
Sendo x o vetor correspondente ao um pixel nas N classes envolvidas, o vetor médio dos
pixels pertencentes a uma classe é dado por:
onde . é o número de pixels na classe e([ a esperança de[, uma notação estatística
para estimar a média de [.
Já a matriz de covariância será dada por
Cada amostra de treinamento é representada por pixels com reflexão característica e vale
como área de referência dos níveis de cinza da classe. O resultado do Maxver é melhor
quanto maior o número de pixels numa amostra de treinamento para implementá-los na
matriz de covariância. Se os tamanhos das amostras de treinamento para as classes é
limitado, recomenda-se um método de classificação mais simples e rápido, que não use
uma matriz de covariância (p.ex.: método da distância mínima ou do paralelepípedo).
Nas classificações em que se usa o algoritmo Maxver, cada classe é determinada por um
modelo de classes normal e multivariado. Este modelo toma conta das extensões de
dados em direções espectrais determinadas.
Crósta (1993, p. 123) considera que o método 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 “Classificação –

Supervisionada – Máxima Verossimilhança".
Ao contrário das classificações mostradas acima, a possibilidade de se digitar um valor

para o desvio padrão é substituído pela caixa de texto rotulada "Image Threshold". Digite
um valor entre 0 e 1 para controlar a probabilidade dos parâmetros da classificação
Maxver.
0DSHDGRUGHkQJXORHVSHFWUDO6SHFWUDO$QJOH0DSSHU6$0
O SAM é um método de classificação que usa o ângulo entre as amostras de treinamento
no espaço de n-dimensões para determinar os pixels para uma determinada classe. O
algoritmo determina a similaridade espectral entre dois espectros e calcula o ângulo entre
eles. Os ângulos são tratados como vetores no espaço n-dimensional (Figura F-8).
Esta técnica possui a grande vantagem de os espectros ("endmembers") não serem muito
sensíveis aos efeitos da iluminação e do albedo. Arquivos em formato ASCII, curvas
espectrais da biblioteca espectral e, também, regiões de interesse podem ser usados

como entrada da classificação. Ângulos menores representam relações mais próximas ao
espectro de referência. Pixels fora do ângulo máximo definido não são classificados.
Banda I
Material A
Ângulo
Espectral
Material B
Banda J
)LJXUD)±([HPSORGH6$0ELGLPHQVLRQDO
A aplicação do SAM considera dados reduzidos à reflectância aparente (reflectância

original multiplicada por alguns fatores de
ganho não conhecidos, que dependem da
topografia e da sombra). O SAM só usa a
direção dos vetores, e não o seu módulo, o que
significa que todas as iluminações possíveis
são tratadas da mesma maneira. A cor de um
material é definida pelo seu vetor próprio.
• Selecione, no menu principal, a cadeia

de comandos “ Classificação –
Supervisionada – Spectral Angle
Mapper”
• Depois de selecionar no diálogo arquivo

de entrada de uma imagem, aparece um
outro diálogo para a definição dos
parâmetros de classificação pelo SAM
(Figura F-9).
• Defina as regiões de interesse.. Examine )LJXUD)±&DL[DGHGLiORJRGR

as estatísticas das regiões de interesse FRQMXQWRGHHVSHFWURVGR6$0
para determinar o desvio padrão e o erro
de máxima distância.
Note que as regiões de interesse também podem ser extraídas pelos dispersogramas
bidimensionais e pelo Visualizador n-dimensional. Arquivos de polígonos no formato
ASCII e curvas espectrais da biblioteca espectral também podem ser usados como
entrada de classificação.
&ODVVLILFDomRSRUGLVWkQFLDGH0DKDODQRELV
O classificador da distãncia de Mahalanobis é similar ao da distância mínima e usa
estatísticas para cada classe, porém, ele supõe que a covariança das amostras são
iguais, portanto, é um classificador ainda mais rápido que o método de mínima distância.
• Selecione a cadeia de comandos "Classificação - Supervisionada - Mahalanobis

Distance", no menu principal ou na caixa "Coleção de Amostras...".
• Selecione a imagem desejada, clique em OK e aparecerá a janela “Mahalanobis

Distance Parâmeters”.
• Preencha os parâmetros e clique em OK.
&ODVVLILFDomRSRU%LQDU\(QFRGLQJ
• Selecione a cadeia de comandos "Classificação - Supervisionada - Binary

Encoding", no menu principal ou na caixa "Coleção de Amostras...".
9LVXDOL]DGRU1'LPHQVLRQDO1GLPHQVLRQDO9LVXDOL]HU
O visualizador n-dimensional é um dispersograma de pontos em n-dimensões, onde Q
depende do número de bandas usadas (Boardman, 1993; Boardman & Kruse, 1994). As
coordenadas dos pontos selecionados no espaço n-dimensional são compostas de n
valores que descrevem a radiância ou reflectância espectral em cada banda para todos os
pixels. A distribuição desses pontos no espaço n-dimensional é usada para estimar o
número dos valores extremos ("endmembers") e as assinaturas puras das bandas.
6HOHFLRQDURVGDGRV
Antes de carregar o visualizador n-dimensional, o

usuário precisa determinar uma região de interesse,
incluindo pixels de máxima variedade espectral. Defina
esta região na ferramenta das regiões de interesse. As
regiões de interesse podem ser extraídas da imagem
realçada, mas também de imagens tratadas com o
algoritmo de fração mínima de ruído ("minimum noise
fraction"). É importante dizer que a região de interesse
inclui uma grande variedade de reflectância. )LJXUD)±&DL[DGH
GLiORJRGHHQWUDGDGH
UHJL}HVGHLQWHUHVVHGR
YLVXDOL]DGRUQGLPHQVLRQDO
,PSOHPHQWDomRGDVUHJL}HVGHLQWHUHVVH
• Selecione , dentro do menu principal, a cadeia de comandos "Ferramentas –

Região de Interesse – Exportar ROI´s para Visualizador n-D”.
• Depois de selecionar o arquivo de imagem de entrada, aparece uma outra caixa de

diálogo que possibilita a escolha de uma região de interesse a ser utilizada no
visualizador n-dimensional (Figura F-10).
-DQHODGHYLVXDOL]DGRUQGLPHQVLRQDO
• Clique, na lista, a região de interesse desejada, o que provoca a aparecimento da

caixa de diálogo de controle de visualizador n-dimensional (Figura F-11a) e da tela
do visualizador n-dimensional (Figura F-11b).
$FDL[DGHGLiORJRGHFRQWUROHGRYLVXDOL]DGRUQGLPHQVLRQDO
Depois que os níveis de cinza das regiões de interesse são carregados, aparece a caixa
de diálogo de controle do visualizador de n-dimensional,
junto com o visualizador n-dimensional
6HOHomRGDVEDQGDV
Inicialmente, a janela do visualizador aparece em preto.

Nos controles do visualizador n-dimensional aparecem
todas as bandas carregadas, com botões numerados
(em preto) para cada uma (Figura F-11a).
• Para selecionar uma banda, clique sobre seu

número correspondente na caixa de controle do
visualizador. O botão torna-se branco.
• Automaticamente, aparecem os pixels

correspondentes a essa banda, em branco, na
janela do visualizador n-dimensional (Figura F-
11b).
• Selecionando-se duas bandas, produz-se um

dispersograma bidimensional; clicando-se três
bandas, um dispersograma tridimensional, etc.
)LJXUD)±&DL[DGH
GLiORJRGHFRQWUROH
GRYLVXDOL]DGRUQ
GLPHQVLRQDODH
-DQHODGRYLVXDOL]DGRU
QGLPHQVLRQDOE
(VFROKDGDVGLPHQV}HVHJLURGRGLVSHUVRJUDPD
É necessário escolher-se três bandas, no mínimo, para o uso da função "Start/Stop". Os

eixos giram automaticamente, sendo possível observar os pixels no espaço tridimensional
(ou n-dimensional, se mais bandas forem escolhidas). Para visualizar os eixos, selecione,
dentro da caixa de diálogo “Options” , a opção “Axes: On”.
• Arraste o "mouse" com o botão esquerdo pressionado, na tela do visualizador n-

dimensional, para girar os eixos coordenados.
'HILQLomRGHUHJL}HVGHLQWHUHVVH
Para interromper a rotação, deve-se clicar o botão "Start/Stop", quando o dispersograma

mostrar uma projeção conveniente para diferenciar nuvens de pixels. Certifique-se de que
na caixa de texto a esquerda do botão de escolha está escrito "Define ROI". No caso
desta caixa indicar o texto "Drive Axes", clique o botão de escolha para carregar o texto
"Define ROI".
Definir várias regiões de interesse, arrastando o "mouse" com o botão esquerdo

pressionado, e fechar o polígono com um clique no botão direito do "mouse". Usar várias
projeções diferentes para determinar um grupo maior de pixels isolados. Pode-se definir
uma cor própria para cada classe, clicando-se no botão "Red" e arrastando o cursor do
"mouse" para cor desejada.
([SRUWDUDVFODVVHVGHILQLGDV
• Clique no botão "Export" para salvar as regiões de interesse atualmente obtidas e

exportá-las pela caixa de diálogo "Define ROI's". Esta região de interesse é criada
para localizar os pixels correspondentes na imagem de entrada.
• Clique no botão "Export All" para gravar todas as regiões de interesse criadas.
Abra a caixa de diálogo de região de interesse para gravar as regiões escolhidas e
verifique as estatísticas.
Utilize as regiões de interesse obtidas pelo método do visualizador n-dimensional e

implemente-as na classificação SAM.
&RPSDUDomRGRVUHVXOWDGRVGDVFODVVLILFDo}HV
O controle dos resultados de classificação é um dos passos mais importantes para se

chegar a um resultado bem homogêneo, mas também para controlar a qualidade das
diferentes classificações aplicadas. A classe que normalmente causa a maior
percentagem de pixels classificados incorretamente é a classe "cidade". No exemplo de
detecção de cidades, pode ser avaliada a eficácia de cada classificação.
• Compare os três melhores resultados das classificações, conferindo com a
imagem original.
• Abra várias janelas aplicando as funções "Link" e "Maximize". Avalie a qualidade

dos resultados obtidos pelos diferentes métodos de classificação. Examine as
estatísticas de todos os resultados.
(VWDWtVWLFDVGHFODVVHV
Os resultados de classificação podem ser verificados

com o controle visual ("On/Off") de alguns pixels
escolhidos por acaso, mas também com a análise de
estatísticas.
• Selecione a opção "Classificação – Pós

Classificação – Estatísticas de Classe".
• Aparece a caixa de diálogo de arquivos de

entrada. Note que só imagens classificadas
podem ser selecionadas como arquivo de entrada.
• Clique no botão "OK" na caixa de diálogo de

arquivos de entrada.
• Aparece a caixa de diálogo de arquivo de entrada

de estatística.
• Clique no arquivo de imagem do qual se quer

extrair as estatísticas e clique "OK".
• Aparece a caixa de diálogo de seleção de classes. )LJXUD)±&DL[DGH

GLiORJRGHSDUkPHWURV
GDHVWDWtVWLFD
• Selecione as classes de que deseja um
relatório e clique "OK".
Aparece a caixa de diálogo "Compute Statistic

Parameters" (Figura F-12). Note que só
imagens classificadas podem ser selecionadas
como arquivo de entrada. Além disso, o
analista pode escolher também as estatísticas
e relatórios, clicando nos rótulos
correspondentes. As estatísticas podem ser
gravadas como um arquivo de estatística
(extensão .sta), mas também como um arquivo )LJXUD)±9LVXDOL]DomRGD
de relatório. HVWDWtVWLFD
• Para aplicar os parâmetros escolhidos e iniciar o cálculo, clique o botão "OK"
• Para cada classe, aparecem as janelas de histograma (Figura F-13) e de relatório

(Figura F-14).
)LJXUD)±5HODWyULRHVWDWtVWLFR
GDFODVVLILFDomR
0DWUL]GH&RQIXVmRRXGH(UURV&RQIXVLRQ0DWUL[RX(UURU0DWUL[
A Matriz de Confusão ou de Erros é usada para avaliar o resultado de uma classificação.

Para fazer isso ela compara os dados da verdade de campo com os da classificação,
agrupando-os como mostrado na tabela 2.
Verdade de Campo Total Inclusão [%] Pixels bem

A B C classificados [%]
Classes do A 35 2 2 39 10,2 89,8
Mapa Temático B 10 37 3 50 26,0 74,0
C 5 1 41 47 12.8 87,2
Total pixels de campo 50 40 46 136 ([DWLGmR*OREDO>@
Omissão [%] 30,0 7,5 10,9
7DEHOD0DWUL]GH&RQIXVmRDGDSWDGDGH
5LFKDUGV-$SS
Temos aqui três classes de interesse (A, B e C). A matriz de confusão restringe-se às
linhas e colunas referentes às classes A, B e C. Os componentes da diagonal principal da
matriz de confusão fornecem o número de pixels corretamente classificados para cada
classe correspondente. Por exemplo, para a classe B, no mapa temático foram
corretamente classificados 37 pixels.
No entanto, para 10 pixels dessa mesma classe B no mapa temático, analisando a

verdade de campo, constatou-se que na realidade eles pertenciam a classe A. Bem como
outros 3 pixels que na realidade são da classe C.
Portanto, para os 50 pixels da classe B do mapa temático, 37 (74,0%) foram bem

classificados, enquanto o restante – 13 (26,0%) – foram mal classificados. Este erro de
classificação é denominado HUURGHLQFOXVmRFRPPLVVLRQ, pois se está 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. Porém há 2 pixels seus que são classificados como A e
outros 3 que são classificados como sendo da classe B. Este erro agora é o HUUR GH
RPLVVmR RPLWLRQ, pois nos dois casos está-se a omitir pixels da classe correta
atribuindo-os a outra(s) classe(s).
Na última coluna da tabela, temos a exatidão específica de cada classe, isto é, a

percentagem de pixels do mapa temático que foram bem classificados. E no final desta
coluna, encontramos a H[DWLGmR JOREDO DFFXUDF\ da classificação. Neste caso,
tínhamos no total 136 pixels, sendo que no mapa temático 113 foram bem classificados, o
que perfaz um percentual de 83,1% do total, que foram bem classificados.
Um subproduto da matriz de confusão, que auxilia na avaliação do classificador é o

coeficiente NDSSD (κ).
Uma das vantagens alegadas para uso do NDSSD é de que ele incorpora a informação dos
pixels mal classificados, e não apenas dos bem classificados como a exatidão global.
A equação que fornece o valor de NDSSD é dada por
onde,
Σ representa o somatório em cada linha e coluna;
γé o número de linhas e de colunas;
1 é o número total de pontos, o somatório de toda a matriz;
Dividindo o numerador e o denominador por 1
onde
Grosso modo, a exatidão global seria um índice que superestima a acurácia da

classificação, e o NDSSD seria uma avaliação mais adequada. Para reforçar essa idéia,
peguemos a mesma matriz de confusão dada acima, onde o NDSSD vale N = 0,747.
Portanto, menor do que a exatidão global de 0,831.
Vamos agora, modificar um pouco a nossa matriz de confusão original, com o intuito de
fixar que o NDSSD realmente pode ser, geralmente, considerado um avaliador mais
adequado.
Verdade de Campo Total Inclusão [%] Pixels bem

A B C classificados [%]
Classes do A 35 5 5 45 22,2 77.8
Mapa Temático B 10 32 6 48 33,3 66,7
C 5 3 35 43 18,6 87,4
Total pixels de campo 50 40 46 136 ([DWLGmR*OREDO>@
Omissão [%] 30,0 20,0 23,9
7DEHOD±0DWUL]GHFRQIXVmRDQWHULRU
PRGLILFDGD
Ao diminuir a exatidão das classes B e C, a exatidão global passou para 75%, uma queda
de aproximadamente 10,8%. Já o kappa agora vale k = 0,626, uma diminuição de cerca
de 19,3%. Portanto o kappa é sensível não só a perda de acurácia global como um todo,
mas também as variações dos erros de omissão e de inclusão, que ficaram maiores nas
classes B e C.
Para obter no ENVI a matriz de confusão de uma classificação, é necessário realizar

algumas tarefas de pós-classificação.
• Selecione a cadeia de comandos “Classificação – Pós Classificação”. Clique em

"Matriz de Confusão" e opte entre comparar a classificação com a imagem de
verdade de campo "Usando Imagem de Verdade de Campo" ou com as regiões de
interesse (ROI´s) observadas em campo "Usando ROI´s de Verdade de Campo".
• Na janela "Classification Input File", você deverá escolher a imagem de

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

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

Terminando, clique "OK".
D E
)LJXUD)(VFROKDGHUHJL}HVFRUUHVSRQGHQWHVWDQWRSDUDFRPD
,PDJHPGHFDPSRTXDQWRSDUDFRPDVUHJL}HVGHLQWHUHVVH
GHYHUGDGHGHFDPSR
Após definir os parâmetros de saída da matriz de confusão o ENVI irá gerar uma tela com
todas as informações acerca da mesma (Figura F-16).
)LJXUD)([HPSORGHPDWUL]GHFRQIXVmRJHUDGDSHOR
(19,DRFRQIURQWDUUHJL}HV
GDFODVVLILFDomRFRPGDGRVGHVVDVUHJL}HVREWLGDVQR
FDPSR
&ODVV(GLW
Esse capítulo contém uma descrição do aplicativo ClassEdit, uma das rotinas que
usuários do ENVI + IDL / ENVI podem descarregar da nossa página de Programas
Especiais ( em www.envi.com.br , com os seguintes tópicos:
• ,QWURGXomR
• 0RGRVGH9LVXDOL]DomR
• 0RGR%iVLFRGH2SHUDomR
• 'HILQLomRGHÈUHDVGH,QWHUHVVH
• 2So}HVGH5HFODVVLILFDomR
• 'HVFULomRGRV0HQXV
,QWURGXomR
Mesmo escolhendo as amostras de treinamento com todo cuidado, o resultado da

classificação nunca será perfeito; em parte devido as limitações técnicas (do sistema de
aquisição), em parte devido a semelhança espectral de determinadas componentes da
sua imagem (por exemplo solo exposto - área urbana).
A SulSoft desenvolveu um aplicativo - o ClassEdit - para possibilitar o usuário de corrigir

áreas que foram interpretadas incorretamente no processo de classificação. Da idéia
básica de um simples editor de valores digitais - uma classe é representada pelo valor
numérico do pixel, e esse pixel pode ser atribuído à uma outra classe, simplesmente
mudando o valor numérico dele - o ClassEdit evoluiu para uma ferramenta sofisticada
usada muitas vezes na produção de
empresas brasileiras de mapeamento.
O ClassEdit é iniciado pelo menu de

funções interativas (na janela
principal); os dados de entrada são as
três bandas R, G, ‘B da imagem
original, e o resultado de classificação.
Caso a imagem de entrada exceda
um certo tamanho, abre-se um diálogo
perguntando se o usuário prefere
executar o programa completamente
na memória RAM do computator
(requer memória disponível maior do
que a indicada na janela), ou se ele
prefere a execução em disco.
0RGRVGH9LVXDOL]DomR
Após o fechamento dos diálogos iniciais aparece uma janela com os seguintes elementos
gráficos:
)LJXUD)7HODGH$SUHVHQWDomRGR&ODVV(GLW
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 retângulo vermelho, que pode
ser deslocado clicando-e-arrastando com o botão esquerdo do mouse, define a área
visualizada na janela principal. O fator de ampliação 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 conteúdo da classe (com slider, caso tiver mais de 5 classes). No canto
inferior direito tem os botões para a definição das áreas de interesse, e uma indicação da
posição atual do cursor, da classe (só para imagem principal), e posição geográfica caso
a imagem original é georreferenciada.
Existem muitos modos de visualização para a janela principal (veja abaixo); a imagem
reamostrada sempre aparece com a combinação de bandas escolhida na inicialização do
ClassEdit, após aplicado um realce linear de 2%.
Aparece também uma pequena janela no canto superior direito da tela (em geral
escondido atrás da janela principal com o botão "->ENVI"; esse botão preserva a tabela
de cores dos aplicativos e só tem importância para quem tem uma configuração do
display de apenas 256 cores (desaconselhavel para trabalho com imagens de satélite).
Neste caso deve-se usar este botão para reestabelecer as tabelas de cores do ENVI,
caso o usuário queira trabalhar no ENVI sem sair do ClassEdit antes.
0RGREiVLFRGHRSHUDomR
O objetivo do ClassEdit é poder modificar o resultado de classificação. Para poder efetuar

isso com a máxima eficiência, o ClassEdit dispõe de opções poderosas e versáteis de
visualização e edição, permitindo a seleção de um fundo (por exemplo a imagem original
r,g,b; a imagem filtrada; uma banda só, etc.) e de qualquer combinação de classes para
ser sobreposta ao fundo. As classes a serem sobrepostas podem ser selecionadas:
1) clicando no quadradinho colorido ao lado de número e nome da classe
2) com as teclas 1,2,3,4,5,6,7,8,9,a,b,c,d,e,f , para até 15 classes .
Importante para uma avaliação eficiente da qualidade da classificação atual é a

possibilidade de mudar rapidamente entre a imagem (em geral selecionado para o fundo)
e o resultado da classificação (as classes selecionadas), o que é efetuado no ClassEdit
apertando a tecla "barra de espaço".
Um exemplo: Após ter carregado o ClassEdit, você seleciona as classes 1,2,4 e 6

digitando as teclas 1,2,4 e 6 no seu teclado (ou clicando com botão esquerdo nos
quadrinhos coloridos referentes à essas classes). Na medida em que você digita as
teclas, as classes vão aparecendo uma por uma, sobrepostas à imagem original.
Apertando a tecla "barra de espaço" uma vez fará com que desapareçam as classes da
tela (fica a imagem original); apertando novamente a tecla "barra de espaço" fará com que
as classes selecionadas reapareçam novamente.
O ClassEdit foi otimizado para que essa mudança entre "classes ligadas" e "classes
desligadas" possa ser efetuada com bastante agilidade, permitindo desta forma a
avaliação simultânea da imagem e do resultado de classificação.
'HILQLomRGHÈUHDVGH,QWHUHVVH
A definição da área de interesse é feita na imagem principal, clicando e/ou clicando-e-

arrastando com o botão esquerdo do mouse. Os controles no canto inferior direito
permitem a seleção do tipo de área ("Polígono", "Polilínea", ou "Ponto"), e se é para
adicionar um novo ponto ou vértice ("Adicionar") ou para remover o ponto mais próximo
do cursor ("Remover"). Com o botão "Limpar" pode-se remover todos os pontos e vértices
atualmente desenhados. O clique com o botão direito do mouse fecha a área atual e
chama a janela com as opções de reclassificação.
2So}HVGH5HFODVVLILFDomR
Uma vez identificados os pixels aparentemente "errados" na classificação, existem essas

possibilidades para reclassificá-los:
1. Marcando os pixels com a seleção tipo "Polilínha" ou "Ponto", e associando uma

nova classe à WRGRV os pixels marcados ("Expandir classe").
2. Traçando um polígono ao redor dos pixels, e associando uma nova classe à WRGRV
os pixels dentro do polígono ("Expandir classe").
3. Traçando um polígono ao redor dos pixels, e redefinindo determinados pixels a

partir de critérios escolhidos pelo usuário ("Redefinir Pixels").
Nos primeiros dois métodos o usuário apenas escolhe a nova classe a ser associada à
todos os pixels no polígono. No terceiro método aparece uma janela oferecendo as
seguintes opções:
)LJXUD)-DQHODGRPRGRGHHGLomRGHFODVVHV
• 5HGLVWULEXLU FODVVH Aqui o usuário pode definir quais a(s) classe(s) que serão
afetadas pela redistribuição (os números têm que ser separados por espaço,
vírgula ou ponto-e-vírgula). No exemplo acima seriam escolhidos os pixels das
classes 2,4,5 e 6 .
• SDUD Aqui consta a nova classificação dos pixels selecionados. No exemplo acima
o destino final dos pixels selecionados (aqueles que resolvem todas as condições)
seria a classe 3.
• FRPiUHDPHQRUTXHP: Neste campo o usuário pode definir um limite para as
áreas a serem modificadas. Só áreas FRQWtQXDV menores do que o limite indicado
serão redistribuídos. Se por exemplo a classe dois no exemplo acima caracteriza a

classe de água, e no polígono traçado pelo usuário ficam quatro açudes, só os
açudes com uma área menor do que 50.000 m2 serão reclassificados para a
classe 3. Caso a imagem original não seja georreferenciada, esse limite deve ser
dado em pixels. Obs.: Colocar o valor 0 como limite dispensa a avaliação de área.
• ([FOXLU ERUGD: Ao traçar o polígono, o usuário pode (no exemplo acima, com
classe 2 = água) ter cortado um açude no meio; metade do açude ficou dentro do
polígono, a outra metade fora. Caso essa metade do açude dentro do polígono for
agora menor do que o limite, o algoritmo normalmente redistribuiria esses pixels
para a nova classe 3 (opção Excluir borda: não). Com a opção Excluir borda: sim
(o padrão) as áreas cortadas pelo contorno do polígono serão automaticamente
descartadas (inalteradas).
'HVFULomRGRVPHQXV
Salvar a classificação modificada.
Aplicar as últimas modificações e atualizar a visualização (para o
modo "Troca Rápida").
Visualizar resultado de classificação (todas as classes).
Visualizar imagem original (r,g,b), sem classes sobrepostas.
Desfazer a última modificação (a visualização será automaticamente
atualizada) . Obs.: A tecla "Z" é um atalho para o botão Desfazer.
Encerrar o ClassEdit. Obs.: A classificação modificada QmR será
automaticamente salva.
Menu em cascata para a seleção da imagem do fundo (p.ex.
combinação 3-2-1, ou só banda 2 etc.) .
Menu em cascata para a seleção da filtragem da imagem do fundo
(Nemhuma/Realce de Borda 1/ Realce de Borda 2/ Filtro Laplaciano).
Menu em cascata para a seleção do realce da imagem do fundo
(Nemhum/Linear 2%/Equalização)
Opção para importar um arquivo vetorial do tipo ENVI Vector File .evf
, e sobrepor à imagem da janela principal. É possível importar até 5
planos ("OD\HUV") diferentes. "Editar layer" permite posteriormente
modificar cor, espessura etc. do plano. "Gravar template" permite
salvar a configuração atual, e com "Restaurar template" esta
configuração pode ser rapidamente reestabelecida. Os planos podem
ser ligados e desligados na opção "Editar layer", ou - similiar aos
classes - com as teclas "y","u","i","o", e "p" correspondentes aos
planos 1,2,3,4 e 5 .
O modo "Troca Rápida" permite a reclassificação rápida de áreas,
simplesmente colocando o cursor em cima da área de interesse e
clicando a tecla "x". Com o método de crescimento são identificados
os pixels pertencentes à área escolhida, sendo possível definir no
menu de cascata "4 vizinhos" se a vizinhança é definida por 4 or 8
pixels. O valor da nova classe é definido com o menu em cascata
"T.R. desligada". Na inicialização do ClassEdit esta opção é
desligada. Para agilizar o processo de redefinição de classes essas
áreas permanecem inalteradas na janela, apenas aparecendo no
centro da área escrito "O.K." para sinalizar que essa área já foi
modificada. A visualização das modificações deve ser obtida com o
botão "Atualizar").
A opção "Desfazer" desfaz todas as modificações entre uma
atualização e outra.
+RPRJHQL]DomRGRUHVXOWDGRGHFODVVLILFDomR
Normalmente, o resultado de uma classificação é uma imagem com muito ruído, causado
por pixels isolados ou poucos pixels atribuídos a diversas classes, que ocorrem próximos
a áreas homogeneamente classificadas (Crósta, 1993, p. 129). Assim, é bastante comum
ao se fazer a homogeneização do resultado da classificação em áreas de topografia
acidentada, uma vez que os efeitos causados por áreas sombreadas e iluminadas são
extremamente variáveis. Outro efeito é provocado por áreas em que os pixels contêm
uma mistura de duas ou mais classes (pixels impuros).
A classe de áreas urbanas (“cidade”) é conhecida como a que se mistura com quase
todas as outras classes. Por exemplo: depois da colheita, os terrenos agrícolas ficam
caracterizados por uma reflexão semelhante a de solos puros ou, principalmente, de
áreas urbanas. Esse fato explica a ocorrência 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 usuário define amostras de treinamento na classe “cidade” para áreas residenciais
densamente arborizadas. Além disso, aparecem, algumas vezes, pixels da classe
“cidade” em margens de rio ou no mar, especialmente em águas com alto conteúdo de
material em suspensão. O algoritmo da classificação distribui esses pixels na classe
“água”, porque essas partes fornecem uma informação espectral parecida como a da
classe “cidade” (densa).
)LOWUDJHPGRUHVXOWDGRGDFODVVLILFDomR
Um dos passos mais comuns, para homogeneizar o resultado da classificação, é a
aplicação de um filtro da mediana (Seção G-1.6).
• Selecione a cadeia de comandos “Filtros –

Convolução” .
• Aparece a caixa de diálogo de arquivo de

entrada.
• Aparece a caixa de diálogo dos

parâmetros de convolução, que possibilita
a escolha do tamanho da máscara (Figura
F-19).
)LJXUD) &DL[D GH GLiORJR
• Teste vários tamanhos de máscara. Digite GRV SDUkPHWURV GD PDWUL] GH
o nome do arquivo de saída e clique o FRQYROXomRGRILOWURGDPHGLDQD
botão ‘OK’.
• Carregue o resultado da filtragem (uma imagem em preto e branco) numa nova

tela. Para colorir essa imagem, mude o cabeçalho com um clique no botão “Editar
Cabeçalho de Arquivo ENVI”, do menu “Arquivo”. Mude o tipo de arquivo para
“Classification” e digite o número das classes incluídas. Para visualizar a imagem

filtrada nas mesmas cores do resultado da classificação, chame no menu da janela
gráfica a cadeia de comandos “Mapeamento de Cores” – “Mapeamento de Cores
de Classificação”. Mude os nomes e as cores das classes.
)XQomRGHDJOXWLQDomRGHFODVVHV³&OXPS&ODVVHV´
Geralmente, as imagens classificadas apresentam ruído, o que dificulta a interpretação
visual. A função de ³&OXPS &ODVVHV´ resolve esse problema ao aglutinar classes
adjacentes.
• Determine, na imagem filtrada, as classes que serão aumentadas e verificar o

tamanho da máscara.
• Selecionar a opção “Clump” no menu de classificação “Pós Classificação”
• Aparece a caixa de diálogo de arquivos de entrada.
• Aparece a caixa de diálogo dos parâmetros de convolução, que possibilita a

escolha do tamanho da máscara.
• Para adicionar classes do arquivo na imagem homogeneizada, clique o botão

“Band Math”, no menu Ferramentas.
• Aparece a caixa de diálogo “Band Math”. Digite clas_add (b1,b2) na caixa de texto
entitulada “Enter an expression”.
• Clique as expressões ‘b1’/’b2’ e associar, para ‘b1’, a imagem e, para ‘b2’, a

imagem.
)XQomRGHVHSDUDomRGHFODVVHV³6LHYH&ODVVHV´
A função de separação de classes resolve o problema de eliminar classes adjacentes.
Normalmente, as funções de aglutinação (“Clump”) e separação (“Sieve”) são aplicadas
em etapas sucessivas. Por exemplo, nas margens da classe “cidade”, encontram-se
pixels classificados erroneamente como “rocha”.
• Selecione a cadeia de comandos “Classificação – Pós Classificação – Sieve

Class”.
&ODVVLILFDomRVXSHUYLVLRQDGDXVDQGR5HGH1HXUDO
A partir da versão ENVI 3.6 a função de classificação supervisionada foi incrementada
com a opção do uso de rede neural que é um sistema inspirado nos neurônios biológicos
e na estrutura massivamente paralela do cérebro, com capacidade de adquirir, armazenar
e utilizar conhecimento experimental.
Aquisição de Conhecimento (aprendizado):
Treinamento efetuado através da apresentação de exemplos (coletas de amostras-
ROIs)>Existe uma variedade de algorítmos que estabelecem QUANDO e COMO os
parâmetros da Rede Neural devem ser atualizados->Algorítmos substituem a
programação necessária para a execução das tarefas nos computadores.
Aplicações Gerais:
1 Reconhecimento de padrões;
2 Classificação de Padrões;
3 Correção de padrões;
4 Previsão de séries temporais;
5 Aproximação de Funções;
6 Suporte à decisão;
7 Extração de informações.
Processamento Neural:
O processamento de uma rede neural pode ser dividido em duas fases:
• “Learning” - Processo de atualização dos pesos para a aquisição do

conhecimento (Aquisição da informação);.
• “Recall” - Processo de cálculo da saída da rede, dado um certo padrão de entrada

(recuperação da informação)
Aprendizado:
Processo pelo qual os parâmetros livres (pesos sinápticos) de uma rede neural são
adaptados através de um processo contínuo de estimulação pelo ambiente.
Existem 3 tipos básicos de aprendizado:
1 Treinamento Supervisionado;
2 Treinamento Não-supervisionado;
3 treinamento em "Batch".
No caso do ENVI 4.0 limitaremos a descrição ao treinamento supervisionado:

Treinamento Supervisionado:
A rede é treinada através do fornecimento dos valores de entrada e seus respectivos
valores da saída desejada "training pair"-> Geralmente efetuado através do processo de
minimização do erro calculado na saída.
Recuperação de Dados:
Assumindo que um conjunto de padrões tenha sido armazenado, a Rede Neural pode
executar as seguintes tarefas:
• Auto-associação;
• Hetero-associação;
• Classificação.
No caso da classificação a rede neural responde com a informação relativa às classes a
qual o padrão de entrada pertence.-> Caso especial de Hetero-associação. Ex: Padrões
de entrada com ou sem ruído .
Generalização: A rede neural responde corretamente a um padrão de entrada fora do

conjunto de treinamento.
$SOLFDQGRFODVVLILFDomRFRPUHGHQHXUDO
Use “Neural Net” ,disponibilizada a partir do ENVI 3.6, para executar classificação através
de estruturas de interconexão feed-forward de múltiplas camadas. A rede feed-forward
consiste em uma ou mais camadas de processadores cujo fluxo de dados possui, sempre,
uma única direção, isto é, não existe realimentação. Com base nos estudos já realizados,
pode-se afirmar que os tipos de redes neurais mais adequados são as redes
multicamadas do tipo "feed-foward" com método de aprendizagem supervisionado. A
técnica de rede neural utiliza-se do modelo de algorítmo “backpropagation” (retro-
propagação) para a aprendizagem supervisionada.
Como a maioria das aplicações utilizam o algoritmo de backpropagation ou suas variantes
para treinamento destas redes. Pode-se dizer que o algoritmo de backpropagation é uma
generalização do algoritmo do método dos minimos quadrados, que utiliza técnicas de
gradiente descendente interativo para minimizar uma função de custo igual a diferença
média quadrada entre a saída desejada e a saída real da RNA.
([HFXWDQGRD&ODVVLILFDomR³1HXUDO1HW´
Você deve primeiramente definir as ROIs para usa-las como amostra de pixels para cada
classe. Quanto mais pixels compor uma amostra, melhor serão os resultados obtidos. ,
1 - Selecione ->Classificação -> Supervisionada -> Rede Neural;

2 - Quando a caixa de diálogo de seleção do arquivo aparecer, selecione o arquivo de
entrada;
3 - Ao selecionar o arquivo desejado clique em “ok”, surgirá, então, a janela “Neural Net
Parameters”;
4 - Selecione as amostras das classes clicando nos nomes das ROI´s na lista de seleção
de classes por região (Select Classes from Regions);
5 - Selecione o método de ativação desejado clicando no botão de seleção

correspondente;
6 - Na caixa de texto "Training Threshold Contribution”, entre com um valor entre 0 e 1. A

"training threshold contribution" estipula a dimensão da contribuição do peso interno com
o respectivo nível de ativação do ponto. Ele é usado para ajustar as mudanças para um
peso interno . O treinamento do algorítmo 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 próximos de 1 ocorrerá
um aumento de velocidade em relação processamento do treinamento, entretanto o risco
da ocorrência de oscilações ou não convergência no resultado do treinamento também
será maior;
8 - Em “Training Momentum” determine, também, um valor entre 0 e 1. Entrando com

uma taxa de permissividade maior que 0 proporcionará uma maior taxa de treinamento
sem ocilações.
9 - No campo “Training RMS Exit Criteria”, a seu critério, entre com um valor do erro RMS
para o qual o treinamento deverá parar.
Obs.1: Caso o erro RMS, que é mostrado durante a execução do treinamento, ficar
abaixo do valor limite o treinamento parará ;
10 - No campo “Number of Hidden Layers” entre com o número de “layers” internos. Para
uma classificação linear, entre com o valor “0”. No caso de uma classificação não linear
defina valores a partir de “1”.
11 - Em “Number of Training Interations”, entre com o número de interações desejado

para a execução do treinamento;
12 - Selecione a forma de saída do resultado do processamento entre as opções “File” ou

“Memory;
13 - Opcionalmente você pode selecionar uma saída para o arranjo de imagens que
representam cada classe, selecionando o botão de alternância “Yes/No” no campo
“Output Rule Images”;
14 - Clique no botão “ok” para iniciar a execução da classificação de Rede Neural “Neural
Net”. Surgirá uma janela de “status” informando o progresso da operação. Durante o
treinamento é apresentado, também, um gráfico informando o erro médio quadrado RMS
para cada interação.
Dica : Caso o RMS estiver ocilando sem apresentar sinais de convergência , tente atribuir
um valor menor para a taxa de treinamento “Training Rate” ou ROIs diferentes.
O resultado da classificação por redes neurais aparecerá na caixa de lista de bandas
disponíveis “Available bands List” quando o processamento estiver encerrado.
&ODVVLILFDomRSRUiUYRUHGHGHFLVmR
O classificador por árvore de decisão, disponível a partir do ENVI 4.0 é uma técnica
inovadora que executa classificações através de um processamento multi-etapas usando
uma série de decisões binárias para alocação de pixels. Cada decisão separa pixels,
pertencentes à um arranjo de imagens, dentro de duas classes baseadas numa
determinada expressão. Para cada nova classe é possível subdividi-la em mais duas
classes, ou seja, você pode definir tantas classes quanto for necessária para gerar a
classificação. Uma outra vantagem é a possibilidade de unir dados provenientes de
diferentes origens para produzir uma única decisão do classificador em árvore. Por
exemplo:
• A informação multi-espectral pode ser usada em conjunto com a informação
referente ao modelo de elevação digital (DEM) com o intuíto de encontrar áreas
sujeitas ao processo de erosão do solo, ou seja, zonas que apresentam um baixo
índice de vegetação associada a uma acentuada declividade;
• Imagens georreferenciadas em projeções diferentes assim como também em
resoluções diferentes (tamanho do pixel diferente) podem ser usadas em conjunto
em uma única decisão.
Nos dois casos citados acima o ENVI reprojetará e reamostrará o arranjo da decisão de
forma instantânea.
As ilustrações a seguir mostram um exemplo da classificação por árvore de decisão no

ENVI 4.0:
&ULDQGRXPDQRYDiUYRUHGHGHFLVmR
1. A partir do menu principal do ENVI 4.0, selecione ->Classificação ->Árvore de

Decisão -> Criar Nova Árvore de Decisão; A janela “ENVI Decision Tree” aparecerá
já com um nó de decisão singular e duas classes subordinadas;
2. Clique com o cursor do mouse sobre o nó “Node 1” informe um nome, determine

uma expressão na janela de edição “Edit Decision Tree Properties” e clique em
“ok”;
3. Na caixa de variáveis “Variable / File Pairings “ clique sobre o nome da variável e

selecione a entrada do arquivo ou a banda associada à variável;
Obs.1: Observe que os nomes de cada nó aparecem automáticamente no diagrama da

árvore de decisão “ENVI Decision Tree”.
4. Você pode adicionar sub-classes ao nó clicando com o botão direito do mouse

sobre o nó da classe atual e no menu de atalho que aparece selecione “Add
Children”;
5. Clique sobre o novo nó, informe um nome, determine uma nova expressão e clique
em “ok” para aceitar;
6. Repita as etapas 2 e 4 adicionando tantos nós de classes quanto for necessário

para a sua classificação.
([HFXWDQGRXPDQRYDiUYRUHGHGHFLVmR
Para executar e editar interativamente uma classificação por árvore de decisão siga as
seguintes instruções:
1. Na janela da árvore de decisão no ENVI 4.0, selecione “Options”->”Execute”;
2. Ao surgir a caixa de diálogo dos parâmetros de execução “Decision Tree

Execution Parameters” selecione apenas um segmento da árvore, caso desejar, e
determine um nome de saída para a classificação;
Obs.1: Se o seus dados estão georreferenciados, selecione a imagem que servirá

como base, determine o tamanho do pixel de saída e selecione o método de
reamostragem a partir do botão de seleção;
Obs.2: No momento da execução cada nó de classe mudará de cor para verde, ou

seja, a cor verde representa o instante de processamento de cada classe durante a
execução da classificação;
3. Para visualizar detalhes sobre a quantidade de pixels em cada nó de classe,

clique com o botão direito do mouse sobre o fundo da janela da árvore de decisão
“ENVI Decision Tree” e selecione “Zoom In” a partir do menu de atalho que
surgirá. Cada nó mostrará a quantidade de pixels inseridos dentro da sua
respectiva classe. Outra fonte de informação e dada pela barra de estatus que
fornece detalhes no momento que você posiciona o cursor sobre o nó de classe;
4. Mesmo após a execução da classificação você poderá editar interativamente a

sua árvore de decisão clicando com o cursor do mouse sobre o nó e efetuando as
alterações desejadas na caixa ”Edit Decision Properties”
Obs.3: Você, também, pode alterar a cor e o nome da cada classe, clicando sobre o
nó da classe e informando um novo nome e uma nova cor na caixa de diálogo de
edição de classe “Edit Class Properties”;
5. Execute a classificação, novamente, e observe os resultados;
6. Repita as etapas 3 e 4 até que você esteja satisfeito com os resultados.

CapituloF PDF

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

CapituloF PDF

Enviado por

Direitos autorais:

Formatos disponíveis

*XLDGR(19,HP3RUWXJXrV

Os métodos de classificação se dividem basicamente em duas categorias: a classificação

Alguns dos algoritmos clássicos, tanto de classificação não-supervisionada quanto

O método de classificação isodata é, provavelmente, o mais conhecido e é descrito como

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

• Selecione, dentro do menu principal, a cadeia de comandos “Classificação – Não

• Aparece a caixa de diálogo do arquivo de entrada para a classificação (Figura 1).

O usuário precisa determinar o número de classes para as quais o computador deve

• Clique no botão "OK" para aceitar os parâmetros da classificação isodata.

O ENVI também oferece o método K-Means para realizar classificações não

• Selecione, no menu principal, a cadeia de comandos “Classificação – Não

• Selecione o arquivo desejado, clique em OK e aparecerá a janela “K-Means

• Preencha todos os parâmetros e clique em OK. O resultado aparecerá na lista de

Etapas de uma classificação supervisionada:

2. Escolha de amostras de treinamento para cada classe pelo uso de mapas

3. Aplicação de um algoritmo de classificação em que

estatístico escolhido (por

5. Vetorização dos contornos e produção de mapas temáticos com o resultado da

A interpretação visual é limitada à observação de apenas três bandas, enquanto as

Considerando-se que os níveis de

As áreas de treinamento representam o comportamento médio das classes que deverão

)LJXUD ) (VTXHPD GH FODVVLILFDomR SRU

A determinação das amostras de treinamento pressupõe bons conhecimentos em

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

• Clique no botão "New Region" e inicie a definição de um polígono em uma classe

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

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

A seleção de amostras de treinamento foi padronizada, o que torna possível a aplicação

• Selecione a cadeia de comandos "Classificação - Coleção de Amostras".

"Import Spectral Library": se arquivo ASCII, região de interesse (ROI), biblioteca

A Tabela 1 mostra os canais do LANDSAT 5 e as qualidades de cada banda para

(WDSDV SDUD D FODVVLILFDomR

• Após selecionar, na caixa

Quando termina o cálculo de classificação por paralelepípedo, o resultado aparece

• Selecione a cadeia de comandos “ Classificação – Supervisionada – Distância

A eficácia do Maxver depende, principalmente, de uma precisão razoável da estimativa do

Já a matriz de covariância será dada por

• Selecione, dentro do menu principal, a cadeia de comados “Classificação –

Ao contrário das classificações mostradas acima, a possibilidade de se digitar um valor

espectrais da biblioteca espectral e, também, regiões de interesse podem ser usados

A aplicação do SAM considera dados reduzidos à reflectância aparente (reflectância

• Selecione, no menu principal, a cadeia

• Depois de selecionar no diálogo arquivo

• Defina as regiões de interesse.. Examine )LJXUD)±&DL[DGHGLiORJRGR

• Selecione a cadeia de comandos "Classificação - Supervisionada - Mahalanobis

• Selecione a imagem desejada, clique em OK e aparecerá a janela “Mahalanobis

• Preencha os parâmetros e clique em OK.

• Selecione a cadeia de comandos "Classificação - Supervisionada - Binary

Antes de carregar o visualizador n-dimensional, o

• Selecione , dentro do menu principal, a cadeia de comandos "Ferramentas –

• Depois de selecionar o arquivo de imagem de entrada, aparece uma outra caixa de

• Clique, na lista, a região de interesse desejada, o que provoca a aparecimento da

Inicialmente, a janela do visualizador aparece em preto.

• Para selecionar uma banda, clique sobre seu

• Automaticamente, aparecem os pixels

• Selecionando-se duas bandas, produz-se um

É necessário escolher-se três bandas, no mínimo, para o uso da função "Start/Stop". Os

• Arraste o "mouse" com o botão esquerdo pressionado, na tela do visualizador n-

Para interromper a rotação, deve-se clicar o botão "Start/Stop", quando o dispersograma

Definir várias regiões de interesse, arrastando o "mouse" com o botão esquerdo

• Clique no botão "Export" para salvar as regiões de interesse atualmente obtidas e

Utilize as regiões de interesse obtidas pelo método do visualizador n-dimensional e

O controle dos resultados de classificação é um dos passos mais importantes para se

)LJXUD ) (VTXHPD GH FODVVLILFDomR SRU

• Defina as regiões de interesse.. Examine )LJXUD)±&DL[DGHGLiORJRGR

• Aparece a caixa de diálogo de seleção de classes. )LJXUD)±&DL[DGH

Total pixels de campo 50 40 46 136 ([DWLGmR*OREDO>@

Omissão [%] 30,0 7,5 10,9

Dividindo o numerador e o denominador por 1

Total pixels de campo 50 40 46 136 ([DWLGmR*OREDO>@

Omissão [%] 30,0 20,0 23,9