Escolar Documentos
Profissional Documentos
Cultura Documentos
)&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.
&ODVVLILFDomRQmRVXSHUYLVLRQDGD
,VRGDWD
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.
*8,$)±&ODVVLILFDomR
*XLDGR(19,HP3RUWXJXrV
1~PHURGHFODVVHV
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
Para maiores detalhes técnicos, consulte a bibliografia ³7RX - 7 DQG 5 &*RQ]DOH]
3DWWHUQ 5HFRJQLWLRQ 3ULQFLSOHV $GGLVRQ:HVOH\ 3XEOLVKLQJ &RPSDQ\
5HDGLQJ0DVVDFKXVHWWV´
.0HDQV
*8,$)±&ODVVLILFDomR
*XLDGR(19,HP3RUWXJXrV
critério estará alcançado. Para maiores detalhes técnicos, consulte a bibliografia ³7RX-
7 DQG 5 & *RQ]DOH] 3DWWHUQ 5HFRJQLWLRQ 3ULQFLSOHV $GGLVRQ:HVOH\
3XEOLVKLQJ&RPSDQ\5HDGLQJ0DVVDFKXVHWWV´
)LJXUD)±&DL[DGH
GLiORJRGRVSDUkPHWURVGD
FODVVLILFDomR.0HDQV
&ODVVLILFDo}HVVXSHUYLVLRQDGDV
O princípio de classificação supervisionada é baseado no uso de algoritmos para se
determinar os pixels que representam valores de reflexão característicos para uma
determinada classe. A classificação supervisionada é a mais utilizada na análise
quantitativa dos dados de sensoriamento remoto.
1. Definição das classes nas quais a imagem vai ser dividida (por exemplo: água,
floresta, floresta degradada, agricultura, pasto, áreas urbanas, solo puro, rochas).
Ferramentas de auxílio: Dispersograma Bi-dimensional (Tutorial B), Visualizador
N-Dimensional (Capítulo 3)
*8,$)±&ODVVLILFDomR
*XLDGR(19,HP3RUWXJXrV
4. Homogeneização do
resultado de )LJXUD)±([HPSORGHYDORUHVGHFLQ]DHPWRGDVDV
classificação com EDQGDVGRVHQVRU/$1'6$770*HJJS
passos de filtragens,
tais como aglutinação ("clump") e peneiramento ("sieve").
A Figura F-3 mostra que um pixel é caracterizado por um nível de cinza próprio em cada
banda disponível.
*8,$)±&ODVVLILFDomR
*XLDGR(19,HP3RUWXJXrV
seiUHDVGHWUHLQDPHQWR ou DPRVWUDGHWUHLQDPHQWR
("training areas") da imagem como parâmetros para a classificação.
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).
'HILQLomRGDVDPRVWUDVGHWUHLQDPHQWR
*8,$)±&ODVVLILFDomR
*XLDGR(19,HP3RUWXJXrV
• Clique com o botão direito do mouse sobre a imagem e selecione a opção “ROI
Tool..” no menu de atalho
Ao mesmo tempo, a região aparece sobre a imagem associada, na cor escolhida. Repita
esse passo para cada classe que se deseje implementar no algoritmo de classificação. O
nome do arquivo de saída deve ter extensão .roi.
)LJXUD)±'HILQLomRGHDPRVWUDVGH
WUHLQDPHQWR
*8,$)±&ODVVLILFDomR
*XLDGR(19,HP3RUWXJXrV
Tabela 1. Aplicações das bandas do LANDSAT 5 (Lillesand & Kiefer, 1979, p. 567).
&RPSULPHQWRGH
%DQGD (VSHFWUR $SOLFDo}HV
2QGD
- Boa penetração na água (mapeamento do
TM 1 azul (VIS) 0,45 - 0,52
litoral) Distinção solo / vegetação
- Reflexão máxima no espectro verde-
TM 2 verde (VIS) 0,52 - 0,60
Determinação da vitalidade da vegetação
- Absorção alta de clorofila
TM 3 vermelho (VIS) 0,63 - 0,69 - Distinção solo / vegetação
- Diferença dos tipos de trigo
- Reflexão alta da vegetação
TM 4 NIR 0,76 - 0,90 - Determinação da massa orgânica
- Distinção terra / água
- Absorção mínima da água
- Determinação do conteúdo de água no solo
e na
TM 5 MIR 1,55 - 1,75
- Vegetação
- Distinção nuvem / neve
- Aplicações geológicas
- Determinação de temperatura e umidade
das superfícies terrestres
TM 6 TIR 10,4 - 12,5
- Análise de "stress" da vegetação
- Distinção cidade / campo
- Aplicações geológicas
- Diferença entre os minerais e rochas
TM 7 MIR 2,08 - 2,35
- Determinação do conteúdo de água no solo
e na vegetação
• Selecione a cadeia de
comandos “Classificação
– Supervisionada –
Paralelepípedo ".
*8,$)±&ODVVLILFDomR
*XLDGR(19,HP3RUWXJXrV
'HILQLomRGHPiVFDUD
Tornou-se possível a eliminação de áreas específicas dos processos de classificação por
meio de imagem-máscara (ver Cap. Ferramentas).
9LVXDOL]DURUHVXOWDGRGDFODVVLILFDomR
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.
• 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".
*8,$)±&ODVVLILFDomR
*XLDGR(19,HP3RUWXJXrV
Sendo x o vetor correspondente ao um pixel nas N classes envolvidas, o vetor médio dos
pixels pertencentes a uma classe é dado por:
onde . é o número de pixels na classe e([ a esperança de[, uma notação estatística
para estimar a média de [.
Cada amostra de treinamento é representada por pixels com reflexão característica e vale
como área de referência dos níveis de cinza da classe. O resultado do Maxver é melhor
quanto maior o número de pixels numa amostra de treinamento para implementá-los na
matriz de covariância. Se os tamanhos das amostras de treinamento para as classes é
limitado, recomenda-se um método de classificação mais simples e rápido, que não use
uma matriz de covariância (p.ex.: método da distância mínima ou do paralelepípedo).
Nas classificações em que se usa o algoritmo Maxver, cada classe é determinada por um
modelo de classes normal e multivariado. Este modelo toma conta das extensões de
dados em direções espectrais determinadas.
Crósta (1993, p. 123) considera que o método Maxver deve ser aplicado quando o
analista conhece bem a imagem a ser classificada, para que possa definir classes que
sejam representativas.
0DSHDGRUGHkQJXORHVSHFWUDO6SHFWUDO$QJOH0DSSHU6$0
O SAM é um método de classificação que usa o ângulo entre as amostras de treinamento
no espaço de n-dimensões para determinar os pixels para uma determinada classe. O
algoritmo determina a similaridade espectral entre dois espectros e calcula o ângulo entre
eles. Os ângulos são tratados como vetores no espaço n-dimensional (Figura F-8).
Esta técnica possui a grande vantagem de os espectros ("endmembers") não serem muito
sensíveis aos efeitos da iluminação e do albedo. Arquivos em formato ASCII, curvas
*8,$)±&ODVVLILFDomR
*XLDGR(19,HP3RUWXJXrV
Banda I
Material A
Ângulo
Espectral
Material B
Banda J
)LJXUD)±([HPSORGH6$0ELGLPHQVLRQDO
*8,$)±&ODVVLILFDomR
*XLDGR(19,HP3RUWXJXrV
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.
&ODVVLILFDomRSRU%LQDU\(QFRGLQJ
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
,PSOHPHQWDomRGDVUHJL}HVGHLQWHUHVVH
-DQHODGHYLVXDOL]DGRUQGLPHQVLRQDO
$FDL[DGHGLiORJRGHFRQWUROHGRYLVXDOL]DGRUQGLPHQVLRQDO
Depois que os níveis de cinza das regiões de interesse são carregados, aparece a caixa
de diálogo de controle do visualizador de n-dimensional,
junto com o visualizador n-dimensional
6HOHomRGDVEDQGDV
*8,$)±&ODVVLILFDomR
*XLDGR(19,HP3RUWXJXrV
(VFROKDGDVGLPHQV}HVHJLURGRGLVSHUVRJUDPD
'HILQLomRGHUHJL}HVGHLQWHUHVVH
([SRUWDUDVFODVVHVGHILQLGDV
• 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.
&RPSDUDomRGRVUHVXOWDGRVGDVFODVVLILFDo}HV
*8,$)±&ODVVLILFDomR
*XLDGR(19,HP3RUWXJXrV
(VWDWtVWLFDVGHFODVVHV
*8,$)±&ODVVLILFDomR
*XLDGR(19,HP3RUWXJXrV
)LJXUD)±5HODWyULRHVWDWtVWLFR
GDFODVVLILFDomR
0DWUL]GH&RQIXVmRRXGH(UURV&RQIXVLRQ0DWUL[RX(UURU0DWUL[
C 5 1 41 47 12.8 87,2
7DEHOD0DWUL]GH&RQIXVmRDGDSWDGDGH
5LFKDUGV-$SS
Temos aqui três classes de interesse (A, B e C). A matriz de confusão restringe-se às
linhas e colunas referentes às classes A, B e C. Os componentes da diagonal principal da
matriz de confusão fornecem o número de pixels corretamente classificados para cada
classe correspondente. Por exemplo, para a classe B, no mapa temático foram
corretamente classificados 37 pixels.
*8,$)±&ODVVLILFDomR
*XLDGR(19,HP3RUWXJXrV
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.
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;
onde
*8,$)±&ODVVLILFDomR
*XLDGR(19,HP3RUWXJXrV
Vamos agora, modificar um pouco a nossa matriz de confusão original, com o intuito de
fixar que o NDSSD realmente pode ser, geralmente, considerado um avaliador mais
adequado.
C 5 3 35 43 18,6 87,4
7DEHOD±0DWUL]GHFRQIXVmRDQWHULRU
PRGLILFDGD
Ao diminuir a exatidão das classes B e C, a exatidão global passou para 75%, uma queda
de aproximadamente 10,8%. Já o kappa agora vale k = 0,626, uma diminuição de cerca
de 19,3%. Portanto o kappa é sensível não só a perda de acurácia global como um todo,
mas também as variações dos erros de omissão e de inclusão, que ficaram maiores nas
classes B e C.
*8,$)±&ODVVLILFDomR
*XLDGR(19,HP3RUWXJXrV
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).
*8,$)±&ODVVLILFDomR
*XLDGR(19,HP3RUWXJXrV
)LJXUD)([HPSORGHPDWUL]GHFRQIXVmRJHUDGDSHOR
(19,DRFRQIURQWDUUHJL}HV
GDFODVVLILFDomRFRPGDGRVGHVVDVUHJL}HVREWLGDVQR
FDPSR
&ODVV(GLW
Esse capítulo contém uma descrição do aplicativo ClassEdit, uma das rotinas que
usuários do ENVI + IDL / ENVI podem descarregar da nossa página de Programas
Especiais ( em www.envi.com.br , com os seguintes tópicos:
• ,QWURGXomR
• 0RGRVGH9LVXDOL]DomR
• 0RGR%iVLFRGH2SHUDomR
• 'HILQLomRGHÈUHDVGH,QWHUHVVH
• 2So}HVGH5HFODVVLILFDomR
• 'HVFULomRGRV0HQXV
,QWURGXomR
*8,$)±&ODVVLILFDomR
*XLDGR(19,HP3RUWXJXrV
0RGRVGH9LVXDOL]DomR
Após o fechamento dos diálogos iniciais aparece uma janela com os seguintes elementos
gráficos:
)LJXUD)7HODGH$SUHVHQWDomRGR&ODVV(GLW
*8,$)±&ODVVLILFDomR
*XLDGR(19,HP3RUWXJXrV
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
*8,$)±&ODVVLILFDomR
*XLDGR(19,HP3RUWXJXrV
O ClassEdit foi otimizado para que essa mudança entre "classes ligadas" e "classes
desligadas" possa ser efetuada com bastante agilidade, permitindo desta forma a
avaliação simultânea da imagem e do resultado de classificação.
'HILQLomRGHÈUHDVGH,QWHUHVVH
2So}HVGH5HFODVVLILFDomR
2. Traçando um polígono ao redor dos pixels, e associando uma nova classe à WRGRV
os pixels dentro do polígono ("Expandir classe").
Nos primeiros dois métodos o usuário apenas escolhe a nova classe a ser associada à
todos os pixels no polígono. No terceiro método aparece uma janela oferecendo as
seguintes opções:
)LJXUD)-DQHODGRPRGRGHHGLomRGHFODVVHV
• 5HGLVWULEXLU FODVVH Aqui o usuário pode definir quais a(s) classe(s) que serão
afetadas pela redistribuição (os números têm que ser separados por espaço,
vírgula ou ponto-e-vírgula). No exemplo acima seriam escolhidos os pixels das
classes 2,4,5 e 6 .
• SDUD Aqui consta a nova classificação dos pixels selecionados. No exemplo acima
o destino final dos pixels selecionados (aqueles que resolvem todas as condições)
seria a classe 3.
• FRPiUHDPHQRUTXHP: Neste campo o usuário pode definir um limite para as
áreas a serem modificadas. Só áreas FRQWtQXDV menores do que o limite indicado
*8,$)±&ODVVLILFDomR
*XLDGR(19,HP3RUWXJXrV
'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.
*8,$)±&ODVVLILFDomR
*XLDGR(19,HP3RUWXJXrV
+RPRJHQL]DomRGRUHVXOWDGRGHFODVVLILFDomR
Normalmente, o resultado de uma classificação é uma imagem com muito ruído, causado
por pixels isolados ou poucos pixels atribuídos a diversas classes, que ocorrem próximos
a áreas homogeneamente classificadas (Crósta, 1993, p. 129). Assim, é bastante comum
ao se fazer a homogeneização do resultado da classificação em áreas de topografia
acidentada, uma vez que os efeitos causados por áreas sombreadas e iluminadas são
extremamente variáveis. Outro efeito é provocado por áreas em que os pixels contêm
uma mistura de duas ou mais classes (pixels impuros).
A classe de áreas urbanas (“cidade”) é conhecida como a que se mistura com quase
todas as outras classes. Por exemplo: depois da colheita, os terrenos agrícolas ficam
caracterizados por uma reflexão semelhante a de solos puros ou, principalmente, de
áreas urbanas. Esse fato explica a ocorrência de pixels da classe “cidade” na classe
“agricultura” ou “solos puros”.
Por vezes, os pixels da classe “cidade” aparecem na classe “floresta”. Isso ocorre quando
o usuário define amostras de treinamento na classe “cidade” para áreas residenciais
densamente arborizadas. Além disso, aparecem, algumas vezes, pixels da classe
“cidade” em margens de rio ou no mar, especialmente em águas com alto conteúdo de
material em suspensão. O algoritmo da classificação distribui esses pixels na classe
“água”, porque essas partes fornecem uma informação espectral parecida como a da
classe “cidade” (densa).
)LOWUDJHPGRUHVXOWDGRGDFODVVLILFDomR
Um dos passos mais comuns, para homogeneizar o resultado da classificação, é a
aplicação de um filtro da mediana (Seção G-1.6).
*8,$)±&ODVVLILFDomR
*XLDGR(19,HP3RUWXJXrV
)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.
• Aparece a caixa de diálogo “Band Math”. Digite clas_add (b1,b2) na caixa de texto
entitulada “Enter an expression”.
)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”.
*8,$)±&ODVVLILFDomR
*XLDGR(19,HP3RUWXJXrV
&ODVVLILFDomRVXSHUYLVLRQDGDXVDQGR5HGH1HXUDO
A partir da versão ENVI 3.6 a função de classificação supervisionada foi incrementada
com a opção do uso de rede neural que é um sistema inspirado nos neurônios biológicos
e na estrutura massivamente paralela do cérebro, com capacidade de adquirir, armazenar
e utilizar conhecimento experimental.
Aquisição de Conhecimento (aprendizado):
Treinamento efetuado através da apresentação de exemplos (coletas de amostras-
ROIs)>Existe uma variedade de algorítmos que estabelecem QUANDO e COMO os
parâmetros da Rede Neural devem ser atualizados->Algorítmos substituem a
programação necessária para a execução das tarefas nos computadores.
Aplicações Gerais:
1 Reconhecimento de padrões;
2 Classificação de Padrões;
3 Correção de padrões;
4 Previsão de séries temporais;
5 Aproximação de Funções;
6 Suporte à decisão;
7 Extração de informações.
Processamento Neural:
O processamento de uma rede neural pode ser dividido em duas fases:
Aprendizado:
Processo pelo qual os parâmetros livres (pesos sinápticos) de uma rede neural são
adaptados através de um processo contínuo de estimulação pelo ambiente.
Existem 3 tipos básicos de aprendizado:
1 Treinamento Supervisionado;
2 Treinamento Não-supervisionado;
3 treinamento em "Batch".
Recuperação de Dados:
Assumindo que um conjunto de padrões tenha sido armazenado, a Rede Neural pode
executar as seguintes tarefas:
• Auto-associação;
• Hetero-associação;
*8,$)±&ODVVLILFDomR
*XLDGR(19,HP3RUWXJXrV
• 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 .
$SOLFDQGRFODVVLILFDomRFRPUHGHQHXUDO
Use “Neural Net” ,disponibilizada a partir do ENVI 3.6, para executar classificação através
de estruturas de interconexão feed-forward de múltiplas camadas. A rede feed-forward
consiste em uma ou mais camadas de processadores cujo fluxo de dados possui, sempre,
uma única direção, isto é, não existe realimentação. Com base nos estudos já realizados,
pode-se afirmar que os tipos de redes neurais mais adequados são as redes
multicamadas do tipo "feed-foward" com método de aprendizagem supervisionado. A
técnica de rede neural utiliza-se do modelo de algorítmo “backpropagation” (retro-
propagação) para a aprendizagem supervisionada.
Como a maioria das aplicações utilizam o algoritmo de backpropagation ou suas variantes
para treinamento destas redes. Pode-se dizer que o algoritmo de backpropagation é uma
generalização do algoritmo do método dos minimos quadrados, que utiliza técnicas de
gradiente descendente interativo para minimizar uma função de custo igual a diferença
média quadrada entre a saída desejada e a saída real da RNA.
([HFXWDQGRD&ODVVLILFDomR³1HXUDO1HW´
Você deve primeiramente definir as ROIs para usa-las como amostra de pixels para cada
classe. Quanto mais pixels compor uma amostra, melhor serão os resultados obtidos. ,
*8,$)±&ODVVLILFDomR
*XLDGR(19,HP3RUWXJXrV
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);
*8,$)±&ODVVLILFDomR
*XLDGR(19,HP3RUWXJXrV
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”.
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.
*8,$)±&ODVVLILFDomR
*XLDGR(19,HP3RUWXJXrV
&ULDQGRXPDQRYDiUYRUHGHGHFLVmR
*8,$)±&ODVVLILFDomR
*XLDGR(19,HP3RUWXJXrV
5. Clique sobre o novo nó, informe um nome, determine uma nova expressão e clique
em “ok” para aceitar;
([HFXWDQGRXPDQRYDiUYRUHGHGHFLVmR
Para executar e editar interativamente uma classificação por árvore de decisão siga as
seguintes instruções:
*8,$)±&ODVVLILFDomR
*XLDGR(19,HP3RUWXJXrV
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”;
*8,$)±&ODVVLILFDomR