Escolar Documentos
Profissional Documentos
Cultura Documentos
7.2 CLASSIFICAÇÃO
7.2.1 Classificação supervisionada
7.2.1.1 Treinamento
7.2.1.2 Classificação por Máxima Verosimilhança
7.2.1.3 MAXVER-ICM
7.2.1.4 Distância Euclidiana
7.2.1.5 Método do Paralelepípedo
7.2.2 Pós Classificação
7.2.3 Classificação Não-Supervisionada
7.2.3.1 Classificador Isoseg
7.1 Segmentação de Imagens
Segmentação de imagens é uma tarefa básica no processo de análise de imagens: a
imagem é particionada em regiões que devem corresponder às áreas de interesse da aplicação.
Entende-se por regiões um conjunto de pixels contíguos, que se espalham bidimensionalmente e
que apresentam uniformidade em relação a um dado atributo. Atributos das regiões tais como
área, forma, parâmetros estatísticos e textura podem ser extraídos e usados posteriormente no
processo de análise.
O particionamento da imagem pode ser realizado, basicamente, de três formas: (1)
por crescimento de regiões; (2) detecção de bordas e (3) combinação das outras duas.
A técnica de crescimento de regiões divide a imagem em um número de regiões
homogêneas, cada uma identificada por um rótulo. O resultado final é uma imagem rotulada. No
método de deteção de bordas, as bordas entre regiões homogêneas são extraídas gerando como
resultado um mapa de bordas.
Cada técnica é afetada diferentemente por vários fatores. Para algumas aplicações o
método de deteção de bordas não funciona bem devido a presença de “buracos” nas bordas, as
quais permitem que duas regiões diferentes sejam agregadas. Outra desvantagem é que esta
técnica é sensível às variações locais dos níveis de cinza e , então, os contornos geralmente não
são fechados.
Por outro lado, o método por crescimento de regiões sempre gera regiões com
contornos fechados. Este método é muito simples e efetivo em várias aplicações. A principal
desvantagem são os erros nos contornos das regiões: pixels de borda podem ser agregados à uma
das regiões vizinhas de forma aleatória.
A seleção de uma destas abordagens ou a combinação delas depende fortemente do
tipo de dados usados na análise e da área de aplicação.
93
Fig. 7.2 - Mapa de bordas gerado pelo operador Laplaciano da gaussiana.
7.2 Classificação
Classificação é o processo de extração de informação em imagens para
reconhecer padrões e objetos homogêneos com o objetivo de mapear as áreas da superfície
terrestre. O resultado final de uma classificação de uma imagem é uma imagem temática
(mapa), onde os pixels classificados são representados por símbolos gráficos ou cores. Cada
cor ou símbolo está associado à uma classe (área urbana, tipos de florestas, tipos de solo, etc.)
definida pelo usuário. A Figura 7.3(b) ilustra como seria o resultado de uma classificação.
95
Veget
.
Vegetação *****
***
****
+++++
+++ Solo.
++++
#####
Solo Água ###
#### Água.
*****
***
****
+++++
+++
++++
#####
###
####
pertence. Existem ainda outros métodos que particionam o espaço de atributos utilizando
superfícies otimamente localizadas.
Os classificadores podem ainda ser divididos em classificadores pixel a
pixel e classificadores por regiões. Os classificadores pixel a pixel utilizam apenas a
informação espectral isolada de cada pixel para identificar as regiões homogêneas.
A classificação por regiões é realizada, basicamente, em duas etapas.
Primeiro, a imagem é particionada em regiões (segmentação). Posteriormente, cada região é
associada à uma classe. Ou seja, todos os pixels pertencentes a uma dada região são mapeados
para uma mesma classe. Este método simula o comportamento de um foto-intérprete, que
reconhece as áreas homogêneas nas imagens, baseando-se nas propriedades espectrais e
espaciais destas imagens.
7.2.1.1 Treinamento
Para executar o treinamento, o usuário deve identificar na imagem um
conjunto de pixels (área) representativo de cada classe. É importante que a área seja uma
amostra homogênea da classe correspondente, mas ao mesmo tempo deve-se incluir toda a
variabilidade dos níveis de cinza para a classe.
Recomenda-se que o usuário adquira mais do que uma área de treinamento,
utilizando o maior número de informações disponíveis, como trabalhos de campo, mapas, etc.
Para a obtenção de classes estatisticamente confiáveis, são necessários de 10
a 100 áreas de treinamento por classe. O número de pixels de treinamento necessário para a
97
precisão do reconhecimento de uma classe aumenta com o aumento da variabilidade entre as
classes. A Figura 7.6 ilustra um exemplo de amostras de treinamento:
99
análise das amostras, que mostra quais amostras resultaram em maior confusão. Estas
amostras devem ser eliminadas ou refeitas.
A matriz de classificação apresenta a distribuição de porcentagem de pixels
classificados correta e erroneamente. No exemplo mostrado na Tabela 7.1, apresenta-se uma
matriz de classificação com as porcentagens de 4 classes definidas na aquisição de amostras,
os valores de desempenho médio, abstenção (quanto não foi classificado) e confusão média.
A classe 1 corresponde à Floresta, a classe 2 ao Cerrado, a classe 3 ao Rio e
a classe 4 ao Desmatamento.
Floresta 90 0 87
Cerrado 5 50 3
Rio 5 0 0
Desmat. 0 0 10
r r
N ∑ xii − ∑ xi+ x +i
k$
= i =1
r
i =1
(7)
N − ∑ x i+ x+ i
2
i =1
θ1 − θ 2
k$
= (8)
1− θ2
r
1
onde θ1 =
N ∑ x ii
i =1
101
r
1
θ2 =
N2
∑ x i+ x+ i
i =1
VARk$=
1
1 1
+ 1 1 2 3
+
(
θ (1 − θ ) 2(1 − θ )( 2θ θ − θ ) (1 − θ1 ) 2 θ 4 − 4θ 22 )
N (1 − θ 2 ) ( ) (1 − θ 2 ) 4
2 3
1 − θ
2
r
∑ xii ( xi+ + x+ i )
1
θ3 =
N2 i=1
r r
∑ ∑ x ij ( x j+ + x + i )
1 2
θ4 =
N3 i =1 j =1
Quando todos os elementos da matriz de confusão fora da diagonal possuem valor nulo, o
coeficiente Kappa possui valor 1, o que significa um desempenho excelente. O coeficiente
Kappa também pode assumir valores negativos indicando que o desempenho foi péssimo. A
tabela a seguir apresenta o desempenho da classificação em relação ao valor de Kappa obtido.
Índice Desempenho
Kappa da classificação
<0 Péssimo
0 < k ≤ 0,2 Mau
0,2 < k ≤ 0,4 Razoável
0,4 < k ≤ 0,6 Bom
0,6 < k ≤ 0,8 Muito Bom
0,8 < k ≤ 1,0 Excelente
7.2.1.3 MAXVER-ICM
Enquanto o classificador MAXVER associa classes considerando pontos
individuais da imagem, o classificador MAXVER-ICM (Interated Conditional Modes)
considera também a dependência espacial na classificação.
Em uma primeira fase, a imagem é classificada pelo algoritmo MAXVER.
Na fase seguinte, leva-se em conta a informação contextual da imagem. Ou seja, a classe
atribuída depende tanto do valor observado nesse pixel, quanto das classes atribuídas aos seus
vizinhos.
x1
a b
c d
Figura 7.8 – Histograma das amostras.
103
x2
C2
C1
C3
c
x1
a b
Figura 7.9 – Método do paralelepípedo.
Apesar de simples o método do paralelepípedo apresenta algumas
limitações. Podem existir várias regiões não cobertas pelos paralelepípedos que não serão
classificadas. No caso de dados correlacionados pode haver regiões de interesecção entre os
paralelepípedos que definem as classes que não poderão ser separados.
105