1) Segmentar imagens divide-as em regiões espectralmente homogêneas para minimizar subjetividade na classificação. Isso prepara a imagem para classificação baseada em regiões ao invés de pixels individuais.
2) Considera o contexto do pixel, levando em conta características da região ao redor ao invés de apenas valores espectrais.
3) Segmentação é mais vantajosa em imagens de alta resolução espacial.
1) Segmentar imagens divide-as em regiões espectralmente homogêneas para minimizar subjetividade na classificação. Isso prepara a imagem para classificação baseada em regiões ao invés de pixels individuais.
2) Considera o contexto do pixel, levando em conta características da região ao redor ao invés de apenas valores espectrais.
3) Segmentação é mais vantajosa em imagens de alta resolução espacial.
1) Segmentar imagens divide-as em regiões espectralmente homogêneas para minimizar subjetividade na classificação. Isso prepara a imagem para classificação baseada em regiões ao invés de pixels individuais.
2) Considera o contexto do pixel, levando em conta características da região ao redor ao invés de apenas valores espectrais.
3) Segmentação é mais vantajosa em imagens de alta resolução espacial.
1) O que significa segmentar imagens antes de classificá-las?
Precede à classificação, é usada para minimizar critérios de subjetividade na aquisição de amostras. A imagem é dividida em regiões espectralmente homogêneas e algumas dessas áreas serão usadas como treinamento para o algoritmo. Para segmentar a imagem nessas regiões usa-se: a “detecção de bordas” ou “crescimento de regiões” (INPE, 2015). 2) O que você entende por considerar o “contexto” em que o pixel está inserido? O processo de segmentação faz com que o contexto em que se encontra inserido o pixel seja considerado na classificação, isso é, leva em conta as características do meio (regiões) e não exclusivamente, os valores espectrais dos pixels. Isso o distingue dos processos de classificação realizados pixel a pixel.
3) O processo de segmentar imagens é mais vantajoso em
imagens de alta ou baixa resolução espacial? de alta resolução 4) Exemplifique algoritmos disponíveis para segmentar uma imagem: O processamento das imagens se dá, inicialmente, pela utilização de um algoritmo de segmentação que, ao definir regiões homogêneas na imagem, prepara-a para uma classificação posterior com base nessas regiões e não com base em valores individuais dos pixels. Exemplo K-médias 5) O que é limiar de similaridade e limiar de área? Por limiar de similaridade deve-se entender o grau de similitude entre o pixel candidato à inclusão em um determinado segmento e os parâmetros estatísticos referentes aos pixels que já fazem parte do segmento em questão. O tamanho mínimo dos polígonos, também conhecido por limiar de área, se refere ao número mínimo de pixels admitidos em qualquer um dos segmentos. 6) Explique como diferentes valores de similaridade e de área podem interferir no resultado da segmentação. Por exemplo, a segmentação de áreas urbanas, onde normalmente é pretendido de se obter muitas categorias diferentes no processo de classificação, é um exemplo da variedade de possibilidades que se tem para a geração de polígonos dependendo, naturalmente, dos limiares de similaridade estabelecidos 7) Conceitue a classificação por regiões: Na classificação por regiões o processo de decisão leva em consideração um agrupamento de pixels que é usado como unidade de classificação. Com isso se procura simular o comportamento de um fotointérprete, ao reconhecer áreas homogêneas nas imagens baseadas nas propriedades espectrais e espaciais dos objetos (Kury & Vieira, 2001). 8) Existem classificadores por regiões supervisionados e não supervisionados? Quais? 9) Explique os classificadores supervisionados Bhattacharyya e Clatex: Clatex:Algoritmo supervisionado que usa atributos texturais das regiões segmentadas. O agrupamento de regiões é dado pela menor distância de Mahalanobis entre a classe de interesse e as regiões candidatas. Bhattacharyya :Algoritmo supervisionado que utiliza como amostras as regiões formadas na segmentação. Utiliza a Distância de Bhattacharya (B) para medir a separabilidade estatística entre um par de classes espectrais.
10) Explique o classificador não supervisionado Isoseg:
Algoritmo não supervisionado aplicado sobre o conjunto de regiões previamente definidas na fase de segmentação. A técnica procura agrupar regiões a partir de uma medida de similaridade entre elas.