Escolar Documentos
Profissional Documentos
Cultura Documentos
Lisandra Roldão Miranda 1, Delnir Monteiro de Lemos 1, Jean Marcel de Almeida Espinoza 1
1
IFRS - Instituto Federal de Educação, Ciência e Tecnologia do Rio Grande do Sul – Campus Rio Grande, Rua Engenheiro
Alfredo Huch, 475, Bairro Centro, CEP 96201-460, Rio Grande, RS, Brasil
1756
Sendo assim, os objetivos deste trabalho foram realizar a
comparação dos métodos de classificação Support Vector
Machine (SVM) e Máxima Verossimilhança Gaussiana
(MVG) em uma imagem do satélite Geoeye da extensão das
dunas costeiras do Balneário Cassino, classificação da área
de estudo com os métodos SVM e MVG, análise dos dados
gerados, e a implementação da análise de acurácia baseada da
matriz erro dos dados resultantes das classificações.
A fim de alcançar estes objetivos foram realizadas a
segmentação pelo método de crescimento de regiões, a
definição das classes para a classificação baseada no
conhecimento da área de estudo e na análise visual da cena
segmentada. Também, foram efetuados cálculos de textura Figura 1. Imagem da área de estudo. Sensor Geoeye (a)
para acrescentar atributos de diferenciação nas classes, sendo extensão total (b) recorte.
eles de desvio padrão e entropia. Isso possibilitou a coleta das
amostras de treinamento, essa que é imprescindível para
implementação dos métodos supervisionados comparados
nesta pesquisa.
1757
1, corpos d'água 2, corpos d'água 3, sedimentos 1, sedimentos de erros, sendo assim através do risco empírico é definida a
2, sedimentos 3, vegetação 1 e vegetação 2, que são média da taxa de erro nas amostras de treinamento.
referentes, respectivamente, a arroio, mar, corpos d'água
entre a vegetação, sedimentos a beira mar, sedimentos entre 4. DISCUSSÃO
a beira mar e as dunas, sedimentos do mar, vegetação clara e
vegetação escura. Na análise visual dos resultados das classificações foi
As amostras de treinamento foram coletadas sobre a possível observar a confusão do classificador SVM entre as
imagem Geoeye para treinar os algoritmos do Support Vector classes corpos d’água 2 e sedimentos 1 com sedimentos 2,
Machines (SVM) e Máxima Verossimilhança Gaussiana essas confusões que podem ser esclarecidas pela
(MVG) para serem implementados na cena Geoeye segmentação ter sido dividida em retângulos, desse modo
segmentada por crescimento de regiões. Em que, o SVM segmentos de mesma classe ficaram com padrões de cores
utilizou o kernel Radial Basis Function (RBF), enquanto o diferentes. Enquanto, o classificador MVG teve maior
MVG usou o limiar segundo análise de cada um dos pixels. confusão entre corpos d’água 1, sedimentos 1 e vegetação 1
A fim de verificar os resultados obtidos nas classificações com sedimento 2, essas confusões que também podem ser
dos métodos SVM e MVG, foi realizada uma saída de campo atribuídas à semelhança de cor entre os pixels de
no dia 13 de novembro de 2017 com o objetivo de melhor treinamentos coletados nas classes. Em comparação aos
identificar as classes na área de dunas costeiras da praia do resultados dos métodos SVM e MGV, encontramos erros
Cassino, e também foi realizada a analise da matriz erro que similares de classificação, como a confusão da classificação
representou a uniformidade entre os resultados das entre corpos d’água 1 e sedimentos 3, que acontece pela
classificações possibilitando o cálculo dos erros de omissão e diferença de cor da classe sedimentos 3 na área em questão
comissão de cada método de classificação. dentro da segmentação provocando o erro nos dois métodos
(figura 4).
3. RESULTADOS
1758
uma das matrizes erro percebemos que o método de erros na classificação, esse método se torna uma melhor
classificação Support Vector Machine obteve menos erros de escolha quando o objetivo do estudo é a realização da
omissão e comissão em seu resultado, sendo assim sua matriz detecção de mudanças, pois sua classificação possui áreas
é mais acurada. Enquanto o método MVG apresentou grande mais definidas para todas as classes, assim possibilitando
número de erros em sua matriz, que pode ser explicado pela analisar as áreas de mudanças positivas e negativas nas dunas
variância das classes serem similares, o que confundiu o costeiras.
método ao definir sua função decisão pela ponderação em Já o classificador Máxima Verossimilhança Gaussiana
relação às médias (figuras 6 e 7). (MVG) não alcançou bons resultados na sua matriz erro
possuindo mais erros de confusão entre as classes. Mas ainda
é uma boa escolha quando o objetivo do trabalho é a
comparação da imagem classificada com a imagem original
das dunas costeiras, pois esse método é mais autêntico nas
formas das classes, sendo sua classificação mais semelhante
com a imagem original.
Também, é importante ressaltar que a imagem de alta
resolução escolhida, acabou trazendo dificuldades para
aplicação da metodologia, pois apresenta grande quantidade
de pixels, assim necessitando de um computador adequado
para o seu processamento o que, entretanto, não evitou a
utilização de um tempo considerável para a sua execução.
6. REFERÊNCIAS
Figura 5. Confusão de classificação (a) imagem Geoeye (b) [1] Andreola, R. “Support Vector Machines na classificação
segmentação da imagem (c) classificação SVM (d) classificação de imagens hiperespectrais”. Porto Alegre, UFRGS, 2009.
MVG da segmentação.
Dissertação – Programa de Pós-Graduação em
Sensoriamento Remoto do Centro Estadual de Pesquisas em
Sensoriamento Remoto e Meteorologia, UFRGS.
[2] Nascimento, R. F. F; Alcântara, E. H; Kampel, M; Stech,
J. L; Novo, E. M. L. M; Fonseca, L. M. G. “O algoritmo
SVM: avaliação da separação ótima de classes em imagens
CCD-CBERS-2”. Natal, XIV Simpósio Brasileiro de
Sensoriamento Remoto, p. 2079-2086, 2009.
Figura 6. Matriz erro da classificação com o método SVM.
[3] Mather, P.; Tso, Bt. “Classification Methods for Remotely
Sensed Data”. 2. ed. London, CRC Press, 2009.
[4] Lorena, A.; Carvalho, A. “Uma introdução às Support
Vector Machines”. Revista de informática teórica e aplicada.
São Paulo, v. 14, n. 2, p. 43-67, 2007.
[5] Semolini, R. “Support Vector Machines, Inferência
Figura 7. Matriz erro da classificação com o método MVG. Transdutiva e o Problema de Classificação”. Dissertação
(Mestrado em Engenharia de Computação) - UNICAMP.
5. CONCLUSÕES Campinas, SP, 2002.
[6] CONAMA. Resolução n° 302, de 20 de março de 2002.
Ao longo da presente pesquisa foi realizada a comparação
entre os métodos de classificação Support Vector Machine [7] NEMA - Núcleo de Educação e Monitoramento
(SVM) e Máxima Verossimilhança Gaussiana (MVG) na Ambiental. “Plano de Manejo das Dunas Costeiras do
área de dunas costeiras do Balneário Cassino. Ambos os Município de Rio Grande”. Rio Grande, 2006.
métodos atingiram os resultados esperados que foi classificar
as dunas. Porém, baseado nos resultados obtidos de cada
método é visível que para escolher qual deles é mais
adequado para a área de dunas costeiras, depende diretamente
do objetivo do estudo.
Visto que o classificador Support Vector Machine (SVM)
obteve o melhor resultado pela matriz erro alcançando menos