José Alberto Quintanilha

jaquinta@usp.br

Mariana Giannotti
mariana.giannotti@usp.br
Estrutura da Aula

• “Momento Satélite” (Apresentação de um

novo satélite a cada aula)
• Segmentação
• Classificação não supervisionada
Bibliografia

• CRÓSTA, A. P. Processamento digital de imagens de

sensoriamento remoto. Edição revisada. Campinas.
IG/UNICAMP, 1993.
• NOVO, E. M. L. M. Sensoriamento remoto -
princípios e aplicações. Editora Edgar Blücher, 1989,
308p.
 SPOT 7

•Spectral Bands:
•Panchromatic
•4-band multispectral (bue,
green, red and NIR)
•Sensor Resolution: (at nadir)
•Panchromatic – 2.2 m
•Multispectral – 8.8 m
•Spectral Band Wavelength
Range: (in nm)
•Panchromatic – 450 to 745
•Blue – 450 to 520
•Green – 530 to 590
•Red – 625 to 695
•NIR – 760 to 890
•Dynamic Range: 12-bits
Classificação de Imagens
Multiespectrais

• Imagens multiespectrais
• Pré-processamento (correções)
• Componentes principais
• Espaço de atributos
• Classificação
• Seleção de atributos
• Segmentação
 Imagem de Satélite
45
50 Vetor padrão do pixel (1,1)
56 45
32
50
1
56
2 32
3
4
Espaço de Atributos

“O gráfico contendo as frequências

de distribuição de intensidades
de duas ou mais bandas de uma
imagem multiespectral “
(Crósta 1989)
 Classificação de Imagens

Geração de um
Mapa Temático

Associação de pixels aos temas (classes).

 Bandas e Assinatura Espectral

Associação dos pixels aos temas está baseada nas diferenças de

comportamento espectral dos alvos.
 Espaço de Atributos

Fonte: Nóbrega, 2007.

Classificação em imagens:
reconhecimento de padrões espectrais

• Distingue entre diferentes classes de

cobertura dos solos a partir das diferentes
respostas espectrais (ou mais comumente, os
níveis de cinza de uma imagem) nas
diferentes bandas espectrais.
Diferentes respostas espectrais de
diferentes materiais no espaço de
atributos
Espaço de Atributos

“O gráfico contendo as frequências

de distribuição de intensidades
de duas ou mais bandas de uma
imagem multiespectral “
(Crósta 1989)
Obtenção de Mapas Temáticos
• Interpretação visual

– Tonalidade, cor, textura, tamanho, forma, sombra,

padrão, localização geográfica e data de aquisição da

imagem (FLORENZANO, 2002)

• Classificação de imagens

– Procedimentos computacionais para a análise de

imagens
Classificação de Imagens
Multiespectrais

• Objetivos da classificação:
– definir classes de objetos semelhantes, segundo
algum critério de parecença ou homogeneidade

– incluir novos elementos (alocar de maneira ótima) nas

classes pré-definidas, segundo alguma regra de decisão
Classificação de Imagens
Multiespectrais

Agrupar
pixels em
classes

Gerar
mapas

Fonte de
dados para
o SIG
Classificação de Imagens
Multiespectrais
• Quanto ao elemento de análise
• Baseada em Pixel
• Baseado em Regiões
• Baseada em Objeto

• Quanto a interação do usuário

• Supervisionada
• Não Supervisionada

• Quanto às regras de decisão

• Paramétrico (estatístico)
• Não paramétrico (geométrico)
Classificação de Imagens
Multiespectrais

• Etapas da classificação:

– Seleção de atributos
– Método de Classificação
– Rotulação/Legenda/”Labeling”
Classificação de Imagens
Multiespectrais
• Suposições/condições:
– pixels de uma mesma classe são
semelhantes

– cada pixel pertence a uma única classe

– todos os pixels estão em alguma classe

– diferentes alvos tem diferentes

comportamentos espectrais
Classificação de Imagens
Multiespectrais

• Classificação não supervisionada

– segmentação (ou não)
– escolha do algoritmo de classificação
–interpretação das classes geradas
– avaliação da classificação e possível
reprocessamento
Segmentação
• Segmentação: dividir a imagem em regiões.

• Regiões: conjunto de pixels contíguos, cujas

características de atributos são semelhantes.

• Crescimento por regiões

• Detecção de bordas
Segmentação

• Limiar de área (número de pixels)

• Limiar de similaridade (distância entre

valores de NC)
O parâmetro de escala influencia em qual objeto descreve melhor as feições de interesse
Parâmetro de escala: 10
Parâmetro de escala: 35
Parâmetro de escala: 110
 Classificação
Não-Supervisionada

Classificação ISOSEG

Imagem CBERS, São Paulo, 2008

Vegetação densa
Vegetação rasteira
Água
Área urbana
Classificação do uso do solo e da
cobertura dos solos
Cobertura dos solos se refere ao tipo de material
presente na cena (ex.: água, areia, floresta,
urbano,…).

Uso do solo se refere ao que as pessoas fazem na

superficie do solo ( ex.: agricultura, comércio,
favela).
Principais algoritmos de classificação
não supervisionada
• K-means
– Número de clusters/grupos/classes definidos pelo usuário
– O algoritmo começa com centros dos grupos (no espaço
de atributos) definidos arbitrariamente
– Cada pixel é atribuído ao grupo de cujo centro está mais
perto
– O vetor de médias de cada grupo é recalculado
– Repete o processo até que algum critério de convergência
seja obtido (ex.: os centros dos clusters não mudam ou se
atingiu um número pré-determinado de iterações)
Principais algoritmos de classificação
não supervisionada
• ISODATA (Iterative Self-Organizing Data Analysis)
• Semelhante ao K-means mas é possível variar o número de
clusters (por divisão ou junção)
– O algoritmo começa com centros dos grupos (no espaço de atributos)
definidos arbitrariamente
– Cada pixel é atribuído ao grupo de cujo centro está mais perto
– O vetor de médias de cada grupo é recalculado
– Se a distância entre 2 clusters < valor estipulado =>junta
– Se o desvio-padrão em alguma dimensão > valor estipulado, divide o
cluster
– Deleta clusters com poucos pixels
– Repete o processo até que algum critério de convergência seja
obtido
 ATENÇÃO
 Não mudem a configuração dos computadores

 Diretório:

E:/PTR3311/T3MINAS/SR1

E:/PTR3312/SR1

E:/PTR3311/T1_7h30/SR1

E:/PTR3311/T2_9h20/SR1