Classicao de Imagens por Regies

Thales Sehn Krting

tkorting@dpi.inpe.br
So Jos dos Campos, 12 de Setembro de 2006

1 Introduo
Classicao o processo de extrao de informao em imagens para reconhecer padres e objetos homogneos. Os mtodos de classicao so usados para mapear reas da

superfcie terrestre que apresentam um mesmo signicado em imagens digitais. Conforme o processo de classicao empregado, os classicadores podem ser divididos em classicadores pixel a pixel e classicadores por regies. Classicadores pixel a pixel utilizam apenas a informao espectral, isoladamente, de cada pixel para achar regies homogneas. Classicadores por regies utilizam, alm de informao espectral de cada

pixel, a informao espacial que envolve a relao entre os pixels e seus vizinhos.
Representa-se o resultado de uma classicao digital por classes espectrais (reas que possuem caractersticas espectrais semelhantes), como por exemplo, reas urbanas e industriais.

2 Entendendo a Classicao
A informao espectral de uma cena pode ser representada por uma imagem espectral, onde cada pixel tem as coordenadas espaciais

x, y

e a coordenada espectral

L,

que repre-

senta a radincia de um alvo no intervalo de comprimento de onda de uma banda espectral. Cada pixel de uma banda possui uma correspondncia espacial com um outro pixel, em todas as outras bandas, ou seja para uma imagem de

bandas, existem

nveis

de cinza associados cada pixel, sendo um para cada banda espectral.

O conjunto de

caractersticas espectrais de um pixel denotado pelo termo atributos espectrais. Diante desta diculdade, em uma classicao, o usurio deve considerar a relao entre a resposta espectral dos alvos e os tipos de classe que deseja mapear. O processo de classicao digital transforma um grande nmero de nveis de cinza, em cada banda espectral, em um pequeno nmero de classes em uma nica imagem. As tcnicas de classicao que podem ser aplicadas a apenas um canal espectral (banda da imagem) so conhecidas como classicaes unidimensionais. J as tcnicas em que o critrio de deciso depende da distribuio de nveis de cinza, em vrios canais espectrais, so denidas como tcnicas de classicao multiespectral.

2.1 Tipos de Classicao

O primeiro passo em um processo de classicao multiespectral o treinamento. Treinamento o reconhecimento da assinatura espectral das classes. Em relao ao tipo de

treinamento, a classicao automtica pode ser dividida em dois grupos, a saber, a classicao supervisionada e a no supervisionada [Fonseca, 2000]. Na classicao no supervisionada, que o foco deste trabalho, cada pixel da imagem

 associado a uma classe espectral sem que o usurio tenha um conhecimento prvio do nmero ou identicao das diferentes classes presentes na imagem. atingir este objetivo pelo uso de algoritmos de agrupamento. Na classicao supervisionada, um usurio seleciona amostras representativas para cda uma das classes. Assume-se que as classes podem ser descritas por uma funo Uma maneira de

densidade de probabilidade.

3 Classicao por Regies

Sero explicados os classicadores por regies, pois so parte do escopo deste trabalho. Tais classicadores procuram simular o comportamento de um foto-intrprete, ao reconhecer reas homogneas de imagens, baseados nas suas propriedades espectrais e espaciais. A informao de borda utilizada inicialmente para separar cada regio.

3.1 Isoseg
um algoritmo de agrupamento (clustering) de dados no-supervisionado, aplicado sobre um determinado conjunto de regies, caracterizadas por seus atributos estatsticos de mdia, matriz de covarincia e rea [DPI, 2006]. Um algoritmo de clustering no supe conhecimentos prvios da distribuio de densidade de probabilidade dos dados. uma tcnica que procura agrupar regies, a partir de uma medida de similaridade entre elas. Tal medida consiste na distncia de Mahalanobis entre a classe e as regies candidatas a relao de pertinncia com esta classe. A distncia de Mahalanobis calculada considerando o espalhamento dos dados, inclusive a orientao de amostras de uma determinada classe [Santos, 2006]. Tal distncia

 calculada sempre entre um ponto e um conjunto de amostras, como mostrado na Figura 1.

Figura 1: Clculo de distncia Mahalanobis

A distncia Mahalanobiana envolve dois representantes para cada classe, a saber, um vetor de mdias

mj

e uma matriz de covarincias

j , calculados como segue:

mj = E[x] j = E[(x mj )(x mj )T ]

E o clculo da distncia de Mahalanobis realizado da seguinte forma:

d2 (x) = (x mj )T 1 (x mj ) j j
O Isoseg utiliza a distncia Mahalanobis como medida para procurar regies similares caracterizadas por seus atributos estatsticos (mdia e matriz de covarincia). A procura pela regio de maior rea o ponto inicial desse algoritmo e aps a ordenao das regies

em ordem decrescente de rea, durante a deteco das classes, iniciado o procedimento de agrupamento das mesmas [de Oliveira and da Silva, 2005]. Com os atributos estatsticos de cada regio, a saber, matriz de covarincia e vetor de mdia, pode-se estimar o valor central de cada classe. O algoritmo Isoseg se resume em trs etapas, descritas a seguir.

3.1.1 Denio do limiar

Dene-se um limiar (percentagem) de aceitao. Este limiar signica uma distncia de Mahalanobis, sendo que as regies pertencentes a alguma classe esto distantes por um valor inferior ou igual esta distncia. Inferimos que, quanto maior o limiar, maior esta distncia, e consequentemente menor ser o nmero de classes detectadas pelo algoritmo.

3.1.2 Deteco das classes

As regies existentes so ordenadas em ordem decrescente de rea, para se iniciar o procedimento de agrup-las em classes. Sero tomados como parmetros estatsticos de uma classe (mdia e matriz de covarincia), os parmetros estatsticos da regio de maior rea que ainda no tenha sido classicada. Em seguida, associa-se a esta classe todas regies cuja distncia de Mahalanobis for inferior a distncia denida pelo limiar de aceitao. Assim, a primeira classe ter como parmetros estatsticos aquelas regies com maior rea. As classes seguintes tero parmetros estatsticos de mdia das regies de maior

rea, que no tenham sido associada a nenhuma das classes previamente detectadas. Esta fase repete-se at que todas regies tenham sido associadas a alguma classe.

3.1.3 Competio entre classes

As regies so reclassicadas, considerando-se os novos parmetros estatsticos das classes, denidos na etapa anterior. Aplica-se este procedimento com o objetivo de uniformizar os temas, ou seja, eliminar pontos isolados, classicados diferentemente de sua vizinhana. Com isto, Gera-se um imagem classicada com aparncia menos ruidosa.

3.1.4 Resumo
A segunda fase, a de deteco das classes, consiste basicamente na deteco de classes, sendo um processo seqencial que pode favorecer as classes que so detectadas em primeiro lugar. Para tentar eliminar este favorecimento, realiza-se a etapa posterior, a competio entre classes. Esta competio consiste em reclassicar todas as regies. O parmetro

estatstico (mdia de cada classe) recalculado. A convergncia do processo se d quando a mdia das classes no se altera. Ao trmino, todas regies estaro associadas a uma classe denida pelo algoritmo.

3.2 Outros mtodos

Esse trabalho est baseado nos mtodos de classicao por regies presentes no sistema SPRING [DPI, 2006], que alm do mtodo Isoseg, implementa tambm o mtodo Battacharya e o ClaTex, que sero descritos de maneira breve.

3.2.1 Battacharya
A medida da distncia de Battacharya usada para medir a separabilidade estatstica entre um par de classes espectrais. Ela mede a distncia mdia entre as distribuies de

probabilidades de classes espectrais. O classicador Battacharya, ao contrrio do Isoseg que automtico, requer uma etapa de treinamento, portanto entrando nos mtodos de classicao supervisionada. Neste caso, as amostras sero as regies formadas na segmentao de imagens.

3.2.2 ClaTex
O classicador ClaTex um algoritmo supervisionado que utiliza atributos texturais das regies de uma imagem segmentada para efetuar a classicao por regies. A classicao realizada pela tcnica de agrupamento de regies a partir de uma medida de similaridade entre elas. E a medida de similaridade utilizada consiste na distncia de Mahalanobis

entre a classe de interesse e as regies candidatas relao de pertinncia com esta classe. Portanto, cada regio ser classicada a uma dada classe de interesse baseada na minimizao da distncia de Mahalanobis.

4 Implementao
Para implementar o mtodo de classicao por Regies foi utilizada a biblioteca TerraLib [TerraLib, 2006], contribuindo tambm para o seu crescimento. Como essa biblioteca j possui uma estrutura para a construo de novos algoritmos, o que se implementou foi uma classe de algoritmos de Classicao de Imagens (chamada

TeClassification),
(e.g.

que servir de estrutura para todas as estratgias de classicao que se desejar implementar. Alm disso, a estratgia

Isoseg, Battacharya, etc.)

de classicao Isoseg foi implementada (na classe

TeIsosegClassificationStrategy),

podendo ser utilizada para a realizao de classicaes no supervisionadas.

Para exemplicar o que foi implementado, pode-se pensar em um mtodo que receba como entrada uma ou mais imagens (bandas espectrais), e um conjunto de polgonos (resultante da segmentao dessas imagens). Aps o processamento (classicao), esse mtodo retorna uma imagem classicada, onde cada classe representa um tema presente na imagem, que o algoritmo foi capaz de distinguir dos outros segmentos. A Figura 2 exemplica o resultado da aplicao deste algoritmo.

Figura 2: Exemplo de classicao: como entrada uma imagem com duas classes e a sua segmentao; como sada uma imagem com as classes diferenciadas

5 Resultados
Para comprovar o funcionamento do mtodo, algumas classicaes foram realizadas, e os resultados so exibidos a seguir (Figuras 3 e 4  esquerda uma composio colorida das bandas de entrada, no centro a segmentao e direita o resultado da classicao).

Figura 3: Resultado da classicao

Figura 4: Resultado da classicao

Referncias
[de Oliveira and da Silva, 2005] de Oliveira, J. C. and da Silva, J. M. F. (2005). Inuncia da segmentao no processo de classicao por regio. pages 4209  4216.

[DPI, 2006] DPI (2006). Sistema de Processamento de Informaes Georreferenciadas  Spring. Disponvel em

http://www.dpi.inpe.br/spring/.

[Fonseca, 2000] Fonseca, L. M. G. (2000). Processamento Digital de Imagens. INPE.

[Santos, 2006] Santos, R. (2006). Princpios e aplicaes de minerao de dados. Technical report, INPE.

[TerraLib, 2006] TerraLib (2006).

Biblioteca TerraLib. Disponvel em

http://www.

terralib.org/.

10