Escolar Documentos
Profissional Documentos
Cultura Documentos
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
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.
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.
3.1 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
A distncia Mahalanobiana envolve dois representantes para cada classe, a saber, um vetor de mdias
mj
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.
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.
3.1.4 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.
3.2.1 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
TeIsosegClassificationStrategy),
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).
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/.
[Santos, 2006] Santos, R. (2006). Princpios e aplicaes de minerao de dados. Technical report, INPE.
http://www.
terralib.org/.
10