CLASSIFICAÇÃO

Classificação
• Um dos principais objetivos do
sensoriamento remoto é de identificar e
separar os diferentes materiais superficiais.
• A distinção entre os materiais superficiais é
possível devido ao comportamento espectral
diferenciado.
 Espaço de Atributos
• A distribuição da freqüência de duas ou mais bandas
define o espaço de atributos.

• Para facilitar a
visualização abaixo é
apresentado um espaço
de atributos
bidimensional relativo a
apenas duas bandas
• Estão presentes três tipos
diferentes de materiais
superficiais: A, B e C.
 Espaço de Atributos
• Na realidade uma determinada classe relativo a um material
superficial não é representada apenas por um pixel mas sim por
uma nuvem de pontos. •Por exemplo, a vegetação
apresenta uma ligeira
modificação de um ponto
para outro pois ela não é
uma superfície lisa e
contínua.
• Desta forma, a melhor
forma de expressar as
classes é por intervalo de
DNs que representa a
mistura dos tipos de
materiais
 Espaço de Atributos
• Avaliando apenas a banda 2 não é possível distinguir,
perfeitamente, os alvos A e B. • Em contraposição a
banda 1 permite
distinguir os alvos A e
B e confunde os alvos
C e B.
Sobreposição
na Banda 2
• Portanto, o emprego maior de
número de bandas geralmente torna
mais fácil a discriminação das
diferentes classes
Sobreposição
na Banda 2
CLASSIFICAÇÃO POR
IDENTIFICAÇÃO
 IDENTIFICAÇÃO

• O procedimento de classificação por identificação

os limites de cada classes ou categoria é estipulada
pelo próprio analista, ou seja, um processo manual
• Esse procedimento pode ser efetuado par uma
única banda (fatiamento) ou de forma
multivariada utilizando gráfico de dispersão ou
visualizador n-dimensional
 FATIAMENTO

• O fatiamento é uma operação em que

delimita-se para uma única banda espectral
um intervalo específico de DNs relativo a
uma determinada classe.
 EMPREGO DO GRÁFICO DE DISPERSÃO E DO
VISUALIZADOR N-DIMENSIONAL PARA A
IDENTIFICAÇÃO DE CLASSES

• A partir do gráfico de dispersão o usuário

define pela proximidade dos pixels áreas
relativo a uma determinada classe.
• O usuário seleciona as classes a partir de
desenho à mão livre
ANÁLISE DISCRIMINANTE
(CLASSIFICAÇÃO
SUPERVISIONADA)
 ANÁLISE DISCRIMINANTE

• Esta metodologia visa estabelecer uma função

discriminante, que delimita diferentes classes de
uma dada população, através de amostras padrões
fornecidas pelo analista.
• Assim, classifica-se os novos dados a partir de
uma comparação de similaridade com amostras
padrões escolhidas de melhor forma a
representarem as classes existentes.
 ANÁLISE DISCRIMINANTE

• Portanto a definição do posicionamento de amostragem

torna-se uma das principais tarefas desse método.
• Essas amostras devem conter um número suficiente de
pontos de maneira que a classe representada possua
uma caracterização significativa.
• Deve-se também realizar uma avaliação minuciosa do
comportamento das variáveis dentro das amostras
selecionadas, com esse propósito pode-se utilizar
gráficos de dispersão ou o visualizador n-dimensional.
 ANÁLISE DISCRIMINANTE

• Existem inúmeros métodos para deduzir uma função

discriminante a partir de algum critério externo de
amostragem, dentre eles os mais utilizados no
processamento digital de imagens, com algoritmos de
complexidade crescente, são: paralelepípedo, mínima
distância e máxima verossimilhança.
MÉTODO DO PARALELEPÍPEDO

• Define os pixels pertencentes a

uma dada classe como sendo os
inclusos a uma área quadrática
delimitada pelos valores máximos
e mínimos das variáveis
pertencentes à amostra padrão.
 EXERCÍCIO - MÉTODO DO PARALELEPÍPEDO
• Estabeleça as regiões de interesse (Function>Region of Interest>Define Regions
of Interest).
 EXERCÍCIO - MÉTODO DO PARALELEPÍPEDO
• Regiões de Interesse
estabeleça uma nova região de interesse (New Regions) e com o mouse demarque a sua área
 EXERCÍCIO - MÉTODO DO PARALELEPÍPEDO
• Classifique pelo método do Paralelepípedo
Classification>Supervised Classification > Parallelepiped
 EXERCÍCIO - MÉTODO DO PARALELEPÍPEDO
• Classifique pelo método do Paralelepípedo
A imagem de Classes - apresenta a imagem classificada
A imagem de Regra (Rule) - é uma imagem de probabilidade de existência para cada material selecionado
 MÉTODO DE MÍNIMA DISTÂNCIA

• Utiliza a menor distância existente

1
de um determinado dado ao valor
médio das amostras padrões.

2
 MÉTODO DE MÍNIMA DISTÂNCIA

• Utiliza a menor distância existente

1
de um determinado dado ao valor
médio das amostras padrões.

2
 EXERCÍCIO - MÉTODO DE MÍNIMA DISTÂNCIA

• Classifique pelo método do Paralelepípedo

Classification>Supervised Classification > Minimum Distance
 MÉTODO DE MÁXIMA VEROSSIMILHANÇA
(MAXVER)
• Utiliza como parâmetro discriminante a maior probabilidade de um dado pertencer a uma classe.
• O algoritmo MAXVER gera uma auréola probabilística em volta do valor central da amostragem.
• Este procedimento é realizado através de funções de densidade probabilística fundamentadas em funções gaussianas.
• Uma melhor visualização desta nuvem probabilística é realizado através de isolinhas. Por serem os contornos ajustados em distribuições
gaussianas as isolinhas apresentam-se simétricas com relação ao ponto central.
MÉTODO DE MÁXIMA VEROSSIMILHANÇA
(MAXVER)
 EXERCÍCIO - MÁXIMA VEROSSIMILHANÇA
(MAXVER)
• Classifique pelo Método Máxima Verossimilhança (MAXVER)
Classification>Supervised Classification > Maximum Likelihood