Classificação de Imagens

Tamanho: px

Começar a partir da página:

Download "Classificação de Imagens"

Alana Bento Oliveira
8 Há anos
Visualizações:

1 Universidade do Estado de Santa Catarina Departamento de Engenharia Civil Classificação de Imagens Profa. Adriana Goulart dos Santos

2 Extração de Informação da Imagem A partir de uma visualização das imagens, como por exemplo, combinação colorida de três bandas, segue-se a interpretação dos temas/classes/objetos de interesse A extração de informação depende do objetivo da aplicação, e pode ser feita de diferentes formas, como a interpretação visual e a classificação assistida por computador semi-automática

interesse A extração de informação depende do objetivo da aplicação, e pode ser feita de

3 Extração de Informação da Imagem Classificação de imagens é um processo de reconhecimento de padrões e objetos homogêneos. Ferramentas de geoprocessamento oferecem funcionalidades para executar a classificação usando diferentes algoritmos. Como resultado cada ponto ou região da imagem é mapeado para um tema.

Ferramentas de geoprocessamento oferecem funcionalidades para executar a

4 Classificação de imagem Usualmente, cada pixel é tratado como uma unidade individual composta de valores em várias bandas espectrais. Pela comparação de um pixel a outros pixels de identidade conhecida, é possível agrupar aqueles cujas reflectâncias espectrais são semelhantes em classes mais ou menos homogêneas. Estas classes formam regiões sobre um mapa ou imagem de forma que, após a classificação, a imagem digital seja apresentada como um mosaico de parcelas uniformes, em que cada uma é identificada por uma cor ou símbolo

semelhantes em classes mais ou menos homogêneas.

5 Classificação de imagem A imagem classificada é definida a partir da análise da imagem numérica, de forma que aqueles pixels que têm valores espectrais semelhantes são agrupados em classes espectralmente similares. Por exemplo, a classe A (urbanização) pode ser formada por pixels claros (altos valores de cinza) que variam de 70 a 130, e a classe B (água) ser formada por pixels escuros (baixos valores de cinza) variando de 5 a 40.

Por exemplo, a classe A (urbanização) pode ser formada por pixels claros (altos valores de cinza) que variam

Tipos de Classificadores Quanto à unidade a ser classificada: Classificadores por PIXEL: classifica cada pixel isoladamente mapeando-o para um dos temas de treinamento baseado somente no seu valor.

6 Tipos de Classificadores Quanto à unidade a ser classificada: Classificadores por PIXEL: classifica cada pixel isoladamente mapeando-o para um dos temas de treinamento baseado somente no seu valor. Classificadores por REGIÕES: classifica regiões (um conjunto de pixels) mapeando todos os pixels que formam a região para um mesmo tema baseando-se no valor de todos os pixels que formam a região

7 Tipos de Classificadores Quanto à intervenção do usuário: Classificadores supervisionados: o usuário informa a- priori o conjunto de temas para as quais os pontos da imagem serão mapeados (exige treinamento) Classificadores não supervisionados: o usuário não fornece nenhuma informação a priori relativa ao conjunto de temas para as quais deve-se mapear a imagem utiliza um algoritmo de agrupamento para determinar o número de classes diferentes presentes na imagem

supervisionados: o usuário não fornece nenhuma informação a priori relativa ao conjunto de temas para as quais

Classificadores por pixel Classificadores por pixel (todos supervisionados): MaxVer : utiliza parâmetros estatísticos inferidos das amostras de treinamento como critério de decisão sobre que tema um

8 Classificadores por pixel Classificadores por pixel (todos supervisionados): MaxVer : utiliza parâmetros estatísticos inferidos das amostras de treinamento como critério de decisão sobre que tema um pixel irá pertencer MaxVer-ICM: variação do MaxVer onde numa segunda etapa a informação contextual é levada em conta. Pixels são reclassificados de acordo com os temas atribuídos aos vizinhos Distância Euclidiana: associa cada pixel a um tema cuja distância euclidiana de seu valor ao valor médio da classe (obtido das amostras) seja mínimo

segunda etapa a informação contextual é levada em conta.

9 Classificadores por regiões (SPRING) Classificadores por regiões: Isoseg Não supervisionado As regiões são caracterizadas pela média, matriz de covariância e sua área. São agrupadas por uma medida de similaridade dada pela distância de Mahalanobis. Bhattacharya Supervisionado Usa as amostras de treinamento para estimar a função densidade de probabilidade de cada classe buscada. Cada região é mapeada para a classe cuja distância de Battacharya entre elas seja menor.

São agrupadas por uma medida de similaridade dada pela distância de Mahalanobis.

10 Resumo classificadores implementados no SPRING

11 Processo de Treinamento Cabe ao usuário definir os temas que irá classificar. Passos: Identificar amostras para cada um dos temas As amostras de um tema devem ser homogêneas As amostras devem conter toda a variabilidade espectral esperada para cada tema Analisar as amostras antes da classificação Grau de confusão entre os temas

ser homogêneas As amostras devem conter toda a variabilidade espectral esperada

12 Escolher o classificador Executar o processo Observar os resultados Classificação

13 Pós-classificação - Refinamento

Mapeamento para classes temáticas A imagem classificada continua pertencendo a categoria do modelo IMAGEM O mapeamento de classes gera uma imagem temática em

14 Mapeamento para classes temáticas A imagem classificada continua pertencendo a categoria do modelo IMAGEM O mapeamento de classes gera uma imagem temática em alguma categoria do modelo TEMÁTICO Todos os temas obtidos no processo de classificação devem ser mapeados para alguma classe da categoria do modelo temático

alguma categoria do modelo TEMÁTICO Todos os temas obtidos no processo de

imagem Região: um conjunto de pixels contíguos

15 Segmentação Processo executado antes da Classificação por Regiões Segmentação: Identifica as regiões homogêneas dentro da imagem Região: um conjunto de pixels contíguos bi-direcionalmente que possuem uma semelhança espectral Atributos estatísticos são usados

16 Segmentação no Spring Crescimento de regiões: Cada pixel é inicialmente rotulado como uma região Segundo um critério de similaridade regiões adjacentes vão sendo agrupadas O processo é repetido até que nenhum outro agrupamento possa ser feito Detecção de Bacias: Aplicar um filtro passa-alta na imagem, de modo a realçar as transições associando-as aos níveis de cinza mais altos, O processo é semelhante à inundação de uma área. As bordas das regiões correspondem aos locais onde a água transbordaria

Detecção de Bacias: Aplicar um filtro passa-alta na imagem, de modo a realçar as transições associando-as aos níveis de cinza

Documentos relacionados

Aula 5 - Classificação

Aula 5 - Classificação AULA 5 - Aula 5-1. por Pixel é o processo de extração de informação em imagens para reconhecer padrões e objetos homogêneos. Os Classificadores "pixel a pixel" utilizam apenas a informação espectral isoladamente