Aplicação de redes neurais artificiais na classificação de imagens obtidas por sensoriamento remoto

Transcrição

1 Aplicação de redes neurais artificiais na classificação de imagens obtidas por sensoriamento remoto Alexandre G. de Lima 1, Adrião Duarte Dória Neto 1, Jailton Carlos de Paiva 1, Vitor Meneghtetti 1, Xiankleber C.Benjamim 1 1 Programa de Pós-Graduação em Engenharia Elétrica e Computação DCA- Universidade Federal do Rio Grande do Norte(UFRN) Caixa Postal Caixa Postal Natal RN Brasil alexandre.lima@ifrn.edu.br,adriao@dca.ufr.br, {jailtoncarlos,vitorugulino,xianklebercb}@gmail.com Abstract: Images obtained by remote sensing are used for various purposes such as measuring and monitoring environmental areas. In this work we use artificial neural networks to perform the classification of satellite images and compared the results with those of a classifier Baysean. Keywords: maximum likelihood classifier, remote sensing, image classification, image processing, environmental monitoring. Resumo: imagens obtidas por sensoriamento remoto são utilizadas com diversas finalidades como a mensuração de áreas e fiscalização ambiental. Neste trabalho utilizamos algumas redes neurais artificiais para realizar a classificação de imagens orbitais e comparamos os resultados obtidos com os de um classificador bayseano. Palavras-chave: classificador de máxima verossimilhança, sensoriamento remoto, classificação de imagens, processamento de imagens, monitoração ambiental. 1. Introdução Dentre as várias aplicações que se beneficiam da segmentação e classificação automática de imagens, destacamos as destinadas ao processamento de imagens obtidas por sensoriamento remoto como monitoramento ambiental, mensuração de plantações, análise geológica e confecção de mapas. Este trabalho tem como objetivo comparar o desempenho das redes neurais artificiais através das redes perceptron, MLP e RBF com o desempenho de um classificador bayseano em uma aplicação de classificação de imagens obtidas por sensoriamento remoto. A seção 2 apresenta a fundamentação teórica da classificação de imagens e de padrões, apresentando de forma breve o classificador bayseano[8] por máxima verossimilhança e as redes neurais artificiais. A seção 3 descreve os elementos da experimentação realizada a imagem utilizada, os padrões de treinamento e as redes neurais utilizadas. Na seção 4 são apresentados e discutidos os resultados obtidos e por fim, na seção 5, o texto é finalizado com as nossas conclusões e descrição de trabalhos futuros. 2. Interpretação e classificação de imagens digitais A análise de imagens, realizada por uma pessoa ou um computador, é um processo de descoberta, identificação e entendimento de padrões que sejam relevantes ao domínio da aplicação em questão [2]. Um padrão é uma descrição quantitativa ou estrutural de

2 um objeto de interesse na imagem, sendo geralmente formado por um ou mais descritores. No contexto de análise de imagens digitais, é comum que cada componente do vetor represente um componente do sistema de cores adotado (e.g. RGB, CMY). A classificação automática de imagens se resume a atribuir os padrões existentes a suas respectivas classes com a mínima intervenção humana possível [2]. Em aplicações de sensoriamento remoto, existem duas grandes categorias de métodos de classificação de imagens: classificação supervisionada e classificação não-supervisionada. Na classificação não-supervisionada os pixels de uma imagem são categorizados sem que o usuário saiba de antemão quais são as classes presentes. Esta metodologia é baseada intensamente em métodos de clustering [1]. Existem vários métodos de classificação supervisionada descritos na literatura, sendo que o mais utilizado na classificação de imagens obtidas por sensoriamento remoto é o método estatístico de máxima verossimilhança [1]. 2.1 Classificador bayseano por máxima verossimilhança Sejam x = [x 1, x 2,..., x n ] T um vetor de padrões n-dimensional e M classes de padrões ω 1, ω 2,..., ω M, o problema básico em reconhecimento de padrões por decisão teórica é encontrar M funções de decisão d 1 (x), d 2 (x),..., d M (x), tal que se x pertencer à classe ω i, então: d i (x) > d j (x) j i. (I) A função de decisão do classificador bayseano por máxima verossimilhança é definida como: ( ) ( ) [( ) ( )] (II) Onde: ( ) - probabilidade de ocorrência da classe ω i. m i - vetor médio da classe ω i. i - matriz de covariância da classe ω i. Quando não há conhecimento sobre a p(ω i ), assume-se que todas as classes possuem a mesma probabilidade de ocorrência. 2.2 Redes Neurais Artificiais As redes neurais artificiais são máquinas computacionais de processamento paralelo cujo modelo é inspirado na estrutura neural do cérebro. Diz-se que as redes neurais artificiais são inteligentes devido à sua capacidade de adquirir conhecimento ao interagir com seu ambiente através de um processo de aprendizagem [3]. Esta é uma característica que faz com que as redes neurais artificiais apresentem algumas vantagens em relação aos classificadores estatísticos tais como não ser necessário assumir distribuições de probabilidade dos dados, a habilidade de generalização em ambientes com ruído e de aprender padrões complexos [5]. Entre os tipos de aplicações passíveis de utilização das redes neurais podemos citar filtragem de sinais, controle adaptativo, regressão não-linear, classificação de padrões e sensoriamento remoto [7]. Rede perceptron

3 O perceptron é a forma mais simples de uma rede neural artificial composta por uma camada de entrada e uma camada de saída, sendo que os neurônios da camada de saída são totalmente conectados com a camada de entrada. Pode ser treinado com o algoritmo do LMS (Least-Mean-Square) também conhecido como regra delta. Por apenas conseguir classificar de forma correta padrões linearmente separáveis, esta rede é de aplicabilidade limitada. Rede MLP A topologia do perceptron de múltiplas camadas (MLP) apresenta uma camada de entrada, uma ou mais camadas ocultas e uma camada de saída. Ao contrário do perceptron de uma única camada, a rede MLP é capaz de separar padrões nãolinearmente separáveis, podendo ser utilizada em aplicações como regressão linear e predição temporal. Rede RBF Diferentemente das redes MLP, as redes de função de base radial (RBF) encaram o aprendizado como um problema de ajuste de curva. Seguindo este raciocínio, aprender significa definir uma superfície capaz de interpolar os dados de teste com um bom nível de precisão [3]. Figura 1 Imagem RGB utilizada. Os retângulos mostram as áreas das quais foram extraídas as amostras de treinamento para a classe vegetação nativa (retângulos azuis) e a classe outras (retângulos verdes). Adaptado de [6] 3. Materiais e métodos A imagem utilizada no experimento (Figura 1) é um recorte da imagem CCD/CBERS-2, órbita 159, ponto 113, bandas 2(B)-3(G)-4(R), gerada no dia 21 de maio de A imagem passou por um tratamento de cores para facilitar o treinamento dos classificadores. A área em questão está localizada no município de Gurupi, região sul do estado do Tocantins [4]. Como foi utilizada uma imagem RGB, cada padrão a ser classificado é um vetor de três componentes, ou seja, um pixel da imagem. Foram utilizados os mesmos padrões

4 no treinamento de todos os classificadores. Estes padrões correspondem aos pixels das áreas dos retângulos verdes (classe outras) e azuis (classe vegetação nativa) presentes na Figura 1, totalizando vetores de treino e 517 vetores de validação. As componentes de todos os vetores foram normalizadas para o intervalo [-1;1]. Para o classificador bayseano não foi adotado um limiar de aceitação. A rede perceptron, composta por um neurônio, foi treinada com o algoritmo do mínimo quadrado médio (LMS) com taxa de aprendizagem igual a 0,2. O treinamento foi encerrado após a rede atingir um percentual de classificação correta mínimo de 95%, o que correspondeu a 13 épocas. Para a rede MLP, cuja topologia foi 3:4:1, adotamos o algoritmo de treinamento backpropagation seqüencial sem termo de momento com taxa de aprendizagem igual a 0,5. O treinamento foi encerrado após a rede atingir um percentual de classificação correta mínimo de 95%, o que correspondeu a 4 épocas. A rede RBF foi utilizada com a topologia 3:5:1. Seus centros foram selecionados de forma aleatória e os pesos da camada de saída foram obtidos através de treinamento com o algoritmo LMS com uma taxa de aprendizagem igual a 0,1. O treinamento foi encerrado após a execução de 1000 épocas. 4. Resultados e discussão A Tabela 1 apresenta os resultados obtidos da classificação realizada com o classificador bayseano (Maxver) e as redes neurais perceptron, MLP e RBF. O percentual de erro foi calculado tomando como referência a classificação obtida pelo classificador bayseano. Na Tabela 2 são apresentados os tempos de treinamento e de classificação da imagem para cada método utilizado. % de classificação % de erro Classificador Vegetação Outros Total Vegetação Outros nativa nativa Maxver 26,42 73,58 100,0 - - Perceptron 32,37 67,63 100,0 +22,52-8,09 MLP 26,42 73,58 100,0 0,0 0,0 RBF 26,25 73,75 100,0-0,64 +0,23 Tabela 1 Resultados da classificação. Os erros foram calculados em relação aos resultados do classificador bayseano (maxver). A Tabela 3 apresenta as matrizes de confusão para cada classificador. Vale destacar o fato de que apesar da matriz de confusão da rede perceptron ter apresentados bons resultados de validação, este classificador não obteve resultados tão bons quanto às redes MLP e RBF na classificação da imagem. A Figura 2 mostra as imagens resultantes do processo de classificação, nas quais a cor verde representa a classe vegetação nativa e a cor azul a classe outros. Tempo (segundos) Classificador Treinamento Classificação Maxver 0,12 10,58

5 Perceptron 0,97 6,92 MLP 0,44 10,84 RBF 35,44 11,36 Tabela 2 - Tempos de execução dos classificadores Classificador bayseano Vegetação nativa Outros Vegetação nativa 1,00 0,00 Outros 0,05 0,95 Rede Perceptron Vegetação nativa 0,98 0,02 Outros 0,05 0,95 Rede MLP Vegetação nativa 1,00 0,00 Outros 0,01 0,99 Rede RBF Vegetação nativa 0,86 0,14 Outros 0,00 1,00 Tabela 3 - Matrizes de confusão dos classificadores utilizados (a) Classificador bayseano (b) Rede perceptron (c) Rede MLP (d) Rede RBF Figura 2 - Imagens resultantes da classificação. A classe vegetação nativa é representada pela cor verde e a classe outros pela cor azul.

6 5. Conclusões Os resultados obtidos mostraram que, na aplicação em questão, as redes MLP e RBF possuem um nível de classificação praticamente idêntico ao do classificador bayseano por máxima verossimilhança. Consequentemente, ambos são adequados para uma aplicação de sensoriamento remoto com o objetivo de mensurar a área de vegetação. No entanto, o tempo de processamento do classificador bayseano faz com que aparentemente esta seja a melhor opção entre os classificadores utilizados. Entre os trabalhos futuros pretendemos ampliar o estudo utilizando métodos de treinamento mais rápidos para a rede MLP, como a utilização dos algoritmos Levenberg-Marquardt e gradiente conjugado, utilizar uma máquina de vetor de suporte para justificar o desempenho da rede perceptron (padrões não-linearmente separáveis ou hiperplanos não-ótimos) e verificar o desempenho dos classificadores em aplicações com mais de duas classes. Referências 1. RICHARDS, John A. e JIA, Xiuping. Remote Sense Digital Image Analysis. Springer, GONZALES, Rafael C. e WOODS, Richard E. Processamento de Imagens Digitais. São Paulo: Edgard Blucher, HAYKIN, Simon. Redes Neurais: princípios e práticas, 2ª ed. Porto Alegre: Bookman, ÉTORE, F. R., POVH, F. P., SABOYA, L. M. F. e VILELA, M. F.. Uso de classificadores para o mapeamento da vegetação nativa do cerrado. XIV Simpósio Brasileiro de Sensoriamento Remoto. Anais. Natal, abril 2009, INPE, p JY, C. I.. Land-Use Classification of Remotely Sensed Data Using Kohonen Self- Organizing Feature Map Neural Networks. Photogrammetric Engineering & Remote Sensing, v. 6, p , INPE. Catálogo de Imagens. Disponível em < Acesso em 24 de janeiro de TODT, Viviane. Avaliação do Desempenho de Classificadores Neurais para Aplicações em Sensoriamento Remoto. Dissertação de mestrado. Porto Alegre: UFRGS, Kuncheva, L. (2004). Combining Pattern Classifiers : Methods and Algorithms. Wiley-Interscience.