GEOPROCESSAMENTO. Classificação de imagens de Sensoriamento Remoto. Prof. Luiz Rotta

Transcrição

1 GEOPROCESSAMENTO Classificação de imagens de Sensoriamento Remoto Prof. Luiz Rotta

2 CLASSIFICAÇÃO Processo de extração de informação em imagens para reconhecer padrões e objetos homogêneos Sensoriamento Remoto mapear áreas da superfície terrestre que correspondem aos temas de interesse.

3 EXTRAÇÃO DE INFORMAÇÃO EM SR Interpretação de imagens multiespectrais: 2 abordagens Análise quantitativa X análise visual Análise quantitativa ~ análise digital Uso de computadores para examinar individualmente cada pixel da imagem com o objetivo de categorizar esses pixels. Análise visual ~ interpretação visual Processo cognitivo realizado por um intérprete humano capaz de explorar efetivamente os elementos espaciais, espectrais e temporais de uma cena.

4 INTERPRETAÇÃO VISUAL X ANÁLISE QUANTITATIVA

5 EXTRAÇÃO DE INFORMAÇÃO EM SR 1º Passo: Definir as categorias a serem mapeadas feições, objetos, classes, tipos de cobertura da terra;

6

7 COBERTURA X USO Cobertura da terra representa a cobertura física observada sobre a superfície da terra - sua descrição deve se limitar às características da vegetação e de feições naturais e antrópicas; - a definição dos tipos de cobertura da terra está restrita ao observável. Uso da terra se caracteriza pelas atividades desenvolvidas pelas pessoas que ocupam um tipo de cobertura da terra específico e interagem para mantê-lo ou modificá-lo - sua definição procura estabelecer uma ligação direta entre cobertura da terra e as ações das pessoas sobre o ambiente. Exemplo: área de recreação é um termo que designa uso da terra, e pode se referir a diferentes tipos de cobertura da terra desde áreas verdes, até áreas construídas.

8 EXTRAÇÃO DE INFORMAÇÃO EM SR Os mapas temáticos apropriado para cada aplicação Organizar a informação espacial de maneira lógica e ordenada. Possibilita: para quem produz o mapa caracterizar as feições da paisagem para o usuário do mapa reconhecer essas feições

9 ANÁLISE DIGITAL DE IMAGENS MULTIESPESTRAIS -Utilização de sistemas computacionais que auxiliem o elemento humano na interpretação das informações contidas em imagens -Necessidade de processamento automático decorreu da grande quantidade de dados multiespectrais gerados pelos sistemas imageadores Quanto maior o número de bandas espectrais nas quais uma imagem é adquirida, mais complexa se torna sua interpretação A análise digital visa, também, eliminar a subjetividade inerente à interpretação visual.

10 ANÁLISE DIGITAL DE IMAGENS MULTIESPESTRAIS

11 ANÁLISE DIGITAL DE IMAGENS MULTIESPESTRAIS

12

13 REFLECTÂNCIA DIFERENTES CONCENTRAÇÕES DE SEDIMENTO NA ÁGUA (a) (b) Figura 5 - Reflectância espectral in situ da água limpa e com diferentes concentrações de sedimentos de argila em (a) e areia em (b). Fonte: Adaptado de Jensen (2000).

14 VEGETAÇÃO

15 VEGETAÇÃO

16 REFLECTÂNCIA - ÁGUA

17

18 BANDAS ESPECTRAIS QUE FORNECEM MELHOR DISCRIMINAÇÃO ENTRE OS OBJETOS (ALVOS) DE INTERESSE

19 CLASSIFICAÇÃO

20

21 CLASSIFICAÇÃO CLASSIFICAÇÃO envolve a caracterização de um pixel como pertencente a uma classe espectral ou classe de informação, usando os dados multiespectrais disponíveis e técnicas apropriadas de reconhecimento de padrões em imagens de SR. CLASSES ESPECTRAIS conjuntos de pixels que apresentam resposta similar no espaço espectral definem agregamentos espectrais ou clusters CLASSES DE INFORMAÇÃO agrupamentos de pixels associados a uma classe real de dados (tipo de cobertura da terra) que um aplicativo computacional específico foi treinado para reconhecer.

22 CLASSIFICAÇÃO DE DADOS DE SR RICHARDS (1986) Classificação: método usado para rotular pixels de uma cena a partir de suas características espectrais categorização implementada por um programa computacional habilitado a reconhecer os pixels espectralmente similares. NOVO (1989) Técnicas de classificação: implicam na implementação de um processo de decisão para que o algoritmo possa atribuir um certo conjunto de pontos (pixels) a uma determinada classe.

23 TIPOS DE CLASSIFICADORES Supervisionado: O usuário dispõe de informações (amostras/classes) que permitem caracterizar cada classe de interesse (Classes de Informação). Não supervisionado: Utiliza algoritmos para reconhecer as classes espectrais presentes na imagem

24 ABORDAGENS DE CLASSIFICAÇÃO - PIXEL A PIXEL usa isoladamente a informação espectral de cada pixel - POR REGIÕES usa a informação espectral de cada pixel e a informação espacial dos pixels vizinhos CLASSIFICAÇÃO POR REGIÕES Implica na definição prévia das regiões (segmentos) a serem classificados SEGMENTAÇÃO ESPECTRAL DA IMAGEM CLASSIFICAÇÃO

25 SEGMENTAÇÃO Anterior à fase de classificação por regiões Divide-se a imagem em regiões que devem corresponder às áreas de interesse da aplicação Regiões: conjunto de "pixels" contíguos, que se espalham bidirecionalmente e que apresentam uniformidade.

26 SEGMENTAÇÃO A segmentação prévia de uma imagem é uma etapa necessária em muitas das abordagens de classificação por regiões. A literatura especializada apresenta várias técnicas de segmentação de imagens, porém uma das mais utilizadas no contexto da análise multiespectral é o método baseado em crescimento de regiões.

27 CRESCIMENTO DE REGIÕES Técnica de agrupamento de dados, na qual somente as regiões adjacentes, espacialmente, podem ser agrupadas. Inicialmente, este processo de segmentação rotula cada "pixel" como uma região distinta. Critério: A e B são similares (teste das médias); a similaridade satisfaz o limiar estabelecido; A e B são mutuamente próximas (dentre os vizinhos de A, B é a mais próxima, e dentre os vizinhos de B, A é a mais próxima). Caso as regiões A e B satisfaçam estes critérios, estas regiões são agregadas, caso contrário o sistema reinicia o processo de teste de agregação.

28 SEGMENTAÇÃO: CRESCIMENTO DE REGIÕES

29 EXERCÍCIO 1 1. Abra o Banco de Dados no SPRING 2. Ative o Projeto 3. Imagem Segmentação 4. Na janela Segmentação a. Método: Crescimento de Regiões b. Selecione todas as bandas do TM/Landsat c. Similaridade: 5. Área (pixel): 5 d. Categoria: CAT_Imagem e. Nome do PI: Seg_S5P5 f. Execute

30 SIMILARIDADE E ÁREA (PIXEL) A medida de Similaridade está baseada na distância Euclidiana entre os valores médios dos níveis de cinza de cada região. Assim duas regiões são consideradas distintas se a distância entre suas médias for superior ao limite de Similaridade escolhido. Regiões com área menor que o mínimo escolhido são absorvidas pelas regiões adjacentes mais similares a estas.

31 SIMILARIDADE: 5 / ÁREA (PIXEL): 5

32 SIMILARIDADE: 5 / ÁREA (PIXEL): 5

33 EXERCÍCIO 2 1. Na janela Segmentação a. Método: Crescimento de Regiões b. Selecione todas as bandas do TM/Landsat c. Similaridade: 20. Área (pixel): 5 d. Categoria: CAT_Imagem e. Nome do PI: Seg_S20P5 f. Execute

34 SIMILARIDADE: 20 / ÁREA (PIXEL): 5

35 EXERCÍCIO 3 1. Na janela Segmentação a. Método: Crescimento de Regiões b. Selecione todas as bandas do TM/Landsat c. Similaridade: 20. Área (pixel): 100 d. Categoria: CAT_Imagem e. Nome do PI: Seg_S20P100 f. Execute

36 SIMILARIDADE: 20 / ÁREA (PIXEL): 100

37 CLASSIFICAÇÃO DE IMAGENS DE SR Não Supervisionada Supervisionada

38 CLASSIFICAÇÃO NÃO SUPERVISIONADA

39 CLASSIFICAÇÃO NÃO SUPERVISIONADA Agrupar pixels ou conjunto de pixels no espaço multiespectral, formando classes espectrais de identidade desconhecida Princípio: pixels pertencentes a um mesmo grupo tendem a ser próximos no espaço de atributos

40

41

42 CLASSIFICAÇÃO NÃO SUPERVISIONADA As classes espectrais devem ser associadas à classes de informação, para posterior representação temática.

43 CLASSIFICAÇÃO NÃO SUPERVISIONADA POR REGIÕES Classificação por regiões implica na segmentação prévia da imagem Classificação de Imagens Segmentadas

44 CLASSIFICAÇÃO NÃO SUPERVISIONADA POR REGIÕES A classificação das regiões de uma imagem segmentada realizada por algoritmo de agrupamento de dados não-supervisionado, aplicado sobre o conjunto de regiões, as quais são caracterizadas por seus atributos estatísticos (média, matriz de covariância, área, etc.) São técnicas de classificação que procuram agrupar regiões a partir de uma medida de similaridade entre elas que considera REGIÕES.

45 CLASSIFICAÇÃO NÃO SUPERVISIONADA POR REGIÕES No Spring: ISOSEG - Algoritmo de cluster que procura agrupar regiões a partir de uma medida de similaridade entre elas. - Medida de similaridade usada é a distância de Mahalanobis entre a classe analisada e cada uma das regiões candidatas, sendo definida como: d T 1 x, m ln x m x m i i i i i

46

47 ATIVIDADE PRÁTICA CLASSIFICAÇÃO NÃO SUPERVISIONADA POR REGIÕES Ativar Banco de Dados e Projeto

48 ATIVIDADE PRÁTICA Criar a Categoria Cobertura_Terra do modelo temático. Criar as seguintes Classes Temáticas: Área Urbana. Cor: Mata. Cor: Agric. & Past. Cor: Solo Exposto Cor:

49 ATIVIDADE PRÁTICA Realizar a segmentação Na janela Segmentação a. Método: Crescimento de Regiões b. Selecione todas as bandas do TM/Landsat c. Similaridade: 15. Área (pixel): 10 d. Categoria: CAT_Imagem e. Nome do PI: Seg_S15P10 f. Execute Analisar de a segmentação ficou adequada para as classes de interesse.

50 ATIVIDADE PRÁTICA Imagem Classificação... Criar contexto Nome: Regioes_seg1510 Tipo de Análise: Regiões Bandas: Todas Imagens segmentadas: Seg_S15P10 Executar Extração de atributos das regiões Classificação... Isoseg Testar os limiares de aceitação: 95% e 99.9% Nome: Isoseg95 e Isoseg999 Executar.

51 ATIVIDADE PRÁTICA Área Urbana. Mata. Agric. & Past. Solo Exposto

52 ATIVIDADE PRÁTICA Associar as Classes Espectrais às Classes de Informação

53 ATIVIDADE PRÁTICA

54 CLASSIFICAÇÃO NÃO SUPERVISIONADA POR PIXEL

55

56 CLASSIFICAÇÃO NÃO SUPERVISIONADA POR PIXEL - MÉDIAS MIGRANTES

57 CLASSIFICAÇÃO NÃO SUPERVISIONADA POR PIXEL K- MÉDIAS Um dos métodos de agregamento estatístico mais comumente usado algoritmo descrito primeiramente por Duda & Hart (1973) Concepção: considera uma amostra heterogênea de pixels da imagem para gerar sementes e realizar a CLASSIFICAÇÃO NÃO SUPERVISIONADA

58 K-MÉDIAS Definição de amostra heterogênea na imagem Geração de sementes Cada pixel é atribuído à semente (classe espectral) cujo centro estiver mais próximo no espaço multiespectral Média dos agregamentos (classes espectrais) é calculada e os pixels são reatribuídos às médias mais próximas Processo iterativo prossegue até que não haja mudança significativa entre as médias das classes espectrais formadas na iteração atual e na anterior Classificação de toda a imagem.

59 ATIVIDADE PRÁTICA Banco de Dados: Morro_Diabo PEMD Projeto: Projeção: UTM Datum: WGS 84 Zona UTM: 22 Retângulo envolvente: X 1 = ; X 2 = ; Y 1 = e Y 2 = Modelo de Dados: Imagem_ETM PI s: Banda_1, Banda_2, Banda_3, Banda_4, Banda_5, Banda_7 e Banda_pan.

60 ATIVIDADE PRÁTICA - Definir as classes de interesse (tipos de cobertura da terra identificáveis) 1 Mata 2 Cultura/Pastagem 3 Solo exposto 4 Corpo d água 5 Área urbana

61 ATIVIDADE PRÁTICA Em [IMAGEM] [CLASSIFICAÇÃO] Criar Arquivo de Contexto Nome: pixel Tipo de Análise: Pixel Bandas: 1, 2, 3, 4, 5 e 7 Selecionar o arquivo criado Classificação Criar nome para o novo PI da imagem classificada Classificador: K-Médias Especificar número de classes espectrais desejado (K) Temas = 5, 10 e 15 Informar número de iterações pretendido Iterações = 50 (nas 3 classificações) Executar Analisar a imagem resultante da classificação não supervisionada por pixel, selecionando aquela que você considera mais adequada. Realizar Pós-Classificação Associar as classes espectrais definidas na classificação não supervisionada (TEMAS) com classes de informação definidas no Modelo Temático.

62 CLASSIFICAÇÃO SUPERVISIONADA

63 CLASSIFICAÇÃO SUPERVISIONADA

64 CLASSIFICAÇÃO SUPERVISIONADA - Ferramenta analítica essencial usada na extração da informação quantitativa a partir de dados de sensoriamento remoto; - Implica no treinamento de algoritmo de classificação para definir classes de informação utilização de algoritmos apropriados para designar os pixels de uma imagem como representativos de um tipo específico de cobertura da terra;

65 CLASSIFICAÇÃO SUPERVISIONADA Tarefa de um Classificador: I Dividir apropriadamente o espaço de atributos em regiões de decisão cada região corresponde a uma classe discriminável específica; II Definir um classificador que possa associar um dado vetor de atributos à região de decisão correspondente à classe na qual ele pode estar inserido x 2 Solo Limites de decisão Água Vegetaçã o

66 CLASSIFICAÇÃO SUPERVISIONADA Frequentemente funções discriminantes são desconhecidas podem ser obtidas através de padrões de treinamento: -identidade conhecida -representativos de cada classe de interesse. TREINAMENTO: processo de projetar o classificador

67 CLASSIFICAÇÃO SUPERVISIONADA - ETAPAS Definição das classes de informação, com base no conhecimento in loco e sua correlação na cena: padrões que caracterizam as classes. - Identificar e adquirir na imagem áreas representativas de cada uma das classe de informação: aquisição de dados de treinamento (exemplos que representam as classes). - Utilizar as amostras de treinamento para: estimar os parâmetros de um modelo de classificação (classificadores paramétricos) ou; definir as equações para particionar adequadamente o espaço multiespectral (classificadores não paramétricos) - Usar o classificador treinado para classificar toda a imagem. - Representar o resultado da classificação na forma de mapa temático ou tabelas/gráficos que indiquem área/classe ou proporções.

68 CLASSIFICAÇÃO SUPERVISIONADA

69 CLASSIFICAÇÃO SUPERVISIONADA POR REGIÕES BATTACHARYA Classificador de Battacharya: Usa as amostras de treinamento para estimar os parâmetros da função densidade de probabilidade normal para cada classe de informação; Em seguida, avalia, para cada região, a distância de Battacharya entre as classes.

70

71 ATIVIDADE PRÁTICA Água com sedimentos 2

72

73

74 CLASSIFICAÇÃO SUPERVISIONADA POR PIXEL Classificação pelo método do parelelepípedo -Classificador não paramétrico que utiliza os valores de brilho (NDs) mínimos e máximos de cada banda espectral para definir o particionamento do espaço multiespectral; -esses valores de NDs (min e max) são obtidos diretamente dos dados de treinamento que caracterizam cada classe; -o treinamento pode ser feito a partir da análise dos histogramas dos componentes espectrais individuais (bandas) dos dados de treinamento. -os limites inferior e superior do histograma são identificados e usados para descrever os intervalo de NDs para cada banda, de modo a caracterizar cada classe. Juntos, os intervalos definidos em todas as bandas descrevem uma figura multidimensional ou paralelepípedo.

75 CLASSIFICAÇÃO SUPERVISIONADA POR PIXEL x 2 limite inferior limite superior x 1 x 2 x x 1 x 1

76 CLASSIFICAÇÃO SUPERVISIONADA POR PIXEL MÉTODO DE MÁXIMA VEROSSIMILHANÇA - Método de classificação baseado no teorema de Bayes; - Mais utilizado na classificação supervisionada de dados de Sensoriamento Remoto. O processo de classificação consiste em definir a classe mais provável para cada pixel da imagem.

77 MÁXIMA VEROSSIMILHANÇA - MAXVER Adotando-se o pressuposto de normalidade para descrever cada uma das classes de informação, pode-se assumir que a função discriminante de MAXVER é caracterizada pela função densidade de probabilidade normal. Após algumas simplificações a função discriminante de MAXVER pode ser escrita da seguinte forma: G i ( x) ln p( ) i 1 2 ln i 1 ( x mi ) 2 onde i = 1...m; sendo m i o vetor média e a matriz de covariância associados à classe ω i, e m o número de classes. Os parâmetros:vetor média m i e matriz de covariância i são estimados a partir dos dados de treinamento obtidos para as classes. i t 1 i ( x m i )

78 MAXVER Freqüentemente, não se dispõe de informações confiáveis sobre p( i ), assumindo-se que as probabilidades a priori para as classes são iguais. Com isso ln p( i ) pode ser removido da função discriminante já que p( i ) para ser o mesmo para todo i. A função discriminante adotada quando se assume que as classes têm probabilidades a priori iguais é simplificada para: g i ( x ) ln i t 1 x m x m i i i

79 MAXVER A estrutura ( x m 1 ( x t i ) m i i ) da função discriminante MAXVER é uma função quadrática de x as superfícies de decisão implementadas para classificação pelo método de máxima verossimilhança são quadráticas e assumem a forma de parábolas, círculos e elipses.

80 MAXVER - LIMIARES - Quando ocorrerem duas classes com distribuição de probabilidade com certo grau de superposição, - quando os pixels a serem classificados estão próximos do final (cauda) da distribuição é adequado aplicar limiares no processo de decisão Os pixels que apresentam, para todas as classes, uma probabilidade abaixo do limiar não serão classificados.

81 MAXVER - LIMIARES (a) (b) Classificado como 1 (questionável) Classificado como 2 (adequado) 2 x Classificado como 3 (questionável) Classificação pouco confiável para pixels localizados na cauda da distribuição 1 3 Limiar x Regiões não classificadas

82

83 Dados de treinamento/classe requeridos na classificação MAXVER - Deve ser o suficiente para permitir uma estimativa confiável do vetor média e da matriz de covariância. N+1 (N= número de bandas) para que a matriz não seja indeterminada - Amostra de tamanho maior implica em estimativas mais confiáveis dos parâmetros

84 CLASSIFICAÇÃO SUPERVISIONADA POR PIXEL MÉTODO DA DISTÂNCIA MÍNIMA DA MÉDIA O caso do número limitado de dados de treinamento O bom desempenho do classificador MAXVER depende de uma estimativa do vetor média e matriz de covariância para cada classe necessário dispor de um número suficiente de dados de treinamento para cada uma das classes. -Quando o número de amostras de treinamento por classe é limitado é mais adequado recorrer a um classificador que não use as informações da matriz de covariância dependa apenas das médias das classes -No classificador pela distância mínima da média, os dados de treinamento são usados para determinar apenas o vetor média de cada classe e a classificação é feita alocando o pixel à classe de média mais próxima.

85 CLASSIFICAÇÃO DE IMAGENS MULTIESPECTRAIS Abordagem por PIXEL - Não supervisionada classes espectrais Isodata (médias migrantes), K-médias - Supervisionada classes de informação Paralelepípedo (não paramétrico), Máxima Verossimilhança, Distância Mínima da Média (paramétricos)

86 CLASSIFICAÇÃO DE IMAGENS MULTIESPECTRAIS Abordagem por REGIÕES - Não supervisionada classes espectrais Isoseg - Supervisionada classes de informação Battacharya

87

88 PÓS CLASSIFICAÇÃO