Anais XVI Simpósio Brasileiro de Sensoriamento Remoto - SBSR, Foz do Iguaçu, PR, Brasil, 13 a 18 de abril de 2013, INPE

Transcrição

1 Classificação orientada a objeto para mapeamento do uso e cobertura do solo do município de Rio Acima - MG: por crescimento de regiões e por extração de objetos Alessandro Ribeiro Campos Diego Ferreira Fonseca Daniel Martins Sampaio Sergio Donizete Faria Marcos Antônio Timbó Elmiro Universidade Federal de Minas Gerais - UFMG, Av. Antônio Carlos, Belo Horizonte - MG, Brasil {alessandrorc1@yahoo.com.br, diegoffonseca@ufmg.br, danielsampaio.geo@gmail.com, fariamaracai@yahoo.com.br, timboelmiro@gmail.com} Abstract. Front of the diversity of high and medium resolutions sensors available, robust classification methods increasingly are implemented in PDI softwares. Nowadays in Brazil besides private corporations, the INPE has been the pioneer in the development of such tools, and offers among others, free softwares that looked for to work with such advanced methods for image classification. This article seeks to compare and bring an overview between the mechanisms for classification of satellite images by Regions and Object Oriented, using two softwares: SPRING and ENVI EX. The first one is a free INPE's software and the other is commercial software developed by Exelis Visual Information Solutions. This article search verifies which of these solutions works better in supervisioned classification using RapidEye images, one uses only the spectral response into its algorithm, and the other tries to identify objects using spectral response, in addition to others characteristics in its algorithms such as size, color, form, texture, size, and so on. After running the two mappings, the evaluation was made based in a basic parameter for measure classification performance, which is the matrix of errors and visual inspection. Palavras-chave: remote sensing, object-based analysis, image classification, sensoriamento remoto, análise orientada a objeto, classificação de imagem. 1. Introdução Nos últimos anos tem-se verificado um grande desenvolvimento da tecnologia de sistemas sensores para a observação da Terra. Dentre os avanços podem-se destacar os desenvolvimentos relacionados às resoluções espectrais e espaciais das imagens digitais orbitais. Isso impõe novos desafios ao processamento digital de imagens, cuja finalidade é melhorar o aspecto visual das feições estruturais para o analista humano (Gonzalez e Woods, 2000), subsidiando assim sua interpretação, gerando inclusive produtos que possam ser posteriormente submetidos a outros processamentos. O principal desafio em lidar como esse tipo de imagem diz respeito à disponibilidade de um grande volume de dados e suas implicações no campo do custo computacional e das técnicas de processamento. Com o aumento da resolução espacial, os detalhes e as características dos objetos são mais distintos (MING et al., 2009), tendo em vista que, quanto maior a resolução, maior a habilidade que um sensor possui de distinguir objetos que são próximos espacialmente e assim, menor será o objeto possível de ser identificado. Com o aumento da disponibilidade das imagens de alta resolução e o avanço de técnicas e ferramentas automáticas capazes de interpretar a massa de dados produzida, essas imagens tendem a ser cada vez mais utilizadas para se extrair informações remotamente da superfície 8035

2 terrestre, como o uso e cobertura do solo, através de métodos de classificação, que reconhecem padrões. A classificação pode ser definida sumariamente como um processo que consiste em agrupar pixels, a partir de suas características, em classes pré-estabelecidas ou não pelo usuário (JENSEN, 2009). No contexto do processamento digital de imagens esses métodos são empregados com o objetivo de reconhecer classes/categorias de pixels na imagem, sendo dessa forma denominado genericamente por classificação de imagens. Liu et al. (2006) citam alguns algoritmos de classificação agrupando-os em: classificador individual, tais como os classificadores estatísticos (K-médias, máxima verossimilhança, distância mínima, paralelepípedo etc.); classificador por rede neural artificial; classificador por máquina de aprendizagem (árvore de decisão etc.); classificador fuzzy; ou a combinação de diferentes classificadores a partir de algum mecanismo específico. Os métodos tradicionais de classificação de imagens agrupam os pixels em classes tendo como base a característica espectral pixel-a-pixel. Os algoritmos desses métodos de classificação analisam a característica espectral de cada pixel da imagem e os categoriza dentro de uma classe especifica através de métodos estatísticos. Essa abordagem pode não ser satisfatória para classificação de imagens de alta resolução em termos de precisão e produção de redundância, visto sua grande variabilidade de respostas espectrais. Tratando-se de imagens de alta resolução, a alta variância intra-classe derivada da aplicação desses métodos ocasiona problemas na classificação, conforme mencionado por Alencar-Silva (2009), gerando entre outros problemas, o efeito salt and pepper. Uma opção de método de classificação apropriado ao processamento desse tipo de imagem seria incorporar na classificação, outros aspectos para além da característica espectral de cada pixel, adicionando outros atributos e parâmetros de distribuição espacial dos objetos na imagem. Esse método de classificação é denominado baseado em objeto (based-object) ou por regiões. Como exemplos de aplicação de classificação baseada em objeto pode-se citar os trabalhos de Zhou et al. (2009) na identificação de sombra de árvores, Walter (2004) para detecção de mudanças, Novak et al. (2010) para classificação de lagos, entre outros. Esse método de classificação tem como unidade de processamento os objetos/regiões da imagem que compartilham atributos semelhantes, tais como: nível de cinza, características espectrais, textura, tamanho, forma, compacidade, informação do contexto dos objetos adjacentes etc. (LIU, 2006). Utilizando essas unidades de processamento, faz-se necessário uma técnica de segmentação para extrair, identificar e caracterizar esses objetos/regiões. A segmentação é um processo que consiste em dividir as imagens em segmentos internamente homogêneos e externamente heterogêneos (GONZALEZ e WOODS, 2000) baseados em alguma(s) característica(s) específica(s). Os segmentos representarão os objetos/regiões e serão utilizados como unidades para o algoritmo classificador, que os agrupará em função das informações que os caracterizam. Assim, nessa abordagem de interpretação uma imagem é representada não apenas por pixels individualizados, mas também por objetos e seus mútuos relacionamentos. Algoritmos baseados nessa abordagem estão implementados e disponíveis em softwares (comerciais e não comerciais), com diferentes níveis de sofisticação e combinações de segmentadores e classificadores. Dentre os métodos e softwares atualmente disponíveis tem-se o segmentador por crescimento de regiões e o classificador Bhattacharya, implementados no software SPRING 5.2; e por detecção de bordas Watershed com o classificador K-Nearest Neighbor (KNN), disponíveis no módulo Feature Extraction do software ENVI

3 O suporte desses e de outros métodos de processamento digital de imagens, associado ao aumento da disponibilidade de imagens de sensores remotos com alta resolução (sobretudo espacial e espectral) fornece novas oportunidades, dentre elas o detalhamento do mapeamento do uso e cobertura do solo em uma escala grande. Tanto a precisão como esse detalhamento de informação de uso e cobertura da terra, são essenciais para muitas finalidades, tais como gestão territorial, planejamento e análise e modelagem de padrões da paisagem, reforçando a necessidade de utilização da classificação baseada em objeto para essas aplicações. Nesse contexto, a proposta deste trabalho é a comparação dos métodos de classificação baseada em objeto para a classificação do uso e cobertura do solo de uma imagem multiespectral do sensor REIS do satélite RapidEye (RapidEye AG, 2011) com resolução espacial 5 metros, utilizando os softwares SPRING 5.2 e ENVI EX Crescimento de regiões e classificador Bhattacharya Na segmentação da imagem utilizando o SPRING 5.2, por crescimento de regiões, a partir da rotulação inicial de cada pixel como uma região distinta ou objeto, os pixels são sucessivamente fundidos em objetos maiores segundo critérios de similaridade (m A m B < limiar), até que nenhum outro agrupamento possa ser feito. O limiar de crescimento das regiões é estabelecido pelos parâmetros similaridade e área (pixels), previamente definidos, os quais delimitarão o máximo de heterogeneidade permitido para os objetos. O limiar de crescimento das regiões é estabelecido pelos parâmetros similaridade e área (pixels), previamente definidos, os quais delimitarão o máximo de heterogeneidade permitido para os objetos. O parâmetro similaridade baseia-se na distância Euclidiana entre os valores médios dos níveis de cinza de cada região, de modo que, para duas regiões serem consideradas distintas, a distância entre suas médias deve ser superior ao limite de similaridade escolhido. Com o parâmetro área (pixels), as regiões com área menor que o mínimo escolhido são absorvidas pelas regiões adjacentes mais similares (SPRING, 2012). O classificador Bhattacharya é um algoritmo que requer a seleção de áreas de treinamento, podendo utilizar as regiões individualizadas no processo de segmentação ou polígonos representativos das regiões a serem classificadas como amostras (SPRING, 2012). A partir dessas amostras é estimada a função densidade de probabilidade das classes especificadas, e então é calculada a distância Bhattacharya entre as classes e as regiões segmentadas. A medida da distância de Battacharya é usada para medir a separabilidade estatística entre um par de classes espectrais. Ela mede a distância média entre as distribuições de probabilidades de classes espectrais. 1.2 Detecção de bordas e K-Nearest Neighbor O processo de segmentação por detecção de bordas do ENVI-EX está baseado no algoritmo Watershed em que os valores de nível de cinza dos pixels em uma imagem são análogos aos pontos de elevação em uma superfície topográfica (VICENT e SOILLE, 1991). Uma vez que o agrupamento de pixels em bacias pelo algoritmo é baseado em um único valor, imagens multiespectrais precisam ser convertidas para uma imagem de banda única para o processamento. Cada pixel é convertido em um valor de intensidade média das bandas selecionadas pelo usuário, criando assim a imagem gradiente. O algoritmo inicia marcando um pixel significativamente escuro, então procura seus vizinhos semelhantes até encontrar um pico (pixel mais claro) que divide a bacia formando regiões com intensidade similar, resultando em uma imagem segmentada em que os valores mais baixos do gradiente formam a parte uniforme dos objetos e os altos valores do gradiente formam suas bordas. 8037

4 Utilizando o algoritmo Edge de detecção de bordas do ENVI-EX é possível ajustar a escala de segmentação que será utilizada. O parâmetro Scale Level é utilizado a partir de uma função densidade de probabilidade normalizada (Cumulative Distribution Function - CDF) dos valores da imagem gradiente, determinando o percentual de valores mais baixos que serão descartados. Para um determinado parâmetro de escala, o tamanho resultante dos objetos dependerá das características dos dados utilizados na segmentação, mas em geral, quanto maior a escala, maior o tamanho dos objetos. O classificador K-Nearest Neighbor (ENVI EX, 2012) calcula a distância euclidiana entre cada objeto da imagem segmentada e todos os objetos de treinamento que foram definidos. A distância é medida em n-dimensões tanto quanto forem os atributos dos objetos de treinamento, tais como espectrais, de textura, espaciais e de cor. 3. Materiais e métodos Para a aferição do desempenho das duas soluções em classificação de imagens aqui discutidas, foi escolhida a região do município de Rio Acima em Minas Gerais (Figura 1). O município de Rio Acima está localizado na região do quadrilátero ferrífero uma região geologicamente importante do Pré-Cambriano brasileiro com diversas riquezas minerais, principalmente ouro, ferro e manganês, o que confere uma diversidade ambiental notável a região. Portanto, esta escolha se deve ao fato da região apresentar características ambientais diversas, possuindo na mesma cena da imagem RapidEye utilizada, áreas urbanas, áreas de mineração, e diferentes tipologias vegetais. Figura 1. Localização do município de Rio Acima/MG O município de Rio Acima está localizado na região do quadrilátero ferrífero uma região geologicamente importante do Pré-Cambriano brasileiro com diversas riquezas minerais, principalmente ouro, ferro e manganês, o que confere uma diversidade ambiental notável a região. Para a geração dos mapas de uso e cobertura do solo foi utilizada uma imagem do sistema Rapideye, que possui resolução espacial de 5m, sensor tipo multiespectral (pushbroomimager), resolução radiométrica de 12 bits e cinco bandas espectrais, conforme Tabela 1: 8038

5 Tabela 1. Bandas espectrais Rapideye Faixa espectral Banda µm Azul µm Verde µm Vermelho µm Red-Edge µm Infravermelho próximo Foi necessário realizar o pré-processamento da cena utilizada no que diz respeito à delimitação da área de estudo, registro, correção radiométrica e aplicação de contrastastes nas bandas utilizadas. Para melhorar a segmentação e classificação dos objetos foi gerado o Normalized Difference Vegetation Index (NDVI), que foi incorporado à imagem, tornando-se a sexta banda, para possibilitar a utilização desse parâmetro em ambos os softwares, uma vez que no ENVI EX existe a possibilidade de introduzir o NDVI como parâmetro de forma automática na extração dos objetos. No software ENVI-EX, utilizando o módulo Feature Extraction baseado em exemplos (amostras), a imagem foi segmentada utilizando o algoritmo Edge e o parâmetro de escala 30, de modo que 30% dos valores de gradiente mais baixos foram descartados a partir da imagem gradiente. Após segmentação, foram selecionados os seguintes atributos dos segmentos, que foram utilizados na classificação pelo algoritmo K-Nearest Neighbor: atributos espectrais: média, máximo, mínimo e desvio padrão de todas as bandas; atributos de textura: range, média, variância e entropia; atributos espaciais: convexidade, arredondamento, form_factor, alongamento e Rectangular_Fit (aproximação com a forma retangular); espaço de cor: composição 4R2G1B transformada para o espaço IHS (Intensity, Hue e Saturation). No software SPRING 5.2 foi executada a segmentação pelo método Crescimento de Regiões utilizando os parâmetros de similaridade 5120 e área (pixels) 8. Desta forma, para duas regiões serem consideradas distintas, a distância entre suas médias deveria ser superior a 5120 e ter área superior a 8 pixels. Em ambos os softwares foram definidas as classes de uso e cobertura do solo e coletadas amostras, a partir da identificação dos objetos/regiões pertencentes a cada classe: Vegetação 1 (floresta B); Vegetação 2 (campos e cerrado); Água; Afloramento; Área Construída; Rejeito; Solo Exposto; e Telhado Cerâmico. A avaliação da classificação da imagem digital discutida neste trabalho refere-se à precisão da classificação das distintas categorias temáticas que compõem o mapa final de uso e cobertura do solo. Em conformidade com a escala e o grau de generalização da informação, as categorias de uso e cobertura devem refletir no terreno a mesma classe representada no mapa. Nesse sentido, foram selecionadas amostras de referência de forma supervisionada na imagem a ser classificada, para a validação e checagem dos erros. Os resultados foram analisados individualmente através da matriz de erro (CONGALTON e GREEN, 2009), consolidadas nas Tabelas 2 e 3, e também comparados visualmente entre si. 4. Resultado e discussão Na Figura 2 (a e b) são apresentadas as classificações realizadas na imagem Rapideye pelos métodos Watershed e K-Nearest Neighbor, do software ENVI-EX; e por crescimento de regiões 8039

6 com aplicação da classificação supervisionada Bhattacharya, do software SPRING 5.2, respectivamente. Em relação às imagens processadas, nota-se que a classificação realizada pelo método Watershed e K-Nearest Neighbor obteve o resultado menos homogêneo, portanto mais coerente. Comparando os dados mapeados observou-se que o solo exposto e floresta, representaram a maior diferença das classes ilustradas (Figura 2 (a) e (b)), sinalizando para a eficácia da utilização dos atributos dos segmentos. Figura 2. Representação do uso e cobertura do solo do município de Rio Acima/MG: a) Watershed + K Nearest Neighbor (ENVI-EX); b) Crescimento de regiões + Bhattacharya (SPRING 5.2) Depois de realizada as classificações da imagem, foram avaliados os resultados das matrizes de erro. As Tabelas 2 e 3 apresentam os resultados da validação para os dois tipos de segmentadores e classificadores utilizados nos softwares ENVI-EX e SPRING 5.2. Observa-se na Tabela 3, que a eficiência da classificação utilizada no programa SPRING 5.2 foi mais expressiva na estimativa de Solo Exposto, Campo Cerrado Área Construída. Tabela 2. Comparação das classes temáticas mapeadas pelos segmentadores/classificadores Classes SPRING ENVI-EX SPRING ENVI-EX Nº Pixels Área (ha) Afloramento , ,47 Água ,09 156,08 Área Construída ,47 321,68 Campo/Cerrado , ,06 Floresta , ,66 Rejeito ,96 19,00 Solo Exposto , ,45 Telha Cerâmica ,96 10,95 Não Classificado ,86 8,

7 Esses resultados indicam que as diferenças dos algoritmos segmentadores e classificadores remetem possivelmente as diferenças em termos de área das classes entre os mapeamentos. As diferenças de área ocorrem generalizadamente em todas as classes, com exceção da classe Rejeito de mineração, em que há diferença de apenas 0,96 ha. As maiores diferenças são apresentadas nas classes Solo Exposto, Afloramento e Campo/Cerrado. Tabela 3. Desempenho dos algoritmos classificadores ENVI-EX SPRING Classe Acurácia do Acurácia do Acurácia do Acurácia do Classe Produtor Usuário Produtor Usuário Afloramento 0,929 0,722 Afloramento 0,846 0,611 Água 1,000 1,000 Água 1,000 0,960 Área Construída 0,811 0,811 Área Construída 0,814 0,946 Campo/Cerrado 0,891 0,719 Campo/Cerrado 0,743 0,912 Floresta 0,867 0,951 Floresta 0,909 0,976 Rejeito 1,000 1,000 Rejeito 0,929 1,000 Solo Exposto 0,740 0,891 Solo Exposto 0,939 0,719 Telha Cerâmica 0,889 0,727 Telha Cerâmica 0,889 0,727 Acurácia Total 0,868 Acurácia Total 0,875 A comparação entre as duas classificações se deu através da matriz de erros ou de confusão, que identifica o erro global da classificação para cada categoria, mostrando também como se deram as confusões entre as categorias (BRITES, 1996). A partir da sintetização das matrizes de erro na Tabela 3, observa-se uma acurácia de 86,8% da classificação realizada no ENVI EX, utilizando o segmentador Watershed e o classificador K- Nearest Neighbor. A classificação realizada no SPRING através do segmentador por de crescimento de regiões e algoritmo classificador Bhattacharya, apresentou um resultado com acurácia de 87,5%. Embora os valores de tidos como acurácia da classificação sejam relativamente próximos, percebe-se grandes diferenças visuais nas duas imagens classificadas. 5. Considerações finais Este trabalho apresentou a comparação de duas metodologias de classificação a Watershed + K Nearest Neighbor (ENVI-EX) e a crescimento de regiões + Bhattacharya (SPRING 5.2) para processar uma imagem de alta-resolução RapidEye. Depois de realizadas as classificações, verificou-se que o programa ENVI-EX apresentou o resultado que descreve melhor a dinâmica ambiental da região de estudo, mesmo obtendo uma acurácia de sua classificação ligeiramente menor do que o observado na classificação realizada no SPRING. O SPRING que se apresenta como uma excelente solução freeware em processamento de imagens digitais, que conta com algoritmos complexos e desenvolvidos, no entanto ainda não possui implementado, um algoritmo capaz de considerar além dos valores espectrais, demais atributos dos objetos da imagem. tais como de textura, cor, forma/tamanho, etc. Considerando os resultados obtidos, talvez este fator que contribua mais fortemente para as significativas diferenças visuais verificadas nas duas classificações. Estudos mais detalhados com outros métodos de comparação entre algoritmos classificadores talvez sejam pertinentes para se investigar até que ponto, os atributos dos objetos tais como considerados no ENVI EX, são relevantes ao processo de classificação, de acordo com a escala 8041

8 de trabalho, pois podem ocorrer em, entre outras coisas, a redundâncias de informações com elevado consumo de recursos computacionais, ou não, tornando a identificação de objetos na imagem uma excelente opção para se trabalhar imagens de alta resolução. Referências Bibliográficas Alencar-Silva, T.; Maillard, P. Segmentação de imagens de alta resolução utilizando o programa SMAGIC. In: Simpósio Brasileiro de Sensoriamento Remoto (SBSR), 14, 2009, Natal. Anais... São José dos Campos: INPE, Artigos, p CD-ROM, On-line. ISBN Disponível em: Acesso em: 01 out ANTUNES, Alzir Felippe Buffara; LINGNAU, Christel. Uso de Índices de Acurácia para Avaliação de Mapas Temáticos Obtidos por Meio de Classificação Digital Disponível em: < >. Acesso em 11/ BRITES, R. S. Verificação de exatidão em classificação de imagens digitais orbitais: efeito de diferentes estratégias de amostragem e avaliação de índices de exatidão f. Tese (Doutorado em Ciência Florestal) - Universidade Federal de Viçosa, Viçosa, COHEN, J. A Coeficient of Agreement for Nominal Scales. Educational and Measurment. Vol XX, No 1, p , CONGALTON, R. G.; GREEN, K. Assessing the accuracy of remotely sensed data: principles and practices. New York: Lewis Publishers, ed. 137 p. ENVI EX: 4.8 Trial Version. Boulder Colorado: ITT Visual Information Solution, Disponível em < Acesso em 01 ago de Software. Felix, I. M.; Kazmierczak, M. L.; Espindola, G. M. RapidEye: a nova geração de satélites de Observaçãoda Terra. In: Simpósio Brasileiro de Sensoriamento Remoto (SBSR), 14, 2009, Natal. Anais... São José dos Campos: INPE, Artigos, p CD-ROM, On-line. ISBN Disponível em: Acesso em: 01 out Gonzalez, R.C.; Woods, R. E. Processamento de imagens digitais. São Paulo: Blucher, p. Jensen, J.R. Sensoriamento remoto do ambiente: uma perspectiva em recursos terrestres. São José dos Campos: Parêntese, p. LANDIS, J.R.; KOCH, G.G. The measurement of observer agreement for categorical data. Biometrics, v.33,n.1,p , Liu, Y.; Li, M.; Mao, L.; Xu, F.; Huang, S.Review of Remotely Sensed Imagery Classification Patterns Based on Object-oriented Image Analysis. Chinese Geographical Science. n. 16, p , Ming, D.; Wang, Q.; LUO, J.; SHEN, Z. Evaluation of High Spatial Resolution Remote Sensing Image Segmentation Algorithms. In: International Congress on Image and Signal Processing, 2, 2009, Tianjin. Anais. MONTGOMERY, G.; SCHUCH, C. Gis Data Conversion Handbook. Fort Collins: Gis Word Books Novak, T. Classicação da cobertura da terra e do uso do solo urbano utilizando o sistema InterIMAGE e imagens do sensor QuickBird p. (INPE TDI/1580). Dissertação (Mestrado em Sensoriamento Remoto) - Instituto Nacional de Pesquisas Espaciais, São José dos Campos Novak, T.; Hayakawa, E.H.; Bertani, T.C.; Zani, H. Classification of lakes in the Pantanal of Nhecolândia using object-based image analysis. Revista Geogrâfica Acadêmica. vol. 4, n. 1, p , SPRING: São José dos Campos: DPI/INPE, Disponível em < Acesso em 01 ago de Software. Walter, V. Object-based classification of remote sensing data for change detection. ISPRS Journal of Photogrammetry & Remote Sensing. n. 58, p , Zhou, W.; Huang, G.; Troy, A.; Cadenasso, M.L. Object-based land cover classification of shaded areas in high spatial resolution imagery of urban areas: A comparison study. Remote Sensing of Environmental. n. 113, p ,