Classificação de imagens. Qgis Plugin Semi-Automatic Classification Tool. Engenharia Ambiental Geoprocessamento Profa. Ligia F. A.

Transcrição

1 Classificação de imagens Qgis Plugin Semi-Automatic Classification Tool Engenharia Ambiental Geoprocessamento Profa. Ligia F. A. Batista

2 Espectro Eletromagnético µm (A) Violeta (B) Azul Verde Amarelo Laranja Vermelho µm (A) Espectro Eletromagnético; (As curvas (B) representam o padrão espectral da interação da vegetação, solo e água eletromagnética) com a energia (Fonte: INPE, modificado) 2

3 Interação da Energia com a Terra 3

4 Água com diferenças de turbidez 4

5 5

6 6

7 7

8 Introdução Processo de decisão: atribuir certo conjunto de pixels a uma determinada classe Objetivo de tornar o mapeamento menos subjetivo e com maior potencial de repetição Mudanças de interpretação podem ocorrer em função da experiência do intérprete e condições de trabalho (iluminação, equipamento, etc.) 8

9 Técnicas de classificação Visam o reconhecimento automático de objetos, em função de um determinado critério de decisão, agrupando em temas (classes) os alvos (ou objetos) que apresentam características espectrais similares Resultado: mapa temático Visam substituir as técnicas de análise visual de imagens através de algoritmos que automatizem o processo de identificação dos objetos 9

10 Técnicas de Classificação Interação do analista com o processamento automatizado, é fundamental para o sucesso (desempenho) de uma classificação Os algoritmos de classificação digital de imagens são limitados porque usam apenas as características espectrais Por isto, para corrigir os erros de uma classificação automatizada, utiliza-se o processo denominado Edição Matricial 10

11 Duas formas Supervisionada: as classes são definidas a priori pelo analista Não-supervisionada: classes são derivadas a posteriori como um resultado da análise. 11

12 Classificação supervisionada Devem ser fornecidas, pelo analista, amostras espectralmente homogêneas e representativas das classes. Ao algoritmo utilizado cabe a tarefa de localizar todos os demais pixels pertencentes a essas classes, baseado em uma regra pré-estabelecida. Amostras: áreas de treinamento dependem da finalidade da classificação 12

13 Treinamento 13

14 14

15 Mapa temático 15

16 A tarefa da classificação de padrões consiste, inicialmente, em dividir apropriadamente o espaço das medições em regiões de decisão, cada região correspondendo a uma classe discriminável Agrupamento de pontos 16

17 Métodos de classificação Paralelepípedo Distância Euclidiana Mapeamento por ângulo espectral Máxima verossimilhança K-médias 17

18 Paralelepípedo utiliza os valores de brilho (Números digitais ou NDs) mínimos e máximos de cada banda espectral para definir o particionamento do espaço multiespectral; esses valores de (min e max) NDs são obtidos dos dados de treinamento que caracterizam cada classe; treinamento pode ser feito a partir da análise dos histogramas dos componentes espectrais individuais (bandas) dos dados de treinamento. Juntos, os intervalos definidos em todas as bandas descrevem uma figura multidimensional ou paralelepípedo 18

19 Paralelepípedo Restrições: espaços vazios e superposições 19

20 Paralelepípedo P3 e p4 não classificados 20

21 Paralelepípedo Abre janela LCS Threshold (com valores de máximos e mínimos, por banda, por amostra 21

22 Distância euclidiana Usa apenas a informação da média das classes espectrais Categoria do pixel é atribuída à classe cuja média está mais próxima Domínios espectrais são simétricos (classes alongadas não serão modeladas) 22

23 Distância euclidiana Procedimento de classificação supervisionada, que utiliza esta distância para associar um "pixel" a uma determinada classe No treinamento supervisionado, definem-se os agrupamentos que representam as classes Na classificação, cada "pixel" será incorporado a um agrupamento, através da análise da medida de similaridade de distância Euclidiana 23

24 24

25 Distância Euclidiana A classificação de distância mínima da média é bastante apropriada quando o número de amostras de treinamento é limitado e, em alguns casos, pode levar a um melhor desempenho que a abordagem de máxima verossimilhança 25

26 SCP Distância mínima DICA 1- SCP: Usar valores altos (ex.: 5000), para Threshold 2- Ver Spectral Signature Plot Spectral Distances, Euclidean Distance 26

27 Mesmo MC_ID (Macroclasse) MC_ID Diferente 27

28 Máxima verossimilhança Método estatístico, mais utilizado na classificação supervisionada de dados de Sensoriamento Remoto Os conjuntos de treinamento definem o diagrama de dispersão das classes e suas distribuições de probabilidade, considerando a distribuição de probabilidade normal multivariada para cada classe do treinamento. Probabilidades condicionais 28

29 Máxima verossimilhança Para que a classificação por máxima verossimilhança seja precisa o suficiente, é necessário um número razoavelmente elevado de pixels, para cada conjunto de treinamento 100N desejável Para um espaço multiespectral de N dimensões, serão requeridas N+1 amostras para evitar que a matriz seja determinada. 29

30 Máxima verossimilhança Para cada classe, extrai-se do conjunto de treinamento, o vetor média e a matriz de covariância, para então definir sua distribuição de probabilidade normal multivariada 30

31 MAXVER Maximum Likelihood (MAXVER) calcula a distribuição de probabilidade para as classes, conforme o teorema de Bayes, estimando se um pixel pertence a uma classe. As distribuições de probabilidade das classes possuem a forma de modelos normais multivariados (Richards & Jia, 2006). Para utilizar este algoritmo, um grande número de pixels é necessário no treinamento 31

32 MAXVER Função discriminante 32

33 Maxver 33

34 MAXVER O limiar de aceitação indica a % de "pixels" da distribuição de probabilidade de uma classe que será classificada como pertencente à esta classe Um limite de 99%, por exemplo, engloba 99% dos "pixels", sendo que 1% serão ignorados (os de menor probabilidade), compensando a possibilidade de alguns "pixels" terem sido introduzidos no treinamento por engano, nesta classe, ou estarem no limite entre duas classes 34

35 Máxima verossimilhança 35

36 Limiares Valores abaixo do limiar não serão classificados 36

37 Limiares 37

38 Exemplo - maxver Vetor média: Matriz de covariância: Korting, T. (2015). 38

39 Exemplo - maxver Korting, T. (2015). 39

40 Exemplo - maxver 40

41 Qgis Scp - MAXVER Com Threshold (Limiar) 0, toda a área será classificada, mas a chance de haver erros de classificação é grande Com Threshold > 0, haverá área não classificada Se Threshold = 0.1, os pixels que tiverem probabilidade abaixo disso, não serão classificados Quanto menos amostras de treinamento, mais área não classificada 41

42 Mapeamento por ângulo espectral 42

43 Mapeamento por ângulo espectral BARBOSA, C. C. F. Sensoriamento remoto da dinâmica da circulação da água do sistema planície de Curuai/Rio Amazonas. Tese (Doutorado) Sensoriamento Remoto Instituto Nacional de Pesquisas Espaciais, São José dos Campos, 43

44 Mapeamento por ângulo espectral BARBOSA, C. C. F. Sensoriamento remoto da dinâmica da circulação da água do sistema planície de Curuai/Rio Amazonas. Tese (Doutorado) Sensoriamento Remoto Instituto Nacional de Pesquisas Espaciais, São José dos Campos, 44

45 Thresholds Qgis - SCP Minimum distance: pixels não serão classificados se distância é maior que o valor de threshold Maximum likelihood (máxima verossimilhança): pixels não serão classificados se a probabilidade for menor que o valor de threshold (máx = 100) Spectral Angle Mapper (SAM): Mapeamento por ângulo espectral - pixels não serão classificados se a distância ao ângulo espectral for maior que o valor de threshold (máx = 90) 45

46 SAM Qgis - SCP Dica: olhe para os valores dos ângulos espectrais. Neste caso, um bom resultado foi gerado com Threshold = 10 46

47 Distâncias espectrais Jeffries-Matusita: range [0 = identical, 2 = different]; útil para MAXVER classifications; Spectral Angle: range [0 = identical, 90 = different]; útil para Spectral Angle Mapping classifications; Euclidean Distance: útil para Minimum Distance classifications; Bray-Curtis Similarity: range [0 = different, 100 = identical]; útil para todos os métodos em geral; Valores em vermelho indicam distâncias espectrais similares. 47

48 Classificação não supervisionada Através desses métodos, uma imagem é classificada em classes desconhecidas, sendo tarefa do usuário categorizar, posteriormente, essas classes Os métodos de agregamento ou agrupamento (Clustering), têm sido muito utilizados na classificação não supervisionada de dados multiespectrais 48

49 Classificação Não-Supervisionada Classes não são predeterminadas Em função do analista ter pouco controle sobre o estabelecimento das classes, é uma técnica menos subjetiva. Neste tipo de classificação o algoritmo utilizado decide, quais as classes a serem separadas e quais os pixels pertencentes a cada uma delas. 49

50 Conceitos importantes CLASSES ESPECTRAIS agregamento de pixels que apresentam similaridade espectral. Classes espectrais têm nomes como Tema1, Tema2, Tema3... CLASSES DE INFORMAÇÃO grupos de pixels que pertencem a uma classe real (com nome, por exemplo, água, vegetação, solo) que um algoritmo foi treinado para reconhecer 50

51 Nesta modalidade de classificação, o computador realiza a classificação baseando-se, também, no padrão espectral dos pixels da imagem Não são coletadas amostras de treinamento para auxiliar na definição das classes. A figura mostra nuvens de pixels plotados em gráfico de acordo com seus valores digitais (ND) oriundos de duas bandas, vermelho e infravermelho próximo (IVP) 51

52 Quanto mais próximos forem os números digitais em cada pixel, mais parecidos espectralmente serão estes pixels devendo, portanto, serem classificados em uma mesma classe. O círculo na figura representa um pixel que necessita ser classificado. O computador calculará a distância deste pixel com o centro das nuvens de pixels. Como este pixel está mais próximo dos pixels pretos, ele deverá ser classificado dentro desta classe. 52

53 Agrupamento Pixels de uma imagem são associados a classes espectrais, sem que haja um conhecimento prévio da existência ou do nome dessas classes; Necessidade de medida de similaridade ou critério de agrupamento Usualmente são medidas de distância 53

54 K-médias Um dos métodos de agregamento estatístico mais comuns algoritmo descrito primeiramente por Duda & Hart (1973) O número de aglomerados permitido (k) tem que ser definido a priori Etapas (1) vetor média ( semente ) é arbitrariamente especificado para cada uma das K classes espectrais (grupos ou clusters) (2) Cada pixel da amostra é atribuído à classe espectral cujo vetor média está mais próximo do vetor de atributos do pixel formação de um primeiro conjunto de regiões de decisão no espaço multiespectral 54

55 k-médias (3) Um novo conjunto de vetores média para as classes espectrais é definido com base no agregamento inicial formado em (2) e os pixels são re-atribuídos ao vetor média da classe espectral mais próxima (4) As K médias tendem a gravitar em torno das nuvens de dados da amostra, se aproximando mais do seu centro a cada iteração (5) As iterações prosseguem até que não haja mudança significativa na atribuição dos pixels às classes espectrais 55

56 k-médias (6) O critério de parada do processo iterativo considera a especificação da magnitude da mudança admissível ou o número de iterações 56

57 57

58 Dificuldade Como determinar se há realmente apenas k grupos distintos representado nos dados? 58

59 Exemplo K-médias

60 Exemplo K-médias

61 Exemplo K-médias

62 Estimativa da Exatidão da Classificação Confronto entre os mapas gerados e informações provenientes do campo Os resultados expressam a confiabilidade dos mapas gerados. Valor de Exatidão de Mapeamento de 80% significa que temos 80% de chance de que um polígono identificado como Remanescente Florestal no mapa, por exemplo, corresponda realmente a esse tema em campo 62

63 Exatidão da classificação 63

64 Exatidão da classificação É necessário coletar amostras de teste (verdades terrestres) O delineamento amostral das amostras é importante Verificar exatidão da classificação: forma de uma matriz de erro (também chamada matriz de confusão ou tabela de contingência) as colunas normalmente se referem aos dados de referência(tomados como corretos) 64

65 Exatidão da classificação Diagonal principal da matriz representa os pixels que foram corretamente classificados 65

66 Estimativa da acurácia em classificação Exatidão global Razão entre a soma dos valores da diagonal principal da matriz pelo total de pixels classificados Fato de não considerar valores fora da diagonal principal da matriz é problema No Spring: desempenho geral (ou médio) 66

67 Estimativa da acurácia em classificação A acurácia do produtor (AP) indica a probabilidade de um pixel da imagem ser rotulado como sendo da classe 1, dado que a verdade terrestre é 1 avaliada a partir dos dados de referência Leva em conta a verdade terrestre 67

68 Estimativa da acurácia em classificação A acurácia do usuário (AU) indica a probabilidade do pixel ser da classe 1 dado que ele foi rotulado como sendo dessa classe avaliada a partir do resultado da classificação Avaliada a partir da classificação 68

69 Estimativa da acurácia em classificação Erro de inclusão para a classe 1 é definido pela razão entre o número de elementos amostrais incorretamente classificados como 1 e o total de elementos amostrais associados à mesma categoria 1. Erro de omissão para classe 1 é estimado pela razão entre o número de elementos amostrais incluídos nas demais classes, mas que realmente são da classe 1, pelo total de pixels corretamente associados à classe 1. 69

70 Índice Kappa Avalia a concordância entre os dados classificados e os dados de referência (COHEN, 1960) Mede a diferença entre a concordância real da classificação (correspondente à concordância entre as classes resultantes e os dados de referência, cujos valores são representados na diagonal da matriz de erro) e a concordância casual (dada pelo produto dos valores marginais das linhas e colunas). 70

71 Índice Kappa *** Não há fundamentação teórica para indicar quais os níveis mínimos desse coeficiente para a aceitação de produtos gerados a partir do uso do SR 71

72 Índice Kappa 72

73 Método híbrido São utilizados para a classificação de uma mesma imagem os dois tipos de classificação, a não-supervisionada e a supervisionada Assim sendo, o analista utiliza a classificação não-supervisionada como base para a seleção de amostras de treinamento e posteriormente aplica uma classificação supervisionada. 73

74 Método híbrido Depois de se determinar a identidade de cada classe gerada pela classificação nãosupervisionada, as classes podem servir de guia para coletarmos amostras 74

75 Em ambos os métodos de classificação, bastante tempo é empregado na identificação das amostras de treinamento ou na identificação da natureza de cada feição classificada. Este trabalho pode envolver estudos de campo e análise de mapas e de fotografias aéreas 75

76 Exercício Dada a matriz de confusão abaixo, calcular a exatidão global, erro de omissão e inclusão, acurácia do produtor e do usuário 76

77 Apêndice Prob. e Estatística Distribuição normal Covariância / correlação Matriz de covariância 77

78 Distribuição normal Forma de sino Especificada por 2 parâmetros: média e desvio padrão (ou variância σ2) Equação da curva: 78

79 Distribuição normal A área sob a curva normal (na verdade abaixo de qualquer função de densidade de probabilidade) é 1. Para quaisquer dois valores específicos podemos determinar a proporção de área sob a curva entre esses dois valores. Proporção de valores caindo dentro de um, dois, ou três desvios padrão da média são: 79

80 No Excel: =1 - DIST.NORM(10; 8; 1.5; 1) 80

81 Covariância A covariância mede a tendência e a força da relação linear entre duas variáveis. É dada pela fórmula n Covariância= xy = x i x y i y i=1 81

82 A covariância pode ser nula, negativa ou positiva. A covariância é a medida do afastamento simultâneo das respectivas médias. Se as ambas variáveis aleatórias tendem a estar simultaneamente acima, ou abaixo, de suas respectivas médias, então a covariância tenderá a ser positiva e nos outros casos poderá ser negativa, como mostram os gráficos acima. 82

83 Matriz de covariância No contexto de classificação por MAXVER, define o espalhamento dos pixels no espaço multiespectral x K 1 t = x j m x j m K 1 j =1 É um dos conceitos matemáticos mais importantes na análise de dados multiespectrais de sensoriamento remoto 83

84 Matriz de covariância Se há correlação entre as respostas em um par de bandas espectrais, os valores fora da diagonal principal serão grandes em comparação com os termos da diagonal Se há pouca correlação, os valores fora da diagonal serão próximos ou iguais a zero Quando há alta correlação, uma dimensão é quase suficiente para predizer o valor da outra dimensão 84

85 Matriz de covariância Correlação: Um aumento ou redução em um componente sugere o aumento ou redução no outro componente Bandas altamente correlacionadas produzem componentes muitos similares na aparência 85

86 Matriz de covariância Exemplo

87 Matriz de covariância 87

88 Outro exemplo

89 Para estudar Cap. 7 (Livro Evlyn Novo) Capítulo sobre classificação de imagens Arquivo (Moodle) Qgis SCP vídeos 6Nzqs 8OWM0k Manual SCP