Classificação de imagens de Sensoriamento Remoto. Disciplina: Geoprocessamento Profª. Agnes Silva de Araujo

Transcrição

1 Classificação de imagens de Sensoriamento Remoto Disciplina: Geoprocessamento Profª. Agnes Silva de Araujo

2 Conteúdo programático e Objetivos Conceito de classificação e fotointerpretação Classificações não-supervisionadas, supervisionadas e fotointerpretação Técnicas e elementos de classificação Exemplos de classificadores Objetivos: Apresentar técnicas de classificação de imagens, suas características e exemplos de aplicação.

3 Conceitos Classificação de imagens é o processo de extração de informações em imagens para reconhecer padrões e objetos homogêneos que são utilizados para mapear áreas da superfície terrestre as quais correspondam aos temas de interesse. Associa cada pixel da imagem a um rótulo descrevendo um objeto real. Dessa forma, obteremos um mapa temático, o qual mostrará a distribuição geográfica de um tema, por exemplo a vegetação e uso da terra.

4

5 Tipos de Classificações Fotointerpretação Classificações Supervisionadas Pixel a pixel Paralelepípedo Distância Máxima MAXVER Por regiões Bhattacharya ClaTex Classificações super-supervisionadas GEOBIA Classificações não-supervisionadas Pixel a pixel K-Means IsoData Por regiões ISOSEG

6 Classificação por fotointerpretação Interpretar imagens é identificar objetos nelas representados e atribuir um significado à eles. Experiência do analisador Conhecimento Temático Conhecimento de Sensoriamento Remoto Conhecimento da Área imageada.

7 Elementos de fotointerpretação Tonalidade/cor (tons de cinza, facilidade de discriminar cor) Textura (impressão de rugosidade) Tamanho (relacionado com a escala) Forma (visada; objetos naturais e artificiais) Sombra (ajuda; mascara) Altura (pode ser inferida pela sombra) Padrão (arranjo dos elementos) Localização (contraste, posição topográfica, região) Contexto (conjunto de informações)

8 Fotointerpretaçao - COR

9 TEXTURA

10 TAMANHO E FORMA

11 SOMBRA, ALTURA E CONTEXTO

12 Exemplos

13

14 Infravermelho

15 GOES FURACÃO KATRINA

16 Infravermelho termal

17 CHAVE DE INTERPRETAÇÃO

18 Considerações iniciais sobre classificadores computacionais Apesar da técnica de interpretação visual ser muito utilizada, há uma tendência recente de utilização da classificação computacional, devido a rapidez e facilidade em obter resultados (CROSTA, 1992). A rotulação dos valores dos níveis de cinza é efetuada utilizando-se algoritmos estatísticos (programas computacionais) de reconhecimento de padrões espectrais. A classificação subdivide-se em supervisionada e nãosupervisionada, dependendo do algoritmo que será aplicado. (MOREIRA, 2003)

19 Classificadores computacionais Classificadores "pixel a pixel : usam de forma individual a informação espectral de cada pixel na busca por regiões homegêneas. Ex: Máxima Verossimilhança (MAXVER), MAXVER ICM, Distância Mínima (distância euclidiana) e Paralelepípedo. Classificadores por regiões: utilizam a informação espectral de cada pixel e a relação espacial de vizinhança entre pixels (áreas homogêneas espectrais e espaciais da imagem) O SPRING usa os classificadores: ISOSEG, Battacharya e ClaTex para classificar as regiões de uma imagem segmentada.

20 Classificadores pixel-a-pixel (não-supervisionada) Quando o usuário utiliza algoritmos para reconhecer as classes presentes na imagem, a classificação é nãosupervisionada. Os "pixels" dentro de uma área são submetidos a um algoritmo de agrupamento ("clustering") que determina o agrupamento do dado, numa feição espacial de dimensão igual ao número de bandas presentes. Este algoritmo assume que cada grupo ("cluster") representa a distribuição de probabilidade de uma classe.

21 K-means (pixel-a-pixel) Elementos de confusão. Mistura de assinaturas espectrais intrapixel.

22 Classificadores pixel-a-pixel (supervisionada) Fase de treinamento. Treinamento é o reconhecimento da assinatura espectral das classes. Amostragem (amostra homogênea da classe com toda a variabilidade dos níveis de cinza)

23 Classificadores por regiões Segmentação da imagem: é o processo de divisão de uma imagem em regiões uniformes - conjuntos de pixels contíguos - que devem corresponder às áreas de interesse. A estratégia da segmentação seguida da classificação aproxima-se muito do procedimento de interpretação visual, pois primeiramente delimitam - se unidades homogêneas da paisagem e depois atribuí-se um código. Além disso, o mapa resultante não apresenta um aspecto salpicado como ocorre na classificação pixel-a-pixel, evitando-se operações de pósprocessamento ou generalização. (CAETANO, SOUZA e GONÇALVES, 2007).

24 Segmentação da imagem

25 Classificadores por região (Não-supervisionados) ISOSEG: média e matriz de covariância.

26 Classificação por regiões (Supervisionada) Battacharya: treinamento. requer A medida da distância de Battacharya mede a separabilidade estatística entre um par de classes espectrais. Ou seja, mede a distância média entre as distribuições de probabilidades de classes espectrais.

27 Classificações super-supervisionadas (GEOBIA) GEOBIA (Geographic Object-Based Image Analysis) A lógica de orientação a objeto considera as características semânticas dos objetos, que podem ser analisadas segundo seus aspectos geométricos (topologia, forma e posição) e temáticos (atributos não espaciais dos objetos). (ANTUNES e STURM, 2005)

28 Bibliografia CORREIA, V. R. de M. Uma aplicação do Sensoriamento Remoto para a investigação de endemias urbanas. Disponível em: Acessado em: 24/09/2017. CROSTA, A. P. Processamento Digital de Imagens de Sensoriamento Remoto. Campinas: IG/UNICAMP, ISBN , FREITAS, R.N.; COSTA, S.M.F. da. A utilização de fotografias aéreas na avaliação das transformações sócioespaciais ocorridas na zona sul da cidade de São José dos Campos/SP, de In.: SIMPÓSIO BRASILEIRO DE SENSORIAMENTO REMOTO, n Belo Horizonte. INPE. Anais. 05 a 10 de abril de 2003, p PINHO, C.M.D. de; FEITOSA, F. da F.; KUX, H. Classificação automática de cobertura do solo urbano em imagem IKONOS: comparação entre a abordagem pixel-a-pixel e orientada a objetos. In.: SIMPÓSIO BRASILEIRO DE SENSORIAMENTO REMOTO, n. 12. Goiânia. Anais. INPE, p , 2005 SOUZA, I.M. e, et al. Mapeamento do uso do solo urbano através da classificação por regiões baseada em medidas texturais. In.: SIMPÓSIO BRASILEIRO DE SENSORIAMENTO REMOTO, n. 11. Belo Horizonte. Anais. INPE, p , 2003.