CLASSIFICAÇÃO DE IMAGENS

Transcrição

1 UNIVERSIDADE DE SÃO PAULO INSTITUTO DE GEOCIÊNCIAS DEPARTAMENTO DE GEOLOGIA SEDIMENTAR E AMBIENTAL GSA0401 SENSORIAMENTO REMOTO CLASSIFICAÇÃO DE IMAGENS extraçã de padrões pela rem Prf.: André Pires Negrã

2 INTRODUÇÃO O que é? Identificaçã de alvs nas imagens de satélite; A distinçã se dá pelas características assciadas a REM captada pel sensr; É uma das imprtantes ferramentas em Sensriament Remt; Permite análises quantitativas cm cálcul de áreas, estud de evluçã d ambiente, entre utrs.

3 Exempl

4 À saber... Os métds de classificaçã nem sempre sã simples; Requer muitas vezes um cnheciment mais prfund sbre s classificadres dispníveis e assinaturas espectrais ds alvs; Cmumente precisams infrmar amstras Geralmente fazems uma primeira classificaçã e vams refinand trabalh gerad.

5 É imprtante utilizar bandas cm faixa d espectr e resluçã espacial suficiente para distinçã ds alvs; Muitas vezes há um etapa de pré-prcessament para auxiliar a classificaçã.

6 CARACTERÍSTICAS CLASSIFICÁVEIS O que pdems utilizar para classificar? Tnalidade Cr Textura Tamanh Frma Smbra Padrã Lcalizaçã Data de aquisiçã da imagem

7 TONALIDADE Agregar resluções espaciais e espectrais entre bandas; Geralmente a fusã crre entre uma cmpsiçã multiespectral e uma banda pancrmática;

8 COR Cr é resultad das tnalidades de uma cmpsiçã de bandas; Esclha das faixas espectrais utilizadas é fundamental; Utilizand mais imagens, geralmente se tem melhr distinçã ds alvs; Às vezes na prática ainda é insuficiente.

9 Exempl de classificaçã pr cr

10 TEXTURA Se cnsidera a tnalidade u cr de uma regiã; Textura hmgênea indica baixa variaçã de tnalidade u cr na regiã; Textura hetergênea indica alta variaçã.

11 Exempl - textura Imagem de Guratinguetá - SP TM LANDAST 5 26/06/1997 a - Textura lisa: área plana b Textura média: relev suave ndulad c Textura rugsa: relev ndulad d Textura rugsa: relev mntanhs

12 TAMANHO Cnsidera-se a área da regiã cm fatr de separaçã de classes; Exempl: piscina x lag. A água pde ter uma respsta espectral parecida, entretant tamanh pde ser utilizad cm determinante.

13 FORMA O frmat da área identificada pde infrmar tip de alv; Exempl: a respsta d aflrament rchs e prédi sã similares, entretant primeir tem brdas sinusas e segund tende a uma frma mais regular/plignal. Indica a dispsiçã espacial ds bjets entre si; Pde ser utilizad, pr exempl, na diferenciaçã de favela em relaçã a área urbana cnslidada.

14 Exempl - Frma Imagem IKONOS -2 de 13/10/2000 Sã Jsé ds Camps

15 SOMBRA Indica variaçã de altura; Pde ser utilizad, pr exempl, na identificaçã de serras e variações litlgias Pde ser utilizad inclusive para estimar altura ds alvs cm cert nível de precisã.

16 Exempl - Smbra Imagem TM-LANDSAT -5, 25/06/1997 da regiã de Cruzeir e de Cacheira Paulista n Vale d Paraíba, SP

17 LOCALIZAÇÃO A psiçã de um alv sbre uma referência é cnsiderada na distinçã; Exempl: distinçã d tip de vegetaçã pela lcalizaçã ns cumes ds mrrs u em planícies.

18 DATA DE AQUISIÇÃO DA IMAGEM A utilizarms imagens de duas estações d an, pdems diferenciar, pr exempl, plantaçã de vegetaçã rasteira; Cnsiderand que as imagens sã uma da épca de clheita e utra após a épca de planti, a vegetaçã rasteira nã muda muit sua respsta espectral em relaçã à plantaçã.

19 Exempl - tempralidade Imagem LANDSAT de uma regiã semiárida Municípi de afgads de Ingazeir, PE tmada em: a ETM- épca de seca:08/09/2001; b TM - épca de chuva: 09/05/1987.

20 Tips de Classificadres A mairia ds classificadres se baseiam apenas na tnalidade/cr e textura ds alvs; Os que apresentam em geral melhres resultads dependem de frneciment de amstras >> estuda-se cmprtament das amstras e bserva-se tda a imagem analisand cmprtament análgs em relaçã às amstras.

21 Classificadres elabrads Baseiam-se em algritms sfisticads; Demandam mais requisits para utilizaçã (nã apenas amstras); Exempls: redes neurais e classificaçã rientada a bjets.

22 TIPOS DE CLASSIFICADORES Há duas divisões supervisinad u nã- supervisinad e, pr pixel u pr regiã; Quant a supervisã: - Supervisinad: requer que usuári clete amstras para cada uma das classes; - Nã-supervisinad: sistema aplica classificadr, usuári apenas infrma s parâmetrs d mesm.

23 TIPOS DE CLASSIFICADORES Segunda classificaçã: Pr pixel: Utilizam apenas a infrmaçã espectral, isladamente, de cada pixel para achar regiões hmgêneas. Pr regiã: Utilizam, além de infrmaçã espectral de cada "pixel", a infrmaçã espacial que envlve a relaçã entre s "pixels" e seus vizinhs. Quand classificadr é pr regiã, é necessári utilizar uma utra técnica para segmentar a imagens em regiões similares.

24 Exempl de classificaçã pr pixel

25 Exempl de classificaçã pr regiã (segmentaçã)

26 Principais métds de classificaçã pr pixel Tems dis métds mais usuais: Distância Euclidiana; Máxima verssimilhança. Ambas sã supervisinadas (requerem amstras); Ambas trabalham sbre cnceit de espaç de atributs;

27 Espaç de atributs Dad um gráfic XY ds valres d pixels em duas bandas, as amstras de cada classe determinam regiões de cncentraçã n plan XY: Banda NC A C B As classes sã definidas pela existência de nuvens (u cluster) de alta cncentraçã n espaç de atributs NC Banda 1

28 Métd da distância euclidiana Utiliza espaç de atributs, dad um pixel descnhecid, sistema busca a regiã de cncentraçã mais próxima em linha reta. NC Banda O pixel descnhecid 1 situa-se próxim à classe A, send a ela atribuíd O pixel descnhecid 2 pel mesm racicíni é atribuíd a classe B A 1 2 B C Prblema d métd - a área A pr ser mair, pderia fazer pnt 2 tender mais a ele a área depende principalmente d cnjunt amstral. 0 NC 255 Banda 1

29 Métd da Máxima Verssimilhança - Exempl Cada ar em trn d pnt central (média) indica uma faixa de prbabilidade, que depende d desvi padrã d cnjunt de amstras: Banda NC C A B 0 NC 255 Banda 1

30 PRINCIPAIS MÉTODOS DE CLASSIFICAÇÃO POR REGIÃO Tems dis métds mais usuais: Isseg (nã-supervisinad); Bhattacharya (supervisinad).

31 Métd de Classificaçã Isseg O usuári só define limiar de aceitaçã para similaridade das regiões segmentadas; As regiões sã divididas em grups, cada grup rigina uma classe n resultad.

32 Métd de Classificaçã Isseg - Exempl

33 Segmentaçã Há dis métds mais cmuns de segmentaçã: Detecçã de Brdas: utilizand filtr de detecçã de brdas (Sbel u Rberts), determina-se as regiões. Cresciment de regiões: utiliza-se dis parâmetrs nesse métd área e similaridade. A área indica a área mínima em pixels da regiã e a similaridade é um parâmetr estatístic para determinaçã das regiões cntínuas (similares).

34 Etapas de pré-classificaçã Sã prcediments executads sbre as imagens para melhrar prcess de classificaçã >> melhrar a distinçã ds alvs: Realce de cntraste; Crreçã Gemétrica (gerreferenciament/rtrretificaçã); Crreçã Radimétrica (cálcul de radiância/reflectância); Crreçã Atmsférica; Manipulaçã de histgrama; Aplicaçã de filtrs; Aritmética sbre imagens; Cnversã RGB>>IHS; Fusã de Bandas; Principais Cmpnentes;