CLASSIFICAÇÃO DE IMAGEM

Transcrição

1 DISCIPLINA SIG OFICINA: Classificação de Imagens de Sensoriamento Remoto Responsável: MARIA ISABEL C DE FREITAS Colaboração: BRUNO ZUCHERATO E KATIA CRISTINA BORTOLETTO CLASSIFICAÇÃO DE IMAGEM Para realizar a classificação da imagem, será utilizado o SIG SPRING, esse software brasileiro foi desenvolvido pelo INPE e pode ser obtido gratuitamente através do download pela internet na seguinte página: é necessário fazer um cadastro no site para realizar o download. Os tipos de classificação que serão realizados na aula: - Classificação Pixel a Pixel. - Classificação de Imagens Segmentadas. Iniciar o programa SPRING e criar os Modelos de Dados Imagem e Temático Iniciado o programa deve-se criar um Banco de Dados seguindo o seguinte procedimento: ATIVAR BANCO DE DADOS C:\AULA_11_classifica1 O nome que daremos ao banco de dados será CLASSIFICACAO O tipo de gerenciador do banco de dados será Access Em seguida clicar na opção CRIAR, uma janela aparecerá perguntando se deseja criar uma senha para acessar o banco de dados recém criado, deve-se clicar em NÃO e em seguida clicar na opção ATIVAR. Criado o banco de dados deve-se selecionar a opção MODELO DE DADOS Essa opção exibirá a janela MODELO DE DADOS. O nome que daremos a CATEGORIA será landsat_tiff. Em seguida deve-se selecionar a opção de modelos IMAGEM

2 Em seguida deve-se clicar em CRIAR. EXECUTAR. FECHAR. Criado o modelo de dados, agora importaremos a imagem TIFF para o SIG SPRING através dos seguintes procedimentos: No menu ARQUIVO Arquivo Importar Importar Dados Vetoriais e Matriciais <Arquivo> C:\AULA_11_classifica1 \Recorte_SantaMaria.tiff Nesse momento aparecera a janela Importação, na qual deverá ser selecionado Dados Arquivo. Na caixa de diálogo indicar primeiro, no rodapé da caixa, Arquivo do tipo selecionar TIFF/GEOTIFF. Após isso indicar a pasta da aula e selecionar a imagem Recorte_SantaMaría.tif.

3 Em projeção manter o default NO PROJECTION. Na aba CONVERSÃO manter o default Interpolador Vizinho mais Próximo. Na aba SAÍDA definir os seguintes parâmetros: Projeto = classifica Categoria = landsat_tiff, <executar> PI = landsat <executar> <fechar>

4 No menu EXIBIR selecionar PAINEL DE CONTROLE Na paleta PI DISPONÍVEIS é necessário se atribuir uma banda para cada Plano de Informação disponível, conforme segue: landsat 1 = R landast_2 = G landsat_3 = B Nesse momento a imagem será exibida nas 3 bandas selecionadas. Antes da classificação será necessário criar o modelo de dados uso_da_terra. Trata-se de um modelo temático, com as seguintes classes temáticas: represa reflorestamento mata solo_exposto cana_adulta pastagem cana_nova área_urbana alagadiço Teclar em executar, após inserir todas as classes.

5 Classificação de Imagem Landsat Pixel a Pixel Para fazer a classificação clicar no menu IMAGEM e selecionar a opção CLASSIFICAÇÃO, esse procedimento exibirá a janela CLASSIFICAÇÃO. Criação de Contexto - {Nome: contx1} - (Tipo de Análise Pixel) - (Bandas landsat 1, landast_2, landsat_3) - selecionar as bandas - (Executar)

6 A janela de CLASSIFICAÇÃO aparecerá novamente, deve-se selecionar o contexto criado contx1 e em seguida clicar na opção TREINAMENTO Nesse momento aparecerá uma janela com a seguinte mensagem: ADQUIRA AMOSTRAS clique em OK Agora se inicia o processo de coleta de pixel para a amostragem de cada categoria que se deseja classificar na imagem. Comece a classificação pela represa da seguinte maneira: Treinamento - {Nome: represa} * Selecionar uma cor = azul (0, 0, 255) - (Criar) - (Tipo Aquisição) - ADQUIRIR Em seguida deve-se selecionar o cursor na imagem, selecionando uma área de amostragem para ser classificado Adquirindo amostras retangulares: Treinamento - (Contorno Retangular) * Selecionar amostra sobre a imagem como se fosse efetuar um zoom. - (Adquirir)

7 Outra possibilidade é selecionar amostras no formato poligonal, que poderá ser útil quando a área do objeto a ser selecionada não permite a construção de amostras retangulares. É o caso, por exemplo, de amostras em formato linear, como as matas ciliares. Adquirindo amostras poligonais: Treinamento - (Contorno Poligonal) - (Adquirir) Digitalizar contorno da amostra sobre a imagem, encerrando a linha com o botão direito. Automaticamente o primeiro ponto se fecha com o último.

8 * Adquirir amostras suficientes para o tema (de 2 a 4 amostras) * Repetir para outros temas: reflorestamento (0, 95, 0), mata (15, 200, 15), soloexp (255, 236, 135), cana1 (0, 175, 175), cana2 (105, 235, 235), pastagem (255, 215, 10), urbana (255, 0, 0), cultivoanual (134, 113, 10), alagadiço (135, 135, 255) Visualização de temas e amostras: Treinamento Clicar sobre o tema de interesse na janela TREINAMENTO para visualizar as amostras Obs.: Após a classificação, pode ser necessária a análise das amostras de treinamento e a transformação de algumas do TIPO AQUISIÇÃO para TESTE. Para isso basta alterar no item TIPO a seleção de AQUISIÇÃO para TESTE. Desta forma, esta amostra existirá, mas não será considerada no classificador. Alterando tipo de amostras: - (Amostras cana _adulta 15) - (Tipo Teste) - (Alterar) - (Salvar) - (Fechar) Classificando a imagem: Classificação - (Classificação...) Classificação de Imagens - {Nome: maxver}

9 - (Criar) - (Classificador MAXVER) - (Limiar de Aceitação: 100%) - (Analisar Amostras...) Análise Amostras * Analisar as amostras de aquisição e de teste para cada tema * Para as amostras com confusão alta (analise a Matriz de Confusão do Tema), retornar ao treinamento para edição e salvar as amostras com problemas na análise de amostras TESTE. - (Executar) * Visualizar a imagem classificada Obs: Observe que, quanto mais classes temáticas forem definidas, mais complexa é a classificação e os resultados podem não ser os adequados para certas categorias. No exercício tente remover algumas classes temáticas e veja o resultado. Discuta com os colegas e compare as classificações. Eliminando os ruídos de classificação - Pós-classificação: Classificação - (Pós-Classificação...) Pós-Classificação - (Imagens Classificadas maxver) - (Peso 2) - (Limiar 5) - (Executar) - Visualizar Obs: O Peso refere-se ao número de vezes que será considerada a freqüência do ponto central, varia de 1 a 7. O limiar é o valor de freqüência acima do qual o ponto central é modificado, e varia também de 1 a 7. * Testar outros pesos e limiares

10 Mapeando temas da imagem classificada para classes do banco de dados: Classificação - (Mapeamento...) Mapeamento para Classes: Esta função cria um mapa temático a partir de uma imagem classificada. - (Categoria Uso_Terra) - (Imagens Classificadas maxver) - (Temas represa) - (Classes represa) * Repetir para os todos os temas. Para cada tema deve haver pelo menos uma classe temática associada. No caso desta oficina a cada tema corresponde uma mesma classe, ambos com a mesma nomenclatura. - (Executar) * Visualizar plano temático maxver-t, que é criado automaticamente pelo SPRING. * Exibir a Legenda no menu EXIBIR - LEGENDA. Ao finalizar a operação você terá criado um mapa TEMÁTICO que pode ser alterado com as ferramentas de edição: Menu TEMÁTICO Edição Matricial. Agora, como exemplo, mude as cores das classes definidas automaticamente quando da execução do Mapeamento selecionando a classe de interesse e a paleta de cores. Na próxima aula utilizaremos um outro método de classificação: Classificação de Imagens Segmentadas. Na seqüência apresentam-se alguns conceitos importantes de Classificação de Imagens para estudo. DEFINIÇÕES E CONCEITOS DE CLASSIFICAÇÃO (Fonte: Tutorial SPRING 5.2.1) Classificação é o processo de extração de informação em imagens para reconhecer padrões e objetos homogêneos. Os métodos de classificação são usados para mapear áreas da superfície terrestre que apresentam um mesmo significado em imagens digitais. A informação espectral de uma cena pode ser representada por uma imagem espectral, onde cada "pixel" tem as coordenadas espaciais x, y e a coordenada espectral L, que representa a radiância de um alvo no intervalo de comprimento de onda de uma banda espectral. Cada "pixel" de uma banda possui uma correspondência espacial com um outro "pixel", em todas as outras bandas, ou seja para uma imagem de K bandas, existem K níveis de cinza associados à cada "pixel", sendo um para cada banda espectral.

11 O conjunto de características espectrais de um "pixel" é denotado pelo termo "atributos espectrais". Classificadores "pixel a pixel" utilizam apenas a informação espectral, isoladamente, de cada pixel para achar regiões homogêneas. Estes classificadores podem ser ainda separados em métodos estatísticos (que utilizam regras da teoria de probabilidade) e determinísticos (que não o fazem). Classificadores por regiões utilizam, além de informação espectral de cada "pixel", a informação espacial que envolve a relação entre os "pixels" e seus vizinhos. Estes classificadores procuram simular o comportamento de um fotointérprete, ao reconhecer áreas homogêneas de imagens, baseados nas propriedades espectrais e espaciais de imagens. A informação de borda é utilizada inicialmente para separar as regiões e as propriedades espaciais e espectrais que irão unir áreas com mesma textura. Representa-se o resultado de uma classificação digital por classes espectrais (áreas que possuem características espectrais semelhantes). Exemplo: o mapeamento de uso do solo urbano através de imagem multiespectral. O usuário pode ter interesse em mapear áreas, residencial e industrial, e estas classes dificilmente são caracterizadas por uma única assinatura espectral (representa um vetor de dimensão igual ao número de bandas, cujas coordenadas são medidas de radiância do alvo), devido aos diferentes tipos de alvos presentes, como vegetação, prédios, pavimentação etc. Diante desta dificuldade, em uma classificação, o usuário deve considerar a relação entre a resposta espectral dos alvos e a classe que deseja mapear. O resultado final de um processo de classificação é uma imagem digital que constitue um mapa de "pixels" classificados, representados por símbolos gráficos ou cores. O processo de classificação digital transforma um grande número de níveis de cinza, em cada banda espectral, em um pequeno número de classes em uma única imagem. As técnicas de classificação que podem ser aplicadas apenas a um canal espectral (banda da imagem) sendo conhecidas como classificações unidimensionais. As técnicas em que o critério de decisão depende da distribuição de níveis de cinza, em vários canais espectrais, são definidas como técnicas de classificação multiespectral. As técnicas de classificação multiespectral,"pixel a pixel", mais comuns são: máxima verossimilhança (MAXVER), distância mínima e método do paralelepípedo (não implementado nesta versão do SPRING). MAXVER é o método de classificação "pixel a pixel" mais comum. Considera a ponderação das distâncias entre médias dos níveis digitais das classes, utilizando parâmetros estatísticos. Para que a classificação por máxima verossimilhança seja precisa o suficiente, é necessário um número razoavelmente elevado de "pixels", para cada conjunto de treinamento. Os conjuntos de treinamento definem o diagrama de dispersão das classes e suas distribuições de probabilidade, considerando a distribuição de probabilidade normal para cada classe do treinamento. Apresentam-se duas classes (1 e 2) com distribuição de probabilidade distintas. Estas distribuições de probabilidade representam a probabilidade de um "pixel" pertencer à uma ou outra classe, dependendo da posição do "pixel" em relação à esta distribuição. Observa-se uma região onde as duas curvas sobrepõem-se, indicando que um determinado "pixel" tem igual probabilidade de pertencer às duas classes. Nesta situação estabelece-se um critério de decisão a partir da definição de limiares. Os limites de classificação são definidos a partir de pontos de mesma probabilidade de classificação de uma e de outra classe. A figura a seguir apresenta o limite de aceitação de uma classificação, no ponto onde as duas distribuições se cruzam. Desta forma, um "pixel" localizado na região sombreada, apesar de pertencer à classe 2, será classificado como classe 1, pelo limite de aceitação estabelecido.

12 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. Um limiar de 100% resultará em uma imagem classificada sem rejeição, ou seja, todos os "pixels" serão classificados. Para diminuir a confusão entre as classes, ou seja, reduzir a sobreposição entre as distribuições de probabilidades das classes, aconselha-se a aquisição de amostras significativas de alvos distintos e a avaliação da matriz de classificação das amostras. A matriz de classificação apresenta a distribuição de porcentagem de "pixels" classificados correta e erroneamente. No exemplo a seguir, apresenta-se uma matriz de classificação com as porcentagens de 4 classes definidas na aquisição de amostras, os valores de desempenho médio, abstenção (quanto não foi classificado) e confusão média. O valor de N representa a quantidade de cada classe (porcentagem de "pixels") que não foi classificada. A classe 1 corresponde à floresta, a classe 2 ao cerrado, a classe 3 ao rio e a classe 4 ao desmatamento. Desempenho médio: Abstenção média: 3.15 Confusão média: 7.48 N Uma matriz de classificação ideal deve apresentar os valores da diagonal principal próximos a 100%, indicando que não houve confusão entre as classes. Contudo, esta é uma situação difícil em imagens com alvos de características espectrais semelhantes. O valor fora da diagonal principal, por exemplo 13.3 (classe linha 3 e coluna 1), significa que 13.3% da área da classe "rio" amostrada, foi classificada como pertencente à classe 1 (floresta). O mesmo raciocínio deve ser adotado para os outros valores. Para diminuir a confusão entre as classes, aconselha-se a análise das amostras. A tabela a seguir apresenta a análise das amostras adquiridas para a classe floresta. Classes Amostras 1 2 3

13 Floresta Cerrado Rio Desmatamento Os valores em porcentagem indicam que na amostra, '1. 90%' dos "pixels" são classificados como floresta, '5%' como cerrado e '5%' como rio, o que resulta em uma amostra confiável. Por sua vez, a amostra 2 apresentou uma confusão de '50%' entre as classes floresta e cerrado, indicando que esta deve ser eliminada. MAXVER-ICM Enquanto o classificador MAXVER associa classes considerando pontos individuais da imagem, o classificador MAXVER-ICM (Interated Conditional Modes) considera também a dependência espacial na classificação. Em uma primeira fase, a imagem é classificada pelo algorítmo MAXVER atribuindo classes aos "pixels", considerando os valores de níveis digitais. Na fase seguinte, leva-se em conta a informação contextual da imagem, ou seja, a classe atribuída depende tanto do valor observado nesse "pixel", quanto das classes atribuídas aos seus vizinhos. O algorítmo atribui classes a um determinado "pixel", considerando a vizinhança interativamente. Este processo é finalizado quando a '%' de mudança (porcentagem de "pixels" reclassificados), definida pelo usuário é satisfeita. O SPRING fornece ao usuário as opções de 5%, 1% e 0.5% para valores de porcentagem de mudanças. Um valor 5% significa que a reatribuição de classes aos "pixels" é interrompida quando apenas 5% ou menos do total de "pixels" da imagem foi alterado. Distância Euclidiana O método de classificação por distância Euclidiana é um procedimento de classificação supervisionada, que utiliza esta distância para associar um "pixel" á 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, que é dada por: d (x,m) = (x2 - m2) 1/2 onde: x = "pixel" que está sendo testado m = média de um agrupamento N = número de bandas espectrais O classificador compara a distância Euclidiana do "pixel" à média de cada agrupamento. O "pixel" será incorporado ao agrupamento que apresenta a menor distância Euclidiana. Este procedimento é repetido até que toda a imagem seja classificada. Classificação de Imagens Segmentadas - Classificadores por regiões Isoseg O classificador Isoseg é um dos algoritmos disponíveis no Spring para classificar regiões de uma imagem segmentada. É um algoritmo de agrupamento de dados não-supervisionado, aplicado sobre o conjunto de regiões, que por sua vez são caracterizadas por seus atributos estatísticos de média, matriz de covariância, e também pela área. Um algoritmo de "clustering" não supõe nenhum conhecimento prévio da distribuição de densidade de probabilidade dos temas, como ocorre no algoritmo de máxima verossimilhança. É uma técnica para classificação que procura agrupar regiões, a partir de uma medida de similaridade entre elas. A medida de similaridade utilizada consiste na distância de Mahalanobis entre a classe e as regiões candidatas a relação de pertinência com esta classe. O Isoseg utiliza os atributos estatísticos das regiões: a matriz de covariância e o vetor de média, para estimar o valor central de cada classe. Este algoritmo resume-se em tres etapas, descritas a seguir.

14 1ª) Definição do limiar: o usuário define um limiar de aceitação, dado em percentagem. Este limiar por sua vez define uma distância de Mahalanobis, de forma que todas regiões pertencentes a uma dada classe estão distantes da classe por uma distância inferior a esta. Quanto maior o limiar, maior esta distância e consequentemente menor será o número de classes detectadas pelo algoritmo. (2ª) Detecção das classes: as regiões são ordenadas em ordem decrescente de área e inicia-se o procedimento para agrupá-las em classes. Serão tomados como parâmetros estatísticos de uma classe (média e matriz de covariância), os parâmetros estatísticos da região de maior área que ainda não tenha sido associada a classe alguma. Em seguida, associa-se a esta classe todas regiões cuja distância de Mahalanobis for inferior a distância definida pelo limiar de aceitação. Assim, a primeira classe terá como parâmetros estatísticos aquelas regiões com maior área. As classes seguintes terão parâmetros estatísticos de média das regiões de maior área, que não tenham sido associada a nenhuma das classes previamente detectadas. Esta fase repete-se até que todas regiões tenham sido associadas a alguma classe. (3ª) Competição entre classes: as regiões são reclassificadas, considerando-se os novos parâmetros estatísticos das classes, definidos na etapa anterior. A fase 2 consiste basicamente na detecção de classes, sendo um processo seqüencial que pode favorecer as classes que são detectadas em primeiro lugar. Com vista a eliminar este favorecimento", procede-se a "competição entre classes. Esta competição consiste em reclassificar todas as regiões. O parâmetro estatístico (média de cada classe é então recalculado. O processo repete-se até que a média das classes não se altere (convergência). Ao término, todas regiões estarão associadas á uma classe definida pelo algoritmo. O usuário deverá então associar estas classes (denominadas temas, no Spring) às classes por ele definidas no banco de dados, na opção Arquivo- Esquema Conceitual. Battacharya A medida da distância de Battacharya é usada neste classficador por regiões, para medir a separabilidade estatística entre um par de classes espectrais. Ou seja, mede a distância média entre as distribuições de probabilidades de classes espectrais. O princípio é análogo ao utilizado para o classificador Isoseg, porém a medida de distância usada é a distãncia de Battacharya. ( ver mais detalhes em Paul M. Mather, 1993). O classificador Battacharya, ao contrário do Isoseg que é automático, requer interação do usuário, através do treinamento. Neste caso, as amostras serão as regiões formadas na segmentação de imagens. ClaTex O classificador ClaTex é um algoritmo supervisionado que utiliza atributos texturais das regiões de uma imagem segmentada para efetuar a classificação por regiões. A classificação é realizada pela técnica de agrupamento de regiões a partir de uma medida de similaridade entre elas. E a medida de similaridade utilizada consiste na distância de Mahalanobis entre a classe de interesse e as regiões candidatas à relação de pertinência com esta classe. Portanto, cada região será classificada a uma dada classe de interesse baseada na minimização da distância de Mahalanobis. O conjunto de medidas texturais que pode ser utilizado por este classificador é dividido em 5 (cinco) grupos: 1. Medidas Gerais: este grupo inclui a média, a variância, o desvio padrão, a curtoses, a assimetria e o coeficiente de variação; 2. Medidas em histograma: este grupo inclui a mediana, a desvio médio absoluto, a entropia e a energia; 3. Medidas Logarítmicas: neste grupo se encontram os logaritmos da média, da variância, do desvio e da textura (definida por: (definida por:, onde é a média amostral da variável ; 4. Medidas de Autocorrelação: as medidas de autocorrelação espacial bidimensional podem ser definidas para os "lags" que variam entre -4 e 4 e ainda pode-se definir a razão entre duas medidas de autocorrelação; 5. Medidas de Haralick: as medidas deste grupo são baseadas na matriz de co-ocorrência de Haralick ("Gray

15 Level Co-occurrence Matrix" - GLCM). As dezoito medidas que compõem este grupo são a entropia, o contraste, a energia, a homogeneidade, a dissimilaridade, a correlação, o qui-quadrado, o "cluster shade", o "cluster prominence", e amédia, a variância, a energia e a entropia dos vetores soma e diferença e o contraste do vetor diferença. As etapas a serem seguidas para a realização de uma classificação com o algoritmo ClaTex são similares àquelas apresentadas para um classificador supervisionado. Entretanto, existem duas diferenças básicas acrescidas ao ClaTex que podem ser resumidas como segue: (1ª) Definição de uma Camada: camada é a nomenclatura utilizada para definir um Plano de Informação que possui um grupo de medidas texturais selecionado relacionado a ele e que serão extraídas a partir deste mesmo Plano de Informação (2ª) Seleção das Medidas: devido a enorme quantidade de medidas que pode ser gerada com este algoritmo, a seleção das medidas a serem efetivamente utilizadas na classificação pode ser feita automaticamente, na qual se ordenada de forma decrescente os pares de classes que estão mais distantes entre si, baseada num fator discriminante que avalia a separabilidade destes pares de classes. E por fim realiza-se a etapa de classificação propriamente dita, baseada na distância de Mahalanobis, gerando-se uma imagem classificada.