CLASSIFICAÇÃO MULTIESPECTRAIS

Transcrição

1 CLASSIFICAÇÃO EM IMAGENS MULTIESPECTRAIS

2 Classificação em imagens multiespectrais Imagens multiespectrais Padrão (vetor) Espaço de atributos Classificação

3 Classificação em imagens multiespectrais Imagens multiespectrais

4 Classificação em imagens multiespectrais Padrão(vetor) Vetor padrão do pixel (1,1)

5 Classificação em imagens multiespectrais Espaço de atributos (ou de feições): O gráfico contendo as freqüências de distribuição de intensidades de duas ou mais bandas de uma imagem multiespectral, define o chamado espaço de atributos (feature space). (Crósta 1989)

6 Classificação em imagens Espaço de atributos multiespectrais

7 Classificação em imagens multiespectrais Classificação Atribuir o padrão a uma classe ou categoria. Designação de cada elemento constituinte da imagem a uma determinada classe.

8 Classificação em imagens multiespectrais Objetivos da classificação: definir classes de objetos semelhantes, segundo algum critério de parecença ou homogeneidade incluir novos elementos (alocar de maneira ótima) nas classes pré-definidas, segundo alguma regra de decisão

9 Classificação em imagens multiespectrais Objetivos da classificação: no caso específico de geoprocessamento: agrupar e atribuir pixels em classes ou ou categorias identificar e agrupar objetos, perceptíveis nas imagens, em classes ou categorias

10 Classificação em imagens multiespectrais Objetivos da classificação: no caso específico de geoprocessamento: gerar de mapas/imagens temáticas servir como fonte de dados para SIG

11 Classificação em imagens multiespectrais Etapas da classificação: Seleção de atributos Segmentação Classificação Rotulação/Legenda/ Labeling

12 Classificação em imagens multiespectrais Etapas da classificação: Seleção de atributos Segmentação Classificação Rotulação/Legenda/ Labeling

13 Classificação em imagens multiespectrais: Etapas da classificação Seleção de atributos: necessita ao menos uma composição colorida conceito de espaço de atributos

14 Classificação em imagens multiespectrais: Etapas da classificação Seleção de atributos: Conhecimento dos alvos (comportamento espectral) Conhecimento dos sensores (resoluções)

15 Classificação em imagens multiespectrais: Etapas da classificação Seleção de atributos: Seleção de bandas espectrais Época do imageamento...

16 Classificação em imagens multiespectrais Etapas da classificação: Seleção de atributos Segmentação Classificação Rotulação/Legenda/ Labeling

17 Classificação em imagens multiespectrais: Classificação não supervisionada - Segmentação Segmentação em imagens: Identificação das características relevantes existentes na imagem.

18 Classificação em imagens multiespectrais: Classificação não supervisionada - Segmentação Segmentação em imagens: Divide-se a imagem em regiões, que devem corresponder às áreas de interesse da aplicação ( mosaico ) Regiões: conjunto de pixels contíguos, cujas características de atributos (nível de cinza) são uniformes (semelhantes) e se espalham bidirecionalmente

19 Classificação em imagens multiespectrais: Classificação não supervisionada - Segmentação Segmentação em imagens - alguns dos possíveis processos de segmentação são: crescimento de regiões detecção de bordas detecção de bacias

20 Classificação em imagens multiespectrais: Não superv. - Segmentação/Crescimento de regiões Crescimento de regiões: condições as regiões devem ser espacialmente adjacentes serão unidas se: tem o vetores médios semelhantes (dentro de um limiar estabelecido) são mutuamente próximas

21 Classificação em imagens multiespectrais: Não superv. - Segmentação/Crescimento de regiões Crescimento de regiões: Critério para a união de duas regiões vizinhas A e B: A e B são similares (teste das médias); a similaridade satisfaz o limiar estabelecido; A e B são mutuamente próximas (dentre os vizinhos de A, B é a mais próxima, e dentre os vizinhos de B, A é a mais próxima). Se A e B satisfazem os critérios acima, estas regiões são agregadas, caso contrário, o sistema reinicia o processo de teste de agregação

22 Classificação em imagens multiespectrais: Não superv. - Segmentação/Detecção de bacias Detecção de bacias: é feita a partir de uma imagem resultante da extração de bordas Ex.:filtro de Sobel. Este algoritmo considera os gradientes de nível de cinza da imagem original, para gerar uma imagem gradiente ou imagem de intensidade de borda

23 Classificação em imagens multiespectrais: Não superv. - Segmentação/Detecção de bacias Detecção de bordas: determina o que é borda a partir de um limiar a partir do qual começa a perseguição de bordas observa na vizinhança, o próximo "pixel" de maior valor de nível digital e segue-se nesta direção, até que se encontre outra borda

24 Classificação em imagens multiespectrais: Não superv. - Segmentação/Detecção de bordas Detecção de bordas: deste processo gera-se uma imagem binária com os valores de 1 referentes às bordas e 0 para as regiões de não-bordas. a imagem binária será rotulada de modo que as porções da imagem com valores 0 constituam regiões limitadas pelos valores 1 da imagem, formando a imagem rotulada

25 Classificação em imagens multiespectrais Etapas da classificação: Seleção de atributos Segmentação Classificação Rotulação/Legenda/ Labeling

26 Classificação em imagens multiespectrais Etapas da classificação: Classificação: pixel a pixel: supervisionada ou não supervisionada orientada (baseada em) por objetos

27 Classificação em imagens multiespectrais Classificação pixel a pixel: supervisionada não supervisionada híbrida Suposições/condições desta abordagem: pixels de uma mesma classe são semelhantes diferentes alvos tem diferentes comportamentos espectrais

28 Classificação em imagens multiespectrais Classificação supervisionada: etapas definição das classes segmentação/não supervisionada treinamento ou supervisão escolha do algoritmo de classificação alocação de novos pixels/indivíduos avaliação (teste) da classificação aplicação

29 Classificação em imagens multiespectrais: Supervisionada - Definição das classes Definição das classes: pelas necessidades do usuário impostas pela região/aplicação

30 Classificação Segmentação Divisão da imagem em regiões, ou objetos, com base nas propriedades radiométricas dos pixels. Crescimento de regiões; Detecção de bacias. Identificação de objetos, interpretação visual, amostragem de treinamento e classificação.

31 Imagem CBERS, São Paulo, Classificação Segmentação

32 Classificação em imagens multiespectrais: Classificação Supervisionada - Treinamento Objetivo do treinamento: definir um padrão de resposta espectral para cada classe a ser classificada na imagem, a partir de estatísticas A qualidade do processo de treinamento determina o sucesso do processo de classificação

33 Classificação em imagens multiespectrais: Classificação Supervisionada - Treinamento Treinamento ou supervisão: a partir de amostras das classes conhecidas e identificadas na imagem, escolhidas com base no conhecimento (teórico do comportamento espectral dos alvos ou prático adquiridos de trabalhos de campo, análise de foto- aérea, etc.) que se tem da área.

34 Classificação em imagens multiespectrais: Classificação Supervisionada - Treinamento Treinamento

35 Classificação em imagens multiespectrais: Classificação Supervisionada - Treinamento O objetivo do processo de treinamento é reunir um conjunto de estatísticas que descreve o padrão de resposta espectral para cada classe a ser classificada na imagem A qualidade do processo de treinamento determina o sucesso do processo de classificação

36 Classificação em imagens multiespectrais: Classificação Supervisionada - Treinamento Amostras de treinamento representam o comportamento das classes que deverão ser mapeadas automaticamente É importante que estas amostras sejam homogêneas e representem bem a classe de interesse Estas amostras são selecionadas a partir do conhecimento da área pelo analista. Pode ser um conhecimento teórico do comportamento espectral dos alvos ou prático adquiridos de trabalhos de campo, análise de foto- aérea, etc.

37 Classificação em imagens multiespectrais: Classificação Supervisionada - Treinamento Aspectos importantes: Avaliar a homegeneidade das amostras de treinamento (a partir do histograma, dos valores das estatísticas) O aspecto principal a ser observado na aquisição de um conjunto de dados de treinamento é obter uma amostra de tamanho suficiente para assegurar a exatidão (acurácia) na determinação de padrões estatísticos que representem a variabilidade espectral da cena.

38 Classificação em imagens multiespectrais: Classificação Supervisionada - Treinamento O processo de refinamento do conjunto de treinamento tem como objetivo detectar e identificar falhas ou redundâncias na definição das classes. Neste processo podemos agregar, eliminar e identificar conjuntos de treinamento, se não cumprir a condição de tamanho e homogeneidade será necessário a obtenção de mais conjuntos de treinamento.

39 Classificação em imagens multiespectrais: Classificação Supervisionada - Treinamento O histograma ilustra muito bem a distribuição individual de cada classe, porém não permite a comparação entre as diferentes classes. Uma forma de avaliar a separação espectral das classes visualmente é a utilização do conjunto de treinamento no Diagrama de dispersão N- Dimensional, que representa a distribuição do DN atribuídos ao pixels e plotados no gráfico definindo então o espaço atributo do conjunto de treinamento.

40 Classificação Treinamento Treinar o algoritmo; Coleta de amostras para cada classe; Quanto maior a exatidão das amostras, melhor serão os resultados.

41

42

43

44

45 Classificação Amostras de Treinamento

46 Classificação Supervisionada Baseada no conhecimento prévio da área em análise. Amostras de treinamento.

47 Classificação em imagens multiespectrais Classificação supervisionada: etapas definição das classes segmentação/não supervisionada treinamento ou supervisão escolha do algoritmo de classificação alocação de novos pixels/indivíduos avaliação (teste) da classificação aplicação

48 Classificação em imagens multiespectrais: Supervisionada - Escolha do algoritmo Escolha do algoritmo de classificação <= regras de decisão Paramétricas: conhecidas as propriedades estatísticas das classes (vetores de média, matriz de covariância, etc.) Não paramétricas: funções não lineares ou subdivisão geométrica/matemática do espaço de feições

49 Classificação em imagens multiespectrais: Supervisionada - Escolha do algoritmo Escolha do algoritmo (regras de decisão) de classificação: paramétricas: máxima verossimilhança, Bayes, Ward não paramétricas: paralelepípedo, centróide (MNM), vizinho mais distante, vizinho mais próximo (k-nn)

50 Classificação em imagens multiespectrais: Supervisionada - Escolha da medida de distância Escolha da medida de separação (distância) entre as classes (no espaço de atributos): Euclidianas: angular, city block Estatísticas: Mahalanobis, divergência, Bhattacharya, Jeffreys - Matusita

51 Classificação em imagens multiespectrais: Supervisionada - Escolha dos valores limites Escolha dos valores limites ( threshold values ): máxima distância admissível para classificar um pixel numa determinada classe distância geométrica número de desvios padrões referentes àquela classe

52 Classificação em imagens multiespectrais: Classificação Supervisionada - Regras de decisão Regras (superfícies) de decisão: Objetivos (em função das imagens disponíveis): garantir a separabilidade das classes permitir a classificação de novos pixels

53 Classificação em imagens multiespectrais: Classificação Supervisionada - Regras de decisão Regras (superfícies) de decisão: Necessidades: algoritmo de classificação medida de distância entre as classes valores limites ( threshold values )

54 Classificação em imagens multiespectrais: Supervisionada - Exemplos regras de decisão Exemplos de regras de decisão: máxima verosimilhança: X w i se p(x\ w i ) P(w i ) > p(x\ w k ) P(w k ), i k vizinho mais próximo: : X w i se dist X - (m w ) i é mínima

55 Classificação Supervisionada - Mínima distância Adaptado de Clevers, 1999

56 Classificação Supervisionada Vizinho mais próximo Adaptado de Clevers, 1999

57 Classificação Supervisionada Máxima verossimilhança Adaptado de Clevers, 1999

58 Classificação Supervisionada Método do paralelepípedo DN banda 3 água telha cerâmica solo exposto grama floresta asfalto DN banda 4 Adaptado de Clevers, 1999

59 Classificação em imagens multiespectrais Classificação supervisionada: etapas definição das classes segmentação/não supervisionada treinamento ou supervisão escolha do algoritmo de classificação alocação de novos pixels/indivíduos avaliação (teste) da classificação aplicação

60 Classificação em imagens multiespectrais: Supervisionada - Avaliação da classificação Avaliação da classificação: homogeneidade da amostra de treinamento concordância entre o que é conhecido e o resultado da classificação (Qui-quadrado, Kappa)

61 Classificação em imagens multiespectrais Classificação supervisionada: etapas definição das classes segmentação/não supervisionada treinamento ou supervisão escolha do algoritmo de classificação alocação de novos pixels/indivíduos avaliação (teste) da classificação aplicação

62 Classificação Supervisionada Imagem CBERS, São Paulo, 2008 Classificação Maxver Vegetação densa Vegetação rasteira Água Área urbana Asfalto, amianto

63 Classificação Supervisionada Imagem CBERS, São Paulo, 2008 Classificação Maxver Vegetação densa Vegetação rasteira Água Área urbana Asfalto, amianto

64 Aplicação Análise da cobertura do solo Mapeamento da cobertura do solo ao longo da faixa de domínio de trem; Identificação de áreas invadidas e tendências; Local: linha F (CPTM) em São Paulo.

65 Aplicação Análise da cobertura do solo Linha F Área teste: 750m ao redor da linha Imagem IKONOS II, São Paulo, 2002.

66 Imagem IKONOS II, São Paulo, Aplicação Análise da cobertura do solo

67 Aplicação Análise da cobertura do solo Imagem IKONOS II, Classificação Supervisionada Maxver.

68 Aplicação Análise da cobertura do solo Imagem IKONOS II, Classificação Não Supervisionada ISOSEG.

69 Aplicação Análise da cobertura do solo Imagem IKONOS II, Segmentação

70 Aplicação Análise da cobertura do solo Imagem IKONOS II, Classificação por regiões - Bhattacharrya

71 Aplicação Análise da cobertura do solo Classificação Supervisionada Maxver. Classificação por regiões - Bhattacharrya

72 Classificação Avaliação Matriz de erro ou confusão: Verdade de campo x classificação; Índices de desempenho geral e por classe: Erro de omissão; Erro de comissão; Coeficiente Kappa.

73 Classificação Avaliação Verdade C1 C2 C3 C4 C5 C6 Total C C C C C C Total Verdade Acurácia % Omissão % Comissão % C C C C Acurácia total da classificação = ( Total de acertos / Total) * 100% = 57,9% Erro de omissão = 1- Acurácia Cx Erro de comissão = (65/964) * 100% = 6.9% C C

74 Classificação em imagens multiespectrais Classificação não supervisionada classes espectrais algoritmo de classificação (agrupamento) medidas de similaridade número de classes e de iterações é fornecido pelo usuário interpretação das classes geradas normalmente precede a supervisionada

75 Classificação em imagens multiespectrais Classificação não-supervisionada

76 Classificação em imagens multiespectrais Classificação não supervisionada segmentação definição do número de classes escolha do algoritmo de classificação definição do número de iterações interpretação das classes geradas avaliação da classificação e possível reprocessamento

77 Classificação em imagens multiespectrais: Processo de classificação Cena Imagem Multiespectral Extração de atributos Classificador Treinamento Espaço de atributos Extração de Pixels Seleção de atributos B C A Rotulagem A B C Mapa temático

78 Classificação em imagens multiespectrais Classificação (baseada em) por objetos: exige segmentação abstração encapsulamento polimorfismo hierarquia ou herança

79 Classificação em imagens multiespectrais Etapas da classificação: Classificação por objetos: Abstração: consiste na concentração nos aspectos essenciais, próprios, de uma entidade e em ignorar suas propriedades acidentais.

80 Classificação em imagens multiespectrais Etapas da classificação: Classificação por objetos: Encapsulamento: também chamado de ocultamento de informações, consiste na separação dos aspectos externos de um objeto, acessíveis por outros objetos, dos detalhes internos da implementação daquele objeto, que ficam ocultos dos demais objetos.

81 Classificação em imagens multiespectrais Etapas da classificação: Classificação por objetos: Polimorfismo: significa que a mesma operação pode atuar de modos diversos em classes diferentes. As operações podem atuar de forma diferente em classes diferentes.

82 Classificação em imagens multiespectrais Etapas da classificação: Classificação por objetos: Hierarquia ou herança: a herança da estrutura de dados e do seu comportamento permite que a estrutura comum seja compartilhada por diversas subclasses semelhantes sem redundâncias

83 Classificação Baseada em Objetos O problema ou aplicação é representado por uma coleção de objetos que possuem características próprias e interagem entre si. Objetos com a mesma estrutura de dados (atributos), e o mesmo comportamento (operações), são agrupados em uma classe. Estes objetos são segmentos gerados a partir do procedimento de segmentação.

84 A classificação baseada em objetos usa as informações extraídas desses objetos: Resposta espectral média; Variância; Dimensão; Forma; Textura; Topologia. Informações de contexto Informações dos pixels Descrevem como um objeto de interesse pode ser afetado pelos objetos vizinhos

85 Filosofia da classificação baseada em objetos: O conceito de objeto é a peça chave neste tipo de análise, pois a informação necessária para a interpretação de uma imagem não está presente no pixel, e sim em objetos da imagem e nas relações existentes entre eles. O conhecimento do analista passa a ser fundamental neste tipo de análise.

86 Fluxograma dos procedimentos adotados na classificação orientada o objetos Fonte: Nóbrega, 2007

87 Depois de definidos os objetos (segmentação), o processo de classificação dos objetos é efetuado por meio de regras de decisão. Dois fatores devem ser levados em consideração neste processo: Quais atributos serão utilizados para diferenciar cada classe; Qual tipo de regra de decisão será adotada para cada classe.