Comparação entre Classificações Supervisionadas em uma Imagem CBERS CCD com Bandas Multiespectrais e em uma Imagem Fusão da Mesma Imagem CBERS CCD Com uma Banda Pancromática HRC Flavio Marcelo CONEGLIAN, Rodrigo Antonio LA SCALEA e Selma Regina Aranha RIBEIRO Universidade Estadual de Ponta Grossa A classificação de dados é uma técnica utilizada no processamento de imagens digitais que consiste em identificar e classificar pixels em determinadas classes, essa classificação se dá com base nas características espectrais de cada pixel. O objetivo deste trabalho é comparar classificações supervisionadas realizadas entre uma imagem CBERS - CCD com bandas multiespectrais e a fusão dessa imagem CBERS - CCD com uma banda pancromática do sensor HRC do satélite CBERS utilizando a transformação de cores com o sistema Munsell para verificar a diferença entre uma classificação com uma imagem multiespectral original e com uma fusão com uma banda de maior resolução espacial, e, por fim, determinar o método de classificação que dá o melhor resultado para ambas as imagens. As técnicas utilizadas para a classificação supervisionada realizada nas duas imagens deste trabalho foram Paralelepípedos, Mínima Distância, Distância de Mahalanobis e Máxima Verossimilhança. A análise do resultado obtido por meio do Coeficiente Kappa e da Matriz de Confusão realizados nas imagens classificadas mostra que, em todos os métodos utilizados, as classificações originárias da imagem CBER CCD com bandas multiespectrais têm suas classes melhor definidas do que as classificações realizadas na fusão da imagem CBERS CCD com a banda de maior resolução espacial (HRC). Quando a comparação é realizada entre os métodos de classificação digital os melhores resultados são obtidos, nas duas imagens, com o Método da Máxima Verossimilhança, com acurácia de 98,0956% e Coeficiente Kappa de 0,9618 na imagem fusionada e com acurácia de 100% e Coeficiente Kappa de 1,0 na imagem original CBERS. Palavras-chave: Geoprocessamento. Classificação supervisionada. CBERS. SEMANA DE GEOGRAFIA, 16., 2009. A PLURALIDADE NA GEOGRAFIA. PONTA GROSSA: DEGEO/DAGLAS, 2009. ISSN 2176-6967
214 F L A V I O M. C O N E G L I A N, R O D R I G O A. LA S C A L E A E S E L M A R E G I N A A. R I B E I R O A classificação de dados é uma técnica utilizada no processamento de imagens digitais que consiste em identificar e classificar pixels em determinada classe, essa classificação ocorre com base nas características espectrais de cada pixel; mediante uma regra de decisão pode-se medir a similaridade espectral entre o valor de uma classe e o pixel (CENTENO, 2007). As técnicas de classificação são supervisionada e não supervisionada. A primeira permite que o usuário interfira nas informações de seu interesse, isto é, as classes são definidas a partir de amostras de pixels escolhidas por ele, e no segundo o usuário somente informa ao classificador o número de classes (CENTENO, 2004). Ambas as classificações são obtidas do agrupamento de pixels com características espectrais semelhantes, ou seja, o produto final é uma única imagem com poucos valores digitais (LIU, 2006). Segundo Centeno (2007) a fusão de imagens consiste em manter a informação espectral de uma imagem e incluir a informação espacial de uma outra imagem com maior resolução espacial, ou seja, a fusão de imagens visa a geração de uma imagem a partir de imagens múltiplas para a extração de informações de maior qualidade (SCHNEIDER et al., 2003). Existem diferentes técnicas para realizar a fusão, a utilizada neste trabalho foi o método da Transformação de Cores utilizando o Sistema de Cores Munsell. METODOLOGIA O programa ENVI 3.6 foi utilizado para o recorte e a fusão das imagens e as classificações. As imagens digitais foram adquiridas do sensor orbital CBERS 2B (INPE, 2009), a imagem do instrumento CCD adquirida tem sua órbita 156 e seu ponto é 128, com data de passagem em 25 de agosto de 2008; a órbita da imagem HRC é 156_C com seu ponto sendo 128_5, tendo sua passagem em 7 de dezembro de 2008. A fusão foi realizada utilizando o método da transformação de cores Munsell nas bandas multiespectrais 4, 3 e 2 do recorte da imagem original CBERS CCD com a banda prancromática do sensor CBERS HRC. Na classificação supervisionada é necessário coletar, nas imagens, amostras de treinamento que devem ser puras, homogêneas e representativas de cada classe onde são calculados parâmetros estatísticos para o agrupamento dos pixels (CARPER et al, 1990). A classificação foi realizada com duas áreas de interesse: área urbana e vegetação.
C O M P A R A Ç Ã O E N T R E C L A S S I F I C A Ç Õ ES S U P E R V I S I O N A D A S E M U M A I M A G E M 215 RESULTADOS E DISCUSSÃO Após a coleta, em cada imagem, das amostras de treinamento de cada uma das classes de interesse no programa ENVI 3.6, uma referente à área urbana e outra à vegetação, foram gerados gráficos estatísticos e tabelas para as duas classes, em que apresentam a variação dos níveis digitais dos pixels das amostras de treinamento coletadas em cada banda de cada uma das imagens. A análise comparativa entre esses gráficos e tabelas, relativas a cada uma das duas imagens multiespectral e fusão, mostrou uma relevante diferença entre os valores digitais máximos e mínimos na imagem em que foi realizada a fusão, ou seja, o desvio padrão da CBERS CCD com a banda HRC é maior que o desvio padrão que ocorre na imagem CBERS CCD com as bandas multiespectrais. A classificação supervisionada utiliza diferentes métodos para calcular parâmetros estatísticos que permite a classificação dos pixels. Os métodos utilizados para a classificação supervisionada realizada nas duas imagens deste trabalho foram Paralelepípedos, Mínima Distância, Distância de Mahalanobis e Máxima Verossimilhança, cada um desses possuem suas características limitações e vantagens. A seguir são apresentados os resultados obtidos a partir de cada método de classificação, nas Figuras 1 (a,b), 2 (a,b), 3 (a,b) e 4 (a,b), realizado na imagem original CBERS - CCD com bandas multiespectrais 4, 3, e 2 à esquerda e na imagem fusão por meio da Transformação de cores Munsell à direita. Método dos Paralelepípedos Figura 1a CBERS - Paralelepípedos Figura 1b Fusão Munsell - Paralelepípedos
216 F L A V I O M. C O N E G L I A N, R O D R I G O A. LA S C A L E A E S E L M A R E G I N A A. R I B E I R O Método da Mínima Distância Figura 2a CBERS Mín. Distância Figura 2b Fusão Munsell Mín. Distância Método da Distância de Mahalanobis Figura 3a CBERS Dist. Mahalanobis Figura 3b Fusão Munsell Dist. Mahalanobis. Método da Máxima Verossimilhança Figura 4a CBERS Max. Verossimilhança Figura 4b Fusão Munsell Max. Verossimilhança
C O M P A R A Ç Ã O E N T R E C L A S S I F I C A Ç Õ ES S U P E R V I S I O N A D A S E M U M A I M A G E M 217 CONCLUSÕES Após a classificação é necessário efetuar uma avaliação para analisar a confiabilidade da imagem classificada. Essa avaliação pode ser realizada através da Matriz de Confusão e do Coeficiente Kappa. Segundo Centeno (2004) a Matriz de Confusão é uma forma de representar as contradições entre a verdade de campo e o resultado do processo de classificação. Na matriz as linhas correspondem à classe correta e as colunas à classe estimada. Se todos os pixels de uma imagem são classificados corretamente a matriz apresentará valores apenas na diagonal, mas como na maioria dos casos há pixels classificados incorretamente, a quantidade desses pixels incorretos é o total de pixels que aparecem fora da diagonal principal da matriz. A exatidão de uma classificação também pode ser medida comparando a imagem classificada com um mapa temático resultante de uma classificação completamente aleatória. A diferença entre os dois mapas temáticos pode ser medida pelo Coeficiente Kappa, proposto em 1960 por Cohen, onde quanto maior o valor do índice Kappa, o resultado será considerado melhor, sendo 1,0 o valor máximo (CENTENO, 2004). A análise do resultado obtido por meio do Coeficiente Kappa e da Matriz de Confusão realizados nas imagens classificadas mostra que, em todos os métodos utilizados, as classificações originárias da imagem CBER CCD com bandas multiespectrais têm suas classes melhor definidas do que as classificações realizadas na fusão da imagem CBERS CCD com a banda de maior resolução espacial (HRC). Quando a comparação é realizada entre os métodos de classificação digital os melhores resultados são obtidos, nas duas imagens, com o Método da Máxima Verossimilhança, com acurácia de 98,0956% e Coeficiente Kappa de 0,9618 na imagem fusionada e com acurácia de 100% e Coeficiente Kappa de 1,0 na imagem original CBERS. Sendo assim, pode-se afirmar que os produtos da classificação pelo método da Máxima Verossimilhança neste estudo têm desempenho excelente, tendo como referência a tabela proposta por Moreira (2001) sobre a relação entre os valores do índice Kappa e o desempenho da classificação. REFERÊNCIAS CARPER, W.; LILLESAND, T.; KIEFER, R. The use of Intensity-Heu-Saturation transformation for merging SPOT panchromatic and multiespectral image data. Photogrammetric Enginnering and Remote Sensing, USA, v. 56, n. 4, p. 459-467, 1990.
218 F L A V I O M. C O N E G L I A N, R O D R I G O A. LA S C A L E A E S E L M A R E G I N A A. R I B E I R O CENTENO, J. A. S. Sensoriamento remoto e processamento de imagens digitais. Curitiba: UFPR, 2004. CENTENO, J. A. S. Sensoriamento remoto. Curitiba: UFPR, 2007. (Apostila, Módulo Sensoriamento Remoto).; RIBEIRO, S. R. A. Um método simplificado de fusão. In: SIMPÓSIO BRASILEIRO DE SENSORIAMENTO REMOTO, 13., Florianópolis. Anais São José dos Campos: INPE, 2007. INSTITUTO Nacional de Pesquisas Espaciais INPE. Disponível em: < http://www.inpe.br >. Acesso em: 20 maio 2009. LIU, W. T. H. Aplicações de sensoriamento remoto. Campo Grande: UNIDERP, 2006. MOREIRA, M. A. Fundamentos do sensoriamento remoto e metodologias de aplicação. São José dos Campos: INPE, 2001. SCHNEIDER, M. J.; BELLON, O. R. P.; ARAKI, H. Experimentos em fusão de imagens de alta resolução. Boletim de Ciências Geodésicas, Curitiba, v. 9, n. 1, 2003.