ufrrj_geoprocessamento_Aula 11

Prévia do material em texto

IT 502 – GEOPROCESSAMENTO NA AGRICULTURA
Aula 11 – Classificação digital de imagens
Prof. Ricardo Vilar Neves
E-mail: ricvilar.ufrrj@gmail.com
Endereço: UFRRJ/IT/DE/SALA04 
MINISTÉRIO DA EDUCAÇÃO
UNIVERSIDADE FEDERAL RURAL DO RIO DE JANEIRO
IT / DEPARTAMENTO DE 
ENGENHARIA
Br 465 km 7, CEP 23890-000 - Seropédica- RJ
Tel. 21-2682 1864 Fax 21 3787 3750
mailto:ricvilar.ufrrj@gmail.com
INTRODUÇÃO
• A terminologia classificação em imagens digitais significa associar a
cada pixel da imagem um rótulo (tema). Desta forma, uma imagem
numérica é transformada numa imagem temática, onde o número de
categorias é definido pelo próprio analista.
INTRODUÇÃO
INTRODUÇÃO
INTRODUÇÃO
INTRODUÇÃO
CLASSIFICAÇÃO DIGITAL DE
IMAGENS
• A classificação de uma imagem digital pode ser enquadrada em duas grandes
classes: classificação supervisionada e classificação não-supervisionada.
• Classificação supervisionada: pode ser definida como o processo de usar amostras de
identidade conhecida para classificar pixels de identidade desconhecida. Neste tipo de
classificação, a identidade e a localização de algumas feições, tais como agricultura,
floresta, solos, etc., são conhecidas a priori, através da análise de campo, fotografias
aéreas, mapas e experiência pessoal. O analista tenta localizar áreas específicas que
representem exemplos homogêneos destas feições conhecidas. Estas áreas são
comumente denominadas de amostras de treinamento.
CLASSIFICAÇÃO DIGITAL DE
IMAGENS
• Etapas Envolvidas na Classificação Supervisionada:
1. Seleção e coleta das amostras de treinamento;
2. Extração das estatísticas das amostras de treinamento;
3. Manipulação das estatísticas das amostras de treinamento;
4. Classificação da imagem.
CLASSIFICAÇÃO DIGITAL DE
IMAGENS
1 - Seleção e coleta das amostras de treinamento.
• Nesta etapa do processo é importante que o analista seja familiarizado com a área de
estudo.
• É importante também o uso de dados de referência tais como fotos aéreas, mapas,
ortofotos, etc.
• De posse destes conhecimentos, o analista seleciona sobre a imagem áreas onde as
identidades das feições são conhecidas, as quais são denominadas de amostras de
treinamento.
• O número de pixels dentro das amostras de treinamento:
• Se n bandas estão sendo utilizadas na classificação, o número mínimo de pixels deverá ser n + 1. Esta
condição permite que se calcule a inversa da matriz de covariância para cada classe, a qual é
importante em alguns procedimentos estatísticos posteriores.
• Idealmente, o número de pixels deveria ser superior a 10n.
CLASSIFICAÇÃO DIGITAL DE
IMAGENS
2 - Extração das estatísticas das amostras de treinamento: Após a coleta das amostras
de treinamento para todas as classes de interesse, procede-se à extração das estatísticas
das amostras. As principais estatísticas são a média, desvio padrão, variância,
covariância e correlação, estatísticas estas necessárias para procedimentos posteriores.
3 - Manipulação das estatísticas das amostras de treinamento: A manipulação das
estatísticas das amostras de treinamento das várias classes envolvidas na classificação
tem por finalidade torná-las mais homogêneas. São usadas várias técnicas, a saber:
Análise do Histograma, Alarm, Matriz de Contingência, Report, Elipes, etc, mediante
fusão e adição de amostras.
4 - Classificação da imagem digital: Esta etapa envolve a classificação propriamente dita.
Três algoritmos de classificação vem sendo bastante utilizados nas últimas três décadas,
a saber: algoritmo do paralelepípedo, algoritmo da distância mínima até a média e
algoritmo da máxima verossimilhança. Todos eles se baseiam em critérios estatísticos
para assinalar um pixel desconhecido a uma classe conhecida.
CLASSIFICAÇÃO DIGITAL DE
IMAGENS
• A classificação de uma imagem digital pode ser enquadrada em duas grandes
classes: classificação supervisionada e classificação não-supervisionada.
• Classificação não-supervisionada: esta classificação requer somente uma quantidade
mínima de informação de dados de entrada pelo analista, uma vez que as identidades das
feições que são especificadas como classes dentro da imagem não são conhecidas a priori.
Neste processo, o computador (algoritmo de classificação) agrupa os pixels em diferentes
classes espectrais de acordo com alguns critérios estatísticos pré-determinados. Após a
classificação, o analista tenta identificar as classes geradas pelo computador, como água,
vegetação, solo e etc..
CLASSIFICAÇÃO DIGITAL DE
IMAGENS
• É importante neste ponto conceituar classes espectrais
e classes informacionais.
• Classes espectrais – agrupamento de pixels com
características espectrais similares.
• Classes informacionais – são as classes de interesse
do analista, ex.: solo, floresta, pasto, etc.
• Algumas características da classificação não-supervisionada são: não requer
conhecimento a priori da área pelo analista, geralmente apenas o número de
classes; o algoritmo varre a imagem inteira e os pixels com características
espectrais similares são agrupados em classes com base em critérios
estatísticos; cabe ao analista identificar e nomear as classes.
CLASSIFICAÇÃO DIGITAL DE
IMAGENS
• Etapas da classificação não-supervisionada.
1) o analista especifica o número de classes (ex.: 10 classes)
2) o algoritmo, arbitrariamente, seleciona 10 pixels dentro da imagem. Inicialmente cada
pixel funciona como a média de cada classe.
3) em seguida todos os pixels da imagem são assinalados à uma das 10 classes com base no
critério da distância mínima até a média.
4) o algoritmo recalcula novas médias para as 10 classes e novamente os pixels da imagem
são assinalados às 10 classes.
5) o processo continua (iteração) até que não haja diferenças significativas entre as médias
atuais e as do passo anterior.
6) o analista então identifica as classes, rotulando-as, isto é, criando as classes
informacionais.
CLASSIFICAÇÃO DIGITAL DE
IMAGENS
• Avaliação de imagens temáticas
• Geralmente, para se avaliar uma imagem temática gerada a partir de uma classificação
digital, é necessário o uso de uma segunda imagem (assumida ser representativa da
verdade de campo), normalmente denominada de imagem de referência.
• Esta imagem de referência deve ser derivada de investigação “in locu” ou a partir da
interpretação de dados de sensores remotos que cobrem a mesma área de estudo (ex.:
fotos aéreas, mapas, imagens temáticas, etc.).
• O procedimento mais utilizado consiste na utilização de amostras testes que devem ser
identificadas e nomeadas corretamente pelo analista antes da classificação. Estas
amostras testes não devem sobrepor às amostras de treinamento utilizadas para treinar o
algoritmo no processo de classificação.
CLASSIFICAÇÃO DIGITAL DE
IMAGENS
• Avaliação de imagens temáticas
• Erro de Omissão (E.O.) – pixels são omitidos de sua correta classe e assinalados a uma outra classe.
• Erro de Comissão (E.C.) – pixels são erroneamente incluídos em uma dada classe quando eles deveriam se
assinalados à uma outra classe.
• Exatidão do Produtor (Producer´s Accuracy) – É obtida dividindo-se o número total de pixels corretos em
uma classe pelo número total de pixels daquela classe derivado dos dados de referência, isto é, total da
linha. Esta medida de exatidão indica a probabilidade de um pixel de referência ser corretamente assinalado
a um pixel da imagem classificada e ela é uma medida do erro de omissão.
• Exatidão do Usuário (User´s Accuracy) – É obtida dividindo-se o número total de pixels corretos em uma
classe pelo número total de pixels que foram classificados naquela classe, isto é, total da coluna. Esta
medida de exatidão indica a probabilidade de que um pixel classificado na imagem, atualmente representa
aquela classe do terreno e ela é uma medida do erro de comissão.
CLASSIFICAÇÃO DIGITAL DE
IMAGENS
CLASSIFICAÇÃO DIGITAL DE
IMAGENS
• Avaliação de imagens temáticas
• Índice de Exatidão Global (total) (ET) – número de pixels corretamente classificados
(diagonal de matriz de erros) divididopelo número total de pixels da imagem de
referência
• Índice Kappa – O índice de exatidão kappa considera todos os elementos da matriz,
diferentemente do índice de exatidão total, que considera apenas os elementos da
diagonal da matriz (valores corretos). Ele é dado pela fórmula abaixo:
K = Índice de exatidão Kappa
R = número de linhas na matriz
xii = número de observações na linha[i] e coluna[i] (valores da 
diagonal da matriz)
xi+ e x+i = totais marginais da linha[i] e coluna[i], respectivamente.
N = número total de observações 
CLASSIFICAÇÃO DIGITAL DE
IMAGENS
CLASSIFICAÇÃO DIGITAL DE
IMAGENS