8/19/2019 Classificação Orientada a Objeto

1/9

Classificação Orientada a Objeto (considerações)

INTRODUÇÃO

No decorrer do desenvolvimento das atividades na área de geotecnologias o mercado quer cada

vez mais ter agilidade nas respostas, o que implica uma extração de informações, nesse caso em

imagens de satélite, de forma rápida e automatizada, onde o interprete (analista) tenha o mnimo

de interfer!ncia possvel"

Nessa postagem tentaremos a#ordar a técnica de classificação orientada a o#$eto, no sentido mais

te%rico" &xplicitando alguns termos e técnicas usadas para se o#ter o resultado ágil" 'ogo não

temos a pretensão de finalizar o assunto somente com essa postagem, pois levando em

consideração a quantidade distinta de dados, fica inviável propor uma solução para as aplicações

dessa técnica"

SEGMENTAÇÃO

principio da segmentação é, que partindo de uma imagem digital, possamos através de

algoritmos estatsticos, reduzir as informações da mesma em regiões (o#$etos) homog!neas, as

quais são funções diretas do pro#lema considerado, a$udando em uma análise mais adequar da

imagem"

orem é importante lem#rar que a qualidade da segmentação depende não apenas do algoritmo

selecionado, mas de um apropriado a$uste dos valores de seus par*metros" +omo $á foi dito, o

a$uste desses par*metros necessita de uma longa $ornada de testes para cada imagem, ho$e $á

existem alguns procedimentos para tornar a inserção desses par*metros mais aferida, no entanto

gastam mais tempo"

segmentação pode ser classificada genericamente em dois grandes grupos"

-.&/ &0 /&.+N12N32//&4 particiona a imagem levando em consideração a mudança

a#rupta nos nveis de cinza que podem ser o#servados através de matrizes de convolução que

percorrem a imagem detectando pontos isolados, linhas e #ordas de um o#$eto"

8/19/2019 Classificação Orientada a Objeto

2/9

0atriz de convolução (/etection isolate points)

Na prática, pude perce#er que na maioria das vezes as detecções de linhas e #ordas retornam

erros de detecção que posteriormente precisam ser a$ustados manualmente ou usando algum

processamento anterior a segmentação"

-.&/ &0 .202'52//&4 leva em consideração o interior dos o#$etos, analisando

propriedades similares entre os pixels, tendo como critério os métodos de segmentação por

crescimento de regiões, limiarização, detecção de #acias, pir*mides e clustering" &sses métodos

serão descritos a #aixo"

• +5&.+20&N1 /& 5&627&.4 este método agrega pixels ou su#8regiões e regiões

maiores, o processo pelo qual se inicia esse método é a coleta automática de

pixels fontes, partindo8se desses o algoritmo vai agregando pixels vizinhos que

tenham caractersticas similares de cor, intensidade, textura e etc" até que não

ha$a mais possi#ilidade de agregação"

.egmentação por crescimento de regiões

• '202529:;4 aqui é feita uma discretização dos o#$etos por limiares so#re o

histograma da imagem, esse limiar retorna uma imagem com valores de < para

os o#$etos e = para o fundo"

8/19/2019 Classificação Orientada a Objeto

3/9

.egmentação por limiarização >

8/19/2019 Classificação Orientada a Objeto

4/9

.egmentação por pir*mide (quadtree) > .cale C=• +'3.1&52N64 para esse método a imagem e convertida em valores de atri#uto

(pontos) que são visualizados em um espaço amostral" s cluster são porções

continuas desse espaço com alta densidade de pontos, o que define o o#$eto é a

separa#ilidade entre essas nuvens de pontos adensadas" &xistem ainda

su#divisões desse método que determinam que um ponto pertence a apenas uma

classe ou ainda os que permitem que um ponto pertença a todas as classes até

certo grau" clustering pode usar algoritmos 2..&6 ou D80E/2."

.egmentação por clustering

.&60&N1:@ -.&/ &0 -F&1 (03'125&.'3:@)4 #asicamente esse tipo de

segmentação leva em consideração varias caractersticas da imagem, como heterogeneidade

espacial (forma) que tam#ém é su#dividido em compacidade e suavidade, assim como espectral

(cor) e diferença dos o#$etos de entorno, utilizando em sntese o método de crescimento de

regiões para agregar pixels vizinhos" &sse processo termina quando o o#$eto excede o limiar

(escala) definido pelo usuário"

> heterogeneidade (+or e forma) define a uniformidade dos o#$etos

> limiar de escala é a propriedade que define o tamanho dos o#$etos

8/19/2019 Classificação Orientada a Objeto

5/9

.egmentação orientada a o#$eto (multiresolução) > .cale

8/19/2019 Classificação Orientada a Objeto

6/9

2nterface e+ognition K

InterIMAGE http4HHGGG"lvc"ele"puc8rio"#rHpro$ectsHinterimageH

5esultado da cooperação /.5 e /2 > 2N&, /epto" &ngenharia &létrica da 3+85F e 3niversidade

de Lannover (lemanha)" &sse aplicativo livre congrega a escrita da #i#lioteca 1erra'2- e do

softGare 6eo2/, tentando ultrapassar os limites do e+ognition"

&m resumo, 2nter206& implementa uma estratégia especfica de interpretação de imagens" 1al

estratégia é #aseada e guiada por uma descrição hierárquica do pro#lema de interpretação,

estruturado em uma rede sem*ntica" (+.1 et" al", J==B)"

2nterface 2nter206&

8/19/2019 Classificação Orientada a Objeto

7/9

.52N6 é um .26 no estado8da8arte com funções de processamento de imagens, análise

espacial, modelagem numérica de terreno e consulta a #ancos de dados espaciais, desenvolvido

pela /2 > 2N& e apoiado por diversas outras instituições"

processo de classificação por o#$etos (regiões) no .52N6 ainda não é totalmente automático

sendo necessário a identificação manual dos o#$etos para cada classe aplicando assim umclassificador supervisionado -hattacharMa"

2nterface .52N6 ?"

8/19/2019 Classificação Orientada a Objeto

8/9

8/19/2019 Classificação Orientada a Objeto

9/9

-laschIe, 1"T Dux, L" F" L" Sen-ori"+ento re+oto e SIG "v"n")o- ! novo- -i-te+"-

-en-ore-/ +to)o- inov")ore-. .ão aulo4 ficina de 1extos, J==U, JV ed", W=W p"

-laschIe, 1"T 'ang, ."T LaM, 6" F" (&ds") O&'e%t(1"-e) I+"ge An"*,-i- > .patial +oncepts for

DnoGledge8/riven 5emote .ensing pplications" -erlim4 .pringer8erlag, J==K, K 2nstituto Nacional de

esquisas &spaciais, .ão Fosé dos +ampos" J=