Geoprocessamento

Classificação de imagens

Classificação

• Tradicionalmente a classificação de imagens era realizada a partir da interpretação visual.

• Interpretação visual é muito poderosa.

• (cor, textura, geometria, vizinhança, conhecimento da região)

Classificação automática

• Embora a interpretação visual seja poderosa, a velocidade e a capacidade de repetição da classificação automática no computador é muito atraente e hoje em dia a maior parte das atividades de classificação conta com a classificação automática guiada por interpretação humana.

Metodologia básica de classificação automática

• Tomar valores de um mesmo pixel nas n bandas e decidir a qual classe pertence.

Resposta espectral de alvos

Imagem multiespectral

Realçamento

SPRING Básico 8

Realce de Contraste

SPRING Básico 9

Realce de Contraste• Uma função mapeia os pixels com um valor x

para um novo valor y

• O resultado depende da forma da função

)(xf

)(xh

)( yh

)(xfy

SPRING Básico 10

Realce de contraste: Linear

• define uma função de transferência linear • maior a inclinação da reta maior o realce

baxy

imin imax

SPRING Básico 11

Raiz quadrada

• Realça as áreas escuras da imagem• Inclinação da reta decresce dos valores escuros

para os claros xaxfy )(

SPRING Básico 12

Quadrado

• Realça as áreas claras da imagem• A inclinação da curva aumenta dos valores mais

escuros para os mais claros2axy

SPRING Básico 13

Logaritmo

• Realça as áreas escuras da imagem ( intervalo menor do que a raiz quadrada)

)1log( xay

SPRING Básico 14

Negativo

• Função de mapeamento inverso• Transforma áreas claras em escuras e vice-versa

)( baxy

SPRING Básico 15

Equalização de Histograma

• O histograma da imagem de saída

aproxima-se de um histograma uniforme

SPRING Básico 16

Fatiamento• Associa cores a diferentes intervalos de valores

– normal: o intervalo de cada faixa é de mesmo tamanho

– equidistribuídas: o número de pixels em cada faixa é constante

– arco-íris: cada valor de

intensidade é mapeado para uma

cor seguindo a sequência do arco-íris

SPRING Básico 17

Edição

• A função de transferência é definida livremente pelo usuário

Composição colorida

• Associar cores a diferentes planos de informação

• Normalmente os PIs correspondem a bandas de freqüência de imagens de satélite

SPRING Básico 19

Sistema de Cores Aditivo

A luz de diferentes comprimentos de ondas (R G B) podem ser misturadas (sistema de cores aditivo) - diferentes cores

SPRING Básico 20

Representação das cores (cubo de cores RGB)

(0,0,0)

(1,1,0)

(1,0,0)

(1,0,1)

(0,1,0)

(0,1,1)

(0,0,1)

(1,1,1)

R

G

B

Cada ponto dentro do cubo corresponde a uma tripla (1, 2, 3) cor

Tons de cinza

Magenta

Cian

SPRING Básico 21

Equipamento de Visualização

• O visualizador é um monitor colorido que contém um CRT• Cada banda da imagem está associada a um canal (RGB)• A LUT pode ser modificada para melhorar o realce das cores

SPRING Básico 22

Composição Falsa Cor

TM 3

TM 4

TM 5

B

R

G

SPRING Básico 23

Leitura de Pixel• Informa o valor de um ponto em uma

determinada posição de um ou mais planos de informação

Posição: 45:50 o, 15:46 s

TM3 : 46

TM4: 2

TM5: 1

Composição usando map composer no Idrisi

Composição colorida

Classificação

• Utilizar diferenças de “assinatura espectral” de diferentes alvos para classificar automaticamente a cobertura vegetal e o uso do solo.

• Vai depender de:• Diferenças na assinatura espectral dos alvos

• Capacidade de distinguir estas diferenças.

Exercício

• Faça uma composição colorida com as bandas disponíveis

• Escolha uma área de solo nu; outra de floresta; outra de agricultura irrigada; outra de pastagem e outra de água

• Verifique o valor de um pixel em cada uma das bandas, para cada uma das áreas.

• Coloque os valores num gráfico como o ao lado.

b1 b2 b3 b4 b5 b7

refl

ecta

ncia

Verifique se combina com o comportamento esperado

b1 b2 b3 b4 b5 b7

refl

ecta

ncia

Dois tipos de classificação

• Supervisionada• Usuário fornece “pistas” para a classificação.

• Não supervisionada• Usuário não fornece “pistas” para a classificação. A

classificação é realizada de forma completamente automática e deve ser verificada depois.

• Análise estatística de clusters ou “amontoados” ou grupos.

• Exemplo em histograma.

Exemplo classificação não supervisionada

b1 b2 b3 b4 b5 b7

refl

ecta

ncia

Clusters (muitos pixels)

Banda 3

Banda 4

Classificação supervisionada

1. Definir classes em que se deseja classificar a imagem.

2. Delimitar regiões em que estas classes se manifestam (áreas de treinamento).

3. Analisar as estatísticas de cada uma das classes com base na amostra obtida das áreas de treinamento.

4. Classificar as imagens com base num algoritmo que decide a qual classe pertence cada pixel, com base na sua semelhança espectral com as amostras das classes.

Desenho no quadro

Definir classes

• Quais são as classes que interessam?

• Quais são as classes que eu posso diferenciar com base nas informações (bandas) que eu tenho?

Delimitar regiões em que as classes se manifestam

• Criar uma composição colorida e interpretar visualmente, criando polígonos sobre a as áreas.

ou

• No caso de uma imagem recente, ir a campo e delimitar áreas com classes típicas usando GPS.

Composição 3 4 5

1

2

Classes

1. Solo nu

2. Floresta

3. Água

4. Queimada

5. Pastagem

De acordo com Tutorial Idrisi

• 1. Locate representative examples of each cover type that can be identified in the image (called training sites);

• 2. Digitize polygons around each training site, assigning a unique identifier to each cover type;

• 3. Analyze the pixels within the training sites and create spectral signatures for each of the cover types; and

• 4. Classify the entire image by considering each pixel, one by one, comparing its particular signature with each of the known signatures. So-called hard classifications result from assigning each pixel to the cover type that has the most similar signature. Soft classifications, on the other hand, evaluate the degree of membership of the pixel in all classes under consideration, including unknown and unspecified classes. Decisions about how similar signatures are to each other are made through statistical analyses. There are several different statistical techniques that may be used. These are often called classifiers.

Gerar vetor de polígonos

1. Solo nu

2. Floresta

3. Água

4. Queimada

5. Pastagem

Makesig e Sigcomp

Makesig

Sigcomp

Resultado Sigcomp

Resultado Sigcomp

• Linhas afastadas indicam que será possível classificar relativamente bem.

• Se as linhas estão muito próximas, provavelmente vai haver confusão.

Resultado da classificação

Distância à média

Máxima verossimilhança

Paralelepípedo

Avaliando a qualidade da classificação

• Matriz de confusão

• Apresentação trabalho Fernando Bike

• Exercício usando imagem fornecida

Metodologia: imagem selecionada

• Zona rural da bacia do Rio Quaraí;

•300 x 300 pixels retirado de imagem LANDSAT de 2003

•Bandas 2, 3, 4 e 5

•A pequena dimensão da imagem, devido ao número de testes que foram

realizados e pela dificuldade da classificação visual para uma imagem grande

Composição bandas 3, 4 e 5

Metodologia: classificação visual

•Foi utilizado para a classificação visual um software de edição de imagens;

•A imagem foi classificada em 8 classes: cultivo, banhado, água, mato, mata ciliar, campo1, campo2 e campo3;

Classificação visual

Metodologia: qualidade da classificação

• Para analisar a qualidade resultados das classificações foram utilizados a matriz de confusão e o índice kappa

Classes Imagem Verdade

  A B C D Total Erro Inclusão

Classes Imagem Classificada

A a11 a12 a13 a14 m1 Em1

B a21 a22 a23 a24 m2 Em2

C a31 a32 a33 a34 m3 Em3

D a41 a42 a43 a44 m4 Em4

Total n1 n2 n3 n4 N  

ErroOmissão En1 En2 En3 En4   EN

ni - Soma do número de pixels da coluna “i”

Eni - Percentual dos erros da coluna sobre o total da coluna

mi - Soma do número de pixels da linha

Emi Percentual dos erros da linha sobre o total da linha

N - Total de pixel da imagem

EN - Percentual de todos erros sobre total de pixels da imagem

,

qN

qdappa

,

:

N

nmq

onde

ii ,2211 nnaaad

Metodologia: amostras de treinamento

ClassesNº

Pixels% da amostra em

relação à toda imagem

1 - Cultivado 617 0.7%

2 - Banhado 204 0.2%

3 - Água 351 0.4%

4 - Mato 1125 1.2%

5 - Mata Ciliar 432 0.5%

6 - Campo 1 3600 4.0%

7 - Campo 2 585 0.6%

8 - Campo 3 1011 1.1%

Total 7925 8.7%

Resultados e Análises: índice Kappa

Janela 3x3 Janela 5x5 Janela 7x7

Sem Filtro 1ª Filtro 2ª Filtro 3ª Filtro 1ª Filtro 2ª Filtro 3ª Filtro 1ª Filtro 2ª Filtro 3ª Filtro

MaxVero_345_ComProb 0.6921 0.7565 0.7736 0.7816 0.7951 0.8067 0.8119 0.8126 0.8236 0.8241

MaxVero_345_SemProb 0.6680 0.7328 0.7498 0.7574 0.7736 0.7893 0.7964 0.7956 0.8065 0.8066

MaxVero_2345_ComProb 0.7073 0.7721 0.7874 0.7944 0.8071 0.8178 0.8218 0.8234 0.8335 0.8328

MaxVero_2345_SemProb 0.6893 0.7540 0.7694 0.7769 0.7916 0.8037 0.8086 0.8093 0.8179 0.8192

RN_345_2N 0.6319 0.6630 0.6681 0.6686 0.6697 0.6669 0.6634 0.6659 0.6569 0.6499

RN_345_3N 0.6203 0.6886 0.7019 0.7069 0.7146 0.7222 0.7244 0.7234 0.7246 0.7197

RN_345_6N 0.6728 0.6967 0.7011 0.7036 0.7081 0.7082 0.7072 0.7089 0.7066 0.7015

RN_345_12N 0.6765 0.7027 0.7067 0.7075 0.7101 0.7102 0.7077 0.7087 0.7026 0.6979

RN_345_24N 0.7186 0.7563 0.7638 0.7668 0.7712 0.7753 0.7754 0.7795 0.7782 0.7746

RN_2345_2N 0.6347 0.6601 0.6619 0.6625 0.6669 0.6654 0.6644 0.6654 0.6583 0.6526

RN_2345_3N 0.6262 0.7038 0.7228 0.7322 0.7445 0.7562 0.7626 0.7613 0.7714 0.7749

RN_2345_6N 0.7255 0.7673 0.7739 0.7759 0.7842 0.7893 0.789 0.7867 0.7871 0.7829

RN_2345_12N 0.7287 0.7837 0.7944 0.7984 0.8075 0.8127 0.8137 0.8132 0.8139 0.8102

RN_2345_24N 0.7115 0.7472 0.7541 0.7563 0.7626 0.7664 0.7667 0.7651 0.7634 0.759

Comparação de diferentes classificações usando índice Kappa

Máxima Verossimilhança

Cultivado Banhado Água Mato Mata Ciliar Campo Total Erro Inclusão

Cultivado 2953 4 4 229 5 124 3319 0.1103

Banhado 234 1093 277 494 490 4887 7475 0.8538

Água 0 141 1222 9 10 133 1515 0.1934

Mato 520 133 164 7409 528 555 9309 0.2041

Mata Ciliar 46 57 26 607 2318 359 3413 0.3208

Campo 119 484 58 260 210 63838 64969 0.0174

Total 3872 1912 1751 9008 3561 69896 90000

Erro Omissão 0.2373 0.4283 0.3021 0.1775 0.3491 0.0867 0.1241

Redes Neurais

Cultivado Banhado Água MatoMata Ciliar

Campo Total Erro Inclusão

Cultivado 3032 5 5 590 0 95 3727 0.1865

Banhado 47 766 245 151 139 1459 2807 0.7271

Água 2 143 1237 14 15 150 1561 0.2076

Mato 104 13 85 5821 246 158 6427 0.0943

Mata Ciliar 471 189 77 1944 2783 1295 6759 0.5883

Campo 216 796 102 488 378 66739 68719 0.0288

Total 3872 1912 1751 9008 3561 69896 90000

Erro Omissão 0.2169 0.5994 0.2935 0.3538 0.2185 0.0452 0.1069

Resultados e Análises: matriz de confusão(sem filtro)

Homogeneização da classificação usando um filtro de moda

• O filtro por moda melhorou a qualidade de classificação para 1 e 2 filtragens;

•Com 3 filtragens ocorreram pioras em algumas classificações e os limites das regiões temáticas ficaram artificializadas para janelas de 7x7 pixels;

3 filtragens comjanela 7x7pixels

Utilize um filtro de moda para

• Utilize um filtro de moda para retirar pixels isolados da imagem classificada

Classificação com imagens multitemporais