Geoprocessamento Classificação de imagens. Classificação Tradicionalmente a classificação de...
Transcript of Geoprocessamento Classificação de imagens. Classificação Tradicionalmente a classificação de...
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