Mapeamento do uso do solo para manejo de propriedades rurais · 3 - Calculo dos centros de grupos...
-
Upload
nguyenminh -
Category
Documents
-
view
220 -
download
0
Transcript of Mapeamento do uso do solo para manejo de propriedades rurais · 3 - Calculo dos centros de grupos...
1/284 Técnicas de classificação de imagens
Mapeamento do uso do solo para manejo de propriedades ruraisTeoria
Eng. Allan Saddi ArnesenEng. Frederico Genofre Eng. Marcelo Pedroso Curtarelli
2/284 Técnicas de classificação de imagens
Conteúdo programático:
• Capitulo 1: Conceitos básicos de cartografia e SIG;• Capitulo 2: Fundamento de Sensoriamento Remoto;• Capitulo 3: Aquisição de imagens e processamento de dados;• Capitulo 4: Técnicas de classificação de imagens e processamento digital;• Capiutlo 5: Mapeamento do uso do solo para o manejo de propriedades rurais;• Capitulo 6: Validação, extração de informações e estimativas de produção.
3/284 Técnicas de classificação de imagens
Tópicos abordado neste capitulo:
• Conceitos básicos sobre classificação de imagens;• Técnicas de classificação não supervisionada;• Técnicas de classificação supervisionada; • Técnica de classificação manual.
4/284 Técnicas de classificação de imagens
O que é a classificação de imagens?
• “É o processo de extração de informação em imagens para reconhecer padrões ealvos homogêneos, sendo utilizado em Sensoriamento Remoto para mapear áreasda superfície terrestre que correspondem aos temas de interesse.”
• Utiliza atributos espectrais das imagens (p.ex. o ND ou o valor de radiância);
• Associa a cada elemento de imagem um “rótulo”;
• Produto final mapa com os temas de interesse.
5/284 Técnicas de classificação de imagens
Atributos Espectrais
• São atributos associados a cada“pixel” ou “região” da imagemque variam em função docomprimento de onda (banda)
• Exemplo de atributos espectrais:ND, reflectância, radiância;
• Alvos distintos apresentam feiçõesespectrais que os distinguem dosdemais alvos na imagem.
6/284 Técnicas de classificação de imagens
Qual a sua finalidade?
• Utilizada na maioria dos casos parafins de mapeamento em geral;
• Análise multi temporal de alvos;
• Possibilidade de extração deinformações adicionais: calculo deáreas, estimativas de produção,detecção de mudanças ao longo dotempo...
7/284 Técnicas de classificação de imagens
Técnicas de classificação de imagens
• Subdividido em duas categorias classificadores “pixel” a “pixel” e classificadorespor regiões (objetos);
• “pixel a pixel”: utilizam apenas a informação espectral de cada pixel;
• Regiões: além da informação espectral, utilizam informação de relação com ospixels vizinho;
• Podem ser unidimensionais (1 única banda) ou multi espectrais (mais de umabanda).
8/284 Técnicas de classificação de imagens
Seg
men
tado
rC
lass
ifica
dor
Bandas2
ImagemClassificada
ImagemSegmentada
Atributosde Região
Classificador
Classificação:1
9/284 Técnicas de classificação de imagens
Etapas da classificação
• Definição dos objetivos;
• Seleção do classificador;
• Treinamento;
• Classificação;
• Pós classificação (opcional);
• Avaliação do resultado.
10/284 Técnicas de classificação de imagens
Definição dos objetivos e seleção do classificador
• Qual pergunta se busca responder?
• Qual o nível de detalhamento necessário (escala)?
• Qual a precisão do estudo?
• Quais recursos financeiros disponíeis?
• Qual imagem irei utilizar?
• Qual software irei utilizar?
11/284 Técnicas de classificação de imagens
Treinamento do classificador
• (1) Supervisionado e (2) não Supervisionado;
(1) Método Supervisionado:
- Necessidade de conhecimento prévio de áreas utilizadas no treinamento;
- Coleta da assinatura espectral nas imagens áreas de treinamento;
- Classificação de toda a imagem.
12/284 Técnicas de classificação de imagens
(1) Método Supervisionado:
- Treinamento: são identificadas áreas detreinamento onde há uma descrição dosatributos espectrais de cada tipo decobertura de interesse na imagem;
- Classificação: cada pixel é classificadoem função de seus atributos espectrais(similaridade);
- Resultado: mapas temáticos, tabelascom dados estatísticos para as váriasclasses de cobertura de solo e dados paraposterior utilização em geoprocessamento.
13/284 Técnicas de classificação de imagens
(1) Método Supervisionado Técnicas utilizadas:
(A) Máxima Verossimilhança (MAXVER):
- Este método avalia quantitativamente a variância e covariância dos padrões espectraisde cada pixel;
- Supõe que os dados de treinamento possuem distribuição de probabilidade normal“Gaussiana”;
- Padrões de resposta: vetor de médias e uma matriz de covariância;
- Calculo da probabilidade de um pixel pertencer a uma dada classe.
14/284 Técnicas de classificação de imagens
(1) Método Supervisionado Técnicas utilizadas:
(A) Máxima Verossimilhança (MAXVER):
- A distribuição de probabilidade para cadaclasse é definida com base nos valores dasamostras de treinamento;
- Limite de decisão: indica a % de "pixels" dadistribuição de probabilidade de uma classe queserá classificada como pertencente a esta classe;
- Para diminuir a confusão entre as classesaconselha-se a aquisição de amostrassignificativas de alvos distintos.
A B
Valor ND
Pro
babi
lidad
e
Limite de decisão
C
16/284 Técnicas de classificação de imagens
(1) Método Supervisionado Técnicas utilizadas:
(A) Máxima Verossimilhança (MAXVER) Vantagens e Limitações:
- Método mais preciso dentre os classificadores “pixel” a “pixel”;
- Leva em consideração a variância das classes;
- Custoso computacionalmente.
17/284 Técnicas de classificação de imagens
1 Método Supervisionado Técnicas utilizadas:
(A) Distância Mínima:
- Uma das estratégia mais simples de classificação de imagens caso particular doMAXVER;
- Determina-se para cada banda da imagem e para cada classe de interesse a médiados valores nas áreas de treinamento;
- “Pixels” desconhecidos são classificados em função da distância em relação ao valormédio da classe;
- Diferentes métricas de distância podem ser utilizadas.
19/284 Técnicas de classificação de imagens
(A) Distância Mínima: Exemplo para um caso utilizando 2 bandas
20/284 Técnicas de classificação de imagens
(1) Método Supervisionado Técnicas utilizadas:
(A) Distância Mínima Vantagens e Limitações:
- Computacionalmente mais simples (baixo custo computacional);
- Insensibilidade aos diferentes graus de variância dos dados;
- Não aconselhado para mapear classes que possuem comportamento espectralsemelhante.
22/284 Técnicas de classificação de imagens
(2) Método não Supervisionado:
- Este método assume que os níveis de cinza (ouo valor de qualquer outro atributo espectral) deuma imagem formam uma série de agrupamentosou “clusters”;
- Clusters comportamento homogêneo;
- 3 processos principais:
- Seleção de variáveis- Seleção de critério de distância;- Seleção de critério de agrupamento.
24/284 Técnicas de classificação de imagens
(2) Método não Supervisionado:
- Critérios de agrupamento K-médias:
1 - Estabelecimento de centros de grupos iniciais;
2 - Distribuição dos pixels entre os grupos usando a distância Euclidiana;
3 - Calculo dos centros de grupos existentes média dos pixels do grupo;
4 – Os passo 2 e 3 são repetidos até que não haja mais trocas nos centros degrupos ou que se atinja o número máximo de iterações.
25/284 Técnicas de classificação de imagens
(2) Método não Supervisionado:
- Critérios de agrupamento K-médias:
Parâmetros:
- Número de Clusters (classes);
- % de mudança;
- Número de iterações.
Inicio
Inicializa centros de grupos
Determina rótulos de grupos para todos os
pixels
Calculo dos novos centros Saída
26/284 Técnicas de classificação de imagens
(2) Método não Supervisionado:
K-médias Vantagens e Limitações:
- Independência de limiares fornecidos pelo usuário;
- Depende de uma boa estimativa para o número de grupos presentes naimagem;
27/284 Técnicas de classificação de imagens
(3) Método Manual:
- Método simples;
- Acurácia geralmente maior do que métodos automatizados;
- Depende da habilidade do especialista em distinguir visualmente os alvos naimagem;
- Mais demorado que os métodos automatizados;
- Geralmente utilizada na pós classificação;
- Inviável para grandes áreas.