Laboratório de Classificação Supervisionada Laboratório de Geoprocessamento do Departamento de Engenharia de Transportes da EPUSP setembro de 2011.

Apresentação em tema: "Laboratório de Classificação Supervisionada Laboratório de Geoprocessamento do Departamento de Engenharia de Transportes da EPUSP setembro de 2011."— Transcrição da apresentação:

1 Laboratório de Classificação Supervisionada Laboratório de Geoprocessamento do Departamento de Engenharia de Transportes da EPUSP setembro de 2011

2 Conceitos

3 Espaço de Atributos

4 Classificação Supervisionada Baseada no conhecimento prévio da área em análise. Amostras de treinamento.

5 Classificação Supervisionada – Máxima verossimilhança Adaptado de Clevers, 1999

6 Classificação em imagens multiespectrais Classificação supervisionada: etapas – definição das classes – segmentação/não supervisionada – treinamento ou supervisão – escolha do algoritmo de classificação – alocação de novos pixels/indivíduos – avaliação (teste) da classificação – aplicação

7 Classificação em imagens multiespectrais: Supervisionada - Definição das classes Definição das classes: ·pelas necessidades do usuário · impostas pela região/aplicação

8 Classificação Segmentação Abordada na aula anterior

9 Classificação Treinamento “Treinar” o algoritmo; Coleta de amostras para cada classe; Quanto maior a exatidão das amostras, melhor serão os resultados.

10

11

12

13

14 Classificação Amostras de Treinamento

15 Classificação Supervisionada Imagem CBERS, São Paulo, 2008 Classificação Maxver Vegetação densa Vegetação rasteira Água Área urbana Asfalto, amianto

16 Classificação Supervisionada Imagem CBERS, São Paulo, 2008 Classificação Maxver Vegetação densa Vegetação rasteira Água Área urbana Asfalto, amianto

17 Classificação em imagens multiespectrais: Supervisionada - Escolha do algoritmo Escolha do algoritmo de classificação <= regras de decisão –Paramétricas: conhecidas as propriedades estatísticas das classes (vetores de média, matriz de covariância, etc.) –Não paramétricas: funções não lineares ou subdivisão geométrica/matemática do espaço de feições

18 Classificação em imagens multiespectrais: Supervisionada - Escolha do algoritmo Escolha do algoritmo (regras de decisão) de classificação: – paramétricas: máxima verossimilhança, Bayes, Ward –não paramétricas: paralelepípedo, centróide (MNM), vizinho mais distante, vizinho mais próximo (k-NN)

19 Classificação em imagens multiespectrais: Supervisionada - Escolha da medida de distância Escolha da medida de separação (distância) entre as classes (no espaço de atributos): – Euclidianas: angular, city block – Estatísticas: Mahalanobis, divergência, Bhattacharya, Jeffreys - Matusita

20 Classificação em imagens multiespectrais: Supervisionada - Escolha dos valores limites Escolha dos valores limites (“threshold values”): –máxima distância admissível para classificar um pixel numa determinada classe ·distância geométrica ·número de desvios padrões referentes àquela classe

21 Classificação em imagens multiespectrais: Classificação Supervisionada - Regras de decisão Regras (superfícies) de decisão: –Objetivos (em função das imagens disponíveis): ·garantir a separabilidade das classes ·permitir a classificação de novos pixels

22 Classificação em imagens multiespectrais: Classificação Supervisionada - Regras de decisão Regras (superfícies) de decisão: –Necessidades: ·algoritmo de classificação ·medida de distância entre as classes ·valores limites (“threshold values”)

23 Classificação em imagens multiespectrais: Supervisionada - Exemplos regras de decisão Exemplos de regras de decisão: – máxima verosimilhança: X  w i se p(X\ w i ) P( w i ) > p(X\ w k ) P( w k ), i  k –vizinho mais próximo: : X  w i se dist | X - (m w ) i | é mínima

24 Classificação Supervisionada - Mínima distância Adaptado de Clevers, 1999

25 Classificação Supervisionada – Vizinho mais próximo Adaptado de Clevers, 1999

26 Classificação Supervisionada – Máxima verossimilhança Adaptado de Clevers, 1999

27 Classificação Supervisionada – Método do paralelepípedo Adaptado de Clevers, 1999 DN banda 4 DN banda 3 água telha cerâmica solo exposto grama floresta asfalto

28 Classificação em imagens multiespectrais: Supervisionada - Avaliação da classificação Avaliação da classificação: –homogeneidade da amostra de treinamento –concordância entre o que é conhecido e o resultado da classificação (Qui-quadrado, Kappa)

29 Classificação em imagens multiespectrais: Classificação Supervisionada - Distribuição normal

30 Classificação em imagens multiespectrais: Classificação Supervisionada - Classe de rejeitados

31 Classificação Avaliação Matriz de erro ou confusão: –Verdade de campo x classificação; –Índices de desempenho geral e por classe: Erro de omissão; Erro de comissão; –Coeficiente Kappa.

32 Classificação Avaliação VerdadeC1C2C3C4C5C6Total C1897308756517331395 C265347141105026684 C307110131371322 C400181173249216 C520101127294127651 C6003120325340 Total9646624485573466313608 VerdadeAcurácia %Omissão %Comissão % C164.335.76.9 C250.749.247.5 C334.165.875.4 C454.145.878.9 C545.854.815 C695.54.448.4 Acurácia total da classificação = ( Total de acertos / Total) * 100% = 57,9% Erro de omissão = 1- Acurácia Cx Erro de comissão = (65/964) * 100% = 6.9%

33 Classificação em imagens multiespectrais: Supervisionada - Avaliação da classificação

34 Classificação em imagens multiespectrais: Superv. - Avaliação da classificação