Classificação de Imagens

Apresentação em tema: "Classificação de Imagens"— Transcrição da apresentação:

1 Classificação de Imagens
Carolina Morais Letícia Lopes Maílson Braga Marcell da Silveira Ricardo Figueiredo

2 Classificação Classificação é o processo de extração de “informação” em imagens para reconhecer padrões e objetos homogêneos; Usados para mapear áreas da superfície terrestre que apresentam um mesmo significado em imagens digitais.

3 Classificação Cada pixel tem as coordenadas espaciais x, y e a coordenada espectral L, que representa a radiância de um alvo no intervalo de comprimento de onda de uma banda espectral.

4 Classificação Classificação unidimensional: As técnicas de classificação são aplicadas apenas a um canal espectral, ou seja, banda da imagem; Classificação multiespectral: Quando o critério de decisão depende da distribuição de níveis de cinza em vários canais espectrais.

5 Tipos de Análise Classificadores pixel a pixel:
Utilizam apenas a informação espectral de cada pixel para achar regiões homogêneas; Métodos estatísticos; Métodos determinísticos. Classificadores por regiões: Utilizam, além de informação espectral de cada "pixel", a informação espacial que envolve a relação com seus vizinhos; Para a classificação por regiões é preciso fazer a segmentação das imagens a serem classificadas.

6 Interface de Classificação

7 Treinamento Treinamento é o reconhecimento da assinatura espectral das classes. Existem basicamente duas formas de treinamento: Supervisionado; Não- supervisionado.

8 Treinamento Supervisionado
Quando existem regiões da imagem em que o usuário dispõe de informações que permitem a identificação de uma classe de interesse. Deve ser identificada na imagem uma área representativa de cada classe. A amostra deve ser homogênea.

9 Treinamento Não-supervisionado
Quando o usuário utiliza algoritmos para reconhecer as classes presentes na imagem. O usuário não deve se preocupar com a homogeneidade das classes. Os "pixels“ são submetidos a um algoritmo de agrupamento ("clustering") que determina o agrupamento do dado.

10 Amostras Aquisição Teste Participam realmente do classificador;
Podem ser utilizadas como teste. Teste São utilizadas apenas como estudo; Geralmente são aquisições imperfeitas.

11 Amostras Contorno das amostras: Retangular Poligonal Região

12 Tipos de Classificador
Maxver (Máxima Verossimilhança) Baseado no princípio de que a classificação errada de um pixel particular não tem mais significado do que a classificação incorreta de qualquer outro pixel na imagem. O resultado do Maxver é tanto melhor quanto maior o número de pixels numa amostra de treinamento. O método Maxver deve ser aplicado quando o analista conhece bem a imagem a ser classificada, para que possa definir classes que sejam representativas.

13 Tipos de Classificador
Maxver-ICM (Interated Conditional Modes) Associa classes considerando pontos individuais da imagem e também a dependência espacial na classificação. 1ª Fase: Classificação pelo algoritmo Maxver. 2ª Fase: Leva-se em conta a informação contextual da imagem. Este processo é finalizado quando a porcentagem de mudança definida pelo usuário é satisfeita.

14 Distância euclidiana É um procedimento de classificação supervisionada que utiliza esta distância para associar um "pixel" a uma determinada classe. Na classificação, cada "pixel" será incorporado a um agrupamento, através da análise da medida de similaridade de distância Euclidiana, que é dada por: d (x,m) = (x2 - m2) 1/2 onde: x = "pixel" que está sendo testado m = média de um agrupamento N = número de bandas espectrais O classificador compara a distância Euclidiana do "pixel" à média de cada agrupamento. O "pixel" será incorporado ao agrupamento que apresenta a menor distância Euclidiana. Este procedimento é repetido até que toda a imagem seja classificada. KMedias

15 Limiar de aceitação Os conjuntos de treinamento definem o diagrama de dispersão das classes e suas distribuições de probabilidade, considerando a distribuição de probabilidade normal para cada classe do treinamento. Para duas classes (1 e 2) com distribuição de probabilidade distintas, as distribuições representam a probabilidade de um "pixel" pertencer a uma ou outra classe, dependendo da posição do "pixel" em relação a esta distribuição. Ocorre uma região onde as duas curvas sobrepõem-se, indicando que um determinado "pixel" tem igual probabilidade de pertencer às duas classes. Nesta situação estabelece-se um critério de decisão a partir da definição de limiares.

16 Exemplo de limite de aceitação de uma classificação, no ponto onde as duas distribuições se cruzam. Um "pixel" localizado na área sombreada, apesar de pertencer à classe 2, será classificado como classe 1.

17 O limiar de aceitação indica a % de "pixels" da distribuição de probabilidade de uma classe que será classificada como pertencente a esta classe. Um limite de 99%, por exemplo, engloba 99% dos "pixels", sendo que 1% serão ignorados (os de menor probabilidade), compensando a possibilidade de alguns "pixels" terem sido introduzidos no treinamento por engano, nesta classe, ou estarem no limite entre duas classes. Um limiar de 100% resultará em uma imagem classificada sem rejeição, ou seja, todos os "pixels" serão classificados. Para diminuir a confusão entre as classes, ou seja, reduzir a sobreposição entre as distribuições de probabilidades das classes, aconselha-se a aquisição de amostras significativas de alvos distintos e a avaliação da matriz de classificação das amostras.

18 A matriz de classificação apresenta a distribuição de porcentagem de "pixels" classificados correta e erroneamente. No exemplo a seguir, apresenta-se uma matriz de classificação com as porcentagens de 4 classes definidas na aquisição de amostras, os valores de desempenho médio, abstenção (quanto não foi classificado) e confusão média.

19 Desempenho médio: 89.37 Abstenção média: 3.15 Confusão média: 7.48 O valor de N representa a quantidade de cada classe (porcentagem de "pixels") que não foi classificada. A classe 1 corresponde à floresta, a classe 2 ao cerrado, a classe 3 ao rio e a classe 4 ao desmatamento.

20 Análise de amostras Uma matriz de classificação ideal deve apresentar os valores da diagonal principal próximos a 100%, indicando que não houve confusão entre as classes. Contudo esta é uma situação difícil em imagens com alvos de características espectrais semelhantes. O valor fora da diagonal principal, por exemplo 13.3 (classe linha 3 e coluna 1), significa que 13.3% da área da classe "rio" amostrada foi classificada como classe 1 (floresta). O mesmo raciocínio deve ser adotado para os outros valores. Para diminuir a confusão entre as classes, aconselha-se a análise das amostras.

21 Os valores em porcentagem indicam que na amostra 1, 90% dos "pixels" são classificados como floresta, 5% como cerrado e 5% como rio, o que resulta em uma amostra confiável. Por sua vez, a amostra 2 apresentou uma confusão de 50% entre as classes floresta e cerrado, indicando que esta deve ser eliminada.

22 Pós classificação Aplica-se este procedimento em uma imagem classificada, com o objetivo de uniformizar os temas, ou seja, eliminar pontos isolados, classificados diferentemente de sua vizinhança. Com isto, gera-se um imagem classificada com aparência menos ruidosa.

23 Peso e limiar O peso varia de 1 a 7 e define o número de vezes que será considerada a freqüência do ponto central. O limiar varia também de 1 a 7 e é o valor de freqüência acima do qual o ponto central é modificado. A definição de peso e limiar dependerá da experiência do usuário e das características da imagem classificada. Quanto menor o peso e menor o limiar, maior o número de substituições que serão realizadas. Em uma janela de 3 x 3 "pixels", o ponto central é avaliado quanto à freqüência das classes (temas), em sua vizinhança. De acordo com os valores de peso e limiar definidos pelo usuário, este ponto central terá ou não sua classe substituída pela classe de maior freqüência na vizinhança. Por exemplo, para a janela de uma imagem classificada será avaliado o "pixel" central pertencente à classe 2. Considera-se um peso e um limiar iguais a 3.

24 A tabela acima é a frequência de classes e indica que a classe 1 ocorre uma vez; a classe 3 ocorre três vezes e a classe 5, quatro vezes. A freqüência da classe 2 é considerada 3, pelo fato do peso definido ser 3. O limiar igual a 3 fará com que o ponto central (de classe 2) seja atribuído à classe 5, cuja freqüência (4) é maior que o limiar definido. A janela classificada com seus temas uniformizados torna-se:

25 Mapeamento Cria um mapa temático a partir de uma imagem classificada.

26 Prática- Classificação de imagem
1º Passo: Criar um Banco de Dados ; 2º Passo: Ativar o projeto ; 3º Passo: Selecione a categoria Imagem e ative os três PI’s em que cada um representará uma banda diferente.

27

28 4º Passo: Clique em Imagem>Classificação

29 5º Passo: Clique em “Criar...”na janela de classificação;
6º Passo: Dê um nome, selecione o tipo de análise ( pixel ou região), clique sobre as três bandas e a seguir mande executar

30

31 7º Passo: Novamente na janela de classificação no campo Contextos, selecione o contexto que você criou e a seguir clique em “Treinamento...” ; 8º Passo: Na janela Treinamento dê nomes aos temas que você deseja classificar em sua imagem e selecione uma cor para cada nome e clique em criar

32 9º Passo: Clique sobre um tema e a seguir adquira as imagens, determinando o tipo de contorno (Retangular ou Poligonal). Depois vá na imagem e demarque as áreas que devem pertencer ao tema. Repita esta operação para outros temas. E depois clique em Salvar e Fechar.

33

34 10º Passo: Clique em “Classificação. ”
10º Passo: Clique em “Classificação...”. Na janela que se abre, selecione o tipo de classificador (neste caso usaremos o Maxver), depois o limiar de aceitação (neste caso será 99%).

35 11º Passo: Clique em Análise de Amostras e verifique o desempenho de sua amostragem se estiver perto de 100% ela foi boa. Clique em Salvar e depois Fechar.

36 12º Passo: Voltando a janela de Classificação de Imagens, dê um nome ao PI da Imagem de Saída. Depois clique em Executar.

37 13º Passo: Na janela Classificação, clique no ícone “Pós-Classificação
13º Passo: Na janela Classificação, clique no ícone “Pós-Classificação...” e determine um Peso e uma Limiar e a seguir clique em Executar.

38 14º Passo: Está pronta a sua Classificação