Processamento Digital de Imagens Segmentação
PDI - Segmentação e Classificação a imagem é particionada em regiões que devem corresponder às áreas (objetos) de interesse da aplicação PDI - Segmentação e Classificação
PDI - Segmentação e Classificação regiões conjunto de "pixels" contíguos e que apresentam uniformidade em relação a um dado atributo (textura, média, variância). Métodos: por crescimento de regiões (similaridade) detecção de bordas (descontinuidades) PDI - Segmentação e Classificação
Crescimento de Regiões Cada pixel é inicialmente rotulado como uma região as regiões espacialmente adjacentes são agrupadas segundo algum critério de similaridade (A - B < Limiar) O processo é repetido até que nenhum outro agrupamento possa ser feito gera regiões com contornos fechados elimina regiões com número de pixels pequeno Principal desvantagem: erros nos contornos das regiões pixels de borda podem ser agregados à uma das regiões vizinhas PDI - Segmentação e Classificação
Crescimento de Regiões: exemplo PDI - Segmentação e Classificação
Crescimento de Regiões:exemplo TM-Lansdat JERS-1 PDI - Segmentação e Classificação
Segmentação baseada em bordas As bordas na imagem caracterizam os contornos dos objetos Pontos de borda pixels com variações abruptas de níveis de cinza presença de “buracos” nas bordas duas regiões diferentes são agregadas sensível às variações locais dos níveis de cinza contornos não são fechados PDI - Segmentação e Classificação
Métodos baseados em bordas Sobel Roberts Laplaciano Cany Watershed PDI - Segmentação e Classificação
Laplaciano da gaussiana Segunda derivada da função gaussiana pontos de borda cruzamentos por zero PDI - Segmentação e Classificação
Laplaciano da Gaussiana PDI - Segmentação e Classificação
Detecção de bacias (watershed) Gera uma imagem gradiente extração de contornos perseguição de bordas sobre a imagem gradiente (idéia de inundação) Rotulação PDI - Segmentação e Classificação
Imagem representada como relevo PDI - Segmentação e Classificação
PDI - Segmentação e Classificação É o processo de reconhecimento de padrões (objetos) Como resultado de uma classificação cada ponto (ou região) da imagem é mapeado para um tema ou classe símbolos ou cores PDI - Segmentação e Classificação
PDI - Segmentação e Classificação Espaço de Atributos ... ....... ...... .. água mata urbana Banda 1 Banda 2 Os elementos de imagem pertencentes a um mesmo objeto (classe) aparecem plotados como uma nuvem de pontos (aglomerado) Os três aglomerados de pontos definem três diferentes alvos PDI - Segmentação e Classificação
PDI - Segmentação e Classificação Pastagem [0 - 92] Floresta [126 -255] Regeneração [93 - 125] PDI - Segmentação e Classificação
Classificação (floresta densa: relevo plano x relevo ondulado) PDI - Segmentação e Classificação
Projeto de um classificador O espaço de atributos é dividido em regiões de decisão correspondentes a classes distintas identifica-se o ponto na imagem como pertencente a classe correspondente à região de decisão em que ele cai dentro ... ....... ...... .. água mata urbana Banda 1 Banda 2 PDI - Segmentação e Classificação
PDI - Segmentação e Classificação Regiões de Decisão d ... ....... .. . ...... c ... ....... ...... .. urbana Banda 2 ... ....... ...... .. mata água a b Banda 1 pontos da imagem multiespectral com NC na banda 1 no intervalo [a,b] e na banda 2 no intervalo [c,d] área urbana padrões de uma classe formam agregados no espaço de atributos PDI - Segmentação e Classificação
Tipos de Classificadores Supervisionado o usuário dispõe de informações (amostras) que identificam cada classe de interesse não-supervisionado utiliza algoritmos para reconhecer as classes presentes na imagem PDI - Segmentação e Classificação
Tipos de Classificadores classificadores “pixel a pixel” usa informação espectral isoladamente de cada pixel classificadores por regiões usa informação espectral de cada "pixel" e a informação espacial ("pixels" vizinhos). PDI - Segmentação e Classificação
Treinamento Supervisionado O usuário deve identificar na imagem uma área representativa de cada classe amostras As amostras devem ser homogêneas Deve-se adquirir mais de uma área de treinamento (10 a 100 pixels por classe) PDI - Segmentação e Classificação
PDI - Segmentação e Classificação Áreas de Treinamento Pastagem Regeneração Floresta JERS-1 IMAGE Date: 26/06/93 PDI - Segmentação e Classificação
PDI - Segmentação e Classificação Classificador por Regiões (ISOSEG) Algoritmo de agrupamento de dados não-supervisionado Segmenta a imagem Para cada região calcula: vetor média, matriz de covariância e área Seleciona uma região (R) como semente da classe (usa-se área para seleção) (R, R, A R) Classifica as demais regiões distância de Mahalanobis entre o vetor de médias da região e a distribuição da classe Repete o procedimento para as regiões não classificadas PDI - Segmentação e Classificação
PDI - Segmentação e Classificação Distância Euclidiana Compara o NC do pixel à média de cada agrupamento (ponto a ponto) Medida de similaridade: distância Euclidiana O pixel é incorporado ao aglomerado mais similar (menor distância Euclidiana) PDI - Segmentação e Classificação
Distância de Bhattacharyya Mede a distância média entre as distribuições de probabilidade i e j (classes espectrais i e j) Distância normalizada entre as médias das classes Avalia a diferença entre as distribuições PDI - Segmentação e Classificação
Distância Mahalanobis considera a distância entre um ponto e a distribuição de probabilidade da classe ( ) S - + = i t m x d w ln 1 2 , Se as covariâncias das classes são iguais i= ln |i|=0 Se =2I classificador da mínima distância Euclidiana PDI - Segmentação e Classificação
PDI - Segmentação e Classificação Classificador MAXVER Cada classe é modelada por uma distribuição de probabilidade normal PDI - Segmentação e Classificação
PDI - Segmentação e Classificação Classificador MAXVER probabilidade de um pixel pertencer a uma classe depende da posição do pixel em relação a distribuição. L rejeição PDI - Segmentação e Classificação
PDI - Segmentação e Classificação Classificação MAXVER região onde as duas curvas sobrepõem-se um determinado pixel tem igual probabilidade de pertencer às duas classes 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 % 1% serão ignorados (os de menor probabilidade) PDI - Segmentação e Classificação
PDI - Segmentação e Classificação Classificação MAXVER Uma matriz de classificação ideal valores da diagonal principal próximos a 100%. não houve confusão entre as classes Para diminuir a confusão entre as classes análise das amostras PDI - Segmentação e Classificação
Classificação: pixel x região PDI - Segmentação e Classificação
Matriz de classificação N 1 2 3 4 1 4.7 94.3 0.0 0.0 0.9 2 1.1 0.0 82.3 0.0 16.6 3 0.0 13.3 0.0 86.7 0.0 4 3.8 0.0 4.7 0.0 91.5 Desempenho médio: 89.37 Abstenção média: 3.15 Confusão média: 7.48 classe 1: floresta classe 2: cerrado classe 3: rio classe 4: desmatam. N: não classificados PDI - Segmentação e Classificação
Análise de Amostras (Floresta) Classes Floresta 90 50 87 Cerrado 5 50 0 Rio 5 0 0 Desmatamento 0 0 10 amostra 1: floresta (90%) 5% como cerrado (5%) e rio (5%) amostra confiável. amostra 2: confusão entre floresta e cerrado deve ser eliminada PDI - Segmentação e Classificação
Avaliação da Classificação (índice Kappa) r : número de linhas ou colunas da matriz de confusão : número de observações dos elementos da diagonal da matriz : soma dos valores da linha i : soma dos valores da coluna i N : número total de observações PDI - Segmentação e Classificação
Índice Kappa (conceito) Coeficiente Kappa e o correspondente conceito do desempenho da classificação PDI - Segmentação e Classificação