Classificação de imagens 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

Realce de Contraste SPRING Básico

Realce de Contraste Uma função mapeia os pixels com um valor x para um novo valor y O resultado depende da forma da função SPRING Básico

Realce de contraste: Linear define uma função de transferência linear maior a inclinação da reta þ maior o realce imin imax SPRING Básico

Raiz quadrada Realça as áreas escuras da imagem Inclinação da reta decresce dos valores escuros para os claros SPRING Básico

Quadrado Realça as áreas claras da imagem A inclinação da curva aumenta dos valores mais escuros para os mais claros SPRING Básico

Logaritmo Realça as áreas escuras da imagem ( intervalo menor do que a raiz quadrada) SPRING Básico

Negativo Função de mapeamento inverso Transforma áreas claras em escuras e vice-versa SPRING Básico

Equalização de Histograma O histograma da imagem de saída aproxima-se de um histograma uniforme SPRING Básico

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

Edição A função de transferência é definida livremente pelo usuário SPRING Básico

Composição colorida Associar cores a diferentes planos de informação Normalmente os PIs correspondem a bandas de freqüência de imagens de satélite

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

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 Cian Tons de cinza Magenta Cada ponto dentro do cubo corresponde a uma tripla (a1, a2, a3) ® cor SPRING Básico

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

Composição Falsa Cor TM 3 B TM 4 R TM 5 G SPRING Básico

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 SPRING Básico

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 reflectancia

Verifique se combina com o comportamento esperado b1 b2 b3 b4 b5 b7 reflectancia

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

reflectancia b1 b2 b3 b4 b5 b7

Clusters (muitos pixels) Banda 4 Banda 3

Classificação supervisionada Definir classes em que se deseja classificar a imagem. Delimitar regiões em que estas classes se manifestam (áreas de treinamento). Analisar as estatísticas de cada uma das classes com base na amostra obtida das áreas de treinamento. 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 Solo nu Floresta Água Queimada 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 Solo nu Floresta Água Queimada 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 a11 a12 a13 a14 m1 Em1 a21 a22 a23 a24 m2 Em2 a31 a32 a33 a34 m3 Em3 a41 a42 a43 a44 m4 Em4 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

% da amostra em relação à toda imagem Metodologia: amostras de treinamento Classes Nº 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%

Comparação de diferentes classificações usando índice Kappa Resultados e Análises: índice Kappa Janela 3x3 Janela 5x5 Janela 7x7 Sem 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 0.7893 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 0.6654 0.6644 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 0.789 0.7867 0.7871 0.7829 RN_2345_12N 0.7287 0.7837 0.7984 0.8075 0.8127 0.8137 0.8132 0.8139 0.8102 RN_2345_24N 0.7115 0.7472 0.7541 0.7664 0.7667 0.7651 0.7634 0.759 Comparação de diferentes classificações usando índice Kappa

Resultados e Análises: matriz de confusão(sem filtro) Máxima Verossimilhança Cultivado Banhado Água Mato Mata Ciliar Campo Total Erro Inclusão 2953 4 229 5 124 3319 0.1103 234 1093 277 494 490 4887 7475 0.8538 141 1222 9 10 133 1515 0.1934 520 164 7409 528 555 9309 0.2041 46 57 26 607 2318 359 3413 0.3208 119 484 58 260 210 63838 64969 0.0174 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 Mato Mata Ciliar Campo Total Erro Inclusão 3032 5 590 95 3727 0.1865 47 766 245 151 139 1459 2807 0.7271 2 143 1237 14 15 150 1561 0.2076 104 13 85 5821 246 158 6427 0.0943 471 189 77 1944 2783 1295 6759 0.5883 216 796 102 488 378 66739 68719 0.0288 3872 1912 1751 9008 3561 69896 90000 Erro Omissão 0.2169 0.5994 0.2935 0.3538 0.2185 0.0452 0.1069

3 filtragens com janela 7x7pixels 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 com janela 7x7pixels

Utilize um filtro de moda para Utilize um filtro de moda para retirar pixels isolados da imagem classificada

Classificação com imagens multitemporais