Iana Alexandra Alves Rufino

Slides:



Advertisements
Apresentações semelhantes
João Luiz Fernandes e Aura Conci Universidade Federal Fluminense
Advertisements

Técnicas de Descrição Regional Baseadas em Texturas
Paulo Sérgio Rodrigues PEL205
ESTATÍSTICA ESPACIAL Fenômeno natural
INTELIGÊNGIA COMPUTACIONAL
Operações envolvendo imagens
Reconhecimento de Padrões Métodos, Técnicas e Ferramentas para Aprendizado e Classificação de Dados Módulo II Introdução ao Processamento de Imagens.
10º CAPÍTULO Segmentação de imagem.
Utilização do Sensoriamento Remoto
MARCOS EUGÊNIO PIRES DE AZEVEDO LOPES TERESA S. AQUIJE CHACALTANA
Filtros de Convolução (Processamento de Imagens)
Segmentação de imagens
The Cyclops Project German-Brazilian Cooperation Programme on IT CNPq GMD DLR Visão Computacional Prof. Dr. rer.nat. Aldo von Wangenheim.
Segmentação de imagens
Rosangela Sampaio Reis
Universidade Federal de Alagoas Centro de Tecnologia - CTEC ArcToolbox Carlos Ruberto Fragoso Júnior 1.
Michele Mengucci CVRM-Centro de Geo-Sistemas IST Lisboa
O COEFICIENTE DE HURST E O COEFICIENTE DE VARIAÇÃO ESPACIAL NA SEGMENTAÇÃO DE TEXTURAS MULTIESPECTRAIS Dra Aura Conci Éldman Oliveira Nunes.
Reconhecimento de Padrões Segmentação
Reconhecimento de Padrões Dissimilaridade
Leonardo de Paula Batista Benevides
Ismael Andrade Pimentel Departamento da Eng. Mec
Iana Alexandra Alves Rufino
FLG Análise Espacial e Geoprocessamento
Paulo Sérgio Rodrigues PEL205
Edição Matricial ATRAVÉS DA FERRAMENTA SPRING Mauricio Alves Moreira
Processamento de Imagens
Introdução ao Processamento Digital de Imagens
Professor Laerte Guimarães Ferreira, PhD
Integrando Textura e Forma para a Recuperação de Imagens por Conteúdo
Filtragem Espacial É baseado na aplicação de máscaras na imagem.
Filtro Linear-Máscaras
Nome: Rafael Baeta Orientador: Dr. David Menotti
- Soluções em Geoprocessamento
Sensoriamento Remoto: uma breve introdução
CLUSTERING: UMA REVISÃO AOS ALGORITMOS BÁSICOS
Disciplina Geoprocessamento Aplicado ao Planejamento
Interpolação de imagem
Segmentação de Imagens
Segmentação de Imagens
3. Segmentação de Imagens
GEOPROCESSAMENTO Aula 5: Processamento de imagens e fotointerpretação
Processamento de Imagens
Introdução ao Processamento Digital de Imagens Clayton de Medeiros Vasconcelos Centro Brasileiro de Pesquisas Físicas CAT- Out
Revisão Geral Técnicas de Realce Histogramas
Processamento Digital de Imagens
Analise de Texturas Dinâmicas Baseado nos trabalhos de Gianfranco Doretto e Stefano Soatto Autor : Igor Goulenko.
REDES NEURAIS ARTIFICIAIS Mapa Auto-Organizável de Kohonen (Self-Organizing Map - SOM) pertence a classe de redes neurais não-supervisionadas que se baseiam.
Aula 8. Classificação Não Supervisonada por Regiões
Introdução ao Processamento Digital de Imagens
Segmentação de Fundo Marcelo Gonella
Algemiro Augusto Professor: Marcelo Gattass
Avaliação de métodos de busca de texturas em bases de dados Miguel Galves
Digital Image Processing, 2nd ed. © 2002 R. C. Gonzalez & R. E. Woods 3 Representação da Imagem Digital O espectro eletromagnético.
Introdução ao Processamento Digital de Imagens
Biometria Reconhecimento de Assinaturas
Digital Image Processing, 2nd ed. © 2002 R. C. Gonzalez & R. E. Woods 3 Representação da Imagem Digital O espectro eletromagnético.
Estruturas de dados Tabela Vectorial Matricial Rede triangular irregular.
Universidade Federal do Rio Grande do Sul Instituto de Pesquisas Hidráulicas Programa de Pós-Graduação em Recursos Hídricos e Saneamento Ambiental Trabalho.
Segmentação de imagens segmentação Pré-processamento descrição / análise Não existe uma única e definitiva abordagem ao problema da segmentação A descrição.
Tópicos Avançados em Processamento de Imagens e
Análise Digital de Imagens
Marcos Corrêa Neves Gilberto Câmara Renato M. Assunção
Classificação de Imagens
Processamento de Imagens e Computação Gráfica
Estatística: Aplicação ao Sensoriamento Remoto SER ANO 2016 Apresentação da Disciplina Camilo Daleles Rennó
Programa de Pós-Graduação em Demografia do Cedeplar-UFMG, Belo Horizonte, 08 a 12 de Agosto de 2011 Martin Handford, Where´s Wally? Oficina-Curso: Abordagens.
Laboratório de Classificação Supervisionada Laboratório de Geoprocessamento do Departamento de Engenharia de Transportes da EPUSP setembro de 2011.
CLASSIFICAÇÃO EM IMAGENS MULTIESPECTRAIS. Classificação em imagens multiespectrais Imagens multiespectrais Espaço de atributos Classificação Seleção de.
Processamento Digital de Imagens
Transcrição da apresentação:

Iana Alexandra Alves Rufino iana_alex@uol.com.br Classificação Iana Alexandra Alves Rufino iana_alex@uol.com.br

Classificação Conceitos Básicos Classificação Supervisionada X Classificação Não Supervisionada Tipos de Classificadores

Classificação Conceitos básicos Classificação é o processo de extração de informação em imagens para reconhecer padrões e objetos homogêneos; O resultado final de um processo de classificação é uma imagem digital que constitui um mapa de "pixels" classificados, representados por símbolos gráficos ou cores;

Classificação Conceitos básicos O processo de classificação digital transforma um grande número de níveis de cinza, em um pequeno número de classes em uma única imagem; Técnicas de classificação que podem ser aplicadas apenas a um canal : classificações unidimensionais; Técnicas em que o critério de decisão depende da distribuição de níveis de cinza, em vários canais espectrais:classificação multiespectral

Classificação Supervisionada O analista “supervisiona” a categorização dos pixels; O analista indica ao computador a que classe de cobertura terrestre os pixels pertencem, criando assim uma chave de interpretação (áreas de treinamento); Nesse tipo de classificação é necessário algum conhecimento da área a ser classificada.

Classificação Supervisionada Idealmente algumas observações de campo podem ser realizadas; As observações de campo são usadas como padrão de comparação para decidir a qual classe pertencem todos os pixels desconhecidos da imagem; Quando não é possível a observação de campo, algumas inferências tornam-se necessárias.

Classificação Não Supervisionada O computador agrega os diferentes níveis de cinza em diferentes grupos; Após a classificação, o analista associa as diferentes classes com dados de campo.

Tipos de Classificadores Classificação Tipos de Classificadores Classificadores "pixel a pixel": Utilizam apenas a informação espectral de cada pixel para achar regiões homogêneas; Podem ser subdivididos em: métodos estatísticos (utilizam regras da teoria de probabilidade) e determinísticos (não utilizam probabilidade).

Tipos de Classificadores Classificação Tipos de Classificadores Classificadores “por regiões”: Utilizam, além de informação espectral de cada "pixel", a informação espacial que envolve a relação com seus vizinhos; Procuram simular o comportamento de um foto- intérprete, reconhecendo áreas homogêneas de imagens, baseados nas propriedades espectrais e espaciais de imagens; A informação de borda é utilizada inicialmente para separar regiões e as propriedades espaciais e espectrais irão unir áreas com mesma textura.

Tipos de Classificadores Classificação Tipos de Classificadores Classificadores “por regiões”: Deve ser realizada uma segmentação da imagem, anterior à fase de classificação, onde são extraídos os objetos relevantes para a aplicação desejada; A divisão em “porções”, consiste basicamente em um processo de crescimento de regiões, de detecção de bordas ou de detecção de bacias.

Segmentação: Crescimento de Regiões Detecção de bordas Classificação Segmentação: Crescimento de Regiões É uma técnica de agrupamento de dados, na qual somente as regiões adjacentes, espacialmente, podem ser agrupadas. Detecção de bordas A extração de bordas é realizada por um algoritmo de detecção de bordas (Filtro de Sobel). Detecção de bacias A classificação por detecção de bacias é feita sobre uma imagem resultante da extração de bordas .

Segmentação: Crescimento de Regiões Classificação Segmentação: Crescimento de Regiões A medida de Similaridade está baseada na distância Euclidiana entre os valores médios dos níveis de cinza de cada região; Duas regiões são consideradas distintas se a distância entre suas médias for superior ao limite de Similaridade escolhido; Regiões com área menor que o mínimo escolhido são absorvidas pelas regiões adjacentes mais similares a estas

Campina Grande 1989: Segmentação a partir das Bandas 5,4, e 3

Etapas para a Classificação: Criar uma imagem segmentada Criar o arquivo de Contexto Executar o treinamento Analisar as amostras Extração de regiões Classificação Executar a Classificação Executar uma Pós-classificação Executar o Mapeamento para Classes

Campina Grande 1989: Classificação a partir das Bandas 5,4, e 3

Campina Grande 2000: Classificação a partir das Bandas 5,4, e 3