Processamento Digital de Imagens

Apresentação em tema: "Processamento Digital de Imagens"— Transcrição da apresentação:

1 Processamento Digital de Imagens
Segmentação

2 PDI - Segmentação e Classificação
a imagem é particionada em regiões que devem corresponder às áreas (objetos) de interesse da aplicação PDI - Segmentação e Classificação

3 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

4 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

5 Crescimento de Regiões: exemplo
PDI - Segmentação e Classificação

6 Crescimento de Regiões:exemplo
TM-Lansdat JERS-1 PDI - Segmentação e Classificação

7 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

8 Métodos baseados em bordas
Sobel Roberts Laplaciano Cany Watershed PDI - Segmentação e Classificação

9 Laplaciano da gaussiana
Segunda derivada da função gaussiana pontos de borda  cruzamentos por zero PDI - Segmentação e Classificação

10 Laplaciano da Gaussiana
PDI - Segmentação e Classificação

11 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

12 Imagem representada como relevo
PDI - Segmentação e Classificação

13 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

14 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

15 PDI - Segmentação e Classificação
Pastagem [0 - 92] Floresta [ ] Regeneração [ ] PDI - Segmentação e Classificação

16 Classificação (floresta densa: relevo plano x relevo ondulado)
PDI - Segmentação e Classificação

17 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

18 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

19 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

20 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

21 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

22 PDI - Segmentação e Classificação
Áreas de Treinamento Pastagem Regeneração Floresta JERS-1 IMAGE Date: 26/06/93 PDI - Segmentação e Classificação

23 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

24 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

25 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

26 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

27 PDI - Segmentação e Classificação
Classificador MAXVER Cada classe é modelada por uma distribuição de probabilidade normal PDI - Segmentação e Classificação

28 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

29 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

30 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

31 Classificação: pixel x região
PDI - Segmentação e Classificação

32 Matriz de classificação
N Desempenho médio: 89.37 Abstenção média: Confusão média: classe 1: floresta classe 2: cerrado classe 3: rio classe 4: desmatam. N: não classificados PDI - Segmentação e Classificação

33 Análise de Amostras (Floresta)
Classes Floresta Cerrado Rio Desmatamento 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

34 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

35 Índice Kappa (conceito)
Coeficiente Kappa e o correspondente conceito do desempenho da classificação PDI - Segmentação e Classificação