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
8
Realce de Contraste
• Uma função y  f (x) mapeia os pixels com um
valor x para um novo valor y
• O resultado depende da forma da função
h( y )
f (x )
h(x )
SPRING Básico
9
Realce de contraste: Linear
• define uma função de transferência linear
• maior a inclinação da reta  maior o realce
y  ax  b
imin
i
max Básico
SPRING
10
Raiz quadrada
• Realça as áreas escuras da imagem
• Inclinação da reta decresce dos valores escuros
y  f ( x)  a x
para os claros
SPRING Básico
11
Quadrado
• Realça as áreas claras da imagem
• A inclinação da curva aumenta dos valores mais
escuros para os mais claros 2
y  ax
SPRING Básico
12
Logaritmo
• Realça as áreas escuras da imagem ( intervalo
menor do que a raiz quadrada)
y  a log( x  1)
SPRING Básico
13
Negativo
• Função de mapeamento inverso
• Transforma áreas claras em escuras e vice-versa
y  (ax  b)
SPRING Básico
14
Equalização de Histograma
•
O histograma da imagem de saída
aproxima-se de um histograma uniforme
SPRING Básico
15
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
SPRING
cor seguindo a sequência
do Básico
arco-íris
16
Edição
• A função de transferência é definida
livremente pelo usuário
SPRING Básico
17
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
19
Representação das cores
(cubo de cores RGB)
G
(0,1,0)
(1,1,0)
Cian
(0,1,1)
(1,1,1)
Tons de cinza (1,0,0)
(0,0,0)
R
(0,0,1)
B
(1,0,1)
Magenta
Cada ponto dentro do cubo corresponde
a uma tripla (a1, a2, a3)  cor
SPRING Básico
20
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
21
Composição Falsa Cor
TM 3
B
TM 4
R
TM 5
G
SPRING Básico
22
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
23
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.
• 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.
reflectancia
Exercício
b1 b2 b3 b4 b5 b7
reflectancia
Verifique se combina com o
comportamento esperado
b1 b2 b3 b4 b5 b7
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
1. Definir classes em que se deseja classificar a
imagem.
2. Delimitar regiões em que estas classes se
manifestam (áreas de treinamento).
3. Analisar as estatísticas de cada uma das classes
com base na amostra obtida das áreas de
treinamento.
4. 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
1.
2.
3.
4.
5.
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
1.
2.
3.
4.
5.
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
A
a11
a12
a13
a14
m1
Em1
B
a21
a22
a23
a24
m2
Em2
C
a31
a32
a33
a34
m3
Em3
D
a41
a42
a43
a44
m4
Em4
Total
n1
n2
n3
n4
N
ErroOmissão
En1
En2
En3
En4
Classes Imagem Classificada
ni - Soma do número de pixels da coluna “i”
appa 
d  q  ,
N  q 
onde:
q
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
mi  ni
,
N
d  a11  a22    ann ,
EN
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%
Resultados e Análises: índice Kappa
Janela 3x3
Janela 5x5
Janela 7x7
Sem Filtro
1ª Filtro
2ª Filtro
3ª Filtro
1ª Filtro
2ª Filtro
3ª 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
0.7736
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
0.6669
0.6654
0.6644
0.6654
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
0.7893
0.789
0.7867
0.7871
0.7829
RN_2345_12N
0.7287
0.7837
0.7944
0.7984
0.8075
0.8127
0.8137
0.8132
0.8139
0.8102
RN_2345_24N
0.7115
0.7472
0.7541
0.7563
0.7626
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
Cultivado
2953
4
4
229
5
124
3319
0.1103
Banhado
234
1093
277
494
490
4887
7475
0.8538
Água
0
141
1222
9
10
133
1515
0.1934
Mato
520
133
164
7409
528
555
9309
0.2041
Mata Ciliar
46
57
26
607
2318
359
3413
0.3208
Campo
119
484
58
260
210
63838
64969
0.0174
Total
3872
1912
1751
9008
3561
69896
90000
Erro Omissão
0.2373
0.4283
0.3021
0.1775
0.3491
0.0867
Cultivado
Banhado
Água
Mato
Mata Ciliar
Campo
Total
Erro Inclusão
Cultivado
3032
5
5
590
0
95
3727
0.1865
Banhado
47
766
245
151
139
1459
2807
0.7271
Água
2
143
1237
14
15
150
1561
0.2076
Mato
104
13
85
5821
246
158
6427
0.0943
Mata Ciliar
471
189
77
1944
2783
1295
6759
0.5883
Campo
216
796
102
488
378
66739
68719
0.0288
Total
3872
1912
1751
9008
3561
69896
90000
Erro Omissão
0.2169
0.5994
0.2935
0.3538
0.2185
0.0452
Redes
Neurais
0.1241
0.1069
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