Universidade do Estado de Santa Catarina
Departamento de Engenharia Civil
Classificação de Imagens
Profa. Adriana Goulart dos Santos
Extração de Informação da Imagem
 A partir de uma visualização das imagens, como por
exemplo, combinação colorida de três bandas, segue-se a
interpretação dos temas/classes/objetos de interesse
 A extração de informação depende do objetivo da
aplicação, e pode ser feita de diferentes formas, como a
interpretação visual e a classificação assistida por
computador semi-automática
Extração de Informação da Imagem
Classificação de imagens é um processo de reconhecimento
de padrões e objetos homogêneos.
 Ferramentas
de
geoprocessamento
oferecem
funcionalidades para executar a classificação usando
diferentes algoritmos.
 Como resultado cada ponto ou região da imagem é
mapeado para um tema.
Classificação de imagem
Usualmente, cada pixel é tratado como uma unidade
individual composta de valores em várias bandas espectrais.
Pela comparação de um pixel a outros pixels de
identidade conhecida, é possível agrupar aqueles cujas
reflectâncias espectrais são semelhantes em classes
mais ou menos homogêneas.
Estas classes formam regiões sobre um mapa ou imagem de
forma que, após a classificação, a imagem digital seja
apresentada como um mosaico de parcelas uniformes, em
que cada uma é identificada por uma cor ou símbolo
Classificação de imagem
A imagem classificada é definida a partir da análise da
imagem numérica, de forma que aqueles pixels que têm
valores espectrais semelhantes são agrupados em classes
espectralmente similares.
Por exemplo, a classe “A” (urbanização) pode ser formada
por pixels claros (altos valores de cinza) que variam de 70 a
130, e a classe “B” (água) ser formada por pixels escuros
(baixos valores de cinza) variando de 5 a 40.
Tipos de Classificadores
Quanto à unidade a ser classificada:
 Classificadores por PIXEL: classifica cada pixel
isoladamente mapeando-o para um dos temas de
treinamento baseado somente no seu valor.
 Classificadores por REGIÕES: classifica regiões (um
conjunto de pixels) mapeando todos os pixels que
formam a região para um mesmo tema baseando-se no
valor de todos os pixels que formam a região
Tipos de Classificadores
Quanto à intervenção do usuário:
 Classificadores supervisionados: o usuário informa apriori o conjunto de temas para as quais os pontos da
imagem serão mapeados (exige treinamento)
 Classificadores não supervisionados: o usuário não
fornece nenhuma informação a priori relativa ao conjunto
de temas para as quais deve-se mapear a imagem
– utiliza um algoritmo de agrupamento para determinar o
número de classes diferentes presentes na imagem
Classificadores por pixel
Classificadores por pixel (todos supervisionados):
–MaxVer : utiliza parâmetros estatísticos inferidos das
amostras de treinamento como critério de decisão sobre que
tema um pixel irá pertencer
–MaxVer-ICM: variação do MaxVer onde numa segunda
etapa a informação contextual é levada em conta. Pixels são
reclassificados de acordo com os temas atribuídos aos
vizinhos
–Distância Euclidiana: associa cada pixel a um tema cuja
distância euclidiana de seu valor ao valor médio da classe
(obtido das amostras) seja mínimo
Classificadores por regiões (SPRING)
Classificadores por regiões:
–Isoseg – Não supervisionado
As regiões são caracterizadas pela média, matriz de
covariância e sua área. São agrupadas por uma medida
de similaridade dada pela distância de Mahalanobis.
–Bhattacharya – Supervisionado
Usa as amostras de treinamento para estimar a função
densidade de probabilidade de cada classe buscada.
Cada região é mapeada para a classe cuja distância de
Battacharya entre elas seja menor.
Resumo classificadores implementados no SPRING
Processo de Treinamento
Cabe ao usuário definir os temas que irá classificar. Passos:
 Identificar amostras para cada um dos temas
–As amostras de um tema devem ser homogêneas
–As amostras devem conter toda a variabilidade espectral esperada para
cada tema
 Analisar as amostras antes da classificação
 Grau de confusão entre os temas
Classificação
 Escolher o classificador
 Executar o processo
 Observar os resultados
Pós-classificação - Refinamento
Mapeamento para classes temáticas
A imagem classificada continua pertencendo a categoria do
modelo IMAGEM
 O mapeamento de classes gera uma imagem temática em
alguma categoria do modelo TEMÁTICO
 Todos os temas obtidos no processo de classificação
devem ser mapeados para alguma classe da categoria do
modelo temático
Segmentação
Processo executado antes da Classificação por Regiões
 Segmentação: Identifica as regiões homogêneas dentro da imagem
 Região: um conjunto de pixels contíguos bi-direcionalmente que possuem
uma semelhança espectral
 Atributos estatísticos são usados
Segmentação no Spring
 Crescimento de regiões:
–Cada pixel é inicialmente rotulado como uma região
–Segundo um critério de similaridade regiões adjacentes vão
sendo agrupadas
–O processo é repetido até que nenhum outro agrupamento
possa ser feito
 Detecção de Bacias:
–Aplicar um filtro passa-alta na imagem, de modo a realçar as
transições associando-as aos níveis de cinza mais altos,
–O processo é semelhante à inundação de uma área.
–As bordas das regiões correspondem aos locais onde a “água
transbordaria”