CLASSIFICAÇÃO DE
IMAGENS
SIG
Profa. Dra. Maria Isabel Castreghini de Freitas
[email protected]
Profa. Dra. Andréia Medinilha Pancher
[email protected]
O que é classificação?
• É o processo de extração de informações
em imagens para reconhecer padrões e
objetos homogêneos que são utilizados
para mapear áreas da superfície terrestre
as quais correspondam aos temas de
interesse.
• Associa cada pixel da imagem a um
“rótulo” descrevendo um objeto real.
Dessa forma, obteremos um mapa
temático, o qual mostrará a distribuição
geográfica de um tema, por exemplo a
vegetação e uso da terra.
Classificação de Imagens
Apesar da técnica de interpretação visual ser muito utilizada, há uma
tendência de utilização da classificação computacional, devido a
rapidez e facilidade em obter resultados (CROSTA, 1992).
No processo de classificação de dados digitais, os elementos
presentes na superfície terrestre são conhecidos por classes temáticas.
Quando uma imagem é classificada, os pixels são rotulados de acordo
com a ocupação do solo.
Para o propósito, utilizam-se os classificadores.
A rotulação dos valores dos níveis de cinza é efetuada utilizando-se
algoritmos estatísticos (programas computacionais) de reconhecimento
de padrões espectrais.
A classificação subdivide-se em supervisionada e não-supervisionada,
dependendo do algoritmo que será aplicado. Ambos os casos
demandam duas fases: a do treinamento e a da classificação.
(MOREIRA, 2003)
Classificação de imagens
Procedimentos prévios para a realização da
classificação:
Levantamento de campo, a fim de coletar amostras
para o treinamento dos classificadores.
Interpretação das imagens em tela do computador,
selecionando-se uma parte da área de estudo, a fim
de se conhecer as características físicas e antrópicas
de uma área piloto, servindo de padrão de
comparação (verdade terrestre) para a posterior
classificação supervisionada dos alvos urbanos.
Resultado da Classificação Digital
• É apresentado por classes espectrais (áreas
que possuem características espectrais
semelhantes), uma vez que um alvo
dificilmente é caracterizado por uma única
assinatura espectral.
• É constituído por um mapa de "pixels"
classificados, representados por símbolos
gráficos ou cores.
• O processo de classificação digital transforma
um grande número de níveis de cinza de cada
banda espectral em um pequeno número de
classes em uma única imagem.
Técnicas de Classificação
• classificações unidimensionais:
técnicas aplicadas a um canal espectral
(uma banda da imagem)
• classificação multiespectral: o critério
de decisão depende da distribuição de
níveis digitais (ou níveis de cinza) em
vários canais espectrais (várias bandas)
• Regra Geral: “No geral, quanto maior o
número de bandas espectrais, maior
será a precisão da classificação”
Classificadores
• Classificadores "pixel a pixel”: usam de forma
individual a informação espectral de cada pixel na
busca por regiões homegêneas.
• Ex: Máxima Verossimilhança (MAXVER), MAXVER – ICM,
Distância Mínima (distância euclidiana) e Paralelepípedo.
• Classificadores por regiões: utilizam a
informação espectral de cada pixel e a relação
espacial de vizinhança entre pixels (áreas
homogêneas espectrais e espaciais da imagem)
• O SPRING usa os classificadores: ISOSEG, Battacharya e
ClaTex (não supervisionados) para classificar as regiões
de uma imagem segmentada.
Tipos de Classificação
• SUPERVISIONADA (Pixel a Pixel)
•
•
•
•
Paralelepípedo
Distância Mínima
MAXVER
MAXVER-ICM (considera a vizinhança)
• NÃO SUPERVISIONADA (por regiões)
• ISOSEG
• SUPERVISIONADA (por regiões)
• Bhattacharya
• ClaTex
Classificação Supervisionada
• Tipo de classificação que demanda o conhecimento
prévio de alguns aspectos da área – verdade
terrestre.
• Tais áreas são padrão de comparação com as quais
todos os pixels desconhecidos serão comparados e,
posteriormente, classificados.
• Nessa classificação, o treinamento diz respeito ao
reconhecimento da assinatura espectral de cada
uma das classes de uso do solo da área da
imagem.
• Para alguns classificadores (algoritmos), esse
reconhecimento abrange a obtenção de parâmetros
estatísticos (média, matriz de covariância, etc.) de
cada classe presente na área. Para outros
necessita-se somente do nível mínimo e máximo de
níveis de cinza. (CROSTA, 1992)
Treinamento
• Área de treinamento: a área da imagem que o usuário
identifica como representante de uma das classes em
estudo.
• Os limites da área de treinamento são traçados
diretamente sobre a imagem, no monitor de vídeo do
sistema de processamento de imagens. (Crosta, 1992)
• Treinamento é o reconhecimento da assinatura espectral
das classes.
• Formas de treinamento: supervisionado e nãosupervisionado.
• Área de treinamento = amostra homogênea da classe com
toda a variabilidade dos níveis de cinza.
• Recomenda-se que o usuário adquira mais de uma área de
treinamento, utilizando o maior número de informações
disponíveis, como trabalhos de campo, mapas, etc.
• O número de "pixels" de treinamento de uma classe
aumenta com a complexidade da área e do tema em
estudo.
Métodos de Classificação
Supervisionada
Limite de aceitação
de uma classificação,
no ponto onde as
duas distribuições se
cruzam. Desta forma,
um "pixel" localizado
na região sombreada,
apesar de pertencer à
classe 2, será
classificado como
classe 1, pelo limite
de aceitação
estabelecido.
Fonte: Jensen, 1996
Métodos de Classificação
Supervisionada: Paralelepípedo
• Considera uma área, na forma de
quadrado ou paralelepípedo, no espaço
de atributos ao redor do conjunto de
treinamento;
• O algoritmo considera um intervalo de
valores (nível de cinza) dentro de cada
categoria na área de treinamento,
definidos como valores mínimo e
máximo para cada banda espectral.
Métodos de Classificação
Supervisionada: Distância Mínima
• O classificador examina as “distâncias”
entre um pixel e as médias das classes e
atribui o pixel à classe que apresentar a
menor distância;
• Se a distância do pixel é maior do que a
distância de qualquer categoria definida
pelo analista, o pixel permanecerá como
não classificado ou “desconhecido”.
Métodos de Classificação
Supervisionada: MAXVER
• Considera a ponderação das distâncias entre
médias dos níveis de cinza das classes,
utilizando parâmetros estatísticos.
• Utiliza estatísticas de treinamento para calcular
a probabilidade de um pixel pertencer a uma
determinada classe.
• Examina a função de probabilidade de um pixel
para cada classe e atribui o pixel à classe com a
maior probabilidade.
• Geralmente fornece classificações com as
melhores precisões.
• Para que a classificação por máxima
verossimilhança seja precisa o suficiente, é
necessário um número elevado de "pixels", para
conjunto de treinamento.
MAXVER
• Este método parte
do princípio que o
usuário conhece
bem a temática e
a região da
imagem a ser
classificada para
poder definir
classes
representativas.
Fonte: CORREIA et al., 2004
Classificador MAXVER-ICM
• Enquanto o classificador MAXVER associa classes
considerando pontos individuais da imagem, o
classificador MAXVER-ICM (Interated Conditional Modes)
considera também a dependência espacial na
classificação.
• Em uma primeira fase, a imagem é classificada pelo
algoritmo MAXVER atribuindo classes aos "pixels",
considerando os valores de níveis digitais.
• O algoritmo atribui classes a um determinado "pixel",
considerando a vizinhança interativamente. Este
processo é finalizado quando a % de mudança
(porcentagem de "pixels" que são reclassificados)
definida pelo usuário é satisfeita.
• O SPRING fornece 5%, 1% e 0.5% para valores de
porcentagem de mudanças. Um valor 5% significa que a
reatribuição de classes aos "pixels" é interrompida quando
até 5% do total de "pixels" da imagem foi alterado.
Classificação Não-Supervisionada
• Quando o usuário utiliza algoritmos para reconhecer as
classes presentes na imagem, a classificação é dita nãosupervisionada.
• Ao definir áreas para a classificação não-supervisionada,
o usuário não deve se preocupar com a homogeneidade
das classes.
• As áreas escolhidas devem ser heterogêneas para
assegurar que todas as possíveis classes e suas
variabilidades sejam incluídas.
• Os "pixels" dentro de uma área são submetidos a um
algoritmo de agrupamento ("clustering") que determina o
agrupamento do dado, numa feição espacial de dimensão
igual ao número de bandas presentes. Este algoritmo
assume que cada grupo ("cluster") representa a
distribuição de probabilidade de uma classe.
Classificação Supervisionada e
não-Supervisionada
Os dois tipos de classificação possuem regras de
decisão para que o classificador associe certo pixel a
certa classe ou regiões de similaridade de níveis de
cinza. Essas regiões consideram as características
espectrais do pixel (classificação pixel-a-pixel) ou do
pixel e seus vizinhos (classificação por região). Se por
um lado, na classificação pixel-a-pixel o pixel é
considerado de forma isolada, na classificação por
região considera-se tanto a informação espectral do
pixel, como também a de seus vizinhos. Este último
classificador procura simular o comportamento de um
fotointérprete ao reconhecer áreas homogêneas dentro
da imagem. O algoritmo mais utilizado é o de máxima
verossimilhança (MAXVER) (MOREIRA, 2003)
Segmentação da Imagem
• É o processo de divisão de uma imagem em
regiões uniformes - conjuntos de pixels contíguos
- que devem corresponder às áreas de interesse.
• A segmentação pode ser feita por:
• crescimento de regiões, através de detecção de
bordas: O crescimento de regiões utiliza medidas
estatísticas de similaridade e agregação para realizar o
agrupamento de dados.
• por detecção de bacias: A classificação por detecção
de bacias deve ser feita sobre uma imagem resultante
da extração de bordas (filtro de Sobel) e pressupõe uma
certa representação topográfica para a imagem.
• A imagem rotulada resultante da segmentação
deve ser classificada através de classificadores
por regiões.
Segmentação da Imagem
A técnica da segmentação multi-resolução baseia-se
na fusão de regiões que extrai objetos de contraste
local, sendo que, no início, cada pixel é considerado
como um único objeto de imagem e em cada iteração
os objetos são unidos para formar objetos maiores de
acordo com o critério de homogeneidade que
descreve a semelhança entre objetos adjacentes.
(Machado e Caetano, 2004)
Segmentação da Imagem
• A estratégia da segmentação seguida da
classificação aproxima-se muito do procedimento de
interpretação visual, pois primeiramente delimitamse unidades homogêneas da paisagem e depois
atribuí-se um código.
• Além disso, o mapa resultante não apresenta um
aspecto salpicado como ocorre na classificação
pixel-a-pixel, evitando-se operações de pósprocessamento ou generalização. (CAETANO,
SOUZA e GONÇALVES, 2007).
Segmentações sobrepostas à imagem
Segmentador com parâmetros de
similaridade = 8 e área = 20.
Fonte: CORREIA et al., 2004
Segmentador com parâmetros de
similaridade = 12 e área = 50.
Classificadores
Por Regiões
• ISOSEG
(automático)
• É um algoritmo de
agrupamento de
dados nãosupervisionado,
aplicado sobre o
conjunto de regiões,
que por sua vez são
caracterizadas por
seus atributos
estatísticos de
média, matriz de
covariância, e a
área.
Fonte: CORREIA et al., 2004
Classificadores
Por Regiões
• K-médias
• É um classificador não
– supervisionado que
utiliza uma abordagem
de agrupamento. O
espaço de atributos da
imagem é partido em
K grupos. A partir
dessa situação inicial,
cada pixel da imagem
é alocado ao centro
mais próximo segundo
a distância euclidiana.
Fonte: CORREIA et al., 2004
Classificadores
Por Regiões
Battacharya (requer
treinamento)
A medida da
distância de
Battacharya mede a
separabilidade
estatística entre um
par de classes
espectrais. Ou seja,
mede a distância
média entre as
distribuições de
probabilidades de
classes espectrais.
Fonte: CORREIA et al., 2004
Fonte: CORREIA et al., 2004
Classificadores por Regiões
ClaTex (requer treinamento)
É um algoritmo supervisionado que utiliza atributos
texturais das regiões de uma imagem segmentada. A
classificação é realizada pela técnica de agrupamento
de regiões a partir de uma medida de similaridade
entre elas.
Classificadores por Regiões
Orientada a Objetos
Integra as informações de pixels vizinhos, deixando-se de
analisar cada pixel isoladamente para trabalhar-se com
regiões relativamente homogêneas, através da classificação
orientada a segmentos. (Alves e Vergara, 2005)
Considera a análise da relação de um objeto com seus
objetos vizinhos.
O objeto é o elemento da imagem constituído de relações
espaciais, os quais podem ser agregados à objetos maiores,
criando-se níveis de segmentação.
A lógica de orientação a objeto considera as características
semânticas dos objetos, que podem ser analisadas segundo
seus aspectos geométricos (topologia, forma e posição) e
temáticos (atributos não espaciais dos objetos). (ANTUNES
e STURM, 2005)
Classificadores por Regiões
Orientada a Objetos
Permite o conhecimento do analista e a utilização de
parâmetros de cor, forma, textura e relações de vizinhança
na classificação de imagens.
Antes de realizar este tipo de classificação, é necessário
realizar a segmentação das imagens, pois permite a
delimitação dos objetos que serão classificados em seus
níveis de detalhes, considerando-se tanto a dimensão
espectral quanto a espacial.
Para isto, o processo de segmentação deve ser moldado
em função da resolução da imagem e da escala esperada
para os objetos. (Pinho, Feitosa e Kux, 2005)
Classificação MAXVER pixel a pixel
X
Orientada a Objetos
A classificação MAXVER pixel-a-pixel detecta melhor as classes de
vegetação e de água, porém há grande confusão entre as classes
que apresentam comportamento espectral semelhantes: cobertura
cerâmica X solo exposto; pavimentação X concreto/amianto
escuro.
Já na classificação orientada a objetos, esta confusão é
minimizada devido à introdução de parâmetros espaciais (forma e
topologia) e da utilização do dado auxiliar eixo das ruas durante os
processos de segmentação e classificação. A classificação
orientada também demonstra melhor identificação da classe
sombra, permitindo uma definição visual dos objetos mais refinada.
Entre os dois métodos, há maior preservação das formas dos alvos
de interesse na classificação orientada a objetos, ao passo que o
resultado da classificação MAXVER pixel-a-pixel denota uma
aparência granulada. (CAETANO, SOUZA e GONÇALVES, 2007)
Considerações Gerais
• Estudos urbanos - as cidades apresentam uma variedade de
cobertura num reduzido espaço, ocorrendo alterações
significativas inter e intrapixel. Nessa área, há diversos alvos,
como: concreto das construções, asfalto que recobre as ruas e
avenidas, telhados de vários materiais, solo exposto, grama,
árvores, dentre outros. Grande parte dessas superfícies é menor
do que a resolução de um pixel de alguns sensores orbitais como:
LANDSAT, TM, ETM, SPOT-PAN. (Freitas e Costa, 2003)
• No meio urbano, a baixa resolução espectral, pode ser superada
pelo maior aproveitamento da resolução espacial, considerando-se
que os objetos existentes na cidade são mais distinguíveis pela
resolução espacial.
• Nessa realidade, novos métodos de classificação aparecem como
alternativas aos métodos tradicionais. Os novos algoritmos de
classificação se baseiam não somente na informação espectral de
cada pixel, mas também na informação espacial que envolve a
relação entre os pixels e seus vizinhos (contexto). (Souza et al.,
2003)
Referências Bibliográficas
ANTUNES, A. F. B.; STURM, U. Segmentação orientada a objeto aplicado ao
monitoramento de ocupações irregulares em áreas de preservação
ambiental. In.: Simpósio Brasileiro de Sensoriamento Remoto, vol. 12, Anais.
Goiânia, INPE, 15 a 21 abr., p. 2.019-2.026, 2005.
CAETANO, M.; SANTOS, T.; GONÇALVES, L. Cartografia de ocupação do
solo com imagens de satélite: estado da arte. Disponível em:
www.igeo.pt/serviços/CDI/biblioteca/publicaçõesIGP_files/esig_2002/papers.
Acessado em: 10 mar., 2007.
CORREIA, V. R. de M. Uma aplicação dopSensoriamento Remoto para a
investigação de endemias urbanas. Disponível em:
www.scielo.br/img/revistas/csp/v23n5/04f1.gif. Acessado em: 04/05/2009.
CROSTA, A. P. Processamento Digital de Imagens de Sensoriamento
Remoto. Campinas: IG/UNICAMP, ISBN 85-853-690-27, 1992.
FREITAS, R.N.; COSTA, S.M.F. da. A utilização de fotografias aéreas na
avaliação das transformações sócio-espaciais ocorridas na zona sul da
cidade de São José dos Campos/SP, de 1962-1997. In.: SIMPÓSIO
BRASILEIRO DE SENSORIAMENTO REMOTO, n.11. 2003. Belo Horizonte.
INPE. Anais. 05 a 10 de abril de 2003, p. 1811-1818.
Referências Bibliográficas
MACHADO, F.; CAETANO, M. Detecção de alterações de ocupação do
solo com uma abordagem orientada por objetos. Disponível em:
www.igeo.pt/IGEO/portugues/serviços/CDI/biblioteca/publicaçoesIGP_files/
ESIG_2004.pdf. Acessado em: 10 mar. 2007.
MOREIRA, M.A. Fundamentos de Sensoriamento Remoto e Metodologias de
Aplicação. 2ª ed. Viçosa, UFV, 2003
PINHO, C.M.D. de; FEITOSA, F. da F.; KUX, H. Classificação automática de cobertura do
solo urbano em imagem IKONOS: comparação entre a abordagem pixel-a-pixel e
orientada a objetos. In.: SIMPÓSIO BRASILEIRO DE SENSORIAMENTO REMOTO, n. 12.
Goiânia. Anais. INPE, p. 4.217-4.224, 2005
SOUZA, I.M. e, et al. Mapeamento do uso do solo urbano através da classificação por
regiões baseada em medidas texturais. In.: SIMPÓSIO BRASILEIRO DE
SENSORIAMENTO REMOTO, n. 11. Belo Horizonte. Anais. INPE, p. 1967-1968, 2003.