WESTINGA
CLASSIFICAÇÃO DE IMAGENS
Tópicos principais:
O que é e para quê usá-la?
Espaço amostral
Distâncias no espaço amostral
Limites de decisão no espaço
amostral
Não-supervisionado versus
supervisionado
Exemplos
Algorítimos de classificação
Problemas
CLASSIFICAÇÃO MULTIESPECTRAL
O que é?
Agrupando feições similares
Separar feições distintas
Colocando rótulos de classe nos pixels
Obtendo tamanho manipulável de
classes
Dados de Dados
imagem temáticos
CLASSIFICAÇÃO MULTIESPECTRAL
A
B
PIXEL A: 34,25,117
PIXEL B: 11,77,51
PIXEL C: 33,24,119
CLASS FREQUENCY DISTRIBUTION
Frequência
Class A
Class B
Classe / Banda 1
Class A
Class B
Classe / Banda 1
ESPAÇO AMOSTRAL MULTI-DIMENSIONAL
Banda Infravermelha
Banda Vermelha
REPRESENTAÇÃO DO ESPAÇO AMOSTRAL
DISTÂNCIAS E CLUSTERS NO ESPAÇO AMOSTRAL
.
.... .
band y
(units of 5 DN)
Max y
.
...
.
(0,0) band x (units of 5 DN) Min y
Euclidian distance
(0,0) Min x Max x
Cluster
MÉTODOS DE CLASSIFICAÇÃO
MANUAL
Interpretação visual
Combinação de informações espectrais e
espaciais
POR COMPUTADOR
Majoritariamente informações espectrais
CLASSIFICAÇÃO SUPERVISIONADA E NÃO-SUPERVISIONADA
TÉCNICA NÃO-SUPERVISIONADA
Considera apenas as medidas de distância
espectral
Interação mínima do usuário
Requer interpretação depois da
classificação
Baseada em grupamentos espectrais
TÉCNICA SUPERVISIONADA
Incorpora conhecimento prévio
Requer amostras
Baseada em grupamentos espectrais
Maior interação do usuário
CLASSIFICAÇÃO NÃO-SUPERVISIONADA
(CLUSTERING)
Algorítimo de Clustering
Parâmetros de cluster definidos
pelo usuário
Média dos vetores de classe
arbitrariamente definidos pelo
algorítimo
Itera até o limiar de
convergência
Alocação final de classe
Relatório estatístivo dos clusters
Recodifica/agrupa em classes
com significado
Espaço amostral!
PROCESSO DE CLASSIFICAÇÃO
CLASSIFICAÇÃO SUPERVISIONADA
Collect samples
Define decision
boundaries
Assign a class
label to pixels
(170,180) = Areia
(60,40)= Água
CLASSIFICAÇÃO SUPERVISIONADA
ETAPAS PRINCIPAIS
RECOLHER AMOSTRAS
Definir classes
Recolher amostras representativas de cada classe
Analisar as amostras antes da classificação
Sobreposição entre os
clusters A e B
CLASSIFICAÇÃO DE CAIXAS
CARACTERÍSTICAS
Considera apenas os limites
superior e inferior do cluster
Demanda computacional simples
e rápidacomputation is simple
and fast
DESVANTAGENS
Caixas que se sobrepõe
Adaptação grosseira à forma do
cluster
CLASSIFICAÇÃO DE CAIXAS
255 255
Band 2 Band 2
0 0
0 Band 1 255 0 Band 1 255
CARACTERÍSTICAS
Ênfase no local de centro do
cluster
Rótulo de classe considerando
a distância mínima para os
centros de cluster
DESVANTAGENS
Evita a presença de variáveis
dentro das classes
Formas e tamanhos dos clusters
não são importantes
CLASSIFICADOR POR DISTÂNCIA MÍNIMA DA MÉDIA
255
0
Band 2 0 Band 1 255
255
0
0 Band 1 255
Band 2
CARACTERÍSTICAS
Considera a variabilidade
dentro de um cluster
Considera a forma, o
tamanho e a orientação dos
clusters
DESVANTAGENS
Maior demanda
computacional
Baseado na premissa de
que as Funções de
Densidade de
Funções de Densidade de Probabilidades (Lillesand et al, 2008)
Probabilidades são
normalmente distribuídas
CLASSIFICADOR DE MÁXIMA VEROSSIMILHANÇA
255
Vetores de média e
matrizes de variância- Band 2
covariância
255
0
0 Band 1 255
Band 2
255
0
0 Band 1 255
Band 2
VARIABILIDADE ESPECTRAL
PIXELS MISTURADOS
VALIDAÇÃO
NÚMERO E TAMANHO DE AMOSTRAS
N + 1 N = número de bandas
(Richards and Jia, 2006)
Sugestão Prática:
mínimo 10N
Máximo 100N
(Swain and Davis, 1978)
REFERÊNCIAS