CLASSIFICAÇÃO DIGITAL DE IMAGENS

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

Por que usá-la?

 Para traduzir a variabilidade contínua de

dados de imagem em padrões de mapa que
resultam em algum significado para o usuário

 Para obter uma visão dos dados em relação à

cobertura do solo e às características da
superfície
CLASSIFICAÇÃO MULTIESPECTRAL

Por que usá-la? (vantagens)

 Custo eficiente na análise de grandes

conjuntos de dados
 Resultados podem ser reproduzidos
 Mais objetivo que interpretação visual
 Análise efetiva de complexas inter-relações
multi-bandas (espectrais)
DADOS DE IMAGEM

A
B

 PIXEL A: 34,25,117
 PIXEL B: 11,77,51
 PIXEL C: 33,24,119
CLASS FREQUENCY DISTRIBUTION

Clara distinção das classes A e B

Frequência

Class A

Class B

Classe / Banda 1

Sobreposição entre as classes

Frequência

Class A

Class B

Classe / Banda 1
ESPAÇO AMOSTRAL MULTI-DIMENSIONAL

Vetores de feições e.g.

(34, 25, 117)
(34, 24, 119)
REPRESENTAÇÃO DO ESPAÇO AMOSTRAL

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

 SELECIONAR ALGORÍTIMO DE CLASSIFICAÇÃO

APROPRIADO

 VERIFICAR PRECISÃO DA CLASSIFICAÇÃO

ANALISANDO AMOSTRAS

Os pontos a, b e c são centros

dos clusters A, B e C. A linha
ab é a distância entre os
centros dos clusters A e B.

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

Média e Desvio Padrão Espaço amostral particionado

255 255

Band 2 Band 2

0 0
0 Band 1 255 0 Band 1 255

Particionamento do Espaço Amostral – Classificação de Caixas

DISTÂNCIA MÍNIMA PARA A MÉDIA

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

Vetores de média Band 2

255

0
Band 2 0 Band 1 255

255

0
0 Band 1 255

Band 2

Particionamento do Espaço Amostral –

Classificador por Distância Mínima da Média 0
0 Band 1 255
Distância de Limiar
CLASSIFICADOR DE MÁXIMA VEROSSIMILHANÇA
Contornos de Equiprobabilidade

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

Particionamento do Espaço Amostral –

Classificador de Máxima Verossimilhança
0
0 Band 1 255
SPOT 2002 RGB 342 ENSCHEDE 6
SAMPLES
EXEMPLO DE ÁREAS AMOSTRADAS
ESPAÇO AMOSTRAL
CLASSIFICAÇÃO DE CAIXAS ( = PARALELEPÍPEDOS )
DISTÂNCIA MÍNIMA PARA A MÉDIA
VEROSSIMILHANÇA MÁXIMA
COMPARAÇÃO VM - DM

Distância Mínima Máxima Verossimilhança

PROBLEMAS NA CLASSIFICAÇÃO DE IMAGENS

 VARIABILIDADE ESPECTRAL

 PIXELS MISTURADOS

 VALIDAÇÃO
NÚMERO E TAMANHO DE AMOSTRAS

 Número de pixels amostrados para cada classe

N + 1 N = número de bandas
(Richards and Jia, 2006)

 Sugestão Prática:
 mínimo 10N
 Máximo 100N
(Swain and Davis, 1978)
REFERÊNCIAS

 Domaç, A. and Süzen, M.L. 2006 Integration of environmental

variables with satellite images in regional scale vegetation
classification. Int. J. Remote Sens. 27, 1329 –1350.
 Lillesand, T.M., Kiefer, R.W. and Chipman, J.W. 2008 Remote
sensing and image interpretation. 6th edn. Wiley & Sons, New
York.
 Richards, J.A. and Jia, X. 2006 Remote Sensing Digital Image
Analysis, 4th edn, Springer-Verlag, Berlin.
 Swain, P. H., and Davis, S. M., 1978, Remote Sensing: The
Quantitative Approach, McGraw-Hill, New York.