Transcript Spr - Faed
Processamento de Imagens - Classificação SPRING Básico Classificação É o processo de extração de informação da imagem para reconhecimento de padrões e objetos homogêneos Como resultado de uma classificação cada ponto (ou região) da imagem é mapeado para um tema. Pixels associados a temas (cores) 2 Espaço de Atributos • Os elementos de imagem pertencentes a um mesmo objeto (tema) aparecem plotados como uma nuvem de pontos (aglomerado) • Os três aglomerados de pontos definem três diferentes alvos ... ....... ...... ...... .. ... ....... ...... ...... .. urbana ... ....... ...... ...... .. mata água Banda 1 3 Classificadores Implementados no Spring 4 Nome Tipo de Análise (classificador) Tipo de Treinamento Isoseg Regiões Bhattacharya Regiões NãoSupervisionado Supervisionado MaxVer Pixel Supervisionado MaxVer-Icm Pixel Supervisionado Distancia Euclidiana Pixel Supervisionado Tipos de Classificadores 5 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 (outro critério) 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 – 6 utiliza um algoritmo de agrupamento para determinar o número de classes diferentes presentes na imagem Classificadores por pixel (SPRING) 7 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 Processo de Treinamento Identifica amostras para cada uma 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 água reflorestamento área urbana cultura 8 Pós-Classificação: refinamento Elimina pixels isolados Define-se um peso e um limiar Cada pixel é comparado com os seus vizinhos (3x3) Substitui o pixel pelo tema de maior frequência nessa vizinhança Depois EX: Peso 3 e Limiar 3 Imagem Classificada original 9 Antes 1 3 3 = 1 x 3 (peso) 4 Imagem Classificada modificada Mapeamento para Classes Temáticas 10 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 Passos para se executar uma classificação por PIXEL no Spring 1. 2. 3. 4. 5. 6. 1 Criar arquivo de contexto (bandas + método) Executar treinamento (criar amostras retangular / poligonal) Analisar amostras Classificar (criar imagem classificada) Executar pós-classificação (não Obrigatório) Mapear para classes temáticas (criar PI temático) Imagem 2 5 Mesmo PI Imagem Temático TREINAMENTO Matriz CLASSIFICAÇÃO Imagens Mono Bandas em NC 11 Matriz MAPEAMENTO I. Classificada 3/4 6 Matriz Mapa c/ classes Temáticas Temático M ->V Vetor Polígonos c/ classes Temáticas Exercício 9 - Mapa de Uso da Terra do Distrito Federal Exercício 9 12 Segmentação 13 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: – – – 14 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 Crescimento de Regiões:exemplo TMLansdat JERS-1 15 Classificadores por regiões SPRING 16 Isoseg – não-supervisionado – as regiões são caracterizadas pela média, matriz de covariância e por sua área – as regiões são agrupadas segundo uma medida de similaridade: distância de Mahalanobis Classificadores por regiões SPRING 17 Bhattacharya – supervisionado – usa as amostras (treinamento) para estimar a função densidade de probabilidade de cada classe – a região será mapeada para a classe cuja distância de Bhattacharya calculada entre elas seja menor Passos para se executar uma classificação por Região no Spring 1. 2. 3. 4. 5. 6. 7. 8. Executar a Segmentação (imagem rotulada vetor) Criar arquivo de contexto (bandas + método + Imagem Rotulada) Extrair informações estatísticas de média e variancia de cada região definida na imagem rotulada resultante da segmentação Executar treinamento (se classific. supervisionada) Analisar amostras (se classific. Supervisionada) Classificar (criar imagem classificada - Isoseg ou Bhattacharya) Executar pós-classificação (não Obrigatório) Mapear para classes temáticas (criar PI temático) 1 2 3 4 7 18 5/6 8 Passos para se executar uma classificação por Região no Spring Imagem Imagem SEG. Matriz Vetor I. Rotulada Imagens Mono Bandas em NC Imagem + Mesmo PI Imagem TREINAMENTO CLASSIFICAÇÃO Matriz MAPEAMENTO I. Classificada Matriz Imagens Mono Bandas em NC 19 Temático Temático Matriz M ->V Mapa c/ classes Temáticas Vetor Polígonos c/ classes Temáticas Exercício 10 20 Segmentação das imagens originais – B2,B3 e B4 Classificação não-supervisionada por região