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