UFGD FCA PROF. OMAR DANIEL BLOCO 6 CLASSIFICAÇÃO DE IMAGENS

Transcrição

1 UFGD FCA PROF. OMAR DANIEL BLOCO 6 CLASSIFICAÇÃO DE IMAGENS Obter uma imagem temática a partir de métodos de classificação de imagens multi- espectrais 1. CLASSIFICAÇÃO POR PIXEL é o processo de extração de informação em imagens para reconhecer padrões e objetos homogêneos. Os Classificadores "pixel a pixel" utilizam apenas a informação espectral isoladamente de cada pixel para achar regiões homogêneas. O resultado final de um processo de classificação é uma imagem digital que constitui um mapa de "pixels" classificados, representados por símbolos gráficos ou cores. As técnicas de classificação multiespectral "pixel a pixel" mais comuns são: máxima verossimilhança (MAXVER), distância mínima método do paralelepípedo. MAXVER considera a ponderação das distâncias entre médias dos níveis digitais das classes, utilizando parâmetros estatísticos. Para que a classificação por máxima verossimilhança seja precisa o suficiente, é necessário um número razoavelmente elevado de "pixels", para cada conjunt o de treinamento. Os conjuntos de treinamento definem o diagrama de dispersão das classes e suas distribuições de probabilidade, considerando a distribuição de probabilidade normal para cada classe do treinamento. Antes de apresentarmos os procedimentos para executar uma classificação descreve- se a seguir a seqüência lógica de operações a ser seguida: 1. Criar o arquivo de Contexto - este arquivo armazena quais as bandas farão parte do processo de classificação, qual o método utilizado (pixel ou região) e as amostras no caso da classificação por pixel; 2. Executar o treinamento - deve ser feita amostragens sobre uma imagem na área de desenho; 3. Analisar as amostras - permite verificar a validade das amostras coletadas; 4. Executar a - de posse da amostras e das bandas escolhidas a imagem é classificada; 5. Executar uma Pós classificação - processo de extração de pixels isolados em função de um limiar e um peso fornecidos pelo usuário (não obrigatório); 6. Executar o Mapeamento para Classes - permite transformar a imagem classificada (categoria Imagem) para um mapa temático raster (categoria Temática). PRÁTICA 1 por Pixel: - # Iniciar Programas Spring SPRING * Ativar banco de dados Banco_1 * Ativar projeto Proj_3 * Visualizar uma composição colorida RGB ou apenas uma banda. - [Imagem][...] Criando arquivo de contexto:

2 - (Criar...) Criação de Contexto - {Nome : contx1} - (Tipo de Análise : Pixel) - (Bandas b2_real2, b3_real2 e b4_real2) - selecionar bandas Treinando classificação: * uma imagem deve estar ativa no Painel de controle. - (Contextos contx1) - selecionar arquivo de contexto - (...) na janela que aparece Adquira amostra clique Ok. - {Nome: vegetacao} * Selecionar cor - (Criar) - (Tipo : Aquisição) Adquirindo amostras retangulares: - (Contorno : Retangular) * Selecionar amostra sobre a imagem como se fosse efetuar um zoom. - (Adquirir) Adquirindo amostras poligonais: - (Contorno : Poligonal) *Digitalizar contorno da amostra sobre a imagem, encerrando a linha com o botão do Meio ou direito. Automaticamente o primeiro ponto se fecha com o último. Pode-se usar o Cursor de Zoom, Cursos de Vôo, Recompor, Zoon In e Zoon Out. - (Adquirir) * Adquirir amostras suficientes para o tema * Repetir para outros temas: urbano, solo, agua, agricultura, pastagens Visualização de temas e amostras: - (Temas vegetação) clique sobre e verá as amostras na tela com a cor selecionada anteriormente. - (Amostras qualquer uma) a borda da amostra na tela será aumentada com a cor selecionada anteriormente. OBS: Após analisar as amostras (item mais a frente) pode ser necessário mudar o tipo da amostra, sem necessidade de eliminá-la. Ao alterar uma amostra do tipo Aquisição p/ Teste, essa será analisada mas não será considerada no classificador. Alterando tipo de amostras: - (Amostras qualquer uma)

3 - (Tipo : Teste) - (Alterar) fazer algumas alterações e voltar todas ao tipo Aquisição. Exportar temas: - (Categoria: CAT_Uso_Terra) - {PI: Temas_1} - (Exportar) - com opção Aquisição e o diretório AgroGeo/Textos. - (Salvar) Classificando a imagem: - (...) de Imagens - (Classificador : Maxver) - (Limiar de Aceitação: 99%) - (Analisar Amostras...) aguarde. Análise de Amostras * Analisar as amostras de aquisição e de teste para cada tema * Para as amostras com confusão alta, retornar ao treinamento para edição (anotar alguns temas amostras com alta confusão) - (Gravar) antes de alterar as amostras, fornecer o nome Anamostras_1 e o diretório AgroGeo/Textos; quando alterar pela primeira vez, analisar novamente e salvar Anamostras _2; estes arquivos podem ser abertos em editor de texto e impressos para melhor análise. de Imagens - (Nome: b_clas_1) não se esquecer de dar o nome de saída; se pretende utilizar mais de um classificador, acrescentar mais um sufixo (mver, deucl...). aguardar e após o término indicando o tempo consumido, clique OK. *Visualizar a imagem classificada na janela Auxiliar aberta automaticamente (minimize a janela ); usando o botão Cursor de info se pode identificar as classes sobre a imagem classificada. * cada alteração nas amostras se deve fazer outra classificação (b_clas_2...) Eliminando o ruídos de classificação - Pos-classificação: (se a janela não estiver aberta, abri-la novamente) - (Pós-...) Pós - - (Imagens Classificadas b_clas_1) - (Peso : 2) já vem como padrão. - (Limiar : 5) já vem como padrão. * Visualizar a imagem resultante, na tela Auxiliar que é gerada automaticamente ou fechando-a e acionando a imagem classificada no Painel de controle (b_clas_1_pos).

4 * Testar outros pesos e limiares Mapeando temas da imagem classificada para classes do banco de dados: - (Mapeamento...) Mapeamento para Classes - (Categoria Cat_Uso_Terra) - (Imagens Classificadas b_clas_1_pos) - (Temas vegetacao) - (Classes vegetação) - Repetir para os todos os temas. Para cada tema deve haver uma classe temática associada. É preciso primeiramente criar uma Categoria temática com as devidas classes. - * Visualizar na janela Auxiliar que se abre automaticamente o PI b_clas_1_pos-t. Mapeamento para Classes OBS: Após a classificação é preciso analisar as duas imagens (original e classificada) para ver se todas as áreas foram classificadas. Na imagem classificada ou na pós-classificada podemos perceber que algumas áreas ficaram em branco, ou seja, não foram classificadas. Neste caso, podemos refazer a classificação, adquirindo mais amostras de cada classe, até que toda a imagem esteja classificada, ou então fazer uma edição matricial, na qual selecionaremos os pixels que não foram classificados, e de acordo com a imagem, editar para a classe correspondente. Percebendo a diferença entre imagem classificada e mapa temático: - (Modelo de dados) Modelo de dados - (Categorias: Cat_Uso_Terra) - (Classes temáticas: vegetação) - (Visual) Visuais de apresentação gráfica - (Cor... Lima) * repetir para todas as outras classes optando pelas cores: solo/salmão, água/azul real, urbano/preto, agricultura/amarelo, pastagens/madeira. * para ver a diferença: mantenha b_clas_1_pos na tela Principal e acione a tela Auxiliar selecionando b_clas_1_pos-t. 2. SEGMENTAÇÃO

5 Neste processo, divide-se a imagem em regiões que devem corresponder às áreas de interesse da aplicação. As regiões são um conjunto de "pixels" contíguos, que se espalham bidirecionalmente e que apresentam uniformidade. Crescimento de regiões É uma técnica de agrupamento de dados, na qual somente as regiões adjacentes, espacialmente, podem ser agrupadas. Inicialmente, este processo de segmentação rotula cada "pixel" como uma região distinta. Calcula- se um critério de similaridade para cada par de região adjacente espacialmente. O critério de similaridade baseia- se em um teste de hipótese estatístico que testa a média entre as regiões. A seguir, divide- se a imagem em um conjunto de sub-imagens e então realiza- se a união entre elas, segundo um limiar de agregação definido. O resultado é uma imagem rotulada, cada região apresentando um rótulo (valor de nível digital), que devem ser classificadas por classificadores de região. Os seguintes passos devem ser seguidos para gerar uma classificação a partir de uma imagem segmentada. 1. Criar uma imagem segmentada - gerar uma imagem, separada em regiões com base na análise dos níveis de cinza. 2. Criar o arquivo de Contexto - este arquivo armazena quais as bandas farão parte do processo de classificação por regiões. 3. Executar o treinamento - deve ser feita amostragens sobre uma imagem na área de desenho; 4. Analisar as amostras - permite verificar a validade das amostras coletadas; 5. Extração de regiões - neste procedimento o algoritmo extrai as informações estatísticas de média e variável de cada região, considerando as bandas indicadas no contexto; 6. -para a realizar a classificação de uma imagem segmentada deve- se usar o classificador por regiões; 7. Executar a - de posse da amostras e das bandas escolhidas a imagem é classificada; 8. Executar o Mapeamento para Classes - permite transformar a imagem classificada (categoria Imagem) para um mapa temático raster (categoria Temático). PRÁTICA 2 Executando uma Segmentação -# Iniciar Programas Spring SPRING * Ativar banco de dados Banco_1 * Ativar projeto Proj_3 - [Imagem][Segmentação...] Segmentação - (Método Crescimento de regiões) - (Bandas b2_real2, b3_real2 e b4_real2) BGR. - (Similaridade 8) - (Área (pixels) 125) 5 ha. - (Categoria...: CAT_Ima_CBERS2B) - {Imagem Segmentada: b_real2_seg_8-125}

6 - (Suavização de Arcos Sim) aguardar, talvez entre cinco a dez minutos; sós terá terminado quando a tela Auxiliar surgir automaticamente e a janela de tempo transcorrido também aparecer. Na tela auxiliar aparecerão as linhas geradas pela segmentação; ambas podem ser fechadas. * Visualizar imagem rotulada b_real2_seg_8-125, sobreposta à imagem b_real2_sint ou outra imagem. * Testar outros valores de similaridade e área, por exemplo 10 e 125 e comparar. por Região Os Classificadores por regiões utilizam, além de informação espectral de cada "pixel", a informação espacial que envolve a relação entre os "pixels" e seus vizinhos. Estes classificadores procuram simular o comportamento de um foto-intérprete, ao reconhecer áreas homogêneas de imagens, baseados nas propriedades espectrais e espaciais de imagens. A informação de borda é utilizada inicialmente para separar regiões e as propriedades espaciais e espectrais irão unir áreas com mesma textura. O classificador Isoseg é o algoritmo disponível no SPRING para classificar regiões de uma imagem segmentada. É um algoritmo de agrupamento de dados não- supervisionado, aplicado sobre o conjunto de regiões, que por sua vez são caracterizadas por seus atributos estatísticos de média e matriz de covariância e também pela área. por Região: - # Iniciar Programas Spring SPRING * Ativar banco de dados Banco_1 * Ativar projeto Proj_3 * Visualizar as imagens b2_real2, b3_real2 e b4_real2 (BGR) - [Imagem][...] - (Criar...) Criando arquivo de Contexto: Criação de Contexto - {Nome: b_clasreg_1} - (Tipo de Análise Região) - (Bandas b2_real2, b3_real2, b4_real2) selecionar bandas. - (Imagens Segmentadas b_real2_seg_8-125) Extraindo regiões: - (Extração de Atributos das Regiões) aguardar. Classificando sem supervisão: - (...) por Regiões - (Classificador Isoseg)

7 - (Limiar de Aceitação 99%) - (Categoria...: CAT_Ima_CBERS2B) - {Nome: b_isoseg_99} aguarde a tela de tempo transcorrido, dê OK e observe o lançamento da tela Auxiliar que contêm a imagem classificada e feche-a. OBS executar: a) Acionar o módulo b) Executar a Pós-classificação da mesma forma já aplicada na Prática 1 (usando os padrões sugeridos pelo sistema) c) Executar o Mapeamento da mesma forma já aplicada na Prática 1