RELATÓRIO DE AULA PRÁTICA: Classificação de Imagens no Spring

UNIVERSIDADE FEDERAL DE ITAJUBÁ

CAMPUS DE ITABIRA

GISELY OLIVEIRA

RELATÓRIO DE AULA PRÁTICA:

Classificação de Imagens no Spring

Relatório apresentado como requisito parcial, para aprovação na disciplina Geoprocessamento Prática da Universidade Federal de Itajubá – Campus de Itabira.

Itabira

2017

 

CLASSIFICAÇÃO DE IMAGENS NO SPRING

O processo de extração de informação em imagens a fim de identificar padrões e objetos similares é conhecido como Classificação de Imagens. Esta técnica é utilizada para agrupar elementos que apresentam comportamentos espectrais semelhantes (centros urbanos, áreas de pastagem, rios, matas, entre outros) e é dividida em classificação supervisionada, quando é realizada a definição de categorias pelo usuário, de acordo com assinaturas espectrais e o software agrupará e identificará as amostras; e classificação não supervisionada quando o usuário fornece amostras para o programa, que reunirá as classes, porém sem a identificação destas.

Os classificadores são rotinas dos softwares criadas para a classificação das imagens e são divididos em classificadores pixel a pixel (que usam a informação espectral de cada pixel isoladamente para encontrar regiões semelhantes) e classificadores por regiões (que utilizam em conjunto a informação do pixel e dos pixels vizinhos para separar regiões de acordo com as propriedades espaciais e espectrais, unindo áreas com mesma textura).

Na classificação pixel a pixel é elaborado um mapa de pixels classificados, que são representados por cores ou símbolos. A técnica Máxima Verossimilhança (MAXVER) pondera as distâncias entre médias dos níveis digitais das classes, utilizando parâmetros estatísticos.

Durante a aula prática Classificação de Imagens no Spring, realizada pela turma P1 da disciplina de Geoprocessamento, no dia 17/04/2017, foi solicitado aos alunos que aplicassem inicialmente os classificadores pixel a pixel em uma imagem (figura 1). Após a utilização da técnica MAXVER, o resultado obtido é apresentado na figura 2.

 

Durante o procedimento de classificação é possível conhecer o percentual de pixels classificados corretamente e erroneamente, por meio da geração de uma matriz de confusão. A tabela 1 representa a matriz de confusão obtida na classificação MAXVER.

Tabela 1: Matriz de Confusão – MAXVER

MATA ÁGUA URBANO PASTAGEM

MATA 95,85 0 1,61 2,54

ÁGUA 4,28 87,88 7,04 0,80

URBANO 2,27 0 84,07 13,66

PASTAGEM 0,41 0 7,75 91,84

Fonte: Autora deste estudo

Os resultados apresentam as dificuldades encontradas durante o processo de classificação da imagem, pois, uma matriz de confusão ideal deve conter os valores da diagonal principal próximos a 100%, o que representaria que não existiu confusão na classificação das classes. Todavia, essa situação é muito difícil de acontecer principalmente em imagens cujos alvos possuem características espectrais similares.

A classificação por distância Euclidiana é uma técnica de classificação supervisionada, pixel a pixel, onde o classificador compara a distância Euclidiana do pixel à média do agrupamento, assim o pixel será incorporado ao agrupamento que apresenta a menor distância. O procedimento é repetido até que toda imagem seja classificada. A figura 3 apresenta a imagem obtida após a utilização da classificação por distância Euclidiana e a tabela 2 é a matriz de confusão gerada com os dados obtidos nesta técnica.

Tabela 2: Matriz de Confusão – Distância Euclidiana

MATA ÁGUA URBANO PASTAGEM

MATA 95,21 0 0,16 4,63

ÁGUA 4,81 93,23 0,18 1,78

URBANO 4,10 0,05 68,49 27,77

PASTAGEM 1,16 0 15,59 82,89

Fonte: Autora deste estudo

Nota-se que a tabela 2 apresenta dados menos precisos quando comparados com a matriz apresentada na tabela 1. O software encontrou mais dificuldade em diferenciar as classes, ou seja, as respostas espectrais apresentaram distribuições similares.

A segmentação também é utilizada para a classificação de imagens. Neste processo, a imagem é dividida em regiões (conjunto de pixels próximos e que possuem homogeneidade) que corresponderão às áreas de interesse da aplicação. Ela pode ser realizada por processo de crescimento de regiões, de detecção de bordas ou de detecção de bacias.

O classificador por regiões Isoseg agrupa dados de forma não-supervisionada e é utilizado para classificar regiões de uma imagem segmentada considerando seus atributos estatísticos de média e matriz de covariância, e também a área. O resultado da aplicação da técnica Isoseg é apresentado na figura 4, onde o programa agrupou os pixels de características