PTR 3311

Geomtica II
Aula 5 Processamento Digital de Imagens:
Classificao Supervisionada

2sem2017

Prof Mariana A. Giannotti

Prof Claudio L. Marte

LGP Laboratrio de Geoprocessamento da EPUSP

 Bibliografia

CRSTA, A. P. Processamento digital de

imagens de sensoriamento remoto. Edio
revisada. Campinas. IG/UNICAMP, 1993.
NOVO, E. M. L. M. Sensoriamento remoto
- princpios e aplicaes. Editora Edgar
Blcher, 1989, 308p.
 Agenda 1: Processamento Digital de
Imagens

Pr-processamento

Processamento

Realce

Classificao
 Processamento de Imagens:
Classificao
A Classificao dos pixels de uma
imagem envolve a associao de cada
pixel com um nome (Tema) que descreve
um objeto real

Se executada para todos os pixels de

uma imagem, o resultado um Mapa
Temtico mostrando a distribuio de
categorias (Classes)
Vegetao, Solo, gua, ....
Processamento de Imagens

Gerao de um
Mapa Temtico
 Classificao, SIG e
Comportamento Espectral de Alvos

Uma imagem classificada um Mapa

Temtico digital, que, se for
georeferenciado, pode ser incorporado a
um SIG

A Classificao implementada com

base nas diferenas de comportamento
dos materiais ao longo do E.E.:
Comportamento (Assinatura)
Espectral de Alvos
Comportamento espectral de alvos urbanos
 Classificao em
Imagens Multiespectrais (CIM)

[Laboratrio SR4]
Classificao de Imagens
Multiespectrais

Agrupar pixels
em classes

Gerar mapas

Fonte de
dados para o
SIG
 Agenda 2:
Classificao em Imagens Multiespectrais

Conceitos
Classificaes Tradicionais
Aplicao
 Imagem de Satlite
45
50 Vetor padro do pixel (1,1)
56 45
32
50
1
56
2 32
3
4
Espao de Atributos

Histograma Bidimensional

(Crsta 1989)

O grfico contendo as frequncias

de distribuio de intensidades
de duas ou mais bandas de uma
imagem multiespectral
(Crsta 1989)
 Agenda 2:
Classificao em Imagens Multiespectrais

Conceitos
Classificaes Tradicionais
Aplicao
 Classificao de Imagens
Multiespectrais
Quanto ao elemento de anlise
Baseada em Pixel
Baseada em Regies (Por Regies)
Baseada em Objeto

Quanto a interao do usurio

Supervisionada [Laboratrio SR4]
No Supervisionada [Laboratrio SR3]

Quanto s regras de deciso

Paramtrico (estatstico)
No paramtrico (geomtrico)
 Classificaes Tradicionais
Classificadores por regies
Utilizam, alm de informao espectral de cada
"pixel", a informao espacial que envolve a
relao entre os "pixels" e seus vizinhos

Classificadores [SPRING] por regies:

ISOSEG (no-supervisionado),
Bhattacharya (supervisionado):
Mede a separabilidade estatstica (ou a distncia mdia
entre as distribuies de probabilidade) de um par de
classes espectrais. So eles:
ClaTex, Arq. SRN e Histograma
 Classificaes Tradicionais

Classificadores baseados em pixel

Utilizam apenas a informao espectral,
isoladamente, de cada pixel para achar regies
homogneas

Classificadores [SPRING] baseados em pixel:

Maxver (supervisionado)
Faz a ponderao das distncias entre mdias dos
nveis digitais das classes. So eles:
Maxver-ICM, Distncia Euclidiana e Kmdias
 Agenda 3:
Etapas da Classificao

Seleo de atributos
Segmentao
Mtodo de Classificao:
no supervisionada [Laboratrio SR3]
supervisionada [Laboratrio SR4]
Rotulao/Legenda/Labeling [Laboratrio SR3]
Avaliao de Desempenho [Laboratrio SR4]
 Classificao: Supervisionada

Baseada no conhecimento prvio da rea

em anlise
Amostras de Treinamento
o O analista, a partir do conhecimento da rea ou
por inferncias, relaciona reas da imagem com
as classes de cobertura da terra que deseja
separar
 Classificao: Supervisionada

Baseada no conhecimento prvio da rea

em anlise.

Verdade de campo

Fotografia area

Imagem de melhor resoluo

 Classificao: Supervisionada

Amostras de treinamento

Conjunto de pixels mais representativo das

classes de interesse

Expresso por parmetros estatsticos das

classes

Define um padro de comportamento

espectral das classes
 Classificao: Supervisionada

As classes so definidas a priori

(Amostras)
O processo de classificao visa
enquadrar cada pixel a uma classe
O enquadramento de um pixel a uma das
classes pode ser feito atravs de alguns
mtodos
Levam em considerao os valores de NC do
pixel nas vrias bandas utilizadas e os
padres das classes
 Classificao: Supervisionada
Diferentes mtodos para enquadrar um
pixel a uma classe:

Paraleleppedo
Distncia
Mnima
Mxima Verossimilhana (Maxver)
...
 Classificao: Supervisionada
Mtodo do Paraleleppedo
DN banda 3

gua
telha cermica
solo exposto
grama
floresta
asfalto

DN banda 4
Adaptado de Clevers, 1999
 Classificao: Supervisionada
Mtodo do Paraleleppedo
Considera uma rea no espao de
atributos ao redor do conjunto de
treinamento
Essa rea tem a forma de um quadrado ou
paraleleppedo
o definido pelo NC mximo e mnimo do conjunto de
treinamento
Neste mtodo todos os pixels situados
dentro do paraleleppedo sero
classificados como pertencentes quela
(Crsta 1989)
classe
 Classificao: Supervisionada
Mtodo da Distncia Mnima

Adaptado de Clevers, 1999

 Classificao: Supervisionada
Mtodo da Distncia Mnima

Uma forma de definir cada classe

calculando-se a mdia estatstica (de cada
classe) em cada banda espectral
Essa mdia situa-se em algum lugar prximo
ao centro do conjunto de treinamento
Este mtodo atribui cada pixel
desconhecido classe cuja mdia mais
prxima a ele
(Crsta 1989)
 Classificao: Supervisionada
Mtodo da Mxima Verossimilhana (MAXVER)

Adaptado de Clevers, 1999

 Classificao: Supervisionada
Mtodo da Mxima Verossimilhana (MAXVER)

Utiliza parmetros estatsticos e

considera a ponderao das distncias
das mdias
Para que essa classificao seja precisa
necessrio um nmero razoavelmente
elevado de pixels para cada conjunto de
treinamento
o Preferencialmente acima de uma centena

(Crsta 1989)
 Classificao: Supervisionada
Mtodo da Mxima Verossimilhana (MAXVER)

Devido a esse nmero elevado de pixels,

para represent-los graficamente utilizam-
se isolinhas ou curvas de contorno no
espao de atributos
Representando a densidade de pixels do
conjunto de treinamento para cada regio
Os contornos representam um ajuste
baseado em distribuies normais ou
Gaussianas dos pixels das reas de
treinamento (Crsta 1989)
 Classificao: Supervisionada
Mtodo da Mxima Verossimilhana (MAXVER)

Os contornos, ao redor de cada classe,

podem ser entendidos como a
probabilidade de existir um pixel naquele
conjunto de treinamento
com uma determinada combinao de NCs
Ou, de outra forma, como a probabilidade
de qualquer pixel desconhecido pertencer
a uma determinada classe na qual ele
plotar (Crsta 1989)
 Classificao: Treinamento

Objetivo: Treinar o algortimo

Coleta de amostras para cada classe
definir um padro de resposta espectral para
cada classe a ser classificada na imagem
A qualidade do processo de treinamento
determina o sucesso do processo de
classificao
quanto maior a exatido das amostras, melhor
sero os resultados
 Classificao
Supervisionada

Classificao Maxver
Imagem CBERS, So Paulo, 2008

Vegetao densa
Vegetao rasteira
gua
rea urbana
Asfalto, amianto
 Agenda 3:
Etapas da Classificao

Seleo de atributos
Segmentao
Mtodo de Classificao:
no supervisionada
supervisionada [Laboratrio Aula 1]
Rotulao/Legenda/Labeling
Avaliao de Desempenho
[Laboratrio SR4]
 Classificao de Imagens
Multiespectrais

Classificao no supervisionada
segmentao
escolha do algoritmo de
classificao
interpretao das classes geradas
avaliao da classificao e
possvel reprocessamento
 Classificao: Avaliao

Matriz de erro ou confuso:

Verdade de campo x classificao;

ndices de desempenho geral e por

classe:
Erro de omisso;
Erro de comisso;

Coeficiente Kappa.
 Classificao: Matriz de erros

Matriz de confuso com pmm representando a proporo da

categoria m+ da cobertura da terra da rea classificada
e da categoria +m da cobertura da terra de referncia.
 Classificao: Matriz de erros

Classificada
C1 C2 C3 C4 C5 C6 Total
C1 897 308 75 65 17 33 1395
C2 65 347 141 105 0 26 684
Referncia

C3 0 7 110 131 3 71 322

C4 0 0 18 117 32 49 216
C5 2 0 101 127 294 127 651
C6 0 0 3 12 0 325 340
Total 964 662 448 557 346 631 3608
Acurcia % Omisso % Comisso %
Acurcia total da classificao =
C1 64.3 35.7 6.9 ( Total de acertos / Total) * 100% =
C2 50.7 49.2 47.5
(2090/3608) * 100% = 57,9%

C3 34.1 65.8 75.4 Erro de omisso (C1) = (498/1395) * 100%

C4 54.1 45.8 78.9 = 35,7%

C5 45.8 54.8 15 Erro de comisso (C1) = (67/964) * 100% =

6,9%
C6 95.5 4.4 48.4
 Agenda 2:
Classificao em Imagens Multiespectrais

Conceitos
Classificaes Tradicionais
Aplicao
 Aplicao:
Anlise da cobertura do solo

Mapeamento da cobertura do solo ao longo

da faixa de domnio de trens

Identificao de reas invadidas e tendncias

Local: linha F (CPTM) em So Paulo

 Aplicao:
Anlise da cobertura do solo

Linha F
rea teste: 750m ao redor da linha

Imagem IKONOS II, So Paulo, 2002.

 Aplicao:
Anlise da cobertura do solo

Imagem IKONOS II, So Paulo, 2002.

 Aplicao:
Anlise da cobertura do solo

Imagem IKONOS II, 2002.

Segmentao
 Aplicao:
Anlise da cobertura do solo

Imagem IKONOS II, 2002. Classificao

No Supervisionada (ISOSEG)
 Aplicao:
Anlise da cobertura do solo

Imagem IKONOS II, 2002. Classificao Supervisionada

(Maxver)
 Sugesto de Bibliografia
Processamento Digital de Imagens
IBGE Instituto Brasileiro de Geografia e Estatstica. Manuais
Tcnicos em Geocincias: Introduo ao Processamento
Digital de Imagens. Rio de Janeiro, 2001.

GONZALEZ, R.C; WOODS, R. E. Processamento de imagens

digitais. So Paulo: Edgard Blucher 2000.

MARQUES FILHO, Og; VIEIRA NETO, Hugo. Processamento

digital de imagens. Brasport, 1999.

CRSTA, A. P. Processamento digital de imagens de

sensoriamento remoto. Edio revisada. Campinas.
IG/UNICAMP, 1993. 170p.
 Bibliografia Complementar

CLEVERS,J. Lectures Remote Sensing. Centre of Geo-

Information, Environmental Sciences, Wageningen University na
Research Center, Wageningen, UR.

NBREGA, R. A. A. Deteco da malha viria na periferia da

cidade de So Paulo utilizando imagens de alta resoluo
espacial e classificao orientada a objetos. 2007. 157p.
Tese (Doutorado) Escola Politcnica da Universidade de So
Paulo, So Paulo.

Imagens CBERS: http://www.cbers.inpe.br/

 PTR3311 2sem17
Geomtica II (Geoprocessamento)

Claudio L. Marte
Tel (Poli): 3091-9983
E-mail: claudio.marte@usp.br