Classificação avançada de imagens com orientação a objetos no eCognition
11 de Novembro de 2013
José Augusto Sapienza Ramos – Sistema Labgis/UERJ
Douglas Fraga - Threetek
Esta apresentação em PDF está
disponível em:
http://gisday.labgis.uerj.br/arquivos/
ap_classif_ecognition.pdf
O vídeo estará disponível em breve em:
http://www.youtube.com/user/
sistemalabgis
o Identificação de alvos nas imagens de satélite;
o A distinção se dá pelas características associadas a
radiação eletromagnética (REM) captada pelo sensor;
o É um dos objetivos principais do Processamento Digital
de Imagens (PDI) na área de Geotecnologias;
o Além da identificação, permite análises quantitativas
como cálculo de áreas, padrões, estudo de evolução do
ambiente, entre outros.
O que é a classificação de imagens?
o Utiliza-se métodos matemáticos (destaque aos
estatísticos) e computacionais para identificação de
padrões e/ou características que permitam a distinção
dos alvos;
o Existem métodos de diferentes abordagens;
Como se faz a classificação?
Enquete 1 – Qual a sua área de formação?
Qual a sua área de formação?
a) Geografia;
b) Geologia;
c) Engenharias;
d) Biologia;
e) Outra área de formação.
9
Enquete 2 – Qual o seu conhecimento sobre classificação de
imagens?
10
Qual o seu conhecimento sobre classificação de imagens?
a) Trabalho com imagens de satélite, mas não fiz
classificação;
b) Já faço classificação, mas não uso orientação a
objeto;
c) Já faço classificação com orientação a objeto;
d) Não trabalho ainda com imagens de satélite.
Entretanto...
o Os métodos de classificação não são simples;
o Requer muitas vezes um conhecimento mais profundo sobre os classificadores disponíveis e assinaturas espectrais dos alvos;
o Comumente precisamos informar amostras (com crivo);
o Geralmente fazemos uma primeira classificação e vamos refinando o trabalho gerado.
Entretanto... (2)
o É importante utilizar bandas com faixa do espectro e
resolução espacial suficiente para distinção dos alvos;
o Muitas vezes há um etapa de pré-processamento para
auxiliar a classificação.
o Podemos utilizar as seguintes características: o Tonalidade
o Cor
o Textura
o Tamanho
o Forma
o Sombra
o Padrão
o Localização ou Contexto
o Data de aquisição da imagem
O que podemos utilizar para classificar?
o Relacionado diretamente à variação dos valores de
pixels das bandas;
o Quanto maior a resolução radiométrica da imagem,
maior a possibilidade de percepção das variações de
tonalidade das bandas.
Tonalidade
o Cor é resultado das tonalidades de uma composição de bandas;
o Escolha das faixas espectrais utilizadas é fundamental;
o Utilizando mais imagens, geralmente se tem melhor distinção dos alvos;
o Às vezes na prática ainda é insuficiente.
Cor
o Se considera a tonalidade ou cor de uma região;
o Textura homogênea indica baixa variação de tonalidade
ou cor na região;
o Textura heterogênea indica alta variação.
Textura
Exemplo - Textura
Imagem de Guratinguetá - SP
TM LANDAST 5 26/06/1997
a - Textura lisa: área plana
b – Textura média: relevo suave ondulado
c – Textura rugosa: relevo ondulado
d – Textura rugosa: relevo montanhoso
o Considera-se a área da região como fator de separação de classes;
o Exemplo: piscina x lago. A água pode ter uma resposta espectral parecida, entretanto o tamanho pode ser utilizado como determinante.
o Podemos descartar também áreas pequenas em certas classes e agrupá-las a classes vizinhas.
Tamanho
o O formato da área identificada pode informar o alvo;
o Exemplo: a resposta do afloramento rochoso e prédio
podem ser similares, entretanto o primeiro tem bordas
sinuosas e segundo formas mais regular/poligonal.
o Outro exemplo é o prédio e arruamentos, podemos nos
vale da forma alongada e linear
do arruamento frente ao prédio.
Forma
o Indica variação de altura;
o Pode ser utilizado, por exemplo, na identificação relevo
ou porte de construções;
o Pode ser utilizado inclusive para estimar altura dos
alvos com certo nível de precisão.
Sombra
Exemplo - Sombra
Imagem TM-LANDSAT -5,
25/06/1997 da região de
Cruzeiro e de Cachoeira Paulista
no Vale do Paraíba, SP
o Indica a disposição espacial dos objetos entre si;
o Pode ser utilizado, por exemplo, na diferenciação de
favela em relação a área urbana consolidada ou tipos
de vegetação arbóreas em uma imagem de alta
definição.
Padrão
o A posição de um alvo sobre uma referência é
considerada na distinção;
o Exemplos: distinção do tipo de vegetação pela
localização nos cumes dos morros ou em planícies ou
um ponte que tem classe água como vizinho.
Localização ou contexto
o Ao utilizarmos imagens de duas estações do ano, podemos
diferenciar, por exemplo, plantação de vegetação rasteira ou
identificar feições por suas mudanças sazonais;
o Considerando que as imagens são uma da época de colheita
e outra após a época de plantio, a vegetação rasteira não
muda muito sua resposta espectral em relação à plantação;
o Em uma série histórica, podemos identificar mudanças como
desmatamento, crescimento urbano, entre outras feições.
Data de aquisição da imagem
o Chamaremos de classificadores os métodos
matemáticos que auxiliam diretamente alguma etapa
do processo de classificação;
o A maioria dos classificadores se baseiam apenas na
tonalidade/cor e textura dos alvos;
o Os que apresentam, em geral, melhores resultados
dependem de fornecimento de amostras >> estuda-se
o comportamento das amostras e observa-se toda a
imagem analisando o comportamento análogos em
relação às amostras.
Tipos de Classificadores
o Há duas divisões – pela supervisão e pela unidade de análise principal;
o Quanto a supervisão: o Supervisionado: requer que o usuário colete amostras sobre a
imagem para cada uma das classes e um classificador busca identificar o padrão do comportamento das amostras sobre toda a imagem;
o Não supervisionado: o usuário configura e aplica o classificador, sem necessidade de amostras, gerando a imagem classificada.
o Classificação manual não pode ser desconsiderada: os limites das classes são traçados totalmente pelo usuário sobre a visualização da imagem.
Tipos de Classificadores
Tipos de classificadores
o Segunda divisão - pela unidade de análise principal:
o Por pixel: utilizam apenas a informação espectral, isoladamente,
de cada pixel.
o Por região: Utilizam, além de informação espectral de cada
pixel, a informação espacial que envolve a relação entre os
pixels e seus vizinhos.
o Quando o classificador é por região, é necessário
utilizar uma outra técnica para segmentar a imagens
em regiões de resposta similar.
o Na classificação por objeto, a região é denominada
objeto – mais detalhes à frente.
Enquete 3 – Se você já executou classificação de imagens...
32
Se você já realizou classificação de imagens, qual método
foi utilizado?
a) Classificação manual;
b) Classificação por pixel;
c) Classificação por região;
d) Classificação orientada a objeto;
e) Eu ainda não classifiquei imagens.
Enquete 4 – Qual a resolução espacial das imagens que você
já utilizou em projetos?
33
Qual a melhor resolução espacial das imagens que você já
utilizou em seus projetos?
a) Maior que 20 metros;
b) Entre 20 metros e 5 metros;
c) Menor que 5 metros;
d) Eu ainda não utilizei imagens de satélite em
projetos.
o São procedimentos executados sobre as imagens para
melhorar o processo de classificação >> melhorar a
distinção dos alvos:
o Realce de contraste;
o Correção Geométrica (georreferenciamento/ortorretificação);
o Correção Radiométrica (cálculo de radiância/reflectância);
o Correção Atmosférica;
o Manipulação de histograma;
o Aplicação de filtros;
o Aritmética sobre imagens;
o Conversão RGB>>IHS;
o Fusão de Bandas;
o Entre outros;
Etapas de pré-classificação
o Tem como função refinar e aplicar ajustes do resultado
da classificação:
o Aplicação de filtros;
o Junção de classes;
o Ajustes de contornos e formas;
o Ajuste manual;
o Avaliação do resultado da classificação;
o Entre outros.
Etapas de pós-classificação
o Os classificadores por pixel trabalham apenas com
tonalidade e cor – exemplo: Distância Euclidiana e
Máximo Verossimilhança;
o Os classificadores por região mais utilizados trabalham
com cor, tonalidade e textura: Isoseg e Bhattacharya;
o Os classificadores acima não apresentam bom
desempenho em imagens de alta resolução
espacial e em classificações onde a resposta
espectral dos alvos a serem identificados são
parecidos.
Limites dos classificadores mais comuns
o Além da tonalidade, cor e textura, trabalha também
com outras características da imagem: forma,
localização, tamanho, entre outras;
o A região de pixels é chamada de objeto – as
características do objeto são utilizados na decisão da
classificação;
o A segmentação é necessária para geração dos objetos e
o usuário utiliza as características do objeto em uma
árvore de decisão para classificar.
Classificação orientada a objeto (OO)
o Chamado mais especificamente de Análise de Imagens
Baseada em Objetos (OBIA) ou Análise de Imagens
Baseada em Objetos Geográficos (GEOBIA);
o O classificador auxilia e aumenta a produtividade do
usuário, porém ajustes manuais podem ser necessários.
Classificação orientada a objeto (OO)
Geração dos objetos
o Os objetos gerados na segmentação podem ser
gerados em vários níveis – hierarquia:
Geração dos objetos
o Podemos nos valer também de diferentes produtos em
diferentes datas para gerar os objetos:
Análise dos objetos
o Utiliza-se caracteríticas os objetos para decisão:
o Amostras;
o Hierarquia dos objetos;
o Forma;
o Tamanho;
o Objetos vizinhos;
o Objetos ao longo de imagens coletadas em datas diferentes;
o Entre outros...
o Pode-se depois melhorar o resultado da classificação
ajustando a forma, os limites entre os objetos e
avaliando a consistência da classificação.
Esta apresentação em PDF está
disponível em:
http://gisday.labgis.uerj.br/arquivos/
ap_classif_ecognition.pdf
O vídeo estará disponível em breve em:
http://www.youtube.com/user/
sistemalabgis
o O Sistema Labgis/UERJ e a Threetek estão lançando um
curso de 40 horas chamado eCognition e Classificação
Avançada de Imagens;
o O curso é certificado pela Universidade do Estado do
Rio de Janeiro e pela fabricante do eCognition, a
empresa Trimble;
o A primeira turma está marcada para final de novembro!
Mais informações:
http://extensao.labgis.uerj.br
Por terem participado ao vivo deste
webinar, todos ganharam
automaticamente 20% de desconto
sobre o investimento nesta turma final
de novembro!
Não perca também o resto da
programação de webinars gratuitos:
http://gisday.labgis.uerj.br/
Não deixe de concorrer a 6 meses de
gratuidades nos cursos de extensão do
Labgis. Detalhes no site acima.
Top Related