Classificao avanada de imagens com

orientao a objetos no eCognition

11 de Novembro de 2013

Jos Augusto Sapienza Ramos Sistema Labgis/UERJ
Douglas Fraga - Threetek
Esta apresentao em PDF est
disponvel em:
http://gisday.labgis.uerj.br/arquivos/
ap_classif_ecognition.pdf

O vdeo estar disponvel em breve em:
http://www.youtube.com/user/
sistemalabgis
o Identificao de alvos nas imagens de satlite;

o A distino se d pelas caractersticas associadas a
radiao eletromagntica (REM) captada pelo sensor;

o um dos objetivos principais do Processamento Digital
de Imagens (PDI) na rea de Geotecnologias;

o Alm da identificao, permite anlises quantitativas
como clculo de reas, padres, estudo de evoluo do
ambiente, entre outros.
O que a classificao de imagens?

o Utiliza-se mtodos matemticos (destaque aos
estatsticos) e computacionais para identificao de
padres e/ou caractersticas que permitam a distino
dos alvos;

o Existem mtodos de diferentes abordagens;
Como se faz a classificao?



Exemplo de classificao



Exemplo de classificao



Exemplo de classificao



Exemplo de classificao
Enquete 1 Qual a sua rea de formao?

Qual a sua rea de formao?
a) Geografia;
b) Geologia;
c) Engenharias;
d) Biologia;
e) Outra rea de formao.



9
Enquete 2 Qual o seu conhecimento sobre classificao de
imagens?
10

Qual o seu conhecimento sobre classificao de imagens?
a) Trabalho com imagens de satlite, mas no fiz
classificao;
b) J fao classificao, mas no uso orientao a
objeto;
c) J fao classificao com orientao a objeto;
d) No trabalho ainda com imagens de satlite.






Entretanto...

o Os mtodos de classificao no so simples;

o Requer muitas vezes um conhecimento mais profundo sobre
os classificadores disponveis e assinaturas espectrais dos
alvos;

o Comumente precisamos informar amostras (com crivo);

o Geralmente fazemos uma primeira classificao e vamos
refinando o trabalho gerado.



Entretanto... (2)

o importante utilizar bandas com faixa do espectro e
resoluo espacial suficiente para distino dos alvos;

o Muitas vezes h um etapa de pr-processamento para
auxiliar a classificao.
o Podemos utilizar as seguintes caractersticas:
o Tonalidade
o Cor
o Textura
o Tamanho
o Forma
o Sombra
o Padro
o Localizao ou Contexto
o Data de aquisio da imagem
O que podemos utilizar para classificar?

o Relacionado diretamente variao dos valores de
pixels das bandas;

o Quanto maior a resoluo radiomtrica da imagem,
maior a possibilidade de percepo das variaes de
tonalidade das bandas.

Tonalidade

o Cor resultado das tonalidades de uma composio de
bandas;

o Escolha das faixas espectrais utilizadas fundamental;

o Utilizando mais imagens, geralmente se tem melhor distino
dos alvos;

o s vezes na prtica ainda insuficiente.
Cor



Exemplo - Cor
Composio do espectro visvel Composio utilizando tambm o infravermelho

o Se considera a tonalidade ou cor de uma regio;

o Textura homognea indica baixa variao de tonalidade
ou cor na regio;

o Textura heterognea indica alta variao.
Textura



Exemplo - Textura
Imagem de Guratinguet - SP
TM LANDAST 5 26/06/1997
a - Textura lisa: rea plana
b Textura mdia: relevo suave ondulado
c Textura rugosa: relevo ondulado
d Textura rugosa: relevo montanhoso


o Considera-se a rea da regio como fator de separao
de classes;

o Exemplo: piscina x lago. A gua pode ter uma resposta
espectral parecida, entretanto o tamanho pode ser
utilizado como determinante.

o Podemos descartar tambm reas pequenas em certas
classes e agrup-las a classes vizinhas.
Tamanho
o O formato da rea identificada pode informar o alvo;

o Exemplo: a resposta do afloramento rochoso e prdio
podem ser similares, entretanto o primeiro tem bordas
sinuosas e segundo formas mais regular/poligonal.

o Outro exemplo o prdio e arruamentos, podemos nos
vale da forma alongada e linear
do arruamento frente ao prdio.
Forma

o Indica variao de altura;

o Pode ser utilizado, por exemplo, na identificao relevo
ou porte de construes;

o Pode ser utilizado inclusive para estimar altura dos
alvos com certo nvel de preciso.
Sombra



Exemplo - Sombra
Imagem TM-LANDSAT -5,
25/06/1997 da regio de
Cruzeiro e de Cachoeira Paulista
no Vale do Paraba, SP

o Indica a disposio espacial dos objetos entre si;

o Pode ser utilizado, por exemplo, na diferenciao de
favela em relao a rea urbana consolidada ou tipos
de vegetao arbreas em uma imagem de alta
definio.
Padro



Exemplo - Padro
Imagem IKONOS -2 de 13/10/2000
So Jos dos Campos

o A posio de um alvo sobre uma referncia
considerada na distino;

o Exemplos: distino do tipo de vegetao pela
localizao nos cumes dos morros ou em plancies ou
um ponte que tem classe gua como vizinho.
Localizao ou contexto

o Ao utilizarmos imagens de duas estaes do ano, podemos
diferenciar, por exemplo, plantao de vegetao rasteira ou
identificar feies por suas mudanas sazonais;

o Considerando que as imagens so uma da poca de colheita
e outra aps a poca de plantio, a vegetao rasteira no
muda muito sua resposta espectral em relao plantao;

o Em uma srie histrica, podemos identificar mudanas como
desmatamento, crescimento urbano, entre outras feies.
Data de aquisio da imagem
o Chamaremos de classificadores os mtodos
matemticos que auxiliam diretamente alguma etapa
do processo de classificao;

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 anlogos em
relao s amostras.
Tipos de Classificadores

o H duas divises pela superviso e pela unidade de
anlise principal;

o Quanto a superviso:
o Supervisionado: requer que o usurio colete amostras sobre a
imagem para cada uma das classes e um classificador busca
identificar o padro do comportamento das amostras sobre
toda a imagem;
o No supervisionado: o usurio configura e aplica o
classificador, sem necessidade de amostras, gerando a imagem
classificada.

o Classificao manual no pode ser desconsiderada: os
limites das classes so traados totalmente pelo usurio
sobre a visualizao da imagem.

Tipos de Classificadores



Tipos de classificadores
o Segunda diviso - pela unidade de anlise principal:
o Por pixel: utilizam apenas a informao espectral, isoladamente,
de cada pixel.
o Por regio: Utilizam, alm de informao espectral de cada
pixel, a informao espacial que envolve a relao entre os
pixels e seus vizinhos.

o Quando o classificador por regio, necessrio
utilizar uma outra tcnica para segmentar a imagens
em regies de resposta similar.

o Na classificao por objeto, a regio denominada
objeto mais detalhes frente.



Exemplo de segmentao



Exemplo de segmentao
Enquete 3 Se voc j executou classificao de imagens...
32

Se voc j realizou classificao de imagens, qual mtodo
foi utilizado?
a) Classificao manual;
b) Classificao por pixel;
c) Classificao por regio;
d) Classificao orientada a objeto;
e) Eu ainda no classifiquei imagens.



Enquete 4 Qual a resoluo espacial das imagens que voc
j utilizou em projetos?
33

Qual a melhor resoluo espacial das imagens que voc j
utilizou em seus projetos?
a) Maior que 20 metros;
b) Entre 20 metros e 5 metros;
c) Menor que 5 metros;
d) Eu ainda no utilizei imagens de satlite em
projetos.



o So procedimentos executados sobre as imagens para
melhorar o processo de classificao >> melhorar a
distino dos alvos:
o Realce de contraste;
o Correo Geomtrica (georreferenciamento/ortorretificao);
o Correo Radiomtrica (clculo de radincia/reflectncia);
o Correo Atmosfrica;
o Manipulao de histograma;
o Aplicao de filtros;
o Aritmtica sobre imagens;
o Converso RGB>>IHS;
o Fuso de Bandas;
o Entre outros;

Etapas de pr-classificao
o Tem como funo refinar e aplicar ajustes do resultado
da classificao:
o Aplicao de filtros;
o Juno de classes;
o Ajustes de contornos e formas;
o Ajuste manual;
o Avaliao do resultado da classificao;
o Entre outros.


Etapas de ps-classificao

o Os classificadores por pixel trabalham apenas com
tonalidade e cor exemplo: Distncia Euclidiana e
Mximo Verossimilhana;

o Os classificadores por regio mais utilizados trabalham
com cor, tonalidade e textura: Isoseg e Bhattacharya;

o Os classificadores acima no apresentam bom
desempenho em imagens de alta resoluo
espacial e em classificaes onde a resposta
espectral dos alvos a serem identificados so
parecidos.

Limites dos classificadores mais comuns

o Alm da tonalidade, cor e textura, trabalha tambm
com outras caractersticas da imagem: forma,
localizao, tamanho, entre outras;

o A regio de pixels chamada de objeto as
caractersticas do objeto so utilizados na deciso da
classificao;

o A segmentao necessria para gerao dos objetos e
o usurio utiliza as caractersticas do objeto em uma
rvore de deciso para classificar.

Classificao orientada a objeto (OO)


o Chamado mais especificamente de Anlise de Imagens
Baseada em Objetos (OBIA) ou Anlise de Imagens
Baseada em Objetos Geogrficos (GEOBIA);

o O classificador auxilia e aumenta a produtividade do
usurio, porm ajustes manuais podem ser necessrios.
Classificao orientada a objeto (OO)



Gerao dos objetos
o Os objetos gerados na segmentao podem ser
gerados em vrios nveis hierarquia:


Objetos
Objetos
Propriedades
do objeto



Gerao dos objetos
o Podemos nos valer tambm de diferentes produtos em
diferentes datas para gerar os objetos:



Anlise dos objetos
o Utiliza-se caracterticas os objetos para deciso:
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 classificao
ajustando a forma, os limites entre os objetos e
avaliando a consistncia da classificao.


Vamos demonstrao no
eCognition
Esta apresentao em PDF est
disponvel em:
http://gisday.labgis.uerj.br/arquivos/
ap_classif_ecognition.pdf

O vdeo estar disponvel em breve em:
http://www.youtube.com/user/
sistemalabgis
o O Sistema Labgis/UERJ e a Threetek esto lanando um
curso de 40 horas chamado eCognition e Classificao
Avanada de Imagens;

o O curso certificado pela Universidade do Estado do
Rio de Janeiro e pela fabricante do eCognition, a
empresa Trimble;

o A primeira turma est marcada para final de novembro!

Mais informaes:
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!
No perca tambm o resto da
programao de webinars gratuitos:
http://gisday.labgis.uerj.br/

No deixe de concorrer a 6 meses de
gratuidades nos cursos de extenso do
Labgis. Detalhes no site acima.
Perguntas?

11 de Novembro de 2013

Jos Augusto Sapienza Ramos Sistema Labgis/UERJ
Douglas Fraga - Threetek