CLASSIFICAO DE

IMAGENS
SIG
Profa. Dra. Maria Isabel Castreghini de Freitas
ifreitas@rc.unesp.br
Profa. Dra. Andria Medinilha Pancher
medinilha@linkway.com.br

O que classificao?
o processo de extrao de informaes
em imagens para reconhecer padres e
objetos homogneos que so utilizados
para mapear reas da superfcie terrestre
as quais correspondam aos temas de
interesse.
Associa cada pixel da imagem a um
rtulo descrevendo um objeto real.
Dessa forma, obteremos um mapa
temtico, o qual mostrar a distribuio
geogrfica de um tema, por exemplo a
vegetao e uso da terra.

Classificao de Imagens

Apesar da tcnica de interpretao visual ser muito utilizada, h uma

tendncia de utilizao da classificao computacional, devido a
rapidez e facilidade em obter resultados (CROSTA, 1992).
No processo de classificao de dados digitais, os elementos
presentes na superfcie terrestre so conhecidos por classes temticas.
Quando uma imagem classificada, os pixels so rotulados de acordo
com a ocupao do solo.
Para o propsito, utilizam-se os classificadores.
A rotulao dos valores dos nveis de cinza efetuada utilizando-se
algoritmos estatsticos (programas computacionais) de reconhecimento
de padres espectrais.
A classificao subdivide-se em supervisionada e no-supervisionada,
dependendo do algoritmo que ser aplicado. Ambos os casos
demandam duas fases: a do treinamento e a da classificao.
(MOREIRA, 2003)

Classificao de imagens

Procedimentos prvios para a realizao da

classificao:

Levantamento de campo, a fim de coletar amostras

para o treinamento dos classificadores.

Interpretao das imagens em tela do computador,

selecionando-se uma parte da rea de estudo, a fim
de se conhecer as caractersticas fsicas e antrpicas
de uma rea piloto, servindo de padro de
comparao (verdade terrestre) para a posterior
classificao supervisionada dos alvos urbanos.

Resultado da Classificao Digital

apresentado por classes espectrais (reas
que possuem caractersticas espectrais
semelhantes), uma vez que um alvo
dificilmente caracterizado por uma nica
assinatura espectral.
constitudo por um mapa de "pixels"
classificados, representados por smbolos
grficos ou cores.
O processo de classificao digital transforma
um grande nmero de nveis de cinza de cada
banda espectral em um pequeno nmero de
classes em uma nica imagem.

Tcnicas de Classificao
classificaes unidimensionais:
tcnicas aplicadas a um canal espectral
(uma banda da imagem)
classificao multiespectral: o critrio
de deciso depende da distribuio de
nveis digitais (ou nveis de cinza) em
vrios canais espectrais (vrias bandas)
Regra Geral: No geral, quanto maior o
nmero de bandas espectrais, maior
ser a preciso da classificao

Classificadores
Classificadores "pixel a pixel: usam de forma
individual a informao espectral de cada pixel na
busca por regies homegneas.
Ex: Mxima Verossimilhana (MAXVER), MAXVER ICM,
Distncia Mnima (distncia euclidiana) e Paraleleppedo.

Classificadores por regies: utilizam a

informao espectral de cada pixel e a relao
espacial de vizinhana entre pixels (reas
homogneas espectrais e espaciais da imagem)
O SPRING usa os classificadores: ISOSEG, Battacharya e
ClaTex (no supervisionados) para classificar as regies
de uma imagem segmentada.

Tipos de Classificao
SUPERVISIONADA (Pixel a Pixel)

Paraleleppedo
Distncia Mnima
MAXVER
MAXVER-ICM (considera a vizinhana)

NO SUPERVISIONADA (por regies)

ISOSEG

SUPERVISIONADA (por regies)

Bhattacharya
ClaTex

Classificao Supervisionada
Tipo de classificao que demanda o conhecimento
prvio de alguns aspectos da rea verdade
terrestre.
Tais reas so padro de comparao com as quais
todos os pixels desconhecidos sero comparados e,
posteriormente, classificados.
Nessa classificao, o treinamento diz respeito ao
reconhecimento da assinatura espectral de cada
uma das classes de uso do solo da rea da
imagem.
Para alguns classificadores (algoritmos), esse
reconhecimento abrange a obteno de parmetros
estatsticos (mdia, matriz de covarincia, etc.) de
cada classe presente na rea. Para outros
necessita-se somente do nvel mnimo e mximo de
nveis de cinza. (CROSTA, 1992)

Treinamento
rea de treinamento: a rea da imagem que o usurio
identifica como representante de uma das classes em
estudo.
Os limites da rea de treinamento so traados
diretamente sobre a imagem, no monitor de vdeo do
sistema de processamento de imagens. (Crosta, 1992)
Treinamento o reconhecimento da assinatura espectral
das classes.
Formas de treinamento: supervisionado e nosupervisionado.
rea de treinamento = amostra homognea da classe com
toda a variabilidade dos nveis de cinza.
Recomenda-se que o usurio adquira mais de uma rea de
treinamento, utilizando o maior nmero de informaes
disponveis, como trabalhos de campo, mapas, etc.
O nmero de "pixels" de treinamento de uma classe
aumenta com a complexidade da rea e do tema em
estudo.

Mtodos de Classificao
Supervisionada

Limite de aceitao
de uma classificao,
no ponto onde as
duas distribuies se
cruzam. Desta forma,
um "pixel" localizado
na regio sombreada,
apesar de pertencer
classe 2, ser
classificado como
classe 1, pelo limite
de aceitao
estabelecido.

Fonte: Jensen, 1996

Mtodos de Classificao
Supervisionada: Paraleleppedo
Considera uma rea, na forma de
quadrado ou paraleleppedo, no espao
de atributos ao redor do conjunto de
treinamento;
O algoritmo considera um intervalo de
valores (nvel de cinza) dentro de cada
categoria na rea de treinamento,
definidos como valores mnimo e
mximo para cada banda espectral.

Mtodos de Classificao
Supervisionada: Distncia Mnima
O classificador examina as distncias
entre um pixel e as mdias das classes e
atribui o pixel classe que apresentar a
menor distncia;
Se a distncia do pixel maior do que a
distncia de qualquer categoria definida
pelo analista, o pixel permanecer como
no classificado ou desconhecido.

Mtodos de Classificao
Supervisionada: MAXVER
Considera a ponderao das distncias entre
mdias dos nveis de cinza das classes,
utilizando parmetros estatsticos.
Utiliza estatsticas de treinamento para calcular
a probabilidade de um pixel pertencer a uma
determinada classe.
Examina a funo de probabilidade de um pixel
para cada classe e atribui o pixel classe com a
maior probabilidade.
Geralmente fornece classificaes com as
melhores precises.
Para que a classificao por mxima
verossimilhana seja precisa o suficiente,
necessrio um nmero elevado de "pixels", para
conjunto de treinamento.

MAXVER
Este mtodo parte
do princpio que o
usurio conhece
bem a temtica e
a regio da
imagem a ser
classificada para
poder definir
classes
representativas.

Fonte: CORREIA et al., 2004

Classificador MAXVER-ICM
Enquanto o classificador MAXVER associa classes
considerando pontos individuais da imagem, o
classificador MAXVER-ICM (Interated Conditional Modes)
considera tambm a dependncia espacial na
classificao.
Em uma primeira fase, a imagem classificada pelo
algoritmo MAXVER atribuindo classes aos "pixels",
considerando os valores de nveis digitais.
O algoritmo atribui classes a um determinado "pixel",
considerando a vizinhana interativamente. Este
processo finalizado quando a % de mudana
(porcentagem de "pixels" que so reclassificados)
definida pelo usurio satisfeita.
O SPRING fornece 5%, 1% e 0.5% para valores de
porcentagem de mudanas. Um valor 5% significa que a
reatribuio de classes aos "pixels" interrompida quando
at 5% do total de "pixels" da imagem foi alterado.

Classificao No-Supervisionada
Quando o usurio utiliza algoritmos para reconhecer as
classes presentes na imagem, a classificao dita nosupervisionada.
Ao definir reas para a classificao no-supervisionada,
o usurio no deve se preocupar com a homogeneidade
das classes.
As reas escolhidas devem ser heterogneas para
assegurar que todas as possveis classes e suas
variabilidades sejam includas.
Os "pixels" dentro de uma rea so submetidos a um
algoritmo de agrupamento ("clustering") que determina o
agrupamento do dado, numa feio espacial de dimenso
igual ao nmero de bandas presentes. Este algoritmo
assume que cada grupo ("cluster") representa a
distribuio de probabilidade de uma classe.

Classificao Supervisionada e
no-Supervisionada

Os dois tipos de classificao possuem regras de

deciso para que o classificador associe certo pixel a
certa classe ou regies de similaridade de nveis de
cinza. Essas regies consideram as caractersticas
espectrais do pixel (classificao pixel-a-pixel) ou do
pixel e seus vizinhos (classificao por regio). Se por
um lado, na classificao pixel-a-pixel o pixel
considerado de forma isolada, na classificao por
regio considera-se tanto a informao espectral do
pixel, como tambm a de seus vizinhos. Este ltimo
classificador procura simular o comportamento de um
fotointrprete ao reconhecer reas homogneas dentro
da imagem. O algoritmo mais utilizado o de mxima
verossimilhana (MAXVER) (MOREIRA, 2003)

Segmentao da Imagem
o processo de diviso de uma imagem em
regies uniformes - conjuntos de pixels contguos
- que devem corresponder s reas de interesse.
A segmentao pode ser feita por:
crescimento de regies, atravs de deteco de
bordas: O crescimento de regies utiliza medidas
estatsticas de similaridade e agregao para realizar o
agrupamento de dados.
por deteco de bacias: A classificao por deteco
de bacias deve ser feita sobre uma imagem resultante
da extrao de bordas (filtro de Sobel) e pressupe uma
certa representao topogrfica para a imagem.

A imagem rotulada resultante da segmentao

deve ser classificada atravs de classificadores
por regies.

Segmentao da Imagem

A tcnica da segmentao multi-resoluo baseia-se

na fuso de regies que extrai objetos de contraste
local, sendo que, no incio, cada pixel considerado
como um nico objeto de imagem e em cada iterao
os objetos so unidos para formar objetos maiores de
acordo com o critrio de homogeneidade que
descreve a semelhana entre objetos adjacentes.
(Machado e Caetano, 2004)

Segmentao da Imagem
A estratgia da segmentao seguida da
classificao aproxima-se muito do procedimento de
interpretao visual, pois primeiramente delimitamse unidades homogneas da paisagem e depois
atribu-se um cdigo.
Alm disso, o mapa resultante no apresenta um
aspecto salpicado como ocorre na classificao
pixel-a-pixel, evitando-se operaes de psprocessamento ou generalizao. (CAETANO,
SOUZA e GONALVES, 2007).

Segmentaes sobrepostas imagem

Segmentador com parmetros de
similaridade = 8 e rea = 20.

Fonte: CORREIA et al., 2004

Segmentador com parmetros de

similaridade = 12 e rea = 50.

Classificadores
Por Regies
ISOSEG
(automtico)
um algoritmo de
agrupamento de
dados nosupervisionado,
aplicado sobre o
conjunto de regies,
que por sua vez so
caracterizadas por
seus atributos
estatsticos de
mdia, matriz de
covarincia, e a
rea.

Fonte: CORREIA et al., 2004

Classificadores
Por Regies
K-mdias
um classificador no
supervisionado que
utiliza uma abordagem
de agrupamento. O
espao de atributos da
imagem partido em
K grupos. A partir
dessa situao inicial,
cada pixel da imagem
alocado ao centro
mais prximo segundo
a distncia euclidiana.

Fonte: CORREIA et al., 2004

Classificadores
Por Regies

Battacharya (requer
treinamento)

A medida da
distncia de
Battacharya mede a
separabilidade
estatstica entre um
par de classes
espectrais. Ou seja,
mede a distncia
mdia entre as
distribuies de
probabilidades de
classes espectrais.
Fonte: CORREIA et al., 2004
Fonte: CORREIA et al., 2004

Classificadores por Regies

ClaTex (requer treinamento)

um algoritmo supervisionado que utiliza atributos

texturais das regies de uma imagem segmentada. A
classificao realizada pela tcnica de agrupamento
de regies a partir de uma medida de similaridade
entre elas.

Classificadores por Regies

Orientada a Objetos

Integra as informaes de pixels vizinhos, deixando-se de

analisar cada pixel isoladamente para trabalhar-se com
regies relativamente homogneas, atravs da classificao
orientada a segmentos. (Alves e Vergara, 2005)

Considera a anlise da relao de um objeto com seus

objetos vizinhos.

O objeto o elemento da imagem constitudo de relaes

espaciais, os quais podem ser agregados objetos maiores,
criando-se nveis de segmentao.

A lgica de orientao a objeto considera as caractersticas

semnticas dos objetos, que podem ser analisadas segundo
seus aspectos geomtricos (topologia, forma e posio) e
temticos (atributos no espaciais dos objetos). (ANTUNES
e STURM, 2005)

Classificadores por Regies

Orientada a Objetos

Permite o conhecimento do analista e a utilizao de

parmetros de cor, forma, textura e relaes de vizinhana
na classificao de imagens.

Antes de realizar este tipo de classificao, necessrio

realizar a segmentao das imagens, pois permite a
delimitao dos objetos que sero classificados em seus
nveis de detalhes, considerando-se tanto a dimenso
espectral quanto a espacial.

Para isto, o processo de segmentao deve ser moldado

em funo da resoluo da imagem e da escala esperada
para os objetos. (Pinho, Feitosa e Kux, 2005)

Classificao MAXVER pixel a pixel

X
Orientada a Objetos

A classificao MAXVER pixel-a-pixel detecta melhor as classes de

vegetao e de gua, porm h grande confuso entre as classes
que apresentam comportamento espectral semelhantes: cobertura
cermica X solo exposto; pavimentao X concreto/amianto
escuro.

J na classificao orientada a objetos, esta confuso

minimizada devido introduo de parmetros espaciais (forma e
topologia) e da utilizao do dado auxiliar eixo das ruas durante os
processos de segmentao e classificao. A classificao
orientada tambm demonstra melhor identificao da classe
sombra, permitindo uma definio visual dos objetos mais refinada.

Entre os dois mtodos, h maior preservao das formas dos alvos

de interesse na classificao orientada a objetos, ao passo que o
resultado da classificao MAXVER pixel-a-pixel denota uma
aparncia granulada. (CAETANO, SOUZA e GONALVES, 2007)

Consideraes Gerais
Estudos urbanos - as cidades apresentam uma variedade de
cobertura num reduzido espao, ocorrendo alteraes
significativas inter e intrapixel. Nessa rea, h diversos alvos,
como: concreto das construes, asfalto que recobre as ruas e
avenidas, telhados de vrios materiais, solo exposto, grama,
rvores, dentre outros. Grande parte dessas superfcies menor
do que a resoluo de um pixel de alguns sensores orbitais como:
LANDSAT, TM, ETM, SPOT-PAN. (Freitas e Costa, 2003)
No meio urbano, a baixa resoluo espectral, pode ser superada
pelo maior aproveitamento da resoluo espacial, considerando-se
que os objetos existentes na cidade so mais distinguveis pela
resoluo espacial.
Nessa realidade, novos mtodos de classificao aparecem como
alternativas aos mtodos tradicionais. Os novos algoritmos de
classificao se baseiam no somente na informao espectral de
cada pixel, mas tambm na informao espacial que envolve a
relao entre os pixels e seus vizinhos (contexto). (Souza et al.,
2003)

Referncias Bibliogrficas

ANTUNES, A. F. B.; STURM, U. Segmentao orientada a objeto aplicado ao

monitoramento de ocupaes irregulares em reas de preservao
ambiental. In.: Simpsio Brasileiro de Sensoriamento Remoto, vol. 12, Anais.
Goinia, INPE, 15 a 21 abr., p. 2.019-2.026, 2005.
CAETANO, M.; SANTOS, T.; GONALVES, L. Cartografia de ocupao do
solo com imagens de satlite: estado da arte. Disponvel em:
www.igeo.pt/servios/CDI/biblioteca/publicaesIGP_files/esig_2002/papers.
Acessado em: 10 mar., 2007.
CORREIA, V. R. de M. Uma aplicao dopSensoriamento Remoto para a
investigao de endemias urbanas. Disponvel em:
www.scielo.br/img/revistas/csp/v23n5/04f1.gif. Acessado em: 04/05/2009.
CROSTA, A. P. Processamento Digital de Imagens de Sensoriamento
Remoto. Campinas: IG/UNICAMP, ISBN 85-853-690-27, 1992.
FREITAS, R.N.; COSTA, S.M.F. da. A utilizao de fotografias areas na
avaliao das transformaes scio-espaciais ocorridas na zona sul da
cidade de So Jos dos Campos/SP, de 1962-1997. In.: SIMPSIO
BRASILEIRO DE SENSORIAMENTO REMOTO, n.11. 2003. Belo Horizonte.
INPE. Anais. 05 a 10 de abril de 2003, p. 1811-1818.

Referncias Bibliogrficas

MACHADO, F.; CAETANO, M. Deteco de alteraes de ocupao do

solo com uma abordagem orientada por objetos. Disponvel em:
www.igeo.pt/IGEO/portugues/servios/CDI/biblioteca/publicaoesIGP_files/
ESIG_2004.pdf. Acessado em: 10 mar. 2007.

MOREIRA, M.A. Fundamentos de Sensoriamento Remoto e Metodologias de

Aplicao. 2 ed. Viosa, UFV, 2003
PINHO, C.M.D. de; FEITOSA, F. da F.; KUX, H. Classificao automtica de cobertura do
solo urbano em imagem IKONOS: comparao entre a abordagem pixel-a-pixel e
orientada a objetos. In.: SIMPSIO BRASILEIRO DE SENSORIAMENTO REMOTO, n. 12.
Goinia. Anais. INPE, p. 4.217-4.224, 2005
SOUZA, I.M. e, et al. Mapeamento do uso do solo urbano atravs da classificao por
regies baseada em medidas texturais. In.: SIMPSIO BRASILEIRO DE
SENSORIAMENTO REMOTO, n. 11. Belo Horizonte. Anais. INPE, p. 1967-1968, 2003.