Classificação não supervisionadade imagens

Classificação de imagens

• Consiste na identificação de tipos de cobertura de solos, de acordo com os padrões de resposta espectral dos elementos utilizados na classificação.

Exemplo:

• Classificação de pixel da imagem em cobertura do solo do tipo:

• Urbano

• Floresta

• Água

Importante

• Um passo vital na classificação é a avaliação da exatidão das imagens finais produzidas onde:

• A classe de cobertura de solo encontrada no campo é então comparada com que foi mapeada na imagem para os mesmos locais.

Sucesso da classificação

Da presença de assinaturas distintas para as categorias de cobertura de solo de interesse no conjunto das bandas que estão a ser utilizadas.

Da habilidade para distinguir com segurança tais assinaturas de outros padrões d respostas espectral que possam estar presentes na imagem.

Classificação não supervisionada

• A classificação não-supervisionada agrupa os pixels segundo as suas características espectrais, organizando-os em agrupamentos denominados de clusters (enxame, aglomeração).

• Os parâmetros mais utilizados para definir os clusters são a média, variância e covariância, pelos quais a proximidade espectral dos pixels no espaço multidimensional é definida.

• Os clusters constituem, portanto, classesespectrais.

• Na classificação não supervisionada o analista fornece apenas alguns parâmetros como o número mínimo e máximo de classes desejadas e número de iterações

As classes espectrais geradas numa classificação não-supervisionada podem ou não coincidir com as classes de interesse. Trata-se, portanto, de uma operação exploratória para verificar o que é estatisticamente separável ou não, quais as classes mais evidentes e sua relação com o quase deseja discriminar

Isodata

• O método de classificação isodata é, provavelmente, o mais conhecido e é descrito como um meio de interpretação de imagens de sensoriamento remoto assistida por computador.

• O programa de classificação identifica padrões típicos nos níveis de cinza. Esses padrões são classificados efetuando-se visitas de reconhecimento a alguns poucos exemplos escolhidos para determinar sua interpretação.

• Em razão da técnica usada nesse processo, os padrões são geralmente referidos como "clusters" (agrupamentos ou nuvens) (Eastman, 1994, p. 104).

• Neste tipo de classificação, as classes são determinadas pela análise de agrupamentos ("cluster analysis")

Vantagens

• Não requer um conhecimento previo da areade estudo

Desvantagens

O usuário tem pouco controle sobra a separação de classes.

Determinação do numero de classes.

• Podemos dizer que, no caso das classificações não-supervisionadas, quanto maior a heterogeneidade das amostras, maior a certeza de que todas as classes possíveis estarão representadas (Novo, 1988, p. 285).

• Os pixels nas áreas de treinamento são, então, submetidos a algoritmos de agrupamento ("clustering"), que determinam o agregamento natural dos dados, considerando sua distribuição num espaço de n dimensões (no caso, bandas espectrais).

• Selecione, dentro do menu principal, a cadeia de comandos “Classificação – Não Supervisionada – IsoData”

• Aparece a caixa de dialogo do arquivo de entrada para a classificação.

Numero de classes

• O usuário precisa determinar o numero de classes para as quais o computador deve calcular o algoritmo de grupamento. O valor padrão e de cinco classes.

Numero de interações (repetições do processo)

• A cada iteração, recalculam-se e reclassificam-se os pixels, considerando-se os novos valores médios. Além disso, o usuário pode determinar o desvio padrão e o erro de distancia mínima.

• Clique no botão “OK” para aceitar os parâmetros da classificação isodata.

K-Means

• O Método K-Means calcula inicialmente as classes distribuindo em uma classe uniformemente no espaço e então aglomera classe por classe em um processo iterativousando a técnica de distância mínima. Melhor será a classificação quanto melhor for agrupada a nuvem de pixels.

• A classificação estará pronta quando o número de iterações definido pelo usuário for concluído, ou quando for alcançado o critério de número de pixels que mudam de classe (Change Threshold); por exemplo, se escolhermos 5%, e, se menos de 5% dos pixels “migrarem” de uma classe para a outra, o critério estará alcançado.

Ex :

• Selecione o menu principal, a cadeia de comandos “Classificação – Não supervisionada- K-Means

• Selecione o arquivo desejado, clique em ok e aparecera a janela “K-Means Parameters”

• Preencha todos os parâmetros e clique em OK. O resultado aparecera na lista de bandas disponíveis.