48
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

AP Classif Ecognition

Embed Size (px)

Citation preview

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?

Exemplo de classificação

Exemplo de classificação

Exemplo de classificação

Exemplo de 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

Exemplo - Cor

Composição do espectro visível Composição utilizando também o infravermelho

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

Exemplo - Padrão

Imagem IKONOS -2 de 13/10/2000

São José dos Campos

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.

Exemplo de segmentação

Exemplo de segmentação

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:

Objetos

Objetos

Propriedades do objeto

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.

Vamos à demonstração no

eCognition

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.

Perguntas?

11 de Novembro de 2013

José Augusto Sapienza Ramos – Sistema Labgis/UERJ

Douglas Fraga - Threetek