ANA MARIA DE SOUZA

O ESTADO DA ARTE:

Estado da Arte apresentado como avaliação parcial ao Mini Curso de Sensoriamento Remoto do Programa de Pós-Graduação de Geografia da Universidade Estadual de Ponta Grossa – UEPG.

Professora: PhD Selma Ribeiro Aranha Ribeiro.

Doutoranda: Ana Maria de Souza

________________________________

Ponta Grossa, 2015

ESTADO DA ARTE PROCEDENTE DAS LEITURAS FEITAS AOS ARTIGOS:

1. Algoritmos para Reconhecimento de Padrões

2. Classificação Não supervisionada de Imagens de Sensores Remotos utilizando Redes Neurais Auto Organizáveis e Métodos de Agrupamentos Hierárquicos

3. Detection Of Urban Features And Map Updating From Satellite Images Using Object-Based Image Classification Methods And Integration to GIS

4. A Segmentation Algorithm for Remote Sensing Imaging Based on Edge and Heterogeneity of Objects.

O Estado da Arte:

1. IntroduçãoO desenvolvimento metodológico e as aplicações das técnicas em sensoriamento

remoto vêm se desenvolvendo de forma ampla e rápida, exigindo avaliações

constantes do estado atual da arte. Para este estudo foram avaliados a leituras de

quatro artigos solicitados: (i) - Algoritmos para Reconhecimento de Padrões; (ii) -

Classificação Não supervisionada de Imagens de Sensores Remotos utilizando

Redes Neurais Auto Organizáveis e Métodos de Agrupamentos Hierárquicos; (iii) -

Detection Of Urban Features And Map Updating From Satellite Images Using Object-

Based Image Classification Methods And Integration to GIS e (iv) - A Segmentation

Algorithm for Remote Sensing Imaging Based on Edge and Heterogeneity of

Objects. As observações feitas através das leituras dos artigos acima relacionados

interligam ideias dos colaboradores (autores), onde, comparam algoritmos

relacionados com o reconhecimento de padrões, para melhorar cada vez mais as

imagens extraídas através de sensores e avaliadas por ferramentas do Sistema de

Informações Geográficas (SIG), utilizadas em sensoriamento remoto. Existem

diferentes softwares e satélites que facilitam a leitura de imagem com alta resolução,

utilizando a GEOBIA. Primeiramente faremos um pequeno relato de cada artigo

mencionado, em seguida, podemos fazer uma comparação entre os algoritmos que

apresentem maior eficiência em relação à extração de imagens com alta resolução.

2. Algoritmos para Reconhecimento de PadrõesO presente artigo apresenta como objetivo principal o desenvolvimento de

algoritmos para sistemas de reconhecimento de padrões com ênfase em técnicas de

agrupamento. Inicialmente são apresentados os conceitos básicos sobre

reconhecimento de padrões e, a seguir, desenvolve-se uma visão sistêmica do

problema, discutindo as fases e métodos de abordagem de projeto do

reconhecimento de padrões. Num sistema físico qualquer existe um número infinito

de características que definem os padrões neles existentes. O Extrator de

Características tem como função determinar e extrair as características mais

significativas que contribuam para a descrição do objeto, dentre as infinitas

características que possam descrevê-lo. Outro dado relevante é que o extrator de

características varia com o sistema a ser analisado.

3

A Tabela 1 acima mencionada exemplifica várias tarefas de classificação,

propostas por um sistema de reconhecimento de padrões, com seus dados de

entrada e respectivos dados de saída. Uma vez extraídas as características é

necessária à classificação do objeto. Esta classificação pressupõe a designação do

objeto a uma determinada classe, dentre as várias que se apresentam. Nesta etapa

o classificador “aprende” a distinguir dentre as classes, aquela à qual o objeto

pertence. Padrões de uma mesma classe aglomeram-se em agrupamentos Sj. Se o

treinamento do classificador exigir amplo conhecimento “a priori” da estrutura

estatística dos padrões a serem analisados e o padrão de entrada for identificado

como membro de uma classe pré-definida pelos padrões de treinamento, o

classificador será chamado de Classificador Paramétrico e a classificação se

processa de forma supervisionada. Por outro lado, se o classificador utilizar

determinado modelo estatístico, ajustando-se mediante processos adaptativos e a

associação entre padrões, se fizer com base em similaridades entre os padrões de

treinamento, o classificador será chamado de Classificador Não paramétrico e a

classificação se processará de forma não supervisionada.

As abordagens de projeto apresentadas são implementadas através de três

métodos de reconhecimento de padrões: métodos matemáticos, métodos

linguísticos ou sintáticos e métodos heurísticos. Não é raro o emprego de uma

combinação dos métodos acima citados para que se efetive o reconhecimento de

padrões (Tou e Gonzales, 1981). Os algoritmos analisados e implementados foram:

“Similaridade Máxima”, “MaxiMin-Distância”, “K-Means” e “ISODATA”. O objetivo

proposto inicialmente foi alcançado, ou seja, foram desenvolvidos com êxito os

algoritmos “Similaridade Máxima”, “MaxiMin-Distância”, “K-Means” e “ISODATA”. 4

3. Classificação Não supervisionada de Imagens de Sensores Remotos utilizando Redes Neurais Auto Organizáveis e Métodos de Agrupamentos Hierárquicos

Este trabalho apresenta uma nova metodologia para a classificação não

supervisionada de imagens de sensoriamento remoto. Diferentemente dos métodos

convencionais de classificação não supervisionada, como o K-médias e o ISODATA,

os quais se baseiam somente em técnicas de agrupamentos particionais, a

metodologia proposta realiza a classificação automática de imagens através de uma

abordagem inovadora empregando o Mapa Auto-organizável de Kohonen (SOM –

Self-Organizing Map) em conjunto com um método de agrupamento hierárquico

aglomerativo. O ponto chave do método proposto é executar o processo de análise

de agrupamentos através de um conjunto de protótipos do SOM ao invés de

trabalhar diretamente com os padrões originais da imagem. Essa estratégia reduz

significativamente a complexidade da análise dos dados tornando possível a

utilização de técnicas normalmente consideradas inviáveis para o processamento de

imagens de sensoriamento remoto, como métodos de agrupamentos hierárquicos e

índices de validação de agrupamentos. Através do SOM, o método proposto mapeia

os padrões originais da imagem para uma grade de neurônios bidimensional

procurando preservar a distribuição de probabilidade e a topologia dos mesmos.

Posteriormente, um método de agrupamento hierárquico aglomerativo com

restrições de conectividade é aplicado sobre a grade de neurônios já treinada,

gerando um dendrograma simplificado para os dados da imagem. Cada nível do

dendrograma apresenta uma configuração diferente de agrupamentos de neurônios

(ou protótipos) do SOM que pode ser utilizada para representar as classes sobre as

quais a imagem original será classificada. Aplicando versões modificadas de índices

de validação de agrupamentos o método determina automaticamente o número ideal

de agrupamentos da imagem não exigindo que o usuário defina previamente a

quantidade de classes para realizar o processo de classificação. Os resultados

experimentais mostram um exemplo de aplicação da metodologia proposta sobre

uma imagem teste e compara o seu desempenho com o do algoritmo K-médias.

4. Detecção de características urbanas e atualização de mapas por imagens de satélites usando métodos de classificação de imagem

5

orientados a objeto e integração com SIG (Detection Of Urban Features

And Map Updating From Satellite Images Using Object-Based Image

Classification Methods And Integration to GIS).O objetivo do presente trabalho se propôs a extrair feições de construções e

rodovias utilizando análise de imagem orientada a objeto e também a partir de

digitalização manual, e compará-las com o mapa topográfico de referência na escala

de 1:5000. A área de estudo Localiza-se na cidade de Zonguldak, na região do Mar

Negro ocidental da Turquia. Possui topografia ondulada, e terrenos íngremes e

acidentados em algumas regiões. A área urbanizada localiza-se ao longo da costa

do mar, e as terras agrícolas e florestas na parte interior da região.

A evolução das tecnologias por satélites fornecem especificamente a

oportunidade da determinação das grandes áreas em detalhes e a uma produção

confiável, estendo-se os dados rapidamente. Assim, a rápida evolução em áreas

urbanas pode ser seguida e estratégias em dirigir esses desenvolvimentos podem

ser formadas. As abordagens de extração automática de objetos recentemente se

tornaram necessários para grande escala de mapeamento topográfico das imagens,

determinando as mudanças de topografia e revisão dos dados de mapas existentes.

Para o mapeamento de imagens de alta resolução espacial ou construção de banco

de dados no Sistema de Informação Geográfico (SIG) e sua atualização, a análise

de imagens baseada em objetos automática tem sido geralmente utilizado para

aplicações de sensoriamento remoto nos últimos anos. Além disso, como os

produtos obtidos por extrações com base em objetos automáticos são baseados em

SIG, que pode ser integrado e consultados em várias análises estratégicas.

Abordagem baseada em objeto assume forma, texturas e informações

espectrais extremamente importantes. Sua fase de classificação começa com o

primeiro passo crucial do agrupamento de pixels vizinhos em áreas significativas,

que podem ser manuseados na etapa posterior de classificação. Essa segmentação

e geração de topologia devem ser definidas de acordo com a resolução e a escala

dos objetos esperados. Por esse método, não individuais pixels são classificados,

mas objetos de imagem homogêneos são extraídos durante uma etapa de

segmentação anterior. Esta segmentação pode ser feito em várias resoluções,

permitindo assim a diferenciação de diversos grupos de categorias de objetos (Baatz

et al., 2004). Para o propósito deste estudo, vários testes foram realizados para

combinar com a segmentação bem sucedida, então, para a classificação foram

inseridos diferentes parâmetros para pacote de software eCognition.6

A precisão da classificação em sensoriamento remoto é determinar a concordância

entre os materiais de referência selecionados e os dados classificados. Para

analises, foram obtidos 100 segmentos para os edifícios e 50 segmentos para rede

rodoviária, foram selecionados aleatoriamente a partir da imagem real e foi

analisada de acordo com a imagem escolhida. Com base nessas análises, a

precisão global foi determinada como78%, 73% e 75%.

Com base nos resultados obtidos, foram tiradas as seguintes conclusões:

Embora os satélites QuickBird e IKONOS alcancem imagens adequados para a

produção e atualização dos mapas nas escalas de 1:5000, essas imagens não

contém um conteúdo completo de informações nos mapas dessa escala.

O processo de extração de características baseada em objeto é muito rápido e

viável na construção e extração, porque obtém resultados próximos com a

digitalização manual.

O manual na tela de digitalização processou um método mais lento do que o

automático, mas obteve resultados mais próximos como as formas de recurso real.

Com base nos resultados em objetos, viu-se que, 79-97% dos edifícios e 115-147%

da rede rodoviária foi extraído automaticamente. A razão deste valor baixo (79%)

são as situações de recursos nesta imagem (urbanização não planejada) e contraste

com problemas de sombra causados por edifícios na imagem.

Por outro lado, o software eCognition tem baixa capacidade de extração de objetos

lineares. Algumas das características da estrada tiveram as mesmas refletâncias

como o dos edifícios. Portanto, os resultados foram inadequados formados na fase

de segmentação e classificação, no final, os resultados errados foram extraídos

ocorreu como% 115-147.

O conhecimento do operador foi utilizada para digitalização manual. Por outro lado,

as funções de pertinência da lógica fuzzy foram usadas para extrair recursos na

análise de imagens baseada em objetos.

Fazer análises e comparações com base em SIG com dados raster e vetores da

área de teste tem uma importância crucial em termos de colocar diante da situação

recente.

5. Um algoritmo de segmentação de imagem por sensoriamento remoto baseado na borda e na heterogeneidade dos objetos (A Segmentation Algorithm for Remote Sensing Imaging Based on Edge and Heterogeneity of Objects).

7

Faz uma abordagem da análise da imagem orientada a objeto para a extração de objetos terrestres de interesse, utilizando um algoritmo de segmentação para imagens de sensoriamento remoto baseado no limite e heterogeneidade de objetos. Extração de informações e reconhecimento de alvo são técnicas centrais nucleares para a conversão de alta resolução de dados em sensoriamento remoto, mostrando informações utilizáveis e aplicações práticas em diversos domínios. A Segmentação de imagens são uma tecnologia e um processo pelo qual a imagem é dividida em objetos com diferentes características que permitem a extração dos alvos de interesse. O objetivo da segmentação é dividir a imagem em várias regiões desconexas individualmente, mas consistentes. As características e os atributos entre as regiões adjacentes têm diferenças significativas: alta resolução remota, segmentação de imagens de sensoriamento - afetado por um grande número de parâmetros de dados. Como também, alta variabilidade espacial, análise e compreensão da alta resolução de imagem de sensoriamento remoto de diferentes recursos de escalas, sendo difícil fazer a segmentação. Foi feito uma revisão de estudos relacionados com o assunto, e foram encontrados muitos trabalhos parcialmente relacionados com a abordagem do tema. Nos últimos anos, os processos para a segmentação de imagens têm sido um foco principal da pesquisa na área de análise de imagem. Muitas abordagens diferentes têm sido apresentadas, porém, nada tão completo como o trabalho proposto pelos autores do artigo. Na verdade, os autores tomaram com base diferentes estudos de pesquisa para aprimorar e aperfeiçoar a pesquisa sobre um algoritmo de segmentação de imagem por sensoriamento remoto baseado na borda e na heterogeneidade dos objetos, de forma mais eficiente. Este se baseia na ponta e heterogeneidade de objetos, onde, o algoritmo também leva em conta as informações das beiradas das imagens de sensoriamento remoto e das regiões homogêneas geradas pela heterogeneidade dos objetos. Foram aplicados o algoritmo de Canny combinado com morfologia matemática, onde, a utilização do algoritmo de Canny combinado com métodos de morfologia, foi possível obter mais informação das bordas a serem retida, e o conflito entre o sinal para ruído e resposta de borda de sinal pode ser resolvido para certa medida. Em primeiro lugar, utilizou-se o algoritmo de Canny na imagem original para a detecção remota extraindo das bordas informações. Especificamente, a imagem foi processada por curvas Gaussiana filtrada, em seguida, o imagem foi processada por dilatação morfológica e os limiares de altos e baixos foram definidos para a execução do algoritmo, para extrair a informação das bordas. Em seguida, com base da heterogeneidade espectral, heterogeneidade espacial e heterogeneidade geral multiespectral dos objetos das imagens, a Abordagem Fractal Evolução Net foi usada para obter determinadas áreas homogêneas, e a vantagem da informação foi utilizada como um padrão de julgamento regional de heterogeneidade na região de fusão. No experimento, os objetos terrestres foram simplesmente divididos em cinco categorias: prédios, estradas, vegetação, água e mutação. Resultados de segmentação dos mesmos dados foram comparados com os resultados obtidos usando o atual integrado ao sensoriamento remoto. Segmentação de parâmetros foram escolhidos por referência a parâmetros de segmentação padrão utilizadas pelos eCognition , onde os

8

parâmetros de segmentação multi resolução em eCognition formam: Escala = 50, Forma = 0,1, Compactness = 0,9. Para os resultados de segmentação em eCognition plataforma Huang L. et al. / Revista de Ciência da Informação e Computacional 10: 9 (2013) 2659-2670 2667, o tempo de computação da abordagem proposta é menos do que a segmentação multi resolução. O cálculo desenvolvido no momento da abordagem proposta é 2,562 s, enquanto o tempo de computação de multi resolução segmentação é 3,054 s. Embora a diminuição muitas vezes parecesse pouca, contribuiu para reduzir o tempo de processamento na extração posterior. A fim de analisar quantitativamente os resultados de segmentação e avaliá-los como bom ou inaceitável, as partes de edifícios que foram analisados neste trabalho. Obteve-se um método empírico usando discrepância a correlação final de método de comparação estatístico relativo que tem sido utilizada para avaliar os resultados de segmentação. Os resultados da segmentação são divididos e relacionadas a correlação que é classificada em três graus de referência: o número de edifícios para os quais contorno informações extraídas com precisão é boa; o número de edifícios para os quais as informações de contorno são extraídos de base e é aceitável; e os números de edifícios para os quais o contorno informações são mesclados ou não extraídos, é inaceitável. i

9

i Ana Maria de Souza. R.A. 4100115002010