Upload
internet
View
108
Download
3
Embed Size (px)
Citation preview
UMA ABORDAGEM HÍBRIDA PARA CLASSIFICAÇÃO DE IMAGENS DE
SENSORIAMENTO REMOTO
Aluno: Sandro Luiz Jailson Lopes TinôcoOrientador: David Menotti Gomes
Organização do Trabalho
• Objetivo• Imagens Hiperespectrais• Abordagem Proposta– KNN– Kmeans
• Experimentos e Resultados• Conclusão
Introdução
• Objetivo:– Diminuir o conjunto de treinamento do KNN e
reduzir o tempo de execução do algoritmo, mantendo ou melhorando a precisão.
Imagens Hiperespectrais
Abordagem Proposta
• Passo 1:– Separar os pixels rotulados em conjuntos.– Cada conjunto representando uma classe.
Abordagem Proposta
Abordagem Proposta
• Passo 2:– Fazer a classificação não supervisionada de cada
conjunto com um algoritmo de clusterização, como o Kmeans.
Abordagem Proposta
Abordagem Proposta
• Passo 3– Criar novos conjuntos de treinamento formados
pelos centros encontrados
Abordagem Proposta
Abordagem Proposta
• Passo 4– Fazer a classificação com um algoritmo de
classificação supervisionada, como o KNN, utilizando os novos conjuntos de treinamento.
Abordagem Proposta
Balanceamento das Classes
• K = quantidade de clusters• C = quantidade de classes• Q = quantidade de elementos de cada classe• M = mediana{Q1, Q2, ..., Qn},
com n = 1,2, ..., C,
R = M/KNKn = Qn/R
• NK = quantidade de clusters para cada classe
Validação Cruzada
Experimentos
• Código Matlab• Imagens dos sensores Aviris e Rosis
Aviris Rosis
Mapa temático: Aviris, 3-NN
Mapa temático: Aviris, 1-NN e 60 centros
Mapa temático: Rosis, 3-NN
Mapa temático: Rosis, 1-NN e 60 centros
Resultados: Precisão Geral
Resultados: Tempo de Execução
Análise
• A precisão da abordagem proposta está abaixo da precisão do KNN, em torno de 2% para imagens AVIRIS e 4% para imagens ROSIS.
• O tempo de execução da abordagem proposta chega a ser 10 vezes menor para imagens ROSIS e 2 vezes menor para imagens AVIRIS
Resultados: Precisão Média por Classe - Aviris
Resultados: Precisão Média por Classe - Rosis
Conclusão e Trabalhos Futuros
• A abordagem se mostrou promissora, uma vez que diminui o tempo de execução do KNN.
• Pesquisar algoritmos de redução de dimensionalidade.
Obrigado!
Perguntas?