7segmentação e classificação - unifap · 2019. 2. 25. · atlas de ecosssistemas da america do...
TRANSCRIPT
Segmentação e Classificação
Prof. Herondino
Segmentação
} Conjunto finito de regiõesdefinido por:
onde e
SRR ,...,1
US
iiRR
1=
=
=ji RR I
Neste processo, divide-se a imagem em regiões que devem corresponder às áreas de interesse da aplicação. Entende-se por regiões um conjunto de "pixels" contíguos, que se espalham bidirecionalmente e que apresentam uniformidade, ou seja, dado
Crescimento por Região} A divisão em porções consiste basicamente em um processo
de crescimento de regiões, de detecção de bordas ou de detecção de bacias.
} Crescimento de regiões} É uma técnica de agrupamento de dados, na qual somente as
regiões adjacentes, espacialmente, podem ser agrupadas.} Inicialmente, este processo de segmentação rotula cada "pixel"
como uma região distinta.} Calcula-se um critério de similaridade para cada par de
regiões adjacentes espacialmente.
Crescimento por Região} O critério de similaridade baseia-se em um teste de hipótese
estatístico que testa a média entre as regiões.} A seguir, divide-se a imagem em um conjunto de sub-imagens
e então se realiza a união entre elas, segundo um limiar de agregação definido.
Segmentação no SPRING
Limiar de Similaridade
Área do objeto
Detecção de bacias} A classificação por detecção de bacias é feita sobre uma
imagem resultante da extração de bordas. A extração de bordas é realizada por um algoritmo de detecção de bordas, ou seja, pelo filtro de Sobel
} O algoritmo calcula um limiar para a perseguição de bordas. Quando ele encontra um "pixel" com valor superior ao limiar estabelecido, tem-se início o processo de perseguição da borda
Segmentação Binária
<
≥=
TjifparaTjifpara
jig),(0),(1
),(
} Algoritmo Básico de Limiar:} Buscar todos os pixels da imagem . Um elemento de
imagem da imagem segmentada é um pixel do objeto se e um pixel de fundo caso contrário.
),( jif f),( jig
Tjif ≥),(
Segmentação Binária
(a) Imagem Original. (b) Imagem segmentada a partir do limiar escolhido Fonte: (Sonka, Hlavac e Boyle, 2008)
<
≥=
TjifparaTjifpara
jig),(0),(1
),(
Tipos de Classificação} Em relação ao tipo de treinamento, a classificação
automática pode ser dividida em dois grupos:o Classificação Supervisionada - nesta
classificação cada pixel da imagem é associado a uma classe espectral sem que o usuário tenha um conhecimento prévio do número das diferentes classes presentes na imagem.
o Não supervisionada – o usuário seleciona amostras representativas para cada uma das classes.
Classificação utilizando a segmentação
Criar o Contexto
Criação do Contexto
Contexto Criado e pronto para treinamento
Faz-se a seleção das Bandas que serão usadas na classificação e a segmentação que será utilizado na captura das amostras
Etapas para a classificação
Para o treinamento do algoritmo faz-se necessário a escolha dos temas para a classificação
Criando os temas das classes
Criando os temas da classificação.Na criação do temas é necessário a associação com uma cor que pode ser escolhida no menu de Cor...
Associando a cor ao tema
Criando os temas das classes
Criando os temas para a classificação.Após a criação dos temas pode-se iniciar a aquisição das amostras (treinamento) definida o tipo de aquisição por região.
Fazendo o treinamento
Fazendo o treinamento
Algoritmos Classificadores
ISOSEG
O Isoseg é um algoritmos de de agrupamento (clustering) de dados não-supervionado, aplicado sobre um determinado conjunto de regiões, caracterizadas por seus atributos estatísticos de média, matriz de covariância e área (INPE/DPI, 2006)
Battacharya} A distância de
Battacharya é usada para medir a separabilidadeestatística entre um par de classes espectrais.
} Ela mede a distância média entre as distribuições de probabilidades de classes espectrais.
ClaTex} É um algoritmo supervisionado
que utiliza ambos os atributos texturais das regiões de uma imagem segmentada para efetuar a classificação por regiões.
} A medida utilizada consiste na distância de Mahalanobis entre a classe de interesse e as regiões candidatas à relação de pertinência com esta classe.
Referência Bibliográfica
} GONZALEZ, R. C.; WOODS, R. E. Digital Image Processing. 2a. Edition. ed. New Jersey: Prentice Hall, 2001.
} INPE. Tutorial de Geoprocessamento disponível em http://www.dpi.inpe.br/spring/portugues/tutorial/introducao_pro.html. Acesso em 05/02/2014.
} CCRS - CANADA CENTRE FOR REMOTE SENSING (Canada). Canada. Tutorial: Fundamentals of Remote Sensing: Introduction What is Remote Sensing?. Natural Resources Canada. Disponivel em: <http://www.ccrs.nrcan.gc.ca/resource/tutor/fundam/chapter1/01_e.php>. Acesso em: 25maio 2011
} SAUSEN, T. M.; COSTA, S. M. D.; DI, M. A. C. Projeto Educa SeRe III -Atlas de Ecosssistemas da America do Sul e Antartica. XII Simpósio Brasileiro de Sensoriamento Remoto, Goiania, 16-21 Abril 2005. 1345-1352