Top Banner

Click here to load reader

Avaliação Comparativa entre Classificação Supervisionada ...marte.sid.inpe.br/col/dpi.inpe.br/[email protected]/2008/11.16.12.54/doc/981... · PDF filecaro, visto que...

Dec 02, 2018

ReportDownload

Documents

donga

  • Avaliao Comparativa entre Classificao Supervisionada por Regies e Orientada a Objeto para Imagens de Alta Resoluo Espacial: Cbers 2B-HRC e QuickBird

    Fernando Leonardi 1

    Cludia Maria de Almeida 1 Leila Maria Garcia Fonseca 1

    Flvio Fortes Camargo1

    1 Instituto Nacional de Pesquisas Espaciais - INPE Caixa Postal 515 - 12245-970 - So Jos dos Campos - SP, Brasil

    {leonardi, almeida, fortes}@dsr.inpe.br; [email protected] Abstract. In face of the increasing number of new orbital sensors of high spatial resolution currently available, the demand for robust classification methods has accordingly increased. Object-based analysis relies on cognitive approaches, which seek to emulate the contextual vision of the human interpreter in a virtual environment. In this sense, this paper is committed to comparatively evaluate a conventional supervised region-based classification and an object-based method for the extraction of intra-urban land cover targets in Mau city, So Paulo State, Brazil. For this end, a fusioned QuickBird and a fusioned Cbers 2B image were used. The region-based classification was executed in Spring 5.0 (System for Georeferencing Information Process) and the object-based analysis was accomplished in the platform Definiens Developer 7.0. The results show promising possibilities for the application of object-based analysis to the classification of remote sensing images. Palavras-chave: remote sensing, object-based analysis, image classification, sensoriamento remoto, anlise orientada a objeto, classificao de imagem. 1. Introduo

    Uma das fontes mais tradicionais de dados para a confeco de mapas de uso e cobertura do solo so as imagens orbitais de sensoriamento remoto. No entanto, as imagens disponveis at meados da dcada de 1990 no possuam resoluo espacial suficiente para discriminar os alvos dentro do ambiente intra-urbano. Desta forma, estudos detalhados sobre o ambiente intra-urbano s possuam como fonte de dados de sensoriamento remoto as fotografias areas, as quais possuem alta resoluo espacial (PINHO, 2005).

    A extrao de informaes destas imagens para a gerao de mapas de uso e cobertura do solo pode ser realizada por meio de procedimentos de interpretao visual ou por mtodos de classificao automtica de imagens. No contexto de mapeamento do uso e cobertura do solo de uma cidade inteira, a adoo da interpretao visual torna o procedimento demorado e caro, visto que mobiliza uma grande quantidade de mo-de-obra especializada. A utilizao de tcnicas automticas para a extrao de informaes , portanto, uma opo vivel para a classificao de uso e cobertura do solo intra-urbano em larga escala (PINHO, 2005).

    Sendo assim, este trabalho tem por objetivo comparar a classificao de duas imagens por dois diferentes mtodos de classificao. No referido trabalho, duas imagens so analisadas: (1) imagem QuickBird fusionada pelo mtodo pansharpening, com resoluo espacial de 0,6 m e (2) imagens Cbers 2B CCD-HRC fusionada pelo mtodo pansharpening, com resoluo espacial de 2,7 m, processada por Leonardi et al. (2008).

    Com o intuito de investigar o desempenho dos diferentes mtodos de classificao, props-se a realizao de classificao supervisionada por regies (Bhattacharya), utilizando o software Spring 5.0 (Sistema para Processamento de Informaes Georeferenciadas), e a classificao orientada a objeto, por meio da plataforma Definiens Developer 7.0.

    Neste contexto, as classificaes so realizadas para verificar qual mtodo teria o melhor desempenho quanto classificao de detalhes e coerncia condizente com a realidade. Na utilizao da anlise de imagens orientada a objeto, foi necessria a definio de uma rede semntica aplicvel classificao de cobertura do solo nas imagens em questo.

    981

  • 2. Anlise Orientada a Objeto A anlise orientada a objeto baseia-se nos seguintes passos Schwarz et al. (2002): (1)

    segmentao baseada em multi-resoluo; (2) gerao da rede semntica; (3) classificao; e (4) anlise da exatido temtica da classificao.

    2.1 Segmentao

    No processo de segmentao objetos em diferentes escalas so criados (segmentao em diferentes nveis), conectados entre si, e definidos de acordo com algum critrio de similaridade. O sistema Definiens Developer utiliza a segmentao em multi-resoluo, que realiza a fuso de regies (region-merging), na qual os segmentos da imagem so agrupados par a par, usando a tcnica de crescimento de regies. O agrupamento de regies ocorre segundo um critrio de homogeneidade, descrevendo a semelhana dos objetos vizinhos (HOFFMANN; VEGT, 2001). No algoritmo implementado no sistema Definiens Developer, atributos de forma, compacidade e suavidade, e cor so utilizados para caracterizar os diferentes segmentos (BAATZ; SCHPE, 2000). O parmetro compacidade um atributo que representa quo agrupado esto os pixels de um determinado objeto. A suavidade representa o grau de regularidade do contorno de um objeto. E, por fim, o parmetro fator de escala controla o tamanho de cada objeto, de modo que este corresponda a uma Unidade Mnima de Mapeamento (Minimal Mapping Unit - MMU). 2.2 Rede Semntica

    No segundo passo, os objetos passam a se relacionar atravs da definio da rede hierrquica (herana dos atributos que descrevem a classe) e da rede semntica (estrutura lgica de relao entre as classes). Para a classificao, o objeto atribudo classe para a qual o grau de pertinncia maior, sendo que este valor determinado por meio de lgica fuzzy (PINHO, 2005).

    Uma rede semntica uma notao grfica composta por ns interconectados. As redes semnticas podem ser usadas para representao de conhecimento, ou como ferramenta de suporte para sistemas automatizados de inferncias sobre o conhecimento (SOWA, 2002). Nesta representao as classes herdam atributos e comportamentos das superclasses que as contm. 2.3 Classificao

    Para classificar a imagem, o Definiens Developer possui dois classificadores: o vizinho mais prximo (nearest neighbor) e as funes fuzzy de pertinncia (fuzzy membership functions), alm da classificao manual. O vizinho mais prximo classifica os objetos da imagem com base na distribuio das amostras de treinamento das classes no espao de atributos. Na lgica fuzzy, o grau de pertinncia pode ser representado por diferentes curvas (rgidas ou contnuas). Utilizando regras fuzzy, um objeto pode estar associado a vrias classes com diferentes graus de pertinncia. O grau de pertinncia varia de 0 (no pertence) a 1 (pertence), e a classe considerada aquela cujo grau de pertinncia maior (FLANDERS et al., 2003).

    Depois de definidos os objetos (segmentao) e as hierarquias, o processo de classificao dos objetos efetuado por meio de regras de deciso. Dois fatores devem ser levados em considerao neste processo: qual tipo de regra de deciso ser adotado e quais atributos sero utilizados para diferenciar cada classe. Tambm possvel a criao de atributos personalizados, aritmticos ou relacionais, a partir de atributos existentes (PINHO, 2005).

    982

  • 3. Material Utilizado O trabalho foi realizado sobre uma rea teste de aproximadamente 13,5 km2 da rea

    urbana do municpio de Mau SP, que reunia diferentes padres de ocupao de cobertura do solo.

    Foram utilizadas duas imagens de diferentes sensores orbitais, contendo a mesma rea e localizao: uma multiespectral fusionada pelo mtodo pansharpening (QuickBird) com trs bandas na regio do visvel com resoluo espacial de 0,60 m; e uma segunda imagem multiespectral tambm fusionada pelo mtodo pansharpening (Cbers 2B CCD-HRC) com resoluo espacial de 2,7 m (Leonardi et. al., 2008).

    A composio IHS e as Principais Componentes das respectivas imagens foram inseridas como dados de entrada, as quais foram utilizadas como atributos para as classificaes.

    Os materiais utilizados para o processamento da imagem foram: a plataforma Definiens Developer 7.0 para a anlise orientada a objeto; o aplicativo SPRING 5.0 para as segmentaes e classificaes pelo mtodo tradicional; alm de um arquivo vetorial do tipo shapefile, com as quadras e ruas da rea urbana obtidos pela vetorizao no programa ArcGis 9.0.

    4. Metodologia

    Para o desenvolvimento deste trabalho, foram efetuadas as seguintes etapas: definio e caracterizao das classes; segmentao; elaborao da rede semntica e seleo de atributos; classificao e avaliao dos resultados (anlise qualitativa e quantitativa).

    As imagens fusionadas Quickbird e Cbers 2B CCD-HRC, nas resolues espaciais de 0,6 e 2,7, respectivamente, foram os dados de entrada nos estgios de processamento. 4.1 Definio e caracterizao das classes de interesse

    A seleo e caracterizao das classes de interesse foram realizadas com base na interpretao visual das imagens, procurando identificar os principais materiais aplicados nas vias pavimentadas, nas coberturas das construes e tambm os principais tipos de cobertura de feies naturais. Sendo assim, para as duas imagens fusionadas, foram definidas as seguintes classes de interesse: Corpos dgua (gua), Pavimentao Asfltica (Pav. Asf.), Concreto Escuro/Cimento Amianto/Telha Cermica (C.E./C.A./T.C.), Cobertura Claras (Cob. Clara), Solo Exposto (Solo Exp.), Sombra e Vegetao.

    A caracterizao das classes foi auxiliada pela elaborao de chaves de interpretao para cada uma delas. Nessas chaves, foram analisados os elementos de interpretao: cor, tamanho, forma, localizao e textura. 4.2 Segmentao

    Foram criados trs nveis de segmentao. Para cada um deles, definiram-se quais seriam os objetos de interesse, e quais objetivos deveriam atender, quais arquivos deveriam ser utilizados na segmentao e qual dos parmetros (cor ou forma) teria maior peso na segmentao.

    O Nvel 1 agrega todos os objetos dos nveis inferiores. O Nvel 3, onde foram criadas apenas as classes quadras e ruas, foi criado para restringir a existncia de algumas classes, baseado no fato de que alg

Welcome message from author
This document is posted to help you gain knowledge. Please leave a comment to let me know what you think about it! Share it to your friends and learn new things together.