Olá caros colegas, como foi pedido ai vai um tutorial sobre classificação, nesse tutorial usaremos a classificação não supervisionada que não dá conhecimento prévio ao classificador sobre os atributos das classes pertinentes a cena. O processo de classificar significa agrupar alvos iguais e separar alvos diferentes, “Na definição matemática, usa- se o espaço de atributos ("feature space"), que é essencial para se entender como funciona a classificação de imagens multiespectrais. No processamento digital, a cada eixo desse espaço são atribuídos os níveis de cinza de uma determinada banda espectral.” Então vamos ao procedimento. Abra a imagem que deseja classificar indo em Add Data. Depois abra o ArcToolBox e vá em Spatial Analyst Tools > Multivariate > Iso Cluster. Neste tipo de classificação, as classes são determinadas pela análise de agrupamentos.
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.
Transcript
Olá caros colegas, como foi pedido ai vai um tutorial sobre classificação, nesse tutorial
usaremos a classificação não supervisionada que não dá conhecimento prévio ao
classificador sobre os atributos das classes pertinentes a cena. O processo de classificar
significa agrupar alvos iguais e separar alvos diferentes, “Na definição matemática, usa-
se o espaço de atributos ("feature space"), que é essencial para se entender como
funciona a classificação de imagens multiespectrais. No processamento digital, a cada
eixo desse espaço são atribuídos os níveis de cinza de uma determinada banda
espectral.”
Então vamos ao procedimento. Abra a imagem que deseja classificar indo em Add
Data.
Depois abra o ArcToolBox e vá em Spatial Analyst Tools > Multivariate > Iso
Cluster. Neste tipo de classificação, as classes são determinadas pela análise de
agrupamentos.
Em Input Raster Bands, coloque a imagem a ser classificada, em Output Signature
File o software lhe dará um nome e um local, se for o caso mude, lembrando de colocar
a extensão *.gsg. No Number of Classes, depois de ter dado uma olhada na imagem
afim de saber a variabilidade espacial, você pode escolher o valor, para nosso exemplo
usaremos 10 classes, o Number of Iterations serve para que o programa possa a cada
iteração, recalcular e reclassificar os pixels, considerando-se os novos valores médios,
para tanto usaremos 9 iterações. No Minimum Class Size e no Sample Interval não
mude nada. Mande rodar o processo. Depois de completo, foi gerado um arquivo que
será usado na classificação.
Agora vá em Spatial Analyst Tools > Multivariate > Maximum Likelihood
Classification.
Em Input Raster Bands, coloque a imagem a ser classificada, em Input Signature
File localize o arquivo que foi gerado no processo anterior e em Output Classifield
Raster, se for o caso mude o nome e o local, Rejeite frações menores que a área do
pixel, indo em Reject Fraction, deixe o restante como está no modo defult e mande
rodar.
Depois de terminado sua classificação deve ter ficado com várias cores, agora é só
determinar a que classe pertence cada variação. A nossa ficou assim.
Lembrando que essa é classificação segue o método não supervisionado e por isso deve
gerar alguns erros, para limpar a classificação use os filtros, esses serão tema de outro
tutorial.
���������������� ����������������������������������“Tou, J. T. and R. C. Gonzalez, 1974. Pattern Recognition Principles, Addison-Wesley Publishing Company, Reading, Massachusetts”.
Um abraço e bom trabalho.
Espero que tudo tenha dado certo, qualquer duvida entre em contato, [email protected] ou http://geotecnologias.wordpress.com/ Mensagem: "Era uma vez um gênio. Alguém lhe perguntou: 'Também quero ser um gênio. Que fazer para me tornar um?' Ele disse: 'Estude o Caminho do gênio.'