RELATÓRIO DE AULA PRÁTICA: Classificação de Imagens no Spring

...

URBANO 4,10 0,05 68,49 27,77

PASTAGEM 1,16 0 15,59 82,89

Fonte: Autora deste estudo

Nota-se que a tabela 2 apresenta dados menos precisos quando comparados com a matriz apresentada na tabela 1. O software encontrou mais dificuldade em diferenciar as classes, ou seja, as respostas espectrais apresentaram distribuições similares.

A segmentação também é utilizada para a classificação de imagens. Neste processo, a imagem é dividida em regiões (conjunto de pixels próximos e que possuem homogeneidade) que corresponderão às áreas de interesse da aplicação. Ela pode ser realizada por processo de crescimento de regiões, de detecção de bordas ou de detecção de bacias.

O classificador por regiões Isoseg agrupa dados de forma não-supervisionada e é utilizado para classificar regiões de uma imagem segmentada considerando seus atributos estatísticos de média e matriz de covariância, e também a área. O resultado da aplicação da técnica Isoseg é apresentado na figura 4, onde o programa agrupou os pixels de características (respostas espectrais) similares em diversas classes.

O classificador supervisionado por regiões Bhattacharya utiliza a distância Bhattacharya para medir a separabilidade estatística (calculada através da distância média entre as distribuições de probabilidades de classes espectrais) entre os pares de classes espectrais (Leão et al., 2007). Oliveira e Mataveli (2013, p. 92) completam que ele “requer a seleção de áreas de treinamento, podendo utilizar as regiões obtidas pela segmentação ou polígonos representativos das regiões a serem classificadas”. A figura 5 foi obtida após a aplicação da classificação Bhattacharya:

Tabela 3: Matriz de Confusão – Bhattacharya

VEGETAÇÃO PASTAGEM SOLO AGRICULTURA ÁGUA

VEGETAÇÃO 100 0 0 0 0

PASTAGEM 0 100 0 0 0

SOLO 0 0 100 0 0

AGRICULTURA 0 26,14 0 73,86 0

ÁGUA 0 0 0 0 100

Fonte: Autora deste estudo

A matriz de classificação Bhattacharya apresentou os resultados mais eficazes em comparação com as demais matrizes. Pode-se considerar que a amostragem do item agricultura foi inadequada ou insuficiente, pois o Spring confundiu os pixels de pastagem e agricultura durante a classificação gerando as áreas que encontram-se em branco, sendo considerados como pastagem apenas 73,86% do total amostrado.

O classificador por regiões Histograma utiliza a diferença entre os histogramas das regiões para agrupar as classes (CLASSIFICAÇÃO..., 2017). O resultado da aplicação da técnica segue na figura 6.

Em síntese, aconselha-se que sejam adquiridas amostras significativas dos alvos, de forma que o software tenha condições de realizar a classificação o mais próximo possível da área estudada. Antes de se escolher o classificador que será utilizado, é importante considerar as vantagens e desvantagens de cada um, tendo em mente os resultados que se deseja alcançar, pois cada técnica apresentará um melhor desempenho em um determinado tipo de estudo.

REFERÊNCIAS

AUGUSTO-SILVA, Pétala Bianchi et. al. Análise de classificadores para mapeamento de uso e cobertura do solo. In: Simpósio Brasileiro de Sensoriamento Remoto, 2013. Foz do Iguaçu. Anais... São José dos Campos, INPE, 2013. p. 2424-2430. Disponível em:

< http://www.dsr.inpe.br/sbsr2013/files/p0115.pdf >. Acesso em 20 abr. 2017.

CLASSIFICAÇÃO por Histograma. Disponível em:

<http://phorum.dpi.inpe.br/read.php?10,3484>. Acesso em: 20 abr. 2017.

INSTITUTO Nacional de Pesquisas Espaciais – INPE. Tutorial de Geoprocessamento: Classificação de imagens. Disponível em: <http://www.dpi.inpe.br/spring/portugues/tutorial/classific.html>. Acesso em: 20 abr. 2017.

LEÃO, Caroline et. al. Avaliação de métodos de classificação em imagens TM/Landsat e CCD/CBERS para o mapeamento do uso e cobertura da terra na região costeira do extremo sul da Bahia. In: Simpósio Brasileiro de Sensoriamento Remoto, 2007, Florianópolis. Anais... São José dos Campos, INPE, 2007. p. 939-946. Disponível em: <http://marte.dpi.inpe.br/col/dpi.inpe.br/sbsr%4080/2006/11.15.01.10/doc/939-946.pdf >. Acesso em 20 abr. 2017.

OLIVEIRA, Bruno Silva. MATAVELI, Guilherme Augusto Verola. Avaliação do desempenho dos classificadores Isoseg e Bhattacharya para o mapeamento de áreas de cana-de-açúcar no município de Barretos-SP. In: Simpósio Brasileiro de Sensoriamento Remoto, 2013. Foz do Iguaçu. Anais... São José dos Campos,