Processamento Digital de Imagens Segmentao Segmentao a imagem

Processamento Digital de Imagens Segmentação

Segmentação • a imagem é particionada em regiões que devem corresponder às áreas (objetos) de interesse da aplicação PDI - Segmentação e Classificação 2

Segmentação • regiões conjunto de "pixels" contíguos e que apresentam uniformidade em relação a um dado atributo (textura, média, variância). • Métodos: · por crescimento de regiões (similaridade) · detecção de bordas (descontinuidades) PDI - Segmentação e Classificação 3

Crescimento de Regiões • Cada pixel é inicialmente rotulado como uma região • as regiões espacialmente adjacentes são agrupadas segundo algum critério de similaridade ( A - B < Limiar) • O processo é repetido até que nenhum outro agrupamento possa ser feito • gera regiões com contornos fechados • elimina regiões com número de pixels pequeno • Principal desvantagem: erros nos contornos das regiões pixels de borda podem ser agregados à uma das regiões vizinhas PDI - Segmentação e Classificação 4

Crescimento de Regiões: exemplo PDI - Segmentação e Classificação 5

Crescimento de Regiões: exemplo TM-Lansdat JERS-1 PDI - Segmentação e Classificação 6

Segmentação baseada em bordas • As bordas na imagem caracterizam os contornos dos objetos • Pontos de borda pixels com variações abruptas de níveis de cinza • presença de “buracos” nas bordas duas regiões diferentes são agregadas • sensível às variações locais dos níveis de cinza contornos não são fechados PDI - Segmentação e Classificação 7

Métodos baseados em bordas • • • Sobel Roberts Laplaciano Cany Watershed PDI - Segmentação e Classificação 8

Laplaciano da gaussiana • Segunda derivada da função gaussiana • pontos de borda cruzamentos por zero PDI - Segmentação e Classificação 9

Laplaciano da Gaussiana PDI - Segmentação e Classificação 10

Detecção de bacias (watershed) • Gera uma imagem gradiente • extração de contornos perseguição de bordas sobre a imagem gradiente (idéia de inundação) • Rotulação PDI - Segmentação e Classificação 11

Imagem representada como relevo PDI - Segmentação e Classificação 12

Classificação • É o processo de reconhecimento de padrões (objetos) • Como resultado de uma classificação cada ponto (ou região) da imagem é mapeado para um tema ou classe símbolos ou cores PDI - Segmentação e Classificação 13

• Os elementos de imagem pertencentes a um mesmo objeto (classe) aparecem plotados como uma nuvem de pontos (aglomerado) • Os três aglomerados de pontos definem três diferentes alvos Banda 2 Espaço de Atributos . . . PDI - Segmentação e Classificação . . . urbana. . . mata água Banda 1 14

Classificação Pastagem [0 - 92] Regeneração Floresta [93 - 125] [126 -255] PDI - Segmentação e Classificação 15

Classificação (floresta densa: relevo plano x relevo ondulado) PDI - Segmentação e Classificação 16

Projeto de um classificador Banda 2 • O espaço de atributos é dividido em regiões de decisão correspondentes a classes distintas • identifica-se o ponto na imagem como pertencente a classe correspondente à região de decisão em que ele cai dentro . . . urbana. . . mata água PDI - Segmentação e Classificação Banda 1 17

Regiões de Decisão d Banda 2 c . . urbana. . . . mata. . . . água a b Banda 1 • pontos da imagem multiespectral com NC na banda 1 no intervalo [a, b] e na banda 2 no intervalo [c, d] área urbana • padrões de uma classe formam agregados no espaço de atributos PDI - Segmentação e Classificação 18

Tipos de Classificadores • Supervisionado – o usuário dispõe de informações (amostras) que identificam cada classe de interesse • não-supervisionado – utiliza algoritmos para reconhecer as classes presentes na imagem PDI - Segmentação e Classificação 19

Tipos de Classificadores • classificadores “pixel a pixel” – usa informação espectral isoladamente de cada pixel • classificadores por regiões – usa informação espectral de cada "pixel" e a informação espacial ("pixels" vizinhos). PDI - Segmentação e Classificação 20

Treinamento Supervisionado • O usuário deve identificar na imagem uma área representativa de cada classe amostras • As amostras devem ser homogêneas • Deve-se adquirir mais de uma área de treinamento (10 a 100 pixels por classe) PDI - Segmentação e Classificação 21

Áreas de Treinamento Pastagem Regeneração Floresta JERS-1 IMAGE Date: 26/06/93 PDI - Segmentação e Classificação 22

Classificador por Regiões (ISOSEG) Algoritmo de agrupamento de dados não -supervisionado • Segmenta a imagem • Para cada região calcula: vetor média, matriz de covariância e área • Seleciona uma região (R) como semente da classe (usa-se área para seleção) ( R, A R) • Classifica as demais regiões distância de Mahalanobis entre o vetor de médias da região e a distribuição da classe • Repete o procedimento para as regiões não classificadas PDI - Segmentação e Classificação 23

Distância Euclidiana • Compara o NC do pixel à média de cada agrupamento (ponto a ponto) • Medida de similaridade: distância Euclidiana • O pixel é incorporado ao aglomerado mais similar (menor distância Euclidiana) PDI - Segmentação e Classificação 24

Distância de Bhattacharyya Mede a distância média entre as distribuições de probabilidade i e j (classes espectrais i e j) Distância normalizada entre as médias das classes PDI - Segmentação e Classificação Avalia a diferença entre as distribuições 25

Distância Mahalanobis • considera a distância entre um ponto e a distribuição de probabilidade da classe d (x, wi ) = (x - mi ) 2 t -1 i (x - mi )+ ln i Se as covariâncias das classes são iguais i= ln | i|=0 Se = 2 I classificador da mínima distância Euclidiana PDI - Segmentação e Classificação 26

Classificador MAXVER • Cada classe é modelada por uma distribuição de probabilidade normal PDI - Segmentação e Classificação 27

Classificador MAXVER • probabilidade de um pixel pertencer a uma classe depende da posição do pixel em relação a distribuição. L rejeição PDI - Segmentação e Classificação 28

Classificação MAXVER • região onde as duas curvas sobrepõem-se um determinado pixel tem igual probabilidade de pertencer às duas classes • limiar de aceitação : indica a % de pixels da distribuição de probabilidade de uma classe que será classificada como pertencente a esta classe • Um limite de 99 % 1% serão ignorados (os de menor probabilidade) PDI - Segmentação e Classificação 29

Classificação MAXVER • Uma matriz de classificação ideal valores da diagonal principal próximos a 100%. não houve confusão entre as classes • Para diminuir a confusão entre as classes análise das amostras PDI - Segmentação e Classificação 30

Classificação: pixel x região pixel região PDI - Segmentação e Classificação 31

Matriz de classificação N 1 2 3 4 classe 1: floresta 1 4. 7 94. 3 0. 0 0. 9 classe 2: cerrado 2 1. 1 0. 0 82. 3 0. 0 16. 6 3 0. 0 13. 3 0. 0 86. 7 0. 0 classe 4: desmatam. 4 3. 8 0. 0 4. 7 91. 5 N: não classificados 0. 0 classe 3: rio – Desempenho médio: 89. 37 – Abstenção média: 3. 15 – Confusão média: 7. 48 PDI - Segmentação e Classificação 32

Análise de Amostras (Floresta) Amostras 1 Classes Floresta 90 Cerrado 5 Rio 5 Desmatamento 0 2 3 50 87 50 0 0 10 amostra 1: floresta (90%) 5% como cerrado (5%) e rio (5%) amostra confiável. amostra 2: confusão entre floresta e cerrado deve ser eliminada PDI - Segmentação e Classificação 33

Avaliação da Classificação (índice Kappa) r : número de linhas ou colunas da matriz de confusão : número de observações dos elementos da diagonal da matriz : soma dos valores da linha i : soma dos valores da coluna i N : número total de observações PDI - Segmentação e Classificação 34

Índice Kappa (conceito) Coeficiente Kappa e o correspondente conceito do desempenho da classificação PDI - Segmentação e Classificação 35