O documento descreve técnicas de classificação não supervisionada de imagens, incluindo os métodos Isodata e K-Means. A classificação agrupa pixels com características espectrais semelhantes em "clusters" ou classes. Estes métodos agrupam pixels de forma estatística sem necessidade de dados de treinamento, o que fornece uma visão exploratória das classes presentes na imagem.
2. Classificação de imagens
• Consiste na identificação de tipos de
cobertura de solos, de acordo com os padrões
de resposta espectral dos elementos utilizados
na classificação.
4. Importante
• Um passo vital na classificação é a avaliação
da exatidão das imagens finais produzidas
onde:
• A classe de cobertura de solo encontrada no
campo é então comparada com que foi
mapeada na imagem para os mesmos locais.
5. Sucesso da classificação
Da presença de assinaturas distintas para as
categorias de cobertura de solo de interesse
no conjunto das bandas que estão a ser
utilizadas.
Da habilidade para distinguir com segurança
tais assinaturas de outros padrões d respostas
espectral que possam estar presentes na
imagem.
7. • A classificação não-supervisionada agrupa os
pixels segundo as suas características
espectrais, organizando-os em agrupamentos
denominados de clusters (enxame,
aglomeração).
8. • Os parâmetros mais utilizados para definir os
clusters são a média, variância e covariância,
pelos quais a proximidade espectral dos pixels
no espaço multidimensional é definida.
• Os clusters constituem, portanto, classes
espectrais.
9. • Na classificação não supervisionada o analista
fornece apenas alguns parâmetros como o
número mínimo e máximo de classes
desejadas e número de iterações
10. As classes espectrais geradas numa classificação
não-supervisionada podem ou não coincidir com
as classes de interesse. Trata-se, portanto, de
uma operação exploratória para verificar o que é
estatisticamente separável ou não, quais as
classes mais evidentes e sua relação com o
quase deseja discriminar
12. • O método de classificação isodata é,
provavelmente, o mais conhecido e é descrito
como um meio de interpretação de imagens
de sensoriamento remoto assistida por
computador.
13. • O programa de classificação identifica padrões
típicos nos níveis de cinza. Esses padrões são
classificados efetuando-se visitas de
reconhecimento a alguns poucos exemplos
escolhidos para determinar sua interpretação.
14. • Em razão da técnica usada nesse processo, os
padrões são geralmente referidos como
"clusters" (agrupamentos ou nuvens)
(Eastman, 1994, p. 104).
• Neste tipo de classificação, as classes são
determinadas pela análise de agrupamentos
("cluster analysis")
16. Desvantagens
O usuário tem pouco controle sobra a
separação de classes.
Determinação do numero de classes.
17. • Podemos dizer que, no caso das classificações
não-supervisionadas, quanto maior a
heterogeneidade das amostras, maior a
certeza de que todas as classes possíveis
estarão representadas (Novo, 1988, p. 285).
18. • Os pixels nas áreas de treinamento são, então,
submetidos a algoritmos de agrupamento
("clustering"), que determinam o
agregamento natural dos dados, considerando
sua distribuição num espaço de n dimensões
(no caso, bandas espectrais).
19. • Selecione, dentro do menu principal, a cadeia
de comandos “Classificação – Não
Supervisionada – IsoData”
• Aparece a caixa de dialogo do arquivo de
entrada para a classificação.
20. Numero de classes
• O usuário precisa determinar o numero de
classes para as quais o computador deve
calcular o algoritmo de grupamento. O valor
padrão e de cinco classes.
21. Numero de interações (repetições do
processo)
• A cada iteração, recalculam-se e reclassificam-
se os pixels, considerando-se os novos valores
médios. Além disso, o usuário pode
determinar o desvio padrão e o erro de
distancia mínima.
22.
23. • Clique no botão “OK” para aceitar os
parâmetros da classificação isodata.
25. • O Método K-Means calcula inicialmente as
classes distribuindo em uma classe
uniformemente no espaço e então aglomera
classe por classe em um processo iterativo
usando a técnica de distância mínima. Melhor
será a classificação quanto melhor for
agrupada a nuvem de pixels.
26. • A classificação estará pronta quando o
número de iterações definido pelo usuário for
concluído, ou quando for alcançado o critério
de número de pixels que mudam de classe
(Change Threshold); por exemplo, se
escolhermos 5%, e, se menos de 5% dos pixels
“migrarem” de uma classe para a outra, o
critério estará alcançado.
27. Ex :
• Selecione o menu principal, a cadeia de
comandos “Classificação – Não
supervisionada- K-Means
• Selecione o arquivo desejado, clique em ok e
aparecera a janela “K-Means Parameters”
28.
29. • Preencha todos os parâmetros e clique em
OK. O resultado aparecera na lista de bandas
disponíveis.