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.

1. Classificação não supervisionada
de imagens

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.

3. Exemplo:
• Classificação de pixel da imagem em cobertura
do solo do tipo:
• Urbano
• Floresta
• Água

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.

6. Classificação não supervisionada

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

11. Isodata

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")

15. Vantagens
• Não requer um conhecimento previo da area
de estudo

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.

23. • Clique no botão “OK” para aceitar os
parâmetros da classificação isodata.

24. K-Means

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”

29. • Preencha todos os parâmetros e clique em
OK. O resultado aparecera na lista de bandas
disponíveis.