Técnicas de Classificação de Imagens em Sensoriamento Remoto

Técnicas de Classificação de Imagens em Sensoriamento Remoto

O que é Classificação de Imagens em Sensoriamento Remoto?

A classificação de imagens é o processo de atribuir classes de cobertura do solo aos pixels. Por exemplo, as classes incluem água, urbano, floresta, agricultura e pastagem.

Os 3 principais tipos de técnicas de classificação de imagens em sensoriamento remoto são:

  • Classificação de imagem não supervisionada
  • Classificação de imagem supervisionada
  • Análise de imagem baseada em objeto

A classificação de imagens não supervisionada e supervisionada são as duas abordagens mais comuns.

No entanto, a classificação baseada em objetos ganhou mais popularidade porque é útil para dados de alta resolução.

LEIA MAIS : 15 fontes de dados de imagens de satélite gratuitas

1 . Classificação não supervisionada

Na classificação não supervisionada, primeiro agrupa os pixels em “clusters” com base em suas propriedades. Em seguida, você classifica cada cluster com uma classe de cobertura do solo.

No geral, a classificação não supervisionada é a técnica mais básica. Como você não precisa de amostras para classificação não supervisionada, é uma maneira fácil de segmentar e entender uma imagem.

Os dois passos básicos para a classificação não supervisionada são:

  • Gerar clusters
  • Atribuir aulas

Diagrama de classificação não supervisionado

Usando software de sensoriamento remoto  , primeiro criamos “clusters”. Alguns dos algoritmos comuns de agrupamento de imagens são:

Exemplo de classificação não supervisionada

  • K-médias
  • ISODATA

Depois de escolher um algoritmo de agrupamento, você identifica o número de grupos que deseja gerar. Por exemplo, você pode criar 8, 20 ou 42 clusters. Menos clusters têm pixels mais parecidos dentro de grupos. Mas mais clusters aumentam a variabilidade dentro dos grupos.

Para ser claro, estes são clusters não classificados. O próximo passo é atribuir manualmente as classes de cobertura do solo para cada cluster. Por exemplo, se você deseja classificar vegetação e não vegetação, você pode selecionar os agrupamentos que melhor os representam.

2 . Classificação supervisionada

Na classificação supervisionada, você seleciona amostras representativas para cada classe de cobertura do solo. O software então usa esses “sites de treinamento” e os aplica a toda a imagem.

Os três passos básicos para a classificação supervisionada são:

  • Selecione as áreas de treinamento
  • Gerar arquivo de assinatura
  • Classificar

Diagrama de Classificação Supervisionada

Para classificação de imagem supervisionada, você primeiro cria amostras de treinamento. Por exemplo, você marca áreas urbanas marcando-as na imagem. Em seguida, você continuaria adicionando representantes de sites de treinamento em toda a imagem.

Exemplo de Classificação Supervisionada: IKONOS

Para cada classe de cobertura do solo, você continua criando amostras de treinamento até ter amostras representativas para cada classe. Por sua vez, isso geraria um arquivo de assinatura, que armazena todas as informações espectrais das amostras de treinamento.

Finalmente, o último passo seria usar o arquivo de assinatura para executar uma classificação. A partir daqui, você teria que escolher algoritmos de classificação como:

  • Probabilidade máxima
  • Distância mínima
  • Componentes principais
  • Máquina de vetores de suporte (SVM)
  • Grupo iso

Conforme demonstrado em vários estudos, o SVM é um dos melhores algoritmos de classificação em sensoriamento remoto. Mas cada opção tem suas próprias vantagens, que você pode testar por si mesmo.

3 . Análise de imagem baseada em objeto (OBIA)

A classificação supervisionada e não supervisionada é baseada em pixels. Em outras palavras, ele cria pixels quadrados e cada pixel tem uma classe. Mas a classificação de imagens baseada em objetos agrupa pixels em formas vetoriais representativas com tamanho e geometria.

Aqui estão as etapas para realizar a classificação de análise de imagem baseada em objeto:

  • Realize segmentação multiresolução
  • Selecione as áreas de treinamento
  • Definir estatísticas
  • Classificar

Diagrama de Classificação Baseado em Objeto

A análise de imagem baseada em objeto (OBIA) segmenta uma imagem agrupando pixels. Ele não cria pixels únicos. Em vez disso, ele gera objetos com geometrias diferentes. Se você tiver a imagem certa, os objetos podem ser tão significativos que fazem a digitalização para você . Por exemplo, os resultados de segmentação abaixo destacam edifícios.

ml de agrupamento de segmentação obia

Os 2 algoritmos de segmentação mais comuns são:

  • Segmentação multi-resolução em eCognition
  • Mudança média do segmento no ArcGIS

Na classificação Object-Based Image Analysis (OBIA), você pode usar métodos diferentes para classificar objetos. Por exemplo, você pode usar:

FORMA: Se você deseja classificar edifícios, você pode usar uma estatística de forma como “ajuste retangular”. Isso testa a geometria de um objeto para a forma de um retângulo.

TEXTURA: Textura é a homogeneidade de um objeto. Por exemplo, a água é mais homogênea porque é principalmente azul escuro. Mas as florestas têm sombras e são uma mistura de verde e preto.

ESPECTRAL: Você pode usar o valor médio de propriedades espectrais, como infravermelho próximo, infravermelho de ondas curtas, vermelho, verde ou azul.

CONTEXTO GEOGRÁFICO: Objetos possuem relações de proximidade e distância entre vizinhos.

Classificação OBIA

CLASSIFICAÇÃO DO VIZINHO MAIS PRÓXIMO: A classificação do vizinho mais próximo (NN) é semelhante à classificação supervisionada. Após segmentação multi-resolução, o usuário identifica locais de amostra para cada classe de cobertura do solo. Em seguida, eles definem estatísticas para classificar objetos de imagem. Por fim, o vizinho mais próximo classifica os objetos com base em sua semelhança com os locais de treinamento e nas estatísticas definidas.

Qual técnica de classificação de imagens você deve usar?

Digamos que você queira classificar a água em uma imagem de alta resolução espacial.

Você decide escolher todos os pixels com baixo NDVI nessa imagem. Mas isso também pode classificar incorretamente outros pixels na imagem que não são água. Por esse motivo, a classificação baseada em pixels, como a classificação não supervisionada e supervisionada, dá uma aparência de sal e pimenta.

Os humanos naturalmente agregam informações espaciais em grupos. A segmentação multiresolução faz essa tarefa agrupando pixels homogêneos em objetos. As características da água são facilmente reconhecíveis após a segmentação multiresolução. É assim que os humanos visualizam características espaciais.

  • Quando você deve usar a classificação baseada em pixels (classificação não supervisionada e supervisionada)?
  • Quando você deve usar a classificação baseada em objetos?

Comparação de resolução espacial

Conforme ilustrado neste artigo , a resolução espacial é um fator importante na seleção de técnicas de classificação de imagens.

Quando você tem baixa resolução espacial , as técnicas tradicionais de classificação de imagens baseadas em pixels e baseadas em objetos funcionam bem.

Mas quando você tem alta resolução espacial , o OBIA é superior à classificação tradicional baseada em pixels.

Tendências de dados de sensoriamento remoto

Em 1972, o Landsat-1 foi o primeiro satélite a coletar a refletância da Terra com uma resolução de 60 metros. Neste momento, a classificação não supervisionada e supervisionada eram as duas técnicas de classificação de imagem disponíveis. Para esta resolução espacial, isso foi suficiente.

No entanto, a OBIA cresceu significativamente como técnica de processamento digital de imagens.

Cronograma de classificação de imagem

Classificação baseada em objetos
Classificação baseada em objetos

Ao longo dos anos, tem havido uma demanda crescente por dados de sensoriamento remoto. Existem centenas de aplicativos de sensoriamento remoto . Por exemplo, segurança alimentar, meio ambiente e segurança pública estão em alta demanda. Para atender à demanda, as imagens de satélite visam uma resolução espacial mais alta em uma faixa mais ampla de frequências.

Tendências de dados de sensoriamento remoto:

  • Mais onipresente
  • Maior resolução espacial
  • Maior faixa de frequências

Mas imagens de alta resolução não garantem melhor cobertura do solo. As técnicas de classificação de imagens utilizadas são um fator muito importante para uma melhor precisão.

Tendências de Sensoriamento Remoto

Classificação não supervisionada versus supervisionada versus baseada em objeto

Avaliação da Precisão das Técnicas de Classificação de Imagens
Avaliação da Precisão das Técnicas de Classificação de Imagens

Um estudo a classificação baseada em objetos versus baseada em pixels de caso da Universidade de Arkansas comparou . O objetivo era comparar imagens de alta e média resolução espacial.

No geral, a classificação baseada em objetos superou os métodos de classificação baseados em pixels não supervisionados e supervisionados. Como o OBIA usou informações espectrais e contextuais, teve maior precisão. Este estudo é um bom exemplo de algumas das limitações das técnicas de classificação de imagens baseadas em pixels.

Crescimento da Classificação Baseada em Objetos

Pixels são a menor unidade representada em uma imagem. A classificação de imagem usa estatísticas de refletância para pixels individuais.

Houve muito crescimento nos avanços na tecnologia e na disponibilidade de imagens de alta resolução espacial. Mas as técnicas de classificação de imagens também devem ser levadas em consideração. Os holofotes estão brilhando na análise de imagem baseada em objetos para fornecer produtos de qualidade.

De acordo com os resultados de busca do Google Acadêmico, todas as técnicas de classificação de imagens têm apresentado crescimento constante no número de publicações. Recentemente, a classificação baseada em objetos tem mostrado muito crescimento.

Este gráfico exibe os resultados da pesquisa anual do Google Scholar usando a frase de pesquisa “AllinTitle:”.

O Crescimento das Técnicas de Classificação de Imagens para Publicações
O Crescimento das Técnicas de Classificação de Imagens para Publicações

Se você gostou deste guia de técnicas de classificação de imagens, recomendo que baixe o infográfico de classificação de imagens de sensoriamento remoto .

Classificação de Imagens em Sensoriamento Remoto

Referências

1. Blaschke T, 2010. Análise de imagem baseada em objetos para sensoriament o remoto. ISPRS Journal of Photogrammetry and Remote Sensing 65 (2010) 2–16
2. Classificação Baseada em Objeto vs Classificação Baseada em Pixel: Importância Comparativa de Imagens de Multirresolução (Robert C. Weih, Jr. e Norman D. Riggan, Jr.)
3. Segmentação multirresolução: uma abordagem de otimização para segmentação de imagem multiescala de alta qualidade (Martin Baatz & Arno Schape)
4. Trimble eCognition Desenvolvedor: http://www.ecognition.com

 

https://gisgeography.com/image-classification-techniques-remote-sensing/ em 09/02/2022

Share on facebook
Facebook
Share on twitter
Twitter
Share on linkedin
LinkedIn

Categoria

Tem uma pergunta?

Entre em contato com nosso suporte para qualquer dúvida.

Posts Recentes

O que é Agricultura de Precisão?

USANDO DRONES EM GEOPROCESSAMENTO

Introdução ao Google Earth Engine

Como definir a terminologia da agricultura de precisão