Loading
Nota de Estudos
Study Reminders
Support
Text Version

Classificação De Imagem Não Supervisionada

Set your study reminders

We will email you at these times to remind you to study.
  • Monday

    -

    7am

    +

    Tuesday

    -

    7am

    +

    Wednesday

    -

    7am

    +

    Thursday

    -

    7am

    +

    Friday

    -

    7am

    +

    Saturday

    -

    7am

    +

    Sunday

    -

    7am

    +

VÍDEO 1

Olá a todos e bem-vindos a uma nova discussão e hoje estaremos discutindo técnicas de classificação de imagem não supervisionada e de fatias de densidade. Você sabe que classificação de imagem de classificação e tem como principal objetivo disso é saber reduzir o número de variação em entre os valores de pixel para apenas poucos. Para que possamos utilizar essas imagens uma vez que eles sejam classificados diretamente para diversos fins como terreno geológico, exploração mineral, mapeamento de alterações, uso de terra e cobertura de terra que é ou mapeamento de vegetação ou muitas outras coisas e podemos usar isso para que esta seja uma lista não exaustiva. Classificação de imagem de classificação é geralmente 2 tipos um é uma classificação supervisionada e outra é a classificação não supervisionada. Em classificação não supervisionada o que fazemos submetemos a imagem ao basicamente ao software que está tendo alguns algoritmos inconstruídos. E com base nisso classifica-se as imagens e há diferentes técnicas para técnicas de classificação não supervisionadas. Assim, pode-se escolher que eu quero classificar minha imagem usando este algoritmo e uma vez que escolho então imagem é classificada. Por isso, as intervenções humanas ou a inteligência humana são usadas de forma muito limitada. No entanto em caso de classificação supervisionada através de fora o processo de classificação a intervenção humana desempenha papel muito importante. E algumas vezes você consegue uma saída melhor usando ir para a classificação supervisionar em termos de precisão então classificação não supervisionada. Por isso, a classificação não supervisionada está basicamente explorando a variabilidade espectral que está nos pixels em um composto de cor e usando um determinado algoritmo que você classifica. Então classificação de imagem é uma ciência basicamente de você saber converter seus dados de sensoriamento remoto ou imagens em uma categorias significativas representando condição de superfície ou classes. Uma imagem é basicamente um dado contínuo e se eu falar de um cenário de banda única e de 8 bit cenário então os valores dentro de uma imagem podem variar entre 0 a 255. Esse é o melhor cenário possível que valoriza. No entanto como você viu através de vários exemplos que geralmente histogramas de imagem cru nossa imagem de entrada não ocupa o intervalo dinâmico completo. Então nesta classificação de imagem o que fazemos categorizamos em vez de ter uma faixa dinâmica completa de 2 aproximadamente você pode dizer em uma única imagem de banda que você está tendo que você pode ter 255 aulas. Então você está reduzindo esse número para apenas talvez 5, 6, 7 categorias de talvez terra usa talvez cobertura de terra talvez litologia ou muitas outras coisas que usamos em diferentes aplicações. Por isso, é por isso que chamamos como categorias significativas representando as condições de superfície ou em espécie também chamamos de classes.
E eu de alguma forma podemos também chamar como extração de recurso porque depois de tudo isso são características talvez um recurso de floresta, talvez um recurso de linha embutido, talvez uma característica de waterboarding, talvez um rio, uma montanha etc. Assim, o objetivo final é de classificação de imagem seja supervisionada ou não supervisionada é extrair recursos e ou, às vezes, dizemos extrações de objetos também. Portanto, trata-se de um reconhecimento de padrão basicamente espectral que produz classificar um pixel de uma imagem com base em seu padrão de medições de radiância depois que toda uma imagem está tendo essa medição radiante talvez em termos de reflexão ou emissão.
Assim, geralmente realizamos classificação de imagem nas imagens que estão representando valores refletidos. E isso são as coisas mais comuns. No entanto também podemos ter um reconhecimento de padrão espacial e que classifica um pixel com base em sua relação com o pixel circundante. Por isso, neste reconhecimento de padrão espacial e os pixels de vizinhança que estão no bairro também são considerados, porém, esse tipo de reconhecimento de padrões porque a classificação de imagem também é uma espécie de reconhecimento de padrões. Portanto, esse tipo de reconhecimento de padrão espacial em vez de reconhecimento de patas espectrais é relativamente muito complexo e difícil de implementar e, portanto, nós e não vemos essa parte do entendimento foi implementada em um software normal. E se alguém gostaria de fazê-lo então um tem que realmente procurar as melhores opções possíveis ou senão por si só ele tem que criar um programa. Por isso, o reconhecimento de padrão espectral ou você sabe qual é baseado em um pixel em seu padrão ou medições radiantes é fácil e tem sido implementado por um muitos softwares. E já que como você sabe que temos discutido que depois do início de um Landsat 1 em 1972 lote de um dado ou arquivos estão disponíveis todos aqueles cerca de 47, 48 anos de dados estão lá e os dados estão todos disponíveis gratuitamente. Então, as pessoas também gostariam de ter começado a usar este arquivo oresses arquivos de diferentes sensores ou este dados de sensoriamento remoto em reconhecimento de padrão temporal como as coisas estão mudando? Lote de agora atualmente o principal uso de dados de sensoriamento remoto e especialmente este dado de arquivo está em análise de tendências. Os estudos de detecção de cadeia que significa reconhecimento de padrão temporal. Por isso, esse tipo de reconhecimento de que tipo de trabalho está acontecendo especialmente porque muitas mudanças estão ocorrendo já ocorreram devido às mudanças climáticas ou ao aquecimento global. E, portanto, esse antigo dado 1972 em diante de dados de sensoriamento remoto tornou-se um patrimônio realmente muito bom e que também como você sabe que imagens de sensoriamento remoto registram as coisas de forma inbitadamente porque afinal há um instrumental ou um sensor que escancara e registra as coisas. Não há intervenções humanas ou influências nas imagens quando estas estão a ser gravadas. Sendo assim, essas são as verdadeiras gravações imbiais de gravação dos eventos, gravação imparcial dos recursos ou você conhece classes ou condição de superfície daquele tempo. Se estas tiverem sido registadas em 1972 esta foi a situação em 1970. Portanto, se eu quiser comparar entre 1972 a 2019 eu posso usar essas 2 imagens e posso ver as mudanças de padrão temporal ou detecção de mudanças que eu possa fazer. Assim, essa é outra grande aplicação de dados de sensoriamento remoto arquivados está em padrão de mudança temporal. Esta parte que eu acabei de mencionar que é classificação sem supervisão e classificação supervisionada duas técnicas estão lá. Aqui o que fazemos em classificação sem supervisão que estaremos discutindo mais aqui dentro nesta discussão em particular que agrega em agrupamento espectral natural ou cluster ou categorias porque depois de toda imagem é como mencionei é um contínuo. Valores de pixel de relação contínua estão lá em uma matriz dimensional de 2 e o que na classificação estamos tentando fazer? Estamos colocando esses pixels em diferentes categorias ou clusters. E nesta porque isso é pouco supervisionado completamente sendo feito com base em algoritmo por um software em computador. Por isso, não há um conhecimento de sobre a classe de cobertura de terra temática nesta fase apenas quando vamos e fazemos classificação sem supervisão sobre e dizemos compósito de cores falso. O que dizemos que quero classificar em 7 aulas e quero utilizar este algoritmo que vamos estar discutindo. Assim, uma vez que você tenha escolhido essas 2 coisas o computador ou um software irá classificar. Mas lá sem ter qualquer conhecimento ou intervenções humanas de inteligência estão apenas até essas 2 etapas. O número de aulas que você declara e qual algoritmo qual método você deseja usar que é. Onde como em caso de classificação supervisionada que se baseia em looks como a maioria que provavelmente este grupo de pixels está caindo nesta categoria. E, portanto, através de intervenções humanas através da seleção dos conjuntos de treinamentos e áreas de treinamento ou você e você coloca certos insumos do seu próprio baseado em sua interpretação e inteligência e depois o descanso é feito pelo computador. E quando vamos para a classificação supervisionada embora seja hora de consumir e ela requer um conhecimento prévio dessa área da qual a imagem está sendo classificada. Uma vez que essa informação existe conhecimento prévio existe então podemos criar uma saída muito boa através da classificação supervisionada em vez de na classificação supervisionada. De modo que o que dizemos exatidão parte do curso seria muito melhor com classificação supervisionada por causa da inteligência humana será usada. Portanto, aqui em classificação de pixels de classificação supervisionados os feixes de categorização supervisionados é por isso que é chamado de classificação supervisionada através de intervenções humanas. Considerando que em caso de classificação não supervisionada tudo está a ser feito através de computadores. Agora quando vemos as etapas básicas na classificação supervisionada o que acabei de mencionar os conjuntos de treinamento de seleção. Então, aqui um exemplo é dado que esta é a minha imagem de entrada e selecionei um conjunto de treinamentos e dizendo que este número deste pixel pertence ao corpo d' água este é claro que o esquemático este pertence à areia, esta floresta, isto é urbano, isto é milho, este é o feno. Por isso, uma vez que este é o treinamento que dei agora treinamento ao computador para reconhecer os diferentes recursos na imagem e uma vez que é feito então compare cada pixel desconhecido a padrão espacial o qual eu propiciei a entrada. E então descubra as características semelhantes de pixels em toda a imagem e atribua categorias diferentes como aqui foi feito. Portanto, F é claro floresta aqui e depois talvez C para cobertura de milho ou campo de milho e W para água e assim por diante. Por isso, estágio de saída que está presente aqui que está mostrando número de classes que estão aqui número de aulas somos escolhidos o que toteste 6 e sua produção será também 6 mas as intervenções humanas estão aí. Por isso, no estágio de treinamento nós determinamos o basicamente o ser sucesso de classificação melhor o treinamento treinado que fornecemos ao computador para reconhecer um pixels similar baseado nas suas respectivas características superiores a precisão que alcançaremos. E isso é uma formação maior é basicamente difícil de supervisionar a classificação. Agora em um quando venho discutindo sobre histograma nessa época eu também são as curvas espectrais eu disse que essas são as fundamentais do processamento remoto de imagem digital de sensoriamento remoto. E essas coisas estão revisitando novamente para discussão diferente. Agora aqui este é o histograma de imagem e enquanto parecer é claro isto é esquemático mas ao olhar estes podemos identificar diferentes você conhece diferentes características que estão presentes dentro de uma imagem em uma determinada banda. Geralmente a água terá uma reflexão a menos, assim como estamos vendo e pousar terra aberta sem meios você sabe que apenas uma parte de terra podemos ter valores de pixel mais altos e vegetação diferente pode ter solo diferente pode ter outras coisas. Mas o mesmo histograma nós também podemos traçar em um dimensional de 2 ou que dessa forma chamamos como um enredo de dispersão. E quando fazemos essa coisa porque em histograma de imagem única onde quer que a sobreposição esteja aí como nesta parte então nós é difícil desconectar ou escolher a frente de recursos que estão presentes em imagem. Mas quando usamos as 2 bandas então agora do cenário de banda única para multispectral quando você vai para multi espectral nossa discriminação de objetos diferentes fica muito mais fácil. E assim, quando essas características são plotadas são uma em cor amarela, e o azul está em solo, o vermelho é a vegetação e essas vertentes que você está vendo na parte terrestre. Em seguida, agora é mais fácil, exceto sobreposição entre a vegetação e o solo. Exceto que parte estes é mais fácil discriminar entre este e o urbano através de um histograma dimensional de 2. Mas se vamos para um histograma dimensional que é chamado de espaço de recurso. O que vemos aqui que a discriminação agora 3 bandas estão em uma banda x banda y e banda z. Assim, quando esses três são usados então a discriminação desacreditada entre diferentes objetos torna-se muito mais fácil e a sobreposição que temos visto na vegetação e no solo em um histograma de duas dimensões ou um enredo de dispersão já não existe. E podemos discriminar diferentes objetos variadamente. Assim cenário de banda única muito difícil de identificar objeto diferente que estão presentes na imagem diferentes recursos. Mas quando vamos para o 2 dimensional que é dispersão enredo alguns objetos podem ser discriminados podem ser isolados muito facilmente. Enquanto que ainda alguma sobreposição pode estar lá. Mas quando vamos para três dimensionais então as coisas se tornam porque três bandas em vez de banda de 1, 2 banda. Agora 3 bandas estão sendo usadas e então a discriminação e o espaço de recurso se torna muito mais fácil.


VÍDEO 2

Agora em classificação não supervisionada basicamente é isso que é feito como você pode ver o histograma dimensional de 3 é mostrado aqui ou você sabe feature space é mostrado banda 4, banda 5 e banda 6 de Landsat TM foi plotada diferentes features que é uma classe 1, classe 2, classe 3, classe 4 todos estão lá. E fácil de discriminar e uma vez que declaramos ao sistema que quero classificar esta imagem uma imagem colorida com imagem de 3 banda em 7 classes e quero utilizar este método de classificação então a classificação torna-se muito mais fácil. Apesar de não ser supervisionada pode não ser tão precisa quanto supervisionada mas para a classificação supervisionada o conhecimento prévio é muito exigido daquela área daquela em que a imagem pertence a esta que esta tem que lembrar. Portanto aqui não em caso de classificação não supervisionada nenhum conhecimento prévio é necessário e o computador basicamente categoriza ou agrupa todos os pixels de acordo com suas relações espectrais e procura o clustering natural como você está vendo neste espaço de recurso ou histograma dimensional de 3. E assume através deste clustering que as diferentes classes de cobertura de terra não serão pertencentes ao mesmo agrupamento. E uma vez criar o analista para o usuário avalia seu utilitário e pode ajustar parâmetros de clustering. E também mostramos um exemplo também através de uma imagem classificada submetida a uma classificação não supervisionada. Portanto, depois de comparar a imagem reclassificada com base nas classes espectrais porque é isso que está sendo feito aqui em dados de referência não supervisionados se você estiver tendo o usuário pode determinar qual tipo de cobertura de terra as classes espectrais correspondem ou através de nossa própria experiência de interpretação de imagem se eu tiver classificado uma imagem em 4, 5 classes e ao ver um composto de cor falsa eu posso identificar que há um corpo de água, há uma floresta, há uma terra construída, há uma terra agriculturante e há um terreno desnudo. E como sábios eu vou identificar e agrupar e colocar seus nomes também. Sendo assim, essa é a vantagem que esta tem sobre a classificação supervisionada que porque o classificador identifica as classes espectrais distintas. Assim, o viés que o humano pode ter não prevalecerá em caso de classificação não supervisionada. Por isso, muitos dos quais não teriam aparente na classificação supervisionada e se fossem muitas aulas teriam sido difíceis de treinar todos eles. É claro que melhores resultados quando conseguimos quando estamos tendo muitos agrupamentos e não muitas classes presentes em uma imagem. Mas se houver muita heterogeneidade presente em uma imagem então se você for para a classificação supervisionada ou não supervisionada a precisão reduzirá significativamente. Então, mas se tiver que ser realizado então ele tem que ser realizado. E aqui também algoritmo de clustering disponível talvez a análise de meios K e textura em caso de classificação não supervisionada. Assim, uma imagem foi submetida a uma classificação não supervisionada antes da classificação foi declarado aquele aglomerado que você conhece criar 15 classes. Agora eu posso reagrupar essas aulas e pode criar uma imagem melhor em vez de ter 15 aulas. Então, esse pode ser assim eu posso criar um mapa muito melhor. Agora eu não devo chamar como imagem agora um mapa que pode ser um mapa de uso da terra usando a imagem de satélite. Por isso, esses números de clusters ou classes podem ser reduzidos em vez de 15 podem ser reduzidos a 7, 8 por reagrupar implicando ou você sabe aplicar algumas intervenções humanas como a classe que está mostrando o corpo de água uma classe adjacente que está mostrando a água rasa. Por isso, se eu não quiser no meu mapa águas rasas e águas profundas juntas separadamente então o que farei vou mesclar essas 2 classes em uma como um corpo de água. E por que o qual eu vou reduzir o número de clássese o meu mapa que é uma saída através da classificação não supervisionada torna-se muito mais usável para muitas aplicações. Agora chegamos a uma outra discussão que também é uma forma pouco supervisionada de classificar a imagem através de fatiamento de densidade ou em alguma literatura você pode achar que eles dizem fatiamento de imagem. Portanto, densidade fatiando fatiamento de imagem e embora o aqui seja ele é geralmente feito em uma única banda. Por isso, quando você está tendo pixels que são distribuídos ao longo de eixo x em um histograma principal. Eles são divididos em séries de intervalos ou fatias especificados pelo usuário. Por isso, você está tendo um histograma você pode fatiar histograma em fatias diferentes como em um pão de pão você pode criar as fatias. As fatias podem ser de tamanho igual ou fatias podem ser de tamanhos diferentes dependendo dos seus requisitos. Assim, todos esses valores de pixels caindo dentro de um determinado intervalo são exibidos em uma única cor ou valor único em imagem de saída e por que o que você está fazendo através de fatiamento de densidade também que a variabilidade que estava presente na imagem é reduzida a apenas poucas fatias ou poucas classes pelas quais você pode converter uma imagem facilmente em 2 fatias diferentes e classes diferentes. Por isso, esse processo converte de tom contínuo e cinza. Quando o tom cinzento quando mencionado significa o cenário da banda única e a imagem em uma série de intervalos de densidade ou fatias e cada uma esta fatia representará uma faixa digital específica. Por exemplo aqui estamos vendo uma imagem de entrada está aqui e foi classificada que pixels que estão tendo valor entre 0 a 15 são atribuídos cor vermelha. Um nome de categoria também será atribuído em uma sua região que valores que são de 0 a 15 podem ser corpos de água. Agora valoriza valores de pixel que de 116 a 132 são verdes talvez sua vegetação e assim por diante. Então aqui o fatiamento é feito assim. Agora aqui o que é basicamente é feito neste exemplo é uma espécie de fatiamento de uma você sabe quase da mesma espessura. Às vezes, não é necessário fatiar uma imagem em uma mesma espessura como um pão de pão como eu disse. Todas as fatias precisam não ter a mesma espessura que você pode conforme os seus requisitos você pode alterar e pode criar uma saída direta a partir de um mapa de nível cinza. Agora existem algumas outras técnicas de classificação que vou discutir muito resumidamente e que é um pixel baseado no qual fomos nós temos discutido até agora versus classificação orientada a objetos porque esses classificadores também se tornam populares e estes foram classificados de classificadores de objetos estão se tornando populares e estes também foram implementados em vários softwares. Assim, na maioria desses classificadores de imagem uma classificação que se baseava no processamento de toda a cena pixel por pixel. Em uma base de pixels e isso é comum dizemos por pixel ou pixel baseada em classificação. No entanto, agora é possível fazê-lo com classificação orientada a objetos que permite ao usuário basicamente decompor o segmento a imagem em vista em muitos objetos de imagem relativamente homogêneos. Os pixels que estão tendo quase os mesmos valores são considerados como um objeto referido como ele patches ou segmentos usando um processo de segmentação de imagem de resolução mutli. Por isso aqui em vez de multispectral você também pode ter uma segmentação de imagem multi resolução. Por isso, várias características estatísticas desses objetos de imagem homogênea em cena são então submetidos à classificação lógica estatística ou difusa da estatística tradicional. A vantagem porque por que estamos mudando de classificação baseada em pixels para classificação orientada a objetos porque para a mesma área você pode estar podendo estar tendo imagens de resolução diferente. E Se eu quiser você sabe usar essas imagens de multi resolução da mesma área para uma classificação melhor então esta é a abordagem que vai para classificador orientado a objetos. Embora relativamente entendimento sábio em ponto de software do ponto de vista de codificação é pouco difícil. No entanto, esta classificação orientada objetiva que se baseia na segmentação de imagem ou decomposição é frequentemente utilizada para a análise de imagens de alta resolução espectral. Portanto, classificação não supervisionada e geralmente é boa para moderados ou você sabe imagens de resolução de curso. Mas já que uma resolução espacial está melhorando dia a dia de todos os sensores em satélites diferentes. Por isso, novas técnicas de classificação têm de ser evoluídas e esta classificação orientada por objeto é uma delas. Por exemplo aqui um 1 por 1 metro de espaço imaging que é um IKONOS aqui é o nome do satélite em que dados pancromáticos de uma resolução de um medidor tornaram-se possíveis ou estava disponível. Depois tivemos uma rápida palavra satélite pelo globo digital e esta é resolução de 61 centímetro de 0,61 metro. Assim, à medida que avançamos em direção a resoluções mais altas e superiores a resoluções espaciais as técnicas de classificação convencional não podem ser aplicadas. E, portanto, um tem que se mover em direção à classificação orientada a objetos. Por isso, isso traz para o fim desta discussão especialmente sobre três coisas que aqui discutimos. E uma é sobre a sua classificação sem supervisão e quais são a limitação também e quais são as vantagens.
E o segundo é a densidade fatiando uma técnica muito comum para reduzir o número de intervalos nos pixels para em quatro grupos de categorias. E terceiro para alta resolução de satélite de alta resolução espacial orientada a imagem. Esta parte fizemos de uma forma muito breve. Mas isso traz apenas para comparação que como as coisas estão se movimentando e quais são as novidades que estão ocorrindo. Por isso, isso traz para o fim desta discussão muito obrigado.