Loading
Nota de Estudos
Study Reminders
Support
Text Version

Classificação De Imagem 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 que vamos ter sobre técnicas de classificação de imagem supervisionada. E também estaremos discutindo sobre limitações de classificação supervisionada ou técnicas de classificação geral também. Como sabemos que já discutimos esta parte que existem 2 tipos de classificação que fazemos em sensoriamento remoto ou sobre as imagens de sensoriamento remoto. A primeira é de classificação não supervisionada que já discutimos e outra é a classificação supervisionada. Como também já discutimos mas muito brevemente mencionarei o objetivo da classificação é criar um a partir de um dado de imagem de mudança contínua para criar um mapa e que seja melhor interpretável e fácil de usar por parte dos tomadores de decisão. Por isso, duas técnicas um é pouco supervisionado que significa totalmente baseado no computador não há muita intervenção humana estão lá. E supervisionou a classificação que em cada etapa e em cada etapa intervenções humanas estão aí e especialmente para os conjuntos de treinamentos que é o mais importante aqui. E com base nos conjuntos de treinamentos e em seguida as estatísticas correspondentes e, em seguida, escolher técnica de classificação adequada vamos para a classificação e finalmente também vamos para avaliação de precisão que estarei demonstrando a vocês na próxima demonstração que teremos após esta discussão sobre classificação supervisionada. Uma classificação supervisionada porque há intervenções humanas estão aí e, portanto, é necessário um conhecimento prévio dessa área e então apenas a classificação supervisionada poderá ser realizada. Se informações prévias sobre a área de que aquela imagem de satélite pertence fazem se essa informação não está disponível então deve-se ir para classificação não supervisionada em vez de classificação supervisionada No entanto se uma é muito boa em técnicas de interpretação de imagem e ter muita experiência de interpretação de imagens então ainda pode-se recorrer à classificação supervisora porque enquanto selecionam conjuntos de treinamento e que são a base da classificação supervisionada. Se houver uma confiança na seleção de conjuntos de treinamento em classificação supervisionada então é possível que a classificação supervisionada possa ser alcanada com boa precisão. Então, onde você sabe disso essa coisa tem que realmente lembrar que o conhecimento prévio é muito exigido porque a experiência é lá de interpretação de imagem então pode-se sentir que diferentes classes que estão presentes na imagem ou cena podem ter um tipo convencional. Por exemplo as aulas de cobertura convencional para um exemplo significa que elas podem ser floresta diferente tipo de floresta com base na densidade. Podemos dizer floresta altamente densa ou floresta aberta e então poderíamos ter terras agrícolas naquela cena e poderíamos estar tendo construído terra, poderíamos estar tendo motivos desnudos e você conhecer tipo wasteland tipo de coisa. Por isso, todos estes podem ser colocados nas aulas de capa convencional. Se uma imagem pertence a uma área hilly então uma tem que ser muito cuidadosa. Se imagem pertence à área costeira então novamente é necessário outro tipo de cuidado. No entanto sempre necessário é sublinhado aqui que o conhecimento prévio é necessário. Se isso não estiver lá e então experimentar se isso não está lá então pode haver alguma outra fonte de informação outro player de mapas também pode ser usado para treinar o ou criar os conjuntos de treinamento. Por isso, sites de treinamento ou conjuntos de treinamento são escolhidos para cada uma dessas classes manualmente e isso é feito manualmente de grosseiros em uma imagens digitais que eu estarei apenas mostrando para você também. E cada um dos sites de treinamento basicamente representa uma classe e não é necessário que para cada classe apenas um conjunto de treinamento será coletado que podem ser muitos conjuntos de treinamento para uma classe pode ser coletada. Por exemplo se eu estou vendo e muitas áreas estão tendo florestas então em diferentes áreas eu vou coletar conjuntos de treinamento e depois dizer que se características espectrais desses conjuntos de treinamento são mesmo então classificam como floresta. Assim, cada local de treinamento ou resultados de aula em uma nuvem de pontos que estaremos vendo através de uma figura em uma dimensão n que é o espaço de medição através de tramas tridimensionais de dispersão dessas nuvens também podem ser mostradas. E então isso representa a variabilidade de diferentes características espectrais de pixel ou assinaturas nessa classe. Então, qualquer que seja a variação dentro dessa classe que eu levo eu peguei o exemplo de floresta.
Portanto, qualquer que seja a variabilidade na assinatura espectral de uma classe florestal estão lá eles agrupados como um só. Como por exemplo aqui o que estamos vendo é um pré este é um lado e uma imagem está lá de pertencer a uma área litorânea e diferentes conjuntos de treinamentos foram selecionados aqui. E se eu me concentrar em dizer em áreas amarelas então esta é a você sabe que uma parte no corpo da água foi selecionada e onde ela diz que seu sedimento para sedimentos que significa pode ser algum suspenso ou turbidez pode estar lá. Mas se você chegar muito perto das áreas costeiras você está encontrando mais sedimentos estão lá. Por isso, eles são o lado é selecionado aqui é diferente que é sedimentos um. E então também você sabe que a água do mar foi selecionada onde não vemos nenhuma assinatura de ou evidência de sedimentos então é a água do mar que foi selecionada. Assim, da mesma forma em toda a área estas coisas foram selecionadas para uma área verde foram selecionados dois locais de treinamento que é uma célula de sanidade e inicialmente alguns nomes podem ser dados. Mas mais tarde esses nomes podem ser alterados é para o conjunto de treinamentos. E mais um está lá como aqui as árvores foram claramente identificadas e que por isso existem 2 conjuntos de treinamento quase para cada turma pelo menos há 2 conjuntos de treinamento para cada aulas estão lá. É sempre uma boa prática e enquanto faz essa classificação supervisionada que pelo menos 2 ou mais conjuntos de treinamento para cada classe devem ser selecionados dentro dessa imagem. Para que a gente consiga uma variabilidade melhor sobre as características espectrais contra cada classe. E um diz e estes lá foram e isso significa que o computador foi treinado sobre estes. O próximo passo é atribuir cada classe a uma classe espectral e que apareça ou pertença a partir de seus valores de pixels e dentro disso lá você sabe porque estaremos realizando no you know color images ou falso composto de cores so em bandas constituintes. E então há algoritmos de clustering que também são usados para o qual parece essas nuvens de pixels em um espaço n dimensional. E então a medição também é feita dependendo de que tipo de algoritmo um usa. E os pixels que não estão caindo em nenhuma dessas classes são classificados como você sabe desclassificados ou não dando nenhum treinamento por lá. Por exemplo aqui um bidimensional de 3 bidimensionais foram usados neste esquema e um que ele está mostrando banda 4 banda 5 e banda 6. E estes são os clusters que foram usados aqui por exemplo eles podem ser clusters para uma área e outros clusters podem ser as ondas de área e outro cluster está aqui e assim por diante. Agora como será atribuído o cluster como isso será feito e que veremos que os algoritmos baseados nos diferentes algoritmos que são utilizados no espaço de medição para fixar que este cluster pertence a uma determinada classe.

Vídeo 2

Por isso, algoritmo que são usados são os muito que são distância mínima para a classificação principal e para que encontremos que você sabe o clustering como o clustering está lá se ele é muito aberto cluster então essa distância mínima para significar vai ser grande. Mas se houver clusters apertados então esta pode ser uma das opções de entre os algoritmos. Outro algoritmo pode ser uma classificação de máxima verossimilhança Gaussiana de que a probabilidade é baseada na probabilidade. E então a classificação com paralelepípedos também está lá e nós estaremos vendo em breve uma figura através da qual tentaremos entender todas essas 3 técnicas de classificação bem conhecidas que são usadas na classificação supervisionada. E cada um se nós se colocarmos se usarmos o mesmo conjunto de treinamentos da mesma imagem mas quando classificamos usando esses três algoritmos diferentes é altamente provável que possamos estar a obter 3 resultados diferentes mas e pode estar muito perto de. Por exemplo o método mais simples que é o primeiro que é a distância mínima é quer dizer é um em que o ponto central teórico da nuvem de cluster ou de ponto é plotado. E com base nos valores média desse cluster e ponto de desconhecimento é atribuído ao mais próximo destes e esse ponto é então designado a classe de capa. Assim, da mesma forma e agora estaremos vendo isso e isso em um espaço dimensional de 2 em vez de em 3 e apenas para a compreensão e isso é de estimador grosseiro. Mas todos os três métodos que acabei de mencionar foram utilizados. Portanto, este é aqui o primeiro top deixado A está mostrando os diferentes aglomerados de classes e classes diferentes são mostrados aqui como círculos são milho e este para feno e outras áreas urbanas e wasteland.
Agora quando vamos para a primeira técnica que é simples a distância mínima para significar isto é quantas distância é calculado um ponto é a média geral é mais rápida aqui calculada e então é encontrado que qual cluster a ter distância mínima da média e então a média de cada um desses clusters são então seus clusters são atribuídos classes diferentes e então você vai para classificação. Por isso, se olarmos que a distância mínima que ponto central teórico ou nuvem de ponto está tramada. Portanto, é isso que o ponto central teórico das nuvens é tramado aqui. E com base nos valores média desses clusters um ponto desconhecer é atribuído ao mais próximo destes e o ponto então designou a classe de capa. Sendo assim, é assim que a distância mínima de distância média para significar trabalho de classificação ou algoritmo. Quando vamos para o segundo como simplificado ou paralelepípedo que você sabe ao invés de máxima verossimilhança a terceira nós tomaremos essa. Então em um simplesmente paralelepípedo o que estamos encontrando e que diferentes tipos de e em vez de significar e eles são caixas ou demarcação é feito em um espaço dimensional. E então qualquer que seja os pixels que estão encontrando estão ficando dentro dessas demarcações são atribuídos a uma determinada classe e este algoritmo é chamado de simples paralelepípedo. Há paralelepípedos imprecisos que você pode ver que os grandes clusters estão bem mas quando focamos aqui encontramos que como para este exemplo de classe hay aqui uma grande área foi tomada e, portanto, há sobreposições também. Por isso, para evitar essas sobreposições e uma como estas são as sobreposições que você está vendo aqui e estas são as sobreposições e elas trarão erros em nossa classificação. Por isso, em uma precisa essas sobreposições são evitadas e em vez de apenas criar retângulos ou você sabe ao quadrado cobrir a cada aula são criadas uma caixas bem precisas como esta aqui como você pode ver aqui e da mesma forma. Assim, isso dará uma classificação mais precisa e é por isso que se chama de classificação precisa mesmo exemplo aqui também está nesta parte que está bancada para desperdício de água ou talvez desculpe talvez a classe de água. Portanto, da mesma forma isso pode ser métodos tão diferentes de uma classe espectral e que podem ser representados aqui e na trama de dispersão do bivariado. Agora a segunda opção que foi um ali o segundo algoritmo que é a máxima verossimilhança ela é baseada em probabilidade grosseiro. Por isso, os contornos dizem que são desenhados e à medida que você vai embora do centro do aglomerado a probabilidade se reduz de conseguir aqueles pixels naquela aula particular do centro. Assim, os contornos basicamente expressam a probabilidade de que qualquer ponto que pertença a uma determinada classe se eu tome isto como exemplo então em classe que é a base do método de classificação ímpar de máxima verossimilhança.
Assim, os pixels que estão tendo esses valores estão tendo a maior possibilidade de probabilidade de serem classificados com mais precisão e à medida que eu vou embora do centro a probabilidade se reduz. Então, pode haver alguns como na área de fronteira e pode haver algum problema porque esses contornos de outras classes também podem estar se sobrepondo lá. Não é necessário que estes contornos tenham de ser circulares estes contornos podem ter forma elétrica elétrica também. E que dizemos que contornos de equiprobabilidade também assim a classificação pode ser feita. Portanto, há você pode dizer que há geral 4 técnica de classificação para que sejam algoritmos que são usados na classificação supervisionada uma é a distância mínima para significar então você sabe o padrão esta classificação paralelepípedo então precisão paralelepípedo e a última é a máxima verossimilhança que é baseada na probabilidade. Agora como anteriormente mencionado que é você pode ver que os diferentes algoritmos estão escolhendo diferentes classes com base em certos métodos. Alguns estão usando quer dizer que alguns estão usando você sabe que os limites para definir classes diferentes em alguns este como a máxima verossimilhança é baseado na probabilidade. E, portanto, é inevitável que se eu colocar todos os algoritmos diferentes na mesma imagem com os mesmos conjuntos de treinamento eu sou obrigado a ter resultados diferentes. Agora pode haver uma pergunta e aquela que é a melhor e que só pode ser decidida com base em uma vez se estamos tendo conhecimento prévio ou depois da classificação através de todas essas técnicas quando vamos ao chão truthing. E descobrimos que um determinado algoritmo deu o melhor resultado então para aquela determinada área específica pode-se dizer que esta técnica de classificação ou este algoritmo de classificação foi formado bom. Mas na mesma imagem se a temporada for alterada uma data diferente imagens eles são imagem de data de ano diferente lá você pode obter resultados diferentes. Por isso, em uma determinada imagem mínima diga-se máxima verossimilhança talvez um mais possa dar resultados mais melhores. E em alguma outra data ou estação da mesma área ou talvez do mesmo sensor se eu usar de novo da mesma forma eu posso achar que distância mínima para significar MDM está dando melhores resultados. Portanto, esta é uma certa base altamente subjetiva e a classificação o melhor é encontrar a parte de precisão mais tarde. Informações prévias ou conhecimentos prévios dessa área sempre ajudarão e darão os melhores resultados na classificação. Agora vou mostrar para vocês os exemplos de classificação de 2 ou usar 2 classifica-se uma é a primeira opção que é a distância mínima para significar qual é lá que você pode ver aqui. E outro é o método baseado em probabilidade sobre esta uma classificação que é a classificação de máxima verossimilhança. E o que descobrimos que tu o número de aulas é mantido o mesmo mas se você começar a focar em áreas sábias ou diferentes você pode achar que alguns estão ficando melhor classe melhor classificados através de uma classificação algumas classes e algumas estão ficando mais bem classificadas usando outra classe. Por exemplo aqui eu acho que aqui nele está a obtenção de uma maior probabilidade máxima de que a máxima verossimilhança esteja dando resultados mais lisas. E embora os conjuntos de treinamento sejam os mesmos que foram utilizados para estes algoritmos de classificação de 2. Por isso, há na mesma imagem mesmos conjuntos de formação 2 algoritmo diferente 2 resultados diferentes. Ou seja, o agora em que um está correto novamente como mencionei que tem que ser verificada avaliação de precisão tem que ser feito então apenas um pode dizer que uma determinada classificação para aquela determinada área foi encontrada melhor ou mais adequada. Portanto, isso diz como eu venho mencionando que essa classificação é muito subjetiva. Em segundo lugar, até agora, não me toquei sobre a resolução espacial. O coarser a resolução espacial e melhor os resultados um pode ter porque a diferença de características espectrais e dentro de setspodem não ser o muito em comparação com imagens de satélite de alta resolução espacial. Por isso, mais você conhece a fronteira em termos de sua resolução espacial e mesma em termos de resolução espectral também. Que se você está tendo uma bancada mais ampla como em anteriores Landsat MSS ou mesmo Landsat TM você pode te conhecer resultados muito lisas em vez de speckles em sua imagem no mapa classificado. Mas se você for para imagens de satélite de resolução superior e então a característica espectral para diferentes conjuntos de treinamento irá variar muito amplamente e, portanto, a saída pode não ser tão precisa que um gostaria de ter. Portanto, isso significa o que podemos dizer nesta fase que esses algoritmos de classificação também dependem de uma resolução espacial assim como sobre a resolução espectral ou característica. Por isso, coarser essas coisas são os melhores resultados que se pode obter no entanto, mas nessa escala pode ser bom. Mas vamos para alta resolução espacial alta resolução espectral nossa expectativa através da classificação é muito mais e, portanto, temos que ser muito cuidadosos enquanto escolhemos os conjuntos de treinamento em imagem de satélite de alta resolução espacial. Mais cuidados são necessários com a alta resolução espacial, em comparação com imagens de satélite de resolução relativamente grosseiros. Portanto, é isso que muito da precisão de classe da classificação vai depender de muitas coisas especialmente eu estou falando de classificação supervisionada e porque depende da resolução espacial ela depende de qual banda você escolheu e então depende do seu conjunto de treinamentos com que precisão, como confiavelmente você coletou esses conjuntos de treinamento. E então finalmente avaliar a precisão parte da sua exatidão de classificação pode ser avaliada através da técnica estatística e a precisão deve ser avaliada se um gostaria de desenvolver um mapa de uso de terra altamente confiável ou mapa de cobertura florestal estão fora de através desta técnica de classificação ou um mapa litológico e então a veracidade de solo é muito necessária. E se um terreno no solo se foi verificado como uma imagem foi classificado como um denso budgie ou uma floresta densa mas quando entramos em campo, verificamos que é floresta aberta não floresta densa. Em seguida, novamente e os conjuntos de treinamentos têm que ser alterados e a classificação tem que revestir novamente para que ela combine com a veracidade do chão. Por isso, há muita subjetividade existem não quanto menos o objetivo principal aqui é reduzir o número que você conhece o eu digo contínua imagem e através dessas técnicas de classificação estamos reduzindo em certas categorias e discretizando os dados integrais conjuntos em apenas poucas classes. Por isso, isso traz para o fim desta breve discussão sobre a classificação supervisionada muito obrigado.