Loading
Nota de Estudos
Study Reminders
Support
Text Version

Filtragem de Imagem e Classificação-demonstração

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

Nesta que vamos discutir três de demonstração ou 3 técnicas que já cobrimos em nossas discussões ou em palestras. Uma é a filtragem de convolução que estarei mostrando como você pode editar os filtros disponíveis em um determinado software. E então a análise de componente de princípio e mais uma técnica é o trecho de decoração. Então primeiro eu vou para esta manifestação. Neste software como temos usado esta imagem eu vou continuar a usar que é imagem spot de Moscou e depois e o que nós vamos para verificar essa técnica de filtragem e nesta nós vamos aqui para uma sua casa e depois multispectral e esta opção de filtragem aqui. Então vamos para as opções de filtragem e aqui vamos para a filtragem de convolução de conversão. Tantos filtros já feitos estão lá e sempre que eu escolho qualquer um destes neste lado direito sobre a própria imagem e os efeitos são tomados e a preview é mostrada basicamente. Então, se eu aceitar qualquer um destes é o que eu vou conseguir eu estarei obtendo resultados por exemplo como este. Então eu posso escolher qualquer um mas o eu quero que eu gostaria de mostrar que um também pode fazer como. Suponha se eu for para o aprimoramento de borda e usar um filtro de 7/7 é assim que os 7 este filtro olha. Por isso, porque há digamos que é um filtro grande e o valor do centro é de grosseiro +97 porque este é filtro de passe elevado. Assim, a variação local seria destacada e as variações regionais são reduzidas, portanto, todos os outros valores celulares deste filtro de convolução são negativos ou -1. E então, mas se eu quiser mudar o tamanho aqui eu posso projetar o meu próprio filtro. Então eu posso mudar o meu tamanho como a partir de 7 automaticamente ele vai para 9 e desculpe 9 e depois 11 eu posso escolher 11/11. E aí eu tenho que fornecer os valores para todas essas coisas. E uma vez que está lá eu posso executar a esta filtragem de convolution. Muitas opções estão lá já no software. Assim, diferentes softwares de grosseria fornecerão um tipo diferente de filtros e um também pode projetar e se eu ver o exemplo de filtro de baixo passe que também de 11/11 como você pode ver aqui estas são 11 linhas e 11 colunas estão lá 11 colunas estão lá e no desde que ele é filtro de passe baixo então todo valor é 1.So lote de média será feito e então você obterá resultados em conformidade. Mas se você quiser ver uma revisão rápida do que você vai ter na janela direita automaticamente ele vem muito rápido aqui. Assim sendo, há outros bem conhecidos filtros bem estabelecidos como Sobel 1 2 e 7 por 7 5/5 e os filtros direcionais todos os tipos de possíveis filtros possíveis que se pode pensar já estão em construção. Mas um ainda um requerido conforme seus requisitos também pode adicionar design seu próprio filtro e, em seguida, executar as coisas em conformidade. Agora estaremos na mesma imagem estaremos olhando para esta sua análise de componente principal. Por isso, quando vamos para análise de componente principal nós o que encontramos aqui que esta é a opção que está disponível através de botões espectrais. E aqui podemos escolher se posso me apresentar em toda a imagem ou em uma imagem pequena e então posso de grosseiro que tenho que fornecer e o lugar onde guardo. Então eu estou mantendo aqui e aí eu posso dizer que coordenador de bilk de onde eles virão para que esses detalhes também possam ser fornecidos. Direi que assim o você sabe no log da sessão e também escreva esses valores de eigen matriz e eigen como este para que estes também possam ser escritos em um local que eu fornecerá. Por isso, localização que estou fornecendo é temp aqui e mesmo aqui estou fornecendo a pasta temporária de localização e o C Drive ok. E uma vez que você vai você também pode abrir o log mais tarde e pode ver a matriz também. Assim, eu vou tão bem se for um arquivo grande uma vez pode ir em modo batch ou um gostaria de se apresentar em múltiplos e há algumas outras opções também estão lá. Por enquanto não sou de grosseiro quantos componentes são desejados já que se trata de um composto de cores falso de três bandas. Por isso, todos os três componentes são desejados a partir disso. Agora o processamento pode levar algum tempo e ele continuará nos mostrando o status. E uma vez que é feito então você pode ver componentes individuais também. Como você sabe que em componente principal na variabilidade máxima virá no componente 1 e no componente 3 você pode estar tendo a variabilidade mínima ou apenas componente de ruído pode estar lá. Se nós teríamos digamos 6 bandas cenário como em Landsat lá TM e então então podemos você saber não incluir banda térmica de bandas. Por isso, estou dizendo 6 de outra forma há 7 bandas. Então se eu pegar esse cenário de 6 bandas então a última banda que eu posso ir para 6 componentes e último componente sirá ter completamente barulho lá. Assim, da mesma forma, eu posso obter esses valores mas muito facilmente. Agora vou verificar que onde guardou o grosseiro e esses arquivos estariam lá mas deixa eu me deixar ir por isso estes são os dois arquivos que tem criado. E se eu abrir esses arquivos vou encontrar talvez notepad que eu possa abrir e então eu vou encontrar esses dois vetores eigen e eigen matricial também. Assim, pode-se obter as informações estatísticas sobre os componentes principais. E em segundo lugar o grosseiro eu vou pegar a imagem aqui e assim vamos ter imagem também. Então eu abro que um vai para isso e esta é a imagem que foi criada aqui. E este é o e esses componentes estão aqui e eu posso de grosseiro obter imagens diferentes e há por isso eu posso obter apenas a camada única embora seja atribuída cor vermelha não importa. Eu posso mudar meu multi espectral eu tenho todas as camadas apenas em uma e esta é componente uma que está tendo a variabilidade máxima. Se eu for para o componente três então eu vou assim e ele terá variabilidade mínima em comparação com o componente um. Assim também você recebe não só a matriz eigen eigen matrix mas também você consegue três componentes principais você sempre pode fazer compósitos de cor também e como eu estarei fazendo aqui e você obter tal resultado que são de grosseria a interpretação parte de um composto de componente principal composto vai ser diferente mas vai proporcionar muitas variações nos valores do pixel e um pode até ir para classificação de tais compósitos ou pode usar para outras interpretações ou discriminações de diferentes objetos. Assim, também a análise de componente de princípio pode ser feita se a imagem for maior pode demorar muito tempo mas se imagens é esta imagem não foi de tamanho muito grande então levou apenas cerca de um minuto e será obter informações muito rapidamente. Agora vou para outra técnica que já discutimos também. Por isso, novamente vou rodar espectral e depois trecho de decoração. Por isso em estirelação de decoração eu vou tão novamente a imagem aqui que a mesma imagem de ponto de Moscou que eu estou tomando e onde eu vou colocar essa imagem que tem que ser fornecida para que eu esteja colocando esse temp e só ok. Então agora eu decidi minha saída e se você quiser também pode criar saída em ponto flutuante ou o que mas por vez sendo eu estou escolhendo como valor padrão e estou pedindo que ele deve ser esticado também. Para que eu fique com uma coisa completa aqui no sistema de coordenadas de onde esses virão. Então deixe-o continuar como a partir do que quer que eles estejam lá porque já é sua referência então eu preciso não fazer nenhuma alteração aqui e aí eu vou para o decorrelação trecho novamente e ele vai demorar algum tempo está inicializando e então ele vai criar novamente muita variabilidade porque recall em análise de componente de princípio quando você vê na análise do componente principal o que é feito basicamente dois passos está lá. A origem é deslocada para o aglomerado onde você está tendo então ele está alinhado o eixo estão alinhados conforme a variabilidade máxima presente dentro de um cluster e que se torna o seu principal componente um e perpendicular a esse alinhamento que eixo PC1. Haverá um outro componente que é o PC2 princípio componente 2 e perpendicular a estes dois componentes haverá outro que é o componente principal três do mesmo modo. O que estamos fazendo no trecho de decoração estamos esticando ainda mais esses componentes de princípio de compo e tentando que as imagens os valores do pixel possam ocupar o espaço máximo disponível dentro desse espaço dimensional ou em um intervalo dinâmico completo. Assim, também vamos por mais variabilidade e presente nas imagens dentro desta imagem. Por isso, vamos agora adicionar essa imagem e esta é imagem de estiramento de decoração como você pode ver aqui eu vou trocar desses e levar este aqui e de grosseiro eu troco essas cores e é isso que você está recebendo aqui e você pode escolher os diferentes esquemas aqui ok. E sim agora é só comparar aqui esta essa era a nossa imagem original e esta é imagem de estiramento da decoração. Tanta discriminação entre objetos pode ser feita como comparada ao simples seu falso composto de cores. Não importa essa imagem o que você vai apriviver não chegará a este estágio como você pode fazer através de estiramento de decoração. Por isso, estiramento de decoração vai criar muitas cores muita variabilidade porque esses principais acessos de componentes estão sendo esticados. E mais eles vão eles vão para eles estão ocupando o espaço máximo que está disponível para cada banda ou por cada componente entre 0 255. Este é de grosseiro um cenário de 24 bit que significa para 8 cada 8 cada banda estamos tendo banda de 8 e 8 bits (()) (15:28) para cada pixel. Então no total 3 3 cada componentes estão lá ou 3 bandas estão lá e, portanto, você está tendo 24. Mas a saída como você pode ver que eu vou voltar a demonstrar você e esta é a sua imagem original dificilmente você vê a discriminação e uma vez que você traz esse trecho de decoração que pode ser feito muito rapidamente e você obter resultados lindos. Essas imagens então vão para classificação ou interpretação simples de imagem e dessa forma e a confiabilidade de sua interpretação e classificação podem aumentar muito significativamente.

Vídeo 2

E agora vamos para outra demonstração e isso é sobre isso usando esse software de domínio público que é o DIPS porque aqui nós podemos desenvolver melhor compreensão das coisas e depois para um processamento real você pode ir para o software comercial. Por isso, hoje nesta demonstração particular de usar este estimulador de processamento digital de imagem primeiro vou mostrar para vocês o fatiamento de densidade que já discutimos quando discutimos a classificação sem supervisão e o fatiamento de densidade e como até mesmo como uma palestra separada. Agora como você sabe que a principal finalidade de como de classificação ou como densidade fatiamento de que pode haver muitos pixels de variabilidade tendo grande alcance ou em uma imagem contínua queremos discretizar e criar apenas poucas classes e da mesma forma podemos fazê-lo. E isso aqui nesta demo através deste software podemos ver dois ou podemos ver visualização de dados como sendo exibidos ou podemos ver visualização de imagem. Por isso, vamos manter a visão de dados e porque queremos entender que como isso está acontecendo e depois tentaremos adicionar diferentes classes aqui. Então se eu digitalizar rapidamente e então o que eu acho que nesta imagem os valores são valores mais baixos estão aqui é 10 e o valor mais alto é eu coisa 68. Por isso, vamos fatiar essa imagem em poucas fatias. Então qual a primeira fatia que a gente vai escolher é entre 10 e entre 10 para isso entre 10 para nós teremos um 30 aqui e depois somar valores aqui. Depois, vamos para outra fatia que se diz 31 para ter 20 de intervalo aqui. Então 50 e depois vamos para outra fatia que é um 51 para nós dizemos 70 e da mesma forma que eu coisa que completamos todas as três. E aí quando selecionamos este então dizemos ok fatiar essa imagem. Agora você vê que esta imagem agora podemos ver a visão de imagem e também uma visão fatiada. Nós temos apenas pela simplicidade que criamos apenas 3 fatias. Pode-se criar mais fatias ou mais classes se houver informações prévios como você pode ver que toda a imagem que possui lotes de valor de pixel iniciam de 10 68 sendo fatiados apenas em três classes. Então, é assim que e este é um slicor de densidade é realizado em imagem real. Este é um estimulador apenas para demonstração mas traz claramente o conceito de fatiamento de densidade aqui que você pode ver. Agora a próxima coisa que vamos ver é o classificador e aqui o que faremos vamos criar esses conjuntos de treinamentos ou assinatura escolhendo diferente. Então eu quando coloco o cursor sobre esta imagem ou esses valores eu sei. Então eu digo que esse vai ser o meu único conjunto de treinamentos e aí eu digo se algum valor que está mais próximo a este então eu também posso incluir no meu conjunto de treinamentos como este de grosseiro. E se eu quiser incluir 9 então 10 também está lá então eu vou apenas em dois locais como eu estava mencionando quando estávamos discutindo na teoria discussão sobre classificação supervisionada Eu disse que dentro de cada imagem é sempre melhor escolher pelo menos duas assinaturas ou dois conjuntos de treinamento. Por isso, um treino eu estou escolhendo e aí eu vou dizer colocar um valor aqui e dizer que este é um terreno desnudo tudo bem. E então agora eu fico com o nosso máximo mínimo que eu sei porque só três pixels estavam lá estatísticas média e de desvio padrão também disponível então eu escolho outro set outro set de treinamento por você sabe clicando aqui crie novo conjunto de treinamentos e eu digo que essa área negra eu quero ser como um corpo de água. Então um treino aqui e esses valores também são bastante fechados mas por isso eu escolho estes como um conjunto de treinamento e depois digo salvar assinaturas aqui e depois salvar o corpo de água. Novamente eu fico com a estatística fora dos meus sets de treinamento e treinamento conjunto de água. Agora novamente eu vou e crio mais uma aula aqui ou mais um conjunto de treinamentos usando esses valores de cinza que estão organizando entre 66 68 e da mesma forma. E mais um set de treinamento usando não este pode estar ok pode ser este e este. Por isso, dois conjuntos de treinamento para esta aula particular eu escolhi. E eu como por minha informação prévia estou dizendo que isso pode ser uma terra agrícola e aí eu fico com essa. Agora último mais um conjunto de treinamentos vou escolher usando estes e o valor aqui os valores de cinza claro aqui que estão tendo valor digamos 91 80 93 89 um conjunto de treinamento eu escolhi. Outro pode estar neste um 89 e este vai muito longe. Então, podem ser 70 e esses dois e depois salvar ok. Então esta pode ser a minha floresta salva. Agora quatro conjuntos de treinamento foram escolhidos agora eu digo que ok pare de coletar e classificar. Dois métodos são apoiados aqui neste software de demonstração um é o MDM que representa distância mínima para mim que já discutimos em discussão anterior sobre e esta classificação supervisionada e segunda é paralelepípedo. E assim em aula de teoria havediscutimos dois tipos de paralelepípedo padrão ou paralímpicos precisos. Aqui apenas uma opção está disponível então eu vou para uma distância mínima para significar e quando eu vou para classificação é assim que eu fico com os meus resultados de classificação. Todos os valores que eu atribuí estão mostrando classes diferentes da mesma forma. Então eu escolho aqui e sei que como esses cálculos estão sendo feitos que um também pode verificar as aulas individuais e ver que que tipo de estatística está acontecendo. Acho que algo deu errado não está tudo bem. Então agora eu consigo eu posso continuar checando meus resultados de classificação muito facilmente usando esses métodos. Dois métodos estão disponíveis Eu posso ir para outro método novamente classificar e dizer ok número de desvio-padrão eu digo apenas manter um e este é como o como um discutido na classe teoria que para um mesmo treinamento configura imagem de entrada de imagem mas 2 algoritmo diferente em classificação supervisionada dois resultados diferentes. Então, é preciso ter muito cuidado aqui muitos pixels foram desclassificados porque eu joguei essa demonstração eu não coletei exaustivamente todos os conjuntos de treinamento. Eu deveria ter ido por 7 8 pelo menos os sets de treinamento então provavelmente toda a imagem teria classificado em classes diferentes. Mas ainda assim em um software real você pode adicionar poucos mais conjuntos de treinamento e depois voltar atrás e fazer correções e depois ir para classificação até satisfazer com a correspondência com outros resultados ou fazer a parte de avaliação de precisão. Assim, essas coisas podem ser feitas com bastante facilidade. Assim, podemos concluir esta demonstração sobre classificação e fatiamento de densidade.

Vídeo 3

Agora o último que é muito importante em caso de classificação é sobre avaliação de precisão. Por isso, essa avaliação de precisão é um primeiro como um top one a imagem superior que você está vendo é basicamente a imagem classificada e que tem cinco classes de água, urbana, arbusto, floresta e terra árida.
E essas aulas estão lá agora vamos para avaliação de precisão o quão exatamente essas aulas foram classificadas na mesma imagem que a gente tem usado. Agora você quer que você saiba que quantos percentuais de referências devem ser tomados se 50% desse total de referência de solo ou informações prévios que estamos tendo ou 10%. Então, se eu escolher dizer que eu quero apenas 10% seleção porque uma grande que eu vou embora eu possa obter resultados diferentes mas que leve mais tempo. Amway para que eu esteja indo por 10 e então escolha ok então identifique pixels simples. Por isso agora há 77 pixels aleatórios em imagem sigilada foram identificados com referência correspondente à imagem de solo que você está vendo aqui. E então finalmente criar matriz de erros. Então aqui nós conseguimos a matriz de erros que requer pouca interpretação aqui e isso é dizer duas dimensões dimensionais basicamente. Então aqui novamente você está dizendo que a água é uma floresta todas essas classes estão lá 5 classes como estavam aqui e então novamente aquelas 5 aulas estão lá e o que você está vendo aquele total de coluna ou linha ou eixo diagonal é todo 5 e precisão total está dizendo 71,43 é aqui. Então esse tipo de avaliação rápida também pode ser feito em software profissional ou em comercial também. Agora em vez dessa matriz de erros eu também posso ir para o coeficiente kappa e pode ir para cálculos novamente. Então eu receito apenas isso muito e que eu vou saber continuar passando por isso e eu fico com os valores contra esta linha que é uma coluna total e depois agora uma linha. Por isso, para cada um você conhece a célula dessa tabela dimensional o cálculo está sendo feito como você pode ver e é isso que agora os resultados serão bem-vindos.
Então eu digo que ok cálculo está concluído. Então em desvio padrão o resumo matricial que está dizendo que tudo o que eles disseram é e a diagonal desculpe a soma diagonal é 16 que estamos recebendo e o grande total de todo esse cálculo de coeficiente de kappa é 49. E novamente isso é da mesma forma como esse cálculo é feito é que o observado menos esperado. A expectativa é de que sejam provenientes e destes 10% de seleção que escolhemos em estágios muito iniciais. Se formos por 50% espero que nossa precisão melhore ainda mais porque há menos chances de obter mais erros se o número de você conhecer pontos aleatórios ou pixels aleatórios forem selecionados para comparar com a imagem classificada. Portanto, esta é esta imagem de referência do solo ou talvez moída depois de ground truthing ou talvez através de algum outro mapa. Por isso aqui algum outro mapa foi escolhido e este coeficiente de kappa chave vem em torno de 0,576 o que pode não ser muito bom. Mas nesta manifestação nós fizemos isso.
Vamos tentar outra vez a mesma coisa com 50% e ver o que acontece com este. E 50% estamos indo em vez de 10% de amostragem e depois identificar pixels. Por isso, todos esses agora 32 pontos aleatórios que significam que o este está tendo total 64 pixels nesta imagem de amostra. Assim, 30 50% dos pontos foram selecionados aproximadamente meio aleatoriamente eles foram criados. Agora vamos para essa matriz mas o que eu estava dizendo não é exatamente assim a precisão reduziu lá estamos obtendo esse percentual total de exatidão estava em algum lugar a cerca de 71 agora estamos recebendo 62,5. Por isso, nem sempre é necessário e que você obtenha um elevado resultado apurado. E de grosseiro da mesma forma que você vai para cálculo de kappa e da mesma forma manter o recorte para todas as células e aí você fica com esse tipo de valores estão lá. Isso é ponto para que o valor seja e a parte de precisão tenha definitivamente desferido. E tão bem isto é nesse caso nesse exemplo às vezes você pode obter melhores resultados também. Assim, sempre que a classificação for realizada classificação supervisionada ou classificação não supervisionada uma avaliação de precisão deve ser feita e em seus resultados no seu relatório uma declaração também deve estar lá que o quão exatamente a classificação é 0,625 é uma classificação não muito boa que foi alcanada mas não obstante e é assim que se tem que se reporta. Para que as fotos reais saiam após a classificação. Quando qualquer imagem que estiver com muita heterogeneidade nos valores do pixel a sua exatidão vai ser reduzida ou muito menos. No entanto se uma imagem que é muito homogênea eu lhe darei exemplo suponhamos que você esteja trabalhando em uma área de sobremesa ou em uma área de floresta densa ou em uma área coberta de neve lá a maioria dos pixels pode estar tendo um valores muito próximos valores próximos valores. E sua classificação alcançará uma precisão muito alta. Mas se você está trabalhando em área em que muitas heterogeneidades estão lá e dizem talvez em terras agrícolas e pequenas parcelas agrícolas estão tendo diferentes tipos de culturas e sua característica espectral vai ser completamente diferente. E, portanto, quando você acessa a parte de precisão você não alcançará uma precisão muito boa. Por isso, imagens corretas homogêneas que estão tendo características homogêneas ou valores de pixel estão fechadas até então você pode alcançar uma precisão muito boa.
Em uma imagens heterogêneas você pode não atingir uma precisão muito boa. Portanto, e isso traga para o fim desta e desta discussão sobre esta manifestação. Então primeiro o que nós através deste software comercial e nós fizemos a demonstração sobre essa convolução filtrando como editar como projetar o seu próprio. Então uma análise de componente de princípio e como ver o matt você sabe acessar a matriz e os componentes individuais você pode ver composto combinado também você pode ter. E então decorrelação se estende em comparação com a imagem original e também finalmente e através deste software DIPS temos visto a demonstração de fatiamento de densidade. Forma semelhante você pode fazê-lo em softwares comerciais. Em segundo lugar trata-se de um classificador e terceiro sobre avaliação de precisão. Tempo integral o tempo todo eu não estou usando softwares comerciais porque objetivo aqui não é promover nenhum software um e eu sou eu preferiria usar o DIPS onde quer que seja possível porque é antes de tudo não é software comercial ele foi desenvolvido em um instituto acadêmico. É melhor entender primeiro o que vai para trás em cada processamento em softwares comerciais e que podem ser entendidos apenas através de tais softwares como o DIPS que eu venho usando. Por isso, isso traz para o fim desta manifestação muito obrigado.