Capacidades de sensoriamento remoto

O sensoriamento remoto é capaz de extrair informações existentes em imagens que obtêm, assim como a codificar as mesmas em formas variadas. A classificação digital de imagens foi formulada com o intuito superar as complicações das fotoanálises, na qual para uma mesma área, ocorriam resultados divergentes por conta da visão e conhecimento do analista. Assim, automatizou a extração das informações presentes nas imagens, gerando uma imagem digital composta por pixels cada qual com sua classificação, construída de polígonos com padrões homogêneos com base nas classes dos alvos.

A classificação de imagem funciona nas imagens multiespectrais através da associação dos pixels de uma imagem a um número finito de classes individuais representativas aos objetos de estudo, baseando-se em seus valores digitais, ou seja, o pixel vai ter um conjunto de atributos, que ao serem medidos por fórmulas estatísticas, vai ser atribuído à uma classe que satisfaça os critérios pré-estabelecidos. Basicamente os classificadores de imagem são divididos pelos softwares comerciais de processamento em classificadores supervisionados e não-supervisionados, que correspondem a diferentes modos de alocar os pixels individuais em uma classe mais provável.

Classificação Supervisionada, segundo Meneses e Almeida é quando há a necessidade de uma análise e conhecimento prévio das classes de alvos, para assim ser possível classificar a imagem. Há também o treinamento supervisionado do algoritmo, que lhe permite distinguir as classes, sendo realizado pelo analista, que coleta pequenas áreas espectralmente representativas à certa classe de estudo, presente na imagem, com o suporte de visitas a campo e imagens de satélite de alta resolução. Nesse sentido, os diferentes alvos, possuem padrões espectralmente distintos, tendo propriedades estatísticas que representam esses padrões, permitindo assim, os pixels serem comparados aos padrões e rotulados com o que mais se assemelha. É importante assim, que o treinamento seja bem realizado e de precisão, para evitar confusões entre as classes no resultado final, as imagens também devem passar por correções para garantir uma boa classificação. Esse tipo de classificação é muito utilizada para fazer mapas e análises geográficas e estatísticas, como a cobertura e uso do solo.

Exemplos de habilidades

É exemplo de Classificação Supervisionada, o classificador por Máxima Verossimilhança (MaxVer), que “considera a ponderação das distâncias entre as médias dos valores dos pixels das classes, utilizando parâmetros estatísticos. Este classificador pressupõe que todas as bandas possuem distribuição normal, e assim faz o cálculo da probabilidade de um dado pixel se encaixar em determinada classe. É um classificador bastante eficiente, pois as classes utilizadas em treinamento possibilitam a estimativa da forma com que se distribuem os pixels existentes em cada classe em um espaço de certo número de bandas, e também localiza o centro de cada classe.

Classificação Não Supervisionada, segundo Meneses e Almeida é quando o analista pouco ou nada participa do processo de classificação. Nesse tipo de classificação não há um treinamento a cada classe, cabendo ao analista após classificação deve associar os resultados às classes existentes. O treinamento não-supervisionado é automatizado pelo computador, ficando de responsabilidade do analista apenas especificar alguns parâmetros que irão ser usados para encontrar padrões relacionados aos dados, que nem sempre correspondem às características reais da cena. É composta por agrupamentos de pixels de características espectrais semelhantes, os chamados “clusters”. Esse tipo de classificação é utilizado para se ter um conhecimento prévio do número e natureza das classes de alvos que podem estar na área imageada.

É exemplo de Classificação Não-Supervisionada, o classificador K-means, que segundo Meneses e Almeida (2012) se baseia no agrupamento de pixels pelas suas semelhanças, através de técnicas de distância mínima, o clustering, usando pixels da imagem de entrada para começar a análise. Nesse classificador os números de agrupamento são conhecidos previamente, ficando um número de agrupamento, e tendo como objetivo, ‘minimizar a variabilidade interna do agrupamento que é dimensionada pela função soma das distâncias ao quadrado (erros) entre cada pixel e o centro ao qual é alocado.

Leave a Reply 0

Your email address will not be published. Required fields are marked *