Thiago Broerman Cazes

Interpretação Baseada em Conhecimento de Imagens de Sensores Remotos de Alta Resolução

Dissertação de Mestrado

Dissertação apresentada ao Programa de Pós-graduação em Engenharia Elétrica da PUC-Rio como requisito parcial para a obtenção do título de Mestre em Ciências da Engenharia Elétrica

Orientador: Raul Queiroz Feitosa Co-orientador: Luiz Felipe Guanaes Rego

Rio de Janeiro, 09 de Setembro de 2005

A-PDF Merger DEMO : Purchase from www.A-PDF.com to remove the watermark

Thiago Broerman Cazes

Interpretação Baseada em Conhecimento de Imagens de Sensores Remotos de

Alta Resolução

Dissertação apresentada como requisito parcial para obtenção do grau de Mestre pelo Programa de Pós-Graduação em Engenharia Elétrica do Departamento de Engenharia Elétrica do Centro Técnico Científico da PUC-Rio. Aprovada pela Comissão Examinadora abaixo assinada.

Dr. Raul Queiroz FeitosaOrientador

Departamento de Engenharia Elétrica - PUC-Rio

Dr. Luiz Felipe Guanaes RegoCo-Orientador

Departamento de Geografia - PUC-Rio

Dra. Marley Maria Bernardes Rebuzzi VellascoDepartamento de Engenharia Elétrica - PUC-Rio

Dr. Herman Johann Heinrich KuxINPE

Prof. José Eugenio Leal Coordenador Setorial do Centro

Técnico Científico - PUC-Rio

Rio de Janeiro, 09 de setembro de 2005

Todos os direitos reservados. É proibida a reprodução total ou

parcial do trabalho sem autorização da universidade, do autor e do orientador.

Thiago Broerman CazesGraduação em Engenharia Elétrica com Ênfase em Sistemas e Computação na UERJ. Objetivando título de Mestre em Métodos de Apoio a Decisão no Departamento de Engenharia Elétrica da PUC-RJ atuando em pesquisa na área de métodos automáticos de interpretação em sensoriamento remoto. Toma parte do projeto ECOWATCH que envolve instituições brasileiras e alemãs e é gerido pelo programa PROBRAL.

Ficha Catalográfica CDD: 621.3

Cazes, Thiago Broerman Interpretação baseada em conhecimento de imagens de sensores remotos de alta resolução / Thiago Broerman Cazes ; orientador: Raul Queiroz Feitosa ; co-orientador: Luiz Felipe Guanaes Rego. – Rio de Janeiro : PUC, Departamento de Engenharia Elétrica, 2005. 94 f. ; 30 cm Dissertação (mestrado) – Pontifícia Universidade Católica do Rio de Janeiro, Departamento de Engenharia Elétrica. Inclui referências bibliográficas. 1. Engenharia elétrica – Teses. 2. Sensoriamento remoto. 3. Imagens de alta resolução. 4. Interpretação de imagens baseada em conhecimento. 5. Classificação de imagens. 6. IKONOS. I. Feitosa, Raul Queiroz. II. Rego, Luiz Felipe Guanaes. III. Pontifícia Universidade Católica do Rio de Janeiro. Departamento de Engenharia Elétrica. VI. Título.

Agradecimentos

Ao meu orientador Prof. Raul Queiroz Feitosa;

Ao meu co-orientador Prof. Luiz Felipe Guanaes Rego;

A toda a equipe do projeto ECOWATCH;

Aos professores que participaram da Comissão examinadora;

Aos meus amigos da PUC-RIO;

A CAPES, ao DAAD e ao CNPQ pelo apoio financeiro;

Aos alunos de graduação Marlene, Daniele e Ricardo em geografia pelo apoio no procedimento de interpretação visual e apoio nos procedimentos específicos de cartografia;

Aos meus pais, familiares e amigos.

Resumo

Cazes, Thiago Broerman; Feitosa, Raul Queiroz . Interpretação Baseada em Conhecimento de Imagens de Sensores Remotos de Alta Resolução Rio de Janeiro, 2005, 94 p. Dissertação de Mestrado – Departamento de Engenharia Elétrica, Pontifícia Universidade Católica do Rio de Janeiro.

A cada dia mais e mais satélites de alta resolução têm se tornado disponíveis,

criando grande demanda por novos métodos de interpretação baseados em

conhecimento. Estes métodos emulam parcialmente o trabalho do especialista em

análise visual de imagens. Nesse contexto, o presente trabalho apresenta um modelo de

classificação baseado no conhecimento do especialista aplicado a imagens de alta

resolução. O modelo de interpretação consiste de três fases. A primeira inclui o

conhecimento espectral e a informação de textura. Na segunda fase dados de SIG

(sistema de informação geográfico) são combinados com o resultado da análise

espectral através de regras nebulosas. Na terceira e última fase é introduzido o

conhecimento multitemporal através de uma estimativa das possibilidades de transição

entre classes de uma mesma área em um dado intervalo de tempo. Para validação desse

modelo experimentos foram realizados em imagens IKONOS e fotos aéreas de 1999,

2001 e de 2002 da área do Parque Estadual da Pedra Branca, que é um importante

fragmento da Floresta Atlântica situado no estado do Rio de Janeiro, Brasil.

Palavras-Chaves

Sensoriamento remoto; Imagens de alta resolução; Interpretação de imagens

baseada em conhecimento; Classificação de imagens; IKONOS.

Abstract

Cazes, Thiago Broerman; Feitosa, Raul Queiroz (Advisor). Knowledge-based Interpretation of High Resolution Remote Sensing Images Rio de Janeiro, 2005, 94 p. MSc. Dissertation – Department of Electrical Engineering, Pontifical Catholic New high resolution satellites for commercial purposes became available in the

few years. This increases the need of new automatic knowledge based image

interpretation methods. Such methods partially emulate the reasoning of an image

analyst during the visual image interpretation. The present work falls into this context

and proposes an automatic classification model for high resolution remotely sensed

images. The model consists of three stages. In the first stage only spectral and textural

information are used for classification. In the second stage GIS (geographic information

system) data are combined with the result of the spectral analysis by means of fuzzy

rules. In the third stage the multitemporal knowledge is introduced by estimating class

transition possibilities within a given time span. To validate the proposed model

experiments were performed based on IKONOS images from 2001 and 2002 as well as

aerial photos from 1999 of the Pedra Branca Park, which is an important Atlantic Forest

fragment in the State Rio de Janeiro in Southeast Brazil.

Keywords

Remote sensing; High Resolution Images; Knowledge-based interpretation; Image

Classification; IKONOS.

Sumário

1 Introdução 13 1.1 Objetivos 15 1.1.1 Objetivo Geral 15 1.1.2 Específico 16 1.2 Organização 16

2 Fundamentos Teóricos 17 2.1 Sensoriamento remoto 17 2.1.1 Sensoriamento remoto em imagens de alta resolução 19 2.1.2 Pré-processamento 22 2.2 Métodos computacionais 24 2.2.1 Classificação de padrões 24 2.3 Segmentação 33 2.3.1 Histórico 33 2.3.2 Segmentação baseada em crescimento de regiões 34 2.3.3 Segmentação em múltiplas escalas 35 2.4 Parâmetros de textura 36

3 Estado da arte em classificação de imagens de alta resolução 37 3.1 Métodos baseados em pixels 37 3.2 Classificação baseada em objetos 40 3.3 Classificação Multitemporal 42

4 Modelo proposto 45 4.1 Introdução 45 4.2 Descrição geral do modelo 45 4.2.1 Fase 1: Classificação automática supervisionada baseada em dados

espectrais e textura 47 4.2.2 Fase 2: Classificação baseada em regras do especialista 47 4.2.3 Fase 3: Representação de conhecimento multitemporal 48

5 Avaliação experimental 51 5.1 Descrição da área de estudo e preparação dos dados 51 5.1.1 Parque Estadual da Pedra Branca 52 5.1.2 Imagens Utilizadas 56 5.1.3 Preparação dos dados 58 5.1.4 Segmentação 59 5.1.5 Definição das classes 60 5.1.6 Processo de classificação visual 64 5.2 Fase 1 – Classificação Espectral e Textura 68 5.2.1 Dados utilizados 68 5.2.2 Resultados 69 5.3 Fase 2 – Classificação estrutural baseada em regras 70

5.3.1 Atributos utilizados na classificação estrutural 71 5.3.2 Regras 73 5.3.3 Ajuste das funções de pertinência 74 5.3.4 Resultados da classificação estrutural baseada em regras 75 5.4 Fase 3 – Classificação multitemporal 77 5.4.1 Resultados do classificador multitemporal 82 5.5 Conclusões 86

6 Comentários finais 87

Referências 89

Lista de Figuras

Figura 1 – Exemplo da influência da refletância e do comprimento de onda em

diferentes tipos de cobertura de solo [] 18

Figura 2 – resposta espectral relativa ao comprimento de onda na banda pancromática

IKONOS [16] 21

Figura 3 – resposta espectral relativa, conforme o comprimento de ondas para o sensor

multiespectral IKONOS [16] 21

Figura 4 – Representação do problema da topografia em captura de imagens de sensores

remotos 23

Figura 5 – Modelo de neurônio artificial não linear [22] 26

Figura 6 – Funções de ativação: (a) tangente hiperbólica sigmóide (tansig) e (b)

sigmóide logarítmica (logsig) a direita. 27

Figura 7 – Arquitetura de uma rede neural do tipo MLP com uma camada oculta 27

Figura 8 – Representação de um individuo e genes em algoritmos genéticos 31

Figura 9 – demonstração do operador genético de crossover simples de um ponto. 32

Figura 10 – Modelo de interpretação baseado em conhecimento para imagens de alta

resolução. 46

Figura 11 - diagrama detalhado do procedimento de interpretação na fase 2. 48

Figura 12 – Exemplo de diagrama de transição de estados para 4 classes 49

Figura 13 – Mapa representativo do Parque Estadual da Pedra Branca localizado no sul

do Eestado do Rio de Janeiro. 52

Figura 14 – Imagem IKONOS Multiespectral (4m de resolução) da área do Parque

Estadual da Pedra Branca no ano de 2001. Em azul o recorte correspondente a

Figura 15 e Figura 16 mostrado apenas para exemplificar a riqueza de informação

contida em imagens de alta resolução. 53

Figura 15 – Detalhe da área marcada em azul na Figura 14. Bandas visíveis (RGB).

Observa-se a expansão urbana e as áreas de vegetação. 54

Figura 16 – Detalhe da área marcada em azul na Figura 14. Destaque na banda

infravermelha. Composição (NRG) realçando a vegetação. 54

Figura 17 – Foto da área do Parque Nacional da Pedra Branca. Detalhe para a área da

represa facilmente observável a partir da imagem de satélite. 55

Figura 18 – Foto da área do Parque Nacional da Pedra Branca. Detalhe para a vegetação

densa típica da Mata Atlântica. 55

Figura 19 – Foto do Parque Nacional da Pedra Branca; detalhe da expansão urbana

sobre a área do parque. 56

Figura 20 – Representação da imagem IKONOS 57

Figura 21 – Ilustração gerada com a foto aérea de 1999 e o DTM da área de estudo

utilizado no processo de ortoretificação. 58

Figura 22 – Comparação entre as segmentações em uma área da imagem selecionada; a)

imagem, segmentação com parâmetro de escala b) 90, c) 60 e d) 30. 60

Figura 23 - Classificação Visual da imagem IKONOS de 2001. 66

Lista de Tabelas

Tabela 1 – Características da legenda utilizada no processo de classificação. 64

Tabela 2 – Percentual de área na imagem classificada coberta por cada classe da legenda

(imagens de 1999 e 2001 classificação visual) 65

Tabela 3 – Número de segmentos gerados por classe da legenda (imagens de 1999 e

2001, classificação visual) 65

Tabela 4 – Alterações reais detectadas pela classificação visual entre os anos de 2001 e

1999, relativo ao numero de segmentos. 67

Tabela 5 – Alterações reais detectadas pela classificação visual entre os anos de 1999 e

2001, percentual de mudança em relação ao ano de 1999. 67

Tabela 6 – Matriz de confusão da classificação espectral da imagem de 2001 após a

primeira fase. Resultados apresentados em percentual relativo a imagem de

referência. 70

Tabela 7 – Configuração dos sistemas neuro-fuzzy. 74

Tabela 8 – Matriz de confusão de uma classificação típica após a Fase 2. Resultado

percentual relativo a referencia de uma interação. 76

Tabela 9 – Transições entre classes para a área de teste. 80

Tabela 10 – Configuração dos sistemas neuro-fuzzy. 81

Tabela 11 – Matriz de transição nebulosa. Valores em zero indicam transições

impossíveis. 83

Lista de Gráficos

Gráfico 1 – Taxa de erro médio de omissão por classe após a classificação

supervisionada com atributos espectrais e textura. 69

Gráfico 2 – Erro de omissão médio por classe após a FASE 2. (resultado após 20

execuções) 75

Gráfico 3 – Erro de classificação global após a FASE 2. (resultado após 20 execuções)

77

Gráfico 4 – Erro de classificação global após a inclusão de conhecimento multitemporal

de maneira CRISP. (resultado após 20 execuções) 82

Gráfico 5 – Evolução do algoritmo genético durante a sua evolução. 84

Gráfico 6 – Avaliação do erro de omissão após a inclusão da informação multitemporal

nebulosa. 84

Gráfico 7 – Taxa de erro global após a classificação por inclusão de dados

multitemporais nebulosos. 85

13

1 Introdução

As técnicas de sensoriamento remoto estão em constante processo de evolução

permitindo acurácia cada vez melhor na descriminação de classes de uso e cobertura do solo [1].

Uma grande gama de novos sensores comerciais vem sendo desenvolvida com

resolução espacial de poucos metros, em alguns casos até mesmo com menos de 1 metro.

Sensores como o IKONOS com resolução de 1m na banda pancromática ou o QUICKBIRD

com 60cm, permitem um desenvolvimento sem precedentes na área de sensoriamento remoto

em imagens de alta resolução.

Além da resolução espacial observa-se uma grande evolução nos sensores orbitais

também em termos de resolução espectral e radiométrica. Sensores com centenas de bandas

espectrais permitem a captura de imagens em diferentes faixas do espectro eletromagnético com

elevada resolução radiométrica em cada uma de suas bandas.

Isso tudo implica em um enorme aumento da complexidade e do volume de dados

disponível em escala mundial, o que faz aumentar a demanda por ferramentas automáticas

capazes de interpretar a massa de dados produzida.

Uma das aplicações mais importantes de sensores remotos são atividades de

planejamento ligadas a preservação ambiental. Monitoramento de queimadas,

acompanhamento de áreas de risco e planejamento de expansão urbana sobre áreas de

florestas são alguns exemplos dessas aplicações.

Nesse contexto tem crescido o interesse mundial por métodos ou sistemas

baseados no conhecimento [2, 3, 4, 5, 6 e 7]. Esses sistemas buscam reproduzir em um

ambiente computacional o raciocínio, muitas vezes subjetivo, do foto-interprete. Ainda

não existem métodos que consigam realizar toda a tarefa de interpretação independente

da interação do ser humano, ou seja, completamente automáticos. Contudo, pesquisas

vêem apontando para um aumento significativo dos níveis de automatização de vários

passos envolvidos no processo de interpretação.

O presente trabalho se insere nesta linha de pesquisa que procura desenvolver novos

métodos automáticos de interpretação de imagens de sensores remotos, especialmente sensores

de alta resolução espacial. Mais especificamente este trabalho investiga métodos

automáticos de classificação com ênfase nos métodos baseados em conhecimento.

14

Para avaliar as técnicas estudadas no âmbito desta pesquisa, foi escolhido como

sítio alvo uma área representativa da Mata Atlântica no Estado do Rio de Janeiro.

Inúmeras são as razões que justificam esta escolha. Primeiramente a Mata Atlântica é o

bioma brasileiro mais devastado. Inicialmente esta mata ocupava a região costeira do

país do Ceará ao Rio Grande do Sul em área aproximada de 1.000.000 km2. Atualmente

está restrita a manchas distribuídas por vários Estados, ocupando área aproximada de

91.000 km2. No Estado do Rio de Janeiro encontramos atualmente 19.000 km2

ocupados com a Mata Atlântica1 . Este nível de devastação pode ser explicado tanto

pelo valor econômico de suas espécies florestais, como pela intensa ocupação humana

já que aproximadamente 70% da população brasileira vive em seu entorno, o que

implica em todo tipo de pressão antrópica [8, 9].

A Mata Atlântica, definida pela UNESCO como uma Reserva da Biosfera2, é

uma das florestas mais ricas do mundo em termos de diversidade biológica, com

elevados índices de endemismo: 30% das espécies arbóreas, 150 tipos de pássaros e 50

tipos de pequenos animais, entre outros. É responsável pela manutenção de nascentes de

rios que abastecem cerca de 10.000.000 pessoas. Além de ter efeito muito positivo sobre

a sustentação e estabilidade de encostas íngremes. Sua existência também contribui para

a qualidade de vida da população que vive em seu entorno, principalmente, por seu

valor estético, criando uma paisagem equilibrada e saudável. O Rio de Janeiro,

juntamente com os estados do Espírito Santo e da Bahia, são apontados como centros de

endemismo de flora e fauna Atlântica [10].

A preservação deste bioma necessariamente envolve o conhecimento da

distribuição espacial destes remanescentes (land-cover), assim como a dinâmica de sua

transformação temporal (land-cover change). As tecnologias orbitais são

reconhecidamente capazes de produzir este tipo de mapeamento e vêm sendo utilizadas

para este fim com resultados práticos como, por exemplo, a série de mapeamentos

desenvolvidos pela Fundação SOS Mata Atlântica3 e pelo Instituto Nacional de

Pesquisas Espaciais - INPE.

Nas últimas décadas o mapeamento do padrão de cobertura do espaço

geográfico vem sendo produzido a partir de imagens de média resolução como a série

LANDSAT. Os mapas de cobertura produzidos a partir dessas imagens geram produtos

1 Atlas dos Remanescentes Florestais da Mata Atlântica – Período 1995/2000 – Fundação SOS Mata Atlântica 2 http://www.unicamp.br/nipe/rbma/

15

compatíveis com a escala 1:50.000 ou menores em função de sua resolução espacial de

30 m × 30 m. Esses mapas permitem uma visão geral do problema, mas dificultam, pela

escala, a definição mais precisa dos limites do processo de mudança, dificultando a

definição de parâmetros operacionais que permitam ações objetivas na solução de

problema locais [11].

Os novos sensores orbitais com resolução espacial de poucos metros

possibilitam a produção de mapeamentos em escalas maiores que permitem uma

compreensão detalhada tanto do padrão de cobertura do espaço como, com o passar do

tempo, do nível de alteração deste padrão [12]. Em função das resoluções espacial,

espectral e radiométrica dessas imagens será possível identificar classes mais finas que

as produzidas pelos sistemas orbitais anteriores, o que permitirá, consequentemente,

uma melhor compreensão dos processos ambientais nas áreas sob risco e uma definição

mais direcionada e mais fundamentada das ações que visam a sua preservação.

É, portanto, importante, através de um processo ordenado e sistemático de

pesquisa, avaliar a eficiência do processo de classificação de imagens orbitais de alta

resolução em termos de acurácia e detalhamento de classes qualitativas de cobertura,

visando aumentar o conhecimento do padrão de cobertura dos remanescentes de Mata

Atlântica no Estado do Rio de Janeiro e contribuir com tecnologias de ponta para sua

conservação.

1.1 Objetivos

1.1.1 Objetivo Geral

O objetivo principal desse trabalho é avaliar um modelo baseado em

conhecimento para a interpretação automática de imagens de sensores remotos de alta

resolução. Embora o modelo tenha elementos de aplicabilidade geral, o trabalho foi

direcionado a fragmentos florestais da Mata Atlântica, mais especificamente ao Parque

Nacional da Pedra Branca no Município do Rio de Janeiro, RJ, Brasil.

3 http://www.sosmatatlantica.org.br/

16

1.1.2 Específico

São objetivos específicos deste trabalho:

• Construir um modelo de classificação que leve em conta três

modalidades de conhecimento: espectral, estrutural (ou contextual) e

multitemporal;

• Avaliar a contribuição individual de cada uma das modalidades de

conhecimento para o desempenho da classificação de imagens de alta

resolução.

1.2 Organização

Este trabalho está organizado em seis capítulos descritos mais detalhadamente a

seguir.

O capítulo 2 descreve os principais métodos de interpretação baseados em

conhecimento pesquisados atualmente, com foco em imagens de alta resolução. Nesse

capítulo são abordados assuntos como interpretação baseada em pixels ou objetos,

segmentação e multitemporalidade.

O capítulo 3 apresenta de forma introdutória os conceitos teóricos usados neste

trabalho. Esse capítulo se divide em duas partes. A primeira introduz conceitos básicos

sobre sensoriamento remoto necessários para um bom entendimento do modelo

apresentado. A segunda parte trata de métodos computacionais utilizados na

implementação dos modelos.

No quarto capítulo é apresentado o modelo de interpretação baseado em

conhecimento proposto neste trabalho.

O capítulo 5 descreve os experimentos realizados para avaliar os métodos

propostos no trabalho. A área de estudo e a base de dados são descritos, assim como os

procedimentos de pré-processamento das imagens. Esse capítulo também apresenta a

legenda da aplicação escolhida, os procedimentos de segmentação das imagens e a

metodologia de classificação visual realizada por um especialista, que produziu os

dados de referência para a avaliação dos métodos propostos no trabalho. O capítulo

termina apresentando e discutindo os resultados experimentais.

No sexto e último capítulo é realizada uma análise global dos resultados e são

apresentadas conclusões e propostas para trabalhos futuros.

17

2 Fundamentos Teóricos

A presente pesquisa tem um caráter claramente multidisciplinar. Por isso foi

introduzido neste documento o presente capítulo, cujo propósito é apresentar os

fundamentos básicos teóricos e algumas técnicas das áreas relacionadas que são

essenciais para a compreensão dos modelos e procedimentos apresentados nesse

trabalho.

Leitores já iniciados nos temas aqui abordados poderão prescindir da leitura da

seção correspondente ao capítulo sem prejuízo para a compreensão do restante deste

trabalho.

Na primeira parte do capítulo é apresentada uma breve introdução sobre

sensoriamento remoto e técnicas de processamento de imagens de sensores remotos,

principalmente em alta resolução. Detalhes de correção geométrica e topográfica são

apresentados.

Na segunda parte são apresentados algoritmos específicos de classificação

supervisionada utilizados durante o trabalho. Também são descritos modelos de

classificação baseados em lógica nebulosa e sistemas neuro-fuzzy e algoritmos

genéticos utilizados para otimização de parâmetros.

O algoritmo de segmentação ou extração dos objetos a partir de imagens de

sensores remotos é descrito na terceira parte do capítulo.

Na quarta e última parte apresenta-se uma breve descrição dos parâmetros de

Haralick [37], utilizados como atributos de textura ao longo desse trabalho.

2.1 Sensoriamento remoto

Sensoriamento Remoto é a técnica ou arte de obter informações sobre objetos,

áreas e fenômenos através da análise de informações obtidas sem contato direto com o

objeto, área ou fenômeno de estudo [1]. Nesse contexto a análise de uma foto de uma

determinada área geográfica pode ser denominada de sensoriamento remoto.

18

A principal ferramenta do sensoriamento remoto é o sensor de captação da

imagem a ser analisada. Atualmente, existe uma grande variedade de sensores ativos e

passivos para a captação de imagens [13]. Sensores ativos emitem energia em um

determinado comprimento de onda e a captam de volta após ser refletida pelo material

analisado. Através de medidas realizadas na emissão e captação é possível a estimação e

criação de imagens remotas. Sensores passivos não emitem radiação, mas simplesmente

captam a reflexão da radiação, principalmente a radiação eletromagnética solar, sobre os

objetos. Esse trabalho concentrara-se em sensores passivos, sensíveis a radiações

eletromagnéticas.

Esses sensores baseiam-se na propagação da energia eletromagnética e na sua

interação com alvos naturais. Em poucas palavras a energia eletromagnética emitida

pelo sol atinge alvos naturais e é refletida por esses, sendo então capturada por sensores

remotos transportados por satélites, aeronaves, balões meteorológicos, etc. Essa reflexão

eletromagnética sofre alguns fenômenos devidos à interação com a cobertura do solo ou

à dispersão ou absorção pela atmosfera. As influências da atmosfera não são tratadas

nesse trabalho e podem ser melhor estudadas em [1].

Ao atingir alguma região da superfície da Terra a radiação eletromagnética sofre

interações de acordo com as características físico-químicas da cobertura do solo ou da

composição do objeto; como resultado uma parte da energia eletromagnética é refletida

e uma outra parte é absorvida pela superfície. Em termos gerais, tipos diferentes de

cobertura de solo oferecem comportamentos diferentes, conforme o comprimento de

onda por ele atingido pelo alvo, como o apresentado na Figura 1.

Figura 1 – Exemplo da influência da refletância e do comprimento de onda em diferentes tipos de cobertura de solo [14]

19

Os sensores remotos passivos que detectam energia eletromagnética refletida ou

emitida pelo alvo permitem medir a proporção de energia refletida da superfície

terrestre que os atinge, num determinado comprimento de onda.

2.1.1 Sensoriamento remoto em imagens de alta resolução

Os estudos em sensoriamento remoto em alta resolução espacial começaram a

ganhar força quando câmeras a bordo de aviões foram utilizadas para a obtenção

fotografias aéreas. Durante anos as tecnologias tanto de obtenção quanto de

processamento e análise dessas imagens se desenvolveram intensamente, inicialmente

nos setores militares e em seguida na administração pública e em setores privados [15].

Os mapas produzidos por fotos aéreas podem ser obtidos em diferentes escalas,

dependendo basicamente do tipo de câmera utilizada e da altitude do sobrevôo.

O grande problema detectado com as imagens aéreas são os seus elevados custos

de obtenção e a complexidade que cresce com a área a ser analisada. A análise de uma

área relativamente grande com fotos aéreas é um processo caro e trabalhoso

principalmente pelo complexo processo de obtenção que envolve um plano de vôo

preciso e o controle necessário para garantir a homogeneidade na aquisição das

imagens.

Com o avanço das tecnologias espaciais especialmente a partir de 1972, e o

desenvolvimento de câmeras e sensores digitais, foi possível a aquisição de imagens a

partir de satélites não militares. O programa LANDSAT surgiu ainda em 1972 com o

objetivo de produzir imagens de toda a superfície do globo terrestre de maneira contínua

e sistemática, e a custos razoáveis.

Desde o início da utilização não-militar de sensores remotos baseados em

satélites, um grande número de diferentes sensores foram desenvolvidos. Estes sensores

passam a forçar os desenvolvimentos científicos, e tecnológicos, tanto no que se refere a

resolução espacial quando a resolução radiométrica. As imagens geradas estão sendo

utilizadas amplamente, principalmente em tarefas de planejamento. A maior

periodicidade na obtenção das imagens tornou possível uma análise de séries históricas

em determinadas regiões que mostram claramente tendências de alteração de padrões de

ocupação de solo. Com esses dados é possível um melhor planejamento a longo e médio

20

prazo de atividades que impactam direta ou indiretamente no padrão de cobertura do

solo.

Os sensores remotos baseados em satélites tornaram possível uma utilização

mais ampla e democrática da informação e do sensoriamento remoto como um todo.

Porém, o tipo de informação extraída depende fundamentalmente do tipo de imagem

obtida. Em outras palavras, uma imagem LANDSAT consegue representar objetos não

menores do que 900 m2, assim como uma imagem de um satélite de metrologia como o

AVHRR consegue representar informações a partir de 1Km2.

Em meados de 1999 ocorreu um marco na área de sensoriamento remoto para

aplicações não militares. O IKONOS, o primeiro satélite de alta resolução destinado

exclusivamente para sensoriamento remoto e voltado a objetivos civis foi lançado. Com

a resolução espacial de 1m no modo pancromático, as imagens IKONOS trouxeram

para o mundo do sensoriamento remoto uma nova gama de possibilidades. Pela primeira

vez era possível, de forma sistemática, em alguns casos à custos inferiores aos das fotos

aéreas, a identificação e representação de objetos com até 1m2.

O satélite IKONOS realiza a órbita em torno da Terra em aproximadamente 98

minutos em uma altitude de aproximadamente 680 km [16]. Lançado em uma órbita em

sincronia com o sol o IKONOS consegue passar por uma dada longitude em

praticamente o mesmo horário local (10h30min AM) diariamente. Com isso o IKONOS

é capaz de produzir imagens de 1m de resolução de uma determinada área geográfica a

cada 3 dias.

21

Figura 2 – resposta espectral relativa ao comprimento de onda na banda pancromática IKONOS [16]

Figura 3 – resposta espectral relativa, conforme o comprimento de ondas para o sensor multiespectral IKONOS [16]

O satélite IKONOS produz dois tipos de imagens bem distintas em termos de

resolução espectral e espacial. Com a resolução de apenas 1m por pixel a imagem

22

pancromática possui uma faixa de sensibilidade eletromagnética que cobre todo o

espectro visível (Figura 2). A imagem multiespectral IKONOS possui uma resolução

um pouco menor, 4 m por pixel, porém essa imagem possui quatro bandas de detecção

oferecendo uma faixa dinâmica mais ampla em cada uma dessas bandas (Figura 3).

Todas as imagens IKONOS são geradas com uma resolução radiométrica de 11-

bits e 8-bits. A resolução radiométrica de 11-bits permite uma faixa dinâmica de níveis

muito maior, podendo chegar a 2048 níveis em cada banda. A resolução de 8-bits é

fornecida por compatibilidade com softwares existentes. O processamento com 11bits

fornece uma maior riqueza de detalhes já que são 1048 níveis de cinza e não 256 como

no caso das imagens LANDSAT.

Assim como o IKONOS, outros satélites de alta resolução já foram e outros

serão ainda lançados voltados a propósitos não militares. O QUIKCKBIRD, por

exemplo, já operacional e trabalhando em uma resolução espacial de até 60cm e o

SPOT 5 com uma resolução de até 2.5m já estão operacionais comercialmente.

O governo Brasileiro mostra o seu envolvimento com sensoriamento remoto em

imagens de alta resolução através de um programa em conjunto com o Governo Chinês

chamado CBERS (China-Brazil Earth Resources Satellite). Através desse programa

satélites com câmeras de médias resoluções já se encontram operacionais. Esse mesmo

programa promete colocar em órbita os satélites CBERS-3 e CBERS-4 em 2008 e 2010

respectivamente. Esses satélites devem operar com câmeras de média resolução capazes

de produzir imagens com ate 5m de resolução espacial na banda pancromática, e ainda

com uma taxa de revista (período no qual o satélite passa no mesmo local) de

aproximadamente cinco dias.

2.1.2 Pré-processamento

Para que várias imagens de sensores remotos sejam integradas entre si e com

outros dados geográficos em um ambiente SIG (Sistema Geográfico de Informação), é

necessário um processo prévio de correção.

O processo de georeferenciação é o responsável por converter as coordenadas

das imagens de sensores remotos para uma base geográfica real. Esse processo associa à

posição de cada pixel da imagem a coordenada geográfica do ponto imageado. Isso

permite, por exemplo, a integração da informação contida na imagem com dados de SIG

23

disponíveis em todo o mundo. O georeferenciamento parte normalmente de pontos na

imagem, cuja coordenada geográfica é bem conhecida, os chamados pontos de controle

ou GCPs (“ground control points”). Os GCPs podem ser obtidos através de coleta de

campo por GPS (Global Position System ou Sistema de Posicionamento Global) ou até

mesmo a partir de algum dado já georeferenciado. Em outras palavras, os GCPs são um

conjunto de pontos, facilmente identificáveis, em que se pode definir o posicionamento

real ou geográfico de alguma maneira específica. A partir desses pontos procedimentos

matemáticos são aplicados com o objetivo de realizar uma reamostragem na imagem

como um todo segundo um sistema de coordenadas geográficas. Como resultado do

georeferenciamento obtém-se uma nova imagem, denominada de “imagem retificada”,

ou “georeferenciada”.

Um outro problema com imagens de satélite diz respeito à altimetria. Em regiões

muito montanhosas ou em uma escala muito fina o tamanho de um pixel pode não estar

compatível com a realidade apresentada em campo.

Figura 4 – Representação do problema da topografia em captura de imagens de sensores remotos

A Figura 4 ilustra o problema decorrente da elevação do terreno relacionado na

captura de imagens de sensores remotos. Um pixel de 1m (área em azul) representa na

realidade ou geograficamente falando uma área maior (em vermelho).

A solução para o problema da correção altimétrica está na georetificação em

conjunto com a correção altimétrica com base no modelo digital de terreno, ou DTM

(Digital Terrain Model). Esse processo é comumente chamado de “ortoretificação”. O

DTM é uma representação digital da superfície com informações altimétricas, que pode

1pixel = 1m

Sensor remoto

24

ser obtido a partir de isolinhas, ou seja, das curvas de nível da região estudada. Por ser

digital possui uma resolução espacial e radiométrica assim como as imagens. A

resolução, principalmente a espacial, do DTM utilizado afeta a qualidade da

ortoretificação.

Além de alterar propriedades geométricas nas imagens capturadas, a topografia

traz consigo outros efeitos, como a iluminação e a reflectância dos objetos. Técnicas de

correção topográficas também são utilizadas para amenizar esses problemas. Essas

técnicas levam em conta, além do DTM, vários outros fatores, tais como a posição do

sol no ato da captura da imagem e a altitude do sensor.

Uma descrição detalhada dos procedimentos específicos, para a ortorretificação

e para a correção topográfica, pode ser encontrada em [15, 17, 18 e 19].

2.2 Métodos computacionais

Esta seção aborda os fundamentos e as técnicas de processamento de imagem,

inteligência computacional e reconhecimento de padrões necessários para a

compreensão do restante do trabalho.

2.2.1 Classificação de padrões

O processo de classificação de padrões é o procedimento computacional capaz

de atribuir a diferentes grupos ou classes alguns determinados padrões apresentados. Por

exemplo, um procedimento que separe laranjas podres de laranjas sadias pode ser

considerado um procedimento de classificação de padrões onde os padrões são os

objetos analisados (laranjas). Os inúmeros fatores que tipicamente se usam para

diferenciar uma laranja podre de uma sadia, por exemplo, o cheiro, a cor, a textura

dentre outros são conhecidos como atributos dos padrões analisados.

Os procedimentos de classificação podem ser divididos em dois grandes

conjuntos. Primeiro pode-se definir um grupo de procedimentos que não necessita de

dados de treinamento, ou seja, não é necessária a apresentação das classes dos de uma

parte do conjunto de padrões (conjunto de treinamento) de cada uma das classes para

25

que as mesmas sejam reconhecidas. Esses procedimentos normalmente trabalham

dividindo o conjunto de padrões segundo os atributos apresentados ao sistema e são

denominados “métodos de classificação não supervisionados”.

Um outro conjunto de métodos e algoritmos trabalha de maneira supervisionada,

ou seja, existe uma fase de ajuste de parâmetros dos procedimentos denominada de fase

de treinamento onde as classes de cada padrão são apresentadas ao modelo. Assim como

o ser humano, que tem que aprender alguma tarefa, esses métodos utilizam-se da fase de

treinamento para “aprender” a como diferenciar as classes apresentadas ao sistema com

base no conjunto de atributos disponíveis. Esses métodos são mais robustos em termos

de desempenho de classificação e em tarefas especificas de classificação de imagens

sensores remotos tem mostrado melhor desempenho segundo a literatura exposta no

Capitulo 2.

Nesse trabalho foi abordado um modelo de classificação supervisionada baseado

em Redes Neurais Artificiais.

Em um segundo momento é abordado métodos supervisionados baseados em

lógica nebulosa (ou lógica nebulosa) nas tarefas de classificações de padrões. Esse tipo

de procedimento depende da elaboração de regras de inferência por um especialista.

Essas regras interagem sobre os atributos dos padrões analisados inferindo a classe de

cada padrão.

No final desse capítulo serão apresentadas resumidamente as teorias sobre

sistemas neuro-fuzzy e algoritmos genéticos. Esses métodos serão utilizados mais a

frente no modelo proposto, neste trabalho.

2.2.1.1 Redes neurais artificiais

O cérebro humano pode ser visto como um processador de informações

altamente complexo, não-linear e paralelo [20]. Por causa dessa capacidade de

aprendizado e generalização o funcionamento dos neurônios tem sido estudado e com o

objetivo de reproduzi-los em ambientes computacionais.

O neurônio artificial é uma unidade de processamento de informação

fundamental para a operação das chamadas “Redes Neurais Artificiais” [20].

26

Figura 5 – Modelo de neurônio artificial não linear [20]

O modelo de um neurônio artificial é apresentado na Figura 5. O neurônio

artificial consiste de m entradas ponderadas pelos pesos wk1..m e então somadas numa

junção aditiva. Esses pesos são conhecidos como pesos sinápticos e são responsáveis

pela capacidade de modelar e aprender de uma rede neural. Uma função de ativação é

colocada em seguida ao somador, essa função é dita como restritiva segundo [20], o que

em linhas gerais significa que ela limita o intervalo permissivo de saída do neurônio a

que se referencia. O modelo prevê ainda um ajuste denominado bias que tem o efeito de

aumentar ou diminuir o valor aplicado à função de ativação [20].

Em termos matemáticos pode-se definir a operação no neurônio k da Figura 5,

que possui as entradas j (j=1,2,....m) através das seguintes equações:

∑ ==

m

j jkjk xwu1

Eq.(1)

kkk buv += Eq.(2)

( )kk vy ϕ= Eq.(3)

A função de ativação φ(.) é responsável pela definição da saída de um neurônio

em termos de uma entrada v. Essas funções podem ser representadas de inúmeras

maneiras. Mais comumente, e nesse trabalho, utilizam-se funções sigmóides (Figura 6).

Pesos sinápticos

vk

wk1

Σ φ(.)

wk2

wk3

wkm

Bias (bk)

Função de ativação

Saída yk

x1

x2

x3

xm

Junção aditiva

Entrada

27

Basicamente o tipo de funções de ativação limita o comportamento no intervalo de

saída. A função tangente hiperbólica sigmóide (tansig) por exemplo pode ter uma saída

variando entre -1 e 1, enquanto a sigmóide logarítmica (logsig) tem uma saída sempre

entre 0 e 1.

-3 -2 -1 0 1 2 3-1

-0.5

0

0.5

1tansig

-3 -2 -1 0 1 2 3-1

-0.5

0

0.5

1logsig

(a) (b) Figura 6 – Funções de ativação: (a) tangente hiperbólica sigmóide (tansig) e (b) sigmóide logarítmica (logsig) a direita.

Uma vez definida a característica de um neurônio pode-se definir a arquitetura

de uma rede neural ligando neurônios entre si através dos pesos sinápticos. A

configuração apresentada neste trabalho é a de uma rede neural de múltiplas camadas

conhecida como “Perceptrons de múltiplas camadas” ou MLP (multilayer perceptrons).

Essa configuração é ilustrada na Figura 7.

Figura 7 – Arquitetura de uma rede neural do tipo MLP com uma camada oculta

Camada de entrada Camada

escondida

Camada de saída

Sinal de entrada

Sinal de saída

28

As redes MLPs consistem de um conjunto de unidades sensoriais, ou neurônios,

arrumados em camadas, conforme o apresentado na Figura 7. Tem-se uma camada de

entrada com nós não computacionais, uma ou mais camadas ocultas com nós

computacionais e ainda uma camada de saída com nós também computacionais. Nesse

trabalho exploram-se apenas redes neurais do tipo MLP com uma camada oculta. Os

nós chamados computacionais realizam algum tipo de processamento, conforme o

modelo do neurônio apresentado anteriormente. Os nós não computacionais são apenas

entradas ou saídas de dados e não realizam qualquer processamento.

Cada arco que liga um neurônio a outro em uma rede MLP possui um peso

sináptico associado denotado por wji. Esse peso pode ser entendido como um peso que

associa à entrada do neurônio j a saída do neurônio i. Em uma rede neural do tipo MLP

existe um grande número de pesos a serem definidos ou estimados. O algoritmo de

retropropagação, ou BP (backpropagation), é um processo supervisionado de

aprendizado baseado no gradiente descendente que estima os valores dos pesos

sinápticos a partir de padrões de treinamento. Nesse algoritmo o erro de previsão se

propaga da camada de saída para a camada oculta, procurando assim o melhor conjunto

de valores para os pesos de toda a rede. Uma descrição detalhada do algoritmo de

retropropagação é relativamente complexa e não foge ao escopo desse trabalho. Esse

procedimento pode ser encontrado com mais detalhes de implementação em [20].

Um outro ponto interessante utilizado nesse trabalho sobre as redes neurais diz

respeito à relação entre saída da rede neural e a probabilidade a posteriori. Segundo

Haykin em [20] um classificador MLP aproxima de fato as probabilidades das classes a

posteriori, desde que o tamanho do conjunto de treinamento seja suficientemente

grande, garantindo que o processo de aprendizado por retropropagação não caia em um

mínimo local.

2.2.1.2 Lógica nebulosa

A lógica nebulosa permite a expressão de forma clara e simples da incerteza e

imprecisão inerentes às avaliações de um especialista, cuja experiência se deseja

modelar num sistema de classificação baseado em conhecimento. Em outras palavras, a

lógica nebulosa pode ser vista como uma maneira de expressar incerteza [21]. A lógica

29

nebulosa permite representar valores de pertinência (grau de verdade) intermediários

entre os valores de verdadeiro e falso da lógica clássica (bivalente).

As variáveis de entrada em um sistema nebuloso são mapeadas em conjuntos

nebulosos por meio de funções de pertinência. O mapeamento de uma entrada em um

conjunto nebuloso gera um grau de pertinência dessa entrada ao conjunto nebuloso.

Por meio de regras SE-ENTÃO o sistema é capaz de expressar condições de

pertinência. Tais regras são formuladas da seguinte forma: SE (ANTECEDENTES)

ENTÃO (CONSEQUENTE). Nessa formulação os ANTECEDENTES expressam as

condições a serem satisfeitas que resultam em um desdobramento representado pelo

CONSEQUENTE da regra.

Através dos mecanismos da lógica nebulosa é possível a criação de sistemas de

inferência nebulosa capazes de realizar tarefas complexas, como modelagem,

classificação e previsão. Esse trabalho se concentra na elaboração de sistemas nebulosos

voltados para a tarefa de classificação de padrões.

2.2.1.3 Sistema neuro-fuzzy

O grande problema dos sistemas de classificação nebulosos está na quantidade

de parâmetros livres a serem estimados para um funcionamento adequado do modelo.

Esses parâmetros livres se encontram na formação das funções de pertinência dos

antecedentes e dos conseqüentes. Em outras palavras para se criar uma regre nebulosa

do tipo SE ALGO FOR ALTO ENTAO A SAIDA E BAIXA precisa definir-se que tipo

de função e quais os parâmetros das funções de pertinência ALTO e BAIXO nesse

contexto.

Nesse contexto introduzem-se os sistemas adaptativos neuro-fuzzy. Unindo a

flexibilidade dos sistemas fuzzy com a arquitetura de Redes Neurais. A idéia central por

trás do algoritmo neuro-adaptativo de treinamento utilizado no ANFIS (adaptive-

network-based fuzzy inference system) [22] é o aprendizado por meio de dados de

treinamento por um algoritmo de retropropagação do erro [23] em conjunto com um

método dos mínimos quadráticos. Esse método é muito semelhante ao utilizado para a

aprendizagem em redes neurais artificiais.

Os sistemas ANFIS possuem uma arquitetura em rede similar a arquitetura das

redes neurais artificiais, que mapeiam um conjunto de entradas em uma saída. Esse

30

mapeamento e feito através de funções de pertinência fuzzy. Os dados de entrada então

são mapeados pelas funções de pertinência relacionadas a entrada e então por outras

funções de pertinência associadas as saídas. Todas essas funções de pertinência

possuem uma serie de parâmetros livres. A computação desses parâmetros e facilitada

nos sistemas do tipo ANFIS pelo calculo do vetor de gradiente do erro relacionado a

saída. Em outras palavras um sistema ANFIS computa os parâmetros das funções de

pertinência nebulosa interativamente durante a fase de treinamento calculando a

resposta obtida pelo sistema e a resposta esperada. E então pelo erro entre essas

respostas o sistema automaticamente se adapta modificando os parâmetros das funções

de pertinência fuzzy relacionadas com os antecedentes o os conseqüentes obtendo assim

uma nova resposta para o sistema. Esse procedimento e executado com os dados de

treinamento até que não se tenha mais diminuição significativa do erro relativo a saída

esperada.

Para testar a capacidade de generalização do sistema fuzzy é utilizado um

conjunto de dados de validação. Esses dados tem o mesmo formato que os dados de

treinamento e os de teste. Geralmente procura-se um sistema de inferência fuzzy capaz

de mapear uma dada entrada em uma saída de forma eficiente. O modelo dos sistemas

ANFIS é fixo, ou seja, depois de treinado o sistema não modifica mais os seus

parâmetros. Dessa forma existe uma tendência de overfit aos dados de treinamento o

que pode causar um desempenho ruim durante os dados de teste. Nesse caso os dados de

validação são usados e aplicados ao sistema de inferência fuzzy a cada passo do

treinamento. Esse resultado e monitorado e tipicamente quando o erro de validação

aumenta o sistema de inferência pode ser considerado em sua etapa de máxima

generalização e o treinamento para.

Uma particularidade do sistema ANFIS e que se trata de um sistema fuzzy do

tipo Takagi-Sugeno [24]. A principal conseqüência desse tipo de sistema e que somente

é possível à representação de uma saída. Esse tipo de sistema foi desenvolvido

inicialmente para previsão. Na pratica podemos ter em um sistema ANFIS inúmeras

entradas, inúmeras regras porem apenas uma saída. Esse fato é altamente relevante

nesse trabalho de classificação de padrões e define a arquitetura do classificador

baseado em regras apresentado nesse trabalho.

31

2.2.1.4 Algoritmos Genéticos

Algoritmo genético é um método de resolução de problemas de otimização

baseado nos conceitos do processo biológico de evolução das espécies conhecido como

a seleção natural. A teoria da seleção natural das espécies foi desenvolvido por C.

Darwin muito tempo antes do descobrimento de mecanismos genéticos [25]. A hipótese

inicial de Darwin supõe que qualidades ou características de dois ou mais indivíduos se

unem ou se fundem em seus filhos formando indivíduos que de alguma forma herdam

características, sejam qualidades ou defeitos de seus parentes mais próximos.

Em algoritmos genéticos o vocabulário vem diretamente da genética natural.

Indivíduos são soluções possíveis para um determinado problema. Esses indivíduos

possuem um conjunto de características que pode ser denominado como o cromossomo

do indivíduo. Cada característica individual de um cromossomo em um indivíduo é

denominada gene [26], conforme a Figura 8.

Figura 8 – Representação de um individuo e genes em algoritmos genéticos

Um conjunto de indivíduos em uma mesma geração é denominado de população

e pode ser entendido como um conjunto de soluções potenciais para um determinado

problema proposto.

Um processo evolucionário roda em uma população de cromossomos ou

indivíduos correspondendo a uma procura de soluções sub-ótimas em um espaço de

soluções potenciais [26]. Esse processo equilibra o interesse da busca de uma solução

ótima e o interesse de exploração do espaço de soluções. Através das gerações a

população evolui para uma solução ótima ou sub-ótima.

Individuo

Característica 1

Característica 2Característica n

. . .

Genes

32

Os algoritmos genéticos utilizam regras para a criação de indivíduos em uma

próxima geração a partir de indivíduos de uma geração corrente. Essas regras podem ser

divididas em métodos de seleção e operadores genéticos.

O método de seleção indica a regra de escolha dos pais ou indivíduos que

contribuirão para a criação da nova geração. Somente aos indivíduos selecionados são

aplicados os operadores genéticos. Para que seja possível a avaliação dos indivíduos é

necessário introduzir o conceito de função de avaliação. Essa função tem como entrada

os genes de um indivíduo e indica a qualidade do indivíduo em uma população. Em

outras palavras a função de avaliação é capaz de avaliar diferentes soluções para um

problema e indicar qual é a melhor ou a menor, segundo algum critério utilizado.

Os operadores genéticos mais comuns são mutação e o crossover. Na mutação

um gene ou uma característica de um determinado indivíduo é alterado, em geral

aleatoriamente, com o objetivo de gerar um novo indivíduo em uma nova população. O

crossover por sua vez, é a mistura de características de dois ou mais indivíduos de uma

geração para produzir um indivíduo na próxima geração com características misturadas.

Existem vários tipos de crossover, nesse trabalho utiliza-se somente crossover de um

ponto e mutações de maneira aleatória. O crossover de um ponto realiza a mistura de

maneira simples do material genético dos indivíduos. Na Figura 9 é exemplificado o

crossover de um ponto. O individuo A em verde é “misturado” com o individuo B em

amarelo. Um ponto de corte nos dois indivíduos é definido, em geral aleatoriamente. A

partir desse ponto de corte são construídos dois indivíduos filhos que herdam o material

genético dos dois pais relacionados. Dessa maneira os indivíduos gerados carregam as

características ou genes, dos seus pais para a próxima geração.

Figura 9 – demonstração do operador genético de crossover simples de um ponto.

Ponto de crossover

Individuo A

Individuo B Indivíduos Filhos AB

CROSSOVER

33

2.3 Segmentação

2.3.1 Histórico

O processo de segmentação é um pré-requisito para a análise baseada em

objetos.

A tarefa de segmentação divide a imagem em objetos ou segmentos. O nível

dessa divisão depende do que se pretende expressar no procedimento de classificação. A

tarefa de segmentação pode ser considerado “boa”, ou “aceitável”, quando os objetos de

interesse do problema estiverem isolados, o que permitirá em tese discriminar

adequadamente as classes da legenda [27].

As técnicas de segmentação procuram delimitar na imagem regiões com

propriedades comuns. Podem-se dividir a maioria dos métodos de segmentação atuais

em dois principais grupos de algoritmos: o primeiro são os métodos baseados em

crescimento de regiões; e o segundo formado pelos métodos de agrupamento e divisões

sucessivas de objetos [28].

Na abordagem de dividir e agrupar, conhecida como “Split and Merge”, os

algoritmos subdividem ou agrupam segmentos sucessivamente. A decisão se um objeto

deve ser subdividido, ou dois objetos adjacentes devem ser agrupados, baseia-se na

avaliação de uma função de custo. As diferentes funções de custo definem as variantes

dos algoritmos do tipo dividir e agrupar.

As técnicas do tipo crescimento de região ou “region growing” consideram

como ponto de partida cada pixel como um objeto. Objetos adjacentes são agrupados

formando objetos cada vez maiores. A cada passo do algoritmo a decisão de agrupar ou

não objetos adjacentes leva em conta algum critério de homogeneidade do novo objeto

que se formaria após o agrupamento. Os critérios de homogeneidade são específicos de

cada algoritmo adotado.

Existem outros métodos mais particulares de segmentação. Esses métodos não

se baseiam especificamente nem em crescimento de regiões e nem em agrupamento e

divisão de objetos. Dentre eles destacam-se os métodos baseados em morfologia

matemática, como o watersheds.

O método de segmentação alternativo baseado no divisor de águas (watersheds)

é descrito sucintamente em [27]. Esse método utiliza a magnitude do gradiente da

34

imagem no seu critério de segmentação [29]. Ainda em [30] Beucher e Lanteujoul

utilizam o algoritmo de watersheds com sucesso para a detecção de fraturas em imagens

de micrografias de aço e detecção de bolhas em radiografia. Em 1991 [31] Beucher

aplica o algoritmo de watersheds para a segmentação de imagens de sensores remotos e

trata de um problema particular desta classe de algoritmos conhecido como super

segmentação. Em [28] o algoritmo de watersheds é utilizado especificamente para

segmentação de imagens de alta resolução.

Um método de segmentação não convencional, baseado nas caracteristicas

morfológicas dos componentes conectados foi proposto em [32]. Esse método parte dos

resíduos de duas operações morfológicas sucessivas de abertura (opening) e fechamento

(closing) [27]. O método foi testado em imagens de alta resolução tanto em áreas de

campo quanto em áreas urbanas, mostrando um ótimo desempenho comparado com

outros métodos de segmentação mais comuns. Uma melhor descrição das formas foi

alcançada e o método intrinsecamente reduz o efeito da super segmentação devido a

detalhes de implementação. Porém nesse método o custo computacional é bastante

elevado, conforme mostram os experimentos apresentados no artigo, principalmente se

houver nas imagens áreas muito uniformes em termos espectrais. Nesses casos os

algoritmos de watersheds tendem a ter um desempenho melhor.

Vários algoritmos de segmentação são comparados em [33]. O estudo destacou

dois softwares: o eCognition e o SPRING 4.04. Ambos baseiam-se em crescimento de

região, embora o SPRING ofereça também uma opção de segmentação por

watersheads, um método que será abordado mais adiante nesta seção. Nesse trabalho

também foram avaliados algoritmos de softwares como: Data Dissection Tools5,

CAESAR 3.16, InfoPACK 1.07 e Image Segmentation (componente para o ERDAS

Imagine)8.

2.3.2 Segmentação baseada em crescimento de regiões

Nesse trabalho utilizaremos um processo de segmentação baseado em

crescimento de regiões desenvolvido por [34] e implementado comercialmente no

4 INPE - http://www.dpi.inpe.br/spring 5 INCITE, Stirling University – http://www.incite.org.uk/projects 6 N.A. Software Ltd. – http://www.nasoftware.co.uk 7 InfoSAR Ltd. - http://www.infosar.co.uk

35

software eCognition [35]. O procedimento pode ser descrito como um algoritmo de

aglomeração de objetos. Inicialmente cada pixel é tratado como único objeto. Através

de passos interativos esses objetos são agrupados com os seus vizinhos formando

objetos cada vez maiores. Em cada passo é agrupado somente um dos vizinhos do

objeto analisado, a escolha de qual vizinho será agrupado segue o critério de

homogeneidade local. Em termos práticos o objeto é unido com o seu vizinho que

oferece menor incremento possível na homogeneidade do objeto resultante. O processo

de crescimento do objeto para quando o incremento de homogeneidade devido à união

dos vizinhos é maior que uma determinada função de custo. Essa função é provida para

o algoritmo como um parâmetro de escala.

O cálculo da homogeneidade local do objeto é realizado levando em conta n

fatores espectrais e de forma do objeto. Em termos de forma dois parâmetros são

analisados, a suavidade das bordas e a compactação do objeto gerado como um todo.

Mais detalhes sobre esses cálculos podem ser obtido em [34]

Esse processo de segmentação permite uma variação no tamanho dos segmentos

gerados a partir de um controle sobre o parâmetro de escala. Sendo assim a sua

expansão para um procedimento em múltiplas escalas é simples e intuitiva, tornando o

algoritmo muito produtivo para o processamento de imagens de alta resolução.

2.3.3 Segmentação em múltiplas escalas

A representação de objetos em múltiplas escalas é natural para o ser humano e

crucial para todo o processo de reconhecimento, principalmente em imagens de alta

resolução. Por exemplo, ao olhar um objeto como uma laranja muito de perto somente

observa-se apenas a sua textura e não é possível a associar aquela superfície a uma

casca de laranja. Ao se afastar um pouco do objeto analisado é possível definir que

aquele objeto é de fato uma laranja.

A idéia da segmentação multi-escala é agrupar objetos de uma determinada

escala em objetos maiores em uma escala maior. Essa aglomeração é realizada

respeitando os mesmo critérios do procedimento de segmentação inicial porém

mudando o parâmetro de escala na análise.

8 USDA Forest Service, Remote Sensing Application Center – http://www2.erdas.com/SupportSite/

36

Desta forma os objetos da imagem, ou segmentos, estão unidos por uma relação

hierárquica. Nessa relação temos vários níveis de segmentações elaboradas com

parâmetros de escalas diferentes. Em linhas gerais cada objeto tem um super-objeto em

um nível superior que o contém; e ainda contém inúmeros objetos em um nível abaixo

do seu, os chamados sub-objetos.

2.4 Parâmetros de textura

Além de informações espectrais, a textura é uma característica muito importante

para a discriminação das classes na tarefa de classificação de cobertura de solo.

Os parâmetros de Haralick têm sidos amplamente utilizados na classificação de

imagens de sensores remotos (por exemplo [36 , 45, 46 e 47]).

Os parâmetros de Haralick se baseiam na computação da matriz de co-

ocorrência de níveis de cinza da imagem (GLCM – “gray level cooccurrence matrix”) .

A matriz GLCM representa a freqüência de ocorrência de pares de valores de tom de

cinza em uma determinada relação espacial. A partir da matriz GLCM uma série de

parâmetros estatísticos pode ser extraída. Destes somente os seguintes parâmetros ou

índices foram analisados nesse trabalho:

• Homogeneidade

• Contraste

• Dissimilaridade

• Entropia

• Segundo momento angular

• Média

• Desvio Padrão

• Correlação

A descrição detalhada dos cálculos dos parâmetros de Haralick pode ser

encontrada em [37].

37

3 Estado da arte em classificação de imagens de alta resolução

Com a recente disponibilidade de imagens de alta resolução produzidas por

sensores orbitais como IKONOS e QUICKBIRD se tornou-se possível modelar com

maior nível de detalhes características da cobertura do solo do que era possível com

imagens de média ou baixa resolução. Imagens IKONOS, por exemplo, têm pixels de

1m por 1m, no caso da banda pancromática. Essa resolução é o suficiente para

visualizar com detalhes, por exemplo, o teto de uma casa, árvores, jardins e ruas.

Graças à elevada resolução espacial é possível consolidar a informação contida

em imagens de alta resolução com dados de um SIG que normalmente se encontraram

disponíveis em escalas grandes, principalmente trabalhando a níveis locais.

Nesse contexto uma série de trabalhos têm sido desenvolvidos utilizando

diferentes técnicas automáticas de representação e interpretação em imagens de alta

resolução. Essas técnicas envolvem não somente diferentes modelos de tratamento de

dados, mas também englobam diferentes métodos de representação da informação

relevante para a tarefa de interpretação.

Esse capítulo aborda o estado da arte em classificação de imagens de alta

resolução. O capítulo inicia com métodos baseados em pixel, e passa depois para uma

abordagem mais generalista e mais moderna baseada em objetos ou segmentos. O

procedimento de segmentação e as diferentes formas de representação de conhecimento

são também considerados neste capítulo. Por último uma descrição dos métodos atuais

de representação de conhecimento multitemporal é apresentada.

3.1 Métodos baseados em pixels

Métodos automáticos de classificação baseados em pixels foram amplamente

utilizados em procedimentos de classificação em média e baixa resolução e têm sido

utilizados ainda em imagens de alta resolução. A tarefa de classificação de imagens de

alta resolução pode ser considerada difícil, tendo em vista a elevada complexidade e

38

composição dos tipos de cobertura do solo que podem ser discriminados nesse tipo de

imagem, como se demonstra, por exemplo em [38].

Várias abordagens foram realizadas utilizando apenas dados espectrais e

classificadores como o de máxima probabilidade e distância euclidiana [39]. Em [40,

41, 42, 56 e 57 diversos métodos de classificação baseados em lógica nebulosa, foram

utilizados para a classificação de imagens de alta resolução. Tais métodos baseados

somente na informação espectral alcançam resultados modestos, quando aplicados a

imagens de alta resolução [42].

O conhecimento estrutural e contextual foi considerado em [43] utilizando uma

análise de vizinhança dos pixel. A informação numa vizinhança em torno de cada pixel

foi usada para extrair dados sobre o relacionamento espacial entre os pixels, gerando

desta forma um atributo de contexto. Esse método foi avaliado utilizando imagens

IKONOS pancromáticas e fotos aéreas em conjunto com um classificador baseado em

redes neurais. Os resultados demonstraram claramente os benefícios do uso dos

atributos de contexto.

Um novo método multi-escala foi proposto em [44] que combina imagens

IKONOS pancromáticas e multiespectrais com fotografias aéreas. Neste trabalho o

conjunto de dados é então tratado por classificadores de máxima probabilidade e

classificadores baseados em arvore de regressão (CART). O resultado desse trabalho

deu uma medida objetiva da importância da resolução espacial na tarefa de

interpretação. O trabalho mostra ainda que a informação multi-escala pode ser utilizada

com uma espécie de contexto no processo de classificação. Foi mostrado, por exemplo,

que imagens com 1m de resolução favorecem a interpretação de alguns tipos de classes,

por exemplo, sombreamento entre as árvores

A utilização da informação de textura na classificação de imagens de sensores

remotos também vem sendo bem explorada desde há muito tempo.

Um [45] novo método de representação da textura foi proposto baseado no

conceito de visões de um determinado padrão de textura. Basicamente o conceito

aplicado é que uma determinada classe possui inúmeros padrões de textura e ainda que

cada um desses padrões possui algumas visões. Essas visões foram obtidas com dados

de treinamento e através de uma serie de parâmetros de textura. Foi desenvolvido então

um algoritmo de classificação semelhante ao KNN, o K-View. Esse método em linhas

gerais atribui o padrão analisado a classe que possui “visões” mais semelhantes. Esses

métodos de extração de textura e de classificação foram aplicados a imagens de satélite

39

de alta resolução resultando num incremento significativo da capacidade de

discriminação de classes de cobertura de solo.

Em [46] análise de textura foi aplicada em imagens IKONOS e QUICKBIRD

para mapeamento de árvores, pomares e plantações de café em Uganda. Foram

utilizados parâmetros de textura de Haralick, calculados com base na matriz de

coocorrência de níveis de cinza ou GLCM (gray-level cooccurrence matrix). Os

resultados relatados no trabalho foram muito positivos principalmente no que disse

respeito ao reconhecimento de árvores e pomares. Porém o autor relata uma dificuldade

para determinar a dimensão ideal da vizinhança em torno de cada pixel a ser usada no

cálculo dos atributos de textura. Um outro trabalho [47] reafirma a importância da

informação de textura no processo de classificação, e ressalta igualmente a necessidade

de uma escolha adequada do tamanho dessas janelas de análise.

Além dos estudos sobre atributos muito se tem investigado sobre diferentes

modelos de classificadores para as aplicações em sensoriamento remoto.

Uma comparação entre métodos estatísticos e redes neurais aplicados

diretamente em classificação de imagens de sensores remotos é descrita em [48]

utilizando múltiplas fontes de dados LANDSAT MMS e dados topográficos. Os

experimentos mostraram que os modelos baseados em redes neurais têm taxas de

reconhecimento potencialmente superiores aos métodos estatísticos convencionais, mas

perdem em termos de desempenho computacional. Esse baixo desempenho se justifica

pelo elevado número de padrões que se tem em imagens de alta resolução, o que onera

principalmente a fase de treinamento da rede neural. Os experimentos também

mostraram a importância de se condicionar os dados adequadamente quando se utilizam

redes neurais. Pequenas mudanças no condicionamento dos dados podem alterar

sensivelmente o resultado da classificação.

Em [49] foi utilizado um método estatístico multivariado baseado em SVD

(Ssingular Vvalue Ddecomposition) e análise de vetores chaves (key vector analysis)

oferecendo uma solução alternativa a redes neurais artificiais para a classificação de

imagens aéreas de alta resolução. A justificativa dada pelos autores para a procura de

um método alternativo as redes neurais foi mais uma vez o baixo desempenho

computacional das redes neurais, quase sempre devido à fase de treinamento, e a alta

sensibilidade das redes neurais aos seus pesos iniciais, que são gerados de forma

randômica, na maioria dos casos.

40

Imagens de alta resolução espectral, obtidas a partir de sensor aerotransportado,

AVIRIS, de 1991 foram analisadas em [50]. Esse tipo de imagem possui 224 canais, ou

bandas espectrais, o que impossibilita, ou pelo menos torna difícil, uma análise

estatística multivariada. A solução adotada pelo autor foi reduzir a dimensionalidade

dos dados e aplicar em seguida um classificador não paramétrico. Foram utilizadas,

mais uma vez, redes neurais artificiais como métodos não paramétricos de classificação.

Para a redução de dimensionalidade foi utilizado um método chamado de DBFE

(Ddecision Bboundary Ffeature Eextraction) [51][52][53]. A dimensionalidade foi

reduzida de 224 para 35 e 36 bandas em dois experimentos realizados. Vários

classificadores estatísticos foram comparados com as redes neurais artificiais para

avaliar como cada um se comportava diante da redução de dimensionalidade dos dados.

Classificadores baseados em redes neurais se mostraram superiores em termos de

reconhecimento global. Os experimentos realizados mostraram ainda uma “singular”

dificuldade do algoritmo de máxima verossimilhança nos casos em que determinadas

classes possuem poucos padrões de treinamento, o que impossibilita uma boa estimação

da matriz de covariância.

3.2 Classificação baseada em objetos

Os métodos de interpretação e classificação baseados em pixels têm se

mostrados insatisfatórios para imagens de alta resolução. Imagens de alta resolução

classificadas por métodos baseados em pixel tendem a mostrar pixels isolados como

uma classe claramente inserida em uma área que representa uma outra classe [54].

Por outro lado surge a abordagem baseada em objetos que supõe uma pré-

organização dos pixels em grupos, denominados objetos ou segmentos. O processo de

extração ou formulação de grupos ou segmentos é conhecido como segmentação. A

análise por segmentos pode realmente simplificar a complexidade de informação

contida em um pixel de uma imagem, especialmente em imagens de alta resolução,

tanto espacial quanto radiométrica [55].

Do ponto de vista da arquitetura do classificador a classificação de segmentos é

idêntica à classificação baseada em pixels. A diferença principal é que o padrão é um

segmento e não um pixel. Por esse motivo a maioria das técnicas para a classificação

baseada em pixels, em princípio, funciona bem para a classificação de objetos. A maior

41

diferença está nos atributos ou no conhecimento que se pode expressar utilizando uma

abordagem por segmentos.

Com o objetivo de investigar novas metodologias de classificação explorando

dados de SIG para a cidade do Rio de Janeiro, Rego [56] e [57] adota imagens IKONOS

tanto multiespectrais quanto pancromática. A partir desses dados o autor desenvolve

uma metodologia de classificação baseada em atributos espectrais, contextuais e

estruturais para imagens de alta resolução para a área de estudo. Ainda nesse trabalho

foram utilizadas regras nebulosas para expressar o conhecimento impreciso do

especialista. O autor alcança melhor desempenho através de métodos baseados em

segmentos do que por meio de métodos baseados em pixels. Os resultados mostram

ainda que a inclusão de conhecimento do especialista através de classificadores

baseados em regras nebulosas foi capaz de aumentar significativamente a discriminação

de classes que se confundiam no espaço de atributos puramente espectral e estrutural.

Em [58] uma metodologia orientada a objetos foi aplicada para classificar

imagens de sensores diferentes, KOMPSAT-1 e SPOT-5. A legenda continha 5 classes

de cobertura do solo. O resultado da classificação automática foi comparado com a

classificação visual da cena do KOMPSAT-1. Os resultados mostram que a abordagem

baseada em objetos não só foi capaz de prover uma diferenciação mais rápida e precisa

das classes básicas como foi capaz de, facilmente, se adaptar a outras imagens tomadas

em datas diferentes em resoluções espaciais diferentes.

Como objetivo de investigar o método de classificação orientado a objetos na

discriminação de diferentes tipos de cobertura de solo em áreas urbanas utilizando

imagens de alta resolução, em [59] utilizam-se imagens pancromáticas e multiespectrais

IKONOS na cidade de Vienna. A validação baseou-se em dados oficiais, classificados

manualmente a partir de ortofotos, por um especialista. Nos experimentos executados

obteve-se um erro de 43%, em termos de número de objetos. Por outro lado se

analisarmos a área dos objetos classificados corretamente, observamos que essa

representa 72% da área total. Essa observação sugere que objetos com áreas menores

estão sujeitos a mais erros em termos de classificação do que objetos com áreas

maiores.

Imagens SAR (Synthetic Aperture Radar) foram analisadas em [60] com o

objetivo de desenvolver mapas urbanos de alta resolução. O trabalho foi realizado no

eCognition incluindo a segmentação hierárquica em três níveis. Características

radiométricas e polarimétricas foram utilizadas em conjunto com características

42

estruturais como forma e tamanho. Para a validação dos resultados foram utilizados

dados oficiais em uma escala compatível com dados SAR. Neste trabalho não foi

possível separar algumas classes baseando-se somente nos dados polarimétricos e

radiométricos provindos diretamente do SAR, porém quando agregados às

características contextuais oriundas do processo de segmentação, como forma ou

tamanho dos objetos, as mesmas classes foram distinguidas mais claramente.

Em [38] foi utilizada uma abordagem “mista”, baseada em pixel e em objetos ao

mesmo tempo. Inicialmente os pixels da imagem foram classificados utilizando tanto

dados espectrais quanto contextuais a partir de um classificador baseado em regras

nebulosas. A imagem então foi segmentada e as informações, tais como forma e outros

atributos estruturais, foram então adicionadas ao conjunto de regras nebulosas,

elaborando uma nova classificação. O desempenho melhorou quanto à taxa de

reconhecimento global. Segundo os experimentos somente com a informação de pixels

e as regras nebulosas o desempenho é de 10 a 20% maior se comparado a um

classificador de máxima verossimilhança. Quando se introduz a análise baseada em

objetos o desempenho final aumenta mais ainda, chegando a taxas de reconhecimento

de até 86%.

3.3 Classificação Multitemporal

A utilização de imagens multitemporais foi abordada em [61] de forma a

representar múltiplas imagens de instantes de tempo distinos como uma série de

camadas ou bandas em uma imagem multi-canais. A partir dessa representação,

métodos tradicionais baseados em classificadores de máxima probabilidade e dados

espectrais foram utilizados normalmente. A estratégia básica no método proposto

baseia-se em uma classificação em dois estágios, no primeiro estágio realiza-se as

classificações em cada instante de tempo individualmente para que no segundo estagio a

decisão final seja tomada através da combinação dos resultados. O artigo propõe três

modos de combinação do resultado multitemporal: no primeiro, chamado de adição de

probabilidade ou LA (likelihood addition) a decisão é tomada para a classe que possui a

soma do maior valor nos scores de classificação; o segundo método, denominado de

maioria de probabilidade ou LM (likelihood majority), atribui a classificação final à

classe com maior freqüência nas classificações anteriores; o terceiro e último método

43

utilizado a decisão baseia-se na combinação de regras de Dempster’s onde a decisão é

tomada onde a medida de aceitabilidade se mostra máxima.

Em [62] o método anteriormente apresentado foi expandido com a utilização de

matrizes de coocorrência como atributos espaciais e classificadores baseados em redes

neurais artificiais. Nesse trabalho dois tipos de redes neurais foram utilizados, a com

treinamento com retropropagação do erro e uma rede neural nebulosa. Dois modelos

também foram apresentados: o primeiro baseado em uma rede neural única para a

análise das matrizes de coocorrência de todas as imagens avaliadas; o segundo modelo

utiliza uma série de redes neurais organizadas em dois estágios, onde cada rede neural

no primeiro estágio realiza a classificação da matriz de coocorrência da imagem de cada

um dos ano de análise, e então a rede no segundo estágio toma a decisão de

classificação baseada nos resultados obtidos das redes do primeiro estagio. Os

resultados obtidos mostram um grande incremento de desempenho da tarefa de

classificação quando comparado com o método original apresentado em [61].

Em [1] um método de segmentação baseado em conhecimento é proposto. Nesse

método é utilizado para a segmentação dados de SIG, conhecimento específico do

especialista e dados de série temporais. Nesse trabalho os autores concluem que

sistemas baseados em conhecimento utilizados para a tarefa de segmentação oferecem

segmentos mais bem delineados e por conseqüência uma classificação mais precisa.

Quanto a avaliação multitemporal, o artigo indica que a segmentação usando uma série

temporal tende a convergir para uma segmentação ótima conforme o número de

imagens da série. Ainda nesse trabalho os autores enfrentam problemas sérios de erro de

registro nas imagens de foto aéreas e propõe a utilização de imagens de satélite de alta

resolução para resolução desses problemas.

Os dados multiespectrais são tratados em [63] como um conjunto de dados

multidimensionais assim como todas as bandas das imagens LANDSAT analisada. O

método apresentado extrai atributos do conjunto de dados multidimensionais. A idéia

principal é extrair atributos como uma combinação linear de componentes ortogonais de

variação dos dados. É demonstrado que com a utilização de dados multitemporais o

sistema foi capaz de reconhecer mais facilmente os objetos a serem classificados, ou

seja, com menos número de atributos extraídos.

Em [64] e [65] redes neurais artificiais são apresentadas como soluções

vantajosas em termos de desempenho global de classificação se comparado com

métodos estatísticos.

44

Em [66] propõe-se um classificador que leva em conta relações estruturais e

temporais analisando a interdependência temporal e espacial entre os pixels de uma

imagem. O contexto espacial é utilizado para estimar a probabilidade a priori e o

conhecimento multitemporal como a probabilidade de transição entre as classes em um

determinado intervalo de tempo. O classificador apresentado é testado com imagens bi

temporais LANDSAT e mostra um incremento significativo no desempenho da

classificação se comparado com métodos tradicionais de máxima verossimilhança.

Em [67] e [68] o conhecimento multitemporal foi empregado por meio de

diagramas de transição de estado entre as classes da legenda em um determinado

intervalo de tempo. Esses diagramas expressam a possibilidade de transição de uma

classe para uma outra classe determinada. Os resultados de ambos os trabalhos mostram

que houve um grande incremento no desempenho da classificação em relação à

classificação sem informação multitemporal. Porém, em ambos os trabalhos houve

dificuldade em modelar as possibilidades de transições entre as classes e foram

definidos valores experimentais. Esta abordagem é estendida em [69] e [70] utilizando

algoritmos genéticos para estimar os valores dos parâmetros de transição. Isso resultou

numa melhora significativa no desempenho de classificação.

45

4 Modelo proposto

4.1 Introdução

Este capítulo apresenta o modelo proposto no trabalho para interpretação de

imagens de sensores remotos baseada em conhecimento.

4.2 Descrição geral do modelo

O modelo proposto é orientado a objetos, o que envolve a segmentação prévia da

imagem.

Com a segmentação devidamente realizada parte-se para os procedimentos de

classificação. O modelo de classificação divide-se em três fases, como mostra a Figura

10.

46

Imagem (t)

Segmentação

Classificação espectralClassificação

Fase 1 (t)

Classificação baseada em regras do especialista

Base de regras

ClassificaçãoFase 2 (t)

Classificação baseada em conhecimento multitemporal

Base de conhecimento multitemporal

ClassificaçãoFase 3 (t)

Fase

3Fa

se 2

Fase

1

Classificação referência (t-∆t)

Atributos espectraisAtributos de textura

Dados Estruturais, Contexto e SIG

Segmentos (t)

DefuzzyficaçãoClassificação Final(t)

Figura 10 – Modelo de interpretação baseado em conhecimento para imagens de alta resolução.

Os dados de entrada para o modelo apresentado e a imagem a ser analisada

obtida em um determinado instante de tempo t e a classificação de uma imagem da

mesma área obtida em um instante de tempo anterior t-∆t.

Na primeira fase do modelo realiza-se uma classificação supervisionada dos

segmentos baseando-se na informação espectral e nos atributos de textura. A

classificação produz para cada objeto um vetor com os graus de pertinência a cada uma

das classes da legenda.

Da segunda fase em diante utilizam-se modelos de conhecimento de um

especialista. Computacionalmente esse conhecimento é modelado por meio de regras

47

nebulosas. Agrega-se ao resultado produzido na primeira fase dados de SIG e outros

atributos estruturais relacionados à forma e arranjo espacial dos segmentos..

Na terceira e última fase aplica-se o conhecimento multitemporal. Este se baseia

na classificação da área de estudo em um instante de tempo anterior t-∆t e utiliza

estimativas de possibilidades de transições entre classes durante o intervalo de tempo

∆t .

Após a terceira fase é realizada a defuzzificação que gera o resultado final da

classificação.

Os resultados produzidos por uma fase são usados como entrada para a fase

seguinte. A primeira fase prevê a utilização de algum método supervisionado

absolutamente convencional. Nas seções seguintes descrevem-se as fases 2 e 3 do

modelo.

4.2.1 Fase 1: Classificação automática supervisionada baseada em dados espectrais e textura

Nessa Fase um classificador supervisionado é introduzido ao modelo para prover

uma primeira classificação com base em dados espectrais e parâmetros de textura. Os

padrões classificados constituem-se dos segmentos ou objetos representados pela

segmentação da imagem original. A resposta espectral (nas bandas disponíveis) é

medida como uma media no objeto.

Esse classificador então e treinado por um conjunto de treinamento previamente

selecionado. Uma vez treinado os dados de teste são classificados obtendo o resultado

da classificação da primeira fase.

4.2.2 Fase 2: Classificação baseada em regras do especialista

48

Figura 11 - diagrama detalhado do procedimento de interpretação na fase 2.

A Figura 11 mostra a fase 2 do modelo proposto. Em linhas gerais a

classificação nesta fase é feita por um conjunto de regras nebulosas elaboradas pelo

especialista, que têm como entrada o resultado da classificação na fase 1, atributos de

contexto, dados de SIG e atributos estruturais dos objetos. O conjunto de regras é

especifico a imagem ou mesmo a região analisada, podendo assim ser considerado

como uma entrada do procedimento. Esse conjunto de regras mapeia a entrada do

sistema (todos os atributos disponíveis) as saídas (classes) coerentes.

Entre os parâmetros que podem ser utilizados para a criação da base de regras

destacam-se: os atributos de contexto; atributos estruturais, por exemplo,

excentricidade, área, relação da área com o perímetro e dados gerais de SIG.

O classificador baseado em regras nebulosas envolve uma série de funções de

pertinência cuja forma é definida por um conjunto de parâmetros. Os valores adequados

para estes parâmetros são freqüentemente definidos pelo método tradicional de

tentativa-e-erro. Neste trabalho eles são estimados por um método automático de ajuste.

4.2.3 Fase 3: Representação de conhecimento multitemporal

Na terceira fase do modelo proposto inclui-se o conhecimento multitemporal no

processo de classificação automática. O conhecimento multitemporal é modelado

conforme a proposta em [68], [69] e [70], isto é, através das possibilidades de transição

49

entre classes em um determinado intervalo de tempo. Um diagrama de transição de

estados, como o da Figura 12, representa pictoricamente o modelo de conhecimento

multitemporal para um dado intervalo ∆t.

ω1

ω2 ω3

ω4

ef

b

g

a c

d

Figura 12 – Exemplo de diagrama de transição de estados para 4 classes

Os nós ω1, ω2, ω3 e ω4 correspondem às classes da legenda e os arcos às

mudanças de classes que podem ocorrer em um determinado intervalo de tempo ∆t.

Associa-se a cada arco da Figura 12 um valor entre 0 e 1, representado na figura

pelas letras a, b, c, d, e, f e g, que expressam as possibilidades de ocorrência da

correspondente transição; zero indica transição impossível e 1 a transição com maiores

chances de ocorrência.

O diagrama de transição de estados define a chamada Matriz de Transição

{ }n

j,iij 1==Τ τ , onde cada linha corresponde à classe do objeto no instante t-∆t e as

colunas às classes a que o mesmo objeto pode pertencer num instante posterior t. Os

elementos da matriz são as respectivas possibilidades de transição τij. A matriz de

transição relativa ao diagrama da Figura 12 é dada por:

⎥⎥⎥⎥

⎦

⎤

⎢⎢⎢⎢

⎣

⎡

=Τ

degafeb

000000000

Eq.(4)

A classificação multitemporal admite conhecida a classificação ωi do segmento

no instante anterior. Os valores de pertinências produzidos nesta terceira fase são dados

pelo produto de cada elemento da i-ésima linha da matriz de transição pelo

correspondente valor de pertinência produzido na fase 2. Se, por exemplo,

50

( )nx,...,xx 12 = é o vetor com os valores de pertinência gerados na fase 2 em relação a

cada uma das n classes, as pertinências da fase 3 em que se explora a informação

multitemporal será dada por:

( ),,...,, 32

321

31

3ninii xxxx τττ= Eq.(5)

Uma questão relevante a esta altura, diz respeito à estimativa dos valores de

possibilidade de transição τij. Isto se faz com o auxílio de um especialista conhecedor da

dinâmica das classes na área alvo. Ele indica as transições impossíveis, e, portanto com

possibilidade nula, e para cada classe de partida a transição mais provável, que recebe

possibilidade igual a 1.

Resta estimar ainda as possibilidades de ocorrências das demais transições

possíveis. Neste trabalho consideram-se duas abordagens. A primeira abordagem, que

chamaremos de crisp, consiste em simplesmente atribuir valor 1 a todas as transições

possíveis. Esta alternativa tem meramente o efeito de reduzir o espaço de busca na

classificação.

A segunda alternativa, que chamaremos nebulosa, admite valores entre 0 e 1

para as possibilidades de transição. Estes valores podem ser estimados através de

tentantivas-e-erros ou utilizando algum método de busca automático. No presente

trabalho utiliza-se o mesmo procedimento adotado em [69], baseado em algoritmos

genéticos.

51

5 Avaliação experimental

Nesse capítulo são apresentados os procedimentos experimentais para validar o

Modelo de Interpretação de Imagens proposto e apresentado no Capítulo 4.

Na avaliação do procedimento automático de classificação/ interpretação

proposto, foi escolhido como indicador de desempenho o erro médio de omissão. Esta

escolha deveu-se a que este índice independe da distribuição inicial dos dados de teste.

De fato, em nossa base de dados existe uma grande diferença entre o número de

segmentos disponíveis em cada uma das classes da legenda. A classe Água, por

exemplo, possui apenas quatro segmentos no ano de 2001, enquanto a classe Floresta é

representada por mais de 700 segmentos no mesmo período. Nesse cenário a taxa de

acerto global não indicaria um desempenho igual em todas as classes.

5.1 Descrição da área de estudo e preparação dos dados

A área de estudo selecionada para esse trabalho compreende cerca de 49km2 que

inclui o Parque Estadual da Pedra Branca no Estado do Rio de Janeiro, Brasil. Esta área

indica um dos últimos remanescentes florestais de Mata Atlântica situada no estado do

Rio de Janeiro,

A seção 5.1.1 apresenta a área de estudo assim como uma discussão sobre

fatores sócios econômicos relacionados à expansão urbana e preservação de áreas

nativas de Mata Atlântica. .

Na seção 5.1.2 são apresentadas as imagens utilizadas nesse trabalho. Em

seguida são descritos os procedimentos de preparação (seção 5.1.3) e correção dos

dados e o processo de segmentação utilizado para a extração dos objetos a serem

classificados (seção 5.1.4).

As classes de cobertura de solo analisadas são detalhadamente descritas na seção

5.1.5 e o procedimento de classificação visual realizado para a elaboração de dados de

referência são apresentados na seção 5.1.6.

52

5.1.1 Parque Estadual da Pedra Branca

A área do Parque Estadual da Pedra Branca foi escolhida para esse trabalho

devido a sua grande importância para o estado do Rio de Janeiro em termos ecológicos

e aos problemas acarretados pela sua proximidade com áreas urbanas altamente

povoadas. Problemas como a degradação do solo e a expansão urbana desordenada em

áreas internas ao parque vêm reduzindo drasticamente a área de Mata Atlântica nativa

do Parque.

Nesse contexto um monitoramento regular dessa área é muito importante para o

planejamento de medidas de preservação, que uma vê aplicadas com sucesso poderão

ser estendidas a outros fragmentos da Mata Atlântica.

Figura 13 – Mapa representativo do Parque Estadual da Pedra Branca localizado no sul do Eestado do Rio de Janeiro.

O Parque Estadual da Pedra Branca compreende uma área de 12.500 hectares

coberta por vegetação típica da Mata Atlântica situada no maciço da Pedra Branca

acima dos 100m de altitude, conforme representado na Figura 13. A área se situa entre

as latitudes 22º53’ e 23º sul e 43º23’ e 43º32’ oeste. O Parque é cercado pelos bairros de

Guaratiba a oeste, Bangu e Realengo ao norte, Jacarepaguá ao leste, Barra da Tijuca ao

sudoeste e sul, Recreio dos Bandeirantes e Grumari ao sul e Campo Grande ao noroeste

[57].

53

Na área analisada a temperatura média anual é de 22ºC, chegando a picos de

40ºC no verão, e abaixo de 18ºC no inverno. A densidade pluviométrica varia de 1.500

a 2.500mm de chuvas, tendo o verão como a estação de maiores chuvas. As variações

microclimáticas são resultado direto da proximidade da cidade com o mar, da influência

da área urbana e do processo abusivo de desflorestamento [57].

Na Figura 14 a imagem do satélite IKONOS na banda multiespectral do ano de

2001 é apresentada com detalhe marcado em azul e reproduzido na Figura 15 e Figura

16 em composições RGB e NRG respectivamente. Nessas imagens pode-se observar o

alto índice de cobertura de vegetação remanescente na área do parque, assim como a

expansão urbana sobre a área de vegetação.

Figura 14 – Imagem IKONOS Multiespectral (4m de resolução) da área do Parque Estadual da Pedra Branca no ano de 2001. Em azul o recorte correspondente a Figura 15 e Figura 16

54

mostrado apenas para exemplificar a riqueza de informação contida em imagens de alta resolução.

Figura 15 – Detalhe da área marcada em azul na Figura 14. Bandas visíveis (RGB). Observa-se a expansão urbana e as áreas de vegetação.

Figura 16 – Detalhe da área marcada em azul na Figura 14. Destaque na banda infravermelha. Composição (NRG) realçando a vegetação.

55

Figura 17 – Foto da área do Parque Nacional da Pedra Branca. Detalhe para a área da represa facilmente observável a partir da imagem de satélite.

Figura 18 – Foto da área do Parque Nacional da Pedra Branca. Detalhe para a vegetação densa típica da Mata Atlântica.

56

Figura 19 – Foto do Parque Nacional da Pedra Branca; detalhe da expansão urbana sobre a área do parque.

Nas Figura 17, Figura 18 e Figura 19 são apresentadas fotografias tomadas

durante a visita à área de estudo realizada no início do ano de 2005. Essas fotografias,

mesmo não tendo sido tomadas na mesma época que a imagem de satélite, permitem

observar o alto índice de vegetação nativa e a expansão urbana acelerada em torno do

Parque.

5.1.2 Imagens Utilizadas

Foram utilizadas imagens de sensores remotos de alta resolução, obtidas em

junho de 1999 e março de 2001 de uma área de aproximadamente 13 Km2. Essa área

cobre uma grande parcela do Parque Estadual da Pedra Branca e também a sua

vizinhança, composta de áreas urbanas e industriais.

Os dados selecionados compreendem uma imagem IKONOS do ano de 2001 do

sensor multiespectral, ou seja, com quatro bandas espectrais: vermelho, azul, verde e

infravermelho. Essas imagens têm resolução espacial de 4m. As imagens utilizadas têm

57

uma resolução radiométrica de 11 bits em cada banda espectral, como indicado na

Figura 20.

Figura 20 – Representação da imagem IKONOS multiespectral

Foi utilizada ainda uma foto área do ano de 1999 com resolução original de

aproximadamente 0,63 m por pixel e que foi reamostrada para uma resolução

compatível com as imagens IKONOS. O procedimento de reamostragem foi efetuado

no software ERDAS [71] e as imagens validadas visualmente.

A foto aérea, apesar de possuir uma resolução espacial de menos de 1 mo, elas

apresentam pelo menos três desvantagens principais com relação às imagens IKONOS

multiespectrais. A primeira, e mais evidente, é que imagens aéreas são capturadas

geralmente no espectro visível, e não têm a informação na região do infravermelho. A

segunda desvantagem é que a resolução radiométrica de 8 bits é menor do que nas

imagens IKONOS. O terceiro aspecto diz respeito à geometria de aquisição de imagens

aéreas e o ângulo de visada das imagens analisadas; satélites estão a uma altitude muito

maior do que aviões, o que diminui efeitos relacionados ao ângulo de captura dos

sensores em relação ao solo.

Os experimentos descritos neste trabalho não utilizam, contudo, em nenhum de

seus passos automáticos diretamente a resposta espectral da imagem aérea, mas apenas.

a classificação dessa imagem. As imagens aéreas foram analisadas somente na etapa de

classificação visual para a elaboração de dados de referência.

Infravermelho próximo Azul Verde Vermelho

11bits – 2048 níveis representados

Quatro bandas espectrais

58

5.1.3 Preparação dos dados

No processo de preparação de dados a principal atividade foi a correção

geométrica e topográfica das imagens. O processo de correção geométrica ou

georeferenciamento consiste basicamente em registrar a imagem com base em um

sistema de coordenada fixo, conforme descrito na seção 2.1.2 utilizando dados de

altimetria.

A imagem de referência utilizada foi foto aérea de 1999 por possuir uma

resolução espacial mais elevada. Essa imagem já se encontrava corretamente

referenciada e com as devidas correções topográficas.

Figura 21 – Ilustração gerada com a foto aérea de 1999 e o DTM da área de estudo utilizado no processo de ortoretificação.

59

5.1.4 Segmentação

A segmentação, conforme descrita na seção 2.3, é o processo de subdividir a ser

analisada em objetos discretos. A segmentação pode levar em conta informações

espectrais e relações de formas dos objetos gerados.

O algoritmo utilizado para a segmentação nesse trabalho é do tipo crescimento

de regiões, conforme implementado no software e-Cognition 4.0.

A determinação do parâmetro de escala, assim como todos os outros parâmetros

de segmentação é por si só um processo complexo. A dificuldade de definir uma

segmentação “ideal” é um problema que ainda não foi resolvido no mundo do

sensoriamento remoto e é muito dependente do tipo de análise a ser efetuada.

Em [56] um trabalho foi realizado em uma parte da área de estudo descrita nesse

trabalho. Esse procedimento de classificação baseou-se também em objetos obtidos pelo

software eCognition. Nesse trabalho foram analisados visualmente por um especialista

os resultados da segmentação produzida por diversos valores dos parâmetros do

algoritmo de segmentação. Esses estudos foram realizados em uma área muito

semelhante à desse trabalho, além de tratar de classes similares às classes consideradas

nesta dissertação. Por isso foram utilizados no presente trabalho os mesmos valores dos

parâmetros de segmentação sugeridos em [56].

Foi utilizado então parâmetro de escala igual a 90 e fatores de cor/forma de 0.2 e

suavidade/compactação de 0.5. Uma explicação mais detalhada sobre esses parâmetros

encontra-se em [34] e [35].

Para a realização de uma análise de contexto foi utilizada, assim como em [56],

uma série de segmentações hierárquicas com diferentes valores de escala, seguindo o

procedimento apresentado na seção 2.3.3.. Na

Figura 22 é apresentado um exemplo de uma área da imagem e a segmentação

em múltiplas escalas. Observa-se o aumento do tamanho médio dos objetos gerados,

conforme o aumento do fator de escala escolhido.

60

a b

c d Figura 22 – Comparação entre as segmentações em uma área da imagem selecionada; a) imagem, segmentação com parâmetro de escala b) 90, c) 60 e d) 30.

5.1.5 Definição das classes

As classes da legenda são apresentadas na Tabela 1. Para cada classe são

mostrados exemplos retirados das imagens IKONOS do ano de 2001. Esses exemplos

sempre são apresentados na composição vermelho, verde e azul (ou RGB) e na

composição infravermelho, vermelho e verde (ou NRG).

61

CLASSE Características predominantes

Água Inclui lagoas rios e canais

(RGB) (NRG)

Campo

Áreas, quase em sua totalidade, origem antrópica, incluindo campos

de capim-colonião, de outras gramíneas, de dicotiledôneas

herbáceas, e macega ou ainda áreas de solo exposto, seja por

ocorrência de terraplenagem, deslizamentos ou outras causas e as

áreas de mineração - pedreiras, saibreiras. Inclui campos altos e

campos baixos.

Campo Baixo (RGB) – campo baixo Campo Baixo (NRG) – campo baixo

Campo Alto (RGB) – campo alto Campo Alto (NRG) – campo alto

62

CLASSE Características predominantes

Campo Alagado

Áreas com vegetação arbustivo-herbácea - nativa, secundária ou

invasora - sobre solos encharcados, seja por deficiência de

drenagem ou por afloramento de lençol freático.

(RGB) (NRG) Floresta

Floresta Ombrófila Densa - Mata Atlântica - pouco alterada ou não

alterada, fitofisionomia nativa do Município, podendo também ser

uma Floresta Alterada tardia que inclui diversas fitofisionomias

associadas à alteração das florestas nativas, como raleamento por

corte seletivo, ou pequenas áreas de desmatamento, além de

associadas às diversas fases sucessionais que seguem a supressão

total ou parcial da floresta nativa. Inclui também os bananais que

ocupam diversos trechos das encostas.

Floresta Alterada (RGB) Floresta Alterada (NRG)

Floresta (RGB) Floresta (NRG)

63

CLASSE Características predominantes

Floresta Urbana

Áreas com vegetação de campo e porte arbóreo nos grandes parques

públicos da cidade ou em áreas predominantemente urbanas.

(RGB) (NRG) Urbano

Grupo heterogêneo de alvos espectrais característicos de áreas

urbanas densas.

(RGB) (NRG)

Rocha Afloramentos de rocha de origem natural e costões rochosos.

(RGB) (NRG)

64

CLASSE Características predominantes

Campo Urbano

Áreas de campo nitidamente inseridas em contexto urbano.

(RGB) (NRG)

Tabela 1 – Características da legenda utilizada no processo de classificação. 5.1.6 Processo de classificação visual

Como parte desse trabalho foi realizada em conjunto com alunos de graduação e

pós-graduação do Departamento de Geografia da PUC-RJ a classificação visual das

duas imagens utilizadas nesse trabalho.

Esse procedimento teve dois propósitos. O primeiro foi gerar dados de

treinamento e de referência para a análise de desempenho do modelo proposto. O

segundo propósito foi levantar o conhecimento utilizado pelo especialista durante o

procedimento de classificação visual.

O processo de classificação visual das imagens foi realizado no software

eCognition [35].

Além das próprias imagens a serem classificadas foram utilizados pelo

especialista dados de apoio como imagens pancromáticas com 1 m de resolução dos

anos de 2001 e 2002, dados de SIG, além do conhecimento prévio da área de estudo.

O processo de classificação visual das três imagens tomou cerca de quatro

meses. Para reduzir o efeito da subjetividade foram geradas chaves de classificação

65

contendo a descrição detalhada de cada classe da legenda e do raciocínio aplicado para

reconhecê-las.

Os resultados da classificação visual são apresentados na Tabela 2 e na Tabela 3

em termos da área em metros quadrados, e número de objetos ou segmentos de cada

classe.

Classe Imagem de

1999 (%)Imagem de

2001 (%)Água 0,3% 0,2%Campo Alagado 0,7% 1,1%Campo 8,1% 10,5%Floresta alterada 2,4% 2,4%Floresta 72,1% 70,2%Urbano 5,1% 6,5%Rocha 3,1% 2,5%Campo Urbano 8,1% 6,5%

Tabela 2 – Percentual de área na imagem classificada coberta por cada classe da legenda (imagens de 1999 e 2001 classificação visual)

Classe Imagem de

1999Imagem de

2001Água 13 4Campo Alagado 11 9Campo 419 431Floresta alterada 196 169Floresta 771 795Urbano 345 402Rocha 96 68Campo Urbano 278 251Total 2129 2129

Tabela 3 – Número de segmentos gerados por classe da legenda (imagens de 1999 e 2001, classificação visual) A

Figura 23 apresenta, como exemplo, o resultado da classificação visual numa

subárea da imagem IKONOS do ano de 2001. Analisando mais detalhadamente a

classificação visual realizada pelo especialista nota-se que uma grande parte da área de

estudo corresponde às classes Campo e Floresta. Esse fato é justificado pela área de

estudo cobrir um Parque sob preservação ambiental, o que, de alguma forma, limita a

expansão urbana nessa área.

66

Figura 23 - Classificação Visual da imagem IKONOS de 2001.

67

Classificação 1999

Água Campo

Alagado Campo Floresta Urbana Floresta Urbano Rocha Campo

Urbano

Água 4 0 0 0 0 0 0 0Campo Alagado 0 5 0 0 0 0 0 4Campo 0 0 260 3 119 18 19 12Floresta Urbana 0 0 7 93 10 24 0 35Floresta 6 0 111 4 614 30 18 12Urbano 1 1 24 46 16 227 2 85Rocha 0 0 5 0 6 0 57 0

Cla

ssifi

caçã

o 20

01

Campo Urbano 2 5 12 50 6 46 0 130 Tabela 4 – Alterações reais detectadas pela classificação visual entre os anos de 2001 e 1999, relativo ao numero de segmentos. Classificação 1999

Água Campo

Alagado Campo Floresta Urbana Floresta Urbano Rocha Campo

Urbano

Água 30,8 0,0 0,0 0,0 0,0 0,0 0,0 0,0Campo Alagado 0,0 45,5 0,0 0,0 0,0 0,0 0,0 1,4Campo 0,0 0,0 62,1 1,5 15,4 5,2 19,8 4,3Floresta Urbana 0,0 0,0 1,7 47,4 1,3 7,0 0,0 12,6Floresta 46,2 0,0 26,5 2,0 79,6 8,7 18,8 4,3Urbano 7,7 9,1 5,7 23,5 2,1 65,8 2,1 30,6Rocha 0,0 0,0 1,2 0,0 0,8 0,0 59,4 0,0

Cla

ssifi

caçã

o 20

01 (%

)

Campo Urbano 15,4 45,5 2,9 25,5 0,8 13,3 0,0 46,8 Tabela 5 – Alterações reais detectadas pela classificação visual entre os anos de 1999 e 2001, percentual de mudança em relação ao ano de 1999.

Analisando as classificações de 1999 e 2001 é possível montar a matriz de

transição dos segmentos entre os períodos considerados. Essa matriz é apresentada na

Tabela 4. Na diagonal dessa matriz estão destacados os segmentos que permanecem na

mesma classe nos dois períodos analisados. Observa-se como uma característica

importante a ser salientada a grande transição existente entre Floresta e Campo tanto de

1999 para 2001 quanto de 2001 para 1999.

Um outro importante ponto revelado pela matriz de transição é a perda de áreas

floresta para áreas urbanas (edificações e campos urbanos), mostrando o avanço urbano

sobre o Parque mesmo se tratando de uma área de preservação ambiental protegida por

lei.

68

5.2 Fase 1 – Classificação Espectral e Textura

Métodos convencionais de classificação baseados na resposta espectral pura e

simples, ou mesmo quando se utilizam atributos de textura, não apresentam

desempenho satisfatório em imagens de alta resolução. Um dos propósitos deste

trabalho é avaliar a esperada superioridade de métodos mais sofisticados de

classificação baseados em conhecimento. Afim de obter uma classificação espectral e de

textura o mais eficiente possível foi adotado um método baseado em Redes Neurais

Artificiais para classificação de padrões.

Redes neurais artificiais vêem se mostrando eficientes em tarefas complexas de

classificação de imagens de sensores remotos, segundo a literatura.

Nesse trabalho utiliza-se um classificador baseado em redes neurais do tipo

perceptrons de múltiplas camadas (multilayer perceptrons ou MLP) em conjunto com

algoritmo de treinamento baseado em retro propagação do erro (Backpropagation ou

simplesmente BP)

5.2.1 Dados utilizados

A base de dados utilizada no classificador supervisionado baseado em redes

neurais refere-se aos valores espectrais, ou seja, a resposta media espectral em cada um

dos segmentos analisados; e ainda as medidas de textura obtidas a partir dos parâmetros

de Haralick.

Nesse trabalho os atributos para representar textura foram escolhidos

empiricamente por análise visual. A escolha recaiu sobre parâmetros de Haralick, mais

especificamente Homogeneidade, Dissimilaridade e Correlação média considerando

todas as bandas da imagem. Os parâmetros foram calculados utilizando o software

eCognition.

Foram utilizados 50 segmentos por classe durante a fase de treinamento

totalizando 400 segmentos no conjunto de treinamento. Em algumas classes foi

necessário replicar os dados para que atingissem tal número. Foram selecionados

69

também 50 padrões por classe para a validação. O demais padrões formaram o conjunto

de teste..

O classificador baseado em redes neurais foi configurado com 10 neurônios na

camada oculta todos configurados com funções de transferência tangente hiperbólica. .

Na camada de entrada tem-se 7 entradas relativas às quatro respostas espectrais e três

parâmetros de textura selecionados. Já na camada de saída tem-se 8 neurônios que

representam cada um uma das classes da legenda configurados com funções de

transferência logarítmica. O algoritmo de treinamento utilizado atualiza os pesos e os

valores dos bias da rede de acordo com o gradiente descendente por retropropagação,

utilizando momento e uma taxa de aprendizado adaptativa.

Inicialmente a taxa de aprendizado foi configurada com o valor de 0,01 e o

treinamento e executado durante 1000 épocas no máximo.

5.2.2 Resultados

0,00%

10,00%

20,00%

30,00%

40,00%

50,00%

60,00%

70,00%

80,00%

90,00%

100,00%

Erro de omissão por classe

Erro % 40,00% 52,50% 88,05% 66,67% 36,67% 29,75% 79,12% 94,16% 60,86%

Agua Campo Alagado

Campo Floresta Urbana

Floresta Urbano Rocha Campo Urbano

Media

Gráfico 1 – Taxa de erro médio de omissão por classe após a classificação supervisionada com atributos espectrais e textura.

Os resultados do classificador supervisionado baseado em redes neurais

artificiais mostram um baixo desempenho na classificação de áreas de Rocha, Campo e

Campo Urbano principalmente. Esse fato pode ser justificado devido à real confusão

espectral e em termos de textura dessas classes. Na verdade a classe Campo Urbano não

70

pode realmente ser diferenciada de Campo somente com dados espectrais, no caso, o

que a caracteriza é a proximidade com a área urbana. No caso da Rocha acontece o

mesmo já que espectralmente se confunde com o Campo. O que caracteriza a Rocha

neste caso é a declividade,.

No caso de classes com identificação mais imediata, como o Campo Alagado, o

Urbano e até mesmo a Floresta, a classificação supervisionada obteve resultados

razoáveis. Ainda no caso da Floresta Urbana ocorre o mesmo que com o Campo

Urbano, isto é, não é possível a identificação sem a utilização da informação de

proximidade com a classe Urbana.

A taxa de erro global de classificação foi de 55,48%. Essa alta taxa de erro pode

ser justificada pela dificuldade de separação em classes com muitos segmentos, como

Floresta e Campo.

5.3 Fase 2 – Classificação estrutural baseada em regras

Na segunda fase do modelo proposto, o conhecimento do especialista é

acrescido ao procedimento de classificação usando para isso regras nebulosas. O

objetivo é modelar o raciocínio do analista humano para melhorar o resultado de

classificação baseada somente na informação espectral e textura apresentada na fase 1.

Classificação de referência

Água Campo

Alagado Campo Floresta Urbana Floresta Urbano Rocha Campo

Urbano

Água 60,0 20,0 13,8 11,2 15,2 10,9 26,5 11,3Campo Alagado 20,0 47,5 3,3 4,5 1,2 4,2 17,4 5,2Campo 0,0 0,0 12,0 15,2 7,2 1,4 5,0 6,3Floresta Urbana 0,0 10,0 22,7 33,3 7,5 4,9 13,2 18,4Floresta 10,0 2,5 32,3 15,0 63,3 2,1 9,4 4,9Urbano 0,0 5,0 5,3 10,1 2,4 70,2 5,0 45,4Rocha 10,0 7,5 7,3 5,1 2,2 2,6 20,9 2,7C

lass

ifica

ção

FASE

1 (%

)

Campo Urbano 0,0 7,5 3,3 5,5 1,0 3,6 2,6 5,8 Tabela 6 – Matriz de confusão da classificação espectral da imagem de 2001 após a primeira fase. Resultados apresentados em percentual relativo a imagem de referência.

O resultado da classificação espectral na Fase 1 é apresentado em maiores detalhes pela matriz de confusão mostrada na

Tabela 6. Nessa matriz são apresentados o percentual dos segmentos

classificados em uma determinada classe (na horizontal) e pertencentes na referência

71

(ou verdade de campo) a uma outra classe (na vertical). Assim, na diagonal dessa matriz

são apresentados os acertos de classificação em cada uma das classes.

O procedimento da Fase 2 tem então o objetivo de, através da utilização de

outros dados como altimetria, forma e contexto, elaborar regras que sejam capazes de

reduzir os erros de classificação e melhorar a classificação da primeira fase. Algumas confusões, marcadas na

Tabela 6 em vermelho, foram escolhidas para o tratamento via regras de

inferência com o objetivo de diminuir o erro de omissão em cada uma das classes. Estas

confusões foram escolhidas por orientação de um fotointérprete, conhecedor da região,

que considerou possível resolvê-las a partir de regras usando os dados disponíveis..

Na seção 5.3.1 são descritos os dados e atributos utilizados para a elaboração das

regras de inferência. A seguir são descritas as regras e a implementação dos sistemas

nebulosos de classificação nas seções 5.3.2 e 5.3.3 respectivamente. Por último na seção

5.3.4 são apresentados os resultados dos experimentos.

5.3.1 Atributos utilizados na classificação estrutural

Os atributos de entrada para as regras podem ser divididos em dois conjuntos.

O primeiro conjunto de atributos deriva do resultado da primeira fase, mais

especificamente dos valores de pertinência de cada segmento produzidos pela rede

neural.

Os atributos do segundo grupo são calculados a partir da própria imagem ou de

dados de SIG, como descrito abaixo:

NDVI – índice de vegetação - indica a quantidade de vegetação em uma

determinada área. O seu cálculo está descrito na Eq.(6) onde NIR é o valor

de intensidade da banda infravermelha da imagem e RED a intensidade da

banda que representa espectralmente o vermelho;

)()()(

REDNIRREDNIRiNDVI

+−

= Eq.(6)

72

Contexto Urbano – indica o grau de ocupação urbana na área do segmento

analisado. O contexto Urbano é avaliado considerando a proximidade do

objeto analisado a objetos e áreas de ocupação urbana. Para isso foi utilizada

a técnica de segmentação hierárquica em que cada segmentação em uma

escala mais alta gera objetos maiores, que contém os objetos menores dos

níveis abaixo deste - produzidos com fator de escala mais baixos. Maiores

detalhes sobre segmentação em múltiplas escalas ou hierárquica são

apressentados no capítulo 2.3.3 e também em [35].

Através da segmentação hierárquica são gerados vários níveis ou camadas de

segmentações em diferentes escalas. Essas segmentações são aqui

denominadas segundo o fator de escala utilizado para obtê-la. Foram

utilizados fatores 120, 180, 270 e 360. Um segmento representado na escala

360, por exemplo, contém vários segmentos menores gerados na escala 120,

180 e 270.

Para medir o grau de ocupação urbana na escala 90, por exemplo, mede-se o

percentual da área do objeto nessa escala que é coberto por objetos urbanos

(definidos na fase 1) na escala 30. Da mesma forma para medir o grau de

ocupação urbana na escala 180 mede-se o percentual de área coberta por área

urbana na segmentação de escala 30.

Quatro parâmetros foram medidos nas escalas anteriormente mencionadas e

foram denominados como Contexto Urbano 120, Contexto Urbano 180,

Contexto Urbano 270 e Contexto Urbano 360;

Contexto de Vegetação – indica o grau de vegetação em torno do objeto

analisado em quatro escalas, assim como no contexto urbano. A extração do

parâmetro contexto de vegetação segue o mesmo procedimento para medida

do contexto urbano, considerando-se porém a área relativa coberta por

vegetação em cada objeto. Os parâmetros gerados são denominamos da

seguinte forma: Contexto de Vegetação 90, Contexto de Vegetação 180,

Contexto de Vegetação 270 e Contexto de Vegetação 360;

Altura – é calculada pela média de altura no segmento analisado, baseando-

se no DTM (Digital Terrain Model ou Modelo Digital de Terreno);

Declividade – a declividade não era um dado diretamente disponível; foi

utilizado em seu lugar o desvio padrão da altura dentro do objeto analisado.

73

5.3.2 Regras

O conhecimento do especialista foi modelado no procedimento de interpretação

automática através de regras nebulosas no formato SE(condição) ENTAO(conseqüente.

O primeiro conjunto de regras atua apenas nos segmentos classificados como

Campo na Fase 1. As regras nesse conjunto foram criadas para dirimir a confusão entre

Rochas e Campo. A informação de altimetria e declividade, permite solucionar esse

tipo de confusão para uma boa parte dos segmentos. A conhecimento no caso consiste

em que Rochas normalmente têm uma declividade mais elevada, quando comparada

com Campo. Na verdade na região analisada os Campos em geral são formados por

acúmulo de matéria orgânica sobre as Rochas, e em áreas de alta declividade não é

possível esse acúmulo, o que deixa as Rochas expostas.

O segundo conjunto de regras atua nos objetos atribuídos à Classe Floresta

Urbana na fase 1 com a finalidade de resolver a confusão com Campo, Floresta e

Campo Urbano. Com relação à Floresta o critério discriminante é a proximidade a área

Urbana ou a contexto urbano. Com relação ao Campo o índice de Vegetação (NDVI) foi

utilizado critério de divisão. No caso do Campo Urbano o NDVI e o contexto urbano

foramutilizados em conjunto.

O terceiro conjunto de regras atua nos segmentos previamente classificados

como Floresta objetivando os mesmos critérios da segunda regra.

O quarto conjunto atua sobre a classe Urbano objetivando somente a confusão

com Campo urbano e as variáveis de critério utilizadas foram o contexto urbano e o

NDVI.

O quinto conjunto de regras age sobre a classe Rocha visando a confusão com

Campo, Campo Urbano e Urbano. Foi utilizado o NDVI, a declividade e o contexto

urbano para a discretizacao.

Finalmente o ultimo conjunto age sobre a classe Campo Urbano e na confusão

com Floresta, Floresta Urbana, Campo e Urbano. Uma serie de variáveis são utilizadas

entre eles o contexto urbano e o contexto de vegetação, a altimetria e o NDVI.

Neste trabalho todas as regras nebulosas foram modeladas utilizando duas

funções de pertinência por entrada. Esses conjuntos foram criados a partir de funções

gaussianas.

74

5.3.3 Ajuste das funções de pertinência

Resta agora definir o que é alto (a) ou baixo (a) para relevo, contexto, NDVI

dentre outros parâmetros. Em outras palavras o formato das funções de pertinência

nebulosa (membership functions) tem que ser escolhidos e ajustados. Como foram

escolhidas funções de pertinência gaussianas, estes parâmetros são a média e o desvio

padrão das gaussianas.

Nesse trabalho a estimativa dos parâmetros das funções de pertinência nebulosas

foi realizada utilizando um sistema neuro-fuzzy denominado ANFIS (seção 2.2.1.3). O

sistema neuro-fuzzy ajusta os parâmetros relativos ao formato das funções de

pertinência e aos pesos de cada regra no procedimento de classificação. Para isso é

utilizado um conjunto de treinamento e um algoritmo de retropropagação do erro. Em

nossos experimentos foi utilizado como treinamento uma parcela da imagem de 2001,

no caso a mesma utilizada na primeira fase do experimento. Os restantes dos segmentos

foram utilizados como um conjunto de teste.

Toda a implementação do sistema de inferência nebulosa, assim como o

procedimento de ajuste automático dos parâmetros, foi realizada no MATLAB na

versão 7.0.4.

Em termos de implementação foram utilizados sistemas neuro-fuzzy distintos

para cada grupo de regras apresentado anteriormente. Dessa maneira a otimização dos

parâmetros dos sistemas nebuloso se restringe a dados de atuação distintos, diminuindo

o espaço de busca. Cada um desses sistemas pode então possuir duas saídas (0 e 1)

indicando cada um dos conseqüentes.

Os parâmetros dos sistemas neuro-fuzzy utilizados em todos os sistemas

nebulosos apresentados estão descritos

Configuração dos sistemas neuro-fuzzy (ANFIS)

Numero de Épocas 100

Tamanho do passo inicial 0,01

Incremento e Decremento 10%

Tabela 7 – Configuração dos sistemas neuro-fuzzy.

75

O conjunto de treinamento utilizado e o mesmo da primeira fase porem sem a

replicação dos dados feita para garantir o mesmo numero de padrões em cada uma das

classes.

5.3.4 Resultados da classificação estrutural baseada em regras

0,0%

20,0%

40,0%

60,0%

80,0%

100,0%

Erro médio de omissão após a inferência de regras da FASE 2

FASE2 FASE1

FASE2 40,0% 52,5% 58,6% 59,5% 26,7% 35,8% 88,2% 73,6% 54,4%

FASE1 40,0% 52,5% 88,0% 66,7% 36,7% 29,8% 79,1% 94,2% 60,9%

Agua Campo Alagado

Campo Floresta Urbana

Floresta Urbano Rocha Campo Urbano

Media

Gráfico 2 – Erro de omissão médio por classe após a FASE 2. (resultado após 20 execuções)

Os resultados apresentados no Gráfico 2 mostram claramente um incremento de

desempenho, no que se diz respeito a diminuição do erro de classificação em cada

classe, após a inclusão do conhecimento do especialista modelado por regras nebulosas.

As classes afetadas pelo procedimento da Fase 2 claramente tiveram o seu erro

de classificação ou omissão, reduzidos significativamente. A maior redução ocorre na

classe Campo onde antes 88% dos segmentos eram classificados erroneamente, após a

Fase 2 cerca de 58% são classificados erroneamente. Embora esse valor ainda seja alto,

verifica-se que a inclusão do conhecimento através de regras nebulosas traz um

melhoria importante de desempenho.

O mesmo ocorre porém com menos intensidade, nas classes Floresta, Floresta

Urbana e Campo Urbano. No caso destas duas classes que estão intimamente ligadas

com a informação de contexto urbano (Floresta Urbana e Campo Urbano) as regras

76

nebulosas baseadas em informação de contexto principalmente foram realmente capazes

de identificar e separar os segmentos relativos às classes citadas.

Em algumas classes como Urbano e Rocha o erro após a Fase 2 teve um ligeiro

acréscimo, possivelmente porque não havia dados de treinamento suficientes para estes

casos, ou ainda porque as regras elaboradas não são capazes de resolver as confusões

entre as classes para estes casos.

Observa-se pela Tabela 8 uma confusão grande entre Urbano e Campo Urbano e entre

Rocha e Campo mesmo após a aplicação das regras.

As classes não afetadas pelo procedimento da segunda fase continuam

naturalmente com o mesmo erro de omissão. Classificação de referência

Água Campo

Alagado Campo Floresta Urbana Floresta Urbano Rocha Campo

Urbano

Água 50,0 0,0 0,5 1,2 0,2 0,0 0,0 0,0 Campo Alagado 0,0 50,0 4,7 6,0 2,0 4,5 23,5 2,4 Campo 0,0 25,0 41,4 17,9 12,8 5,0 32,4 18,4 Floresta Urbana 0,0 0,0 7,9 40,5 2,5 8,5 2,9 12,0 Floresta 0,0 0,0 31,2 9,5 73,3 1,5 5,9 4,8 Urbano 0,0 0,0 5,1 4,8 3,1 64,2 2,9 34,4 Rocha 50,0 0,0 4,7 2,4 2,9 0,0 11,8 1,6 C

lass

ifica

ção

FASE

2 (%

)

Campo Urbano 0,0 25,0 4,7 17,9 3,1 16,4 20,6 26,4 Tabela 8 – Matriz de confusão de uma classificação típica após a Fase 2. Resultado percentual relativo a referencia de uma interação.

77

0,00%

10,00%

20,00%

30,00%

40,00%

50,00%

60,00%

Taxa de erro global, comparação Fase 1 e Fase 2

FASE2 44,32%

FASE1 55,48%

Taxa global de erro

Gráfico 3 – Erro de classificação global após a FASE 2. (resultado após 20 execuções)

O erro global de classificação teve um decréscimo significativo após a inclusão

das regras da segunda fase. Esse decréscimo está sem duvida ligado principalmente ao

incremento na taxa de reconhecimento na classe Floresta que representa uma grande

proporção dos segmentos .

5.4 Fase 3 – Classificação multitemporal

A terceira Fase da classificação inclui o conhecimento multitemporal no

processo de interpretação, conforme o apresentado em seções anteriores. Os

experimentos realizados para esta fase compreendem 4 tarefas:

1. Construção do diagrama de transição,

2. Preparação dos dados,

3. No caso de conhecimento temporal nebuloso, estimativa das

possibilidades de transição, e

4. Avaliação de desempenho.

78

A primeira tarefa consiste em representar o conhecimento multitemporal através

de um diagrama que indica as transições de classes possíveis em um determinado

intervalo de tempo.

O diagrama de transição para esse trabalho foi elaborado por um especialista

conhecedor da área de teste. Devido ao grande número de classes da legenda nesse

trabalho, as transições são apresentadas na Tabela 9, onde a primeira coluna

corresponde à classe em um instante anterior ao analisado (t-∆t), a segunda coluna ao

rótulo do arco da transição e a terceira coluna à classe no instante analisado (t). Essa

tabela foi elaborada durante entrevistas com o especialista em classificação de imagens

de sensores remotos e com amplo conhecimento da área de estudo e de sua dinâmica ao

longo do tempo.

79

Classe em t-1 Transição Classe em t Causas

τ1 Água -

τ2 Campo Alagado Aterramento natural, secagem de rios e mananciais.

τ3 Campo Aterramento natural, secagem de rios e mananciais.

τ4 Urbano Aterramento urbano para construção

Água

τ5 Campo Urbano Aterramento urbano para construção

τ6 Campo Alagado -

τ7 Campo Aterramento natural, secagem de rios e mananciais.

τ8 Urbano Aterramento não natural seguido de construção.

Campo Alagado

τ9 Campo Urbano Aterramento não natural.

τ10 Campo -

τ11 Campo Alagado Alagamento

τ12 Floresta Crescimento de espécies arbóreas

τ13 Urbano Crescimento urbano

τ14 Campo Urbano Crescimento urbano ao redor da área

τ15 Floresta Urbana Crescimento urbano ao redor da área e ainda crescimento de vegetação arbórea na área.

Campo

τ16 Rocha Desmatamento ou deslizamento de área de campo sobre rocha

τ17 Urbano Crescimento urbano

τ18 Campo Urbano Derrubada de árvores em áreas urbanas Floresta Urbana

τ19 Floresta Urbana -

τ20 Campo Desmatamento

τ21 Floresta -

τ22 Urbano Desmatamento com crescimento urbano

τ23 Campo Urbano Desmatamento com crescimento urbano ao redor da área

Floresta

τ24 Floresta Urbana Crescimento urbano ao redor da área

τ25 Urbano -

Urbano τ26 Campo urbano Desocupação urbana ou demolição para construção o que causa uma resposta característica de campo

τ27 Floresta Urbana Desocupação urbana com replantio de espécies arbóreas

τ28 Campo Urbano Desocupação urbana

Rocha

τ29 Campo Acumulo de matéria orgânica causa crescimento de vegetação sobre rochas.

80

Classe em t-1 Transição Classe em t Causas

τ30 Rocha -

τ31 Urbano Crescimento urbano

τ32 Campo Urbano -

Campo Urbano

τ33 Floresta Urbana Crescimento de vegetação arbórea em áreas de campo urbano

Tabela 9 – Transições entre classes para a área de teste.

A partir da Tabela 9 é possível montar a matriz de transição crisp, que indica

transições possíveis e impossíveis com “1” e “0” respectivamente, como mostrado a

seguir.

⎥⎥⎥⎥⎥⎥⎥⎥⎥⎥⎥

⎦

⎤

⎢⎢⎢⎢⎢⎢⎢⎢⎢⎢⎢

⎣

⎡

=Τ

1010100011100100101000001011110010101000111111101010011010100111

crisp

Semelhantemente, a matriz de transição nebulosa toma a seguinte forma:

⎥⎥⎥⎥⎥⎥⎥⎥⎥⎥⎥

⎦

⎤

⎢⎢⎢⎢⎢⎢⎢⎢⎢⎢⎢

⎣

⎡

=Τ

3303203100030292800270026025000002402322212000190180170001615141312111009080076050400321

τττττττττττττττττττττττττττττττττ

nebuloso

Onde os parâmetros não nulos são números reais no intervalo (0,1].

As linhas correspondem ao instante anterior (t-∆t) e as colunas ao instante

81

analisado (t). A ordem das classes, tanto nas linhas quanto nas colunas, segue a ordem

de classificação definida pelas classes para todo o processo (Água, Campo Alagado,

Campo, Floresta Urbana, Floresta, Urbano, Rocha e Campo Urbano).

Tratando-se do conhecimento multitemporal crisp pode-se passar diretamente

para a tarefa 4 da avaliação. Já o conhecimento multitemporal nebuloso requer que

antes se estimem os valores das possibilidades de transição.

Esta tarefa de estimação dos valores de probabilidade utilizou o mesmo conjunto

de treinamento de dados anteriormente selecionado e utilizado durante a Fase 1 e Fase

2.

O especialista da área identificou para cada classe da legenda a transição mais

freqüente que recebeu o valor de possibilidade igual a 1. Isso fez com que matriz de

transição tivesse valor 1 em toda a sua diagonal. Restaram então 25 valores de transição

para serem estimados. Um algoritmo genético (GA) é então aplicado sobre os dados de

1999 e 2001 visando minimizar o erro médio de omissão, usando como referência a

classificação visual da imagem de 2001 e os dados de treinamento anteriormente

selecionados. A configuração do GA utilizado nesse trabalho esta descrito na Tabela 10.

Configuração do sistema de otimização baseado em algoritmos genéticos

Cromossomo 27 genes ou parâmetros a serem estimados

Números reais entre 0 e 1

Função de avaliação Minimizar o erro médio de omissão entre as classes

Tamanho da população 100 ( população inicial randômica)

Numero de gerações 100

Substituição por geração 80%

Operações de cruzamento Crossover simples de um ponto

Crossover aritmético

Operações de mutação Mutação simples

Creep Pequeno (0,2)

Creep Grande (0,8)

Tabela 10 – Configuração dos sistemas neuro-fuzzy.

Os valores de possibilidade de transição estimados a partir dos dados de

treinamento foram então aplicados aos dados de teste e o resultado final apresentado

nesse capitulo.

82

5.4.1 Resultados do classificador multitemporal

Uma série de experimentos foi realizada para avaliar a contribuição do

conhecimento multitemporal e nebuloso, conforme mostrado nas seções a seguir.

5.4.1.1 Contribuição do conhecimento multitemporal crisp

0,0%

10,0%

20,0%

30,0%

40,0%

50,0%

60,0%

70,0%

80,0%

90,0%

100,0%

Erro médio de omissão apos a inclusao o conhecimento multitemporal crisp

FASE1 40,0% 52,5% 88,0% 66,7% 36,7% 29,8% 79,1% 94,2% 60,9%

FASE2 40,0% 52,5% 58,6% 59,5% 26,7% 35,8% 88,2% 73,6% 54,4%

FASE3 - CRISP 40,00% 50,00% 60,00% 35,71% 29,21% 33,83% 73,53% 71,20% 49,19%

Agua Campo Alagado

Campo Floresta Urbana

Floresta Urbano Rocha Campo Urbano

Media

Gráfico 4 – Erro de classificação global após a inclusão de conhecimento multitemporal de maneira CRISP. (resultado após 20 execuções)

Os resultados da inclusão do conhecimento multitemporal crisp mostram um

aumento significativo de desempenho, ou seja, a diminuição do erro de omissão médio

em cerca de cinco pontos percentuais. Algumas classes, como Floresta Urbana e Rocha

foram mais afetadas. Essas classes claramente se beneficiam de informação

multitemporal. No caso da Rocha, ela tende a não se alterar ao longo do tempo e no

caso de Floresta Urbana, que compreende parques e jardins, ocorre o mesmo.

Na média, no entanto, o erro de omissão cai significativamente após a inclusão

do conhecimento multitemporal, mesmo usando a modelo crisp.

83

5.4.1.2 Contribuição do conhecimento multitemporal nebuloso

No segundo experimento aplicou-se o conhecimento multitemporal nebuloso. A

Tabela 11 mostra os valores da matriz de transição obtida pelo algoritmo genético com

base nos dados de treinamento.

t

Água Campo Campo Urbano

Floresta Urbana Floresta Urbano Rocha

Campo Urbano

Água 1,00 0,33 0,49 0,00 0,00 0,16 0,00 0,18Campo Urbano 0,00 1,00 0,13 0,00 0,00 0,21 0,00 0,76Campo 0,00 0,11 1,00 0,29 0,29 0,49 0,58 0,39Floresta Urbana 0,00 0,00 0,00 1,00 0,00 0,50 0,00 0,69Floresta 0,00 0,00 0,49 0,77 1,00 0,19 0,00 0,41Urbano 0,00 0,00 0,00 0,69 0,00 1,00 0,00 0,50Rocha 0,00 0,00 0,16 0,00 0,00 0,25 1,00 0,30

t-∆t

Campo Urbano 0,00 0,00 0,00 0,76 0,00 0,28 0,00 1,00 Tabela 11 – Matriz de transição nebulosa. Valores em zero indicam transições impossíveis.

A função objetivo do algoritmo genético, conforme citado anteriormente, é a

taxa média de acerto entre as classes. No Gráfico 5 é apresentado um exemplo retirado

dos experimentos realizados que retrata a evolução do algoritmo genético durante a sua

evolução. Observa-se um incremento significativo na função de avaliação a cada

geração.

84

0 10 20 30 40 50 60 70 80 90 1000.74

0.745

0.75

0.755

0.76

0.765

0.77

Geração

Ava

liaçã

o

GRÁFICO DE DESEMPENHO

Gráfico 5 – Evolução do algoritmo genético durante a sua evolução.

0,0%

10,0%

20,0%

30,0%

40,0%

50,0%

60,0%

70,0%

80,0%

90,0%

100,0%

Erro médio de omissão apos a inclusao do conhecimento multitemporal nebuloso

FASE1 40,0% 52,5% 88,0% 66,7% 36,7% 29,8% 79,1% 94,2% 60,9%

FASE2 40,0% 52,5% 58,6% 59,5% 26,7% 35,8% 88,2% 73,6% 54,4%

FASE3 - CRISP 40,0% 50,0% 60,0% 35,7% 29,2% 33,8% 73,5% 71,2% 49,2%

FASE3 - NEBULOSA 40,0% 50,0% 44,7% 29,8% 35,5% 39,8% 44,1% 60,8% 43,1%

AguaCampo Alagado Campo

Floresta Urbana Floresta Urbano Rocha

Campo Urbano Media

Gráfico 6 – Avaliação do erro de omissão após a inclusão da informação multitemporal nebulosa.

Observa-se pelo Gráfico 6 que após a inclusão da informação multitemporal

nebulosa o erro médio de omissão entre as classes tem um declínio significativo. A

maior parte das classes apresenta uma queda significativa no seu erro de omissão.

85

Se comparado com a Fase 1 a inclusão do conhecimento multitemporal pode

oferecer uma queda de quase 17% em termos de erro de omissão. E em algumas classes

como Rocha essa queda pode chegar a cerca de 35%.

Nas classes Floresta e Urbano porém ocorre um ligeiro acréscimo no erro de

omissão. Esse fato pode estar relacionado com a escolha pelo especialista das transições

possíveis.

0,00%

10,00%

20,00%

30,00%

40,00%

50,00%

60,00%

Taxa de erro global, comparação Fase 1, Fase 2 e Fase 3

FASE1 55,48%

FASE2 44,32%

FASE3 - NEBULOSA 40,81%

Taxa global de erro

Gráfico 7 – Taxa de erro global após a classificação por inclusão de dados multitemporais nebulosos.

O Gráfico 7 mostra que apesar de todo o procedimento ser focado na diminuição

da taxa média de erro entre as classes, indicadores como a taxa global de acerto também

se comportam de maneira favorável.

86

5.5 Conclusões

Os experimentos realizados e descritos neste capítulo levaram algumas

observações e conclusões que cabem ressaltar ao final desta seção.

Em primeiro lugar se confirmou a tese de que métodos convencionais de

classificação baseados apenas na informação espectral, trazem resultados insatisfatórios

quando aplicados a imagens de alta resolução. De fato, ao se introduzir conhecimento

prévio no processo de classificação obteve-se um aumento importante de desempenho

da classificação.

Nos experimentos realizados o conhecimento multitemporal se mostrou mais

efetivo do que o conhecimento monotemporal. Sem dúvida o modelo de conhecimento

monotemporalcriado neste trabalho é passível de ser aperfeiçoado, e os experimentos

não permitem avaliar todo o potencial do método de classificação estrutural.

Outro aspecto diz respeito à dificuldade para a aquisição de conhecimento. A

modelagem de conhecimento através de regras se faz a partir séries de entrevistas com o

analista, num processo longo e trabalhoso, além de estar sujeito à imprecisão inerente à

subjetividade do processo de interpretação das imagens.

O conhecimento multitemporal, na forma em que foi apresentado neste trabalho,

é, ao contrário, fácil de se obter junto ao analista, já que se resume a discriminar entre

transições de classe possíveis e impossíveis.

Um outro comentário se refere ao volume de dados necessários para o ajuste dos

parâmetros do modelo. O modelo de conhecimento requer uma imagem e a

correspondente classificação de referência. O modelo multitemporal nebuloso requer

além destas, ainda a classificação de uma imagem anterior da mesma área. O método

multitemporal crisp, não requer uma classificação anterior, já que não se estimam os

valores de possibilidade de transição, mas tem desempenho inferior ao do modelo

nebuloso.

Finalmente cabe mencionar que o método multitemporal nebuloso, admite que

os valores de possibilidade de transição é estável ao longo do tempo. Esta é uma

hipótese que não foi questionada neste trabalho e que não necessariamente se aplica a

todos os problemas de interpretação de imagens de sensores remotos.

87

6 Comentários finais

O objetivo desse trabalho foi avaliar a contribuição de diversas formas de

conhecimento em um sistema automático de classificação aplicado a imagens de

sensores remotos de alta resolução. O conhecimento empregado foi dividido em três

modalidades expressas em três fases do processo de classificação. Na primeira houve o

emprego de classificação espectral; na segunda a inclusão de informações de contexto e

estruturais em conjunto com o conhecimento do especialista modelado por regras

nebulosas, e na terceira fase a inclusão de conhecimento multitemporal por meio de

diagramas de transição de classes.

A inclusão do conhecimento específico, através de regras elaboradas pelo

especialista, ofereceu um ganho importante na taxa global de acerto. O modelo neuro-

fuzzy para otimização dos parâmetros dessas regras mostrou-se eficiente.

A inclusão de conhecimento multitemporal trouxe também um aumento do

desempenho da classificação. O ganho de desempenho obtido pela inclusão do

conhecimento multitemporal foi, contudo, maior do que o ganho obtido pela inclusão

do conhecimento monotemporal.

Cabe relevar que essa análise está condicionada à área de estudo selecionada. A

área do Parque da Pedra Branca sofre poucas alterações em um intervalo de tempo

reduzido uma vez que é uma área de preservação ambiental. Com isso é uma área

pouco suscetível a mudanças bruscas nas características de cobertura do solo, fato esse

que sem dúvida aumenta o impacto do conhecimento multitemporal.

Os resultados mostram que o melhor desempenho foi alcançado quando foi

utilizado o conhecimento prévio envolvendo relativo a variáveis espectrais e contextuais

em conjunto com o conhecimento multitemporal.

É importante ressaltar que todos os procedimentos aqui abordados visam a

elaboração de um modelo de classificação para a área de estudo analisada. Outras áreas

podem vir a utilizar o mesmo método de modelagem, porém as regras, como as da fase

2 ou o diagrama de transição da fase 3, são paraticulares para uma determinada área de

estudo.

88

Vários trabalhos podem ser desenvolvidos sobre a mesma temática seguindo a

linha aqui proposta. Provavelmente o desempenho na primeira fase não aumentaria

muito qualquer que fosse a informação incluída no classificador espectral

supervisionado. Isso pode ser justificado pela complexidade das classes da legenda e do

uso de imagens de alta resolução.

Finalmente é importante mencionar que não foi um objetivo central deste

trabalho construir um modelo de conhecimento contextual/espacial elaborado. É,

portanto, razoável admitir que os ganhos de desempenho obtidos nesta etapa podem ser

significativamente mais elevados do que o alcançado em nossos experimentos, desde de

se crie um conjunto de regras mais elababorado.

89

Referências

1 CORR, D.G.; TAILOR, A.M.; CROSS, A.; MASON, D.C.; PETROU, M.; HOGG,

D.C.; LAWRENCE. D.H. Progress In Automatic Analysis of Multitemporal Remotely-Sensed Data. In: IGARSS 1988 - International Geoscience And Remote Sensing Symposium, Edinburgh, Scotland, sep. 13-16 1988. Proceedings of IGARSS 1988, p. 1175-1178, 1988.

2 BÜCKNER, J.; STAHLHUT, O.; PAHL, M.; LIEDTKE, C.-E. A Knowledge Based Automatic Image Data Analyzer for Remote Sensing Data. In: ICSC CONGRESS ON COMPUTATIONAL INTELLIGENCE METHODS AND APPLICATIONS 2001 - CIMA 2001, 2001, Bangor, Wales, Reino Unido. Proceedings (CD ROM) of The Congress on Computational Intelligence Methods and Applications 2001 – CIMA 2001. International Computing Sciences Conventions – University of Wales in Bangor, U.K, 2001.

3 LIEDTKE, C.-E.; BÜCKNER, J.; GRAU, O.; GROWE, S.; TÖNJES, R. AIDA: A System for the Knowledge Based Interpretation of Remote Sensing Data, In: THIRD INTERNATIONAL AIRBORNE REMOTE SENSING CONFERENCE AN EXHIBITION, 1999, Copenhagen, Dinamarca, Proceedings of the Third International Airborne Remote Sensing Conference and Exhibition, Environmental Research Institute of Michigan, AGU, 1997.

4 NIEMANN, H.; SAGERER G.; SCHRODER, S.; KUMMERT, F. ERNEST:A Semantic Network System for Pattern Understanding. IEEE Transactions on Pattern Analysis and Machine Intelligence, v. 12, n. 9, set 1990.

5 CLEMENT, V.; GIRAUDON, G.; HOUZELLE, S.; SANDAKLY F. Interpretation of Remotely Sensed Images in a Context of Mutisensor Fusion Using a Multispecialist Architecture. IEEE Transactions on Geoscience and Remote Sensing, v. 31, n. 4, p. 779-791, jul 1993.

6 MATSUYAMA, T.; HWANG, V. Advances in computer vision and machine intelligence. SIGMA, a knowledge-based aerial image understanding system. New York: Plenum, 1990. ISBN: 030643301X

7 MCKEOWN, D. M.; HARVEY, W.A.; MCDERMOTT, J. Rule Based interpretation of aerial imagery. IEEE Transactions on Pattern Analysis and Machine Intelligence, v. 7, v. 5, p. 570-585, 1985.

8 THOMAS W.W.; CARVALHO, A.M.V.; AMORIM, A.M.A.; GARISON, J.; ARBELÁZ, A.L. Plant endemism in two forests in southern Bahia, Brazil. Biodiversity and Conservation 7, p. 311-322, CIFOR/UNESCO, 1998.

9 SIPS, P. The Atlantic Forest of South Bahia, Brazil: Hotspot within a Hotspot. European Tropical Research Network. n. 29, p. 41- 43, 1999. Disponivel em: <http://www.etfrn.org/etfrn/newsletter/nl29_oip.html#theatl >

10 MORI, S. A.; BOOM, B.M.; PRANCE, G.T. Distribution and conservation of easter Brazilian coastal forest tree species. Brittonia, 33, p. 233-245, 1981.

90

11 Rio de Janeiro (Estado) Secretaria Municipal de Meio Ambiente. Relatório Técnico,

SMAC. 2000. Mapeamento e caracterização de usos das terras e cobertura vegetal no município do Rio de Janeiro entre os anos de 1984 e 1999. Rio de Janeiro, 2000.

12 ANTUNES, A. F. Classificação de ambiente ciliar baseada em orientação a objetos em imagens de alta resolução. Curitiba, 2003. Tese ( Pós Graduação em Ciências Geodésicas 0) - Universidade Federal do Paraná.

13 CAMPBEL, J.B. Introduction to Remote Sensing. 3.ed. New York: Guilford Publications, 2002. 621p. ISBN 1572306408

14 RST - The Remote Sensing Tutorial. Disponível em: <http://rst.gsfc.nasa.gov/Homepage/Homepage.html> Acesso em: 01 jul. 2005.

15 LILLESEND, T.M.; KIEFER, R.W. Remote Sensing and Image Interpretation. 4th ed., New York: Wiley , 1999. ISBN: 0471255157

16 SPACE IMAGING WEB SITE. Informações sobre o sensor IKONOS. Disponível em: < http://www.spaceimaging.com/ >. Acesso em: 20 jul. 2005.

17 CIVCO, D.L. Topographic normalization of Landsat Thematic Mapper digital imagery, Photogrammetric Engineering and Remote Sensing, v. 55, n. 9, p. 1303-1309, 1989.

18 MATHER, P.M. Computer processing of remotely sensed images. John Wiley and Sons Ltd. 1987. ISBN: 0471906484.

19 RICHARDS, J.A.; JIA, X. Remote Sensing Digital Image Analysis : An Introduction, 4th ed, Springer, 2005. ISBN: 3540251286.

20 HAYKIN, S. Redes Neurais: Princípios e práticas. 2. ed. Porto Alegre: Bookman, 2001. ISBN: 85-7307-718-2.

21 ELKAN, C.; BERENJI, H.R.; CHANDRASEKARAN, B.; SILVA, C.J.S.; ATTIKIOUZEL, Y.; DUBOIS, D.; PRADE, H.; SMETS, P.; FREKSA, C.; GARCIA, O.N.; KLIR, G.J.; Bo YUAN; MAMDANI, E.H.; PELLETIER, F.J.; RUSPINI, E.H.; TURKSEN, B.; VADIEE, N.; JAMSHIDI, M.; Pei-Zhuang WANG; Sie-Keng TAN; Shaohua TAN; YAGER, R.R.; ZADEH, L.A. The paradoxical success of fuzzy logic. IEEE Expert, v.9, n. 4, p.3-49, ago. 1994.

22 JANG, J.-S. R., ANFIS: Adaptive-Network-based Fuzzy Inference Systems. IEEE Transactions on Systems, Man, and Cybernetics, v. 23, n. 3, p. 665-685, mai. 1993.

23 CHEN, Mu-Song. A comparative study of learning methods in tuning parameters of fuzzy membership functions. In: 1999 IEEE International Conference on Systems, Man, and Cybernetics, 12-15 Oct. 1999. IEEE SMC '99 Conference Proceedings, v. 3, p.40-44, oct. 1999.

24 SUGENO, M., Industrial applications of fuzzy control, Elsevier Science Pub. Co., 1985.

25 SVIREZHEV, Yu.M.; PASSEKOV, V.P. Fundamentals of Mathematical Evolutionary Genetics, Londres: Kluwer Academic Publisher, Mathematics and Its Applications (Soviet Series), v. 22, 1989.

26 MICHALEWICZ, Z., Genetic Algorithms + Data Structures = Evolution Programs, 3rd ed., Springer, 1998. ISBN: 3540606769.

91

27 GONZALEZ, R.C., WOODS, R.E. Digital Image Processing. 2. ed. New Jersey:

Prentice Hall, 2001. ISBN 0-201-18075-8

28 MOHAN, B.K.; KADAM, S.U.; RAO E.P. Segmentation of High Resolution Imagery. Map Asia 2003, GISdevelopment.NET. Disponível em: <http://www.gisdevelopment.net/>

29 PESARESI, M.; BENEDIKTSSON, J.A. A New Approach for the Morphological Segmentation of High-Resolution Satellite Imagery. IEEE Transactions on Geosciences and Remote Sensing, v. 29 , n. 2 , p. 309 – 320, fev. 2001.

30 BEUCHER, S.; LANTEUJOUL, C. Use of watersheds in contour detection. In: International Workshop on Image Processing, real-time edge and motion detection/estimation, Rennes, France, Sept. 17-21 1979. Proceedings of International Workshop on Image Processing, real-time edge and motion etection/estimation, sept. 1979.

31 BEUCHER, S. The watersheds transformation applied to image segmentation. In: 1Oth Pfefferkorn Conf. on Signal and Image Processing in Microscopy and Microanalysis, Cambridge, UK, Sept. 16-19 1991. Scanning Microscopy International 6, p. 299-314.

32 PESARESI, M.; BENEDIKTSSON, J.A. A New Approach for the Morphological Segmentation of High-Resolution Satellite Imagery. IEEE Transactions on Geosciences and Remote Sensing, v. 29 , n. 2 , p. 309 – 320, Feb. 2001.

33 MEINEL G., NEUBERT M. A comparison of segmentation programs for high resolution remote sensing. In: XXth Congress of the International Society for Photogrammetry and Remote Sensing, Istanbul. International Archives of Photogrammetry and Remote Sensing, v. 35, Part B, p. 1097-1105, 2004.

34 BAATZ, M.; SCHÄPE, A. Multiresolution Segmentation: an optimization approach for high quality multi-scale image segmentation. In: Angewandte Geographische Informationsverarbeitung XII, eds. Strobl, J., Blaschke, T.& Griesebner, G. Wichmann-Verlag: Heidelberg. Proceedings of Angewandte Geographische Informationsverarbeitung XII, p. 12-23, 2000. Disponível em: <http://www.agit.at/papers/2000/baatz_FP_12.pdf >

35 DEFINIENS e-Cognition Professional, version 4.0: multiscale image interpretation software. DEFINIENS IMAGING, 2004. Manual disponível em: <http://www.definiens-imaging.com/>.

36 BARALDI, A.; PARMIGGIANI, F. An Investigation of the Textural Characteristics Associated with Gray Level Cooccurrence Matrix Statistical Parameters. IEEE Transactions on Geoscience and Remote Sensing, v. 33, n. 2, p. 293 – 303, Mar. 1995.

37 HARALICK, R.M.; SHANMUGAM, K.; DINSTEIN, J. Textural features for image classification. IEEE Transactions on System, Man and Cybernetics, v. 3, n. 6, p. 610-621, Nov. 1973.

38 MASUOKA P.M. Use of IKONOS and LANDSAT for malaria control in the Republic of Korea. Remote Sensing of Environment 88, p. 187–194, 2003.

39 JENSEN, J.R.; Introductory Digital Image Processing: A Remote Sensing Perspective, 2nd ed. Upper Saddle River, NJ: Prentice-Hall, 1996.

92

40 SHACKLFORD, A.K.; DAVIS, C.H. A Hierarchical FUZZY Classification

Approach for High-Resolution Multispectral Data Over Urban Areas, IEEE Transactions on Geosciences and Remote Sensing, v. 41, p.2354-2363, Sept. 2003.

41 MELGANI, F.; Al HASHEMY, B.A.R.; TAHA, S.M.R. An explicit FUZZY supervised classification method for multispectral remote sensing images, IEEE Transactions on Geosciences and Remote Sensing, v. 38, p.287-295, Jan. 2000.

42 SHACKLFORD, A.K., DAVIS, C.H. A fuzzy classification approach for high-resolution multispectral data over urban areas, In: IGARSS 2002 - International Geoscience And Remote Sensing Symposium, Toronto, ON, Canada, June 24-28, 2002. Proceedings of IGARSS 2002, v. 2, p. 1621-1623, Jun. 2002.

43 BINAGHI, E.; GALLO, I.; PEPE, M. A cognitive Pyramid for Contextual Classification of Remote Sensing Images, IEEE Transactions on Geosciences and Remote Sensing, v. 41, p.2906-2922, Dec. 2003.

44 SUGUMARAN, R.; PAVULURI, M.K. The Use of High-Resolution Imagery for Identification of Urban Climax Forest Species Using Traditional and Rule-Based Classification Approach, IEEE Transactions on Geosciences and Remote Sensing, v. 41, p.1933-1939, Sept. 2003.

45 SHISONG Y.; CHIH-CHENG, H. Texture classification in remotely sensed images, In: IEEE Southeast Conference. 5 – 7 April 2002, Columbia, SC. Proceedings of IEEE Southeast p. 62 – 66, Apr. 2002.

46 LELONG, C.C.D.; THONG-CHANE, A. Application of textural analysis on very high resolution panchromatic images to map coffee orchards in Uganda, In: IGARSS 2003 - International Geoscience And Remote Sensing Symposium, July 21-25 2003. Proceedings of IGARSS 2003, v. 2, p. 1007 – 1009, 2003.

47 PESARESI, M. Textural classification of very high-resolution satellite imagery: Empirical estimation of the interaction between window size and detection accuracy in urban environment, In: ICIP99 - International Conference on Image Processing, Kobe, 24-28 Oct. 1999. Proceedings of ICIP99, Kobe , v. 1, p. 114 – 118, Oct. 1999.tober 1999, Vol.1, 25AP3.3, pp.114-118

48 BENEDIKTSSON, J.A.; SWAIN, P.H.; ERSOY, O.K. Neural Network Approaches Versus Statistical Methods In Classification Of Multisource Remote Sensing data. IEEE Transactions on Geosciences and Remote Sensing, v. 28 , n. 4 , p. 540 – 552, jul. 2003.

49 HERRIES, G.M.; SELIGE, T.M. Characterization of agricultural land using signal processing and cognitive learning techniques. In: IGARSS 1997 - International Geoscience And Remote Sensing Symposium, Toronto, ON, Canada, August 3-8, 1997. Proceedings of IGARSS 1997, v. 2, p. 1032 – 1034, Ago. 1997.

50 BENEDIKSSON, J.A.; SVENSSON, J.R.; AMASON, K. Classification and feature extraction of AVIRIS data. IEEE Transactions on Geosciences and Remote Sensing, v. 33 , n. 5 , p. 1194 – 1205, Sept. 1995.

51 LEE, C.; LANDGREBE, D.A. Feature extraction based on decision boundaries. IEEE Transactions on Pattern Analysis and Machine Intelligence, v. 15, n. 4 , pp. 388 – 400, Apr. 1993.

93

52 LEE, C.; LANDGREBE, D.A. Decision boundary feature extraction for neural

networks. IEEE Transactions on Neural Networks, v. 8 , n. 1, p. 75 – 83, Jan. 1997.

53 LEE, C.; LANDGREBE, D.A. Decision boundary feature extraction for nonparametric classification. IEEE Transactions on Systems, Man and Cybernetics, v. 23 , n. 2 , p. 433 – 444, Mar./Apr. 1993.

54 BLASCHKE, T.; STROBL. J. What is wrong with pixel? Some recent developments Interfacing remote sensing and GIS. GeoBIT/GIS 6, p. 12-17, 2001.

55 SMITH, G.M.; HOFFMANN, A. 2001: An Object based Approach to Urban Feature Mapping, In: 2nd International Symposium Remote Sensing of Urban Areas, Regensburg, Germany, 22-23 June, 2001. Proceedings of Symposium on Remote Sensing of Urban Areas, Jun. 2001.

56 REGO, L.F.G.; KOCH, B. Automatic classification of land cover with high resolution data of the Rio de Janeiro City Brazil, In: 2nd GRSS/ISPRS Joint Workshop on Remote Sensing and Data Fusion over Urban Areas, Berlin, Germany, 22-23 Mai. 2003. Proceedings of 2nd GRSS/ISPRS Joint Workshop on Remote Sensing and Data Fusion over Urban Areas, p. 172 – 176, Mai. 2003.

57 REGO, L.F.G. Automatic land-cover Classification Derived from High-Resolution IKONOS Satellite Image in the Urban Atlantic Forest in Rio de Janeiro, Brazil, by Means of an Objects-Oriented Approach, Ph.D. Thesis, Universitat Freiburg (Germany)

58 KRESSLER, F.P.; KIM Y.S.; STEINNOCHER, K.T. Object-oriented land cover classification of panchromatic KOMPSAT-1 and SPOT-5 data. In: IGARSS 2003 - International Geoscience And Remote Sensing Symposium, Jul. 21-25 2003. Proceedings of IGARSS 2003, v. 6, p.3471 – 3473, 2003.

59 KRESSLER, F.P.; BAUER, T.B.; STEINNOCHER, K.T. Object-oriented per-parcel land use classification of very high resolution images. In: IEEE/ISPRS Joint Workshop on Remote Sensing and Data Fusion over Urban Areas, nov. 8-9 2001. Proceedings of IEEE/ISPRS Joint Workshop on Remote Sensing and Data Fusion over Urban Areas, p.164 – 167, Nov. 2001.

60 CORR, D.G.; WALKER, A.; BENZ, U.; LINGENFELDER, I.; RODRIGUES, A. Classification of urban SAR imagery using object oriented techniques. In: IGARSS 2003 - International Geoscience And Remote Sensing Symposium, July 21-25 2003. Proceedings of IGARSS 2003, v. 1, p. 188 - 190, 2003.

61 HONG, S.; FUKUE, K.; SHIMODA, H.; SAKATA, T. Multitemporal Satellite Images for Land Cover Classification. In: IGARSS 1991 - International Geoscience And Remote Sensing Symposium. Proceedings of IGARSS 1991, p. 1831-1834, 1991.

62 KUSHARDONO, D.; FUKUE, K.; SHIMODA, H.; SAKATA, T. Comparison of Multi-Temporal Image Classification Methods. In: IGARSS 1995 - International Geoscience And Remote Sensing Symposium, Jul. 10-14 1995. Proceedings of IGARSS 1995, v. 2, p. 1282-1284, 1991.

63 FUJIMURA, S.; KIYASU, S. Classification of Terrain Objects using Hyper-Dimensional (Multi-Temporal Multi-Spectral) Images Through Purpose-Oriented

94

Feature Extraction. In: IGARSS 1999 - International Geoscience And Remote Sensing Symposium, Jun 28-Jul 02 1999. Proceedings of IGARSS 1999,v. 2, p. 1192-1194, 1988.

64 KAMATA, S.-I.; NIJIMI, M.; KAWAGUCHI, E. A multi-temporal classification of multi-spectral images using a neural network. In: 12th IAPR International Conference on Pattern Recognition, out. 9-13 1994. Proceedings of the 12th IAPR International, v. 2, p. 470 – 472, 1999.

65 KAMATA, S.-I; KAWAGUCHI, E. A Neural Net Classifier for Multi-Temporal LANDSAT Images Using Spatial and Spectral Information. In: International Joint Conference on Neural Networks, 1993. Proceedings of 1993 International Joint Conference on Neural Networks, p. 2199-2202, 1993.

66 JEON, B.; LANDGREBE, D.A. Classification with spatio-temporal interpixel class dependency contexts. IEEE Transactions on Geosciences and Remote Sensing, v. 30, n. 4, p. 663 – 672, Jul. 1992.

67 MÜLLER, S.; MOTA, G.L.A.; LIEDTKE, C.-E. Multitemporal Interpretation of Remote Sensing Data. In: XXth ISPRS Congress, Jul. 12-23 2004 Istanbul, Turkey. Proceedings of ISPRS. v. 35, part B4, p. 1244-1248, 2004.

68 MOTA, G.L.A. Knowledge-based Interpretation of Multitemporal Low Resolution Satellite Images. Rio de Janeiro, 2004. 206p. Ph.D Electrical Engineering Thesis - Pontifical Catholic University of Rio de Janeiro, Rio de Janeiro, Brazil.

69 CAMPOS, V.O.; FEITOSA, R.Q.; MOTA, G. L.A.; PACHECO, M A.C.; COUTINHO, H.L.C. Um Método para Modelagem do Conhecimento Multitemporal no Processo de Classificação Automática de Imagens de Sensores Remotos. In: XII SBSR – Simpósio Brasileiro de Sensoriamento Remoto, Goiânia, GO, Brazil, Abr. 16-21 2005. Revista Brasileira de Cartografia, No 57/01, 2005. p. 28-35. ISSN 1808-0936. Disponível em: <http://www2.prudente.unesp.br/rbc/_2005/57_1_05.htm>. Acesso em 23 de maio de 2005.

70 CAMPOS, V. O.; FEITOSA, R. Q.; MOTA, G. L. A.; PACHECO, M A.C.; COUTINHO, H. L. C; Um método para modelagem de conhecimento multitemporal no processo de classificação automática de imagens de sensores remotos. In: Simpósio Brasileiro de Sensoriamento Remoto, 12. (SBSR), 16-21 Abr. 2005, Goiânia. Anais XII Simpósio Brasileiro de Sensoriamento Remoto, São José dos Campos: INPE, 2005a. Artigos, p. 4021-4028. CD-ROM.

71 LEICA GEOSYSTEMS, ERDAS Imagine, version 8.7: geographic imaging software. [S.I.] Leica Geosystems GIS & Mapping, 2003.