matriz de confusão

*XLD GR (19, HP 3RUWXJXrV

) &ODVVLILFDomRA classificao de objetos ou fenmenos feita pela escolha das caractersticas que os descrevem para diferenci-los entre si. Na definio matemtica, usa-se o espao de atributos ("feature space"), que essencial para se entender como funciona a classificao de imagens multiespectrais. No processamento digital, a cada eixo desse espao so atribudos os nveis de cinza de uma determinada banda espectral. Os mtodos de classificao se dividem basicamente em duas categorias: a classificao supervisionada e a no-supervisionada. Nesta segunda no h qualquer conhecimento prvio do classificador sobre os atributos das classes pertinentes a cena, enquanto que na classificao supervisionada, o classificador orienta sua busca de classes a partir de amostras de treinamento feitas anteriormente com as classes de interesse da cena. Alguns dos algoritmos clssicos, tanto de classificao no-supervisionada quanto supervisionada, so descritos a seguir.

&ODVVLILFDomR QmRVXSHUYLVLRQDGD,VRGDWDO mtodo de classificao isodata , provavelmente, o mais conhecido e descrito como um meio de interpretao de imagens de sensoriamento remoto assistida por computador. O programa de classificao identifica padres tpicos nos nveis de cinza. Esses padres so classificados efetuando-se visitas de reconhecimento a alguns poucos exemplos escolhidos para determinar sua interpretao. Em razo da tcnica usada nesse processo, os padres so geralmente referidos como "clusters" (agrupamentos ou nuvens) (Eastman, 1994, p. 104). Neste tipo de classificao, as classes so determinadas pela anlise de agrupamentos ("cluster analysis").

9DQWDJHQV No requer um conhecimento prvio da rea de estudo

'HVYDQWDJHQV O usurio tem pouco controle sobre a separao entre classes. Determinao do nmero de classes.

Podemos dizer que, no caso das classificaes no-supervisionadas, quanto maior a heterogeneidade das amostras, maior a certeza de que todas as classes possveis estaro representadas (Novo, 1988, p. 285). Os pixels nas reas de treinamento so, ento, submetidos a algoritmos de agrupamento ("clustering"), que determinam o agregamento natural dos dados, considerando sua distribuio num espao de n dimenses (no caso, bandas espectrais).

*8,$ ) &ODVVLILFDomR


Selecione, dentro do menu principal, a cadeia de comandos Classificao No Supervisionada IsoData . Aparece a caixa de dilogo do arquivo de entrada para a classificao (Figura 1).

1~PHUR GH FODVVHV O usurio precisa determinar o nmero de classes para as quais o computador deve calcular o algoritmo de grupamento. O valor padro de cinco classes. 1~PHUR GH LWHUDo}HV UHSHWLo}HV GR SURFHVVR A cada iterao, recalculam-se e reclassificam-se os pixels, considerando-se os novos valores mdios. Alm disso, o usurio pode determinar o desvio padro e o erro de distncia mnima.

)LJXUD ) &DL[D GH GLiORJR GRV SDUkPHWURV GD FODVVLILFDomR LVRGDWD

Clique no boto "OK" para aceitar os parmetros da classificao isodata.

Para maiores detalhes tcnicos, consulte a bibliografia 7RX - 7 DQG 5 & *RQ]DOH] 3DWWHUQ 5HFRJQLWLRQ 3ULQFLSOHV $GGLVRQ:HVOH\ 3XEOLVKLQJ &RPSDQ\ 5HDGLQJ 0DVVDFKXVHWWV

.0HDQVO ENVI tambm oferece o mtodo K-Means para realizar classificaes no supervisionadas. O Mtodo K-Means calcula inicialmente as classes distribuindo em uma classe uniformemente no espao e ento aglomera classe por classe em um processo iterativo usando a tcnica de distncia mnima. Melhor ser a classificao quanto melhor for agrupada a nuvem de pixels. A classificao estar pronta quando o nmero de iteraes definido pelo usurio for concludo, ou quando for alcanado o critrio de nmero de pixels que mudam de classe (Change Threshold); por exemplo, se escolhermos 5%, e, se menos de 5% dos pixels migrarem de uma classe para a outra, o


*XLD GR (19, HP 3RUWXJXrVcritrio estar alcanado. Para maiores detalhes tcnicos, consulte a bibliografia 7RX - 7 DQG 5 & *RQ]DOH] 3DWWHUQ 5HFRJQLWLRQ 3ULQFLSOHV $GGLVRQ:HVOH\ 3XEOLVKLQJ &RPSDQ\ 5HDGLQJ 0DVVDFKXVHWWV

Selecione, no menu principal, a cadeia de comandos Classificao No Supervisionada K-Means Selecione o arquivo desejado, clique em OK e aparecer a janela K-Means Parameters (Figura 2)

)LJXUD ) &DL[D GH GLiORJR GRV SDUkPHWURV GD FODVVLILFDomR .0HDQV

Preencha todos os parmetros e clique em OK. O resultado aparecer na lista de bandas disponveis

&ODVVLILFDo}HV VXSHUYLVLRQDGDVO princpio de classificao supervisionada baseado no uso de algoritmos para se determinar os pixels que representam valores de reflexo caractersticos para uma determinada classe. A classificao supervisionada a mais utilizada na anlise quantitativa dos dados de sensoriamento remoto. Etapas de uma classificao supervisionada: 1. Definio das classes nas quais a imagem vai ser dividida (por exemplo: gua, floresta, floresta degradada, agricultura, pasto, reas urbanas, solo puro, rochas). Ferramentas de auxlio: Dispersograma Bi-dimensional (Tutorial B), Visualizador N-Dimensional (Captulo 3)


*XLD GR (19, HP 3RUWXJXrV2. Escolha de amostras de treinamento para cada classe pelo uso de mapas topogrficos, aerofotos, trabalho de campo, etc. e controle com a ajuda de avaliaes estatsticas. O conjunto dos pixels que fazem parte de uma classe chama-se DVVLQDWXUD GD FODVVH. Ferramentas de auxlio: Mdulo de Regio de Interesse (Tutorial C) 3. Aplicao de um algoritmo de classificao em que todos os pixels so classificados conforme o mtodo estatstico escolhido (por exemplo, Mtodos do Paraleleppedo, Mnima Distncia, Mapeador de ngulo espectral ("Spectral Angle Mapper", SAM), Mxima Verossimilhana).

Whyrqrpvhqvry

4. Homogeneizao do )LJXUD ) ([HPSOR GH YDORUHV GH FLQ]D HP WRGDV DV resultado de EDQGDV GR VHQVRU /$1'6$7 70 *HJJ S classificao com passos de filtragens, tais como aglutinao ("clump") e peneiramento ("sieve"). 5. Vetorizao dos contornos e produo de mapas temticos com o resultado da classificao. A interpretao visual limitada observao de apenas trs bandas, enquanto as classificaes automticas so aplicadas a qualquer nmero de bandas que se queira. A Figura F-3 mostra que um pixel caracterizado por um nvel de cinza prprio em cada banda disponvel.

Considerando-se que os nveis de cinza da classe "gua encontramse, na banda 1, no intervalo entre 15 e 25 e, na banda 4, entre 80 e 120, podemos classificar um pixel de valor de cinza de 18 na banda 1 e de 120 na banda 4, para classe "gua". Esse exemplo mostra que o tempo de computao aumenta quanto maior o nmero de classes e de bandas.Nas classificaes supervisionadas, se est em constante interao com o processo de anlise. Selecionam*8,$ ) &ODVVLILFDomR

)LJXUD ) (VTXHPD GH FODVVLILFDomR DXWRPiWLFD /LOOHVDQG H .LHIHU S

*XLD GR (19, HP 3RUWXJXrVse iUHDV GH WUHLQDPHQWR ou DPRVWUD GH WUHLQDPHQWR ("training areas") da imagem como parmetros para a classificao. As reas de treinamento representam o comportamento mdio das classes que devero ser mapeadas automaticamente (Novo, 1988, p. 283). Todos os pixels dentro de uma rea de treinamento para uma dada classe constituem o chamado FRQMXQWR GH WUHLQDPHQWR para aquela classe (Crsta, 1993, p. 115). A Figura F-4 descreve os passos de uma classificao automtica. O resultado final uma imagem de uma s banda. Para facilitar a interpretao visual, deve-se colorir o resultado da classificao.

0pWRGR GR SDUDOHOHStSHGRO mtodo do paraleleppedo considera uma rea no espao de atributos ao redor do conjunto de treinamento. Essa rea tem a forma de um retngulo, definindo os nveis de cinza mximo e mnimo do conjunto de treinamento. Os lados desse retngulo, que inclui uma classe prpria, chamam-se os OLPLWHV GH GHFLVmR dessa classe. Os pixels que excedem os limites de deciso, como os pixels nas reas de inseparabilidade, apresentam problemas na sua distribuio em uma classe (Figura F-5). A correlao normalmente existente entre bandas vai causar uma distribuio ao longo da reta de 45 no espao de atributos e os limites de deciso vo sempre abranger alguns pixels no pertencentes classe (Crsta, 1993, p. 117).

)LJXUD ) (VTXHPD GH FODVVLILFDomR SRU SDUDOHOHStSHGR )RQWH 5LFKDUGV S

'HILQLomR GDV DPRVWUDV GH WUHLQDPHQWR A determinao das amostras de treinamento pressupe bons conhecimentos em interpretao de imagens de satlites. Alm disso, o uso de outras fontes de informao, como mapas, aerofotos, e tambm de dados estatsticos, ajudam a avaliar se a classe definida nas amostras de treinamento corresponde, de fato, superfcie natural. Na prtica, escolhem-se as amostras de treinamento em vrias bandas.

Determine as amostras de treinamento em uma imagem favorvel (9 ou 10 classes) com Regio de Interesse.



Clique com o boto direito do mouse sobre a imagem e selecione a opo ROI Tool.. no menu de atalho Clique no boto "New Region" e inicie a definio de um polgono em uma classe reconhecida na imagem escolhida. Na janela de controle de regies de interesse (Figura F-6), aparece esta nova regio. Determine um nome, a cor e o tipo de preechimento da ROI clicando no boto Edit da janela ROI Tool.

Ao mesmo tempo, a regio aparece sobre a imagem associada, na cor escolhida. Repita esse passo para cada classe que se deseje implementar no algoritmo de classificao. O nome do arquivo de sada deve ter extenso .roi.

)LJXUD ) 'HILQLomR GH DPRVWUDV GH WUHLQDPHQWR

A seleo de amostras de treinamento foi padronizada, o que torna possvel a aplicao das mesmas amostras em vrias classificaes sem a necessidade de recarreg-las. Isto simplifica a comparao dos resultados das classificaes.

Selecione a cadeia de comandos "Classificao - Coleo de Amostras". Determine as bandas de entrada na caixa de dilogo "Classification Input File". Clique "OK". Selecione o algoritmo de classificao no menu "Algorithm", na janela "Endmember Collection:...", assim como o arquivo espectral no menu sob o item


*XLD GR (19, HP 3RUWXJXrV"Import Spectral Library": se arquivo ASCII, regio de interesse (ROI), biblioteca espectral ou estatstico. Por fim, clique no boto "Apply". A Tabela 1 mostra os canais do LANDSAT 5 e as qualidades de cada banda para interpretao visual.Tabela 1. Aplicaes das bandas do LANDSAT 5 (Lillesand & Kiefer, 1979, p. 567). %DQGD TM 1 TM 2 TM 3 (VSHFWUR azul (VIS) verde (VIS) vermelho (VIS) &RPSULPHQWR GH 2QGD 0,45 - 0,52 0,52 - 0,60 0,63 - 0,69 $SOLFDo}HV - Boa penetrao na gua (mapeamento do litoral) Distino solo / vegetao - Reflexo mxima no espectro verdeDeterminao da vitalidade da vegetao - Absoro alta de clorofila - Distino solo / vegetao - Diferena dos tipos de trigo - Reflexo alta da vegetao - Determinao da massa orgnica - Distino terra / gua - Absoro mnima da gua - Determinao do contedo de gua no solo e na - Vegetao - Distino nuvem / neve - Aplicaes geolgicas - Determinao de temperatura e umidade das superfcies terrestres - Anlise de "stress" da vegetao - Distino cidade / campo - Aplicaes geolgicas - Diferena entre os minerais e rochas - Determinao do contedo de gua no solo e na vegetao

TM 4

NIR

0,76 - 0,90

TM 5

MIR

1,55 - 1,75

TM 6

TIR

10,4 - 12,5

TM 7

MIR

2,08 - 2,35

(WDSDV SDUD D FODVVLILFDomR SRU SDUDOHOHStSHGR

Selecione a cadeia de comandos Classificao Supervisionada Paraleleppedo ". Aps selecionar, na caixa de dilogo, um arquivo de entrada de imagem, )LJXUD ) &DL[D GH GLiORJR GH SDUkPHWURV GD aparece uma outra caixa FODVVLILFDomR SRU SDUDOHOHStSHGR onde se definem os parmetros de classificao pelo mtodo do paraleleppedo (Figura F-7). Clique em OK.



'HILQLomR GH PiVFDUDTornou-se possvel a eliminao de reas especficas dos processos de classificao por meio de imagem-mscara (ver Cap. Ferramentas). 9LVXDOL]DU R UHVXOWDGR GD FODVVLILFDomR Quando termina o clculo de classificao por paraleleppedo, o resultado aparece automaticamente na lista das bandas disponveis. Note que o resultado da classificao uma imagem s, que carregada em modo "Gray Scale" (imagem em tons de cinza).

0pWRGR GD GLVWkQFLD PtQLPDCaso do tamanho dos conjuntos de treinamento seja pequeno, recomenda-se um mtodo de classificao mais simples, como o algoritmo de distncia mnima (Richards, 1993, p. 189). Este algoritmo no usa uma matriz de covarincia, por isso no to flexvel como o algoritmo da classificao por mxima verossimilhana (Maxver). Os modelos de classes so caracterizados pela simetria espectral. As classes podem ser definidas com base em dados estatsticos, calculando-se a mdia de cada classe, em cada banda espectral. O mtodo de distncia mnima atribui cada pixel desconhecido classe cuja mdia seja mais prxima a ele.

Selecione a cadeia de comandos Classificao Supervisionada Distncia Mnima ". Note que os passos da classificao so os mesmos que foram apresentados para classificao no mtodo de paraleleppedo. A nica diferena encontra-se na caixa de dilogo de definio dos parmetros, onde pode-se determinar um erro de distncia mxima a ser aplicado para classificar a imagem. Use o mesmo arquivo de regio de interesse que foi usado anteriormente para a classificao por paraleleppedo e inicie a classificao pela distncia mnima. Examine as estatsticas das regies de interesse para determinar o desvio padro e o erro de mxima distncia.

0pWRGR GD Pi[LPD YHURVVLPLOKDQoD 0D[YHUA classificao Maxver a classificao supervisionada mais aplicada no tratamento de dados adquiridos por satlites. Este mtodo baseado no princpio de que a classificao errada de um pixel particular no tem mais significado do que a classificao errada de qualquer outro pixel na imagem (Richards, 1993, p. 321). O usurio determina a significncia nos erros de atributos especificados para uma classe em comparao a outras. Por exemplo, tendo-se duas subclasses da classe "trigo", seria mais aceitvel classificar um pixel particular na subclasse "milho" para a subclasse "cevada" do que para a classe "gua".


*XLD GR (19, HP 3RUWXJXrVA eficcia do Maxver depende, principalmente, de uma preciso razovel da estimativa do vetor mdio P e da matriz de covarincia 6 de toda classe espectral. Isso depende da quantidade de pixels includos nas amostras de treinamento. Sendo x o vetor correspondente ao um pixel nas N classes envolvidas, o vetor mdio dos pixels pertencentes a uma classe dado por:

onde . o nmero de pixels na classe e ([ a esperana de [, uma notao estatstica para estimar a mdia de [. J a matriz de covarincia ser dada por

Cada amostra de treinamento representada por pixels com reflexo caracterstica e vale como rea de referncia dos nveis de cinza da classe. O resultado do Maxver melhor quanto maior o nmero de pixels numa amostra de treinamento para implement-los na matriz de covarincia. Se os tamanhos das amostras de treinamento para as classes limitado, recomenda-se um mtodo de classificao mais simples e rpido, que no use uma matriz de covarincia (p.ex.: mtodo da distncia mnima ou do paraleleppedo). Nas classificaes em que se usa o algoritmo Maxver, cada classe determinada por um modelo de classes normal e multivariado. Este modelo toma conta das extenses de dados em direes espectrais determinadas. Crsta (1993, p. 123) considera que o mtodo Maxver deve ser aplicado quando o analista conhece bem a imagem a ser classificada, para que possa definir classes que sejam representativas.

Selecione, dentro do menu principal, a cadeia de comados Classificao Supervisionada Mxima Verossimilhana".

Ao contrrio das classificaes mostradas acima, a possibilidade de se digitar um valor para o desvio padro substitudo pela caixa de texto rotulada "Image Threshold". Digite um valor entre 0 e 1 para controlar a probabilidade dos parmetros da classificao Maxver.

0DSHDGRU GH kQJXOR HVSHFWUDO 6SHFWUDO $QJOH 0DSSHU 6$0O SAM um mtodo de classificao que usa o ngulo entre as amostras de treinamento no espao de n-dimenses para determinar os pixels para uma determinada classe. O algoritmo determina a similaridade espectral entre dois espectros e calcula o ngulo entre eles. Os ngulos so tratados como vetores no espao n-dimensional (Figura F-8). Esta tcnica possui a grande vantagem de os espectros ("endmembers") no serem muito sensveis aos efeitos da iluminao e do albedo. Arquivos em formato ASCII, curvas*8,$ ) &ODVVLILFDomR

*XLD GR (19, HP 3RUWXJXrVespectrais da biblioteca espectral e, tambm, regies de interesse podem ser usados como entrada da classificao. ngulos menores representam relaes mais prximas ao espectro de referncia. Pixels fora do ngulo mximo definido no so classificados.

Banda I Material A

ngulo Espectral

Material B

Banda J )LJXUD ) ([HPSOR GH 6$0 ELGLPHQVLRQDO

A aplicao do SAM considera dados reduzidos reflectncia aparente (reflectncia original multiplicada por alguns fatores de ganho no conhecidos, que dependem da topografia e da sombra). O SAM s usa a direo dos vetores, e no o seu mdulo, o que significa que todas as iluminaes possveis so tratadas da mesma maneira. A cor de um material definida pelo seu vetor prprio.

Selecione, no menu principal, a cadeia de comandos Classificao Supervisionada Spectral Angle Mapper Depois de selecionar no dilogo arquivo de entrada de uma imagem, aparece um outro dilogo para a definio dos parmetros de classificao pelo SAM (Figura F-9). Defina as regies de interesse.. Examine as estatsticas das regies de interesse para determinar o desvio padro e o erro)LJXUD ) &DL[D GH GLiORJR GR FRQMXQWR GH HVSHFWURV GR 6$0


*XLD GR (19, HP 3RUWXJXrVde mxima distncia.

Note que as regies de interesse tambm podem ser extradas pelos dispersogramas bidimensionais e pelo Visualizador n-dimensional. Arquivos de polgonos no formato ASCII e curvas espectrais da biblioteca espectral tambm podem ser usados como entrada de classificao.

&ODVVLILFDomR SRU GLVWkQFLD GH 0DKDODQRELVO classificador da distncia de Mahalanobis similar ao da distncia mnima e usa estatsticas para cada classe, porm, ele supe que a covariana das amostras so iguais, portanto, um classificador ainda mais rpido que o mtodo de mnima distncia.

Selecione a cadeia de comandos "Classificao - Supervisionada - Mahalanobis Distance", no menu principal ou na caixa "Coleo de Amostras...". Selecione a imagem desejada, clique em OK e aparecer a janela Mahalanobis Distance Parmeters. Preencha os parmetros e clique em OK.

&ODVVLILFDomR SRU %LQDU\ (QFRGLQJ

Selecione a cadeia de comandos "Classificao - Supervisionada - Binary Encoding", no menu principal ou na caixa "Coleo de Amostras...".

9LVXDOL]DGRU 1'LPHQVLRQDO 1GLPHQVLRQDO 9LVXDOL]HU O visualizador n-dimensional um dispersograma de pontos em n-dimenses, onde Q depende do nmero de bandas usadas (Boardman, 1993; Boardman & Kruse, 1994). As coordenadas dos pontos selecionados no espao n-dimensional so compostas de n valores que descrevem a radincia ou reflectncia espectral em cada banda para todos os pixels. A distribuio desses pontos no espao n-dimensional usada para estimar o nmero dos valores extremos ("endmembers") e as assinaturas puras das bandas. 6HOHFLRQDU RV GDGRV Antes de carregar o visualizador n-dimensional, o usurio precisa determinar uma regio de interesse, incluindo pixels de mxima variedade espectral. Defina esta regio na ferramenta das regies de interesse. As regies de interesse podem ser extradas da imagem realada, mas tambm de imagens tratadas com o algoritmo de frao mnima de rudo ("minimum noise fraction"). importante dizer que a regio de interesse inclui uma grande variedade de reflectncia.


)LJXUD ) &DL[D GH GLiORJR GH HQWUDGD GH UHJL}HV GH LQWHUHVVH GR YLVXDOL]DGRU QGLPHQVLRQDO


,PSOHPHQWDomR GDV UHJL}HV GH LQWHUHVVH

Selecione , dentro do menu principal, a cadeia de comandos "Ferramentas Regio de Interesse Exportar ROIs para Visualizador n-D. Depois de selecionar o arquivo de imagem de entrada, aparece uma outra caixa de dilogo que possibilita a escolha de uma regio de interesse a ser utilizada no visualizador n-dimensional (Figura F-10).

-DQHOD GH YLVXDOL]DGRU QGLPHQVLRQDO

Clique, na lista, a regio de interesse desejada, o que provoca a aparecimento da caixa de dilogo de controle de visualizador n-dimensional (Figura F-11a) e da tela do visualizador n-dimensional (Figura F-11b).

$ FDL[D GH GLiORJR GH FRQWUROH GR YLVXDOL]DGRU QGLPHQVLRQDO Depois que os nveis de cinza das regies de interesse so carregados, aparece a caixa de dilogo de controle do visualizador de n-dimensional, junto com o visualizador n-dimensional 6HOHomR GDV EDQGDV Inicialmente, a janela do visualizador aparece em preto. Nos controles do visualizador n-dimensional aparecem todas as bandas carregadas, com botes numerados (em preto) para cada uma (Figura F-11a).

Para selecionar uma banda, clique sobre seu nmero correspondente na caixa de controle do visualizador. O boto torna-se branco. Automaticamente, aparecem os pixels correspondentes a essa banda, em branco, na janela do visualizador n-dimensional (Figura F11b). Selecionando-se duas bandas, produz-se um dispersograma bidimensional; clicando-se trs bandas, um dispersograma tridimensional, etc.)LJXUD ) &DL[D GH GLiORJR GH FRQWUROH GR YLVXDOL]DGRU Q GLPHQVLRQDO D H -DQHOD GR YLVXDOL]DGRU QGLPHQVLRQDO E



(VFROKD GDV GLPHQV}HV H JLUR GR GLVSHUVRJUDPD necessrio escolher-se trs bandas, no mnimo, para o uso da funo "Start/Stop". Os eixos giram automaticamente, sendo possvel observar os pixels no espao tridimensional (ou n-dimensional, se mais bandas forem escolhidas). Para visualizar os eixos, selecione, dentro da caixa de dilogo Options , a opo Axes: On.

Arraste o "mouse" com o boto esquerdo pressionado, na tela do visualizador ndimensional, para girar os eixos coordenados.

'HILQLomR GH UHJL}HV GH LQWHUHVVH Para interromper a rotao, deve-se clicar o boto "Start/Stop", quando o dispersograma mostrar uma projeo conveniente para diferenciar nuvens de pixels. Certifique-se de que na caixa de texto a esquerda do boto de escolha est escrito "Define ROI". No caso desta caixa indicar o texto "Drive Axes", clique o boto de escolha para carregar o texto "Define ROI". Definir vrias regies de interesse, arrastando o "mouse" com o boto esquerdo pressionado, e fechar o polgono com um clique no boto direito do "mouse". Usar vrias projees diferentes para determinar um grupo maior de pixels isolados. Pode-se definir uma cor prpria para cada classe, clicando-se no boto "Red" e arrastando o cursor do "mouse" para cor desejada. ([SRUWDU DV FODVVHV GHILQLGDV

Clique no boto "Export" para salvar as regies de interesse atualmente obtidas e export-las pela caixa de dilogo "Define ROI's". Esta regio de interesse criada para localizar os pixels correspondentes na imagem de entrada. Clique no boto "Export All" para gravar todas as regies de interesse criadas. Abra a caixa de dilogo de regio de interesse para gravar as regies escolhidas e verifique as estatsticas.

Utilize as regies de interesse obtidas pelo mtodo do visualizador n-dimensional e implemente-as na classificao SAM.

&RPSDUDomR GRV UHVXOWDGRV GDV FODVVLILFDo}HVO controle dos resultados de classificao um dos passos mais importantes para se chegar a um resultado bem homogneo, mas tambm para controlar a qualidade das diferentes classificaes aplicadas. A classe que normalmente causa a maior percentagem de pixels classificados incorretamente a classe "cidade". No exemplo de deteco de cidades, pode ser avaliada a eficcia de cada classificao.

Compare os trs melhores resultados das classificaes, conferindo com a imagem original.



Abra vrias janelas aplicando as funes "Link" e "Maximize". Avalie a qualidade dos resultados obtidos pelos diferentes mtodos de classificao. Examine as estatsticas de todos os resultados.

(VWDWtVWLFDV GH FODVVHV Os resultados de classificao podem ser verificados com o controle visual ("On/Off") de alguns pixels escolhidos por acaso, mas tambm com a anlise de estatsticas.

Selecione a opo "Classificao Classificao Estatsticas de Classe".

Ps

Aparece a caixa de dilogo de arquivos de entrada. Note que s imagens classificadas podem ser selecionadas como arquivo de entrada. Clique no boto "OK" na caixa de dilogo de arquivos de entrada. Aparece a caixa de dilogo de arquivo de entrada de estatstica. Clique no arquivo de imagem do qual se quer extrair as estatsticas e clique "OK". Aparece a caixa de dilogo de seleo de classes. Selecione as classes de que deseja um relatrio e clique "OK".)LJXUD ) &DL[D GH GLiORJR GH SDUkPHWURV GD HVWDWtVWLFD

Aparece a caixa de dilogo "Compute Statistic Parameters" (Figura F-12). Note que s imagens classificadas podem ser selecionadas como arquivo de entrada. Alm disso, o analista pode escolher tambm as estatsticas e relatrios, clicando nos rtulos correspondentes. As estatsticas podem ser gravadas como um arquivo de estatstica (extenso .sta), mas tambm como um arquivo de relatrio.

)LJXUD ) 9LVXDOL]DomR GD HVWDWtVWLFD

Para aplicar os parmetros escolhidos e iniciar o clculo, clique o boto "OK"



Para cada classe, aparecem as janelas de histograma (Figura F-13) e de relatrio (Figura F-14).

)LJXUD ) 5HODWyULR HVWDWtVWLFR GD FODVVLILFDomR

0DWUL] GH &RQIXVmR RX GH (UURV &RQIXVLRQ 0DWUL[ RX (UURU 0DWUL[A Matriz de Confuso ou de Erros usada para avaliar o resultado de uma classificao. Para fazer isso ela compara os dados da verdade de campo com os da classificao, agrupando-os como mostrado na tabela 2.

Verdade de Campo A Classes do Mapa Temtico A B C Total pixels de campo Omisso [%] 35 10 5 50 30,0 B 2 37 1 40 7,5 C 2 3 41 46 10,9

Total

Incluso [%]

Pixels bem classificados [%]

39 50 47 136

10,2 26,0 12.8

89,8 74,0 87,2@hvqmByihybd

'"

7DEHOD 0DWUL] GH &RQIXVmR DGDSWDGD GH 5LFKDUGV - $ SS

Temos aqui trs classes de interesse (A, B e C). A matriz de confuso restringe-se s linhas e colunas referentes s classes A, B e C. Os componentes da diagonal principal da matriz de confuso fornecem o nmero de pixels corretamente classificados para cada classe correspondente. Por exemplo, para a classe B, no mapa temtico foram corretamente classificados 37 pixels.



No entanto, para 10 pixels dessa mesma classe B no mapa temtico, analisando a verdade de campo, constatou-se que na realidade eles pertenciam a classe A. Bem como outros 3 pixels que na realidade so da classe C. Portanto, para os 50 pixels da classe B do mapa temtico, 37 (74,0%) foram bem classificados, enquanto o restante 13 (26,0%) foram mal classificados. Este erro de classificao denominado HUUR GH LQFOXVmR FRPPLVVLRQ, pois se est incluindo pixels em uma classe quando na verdade eles pertencem a outra(s). Analisando agora do ponto de vista da verdade de campo, a classe C, por exemplo, tem 41 pixels bem classificados. Porm h 2 pixels seus que so classificados como A e outros 3 que so classificados como sendo da classe B. Este erro agora o HUUR GH RPLVVmR RPLWLRQ, pois nos dois casos est-se a omitir pixels da classe correta atribuindo-os a outra(s) classe(s). Na ltima coluna da tabela, temos a exatido especfica de cada classe, isto , a percentagem de pixels do mapa temtico que foram bem classificados. E no final desta coluna, encontramos a H[DWLGmR JOREDO DFFXUDF\ da classificao. Neste caso, tnhamos no total 136 pixels, sendo que no mapa temtico 113 foram bem classificados, o que perfaz um percentual de 83,1% do total, que foram bem classificados. Um subproduto da matriz de confuso, que auxilia na avaliao do classificador o coeficiente NDSSD (). Uma das vantagens alegadas para uso do NDSSD de que ele incorpora a informao dos pixels mal classificados, e no apenas dos bem classificados como a exatido global. A equao que fornece o valor de NDSSD dada por

onde, representa o somatrio em cada linha e coluna; o nmero de linhas e de colunas; 1 o nmero total de pontos, o somatrio de toda a matriz; Dividindo o numerador e o denominador por 1

onde



Grosso modo, a exatido global seria um ndice que superestima a acurcia da classificao, e o NDSSD seria uma avaliao mais adequada. Para reforar essa idia, peguemos a mesma matriz de confuso dada acima, onde o NDSSD vale N = 0,747. Portanto, menor do que a exatido global de 0,831. Vamos agora, modificar um pouco a nossa matriz de confuso original, com o intuito de fixar que o NDSSD realmente pode ser, geralmente, considerado um avaliador mais adequado.

Verdade de Campo A Classes do Mapa Temtico A B C Total pixels de campo Omisso [%] 35 10 5 50 30,0 B 5 32 3 40 20,0 C 5 6 35 46 23,9

Total

Incluso [%]

Pixels bem classificados [%]

45 48 43 136

22,2 33,3 18,6

77.8 66,7 87,4@hvqmByihybd

&$

7DEHOD 0DWUL] GH FRQIXVmR DQWHULRU PRGLILFDGD

Ao diminuir a exatido das classes B e C, a exatido global passou para 75%, uma queda de aproximadamente 10,8%. J o kappa agora vale k = 0,626, uma diminuio de cerca de 19,3%. Portanto o kappa sensvel no s a perda de acurcia global como um todo, mas tambm as variaes dos erros de omisso e de incluso, que ficaram maiores nas classes B e C. Para obter no ENVI a matriz de confuso de uma classificao, necessrio realizar algumas tarefas de ps-classificao.

Selecione a cadeia de comandos Classificao Ps Classificao. Clique em "Matriz de Confuso" e opte entre comparar a classificao com a imagem de verdade de campo "Usando Imagem de Verdade de Campo" ou com as regies de interesse (ROIs) observadas em campo "Usando ROIs de Verdade de Campo".



Na janela "Classification Input File", voc dever escolher a imagem de classificao obtida. Caso voc tenha optado por comparar com a imagem de verdade de campo , em seguida aparece janela "Ground Truth Input File" para carreg-la. Caso voc tenha optado por comparar com as regies de interesse segue-se o passo seguinte. Agora tem-se que, na janela "Match Classes Parameters", selecionar entre as classes (ou regies) da verdade de campo e da classificao listadas - em "Select Ground Truth Class" (Figura F-15a) ou "Select Ground Truth ROI" (Figura F-15b) e "Select Classification Image", respectivamente - as que so correspondentes numa e noutra imagem.

Selecione a regio correspondente de cada vez e clique em "Add Combination". Terminando, clique "OK".

D

E

)LJXUD ) (VFROKD GH UHJL}HV FRUUHVSRQGHQWHV WDQWR SDUD FRP D ,PDJHP GH FDPSR TXDQWR SDUD FRP DV UHJL}HV GH LQWHUHVVH GH YHUGDGH GH FDPSR

Aps definir os parmetros de sada da matriz de confuso o ENVI ir gerar uma tela com todas as informaes acerca da mesma (Figura F-16).



)LJXUD ) ([HPSOR GH PDWUL] GH FRQIXVmR JHUDGD SHOR (19, DR FRQIURQWDU UHJL}HV GD FODVVLILFDomR FRP GDGRV GHVVDV UHJL}HV REWLGDV QR FDPSR

&ODVV(GLWEsse captulo contm uma descrio do aplicativo ClassEdit, uma das rotinas que usurios do ENVI + IDL / ENVI podem descarregar da nossa pgina de Programas Especiais ( em www.envi.com.br , com os seguintes tpicos: ,QWURGXomR 0RGRV GH 9LVXDOL]DomR 0RGR %iVLFR GH 2SHUDomR 'HILQLomR GH UHDV GH ,QWHUHVVH 2So}HV GH 5HFODVVLILFDomR 'HVFULomR GRV 0HQXV

,QWURGXomR Mesmo escolhendo as amostras de treinamento com todo cuidado, o resultado da classificao nunca ser perfeito; em parte devido as limitaes tcnicas (do sistema de aquisio), em parte devido a semelhana espectral de determinadas componentes da sua imagem (por exemplo solo exposto - rea urbana).


*XLD GR (19, HP 3RUWXJXrVA SulSoft desenvolveu um aplicativo - o ClassEdit - para possibilitar o usurio de corrigir reas que foram interpretadas incorretamente no processo de classificao. Da idia bsica de um simples editor de valores digitais - uma classe representada pelo valor numrico do pixel, e esse pixel pode ser atribudo uma outra classe, simplesmente mudando o valor numrico dele - o ClassEdit evoluiu para uma ferramenta sofisticada usada muitas vezes na produo de empresas brasileiras de mapeamento. O ClassEdit iniciado pelo menu de funes interativas (na janela principal); os dados de entrada so as trs bandas R, G, B da imagem original, e o resultado de classificao. Caso a imagem de entrada exceda um certo tamanho, abre-se um dilogo perguntando se o usurio prefere executar o programa completamente na memria RAM do computator (requer memria disponvel maior do que a indicada na janela), ou se ele prefere a execuo em disco. 0RGRV GH 9LVXDOL]DomR Aps o fechamento dos dilogos iniciais aparece uma janela com os seguintes elementos grficos:

)LJXUD ) 7HOD GH $SUHVHQWDomR GR &ODVV(GLW *8,$ ) &ODVVLILFDomR


Na parte superior da janela localizam-se os menus, detalhados em seguida. No canto superior direito da janela aparece uma reamostragem da imagem original, seguindo os conceitos da janela global ("scroll window") do ENVI: um retngulo vermelho, que pode ser deslocado clicando-e-arrastando com o boto esquerdo do mouse, define a rea visualizada na janela principal. O fator de ampliao na janela principal define-se com o slider "zoom" , no canto superior direito da janela. Embaixo da imagem reamostrada aparece uma lista das classes da imagem classificada, com cor, nome e contedo da classe (com slider, caso tiver mais de 5 classes). No canto inferior direito tem os botes para a definio das reas de interesse, e uma indicao da posio atual do cursor, da classe (s para imagem principal), e posio geogrfica caso a imagem original georreferenciada. Existem muitos modos de visualizao para a janela principal (veja abaixo); a imagem reamostrada sempre aparece com a combinao de bandas escolhida na inicializao do ClassEdit, aps aplicado um realce linear de 2%. Aparece tambm uma pequena janela no canto superior direito da tela (em geral escondido atrs da janela principal com o boto "->ENVI"; esse boto preserva a tabela de cores dos aplicativos e s tem importncia para quem tem uma configurao do display de apenas 256 cores (desaconselhavel para trabalho com imagens de satlite). Neste caso deve-se usar este boto para reestabelecer as tabelas de cores do ENVI, caso o usurio queira trabalhar no ENVI sem sair do ClassEdit antes. 0RGR EiVLFR GH RSHUDomR O objetivo do ClassEdit poder modificar o resultado de classificao. Para poder efetuar isso com a mxima eficincia, o ClassEdit dispe de opes poderosas e versteis de visualizao e edio, permitindo a seleo de um fundo (por exemplo a imagem original r,g,b; a imagem filtrada; uma banda s, etc.) e de qualquer combinao de classes para ser sobreposta ao fundo. As classes a serem sobrepostas podem ser selecionadas: 1) clicando no quadradinho colorido ao lado de nmero e nome da classe 2) com as teclas 1,2,3,4,5,6,7,8,9,a,b,c,d,e,f , para at 15 classes . Importante para uma avaliao eficiente da qualidade da classificao atual a possibilidade de mudar rapidamente entre a imagem (em geral selecionado para o fundo) e o resultado da classificao (as classes selecionadas), o que efetuado no ClassEdit apertando a tecla "barra de espao". Um exemplo: Aps ter carregado o ClassEdit, voc seleciona as classes 1,2,4 e 6 digitando as teclas 1,2,4 e 6 no seu teclado (ou clicando com boto esquerdo nos quadrinhos coloridos referentes essas classes). Na medida em que voc digita as teclas, as classes vo aparecendo uma por uma, sobrepostas imagem original. Apertando a tecla "barra de espao" uma vez far com que desapaream as classes da tela (fica a imagem original); apertando novamente a tecla "barra de espao" far com que as classes selecionadas reapaream novamente.


*XLD GR (19, HP 3RUWXJXrVO ClassEdit foi otimizado para que essa mudana entre "classes ligadas" e "classes desligadas" possa ser efetuada com bastante agilidade, permitindo desta forma a avaliao simultnea da imagem e do resultado de classificao. 'HILQLomR GH UHDV GH ,QWHUHVVH A definio da rea de interesse feita na imagem principal, clicando e/ou clicando-earrastando com o boto esquerdo do mouse. Os controles no canto inferior direito permitem a seleo do tipo de rea ("Polgono", "Polilnea", ou "Ponto"), e se para adicionar um novo ponto ou vrtice ("Adicionar") ou para remover o ponto mais prximo do cursor ("Remover"). Com o boto "Limpar" pode-se remover todos os pontos e vrtices atualmente desenhados. O clique com o boto direito do mouse fecha a rea atual e chama a janela com as opes de reclassificao. 2So}HV GH 5HFODVVLILFDomR Uma vez identificados os pixels aparentemente "errados" na classificao, existem essas possibilidades para reclassific-los: 1. Marcando os pixels com a seleo tipo "Polilnha" ou "Ponto", e associando uma nova classe WRGRV os pixels marcados ("Expandir classe"). 2. Traando um polgono ao redor dos pixels, e associando uma nova classe WRGRV os pixels dentro do polgono ("Expandir classe"). 3. Traando um polgono ao redor dos pixels, e redefinindo determinados pixels a partir de critrios escolhidos pelo usurio ("Redefinir Pixels"). Nos primeiros dois mtodos o usurio apenas escolhe a nova classe a ser associada todos os pixels no polgono. No terceiro mtodo aparece uma janela oferecendo as seguintes opes:

)LJXUD ) -DQHOD GR PRGR GH HGLomR GH FODVVHV

5HGLVWULEXLU FODVVH Aqui o usurio pode definir quais a(s) classe(s) que sero afetadas pela redistribuio (os nmeros tm que ser separados por espao, vrgula ou ponto-e-vrgula). No exemplo acima seriam escolhidos os pixels das classes 2,4,5 e 6 . SDUD Aqui consta a nova classificao dos pixels selecionados. No exemplo acima o destino final dos pixels selecionados (aqueles que resolvem todas as condies) seria a classe 3. FRP iUHD PHQRU TXH P: Neste campo o usurio pode definir um limite para as reas a serem modificadas. S reas FRQWtQXDV menores do que o limite indicado


*XLD GR (19, HP 3RUWXJXrVsero redistribudos. Se por exemplo a classe dois no exemplo acima caracteriza a classe de gua, e no polgono traado pelo usurio ficam quatro audes, s os audes com uma rea menor do que 50.000 m2 sero reclassificados para a classe 3. Caso a imagem original no seja georreferenciada, esse limite deve ser dado em pixels. Obs.: Colocar o valor 0 como limite dispensa a avaliao de rea. ([FOXLU ERUGD: Ao traar o polgono, o usurio pode (no exemplo acima, com classe 2 = gua) ter cortado um aude no meio; metade do aude ficou dentro do polgono, a outra metade fora. Caso essa metade do aude dentro do polgono for agora menor do que o limite, o algoritmo normalmente redistribuiria esses pixels para a nova classe 3 (opo Excluir borda: no). Com a opo Excluir borda: sim (o padro) as reas cortadas pelo contorno do polgono sero automaticamente descartadas (inalteradas).

'HVFULomR GRV PHQXVSalvar a classificao modificada. Aplicar as ltimas modificaes e atualizar a visualizao (para o modo "Troca Rpida"). Visualizar resultado de classificao (todas as classes). Visualizar imagem original (r,g,b), sem classes sobrepostas. Desfazer a ltima modificao (a visualizao ser automaticamente atualizada) . Obs.: A tecla "Z" um atalho para o boto Desfazer. Encerrar o ClassEdit. Obs.: A classificao modificada QmR ser automaticamente salva. Menu em cascata para a seleo da imagem do fundo (p.ex. combinao 3-2-1, ou s banda 2 etc.) . Menu em cascata para a seleo da filtragem da imagem do fundo (Nemhuma/Realce de Borda 1/ Realce de Borda 2/ Filtro Laplaciano). Menu em cascata para a seleo do realce da imagem do fundo (Nemhum/Linear 2%/Equalizao) Opo para importar um arquivo vetorial do tipo ENVI Vector File .evf , e sobrepor imagem da janela principal. possvel importar at 5 planos ("OD\HUV") diferentes. "Editar layer" permite posteriormente modificar cor, espessura etc. do plano. "Gravar template" permite salvar a configurao atual, e com "Restaurar template" esta configurao pode ser rapidamente reestabelecida. Os planos podem ser ligados e desligados na opo "Editar layer", ou - similiar aos classes - com as teclas "y","u","i","o", e "p" correspondentes aos planos 1,2,3,4 e 5 . O modo "Troca Rpida" permite a reclassificao rpida de reas, simplesmente colocando o cursor em cima da rea de interesse e clicando a tecla "x". Com o mtodo de crescimento so identificados os pixels pertencentes rea escolhida, sendo possvel definir no menu de cascata "4 vizinhos" se a vizinhana definida por 4 or 8 pixels. O valor da nova classe definido com o menu em cascata "T.R. desligada". Na inicializao do ClassEdit esta opo desligada. Para agilizar o processo de redefinio de classes essas reas permanecem inalteradas na janela, apenas aparecendo no centro da rea escrito "O.K." para sinalizar que essa rea j foi modificada. A visualizao das modificaes deve ser obtida com o boto "Atualizar"). A opo "Desfazer" desfaz todas as modificaes entre uma atualizao e outra.



+RPRJHQL]DomR GR UHVXOWDGR GH FODVVLILFDomRNormalmente, o resultado de uma classificao uma imagem com muito rudo, causado por pixels isolados ou poucos pixels atribudos a diversas classes, que ocorrem prximos a reas homogeneamente classificadas (Crsta, 1993, p. 129). Assim, bastante comum ao se fazer a homogeneizao do resultado da classificao em reas de topografia acidentada, uma vez que os efeitos causados por reas sombreadas e iluminadas so extremamente variveis. Outro efeito provocado por reas em que os pixels contm uma mistura de duas ou mais classes (pixels impuros). A classe de reas urbanas (cidade) conhecida como a que se mistura com quase todas as outras classes. Por exemplo: depois da colheita, os terrenos agrcolas ficam caracterizados por uma reflexo semelhante a de solos puros ou, principalmente, de reas urbanas. Esse fato explica a ocorrncia de pixels da classe cidade na classe agricultura ou solos puros. Por vezes, os pixels da classe cidade aparecem na classe floresta. Isso ocorre quando o usurio define amostras de treinamento na classe cidade para reas residenciais densamente arborizadas. Alm disso, aparecem, algumas vezes, pixels da classe cidade em margens de rio ou no mar, especialmente em guas com alto contedo de material em suspenso. O algoritmo da classificao distribui esses pixels na classe gua, porque essas partes fornecem uma informao espectral parecida como a da classe cidade (densa).

)LOWUDJHP GR UHVXOWDGR GD FODVVLILFDomR Um dos passos mais comuns, para homogeneizar o resultado da classificao, a aplicao de um filtro da mediana (Seo G-1.6).

Selecione a cadeia de comandos Filtros Convoluo . Aparece a caixa de dilogo de arquivo de entrada. Aparece a caixa de dilogo dos parmetros de convoluo, que possibilita a escolha do tamanho da mscara (Figura F-19). Teste vrios tamanhos de mscara. Digite GRV SDUkPHWURV GD PDWUL] GH o nome do arquivo de sada e clique o FRQYROXomR GR ILOWUR GD PHGLDQD boto OK. Carregue o resultado da filtragem (uma imagem em preto e branco) numa nova tela. Para colorir essa imagem, mude o cabealho com um clique no boto Editar Cabealho de Arquivo ENVI, do menu Arquivo. Mude o tipo de arquivo para )LJXUD ) &DL[D GH GLiORJR


*XLD GR (19, HP 3RUWXJXrVClassification e digite o nmero das classes includas. Para visualizar a imagem filtrada nas mesmas cores do resultado da classificao, chame no menu da janela grfica a cadeia de comandos Mapeamento de Cores Mapeamento de Cores de Classificao. Mude os nomes e as cores das classes. )XQomR GH DJOXWLQDomR GH FODVVHV &OXPS &ODVVHV Geralmente, as imagens classificadas apresentam rudo, o que dificulta a interpretao visual. A funo de &OXPS &ODVVHV resolve esse problema ao aglutinar classes adjacentes.

Determine, na imagem filtrada, as classes que sero aumentadas e verificar o tamanho da mscara. Selecionar a opo Clump no menu de classificao Ps Classificao Aparece a caixa de dilogo de arquivos de entrada.

Aparece a caixa de dilogo dos parmetros de convoluo, que possibilita a escolha do tamanho da mscara.

Para adicionar classes do arquivo na imagem homogeneizada, clique o boto Band Math, no menu Ferramentas. Aparece a caixa de dilogo Band Math. Digite clas_add (b1,b2) na caixa de texto entitulada Enter an expression. Clique as expresses b1/b2 e associar, para b1, a imagem e, para b2, a imagem.

)XQomR GH VHSDUDomR GH FODVVHV 6LHYH &ODVVHV A funo de separao de classes resolve o problema de eliminar classes adjacentes. Normalmente, as funes de aglutinao (Clump) e separao (Sieve) so aplicadas em etapas sucessivas. Por exemplo, nas margens da classe cidade, encontram-se pixels classificados erroneamente como rocha.

Selecione a cadeia de comandos Classificao Ps Classificao Sieve Class.



&ODVVLILFDomR VXSHUYLVLRQDGD XVDQGR 5HGH 1HXUDOA partir da verso ENVI 3.6 a funo de classificao supervisionada foi incrementada com a opo do uso de rede neural que um sistema inspirado nos neurnios biolgicos e na estrutura massivamente paralela do crebro, com capacidade de adquirir, armazenar e utilizar conhecimento experimental. Aquisio de Conhecimento (aprendizado): Treinamento efetuado atravs da apresentao de exemplos (coletas de amostrasROIs)>Existe uma variedade de algortmos que estabelecem QUANDO e COMO os parmetros da Rede Neural devem ser atualizados->Algortmos substituem a programao necessria para a execuo das tarefas nos computadores. Aplicaes Gerais: 1 Reconhecimento de padres; 2 Classificao de Padres; 3 Correo de padres; 4 Previso de sries temporais; 5 Aproximao de Funes; 6 Suporte deciso; 7 Extrao de informaes. Processamento Neural: O processamento de uma rede neural pode ser dividido em duas fases: Learning - Processo de atualizao dos pesos conhecimento (Aquisio da informao);. para a aquisio do

Recall - Processo de clculo da sada da rede, dado um certo padro de entrada (recuperao da informao)

Aprendizado: Processo pelo qual os parmetros livres (pesos sinpticos) de uma rede neural so adaptados atravs de um processo contnuo de estimulao pelo ambiente. Existem 3 tipos bsicos de aprendizado: 1 Treinamento Supervisionado; 2 Treinamento No-supervisionado; 3 treinamento em "Batch". No caso do ENVI 4.0 limitaremos a descrio ao treinamento supervisionado: Treinamento Supervisionado: A rede treinada atravs do fornecimento dos valores de entrada e seus respectivos valores da sada desejada "training pair"-> Geralmente efetuado atravs do processo de minimizao do erro calculado na sada. Recuperao de Dados: Assumindo que um conjunto de padres tenha sido armazenado, a Rede Neural pode executar as seguintes tarefas: Auto-associao; Hetero-associao;


*XLD GR (19, HP 3RUWXJXrV Classificao. No caso da classificao a rede neural responde com a informao relativa s classes a qual o padro de entrada pertence.-> Caso especial de Hetero-associao. Ex: Padres de entrada com ou sem rudo . Generalizao: A rede neural responde corretamente a um padro de entrada fora do conjunto de treinamento. $SOLFDQGR FODVVLILFDomR FRP UHGH QHXUDO Use Neural Net ,disponibilizada a partir do ENVI 3.6, para executar classificao atravs de estruturas de interconexo feed-forward de mltiplas camadas. A rede feed-forward consiste em uma ou mais camadas de processadores cujo fluxo de dados possui, sempre, uma nica direo, isto , no existe realimentao. Com base nos estudos j realizados, pode-se afirmar que os tipos de redes neurais mais adequados so as redes multicamadas do tipo "feed-foward" com mtodo de aprendizagem supervisionado. A tcnica de rede neural utiliza-se do modelo de algortmo backpropagation (retropropagao) para a aprendizagem supervisionada. Como a maioria das aplicaes utilizam o algoritmo de backpropagation ou suas variantes para treinamento destas redes. Pode-se dizer que o algoritmo de backpropagation uma generalizao do algoritmo do mtodo dos minimos quadrados, que utiliza tcnicas de gradiente descendente interativo para minimizar uma funo de custo igual a diferena mdia quadrada entre a sada desejada e a sada real da RNA. ([HFXWDQGR D &ODVVLILFDomR 1HXUDO 1HW Voc deve primeiramente definir as ROIs para usa-las como amostra de pixels para cada classe. Quanto mais pixels compor uma amostra, melhor sero os resultados obtidos. , 1 - Selecione ->Classificao -> Supervisionada -> Rede Neural; 2 - Quando a caixa de dilogo de seleo do arquivo aparecer, selecione o arquivo de entrada;



3 - Ao selecionar o arquivo desejado clique em ok, surgir, ento, a janela Neural Net Parameters;

4 - Selecione as amostras das classes clicando nos nomes das ROIs na lista de seleo de classes por regio (Select Classes from Regions); 5 - Selecione o mtodo de ativao desejado clicando no boto de seleo correspondente; 6 - Na caixa de texto "Training Threshold Contribution, entre com um valor entre 0 e 1. A "training threshold contribution" estipula a dimenso da contribuio do peso interno com o respectivo nvel de ativao do ponto. Ele usado para ajustar as mudanas para um peso interno . O treinamento do algortmo ajusta interativamente os pesos entre os pontos e opcionalmente o valor percentual; 7 - No campo Training Rate determine um valor entre 0 e 1. A taxa de treinamento estabelece a magnitude do ajustamento dos pesos. Para valores prximos de 1 ocorrer um aumento de velocidade em relao processamento do treinamento, entretanto o risco da ocorrncia de oscilaes ou no convergncia no resultado do treinamento tambm ser maior; 8 - Em Training Momentum determine, tambm, um valor entre 0 e 1. Entrando com uma taxa de permissividade maior que 0 proporcionar uma maior taxa de treinamento sem ocilaes.


*XLD GR (19, HP 3RUWXJXrV9 - No campo Training RMS Exit Criteria, a seu critrio, entre com um valor do erro RMS para o qual o treinamento dever parar. Obs.1: Caso o erro RMS, que mostrado durante a execuo do treinamento, ficar abaixo do valor limite o treinamento parar ; 10 - No campo Number of Hidden Layers entre com o nmero de layers internos. Para uma classificao linear, entre com o valor 0. No caso de uma classificao no linear defina valores a partir de 1. 11 - Em Number of Training Interations, entre com o nmero de interaes desejado para a execuo do treinamento; 12 - Selecione a forma de sada do resultado do processamento entre as opes File ou Memory; 13 - Opcionalmente voc pode selecionar uma sada para o arranjo de imagens que representam cada classe, selecionando o boto de alternncia Yes/No no campo Output Rule Images; 14 - Clique no boto ok para iniciar a execuo da classificao de Rede Neural Neural Net. Surgir uma janela de status informando o progresso da operao. Durante o treinamento apresentado, tambm, um grfico informando o erro mdio quadrado RMS para cada interao. Dica : Caso o RMS estiver ocilando sem apresentar sinais de convergncia , tente atribuir um valor menor para a taxa de treinamento Training Rate ou ROIs diferentes. O resultado da classificao por redes neurais aparecer na caixa de lista de bandas disponveis Available bands List quando o processamento estiver encerrado.

&ODVVLILFDomR SRU iUYRUH GH GHFLVmRO classificador por rvore de deciso, disponvel a partir do ENVI 4.0 uma tcnica inovadora que executa classificaes atravs de um processamento multi-etapas usando uma srie de decises binrias para alocao de pixels. Cada deciso separa pixels, pertencentes um arranjo de imagens, dentro de duas classes baseadas numa determinada expresso. Para cada nova classe possvel subdividi-la em mais duas classes, ou seja, voc pode definir tantas classes quanto for necessria para gerar a classificao. Uma outra vantagem a possibilidade de unir dados provenientes de diferentes origens para produzir uma nica deciso do classificador em rvore. Por exemplo: A informao multi-espectral pode ser usada em conjunto com a informao referente ao modelo de elevao digital (DEM) com o intuto de encontrar reas sujeitas ao processo de eroso do solo, ou seja, zonas que apresentam um baixo ndice de vegetao associada a uma acentuada declividade; Imagens georreferenciadas em projees diferentes assim como tambm em resolues diferentes (tamanho do pixel diferente) podem ser usadas em conjunto em uma nica deciso. Nos dois casos citados acima o ENVI reprojetar e reamostrar o arranjo da deciso de forma instantnea.*8,$ ) &ODVVLILFDomR


As ilustraes a seguir mostram um exemplo da classificao por rvore de deciso no ENVI 4.0:

&ULDQGR XPD QRYD iUYRUH GH GHFLVmR 1. A partir do menu principal do ENVI 4.0, selecione ->Classificao ->rvore de Deciso -> Criar Nova rvore de Deciso; A janela ENVI Decision Tree aparecer j com um n de deciso singular e duas classes subordinadas; 2. Clique com o cursor do mouse sobre o n Node 1 informe um nome, determine uma expresso na janela de edio Edit Decision Tree Properties e clique em ok; 3. Na caixa de variveis Variable / File Pairings clique sobre o nome da varivel e selecione a entrada do arquivo ou a banda associada varivel;

Obs.1: Observe que os nomes de cada n aparecem automticamente no diagrama da rvore de deciso ENVI Decision Tree.



4. Voc pode adicionar sub-classes ao n clicando com o boto direito do mouse sobre o n da classe atual e no menu de atalho que aparece selecione Add Children;

5. Clique sobre o novo n, informe um nome, determine uma nova expresso e clique em ok para aceitar; 6. Repita as etapas 2 e 4 adicionando tantos ns de classes quanto for necessrio para a sua classificao. ([HFXWDQGR XPD QRYD iUYRUH GH GHFLVmR Para executar e editar interativamente uma classificao por rvore de deciso siga as seguintes instrues: 1. Na janela da rvore de deciso no ENVI 4.0, selecione Options->Execute; 2. Ao surgir a caixa de dilogo dos parmetros de execuo Decision Tree Execution Parameters selecione apenas um segmento da rvore, caso desejar, e determine um nome de sada para a classificao;


*XLD GR (19, HP 3RUWXJXrVObs.1: Se o seus dados esto georreferenciados, selecione a imagem que servir como base, determine o tamanho do pixel de sada e selecione o mtodo de reamostragem a partir do boto de seleo; Obs.2: No momento da execuo cada n de classe mudar de cor para verde, ou seja, a cor verde representa o instante de processamento de cada classe durante a execuo da classificao; 3. Para visualizar detalhes sobre a quantidade de pixels em cada n de classe, clique com o boto direito do mouse sobre o fundo da janela da rvore de deciso ENVI Decision Tree e selecione Zoom In a partir do menu de atalho que surgir. Cada n mostrar a quantidade de pixels inseridos dentro da sua respectiva classe. Outra fonte de informao e dada pela barra de estatus que fornece detalhes no momento que voc posiciona o cursor sobre o n de classe; 4. Mesmo aps a execuo da classificao voc poder editar interativamente a sua rvore de deciso clicando com o cursor do mouse sobre o n e efetuando as alteraes desejadas na caixa Edit Decision Properties Obs.3: Voc, tambm, pode alterar a cor e o nome da cada classe, clicando sobre o n da classe e informando um novo nome e uma nova cor na caixa de dilogo de edio de classe Edit Class Properties; 5. Execute a classificao, novamente, e observe os resultados; 6. Repita as etapas 3 e 4 at que voc esteja satisfeito com os resultados.


matriz de confusão

Documents

classificao supervisionada

classes para

o programa

uma classificao supervisionada

classificao isodata

classificao figura

comandos classificao

usase o espao