Classificação orientada a objetos para mapas temáticos da Leziria Grande

ISEGI – Instituto Superior de Estatística e Gestão de Informação
Mestrado/Pós-graduação em C&SIG (2002/2003)
62203 - Detecção Remota
Trabalho Final

INSTITUTO SUPERIOR DE
ESTATÍSTICA E GESTÃO DE INFORMAÇÃO
MESTRADO/PÓS-GRADUAÇÃO EM
CIÊNCIA E SISTEMAS DE INFORMAÇÃO
GEOGRÁFICA
62203 - DETECÇÃO REMOTA
TRABALHO FINAL - PARTE PRÁTICA
PRODUÇÂO DE MAPAS TEMÁTICOS COM UTILIZAÇÃO
DE CLASSIFICAÇÃO ORIENTADA A OBJECTOS
(Leziria Grande de Vila Franca de Xira)

Fernando José Pereira Gil (G2002178)
Ricardo Nuno Calado Antunes (G2002162)
Rita Isabel Isidro Praça (G2002193)
Sandra Maria Ferreira (G2002192)

62203drprat-121206173019-phpapp01.doc

Trabalho Final

INSTITUTO SUPERIOR DE ESTATÍSTICA E GESTÃO DE INFORMAÇÃO

MESTRADO/PÓS-GRADUAÇÃO EM CIÊNCIA
E SISTEMAS DE INFORMAÇÃO GEOGRÁFICA




FERNANDO JOSÉ PEREIRA GIL (G2002178)

RICARDO NUNO CALADO ANTUNES (G2002168)

RITA ISABEL ISIDRO PRAÇA (G2002193)

SANDRA MARIA FERREIRA (G2002192)

Lisboa, 8 de Setembro de 2003

62203drprat-121206173019-phpapp01.doc 1

Trabalho Final





ÍNDICE DO TEXTO

1. DESCRIÇÃO SUMÁRIA DO TEMA.........................................................................................................2

2. CARACTERISTICAS DA INFORMAÇÃO A UTILIZAR ....................................................................3

3. CONCEITOS E MÉTODOS.......................................................................................................................4
3.1 INTRODUÇÃO.......................................................................................................................................... 4
3.2 ANÁLISE ORIENTADA A OBJECTOS........................................................................................................... 4
3.3 SEGMENTAÇÃO....................................................................................................................................... 4
3.4 CLASSIFICAÇÃO...................................................................................................................................... 5
4. MAPAS TEMÁTICOS ................................................................................................................................7
4.1 INTRODUÇÃO.......................................................................................................................................... 7
4.2 PRIMEIRA CLASSIFICAÇÃO....................................................................................................................... 7
4.3 SEGUNDA CLASSIFICAÇÃO..................................................................................................................... 15
4.4 TERCEIRA CLASSIFICAÇÃO..................................................................................................................... 17
4.5 QUARTA CLASSIFICAÇÃO....................................................................................................................... 18
4.6 QUINTA CLASSIFICAÇÃO........................................................................................................................ 18
5. CONCLUSÕES...........................................................................................................................................21

6. BIBLIOGRAFIA.........................................................................................................................................22


Trabalho Final





1. DESCRIÇÃO SUMÁRIA DO TEMA

O objectivo deste trabalho consiste na utilização da aplicação da abordagem da
classificação orientada a objectos para produção de mapas temáticos da zona da
Leziria Grande de Vila Franca de Xira na região do Ribatejo.

Para levar a cabo o conjunto de operações de análise e classificação orientada a
objectos foi utilizado o software Ecognition V2.1.

Foram efectuados testes com vista à produção de dois tipos de mapas temáticos:
um mapa temático com classes genéricas de ocupação do solo (área florestal,
área forrageira, área social, estradas, rios e albufeiras e terra arável) e um mapa
temático com classes mais detalhadas ao nivel da utilização agricola, entrando
em linha de conta com algumas das culturas mais representativas da zona.

Qualquer uma das abordagens anteriores teve por base um conjunto de áreas de
treino inferidas explicitamente dos elementos da imagem, bem como a utilização
de uma estratégia de classificação supervisionada baseada no método do vizinho
mais próximo standard.

No primeiro caso em análise, a saber a produção de um mapa temático das
grandes classes de ocupação do solo, os testes efectuados conduziram a um
resultado final, que apesar de não ser perfeito (sentimos nomeadamente que
haveria que efectuar mais afinações ao nivel das amostras), se pode considerar
razoável face aos elementos que se podem inferir visualmete da imagem, e ao
conhecimento da zona.

No segundo caso em análise, e apesar dos esforços desenvolvidos, temos a
consciência que muito ainda haveria que investigar por forma a que se pudesse
obter um mapa temático com qualidade aceitável para todas as classes
escolhidas. No entanto, resolveu-se apresentar o resultado que se obteve tendo
presente que, não passará de um primeirissimo teste.


Trabalho Final

2. CARACTERISTICAS DA INFORMAÇÃO A UTILIZAR

A zona de trabalho abrange boa parte da Leziria de Vila Franca, mais de metade
da área do concelho de Benavente, e territórios dos concelhos vizinhos, a saber:
Alenquer, Azambuja, Salvaterra de Magos e Coruche. Na figura seguinte
apresentamos a composição colorida das bandas 432 (RGB) conjuntamente com
o limite dos concelhos referidos (escala 1/250.000).

A informação raster a trabalhar é constituida por seis bandas do satélite LandSat
do Verão de 2000, com um pixel de 25 metro, apresentando-se de seguida as
caracteristicas radiométricas das diferentes bandas tendo por referência o sensor
TM (Thematic Mapper):

-Leziria_b1_00.tif: Banda do azul (0.45-0.52 micra);

-Leziria_b2_00.tif: Banda do verde (0.52-0.60 micra);

-Leziria_b3_00.tif: Banda do vermelho (0.63-0.69 micra);

-Leziria_b4_00.tif: Banda do infra-vermelho próximo (0.76-0.90 micra);

-Leziria_b5_00.tif: Banda do infra-vermelho médio1 (1.55-1.75 micra);

-Leziria_b7_00.tif: Banda do infra-vermelho médio2 (2.08-2.35 micra).


Trabalho Final

3. CONCEITOS E MÉTODOS

3.1 Introdução

Nos capítulos seguintes vai-se passar em revista de uma forma breve os
conceitos base da classificação orientada a objectos.

Desta forma, começa-se por dar uma definição de que é entendido por análise
orientada a objectos, abordando-se seguidamente a segmentação e a
classificação. Dos métodos apresentados explicitam-se os utilizados no presente
trabalho.

3.2 Análise orientada a objectos

De acordo com o que é explicitado no manual do Ecognition, na análise orientada
a objectos as unidades de processamento de base são os objectos da imagem ou
segmentos e não os pixeis individualmente. Isto porque a aproximação baseada
nos pixeis tem muitas limitações na extracção de objectos do mundo real a partir
das imagens que sejam adequados em termos da classificação que se leve a
cabo, e em termos da sua forma.

Outra caracteristica da análise das imagens orientada a objectos é a quantidade
de informação que pode ser derivada com base nos objectos da imagem. Assim
para além do tom, temos tambem a forma, a textura, o contexto e informação de
outros layers. Utilizando esta informação, a classificação atinge melhor
diferenciação semântica e resultados mais especificos e precisos.

Outra das caracteristicas desta aproximação é a inter-operação circular entre o
processamento e a classificação dos objectos da imagem. Baseado na
segmentação, escala e forma dos objectos de imagem fica disponivel para a
classificação informação especifica. Por outro lado, baseada na claassificação,
poderão ser activados algoritmos de processamento especificos. Este
processamento circular, similar ao processo de entendimento das imagens pelos
humanos, resulta numa sequência de estados intermédios, com crescente
diferenciação da classificação e com crescente abstracção da informação original
fornecida pela imagem.

Os primeiros passos deste tipo de abordagem serão assim mais comandados
pelos dados em si, nos passos posteriores serão então aplicados mais e mais
conhecimento e diferenciação semântica.

3.3 Segmentação

Segundo o manual do Ecognition, segmentação é a divisão da imagem em
regiões separadas. Nesta operação, há a expectativa de, em muitos casos, ser
capaz de extrair automáticamente a partir da imagem, os objectos de interesse
desejados para uma dada tarefa.


Trabalho Final

Os métodos de segmentação de imagem podem-se separar em dois dominios
principais: métodos guiados pelo conhecimento (top-down) e métodos guiados
pelos dados (bottom-up).

As alternativas mais comuns, são as aproximações baseadas no conhecimento.
Estas aproximações tentam incorporar o conhecimento derivados de áreas de
treino ou outras fontes no processo de segmentação.

Neste trabalho utilizou-se a aproximação baseada no conhecimento com
definição de áreas de treino.

3.4 Classificação

Segundo o manual do Ecognition, de uma forma geral, classificar significa atribuir
um número de objectos a uma certa classe de acordo com a descrição da classe.

Desta forma, a descrição da classe é a descrição das propriedades ou condições
tipicas, que as classes desejadas tem. Os objectos serão assim atribuidos
(classificados) de acordo com o facto de estarem ou não de acordo com estas
propriedades/condições.

Em termos de linguagem de base de dados pode-se dizer que o espaço das
caracteristicas é segmentados em diferentes regiões, o que conduz a uma
relação de um-para-muitos entre os objectos e as classes. Como resultado tem-
se que cada objecto pertence a uma dada classe ou a classe nenhuma.

Os classificadores clássicos utilizados em detecção remota (máxiam-parecença,
minima-distância, paralelipipedo, etc.) atribuem a pertença de 1 ou 0 aos
objectos, expressando assim o facto de um objecto pertencer a uma certa classe
ou não. Por este facto estes classificadores, e uma vez que expressão a pertença
de um objecto a uma certa classe de uma forma binária, são chamados
classificadores duros.

Em contraste os classificadores macios (principalmente sistemas fuzzy e
classificadores de Bayes) utilizam um grau/probabilidade de pertença para
expressar a atribuição de um objecto a uma classe. O valor de pertença
habitualmente encontra-se entre 1.0 e 0.0, onde o valor de 1.0 expressa a
completa pertença/probabilidade a uma certa classe e o valor de 0.0 expressa a
absoluta não pertença/probabilidade.

Desta forma, o grau de pertença/probabilidade depende do grau em que os
objectos preenchem as propriedades/condições que descrevem a classe. A
grande vantagem dos métodos macios é que estes permitem expressar
incertezas acerca das descrição das classes.

No que diz respeito aos métodos de classificação, estes podem ser básicamente
separados em métodos supervisionados e métodos não supervisionados.
Enquanto que os métodos supervisionados perguntam ao utilizador como é são


Trabalho Final

as desejadas classes, os métodos não supervisionados são quase
independentes do utilizador.

Enquanto que os métodos não supervisionados funcionam quase
automáticamente, os métodos supervisionados tem que ser treinados pelo
utilizador, habitualmente retirando amostras ou descrevendo as propriedades das
classes. Desta forma, a informação relativa à descrição da classe tem que ser
precisa, representativa e tão completa como possivel, o que na maioria dos casos
é muito dificil.

Os métodos de classificação supervisionados podem ser mais trabalho intensivos
uma vez que o utilizador tem que descrever as propriedades das classes
explicitamente ou retirando amostras representativas de cada uma das classes.

No presente trabalho utilizou-se métodos de classificação supervisionados.


Trabalho Final

4. MAPAS TEMÁTICOS

4.1 Introdução

Para a produção dos mapas temáticos que são o objectivo deste trabalho
procedeu-se a um conjunto diverso de classificações cuja descrição se apresenta
nos próximos capítulos.

Em todas as classificações foi utilizado o método de classificalção baseado em
amostras. Neste método o eCognition utiliza uma aproximação fuzzy de clustering
do vizinho mais próximo. Baseado nas amostras, a aproximação clustering
detecta os objectos de imagem semelhantes no espaço de caracteristicas
multidimensional.

4.2 Primeira classificação

4.2.1 Criação do projecto

O primeiro passo efectuado resume-se na criação de um novo projecto no
eCognition com todas as bandas disponibilizadas (bandas 1 a 7, com excepção
da banda 6), que irão corresponder às várias layers (camadas) da imagem.

Posteriormente, visuallizou-se a imagem recorrendo a duas composições
coloridas com uma equalização do tipo “Histogram“. Assim, nas figuras seguintes


Trabalho Final

pode-se observar em primeiro lugar, a composição colorida com as bandas 432
colocadas nos canais do vermelho (R), verde (G) e azul (B) respectivamente. Na
segunda figura, pode-se observar uma outra composição em que se utiliza as
bandas 453 (RGB).

4.2.2 Segmentação

Como já foi referido anteriormente, segmentação é a divisão da imagem em
regiões separadas. Nesta primeira classificação efectuou-se esta operação
atribuindo a todas as bandas o mesmo peso 1. Os restantes parametros podem
ser consultados na figura seguinte.


Trabalho Final

Na figura seguinte, apresenta-se o resultado da segmentação com a opção
“object mean”.


Trabalho Final

4.2.3 Criação dos poligonos

No passo seguinte efectuou-se a vectorização automática dos objectos imagem
resultantes da segmentação, recorrendo à ferramenta respectiva do eCognition,
de que resultou a criação dos poligonos respectivos.


Trabalho Final

4.2.4 Criação de classes

Tendo em vista a produção do mapa temático pretendido, criaram-se seis
classes:

1. Área Florestal

2. Área Forrageira

3. Área Social

4. Estradas

5. Rios e Albufeiras

6. Terra Arável

As convenções atribuidas a estas classes, em termos de código de cores, foram
as seguintes:

Seguidamente foram asssociadas a cada uma das classes amostras num total de
109, o mais representativas possivel do seu conteúdo. Esta operação é ilustrada
nas figuras seguintes.

- Área Florestal (12 amostras):


Trabalho Final

- Área Forrageira (10 amostras):

- Área Social (18 amostras):


Trabalho Final

- Estradas (3 amostras):

- Rios e Albufeiras (20 amostras):

- Terra Arável (46 amostras):


Trabalho Final

Na figura seguinte, pode-se observar a máscara de treino e teste (TTA mask)
mandada gerar a apartir das 109 amostras anteriormente carregadas.

De seguida, e de forma procedeu-se à aplicação em cada uma das classes dos
parametros relativos ao método do vizinho mais próxímo standard, tal como é
mostrado na figura seguinte.

4.2.5 Classificação

O corolário dos passos anteriores é pois a classificação do espaço de
caracteristicas constituido pela informação raster em análise.


Trabalho Final

A aplicação da classificação com os critérios e métodos anteriormente
enunciados permitiu obtiver os resultados que se apresentam na figura seguinte.

Uma vez que estes resultados se revelaram claramente insatisfatórios devido à
discrepância entre a classificação e a realidade no terreno, nomeadamente no
que diz respeito à falsa e extensiva identificação de corpos de água, procuraram-
se outras estratégias que se apresentam nos próximos capítulos
consubstanciadas nas classificações e processamentos respectivos.

4.3 Segunda classificação

Nesta classificação, utilizou-se as mesmas classes da anterior. Foi tambem
utilizada a mesma máscara de treino e teste, no entanto as amostras foram
carregadas com as caracteristicas agora disponibilizadas para análise.

Os procedimentos foram muito semelhantes aos anteriores, tendo-se mantido o
fluxo de trabalho. A diferença principal situa-se na forma como foi efectuada a
segmentação.

A segmentação da imagem só entrou em linha de conta com as bandas 2, 3 e 4
uma vez que às restantes foi atribuido um peso com o valor 0.

Esta operação é ilustrada pela figura seguinte.


Trabalho Final

A classificação assim obtida é a que se apresenta na figura seguinte.


Trabalho Final

Como se popde observar este mapa temático já está mais consentâneo com a
realidade. No entanto, ressalva-se ainda o facto de se ter sentido muita
dificuldade de separar de forma inequivoca os arrozais dos restantes corpos de
água. A sua correcta delimitação só poderá ser efectuada numa imagem de uma
data mais tardia na qual esta cultura esteja numa fase do seu ciclo cultural em
que as plantas cubram mais uniformemenete os canteiros. Pode-se considerar
tambem a possibilidade de se efectuar uma outra classificação em que seja
criada explicitamente uma classe para os arrozais, para se possa tentar concluir
da sua separabilidade dos restantes corpos de água.

Após esta classificação ainda se efectuaram mais dois teste que se passam a
apresentar.

4.4 Terceira classificação

Os procedimentos utilizados foram muito semelhantes aos anteriores, tendo-se
mantido o fluxo de trabalho. A diferença principal situa-se na quantidade de
dados (número de bandas da imagem) carregados no projecto inicial, e do seu
reflexo na composição das amostras. Desta forma, só foram carregadas no
projecto as bandas 2, 3 e 4.

O resultado do conjunto de procedimentos atrás descrito é oque se apresenta na
figura seguinte.

Como se pode verificar tambem esta estratégia continua a classificar como
corpos de água os arrozais em que as plantas estão nos seus estados iniciais de


Trabalho Final

desenvolvimento, como espectável, gerando uma pior classificação que a anterior
no que diz respeito à área florestal.

4.5 Quarta classificação


O resultado do conjunto de procedimentos atrás descrito é o que se apresenta na
figura seguinte.

Com esta classificação, e por mera análise visual constata-se uma clara
diminuição da área forrageira em relação às anteriores, bem como a um aumento
da classificação incorrecto de áreas de estradas.

4.6 Quinta classificação


Para esta classificação, criou-se um novo conjunto de classes onde se separou a
classe Terra Arável nas suas culturas mais significativas.


Trabalho Final

As classes criadas foram assim as seguintes:

-Milho de regadio;

-Beterrada;

-Girassol de regadio;

-Arroz;

-Tomate;

-Floresta;

-Rios e albufeiras;

-Áreas sociais; e

-Áreas forrageiras.

O resultado do conjunto de procedimentos atrás descrito é oque se apresenta na
figura seguinte.


Trabalho Final

Nesta classificação já se consegui uma separação do arroz da classe Rios e
Albufeiras.

No que diz respeito à obtenção da separação correcta entre as várias culturas,
esta apenas pode ser considerada como uma primeirissima e muito limitada
aproximação. Apesar de serem de salientar os bons resultados obtidos com a
classificação das áreas de milho, beterraba, área forrageira, floresta e rios e
albufeiras.


Trabalho Final

5. CONCLUSÕES

Uma vez que a versão do eCognition com que se trabalhou é uma versão de
demonstração que não permite exportação dos dados a sua análise fica restrita à
sua avaliação visual em face do existente na realidade.

Tendo em conta as limitações referidas, e face ao conhecimento do terreno e à
interpreteção visual dos objectos presentes na imagem, e no que diz respeito ao
mapa temático de carácter genérico, indicamos a segunda classificação como a
mais próxima das realidades referidas.


Trabalho Final

6. BIBLIOGRAFIA

1. ISEGI-UNL. Mestrado em Ciência e SIG, 2002/2003. Documentação
fornecida no âmbito da cadeira de Detecção Remota.

2. eCognition User Guide. Release 2.1. Definiens Imaging, 2001.


Classificação orientada a objetos para mapas temáticos da Leziria Grande

Recomendados

Recomendados

Mais conteúdo relacionado

Destaque

Destaque (17)

Semelhante a Classificação orientada a objetos para mapas temáticos da Leziria Grande

Semelhante a Classificação orientada a objetos para mapas temáticos da Leziria Grande (14)

Mais de Fernando Gil

Mais de Fernando Gil (20)

Último

Último (20)

Classificação orientada a objetos para mapas temáticos da Leziria Grande