Classificação Orientada a Objeto (considerações)

INTRODUÇÃO

No decorrer do desenvolvimento das atividades na área de geotecnologias o mercado quer cada vez mais ter agilidade nas respostas, o que implica uma extração de informações, nesse caso em imagens de satélite, de forma rápida e automatizada, onde o interprete (analista) tenha o mínimo de interferência possível.

Nessa postagem tentaremos abordar a técnica de classificação orientada a objeto, no sentido mais teórico. Explicitando alguns termos e técnicas usadas para se obter o resultado ágil. Logo não temos a pretensão de finalizar o assunto somente com essa postagem, pois levando em consideração a quantidade distinta de dados, fica inviável propor uma solução para as aplicações dessa técnica.

SEGMENTAÇÃO

O principio da segmentação é, que partindo de uma imagem digital, possamos através de algoritmos estatísticos, reduzir as informações da mesma em regiões (objetos) homogêneas, as quais são funções diretas do problema considerado, ajudando em uma análise mais adequar da imagem.

Porem é importante lembrar que a qualidade da segmentação depende não apenas do algoritmo selecionado, mas de um apropriado ajuste dos valores de seus parâmetros. Como já foi dito, o ajuste desses parâmetros necessita de uma longa jornada de testes para cada imagem, hoje já existem alguns procedimentos para tornar a inserção desses parâmetros mais aferida, no entanto gastam mais tempo.

A segmentação pode ser classificada genericamente em dois grandes grupos.

BASEADA EM DESCONTINUIDADE: particiona a imagem levando em consideração a mudança abrupta nos níveis de cinza que podem ser observados através de matrizes de convolução que percorrem a imagem detectando pontos isolados, linhas e bordas de um objeto.

Matriz de convolução (Detection isolate points)

Na prática, pude perceber que na maioria das vezes as detecções de linhas e bordas retornam erros de detecção que posteriormente precisam ser ajustados manualmente ou usando algum processamento anterior a segmentação.

BASEADA EM SIMILARIDADE: leva em consideração o interior dos objetos, analisando propriedades similares entre os pixels, tendo como critério os métodos de segmentação por crescimento de regiões, limiarização, detecção de bacias, pirâmides e clustering. Esses métodos serão descritos a baixo.

• CRESCIMENTO DE REGIÕES: este método agrega pixels ou sub-regiões e regiões maiores, o processo pelo qual se inicia esse método é a coleta automática de pixels fontes, partindo-se desses o algoritmo vai agregando pixels vizinhos que tenham características similares de cor, intensidade, textura e etc. até que não haja mais possibilidade de agregação.

Segmentação por crescimento de regiões

• LIMIARIZAÇÂO: aqui é feita uma discretização dos objetos por limiares sobre o histograma da imagem, esse limiar retorna uma imagem com valores de 1 para os objetos e 0 para o fundo.

Segmentação por limiarização – 150 ND

• DETECÇÃO DE BACIAS: Esse método pode ser considerado uma junção de outros métodos como a detecção de bordas que usa o filtro de sobel e por agregadores de região. O resultado intermediário desse método é uma imagem com aparência de um modelo digital de elevação (DEM) onde serão processadas as regiões a partir de um limiar configurado pelo usuário, o resultado final é a criação de objetos pertinentes às bacias dentro do limiar empregado.

Segmentação por detecção de bacias com limiar 96 ND

• PIRÂMIDES: os procedimentos empregados nesse método são bem diferentes dos usualmente conhecidos, pois o algoritmo divide a imagem em quadrantes arbitrários, quase que identificando o pixel.

Segmentação por pirâmide (quadtree) – Scale 60

• CLUSTERING: para esse método a imagem e convertida em valores de atributo (pontos) que são visualizados em um espaço amostral. Os cluster são porções continuas desse espaço com alta densidade de pontos, o que define o objeto é a separabilidade entre essas nuvens de pontos adensadas. Existem ainda subdivisões desse método que determinam que um ponto pertence a apenas uma classe ou ainda os que permitem que um ponto pertença a todas as classes até certo grau. O clustering pode usar algoritmos ISOSEG ou K-MÉDIAS.

Segmentação por clustering

SEGMENTAÇÃO BASEADA EM OBJETO (MULTIRESOLUÇÃO): basicamente esse tipo de segmentação leva em consideração varias características da imagem, como heterogeneidade espacial (forma) que também é subdividido em compacidade e suavidade, assim como espectral (cor) e diferença dos objetos de entorno, utilizando em síntese o método de crescimento de regiões para agregar pixels vizinhos. Esse processo termina quando o objeto excede o limiar (escala) definido pelo usuário.

– A heterogeneidade (Cor e forma) define a uniformidade dos objetos

– O limiar de escala é a propriedade que define o tamanho dos objetos

Segmentação orientada a objeto (multiresolução) – Scale 15 Color 0.5

CLASSIFICAÇÃO

O procedimento de classificação dos objetos vai depender do software que se está usando, em síntese e de modo mais simples, a classificação se dará com a indicação de segmentos para determinadas classes, sendo esses usados como amostras. Esse processo pode ser tanto automático quanto manual.

A classificação pode ser muito mais apurada quando se faz um estudo das estatísticas dos segmentos para identificação das classes pretendidas.

Geralmente, nos algoritmos automáticos, usam-se os classificadores de pertinência para associar os objetos as classes, esses classificadores inibem a noção determinista de sim ou não, deixando com que as estatísticas de cada segmento definam o grau de pertencimento a uma determinada classe.

SOFTWARES

eCognition http://www.definiens.com/

Esse software proprietário traz ao mercado a potencialidade de extrair o máximo de informação com máxima eficiência dos mais variados sensores remotos.

Nesse contexto, a tecnologia eCognition analisa o pixel baseado no seu contexto, e não isoladamente, reconhecendo os grupos de pixels como objetos. (Threetek, 2010).

Interface eCognition 8

InterIMAGE http://www.lvc.ele.puc-rio.br/projects/interimage/

Resultado da cooperação DSR e DPI – INPE, Depto. Engenharia Elétrica da PUC-RJ e Universidade de Hannover (Alemanha). Esse aplicativo livre congrega a escrita da biblioteca TerraLIB e do software GeoAIDA, tentando ultrapassar os limites do eCognition.

Em resumo, InterIMAGE implementa uma estratégia específica  de interpretação de imagens. Tal estratégia é baseada e guiada por uma descrição hierárquica do problema de interpretação, estruturado em uma rede semântica. (COSTA et. al., 2009).

Interface InterIMAGE 1.15

SPRING http://www.dpi.inpe.br/spring/

O SPRING é um SIG no estado-da-arte com funções de processamento de imagens, análise espacial, modelagem numérica de terreno e consulta a bancos de dados espaciais, desenvolvido pela DPI – INPE e apoiado por diversas outras instituições.

O processo de classificação por objetos (regiões) no SPRING ainda não é totalmente automático sendo necessário a identificação manual dos objetos para cada classe aplicando assim um classificador supervisionado Bhattacharya.

Interface SPRING 5.1.5

SPT v2.0 http://www.lvc.ele.puc-rio.br/

O SPT, desenvolvido pelo Departamento de Engenharia Elétrica da PUC-RJ, ainda é uma protótipo de software para segmentação que possui um grande potencial de uso para ajustes de parâmetros de segmentação, usando um algoritmo genético (AG) para identificar valores ótimos para os parâmetros de segmentação dentro de um espaço de busca.

Interface SPT v.2.0

ENVI – Feature Extraction http://www.ittvis.com/Company.aspx

É a ferramenta desenvolvida pela ITTVIS para desenvolvimento de classificação por segmentação orientada ao objeto para extração de alvos de interesse sendo possível aplicar métodos supervisionados e não supervisionados, para o agrupamento de pixels de uma imagem dentro de classes.

Interface ENVI – Feature Extraction

O método de classificação orientada a objeto vem ganhando espaço muito rapidamente no desenvolvimento de projetos voltados principalmente para o uso de imagens de alta resolução que tem por objetivo o estudo de regiões urbanas. Porém a técnica também tem feito grandes avanços no campo das imagens de média resolução com identificação de uso do solo e muitos outros tipos de atividades.

Como a técnica se apresenta de forma bastante abrangente, é fundamental que o analista leve em consideração a natureza dos dados e para qual finalidade usará em seu projeto. Acredito que por esses motivos essa postagem tenha uma grande relevância, pois aqui o analista poderá entender e discutir sobre as formas de segmentação e algoritmos possíveis de serem empregado na sua empreitada.

Lembrando que o assunto é muito mais extensão e exige uma dedicação nos estudos do procedimento, ou seja, esse post é somente o início de uma jornada.

Espero que tenham gostado. Qualquer contribuição será muito bem vinda e podem ser feitas no espaço de comentários.

_______________________________________________

Baatz, M. & A. Schäpe (1999b): Object-Oriented and Multi-Scale Image Analysis in Semantic Networks . In: Proc. of the 2^nd International Symposium on Operationalization of Remote Sensing August 16^th – 20^th 1999. Enschede. ITC.

Blaschke, T.; Kux, H. J. H. Sensoriamento remoto e SIG avançados – novos sistemas sensores: métodos inovadores. São Paulo: Oficina de Textos, 2007, 2ª ed., 303 p.

Blaschke, T.; Lang, S.; Hay, G. J. (Eds.) Object-Based Image Analysis – Spatial Concepts for Knowledge-Driven Remote Sensing Applications. Berlim: Springer-Verlag, 2008, 817 p.

GONZALEZ, R.C.; WOODS, R.E. Digital image processing. USA, Prentice Hall, 2008.

LEONARDI, F. Abordagens cognitivas e mineração de dados aplicadas a dados ópticos orbitais e de laser para a classificação de cobertura do solo urbano. 2010. 162 p. (INPE-16708-TDI/1648). Dissertação (Mestrado em Sensoriamento Remoto) – Instituto Nacional de Pesquisas Espaciais, São José dos Campos. 2010. Disponível em: <http://urlib.net/sid.inpe.br/mtc-m19@80/2010/03.17.11.42>. Acesso em: 19 ago. 2010.

SITES

http://paginas.ucpel.tche.br/~vbastos/segmenta.htm#9

http://www.segmenta.cnpm.embrapa.br/

http://www.imageprocessingplace.com/

_______________________________________________

Links Relacionados:

Classificação

Classificação Supervisionada – ArcGIS 9.3

Definiens Developer

Density Slice ENVI4.5

Classificação Supervisionada no ERDAS 9.1